Диссертация (Формирование портфеля акций на фондовом рынке с использованием непараметрических методов), страница 17

Данные трудности делаютневозможным корректное использование параметрических методов,которые в основе своей опираются на параметры распределенияиспользуемых величин. Именно поэтому в данной работе былирассмотрены основные типы непараметрических методов в качествепотенциальных инструментов, при помощи которых возможноосуществлять отбор ценных бумаг в портфель.В рамках данного исследования были разработаны три алгоритмапостроения портфелей акций на основе непараметрических методов:деревьев классификаций, нейронных сетей, а также метода ядерногосглаживания. Для каждого из методов были определены оптимальныепараметры архитектуры модели, сформированы вектора входныхпараметров, на основе которых строились прогнозы относительнобудущих стоимостей акций.

Для методов деревьев классификаций иядерного сглаживания были применены специальные процедуры повыявлению наиболее оптимального вектора входных параметров. Врамках анализа при помощи метода искусственных нейронных сетейподобный отбор не требовался.После этого были построены портфели в рамках задачимаксимизациикоэффициентаШарпасогласнометодике,предложенной Боди и Кейном. По результатам было выявлено, чтопортфели, построенные при помощи непараметрических методов запериод январь 2016 – декабрь 2016 и январь 2008 – декабрь 2008,показали доходность, превышающую доходность по рыночному119портфелю, а также доходность по портфелю, построенному припомощи параметрического метода линейной регрессии.Следует отметить, что портфель, построенный при помощипараметрического метода линейной регрессии, показал, в целом,динамику хуже рыночного портфеля.

Объяснением этому можетслужитьнарушениепараметрическихосновныхметодов,которыепредпосылоквыразилисьстандартныхвналичиеэндогенности в векторе входных параметров, что привело к смещениюоценок.Среди непараметрических методов наибольшую доходностьпоказал портфель, построенный при помощи метода ядерногосглаживания. Однако для более точного вывода относительносравнительной эффективности методов между собой была решеназадача максимизации полезности инвестора при различных значенияхпараметра предельной несклонности к риску. По итогам данногоанализа наилучший результат среди непараметрических методовпоказал метод ядерного сглаживания.

Также еще одним выводом поитогам анализа решений задачи максимизации полезности было то, чтопри помощи непараметрических методов можно в оптимуме получатьдоходность выше рыночной при достаточно высоких значенияхпараметра предельной несклонности к риску.Результатыэконометрическойоценкивлиянияфакторовтехнического, фундаментального и макроэкономического анализа надинамику движения индекса ММВБ показали, что основнымидетерминантами являются переменные Momentum, величина Bid-AskSpread, а также цена на нефть марки Brent. Данный результат являетсяустойчивым, т.к. был подтвержден при анализе всеми тремярассматриваемыми непараметрическими методами как на горизонте120прогнозирования 2008 г, так и 2016 г. Факт того, что данные трипеременные являются наиболее значимыми детерминантами говорит отом, что российский рынок акций является спекулятивным. Инвесторыанализируют движение цены на нефть как прокси общего состоянияэкономики России; стараются инвестировать в акции компаний,которые уже были лидерами по темпам роста стоимости в прошлом;следят за тем, чтобы данные акции были ликвидны с минимальным Bidask spread.Помимоанализаэффективноститорговыхстратегий,основанных на непараметрических методах оценки стоимости акций,былапротестированагипотезаотносительностатистическойзначимости полученных результатов.

Если какой-либо алгоритмпомогает эффективно оценивать будущее движение цены акций,следовательно,припомощиданногоалгоритмаучитываютсяособенности ценообразования актива. Однако данное утверждениевступает в противоречие с теорией эффективного рынка, а такжетеорией случайного блуждания, согласно которым невозможновыработать алгоритм, позволяющий на основе текущих данных илипрошлых строить эффективный прогноз стоимости актива. Былопроведено тестирование разработанных алгоритмов на различныхрядах случайного блуждания, и ни в одной симуляции не быловыявлено,чтоторговыеалгоритмы,построенныенанепараметрических методах, позволяют обыгрывать «рынок».Из результатов, представленных в данном исследовании, можносделать вывод о том, что представленные методы способныэффективно анализировать механизмы ценообразования акций нароссийском фондовом рынке и полученные результаты не являютсяслучайными. Непараметрические методы, использованные в работе,121являются эффективными инструментами при формировании портфеляакций.В целом, использование непараметрических методов являетсянаиболее перспективным направлением в современной теориифинансов, т.к.

позволяет более точно оценивать динамику стоимостиактивов и формировать более эффективные торговые стратегии посравнению с параметрическими методами оценки как в периодыстабильного рынка, так даже при наличии сильных кризисных явлений.122Список литературы:1. Богданова Т. К., Шевгунов Т. Я., Уварова О. М. Применениенейронных сетей для прогнозирования платежеспособностироссийских предприятий обрабатывающих отраслей // Бизнесинформатика. 2013. № 2(24). С. 40-48.2.

