Автореферат (1138078), страница 2
Текст из файла (страница 2)
Информационная база. Для практического тестирования построенных В работе Моделей йскусствеййых йейройных сетей былй йспользовзны реальйые кОтироВки фОИЛОВОГО и ВалкуГИОГО рынкОВ: офипиальиые данные по фондОВым ййдексам М.,Р 500 (США)„Н".~Е 100 (Великобритайил). БАХ 30 (Германил), САС 40 (Франпия), ВЕ), 20 (Белы ия), АТХ 20 (Австрия), МИ~с~ 225 (Япония), а также взлктгным парам евро~'американский доллар, евро'британский фуйт, е зрея пойскзя Йенз, брйтзйскйй ф~~нт»амсрикайскйй доллар, амсрйкзйскнй доллар/японская Йсна. Наз~чнаи новизна диссертаций ззключзстся В ~становлении Важных Особсййостсй рзспредслсййя доходйостсй й псйообразоваййя йа фййзйсовых рыйкзх с помо»пью искусствсййых нсйройных сетей, а также в разработке двух йовых моделей искусственных нейронных сетей й ~точйснйи прймснимостй одной с~»псствтю»пей для прогнозирования фойдового й Валютного рынков, з ИМСННО: ° ~стзновлсна СВязь мся»д~: качсствОм прогнозирования ФОндОВОГО рынка с пом»нпью предложенных В рзоотс искзсствсййых йсйроййых сетей по критерию роста вирт~зльного ийвсстйпионнОГО портфсля и наличием »»Выоросовн в рзспрсделсййй доходйостсй, докзззйз спосоойость такнх мОдслсй фиксировать редкие движсййя нен йз финансОвом рынке*, э ВыЯвлсны ОсобсннОстй цснообрззОВания на ФОндОВОм и Взлкпном рынкс (доля ((шумовойэ компоненты), кОторыс обуславливают качсспю их ° для прогнозирования доходности на фондовом и Валютном рынках адаптирована модель распознавания образов Хзкенз йз основе .Метода главных и четода независимых компонент и использована в качестве искусственной нейронной сстй с койтскстиОЙ ~а~~ть~; Ф для проГнозировання доходности нз фондовом и Валютном рынках разработана модель искусственной нейронной сети на основе здзптнрозанноЙ лля фййайсовьй» рыйков модслй Хакснз й сзмоорганнзъзощихся карт ~ссгй КОХОнснз)," е для прогнозирования доходности на фондовом н валютном рынках построена модель нз комитета искусственных нейронных сетей, соединяю~~я кластеризацию Входных данных н обучение нескольких независимых, КОИКурируюптнх, искусственных нейронных сетеЙ.
Следует ~тметить, что В диссертационном исследовании ра~н~е Внимание было уделено как методическим Особенностям построения, так н практическому тестированию моделей Искусственных нейронных сетей. Полученные результаты могут стать ВВЯГным ~~лад~м В российскую научную литературу по тсматике искуссгвенньк нейронных сетей, где наблюдается относительная нехватка исследований, соединяюгдих концептуальньгй анализ и обзор прикладных результатов применительно к финансовым рынкам„и в целом в развитие методолОГнн прогнозирования дОходности финансовых инструментов, Тепретннеснан и практическая значимость исследовании. 1"еоретнческая значимость р~б~~~ заключается В развитии методологии прогнозирования доходности финансовых инструментов, а именно В разработке ~~ВЫХ типов предварнтельнои Обработки входных данных для моделеЙ искусственных нейронных с~тей как ~еханизма принятия решений репрезентативным агентом на финансовых рынках.
Сделаны сугнественные выводы о факторах, которые Обуславливают канество прогнозирования доходности на финан~овы~ рынках с помопп1ю МоделеЙ искусственных нейронных сетеЙ «по критерию Виртуального инвестиционного портфеля): среди них наиболее важны «толстые хвостьР> распределений, а также Поля шумОВОЙ компоненты В ценОВом процессе, Ирак'Гическая знанимость работы заклюнастся В том, что были построены работающие прогнозные модели искусственных нейронных ССТСЙ предварительной ОбработкОЙ Входных данных ДЛЯ ФОНДОВОГО и Вал$Отного рынкОВ разВитых стран. Количественно это Выражалось В успехе ВнртуальнОГО инвестиционного портфеля, который знайительно превосходил рыночную дйнзмику, модель ззторегрессйй.
