neironne_seti_i_neirokompjuter (1085713), страница 8
Текст из файла (страница 8)
Общая результативностьпрогноза по сравнению с системами, использующими стандартныестатистические подходы, улучшилась на 19,0 %.Оптимальное распределение свободных средств банка междуразличными финансовыми рынкамиУспешное прогнозирование поведения как финансовых рынков вцелом, так и их отдельных инструментов позволяет банку эффективнееуправлять имеющимися в его распоряжении средствами.Задача оптимального распределения свободных средств междуразличными финансовыми рынками и их инструментами встает передбанком ежедневно.
Любой банк имеет в своем распоряжении «портфель»,куда могут входить различные ценные бумаги и валюта. Принципформирования портфеля - получение прибыли с вложенного в финансовыеинструменты капитала не ниже некоторого фиксированного уровня приминимальном для этого уровня риске.Ежедневно могут происходить следующие взаимоисключающиепроцессы: поступление денежных средств для их вложения в финансовыеинструменты и отток денежных средств для выполнения обязательств банка.То есть существуют следующие причины для изменения состава портфеля:§ с течением времени отдельные финансовые инструменты начинаюттерять свою привлекательность и необходимо выполнить оптимальное(доходность не ниже фиксированного уровня, риск - минимальный)перераспределение средств между финансовыми инструментамивнутри портфеля;§ банку необходимо выполнить некие требования, для чего реализуетсянекоторое количество финансовых инструментов, входящих впортфель, на определенную сумму; естественно, что финансовыеинструменты должны быть выбраны таким образом, чтобыхарактеристики портфеля по возможности не ухудшились;§ у банка увеличился объем свободных денежных средств и необходимопроизвести их оптимальное распределение между различнымифинансовыми инструментами.Независимо от причины и механизма изменения состава портфелярасчет выгодности этих изменений производится на фиксированную дату,называемую горизонтом портфеля.Исходными данными для задачи оптимального распределениясвободных средств между различными финансовыми рынками и ихинструментами являются либо результаты долгосрочного прогноза для всехрассматриваемых инструментов, либо вероятностный анализ поведениярассматриваемых инструментов в сходных рыночных ситуациях.39PDF created with pdfFactory trial version www.pdffactory.comВыбор финансового инструмента с максимальной предполагаемойдоходностью не составляет большого труда, но задача усложняетсянеобходимостью учитывать риск предполагаемых вложений, т.е.возможность инструмента не реализовать эту доходность.
Как правило, чемвыше доходность, тем выше риск, и снижение риска ведет к снижениюдоходности. Поэтому при планировании распределения средств банкарассматриваются две задачи:§ вложение средств с минимальным риском;§ вложение средств с доходностью не ниже фиксированного уровня иминимальным для этого уровня риском.Классическим примером снижения риска портфеля в целом являетсясочетание в нем инструментов с отрицательным коэффициентомкорреляции.Поступление данных в систему.
В программном продукте,применяемом в Промстройбанке, реализован автоматизированный ввод внейронную сеть новой информации из следующих источников:§ информационно-торговые данные агентства REUTERS;§ торговые данные с площадок ММВБ и РТС;§ прочие данные с использованием ручного ввода.Выбор и подготовка данных для участия в прогнозе. Задача данногоэтапа прогнозирования – выбор из более чем 200 видов информационноторговых данных наиболее значимых влияющих факторов для прогнозаинтересующей стоимостной величины некоторого финансового инструментаили группы финансовых инструментов. Первичный выбор влияющихфакторов осуществляется специалистом и зависит от его опыта и интуиции,в виду того, что автоматизация этого процесса, как правило, неэффективна.В помощь специалисту предоставляются инструменты технического анализав виде графиков, анализируя которые можно уловить скрытые взаимосвязи.Специалист также может использовать доступные ему матрицы корреляциии ковариации для указанной выборки влияющих факторов и прогнозируемойвеличины, однако, с помощью матриц корреляции и ковариации не удаетсяуловить нелинейную, редко возникающую зависимость, которая, тем неменее, может оказать существенное влияние на прогнозируемую величину.После осуществления прогноза аналитик может определитьзначимость участвовавших в нем влияющих факторов по изменениюфункции оценки и выходных сигналов системы с целью окончательнойкоррекции участвующих в прогнозе влияющих факторов.Достаточно часто возникает ситуация, когда в качестве влияющегофактораилипрогнозируемойвеличиныполезноиспользоватьинформационно-торговые данные в преобразованном с помощью некоторойфункции виде.
