<<
>>

Введение

Актуальность диссертационного исследования имеет как теоретические, так и практические основания. В условиях глобализации зависимость реального сектора экономики и благосостояния физических лиц от процессов, происходящего на финансовых рынках, очень велика.

Особенно сильно это можно было ощутить в ходе мирового финансового кризиса 2008 года, когда обвал финансового сектора повлек за собой рецессию во многих мировых экономиках. Теоретическое описание массовых ожиданий участников финансового рынка и прогнозирование на этой основе котировок требуют применения всё более продвинутых формальных методов.

В финансовом анализе искусственные нейронные сети рассматриваются как механизм реконструкции репрезентативного агента, принимающего решения, и благодаря своим отличительным характеристикам могут быть использованы для прогнозирования доходности на фондовом, валютном и других рынках.

В диссертации рассматриваются фондовый и валютный рынки развитых стран, поскольку именно эти рынки бывают наиболее близки к состоянию информационной эффективности. Это состояние заявлено в качестве цели для суверенных регуляторов финансовых рынков и отражено, в частности, в документах Международной организации комиссий по ценным бумагам (IOSCO), что делает именно развитые рынки наиболее интересным, «чистым» объектом исследования.

Отдельная важная проблема в рамках исследований искусственных нейронных сетей и повышения эффективности их прогнозных способностей - это различные способы обработки входных данных. Это объясняется тем, что в последние годы массивы данных, доступные финансовым аналитикам, существенно возросли, а взаимосвязи между ними, в том числе причинно­следственные, усложнились. Поэтому в рамках данной работы основное внимание будет уделено исследованию и применению различных инструментов обработки эмпирических данных перед их предъявлением искусственным нейронным сетям
и сравнительному анализу их возможностей для прогнозирования доходности на фондовом и валютном рынках развитых стран. В частности, будут подробно рассмотрены метод главных и метод независимых компонент, которые используются во многих научно-исследовательских работах по финансовой математике.

Следует добавить, что полезность исследований с помощью искусственных нейронных сетей нельзя связывать только с финансово-экономической сферой. Полученные исследовательские результаты могут дать важный синергетический эффект для других отраслей науки. В числе наиболее перспективных можно выделить когнитивную психологию, теории принятия решений индивидуумами и группами лиц, а также поведения больших социальных систем.

Степень разработанности темы в научной литературе. На протяжении последних лет можно выделить большое количество исследований по теоретическим и по практическим аспектам применения искусственных нейронных сетей, на изучении которых сделан акцент в данной работе. Разброс публикаций по данной тематике достаточно широк. Первыми стали труды У. Мак-Каллокка и В. Питтса, Д.Хебба и Ф.Розенблатта. К попыткам систематизировать информацию (прежде всего, типологию) в данной области можно отнести работы С.Хайкина, К.Бишопа, К.Файфа, П. Макнелиса, В.Круглова. Используемые в работе методы предварительной обработки данных перед предъявлением искусственным нейронным сетям широко рассматриваются в работах Й.

Джолиффа, А. Хюваринена, А. Бека и А. Вайгенда, Й. Горрица и др., Л. Делатавера и др., П. Комона.

Существует обширная литература, где описывается построение полноценных моделей искусственного интеллекта с помощью искусственных нейронных сетей и экспериментального взаимодействия агентов в больших имитационных системах. Отметим публикации Б. Лебейрона, М.Митчелл, Б. Макмуллина, Р. Да Силва и др., С.Альфарано и др., А. Баравиера и др., Р. Конта и Ж.-Ф. Боше.

Кроме этого можно выделить широкий спектр публикаций, связанных именно финансовыми рынками, а именно с прогнозированием доходности на фондовом и валютном рынках с помощью искусственных нейронных сетей (вплоть до сегментации по географической принадлежности). В числе интересных работ можно отметить исследования П. Тенти, М. Амин и др., Й. Боллен и др., Й.- К. Квон и др., Х.-Г. Циммерманна и др.

Однако во многих опубликованных работах наблюдается следующая дихотомия: с одной стороны, в крупных фундаментальных трудах проводится детальный разбор типов искусственных нейронных сетей, принципов их построения и особенностей обучения, зачастую без практического применения предлагаемых моделей (особенно на финансовых рынках); с другой стороны, в практических статьях в большинстве случаев главной целью ставится финансовая результативность исследуемой модели (доходность виртуального инвестиционного портфеля), но при этом не проводится достаточно глубокий разбор теоретических выводов. Важной особенностью данной работы является синтез практического применения построенных моделей и теоретического анализа полученных результатов.

