Диссертация (Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей)
Описание файла
Файл "Диссертация" внутри архива находится в папке "Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей". PDF-файл из архива "Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей", который расположен в категории "". Всё это находится в предмете "экономика" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ ВШЭ. Не смотря на прямую связь этого архива с НИУ ВШЭ, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата экономических наук.
Просмотр PDF-файла онлайн
Текст из PDF
Федеральное государственное автономное образовательное учреждение высшегопрофессионального образования «Национальный исследовательский университетВысшая школа экономики»На правах рукописиГоловачев Сергей СергеевичПрогнозирование доходности на фондовом и валютном рынках на основемоделей искусственных нейронных сетейСпециальность08.00.10 – Финансы, денежное обращение и кредитДиссертация на соискание ученой степеникандидата экономических наукНаучный руководитель:д.э.н. Евстигнеев В.Р.Москва – 20142ОглавлениеВведение ................................................................................................................................................. 3Глава 1.
Роль искусственных нейронных сетей в прогнозировании финансовых рынков.131.1.Самоорганизация в искусственных нейронных сетях и на финансовых рынках .......... 131.2.Принятие решений репрезентативным агентом на основе ограниченнойрациональности и самоорганизации: имитация с помощью искусственных нейронныхсетей…………………………………………………………………………………………………...191.3.
Основные характеристики, типология и принципы построения искусственныхнейронных сетей при прогнозировании финансовых рынков ................................................. 24Глава 2. Инвестиционные решения на фондовом и валютном рынках на основеупрощенной картины мира и контекстной памяти – представление в формеискусственных нейронных сетей с предварительной обработкой входных данных ............ 342.1.Предварительная обработка входных данных искусственными нейронными сетямипри прогнозировании финансовых рынков с помощью метода главных компонент иметода независимых компонент...................................................................................................... 342.2.Прогнозирование финансовых рынков с помощью искусственной нейронной сети,обученной по методу Левенберга-Марквардта и использующей снижение размерностивходных данных (упрощение картины мира) ..............................................................................
432.3. Прогнозирование фондового и валютного рынков с помощью искусственнойнейронной сети Хакена, использующей предварительную обработку входных данных ввиде формирования контекстной памяти ..................................................................................... 68Глава 3. Иллюзия субъективной полноты картины мира, свойственнаярепрезентативному инвестору, и ее воспроизведение посредством искусственныхнейронных сетей, использующих конкурентные механизмы предварительной обработкивходных данных................................................................................................................................ 1003.1.Прогнозирование финансовых рынков с помощью искусственной нейронной сетиКохонена-Хакена, использующей конкурентную обработку входных данных ...................
1013.2.Прогнозирование фондового и валютного рынков с помощью роевой архитектурыискусственных нейронных сетей, использующей кластеризацию данных в качествеинструмента предварительной обработки .................................................................................. 128Заключение ........................................................................................................................................ 160Библиография ...................................................................................................................................
166Приложение. ...................................................................................................................................... 1863ВведениеАктуальность диссертационного исследования имеет как теоретические,так и практические основания. В условиях глобализации зависимость реальногосектораэкономикииблагосостоянияфизическихлицотпроцессов,происходящего на финансовых рынках, очень велика.
Особенно сильно этоможно было ощутить в ходе мирового финансового кризиса 2008 года, когдаобвал финансового сектора повлек за собой рецессию во многих мировыхэкономиках.Теоретическоеописаниемассовыхожиданийучастниковфинансового рынка и прогнозирование на этой основе котировок требуютприменения всё более продвинутых формальных методов.В финансовом анализе искусственные нейронные сети рассматриваются какмеханизм реконструкции репрезентативного агента, принимающего решения, иблагодаря своим отличительным характеристикам могут быть использованы дляпрогнозирования доходности на фондовом, валютном и других рынках.В диссертации рассматриваются фондовый и валютный рынки развитыхстран, поскольку именно эти рынки бывают наиболее близки к состояниюинформационной эффективности.
Это состояние заявлено в качестве цели длясуверенных регуляторов финансовых рынков и отражено, в частности, вдокументах Международной организации комиссий по ценным бумагам (IOSCO),что делает именно развитые рынки наиболее интересным, «чистым» объектомисследования.Отдельная важная проблема в рамках исследований искусственныхнейронных сетей и повышения эффективности их прогнозных способностей – эторазличные способы обработки входных данных.
Это объясняется тем, что впоследниегодымассивыданных,доступныефинансовыманалитикам,существенно возросли, а взаимосвязи между ними, в том числе причинноследственные, усложнились. Поэтому в рамках данной работы основное вниманиебудет уделено исследованию и применению различных инструментов обработкиэмпирических данных перед их предъявлением искусственным нейронным сетям4и сравнительному анализу их возможностей для прогнозирования доходности нафондовом и валютном рынках развитых стран.
В частности, будут подробнорассмотрены метод главных и метод независимых компонент, которыеиспользуются во многих научно-исследовательских работах по финансовойматематике.Следует добавить, что полезность исследований с помощью искусственныхнейронных сетей нельзя связывать только с финансово-экономической сферой.Полученные исследовательские результаты могут дать важный синергетическийэффект для других отраслей науки. В числе наиболее перспективных можновыделить когнитивную психологию, теории принятия решений индивидуумами игруппами лиц, а также поведения больших социальных систем.Степень разработанности темы в научной литературе. На протяжениипоследнихлеттеоретическим иможновыделитьбольшоепопрактическимколичествоисследованийаспектам примененияпоискусственныхнейронных сетей, на изучении которых сделан акцент в данной работе.
