<<
>>

Заключение

В диссертации была исследована возможность прогнозирования динамики фондового и валютного рынков развитых стран с помощью моделей искусственных нейронных сетей, использующих предварительную обработку входных данных.

К прогнозированию финансовых рынков мы подходили с позиции поведенческих финансов, полагая, что наблюдаемый процесс ценообразования - не результат случайного блуждания (random walk), и распределение доходностей на нём может отклоняться от нормального закона и представляет собой протокол решений репрезентативного агента, а не сумму решений разнородных независимых агентов. Принимая такую точку зрения, искусственные нейронные сети становятся инструментом, реконструирующим механизм принятия решений, с помощью которых можно прогнозировать динамику финансовых временных рядов. Кроме этого, в первой главе мы подробно изучили основные характеристики, классификацию, принципы построения искусственных нейронных сетей, а также проследили их связь с многоагентными системами.

Искусственные нейронные сети достаточно широко применяются в финансовой математике для прогнозирования финансовых временных рядов, поэтому в данной работе акцент был сделан на изучении различных способов предварительной обработки входных данных и выстраивании определённой иерархии моделей в зависимости от наличия и типа такой обработки.

Во второй главе работы были рассмотрены два часто используемых способа предварительной обработки входных данных, которые рассматривались с точки зрения принятия инвестиционных решений репрезентативным агентом на рынке: снижение размерности входных данных (упрощение картины мира) и формирование библиотеки контекстной информации. Для решения задачи снижения размерности применялся метод главных и метод независимых компонент, с помощью которых была модифицирована искусственная нейронная сеть, обученная по методу Левенберга-Марквардта. Задача формирования

библиотеки контекстной информации решалась с помощью модели распознавания образов Хакена. Научная новизна состояла в том, что данная модель применялась для прогнозирования финансовых рынков, а составление библиотеки данных производилось с помощью методов главных и независимых компонент.

По результатам тестирования построенных моделей на реальных эмпирических данных фондового и валютного рынков развитых стран были сделаны следующие выводы:

- предварительная обработка входных данных в моделях искусственных нейронных сетей повышает качество прогнозирования фондового и валютного рынка развитых стран по сравнению с сетями без обработки, а также простыми авторегрессионными моделями;

- предварительная обработка входных данных, нацеленная на формирование библиотеки контекстной информации, приводит к более высоким результатам при прогнозировании фондового и валютного рынков развитых стран, чем снижение размерности; это свидетельствует о том, что большую роль в эффективности прогнозирования играет вычленение информации о наиболее значимых факторах, влияющих на процесс ценообразования на финансовых рынках;

- на основании доли верно спрогнозированных знаков будущей доходности можно говорить о том, что модели искусственных нейронных сетей с предварительной обработкой данных фиксируют наибольшие абсолютные приросты в финансовых временных рядах;

- общие результаты работы построенных моделей не позволяют признать предварительную обработку входных данных в форме снижения размерности и формирование библиотеки контекстной информации достаточными для качественного прогнозирования финансовых рынков (в особенности фондового).

По причине недостаточной эффективности инструментов предварительной обработки входных данных, разбиравшихся во второй главе, в дальнейшем мы использовали конкурентные механизмы на базе самоорганизующихся искусственных нейронных сетей. В соответствии с основной научной гипотезой исследования, подходы, основанные на конкуренции, кооперации и
эволюционном отборе (также широко распространённые в сложных природных системах) позволяют достичь наилучших результатов в прогнозировании финансовых рынков с помощью моделей искусственных нейронных сетей с предварительной обработкой входных данных. С точки зрения принятия инвестиционных решений репрезентативным агентом на рынке применение конкурентных механизмов означает формирование субъективно полной картины будущего (self-attribution) на основе сценарной интерпретации прошлой информации.

Для проверки выдвинутой гипотезы были построены две модели: в одной механизм самоорганизации в ходе предварительной обработки данных внедрялся внутри одной искусственной нейронной сети, в другой использовался комитет из нескольких независимых сетей, которые конкурировали между собой в поисках глобального минимуму ошибки.

Модель Кохонена (самоорганизующиеся карты) была использована для внедрения конкурентного обучения внутри одной искусственной нейронной сети. Для прогнозирования финансовых рынков с её помощью мы внесли в базовый вариант сети Кохонена несколько существенных модификаций, включая исключение случайной компоненты при задании начальных отображений (важная проблема в нейросетевом анализе); обучение на данных, фиксирующих максимумы и минимумы ценовой динамики; расчет отображения-«победителя» на основе величины относительной энтропии Кульбака-Ляйблера и теории перспектив; соединение сети Кохонена-Хакена для отбора оптимизированных векторов-отображений по значимости их вклада в процесс ценообразования (логическая доработка модели Хакена из Главы 2).

Система из нескольких независимых искусственных нейронных сетей, построенная автором, соединила в себе сеть прямого прохода с вмонтированным стохастическим блоком «имитации отжига», а также дополнительное обучение с помощью карт самоорганизации - так в рамках одной модели были соединены два типа обучения - «с учителем» и самоорганизация. Предварительно в исходных эмпирических данных по критерию энтропии Дженсона-Шеннона были
выделены кластеры, которые мы соотнесли с повторяющимися режимами функционирования финансовых рынков. Обучение в модели происходило в соответствии с роевым механизмом. Вначале искусственные нейронные сети независимо обучались, минимизируя квадратичную ошибку и используя метод «имитации отжига». После этого сети начинали конкурировать, формируя тестовые инвестиционные портфели, и подстраивать веса друг под друга в соответствии с нелинейной процедурой, заимствованной из сети Кохонена - так происходил определённый естественный отбор наиболее эффективной сети.