Основная научная гипотеза. Основными характеристиками способа формирования ожиданий репрезентативным агентом считаются ограниченная рациональность, самообучение, а также формирование субъективно полных картин будущего (self-attribution) на основе сценарной интерпретации прошлой информации. Эти особенности способа принятия инвестиционных решений эффективно имитируются с помощью конкурентных механизмов предварительной обработки входных данных (по сравнению с другими методами обработки, а также методами, не использующими предварительную обработку входных данных) в самоорганизующихся искусственных нейронных сетях Кохонена - Хакена и роевой архитектуры. В результате может быть существенно повышено качество прогнозирования доходности на финансовых рынках развитых стран по критерию роста виртуального инвестиционного портфеля.

В рамках исследования предполагается, что распределения логарифмических доходностей на финансовых рынках порождаются механизмом, систематически отклоняющимся от центральной предельной теоремы, что соответствует состоянию неполной информационной эффективности. Под состоянием неполной информационной эффективности подразумевается определённая временная задержка в обработке данных агентами на финансовых рынках и соответствующая отложенная реакция цен на поступающую информацию. В свою очередь, это служит естественной предпосылкой для прогнозирования динамики финансовых рынков с помощью аналитических моделей, обращающихся к прошлым значениям временных рядов (в том числе моделей искусственных нейронных сетей). Это также позволяет подходить к прогнозированию финансовых рынков с позиции поведенческих финансов, для которых критически важен механизм принятия решений репрезентативным агентом.

Объект исследования - фондовые рынки развитых стран и валютный рынок. Предмет исследования - прогнозирование доходности на фондовых рынках развитых стран и валютном рынке с помощью моделей искусственных нейронных сетей с предварительной обработкой входных данных.

Цель диссертационного исследования - предложить способы прогнозирования доходности на фондовом и валютном рынках развитых стран с помощью моделей искусственных нейронных сетей с предварительной обработкой входных данных, которые соответствуют типичным реакциям лиц, принимающих решения, по критерию роста виртуального инвестиционного портфеля, построенного на основе прогнозов сети.

В соответствии с этой целью в работе ставятся и решаются следующие задачи:

• показать возможность прогнозирования доходности на финансовых рынках с помощью моделей искусственных нейронных сетей как механизма, имитирующего принятие решений репрезентативным агентом;

• сравнить использование метода главных компонент (principal component analysis) и метода независимых компонент (independent component analysis) в качестве различных форм предварительной обработки входных данных для искусственных нейронных сетей при прогнозировании доходности на финансовых рынках;

• показать, что предварительная обработка входных данных с помощью методов главных и независимых компонент, которая сводится только к сокращению размерности входного пространства или заданию контекстной памяти, недостаточна для получения эффективного результата при прогнозировании доходности на финансовых рынках;

• предложить новую спецификацию искусственной нейронной сети для прогнозирования доходности на финансовых рынках, в которой предварительная обработка входных данных осуществляется на основе конкурентных механизмов взаимодействия - как внутри одной сети, так и между несколькими независимыми сетями;

• решить типичные технические проблемы в построении искусственных нейронных сетей, такие как интерпретация результатов обработки входных данных с помощью метода независимых компонент и подбор начальных значений сети при прогнозировании доходности на финансовых рынках;

• на основе полученных результатов сделать выводы о сравнительной сложности прогнозирования доходности на фондовом и валютном рынках развитых стран, определить применимость определенных видов искусственных нейронных сетей на финансовых рынках различного типа.

Теоретической и методологической основой исследования служат труды известных учёных в области экономики и финансовой математики, среди которых С.Хайкин, К.Бишоп, К.Файф, Г.Хакен, Т. Кохонен, Б. Крозе и П. Смагт, а также другие значимые исследования, посвящённые искусственным нейронным сетям.

Большое значение для выбора автором методов исследования и формирования подходов к анализу искусственных нейронных сетей имели работы Г.Г. Малинецкого, А.Б. Потапова, И.Р. Пригожина, В.Р. Евстигнеева, Я. Хейгемана, А. Хюваринена, Й.Фойта, А.А. Ежова и С.А.Шумского, а также многие работы в области поведенческих финансов.

