Предложен метод адаптации структуры технических индикаторов к текущему состоянию биржевого рынка с последующим формированием стратегий трейдинговой интеллектуальной системы, базирующейся на использовании комбинированного RL-обучения и генетических алгоритмов. Модифицирован метод нейросетевой аппроксимации Q-функций RL-алгоритма, позволяющий осуществлять коррекцию конфигурации аппроксимирующего многослойного персептрона. Усовершенствована структура модели прогнозирования, алгоритм обучения которой базируется на применении нейросетевого фильтра-предиктора, что обеспечивает высокое быстродействие и качество прогнозов в условиях нестационарности и неопределенности. Разработанные методы были программно реализованы и использованы для ряда практических внедрений.