В статье рассмотрены теоретические подходы моделирования биржевых торговых роботов — киберфизических систем в условиях инновационных трансформаций и широкомасштабной цифровизации экономики и финансовой сферы. Актуальность исследования состоит в том, что в настоящее время наблюдается тенденция увеличения доли алгоритмической торговли на бирже, причем доля торговых роботов на искусственном интеллекте возрастает. Свежим технологическим трендом является применение биржевых торговых роботов — киберфизических систем на основе когнитивного моделирования, алгоритмов искусственного интеллекта, действующих в цифровых экосистемах. Роботы-алгоритмы конкурируют друг с другом, отслеживая динамику выставляемых заявок, разыскивая «плотности» в стакане, меняют частоту проведения сделок купли/продажи, мониторят весь рынок финансовых инструментов, отслеживая всплески волатильности, ловят сделки крупных игроков в таблице обезличенных сделок, подстраивая параметры в своих скриптах в режиме онлайн. Научная новизна заключается в том, что в представленном исследовании сформирована DL-модель глубокого обучения «Случайный лес», которая на требуемом таймфрейме рассчитывает прогноз цены закрытия фьючерсного контракта SiZ3. Практическая значимость исследования в том, что полученные результаты внедрены и активно используются в биржевой торговле. Критерием успешности предиктивных свойств DL-модели была выбрана величина средней ошибки прогноза (MAE). В предложенной DL-модели используется лучшее дерево решений, которое имеет оптимальные настройки гиперпараметров, например глубину дерева — шесть слоев, число естиматоров (деревьев) в ансамбле — десять. В проведенном эксперименте гиперпараметры нейросети не менялись, входные параметры в различные деревья подбирались алгоритмом случайным образом. DL-модель показывала высокую точность прогноза.