Информационная база. Для практического тестирования построенных в работе моделей искусственных нейронных сетей были использованы реальные котировки фондового и валютного рынков. Источником статистических данных послужили официальные данные американских и европейских фондовых бирж, Федеральной резервной системы США, а также информационно-аналитического агентства Bloomberg.

Научная новизна диссертации заключается в разработке новых или совершенствовании уже существующих методов прогнозирования доходности финансовых инструментов на фондовом и валютном рынке развитых стран на основе моделей искусственных нейронных сетей, а именно:

• была установлена связь между качеством прогнозирования фондового рынка с помощью предложенных в работе искусственных нейронных сетей по критерию роста виртуального инвестиционного портфеля и наличием «выбросов» в распределении доходностей; была доказана способность таких моделей фиксировать наиболее существенные движения цен на финансовом рынке;

• были выявлены особенности ценообразования на фондовом и валютном рынке (доля «шумовой» компоненты), которые обуславливают качество их прогнозирования с помощью искусственных нейронных сетей по критерию роста виртуального инвестиционного портфеля;

• была адаптирована модель распознавания образов Хакена на основе метода главных и метода независимых компонент и использована в качестве искусственной нейронной сети с контекстной памятью для прогнозирования доходности на фондовом и валютном рынках;

• была разработана модель искусственной нейронной сети на основе адаптированной для финансовых рынков модели Хакена и самоорганизующихся карт (сети Кохонена) для прогнозирования доходности на фондовом и валютном рынках;

• была построена модель из комитета искусственных нейронных сетей, соединяющая кластеризацию входных данных и обучение нескольких независимых, конкурирующих, искусственных нейронных сетей для прогнозирования доходности на фондовом и валютном рынках.

Следует отметить, что в диссертационном исследовании равное внимание было уделено как методическим особенностям построения, так и практическому тестированию моделей искусственных нейронных сетей. Полученные результаты могут стать важным вкладом в российскую научную литературу по тематике искусственных нейронных сетей, где наблюдается относительная нехватка исследований, соединяющих концептуальный анализ и обзор прикладных результатов применительно к финансовым рынкам, и в целом в развитие методологии прогнозирования доходности финансовых инструментов.

В ходе работы над диссертацией были получены следующие научные результаты:

• при прогнозировании доходности на финансовых рынках продемонстрирована недостаточная эффективность метода главных и метода независимых компонент как инструмента снижения размерности и задания библиотеки контекстной информации (виды предварительной обработки входных данных) в искусственных нейронных сетях;

• выстроена иерархия результатов прогнозирования доходности на фондовом и валютном рынках развитых стран с помощью предложенных в работе искусственных нейронных сетей в зависимости от применяемых инструментов обработки входных данных: показано, что применение самоорганизующихся нейронных сетей с конкурентной предварительной обработкой входных данных обеспечивает лучшие результаты по сравнению с предварительной обработкой в
виде снижения размерности и формирования статичной библиотеки контекстной информации, по сравнению с искусственными нейронными сетями без предварительной обработки входных данных, а также простыми авторегрессионными моделями;

• сделаны выводы о степени сложности прогнозирования доходности на финансовых рынках с помощью предложенных в работе искусственных нейронных сетей с предварительной обработкой входных данных: с одной стороны, такие модели более приспособлены для фиксации наибольших абсолютных приростов цен, следовательно, когда распределение доходностей на конкретном рынке в процессе своей временной эволюции отклоняется от нормального закона, и появляются «толстые хвосты», нейросетевые модели становятся более результативными (по критерию роста виртуального инвестиционного портфеля); с другой стороны, при сравнительном прогнозировании фондового и валютного рынков важна доля шумовой компоненты - чем она выше на рынке, тем проще для модели провести фильтрацию, выделить наиболее важные факторы, влияющие на процесс ценообразования, и сделать качественный прогноз.

