На современных биржевых площадках, где большинство операций совершается посредством электронных транзакций, появляется возможность анализировать событийные микроструктурные рыночные данные. Они описывают физическое формирование цены на биржевые инструменты и обладают высокой информативностью, позволяя торговой системе находить сложные закономерности в поведении цены. Выявление таких закономерностей вручную является очень трудоемким процессом. Однако современные модели машинного обучения способны решать подобные задачи автоматически, подстраиваясь под постоянно меняющееся поведение рынка. В данной работе разрабатывается торговая система на базе модели машинного обучения и микроструктурных рыночных данных. Для исследования собрана информация с московской биржи ММВБ о событийных изменениях биржевой книги заявок и ленте всех сделок по ликвидному биржевому инструменту. Для моделирования используется модель логистической регрессии и ряд моделей искусственных нейронных сетей. Результаты исследования демонстрируют, что модель логистической регрессии не уступает в качестве прогнозирования более сложным моделям и при этом имеет высокую скорость формирования прогноза, что очень важно при принятии торгового решения на современных торговых площадках. Разработанная торговая система имеет среднюю частоту заключения сделок, что позволяет избежать дорогой инфраструктуры по сравнению с высокочастотной биржевой торговлей, но при этом дает возможность использовать весь потенциал высококачественных микроструктурных рыночных данных. Статья описывает все этапы построения торговой системы, включая выбор признаков для моделирования, сравнительный анализ моделей прогнозирования изменения цены, а также создание торгового алгоритма с тестированием на исторических данных. Он может применяться различными инвестиционными институтами для эффективного управления капиталом в биржевых торгах. Разработка более сложных и детальных торговых алгоритмов на базе модели машинного обучения позволит увеличить конечную эффективность всей торговой системы.