Разброспубликаций по данной тематике достаточно широк. Первыми стали труды У.Мак-КаллоккаиВ.Питтса,Д.ХеббаиФ.Розенблатта.Кпопыткамсистематизировать информацию (прежде всего, типологию) в данной областиможно отнести работы С.Хайкина, К.Бишопа, К.Файфа, П. Макнелиса,В.Круглова.
Используемые в работе методы предварительной обработки данныхперед предъявлением искусственным нейронным сетям широко рассматриваютсяв работах Й. Джолиффа, А. Хюваринена, А. Бека и А. Вайгенда, Й. Горрица и др.,Л. Делатавера и др., П.
Комона.Существуетобширнаялитература,гдеописываетсяпостроениеполноценных моделей искусственного интеллекта с помощью искусственныхнейронных сетей и экспериментального взаимодействия агентов в большихимитационных системах. Отметим публикации Б. Лебейрона, М.Митчелл, Б.Макмуллина, Р. Да Силва и др., С.Альфарано и др., А. Баравиера и др., Р. Конта иЖ.-Ф. Боше.5Кроме этого можно выделить широкий спектр публикаций, связанныхименно финансовыми рынками, а именно с прогнозированием доходности нафондовом и валютном рынках с помощью искусственных нейронных сетей(вплоть до сегментации по географической принадлежности). В числе интересныхработ 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 следующаядихотомия: с одной стороны, в крупных фундаментальных трудах проводитсядетальный разбор типов искусственных нейронных сетей, принципов ихпостроения и особенностей обучения, зачастую без практического примененияпредлагаемых моделей (особенно на финансовых рынках); с другой стороны, впрактических статьях в большинстве случаев главной целью ставится финансоваярезультативностьисследуемоймодели(доходностьвиртуальногоинвестиционного портфеля), но при этом не проводится достаточно глубокийразбор теоретических выводов.
Важной особенностью данной работы являетсясинтез практического применения построенных моделей и теоретическогоанализа полученных результатов.Основная научная гипотеза. Основными характеристикамиспособаформирования ожиданий репрезентативным агентом считаются ограниченнаярациональность, самообучение, а также формирование субъективно полныхкартин будущего (self-attribution) на основе сценарной интерпретации прошлойинформации.Эти особенности способа принятия инвестиционных решенийэффективноимитируютсяспомощьюконкурентныхмеханизмовпредварительной обработки входных данных (по сравнению с другими методамиобработки, а также методами, не использующими предварительную обработкувходных данных) в самоорганизующихсяискусственных нейронных сетяхКохонена – Хакена и роевой архитектуры.
В результате может быть существенноповышено качество прогнозирования доходности на финансовых рынкахразвитых стран по критерию роста виртуального инвестиционного портфеля.6Врамкахисследованияпредполагается,чтораспределениялогарифмических доходностей на финансовых рынках порождаются механизмом,систематически отклоняющимся от центральной предельной теоремы, чтосоответствует состоянию неполной информационной эффективности. Подсостояниемнеполнойинформационнойэффективностиподразумеваетсяопределённая временная задержка в обработке данных агентами на финансовыхрынкахисоответствующаяотложеннаяреакцияценнапоступающуюинформацию. В свою очередь, это служит естественной предпосылкой дляпрогнозирования динамики финансовых рынков с помощью аналитическихмоделей, обращающихся к прошлым значениям временных рядов (в том числемоделей искусственных нейронных сетей). Это также позволяет подходить кпрогнозированию финансовых рынков с позиции поведенческих финансов, длякоторых критически важен механизм принятия решений репрезентативнымагентом.Объект исследования – фондовые рынки развитых стран и валютныйрынок.
Предмет исследования – прогнозирование доходности на фондовыхрынках развитых стран и валютном рынке с помощью моделей искусственныхнейронных сетей с предварительной обработкой входных данных.Цельдиссертационногоисследования–предложитьспособыпрогнозирования доходности на фондовом и валютном рынках развитых стран спомощьюмоделейискусственныхнейронныхсетейспредварительнойобработкой входных данных, которые соответствуют типичным реакциям лиц,принимающих решения, по критерию роста виртуального инвестиционногопортфеля, построенного на основе прогнозов сети.В соответствии с этой целью в работе ставятся и решаются следующиезадачи: показать возможность прогнозирования доходности на финансовыхрынках с помощью моделей искусственных нейронных сетей какмеханизма, имитирующего принятие решений репрезентативным агентом;7 сравнитьcomponentиспользованиеметодаглавныхкомпонент(principalanalysis) и метода независимых компонент (independentcomponent analysis) в качестве различных форм предварительной обработкивходных данных для искусственных нейронных сетей при прогнозированиидоходности на финансовых рынках; показать, что предварительная обработка входных данных с помощьюметодов главных и независимых компонент, которая сводится только ксокращению размерности входного пространства или заданию контекстнойпамяти, недостаточна для получения эффективного результата припрогнозировании доходности на финансовых рынках; предложить новую спецификацию искусственной нейронной сети дляпрогнозированиядоходностинафинансовыхрынках,вкоторойпредварительная обработка входных данных осуществляется на основеконкурентных механизмов взаимодействия – как внутри одной сети, так имежду несколькими независимыми сетями; решить типичные технические проблемы в построении искусственныхнейронных сетей, такие как интерпретация результатов обработкивходных данных с помощью метода независимых компонент и подборначальных значений сети при прогнозировании доходности нафинансовых рынках; на основе полученных результатов сделать выводы о сравнительнойсложности прогнозирования доходности на фондовом и валютномрынках развитых стран, определить применимость определенныхвидов искусственных нейронных сетей на финансовых рынкахразличного типа.Теоретической и методологической основой исследования служат трудыизвестных учёных в области экономики и финансовой математики, среди которыхС.Хайкин, К.Бишоп, К.Файф, Г.Хакен, Т.