• построена оригинальная самоорганизующаяся искусственная нейронная сеть Кохонена - Хакена с внедрением конкурентных механизмов обработки входных данных на основе методов главных и независимых компонент, а также применением относительной энтропии Кульбака - Ляйблера (Kullback - Leibler divergence) для прогнозирования доходности на фондовом и валютном; предложено решение проблемы определения начальных значений в искусственной нейронной сети Кохонена-Хакена;

• разработана оригинальная роевая модель (particle swarm model) для прогнозирования доходности на фондовом и валютном рынках, в которой предварительная обработка осуществляется с помощью кластеризации эмпирических данных на основе расстояния Дженсона-Шеннона (Jensen-Shannon divergence), а общее обучение выполняется с помощью механизма конкуренции
(заимствованного из сети Кохонена) отдельных независимых искусственных нейронных сетей (каждая сеть сконструирована из сети прямого прохода и сети «имитации отжига»); построенный комитет искусственных нейронных сетей способен фиксировать будущие существенные отклонения от нормального распределения в виде «толстых хвостов» на фондовом рынке, и может быть использован в качестве сигнальной системы, предупреждающей об аномалиях на рынке (например, кризисе).

Теоретическая и практическая значимость исследования. Теоретическая значимость работы заключается в развитии методологии прогнозирования доходности финансовых инструментов, а именно в разработке новых типов предварительной обработки входных данных для моделей искусственных нейронных сетей как механизма принятия решений репрезентативным агентом на финансовых рынках. Сделаны существенные выводы о факторах, которые обуславливают качество прогнозирования доходности на финансовых рынках с помощью моделей искусственных нейронных сетей (по критерию роста виртуального инвестиционного портфеля): среди них наиболее важны «толстые хвосты» распределений, а также доля шумовой компоненты в ценовом процессе.

Практическая значимость работы заключается в том, что были построены работающие прогнозные модели искусственных нейронных сетей с предварительной обработкой входных данных для фондового и валютного рынков развитых стран. Количественно это выражалось в успехе виртуального инвестиционного портфеля, который значительно превосходил рыночную динамику, модель авторегрессии, а также модель искусственной нейронной сети без предварительной обработки входных данных. Данный результат свидетельствует о том, что модели искусственных нейронных сетей с предварительной обработкой входных данных могут быть использованы для прогнозирования доходности на финансовых рынках. Кроме этого, роевая модель искусственных нейронных сетей оказалась способна предсказывать аномальные явления на американском фондовом рынке, что делает её полезным инструментом в арсенале риск-менеджмента.

Результаты, полученные в работе, могут быть востребованы академическими исследователями в области финансовой математики, рыночными аналитиками и трейдерами, портфельными инвесторами, а также корпоративными риск-менеджерами.

Апробация результатов исследования. Основные выводы и результаты диссертационного исследования нашли отражение в 5 научных публикациях в периодических изданиях, в том числе на английском языке, а также обсуждались на конференциях «Прогнозирование финансовых рынков» на факультете мировой экономики и мировой политики НИУ ВШЭ в 2010 году и 4th International Conference on Pattern Recognition and Machine Intelligence, проходившей в НИУ ВШЭ в 2011 году. Практические построения предлагаемых в работе моделей искусственных нейронных сетей неоднократно разбирались на открытом научно­исследовательском семинаре кафедры международных валютно-финансовых отношений факультета мировой экономики и мировой политики НИУ ВШЭ. По материалам диссертационного исследования подготовлен учебный курс «Нейронные сети и генетические алгоритмы в прогнозировании финансовых рынков», читаемый для студентов 3 и 4 курсов бакалавриата, а также 1 курса магистратуры в Национальном исследовательском университете «Высшая школа экономики» на факультете Мировой экономики и мировой политики.

Диссертация подготовлена по специальности 08.00.10 - Финансы, денежное обращение и кредит, п. 6.8. «Методология оценки доходности финансовых инструментов» Паспорта специальности ВАК.

Структура работы отражает решение ключевых задач, поставленных в научном исследовании. Диссертация состоит из введения, трёх глав, заключения, библиографического списка, содержащего 219 наименований, и приложение. Основная часть работы изложена на 165 страницах, включает 7 таблиц и 46 рисунков.

<< | >>
Источник: Головачев Сергей Сергеевич. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей. Диссертация на соискание ученой степени кандидата экономических наук. Москва - 2014.

Еще по теме Введение:

  1. ВВЕДЕНИЕ
  2. ВВЕДЕНИЕ
  3. ВВЕДЕНИЕ
  4. ВВЕДЕНИЕ
  5. Введение
  6. ВВЕДЕНИЕ
  7. ВВЕДЕНИЕ
  8. Введение
  9. ВВЕДЕНИЕ
  10. Введение
  11. Введение.
  12. ВВЕДЕНИЕ
  13. Введение
  14. Введение
  15. ВВЕДЕНИЕ
  16. Введение