Например, в качестве значимого влияющего фактора припрогнозе цены часто используется та же самая цена, но с однодневным40PDF created with pdfFactory trial version www.pdffactory.comсдвигом. Поэтому для преобразования влияющих факторов ипрогнозируемых величин был определен ряд операций, которые можноприменять в любой последовательности. Кроме того, с помощьюсоответствующих последовательностей данных операций реализуются всенаиболее популярные инструменты технического анализа.Процесс определения величин, участвующих в прогнозе, как вкачестве значимых влияющих факторов, так и в качестве прогнозируемойвеличины, является наиболее субъективным и трудоемким.
И, естественно,нет необходимости повторять его каждый день для всех интересующиханалитика финансовых инструментов. Существует возможность сохраненияперечня выбранных влияющих факторов, участвующих в прогнозе, ивыполненных с ними преобразований для некоторого финансовогоинструмента или группы инструментов.1.5.3. Применение нейронных сетей для прогнозирования курсоввалютПример прогнозирования валютных курсов швейцарского франка кдоллару и швейцарского франка к немецкой маркеТакое моделирование с использованием нейронных сетей и технической базы Sun SPARCstation LX провели специалисты компании Logica позаказу банка Chemical Bank.
Выбор именно этих валют в то время объяснялся высоким уровнем подвижности первого соотношения и малым –второго (до кризиса в 1993 году). Данные о динамике кросс-курсов этихвалют собирались с 1 октября 1992 года по 1 октября 1993 года, при этомценовые прогнозы характеризовались пятью категориями: большой рост,малый рост, без изменений, малый спад, большой спад. В итоге применяемаянейронная сеть позволила синтезировать прогноз за вышеупомянутыйпериод 55,0 % данных, совпавших с реальными, по первому соотношениювалют и 23,0 % – по второму.Пример прогнозирования курса украинского карбованца к долларуСледующий пример иллюстрирует результаты прогнозирования курсаамериканского доллара по отношению к украинскому карбованцу(UKB/USD).Исследования проводились на основе модели сети с обратнымраспространением. Целью экспериментов было прогнозирование курсаUKB/USD.
Для достижения данной цели было проведено исследованиевлияния представления исторических и прогнозируемых данных на ошибкупрогнозирования. Также были рассмотрены вопросы влияния структурынейронной сети на скорость обучения и ошибку прогнозирования. При этомставились следующие задачи:§ поиск значимых влияющих факторов;§ поиск оптимального представления статистических данных о курсе;§ поиск оптимального представления результата прогнозирования;41PDF created with pdfFactory trial version www.pdffactory.com§ поиск оптимального размера окна «скольжения»;§ поиск оптимальной структуры сети.Прогнозирование курса UKB/USD проводилось на основе временнойпоследовательности ежедневных данных о курсе.
Такой подход кпрогнозированию основан на идее американских экономистов, что дляпрогнозирования некоторых экономических показателей вполне достаточноисследования истории их изменения. Успешное применение данногоподхода другими исследователями для прогнозирования курсов DM/USD иSUR/USD позволяет надеяться на успех прогнозирования UKB/USD.Исходными данными для экспериментов служили ежедневные измерения курса UKB/USD с 15.06.93 по 26.06.95 всего 842 измерений (данныевзяты из архивов банка Porto-Franco).
Прогнозировалось среднее значениекурса за день (среднее арифметическое дневных курсов покупки ипродажи).Каждый из экспериментов состоял из несколько этапов:1. Формирование обучающей выборки. На этом этапе определялся видпредставленияисторическихипрогнозируемыхданных,осуществлялосьформированиеблокапредставительских(обучающих) выборок. Большинство проведенных экспериментовбыло направлено на прогноз не фактического курса валют, а егоотносительного изменения:sKt = (Kt+1 - Kt)/Kt .(1.1)2. Обучение нейронной сети с использованием сформированного напервом этапе блока обучающих выборок. Качество обученияхарактеризовалосьошибкой обучения,определяемой каксуммарное квадратичное отклонение значений на выходахнейронной сети в обучающей выборке от реальных значений,полученных на выходах нейронной сети.