Буянова Е.А., Саркисов А.Р. Формирование инвестиционногопортфелянароссийскомрынкеакцийприпомощинепараметрического метода - дерева решений// Корпоративныефинансы. 2016. № 1. C. 46-58.3. Буянова Е.А., Саркисов А.Р. Формирование инвестиционногопортфелянароссийскомрынкеакцийприпомощинепараметрического метода – искусственных нейронных сетей//Корпоративные финансы. 2017. № 3. C. 100-110.4.

Саркисов А.Р., Голодова Ж.Г. Формирование инвестиционногопортфелякоммерческогобанка:учетпоказателейпозиционирования эмитентов на фондовом рынке// Финансы икредит. 2012. №35. С. 24-29.5. СаркисовА.Р.,ГлинскаяА.А.Экономическиефакторы,влияющие на российский фондовый рынок // Экономика ипредпринимательство. 2015.

№ 8. С. 165-169.6. Achsani N. and Strohe H. (2002), “Stock Market Returns andMacroeconomic Factors, Evidence from Jakarta Stock Exchange ofIndonesia1990-2001”,UniversitatPotsdam,WirtschaftsundSozialwissenchaftliche Fakultitat, Discussion Paper7. Adya M. and Collopy F. (1998), “How effective are neural networksat forecasting and prediction? A review and evaluation”, Forecasting,№ 17, pages 481–4951238.

Aguilar O. and West M. (2000), “Bayesian dynamic factor models andportfolio allocation”, Journal of Business and Economic Statistics, №19 , pages 4 -279. Ahmadi H. (1990), “Testability of the arbitrage pricing theory byneural network”, Proceedings of the IEEE International Conferenceon Neural Networks, San Diego, California, pages 385–39310.Ajayi R. and Mougoue M. (1996), “On the dynamic relation betweenstock prices and exchange rates”, The Journal of Financial Research,№ 19, pages 193-20711.Al-Nimer M., Warrad, L. and Alomri, R. (2013), “The Effect ofReturn on Assets and Earnings per Share and Dividends per Share onStock Price of Publicly Listed Banks in Jordan”, International Journalof Marketing, Financial Services, and Management Research, № 5,pages 212-24612.Albanis G.

and batchelor R. (2000), “Five classification algorithms topredict high performance stocks”, Advances in Quantitative AssetManagement,№ 15, pages 295 -31813.Altman E. , Marco G. and Varetto F. (1994): "Corporate DistressDiagnosis: Comparisons Using Linear Discriminant Analysis andNeural Networks (the Italian Experience)", Journal of Banking andFinance, № 18, pages 505-52914.Álvarez-Díaz, R., Shawkat, H., and Rangan, G. (2014), “Detectingpredictable non-linear dynamics in Dow Jones industrial average andDow Jones Islamic market indices using nonparametric regressions”,The North American Journal of Economics and Finance, № 29, pages22-3515.Amihud Y., Mendelson H. and R. Wood (1985), “Liquidity and the1987 stock market crash”, Journal of Portfolio Management, № 16,pages 65–6912416.Andriyashin A., Härdle W.

and Timofeev R (2008)., “RecursivePortfolio Selection with Decision Trees”, Discussion PaperHumboldt-Universität zu Berlin, № 38, pages 152 - 18117.Asness L. and Clifford S. (2011), “Momentum in Japan: Theexception that proves the rule”, Journal of Portfolio Management , №37, pages 67–7518.Asness L., Clifford S., Liew J. and Stevens R. (1997), “Parallelsbetween the crosssectional predictability of stock and countryreturns”, Journal of Portfolio Management, № 23, pages 79–8719.Aue A. andZhong M.

(2014), “Segmented Model Selection inQuantile Regression using the Minimum Description LengthPrinciple”, Journal of the American Statistical Association, №109,pages 1241-125620.Avramov D. (2002), “Stock Return Predictability and ModelUncertainty”, Journal of Financial Economics, № 64, pages 423 -45821.Baba N., Morimoto M., Naito M., Maeda T. and Matsuda H. (1993),“A user friendly decision support system for dealing stocks usingneural network”, Proceedings of the International Joint Conferenceon Neural Networks, Portland, Oregon, pages 762–76522.BachF., Lanckriet G.

and Jordan M. (2004), “Multiple kernellearning, conic duality, and the smooth algorithm”, Proceedings ofthe 21st International Conference on Machine Learning , pages 41–4823.Barberis N. (2000) , “Investing for the long run when returns arepredictable”, The Journal of Finance, № 55(1), pages 225–26424.BarkerD.(1990),Analyzingfinancialhealth:Integratingneuralnetworks and expert systems, in Neural Networks in Financeand Investing, eds. R. R. Trippi and E. Turban, Mc- Graw-Hill, NewYork, pages 85–10212525.Barr S. and Mani G.