з также модел~ йскусствейноЙ йейроййОЙ сетй предвзрй*ельйой обрзбот кй входйых даййых. Данный реэультзт свйдегельствуст о том, что моделй йскусствейных йейроййых ССТСЙ предварительной обрзооткой ВХОДНЫХ дзййых могут быть йспольэовзйы ДЛЯ прогноэнровзння доходнОстй нз финзнсОВых рынках, 1Чэоме этОГО, РОСВзя МОдель искусственных йейроййых ССАЙ окзэзлзсь способйз предскзэывзть зйомзльйые явления нз американском фондОВОМ рынке, что делает ее полеэным инструментом в арсенале риск-менеджмента Реэультзты„полученные В работе, могут быть Востребованы академическими исследователями в области финансовоЙ математики, рыночными аналитиками н трейдерами, поргфельными инвесторами, з также корпорзтивнымн риск-менеджерзмй.
Апробании реэультзтов исследовании. Основные ~~~~ДЫ й реэультзты диссертзнйонйого йсследовзнйЯ нашли Отражение В 5 научных публиканйлх в периодических йэданйах, в том пйсле нз знглййском Яэыке, з также обсуждзлйсь нз конференпйвх «Прогноэй1ювзйие фйнзйсовь1х рыйков» на факультете ~иро~~й экономики и мировой политики НИУ ВШЭ в 2010 году и 4!й 1п!егпайопа1 СОП1егепсе оп Рзнегп Кесойпп!Оп зпд МВС1нпе 1п!е!!!Йепсе, проходившей в НИУ ВШЭ в 20! ! году. Практические построениЯ предлагаемых в работе моделей искусстВенных нейронных сетей неоднократно разбирались нз открытом научнойсследовательском семинаре кафедры междуна!юдных Валю гно-финзнсОвых отношений факультета мировой экономики н мировой политики НИУ ВШЭ, По мзтерйзлам диссертзпйоййого исследо взййя подготовлей учебный «Нейронные сети и Генетические алгоритмы В и!ЭОГНОэирОВзнии фйнзнсОВых рыйков», читаемый для студентов 3 й 4 курсов бзкзлзврйзтз, з также 1 курса магнсгратуры В Нзпйойзльйом исследовзгельском уннверсйтете «Высшая школа экойомйкй» йз фзкуль"Гете Мй1юВОЙ экономйкй й мйровой политйкй.
Диссертация подготовлена по специальности ОЗ.ОО.1О -. Финансы, денежное обращение и кредит, н. 6.8. «Методология оценки доходности финансовых йнструмейтов» Паснорта сиециальностй ВАК. Структура работы отражает решение ключевых задач, поставленных в научном исследОВанйй.
Дйссе~Уищйя сОстойт йз ВВсдсйия, трбх Глав, заключеййя, библиографического снйска, содержац~его 219 йайменоваййй, й нрнложенйе. Осйовная Часть работы йзлоькейа на 165 страницах, Включает 7 таблиц й 46 РИСУНКОВ. ВО Внеденни обоснОВывается актуальность ВыбранноЙ темы, Определяются цель и задачи работы„объект и предмет диссертационного исследования, раскрывается научная НОВйзна и практическая значимОсть результйтов исследования, В даййом разделе уделяется Вййманйе информационной, теоретической й методологйческой оазе, йа КотороЙ строится исследование.
8 нерВОЙ ГлаВС нрослеживается сВязь искусственных нейронных сетей с современнымн моделямй мйогоагентйых сйстем. Рассмагрнвается Возможйость рынков на основе ПОВеденческйх финансов (как мсханйзма Принятия решсйий ренрезейтатйвйым агентом) й нредс*авленйя рынка как сложной„ самоорГанизующсйся системьь Были рассмотрена йсторйя йсслсдоваййй йскусствеййых нейронных сетей„ нроаналйзйровайы йх осйовные харак-герйсгнкй, нринцицы й йеобходймые условйя ностросййя, а также нрймсйяемые снособы обучеййя.