По результатам тестирования построенных моделей на реальных эмпирических данных фондового и валютного рынков развитых стран были сделаны следующие выводы:

- использование свойств самоорганизации в модели Кохонена-Хакена и роевой модели позволяет увеличить результативность прогноза фондового рынка по сравнению с моделями искусственных нейронных сетей, построенных в Главе 2; это говорит о том, что конкурентные и эволюционные алгоритмы, в т.ч. доказавшие свою эффективность в природных системах, могут быть успешно заимствованы для решения задач финансовой математики.

- модель Кохонена-Хакена более результативно предсказывает фондовый рынок во время и после мирового финансового кризиса, что может объясняться сменой режима функционирования рынка после 2008 года и/или его важных свойств и характеристик;

- роевая модель искусственных нейронных сетей более эффективно прогнозирует фондовый рынок, когда его распределение содержит «толстые хвосты» (доля больших амплитуд приростов высока) и отклоняется от нормального закона; в свою очередь, это свойство модели может быть задействовано в системах финансового риск-менеджмента для получения ранних предупреждений о возможных аномальных событиях на рынке (кризисах);

- разные результаты прогнозирования фондового и валютного рынков с помощью искусственных нейронных сетей с предварительной обработкой входных данных могут быть объяснены различной структурой этих временных
рядов; доля шумовой, несущественной составляющей на фондовом рынке значительно выше, и построенные модели, оказываются способны её эффективно отфильтровать и вычленить наиболее важные факторы ценообразования.

Общий качественный результат исследования свидетельствует о том, что внедрение конкурентных механизмов (самоорганизации) в моделях искусственных нейронных сетей с предварительной обработкой входных данных позволяет существенно улучшить качество прогнозирования финансовых рынков развитых стран по сравнению с нейросетевыми моделями, которые не используют таковую. В работе было также показано, что применение механизмов предварительной обработки входных данных позволяет получить преимущество в прогнозировании фондового и валютного рынков по сравнению со стандартной авторегрессионной моделью, а также превосходить «пассивную» динамику рынка. Это говорит в пользу того, что предложенные способы прогнозирования могут служить верным приближением к механизму принятия инвестиционных решений репрезентативным агентом на финансовых рынках.

Кроме этого, исследования построенных в работе моделей искусственных нейронных сетей на реальных данных позволили сделать важные выводы о структуре и характеристиках финансовых рынков. Так, было зафиксировано, что в ходе своей временной эволюции финансовый (в особенности фондовый) рынок может изменять структуру распределения в пользу более «толстых хвостов» и, таким образом, отклоняться от нормального закона. В свою очередь, с практической точки зрения это говорит о том, что представленные в работе модели, могут использоваться в качестве сигнальной системы, предупреждающей о возможных будущих аномальных (отклоняющихся от нормального распределения) событий на рынке. С другой стороны, как было показано в работе, большое значение для качества прогнозирования финансовых рынков имеет «уровень шума» - несущественной компоненты в данных, которая не оказывает значимого влияния на общий процесс ценообразования. Чем меньше доля этой составляющей, тем проще агентам на рынке (рассматриваемым в виде
моделей искусственных нейронных сетей) выявлять фундаментальные факторы рыночной динамики и построить верный прогноз на будущее.

К этому следует добавить, что характеристики наиболее успешных моделей искусственных нейронных сетей могут быть использованы в исследованиях в смежных областях в качестве механизмов принятия решений репрезентативными агентами. Здесь мы имеем в виду, прежде всего, построение многоагентных систем, имитирующих взаимодействие на реальных финансовых рынках. В частности, на основании полученных в работе результатов к потенциально существенным факторам принятия решений может быть отнесено наличие контекстной памяти у агентов (модель Хакена и Кохонена-Хакена) и сценарное прогнозирование будущих событий в форме сопоставления нескольких независимых картин будущего развития событий (модель Кохонена-Хакена и роевая модель).

<< | >>
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 Заключение:

  1. Заключение
  2. Заключение
  3. ЗАКЛЮЧЕНИЕ.
  4. Заключение
  5. Заключение
  6. ЗАКЛЮЧЕНИЕ
  7. Заключение
  8. ЗАКЛЮЧЕНИЕ
  9. ЗАКЛЮЧЕНИЕ
  10. ЗАКЛЮЧЕНИЕ
  11. ЗАКЛЮЧЕНИЕ
  12. ЗАКЛЮЧЕНИЕ
  13. ЗАКЛЮЧЕНИЕ
  14. ЗАКЛЮЧЕНИЕ
  15. Заключение договора банковского счета и открытие банков­ских счетов
  16. СОДЕРЖАНИЕ АУДИТОРСКИХ ОТЧЕТОВ И ПРАВИЛА ИХ ОФОРМЛЕНИЯ
  17. Постановка задачи создания новых опционных продуктов
  18. § 3. Правовая природа договора об использовании банковской ячейки