Кроме зтого„йа Осйове одйого йз ~лав~ых СВОЙСТВ йсйроййых ССТСЙ вЂ” самоорганйзацнй — оыла прослежена их взаимосвязь с многоагентными системами. Прн з сом отмечалась Возможйость комбйнйроваййя двух зтйх тйнов моделей В рамках зкснерйментов цо ймйтацйоййому Взаймодсйствйю йа фййайсовых рынках. что касается Оценки зффективности йостроенной Модели (качества прогноза), то ооычно таким критерием для искусственных нейронных сетей Выстутгает значение Ошибки прогноза.
Однако в даннОЙ работе зффектпвность измерялась через динамику виртуального портфеля, рассчитываемого по змпирическим данным на Основе йрогнозов Модели, Таким Образом можно не только представить нагляднузо интерпретацикз пОлученных прогнозньи результатов, но н оценить инвестиционный потенциал разработанной модели. Это ВВЖНО потому» что на финансовых рынках модели, демонстриру~ой~ие более низкукз среднкно 01йибку, могут менее Точно предсказьй~ть знак будуй~ей доходности йо сравнеиивз с моделями с больш~Й Ошибкой.
Оценка надежности йрогнозов моделей искусственнь~х нейронных сетей с йредварительной Ооработкой данных проводилась с йомогцькз расчета доверительных интервалОВ дчя математическОГО Ожидания доходности портфеля ( в процентах Годовых), Для того Чтобы Оценить сравнительнукз зффективность прогнозирования финансовых Йынков с помопзь~о построенных в работе моделей искусственных портфеля ~бенчмарка). Первый портфель формировался по прогнозам искусственной нейронной сети прямого прохода без предварительной обработки входны~ данных, Второй — по прогнозам авторегрессни, третий йредставлял собои рыночный портфель. Сеть прямого прохода без предварительной обработки ах~дрых данных была необходимым ориентнрОм для того.
~тобы Отслеживать йрирагценис результативности прогноза От применения обработки, что являлос~ Однои из Гаван~~ модификаций йостроенных в рабо*е ~~де~еЙ искусственных нейронных сетей. Авторегрессия пом~Гала сопоставит~ сконсгруированнузо ли~ейным зконометрнческим построением. рыночный портфель. Основанный на пассивнОЙ торГОВОЙ страГСГНН ккупи н держив, обеспечивал с1завиение результатов модели с реальной динамикой СООтВетствукипеГО фииаисОВОГО рынка. В связи с тем„что информация на Финансовых рынках быстро устаревает и Становится иерелевантной, было необходимо Обучать построен ньге Модели искусственных нейронных сетей на постоянно обновляющемся массиве данных, ПО этОЙ причине В 1заооте использоВались скользяп~ие Векто1зы (метод «скользящего Окна»).
и прогнозное значение всех модечей пересчитывалось для какдого торгового периода по новым данным. Все прогнозы делались для значения доходности финансового инструмента на один торговый период анероид за грани пей Выборки Обучающего «Окна», т.е. представленные результкгы прогнозирования финансовых рынков носят Виевыборочньй характер (Опт-ОК- вапзр1е), С пелью соолюдения математнческоЙ корректности прогиози1юваиия финансовых рын~~в в ходе Виртуальных тор овых ~есс~й использовались логарифмические приросты пеи закрьггия финансовьгх инструментов, Кредитное Начальные значения Всех пО1зтфелей 1завнЯлись 1.
Чтобы продемонстрировать, что превышение доходности, полученной с помоп~ью искусственных нейронных ССАЙ с предварительной ОбработкоЙ Входных данных„неслучаино по Отношению к 1зыночнОЙ динамике и другим мОделям, В Отношении результатов, Вынесеиных на иллюстрапин, проводился выборочный днсперсионный 1-тест на равенство следующих средних значений: виртуального инвестнпионного портфеля с предва1эительной Обработкой ~~~дн~х данных и нейросетевого по1зтфеля прямого прохода оез ооработки данных; Виртуального инвестипионного портфеля с предварительной ОоработкоЙ Входных данных и ВВтОЙВГ1)ессионнОГО ПО1зтфеля; виртуального инвестипиОНИОГО портфеля преЛВарителаной обрай11ХОЙ Вхоиных Нанных и пас~и~ноГО рыночнОГО ПОРТфеЛЯ.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
