Диссертация (1138079), страница 11

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 11)

Во-первых, внедрение предварительной обработкивходных данных с помощью метода главных и метода независимых компонентпозволяет улучшить работу модели искусственной нейронной сети – это видно изсравнения с результатами простой сети прямого прохода (без обработки данных).Данные t-теста для результатов на рис. 4,5 (см. Приложение)подтверждают,чтопревышение доходностипортфеля,такжепостроенногопопрогнозам искусственной нейронной сети Левенберга-Марквардта, неслучайно поотношению к другим моделям и средние значения портфелей существенноотличаются друг от друга.При этом использование PCA и ICA приводит к схожей результативности впрогнозировании рыночной динамики, что свидетельствует об их примерноравной эффективности в качестве аналитического инструмента предварительнойобработки данных. Справедливости ради также заметим, что определённый вкладв приращение результативности модели вносит и обучение по методу ЛевенбергаМарквардта, более эффективного, чем метод наименьших квадратов в сетипрямого прохода.62Рис.4.Сравнительнаядинамикавиртуальногоинвестиционногопортфеля,построенного по нейросетевой модели Левенберга-Марквардта с использованием PCA припредварительной обработке данных, для прогнозирования валютной пары фунт/доллар (15минутные котировки).Примечание: по горизонтальной оси отложены торговые периоды (t), по вертикальной– величина портфеля.

Portf – портфель, построенный по нейросетевой модели спредварительной обработкой данных, Feedforward – портфель, построенный по нейросетевоймодели без предварительной обработки входных данных, Regr – портфель, построенный поавторегрессии, Market – рыночный портфель. Начальные значения портфелей равны 1.Во-вторых, в целом результаты прогнозирования валютного рынка непозволяют сделать очевидный вывод об успехе предложенной модели.

С однойстороны, для валютных пар доллар/йена, евро/йена, доллар/швейцарский франкнаш виртуальный инвестиционный портфель существенно обошёл рынок,простую нейронную сеть, и авторегрессию и демонстрировал относительноустойчивый рост на всём периоде наблюдений (что также подтверждаетсявизуальным анализом). При этом по рассчитанным границам доверительныхинтервалов можно заключить, чтобы наилучшее качество прогноза былополучено для доллара/йены. С другой стороны, общая доходность портфеля дажедля этой валютной пары не выглядит большой, и при работе на реальном рынкеона может почти полностью нивелироваться bid/ask спредом и комиссиейфинансовых посредников.Это заставляет нас признать, что одного лишь63сокращения размерности входных данных в искусственной нейронной сетинедостаточно для того, чтобы обеспечить надёжное прогнозирование динамикивалютного рынка.Рис.5.Сравнительнаядинамикавиртуальногоинвестиционногопортфеля,построенного по нейросетевой модели Левенберга-Марквардта с использованием PCA припредварительной обработке данных, для прогнозирования валютной пары доллар/швейцарскийфранк (15-минутные котировки).Примечание: по горизонтальной оси отложены торговые периоды (t), по вертикальной– величина портфеля.

Portf – портфель, построенный по нейросетевой модели спредварительной обработкой данных, Feedforward – портфель, построенный по нейросетевоймодели без предварительной обработки входных данных, Regr – портфель, построенный поавторегрессии, Market – рыночный портфель. Начальные значения портфелей равны 1.В-третьих, можно заметить, что процент верно предсказанных знаковдоходностейвалютныхпредварительнойпармодельюобработкойвходныхискусственнойданныхненейроннойсильносетиспревосходитаналогичные показатели сети прямого прохода и авторегрессии.

В отдельныхслучаяхавторегрессиядемонстрируетдажебольшуюдолюправильнопредсказанных приростов в будущем периоде, но по общим результатам, тем неменее, проигрывает нейросетевой модели. Более того, при том что и64искусственная нейронная сеть прямого прохода, и авторегрессия неизменно вернопредсказывают свыше половины знаков будущей доходности, это не гарантируетобщий рост портфеля на конец торговой сессии – нередко оно опускается ниже 1.Возможное объяснение сложившейся картины заключается в том, чтомодель искусственной нейронной сети с предварительной обработкой входныхданных удачно предсказывает наибольшие приросты (выбросы)10 во временномраспределении доходностей, что и помогает ей превосходить другие модели.

В тоже время авторегрессия и, в меньшей степени, сеть прямого прохода фиксируютнезначительные, в т.ч., шумовые колебания цены финансового инструмента. Этокрайне важное наблюдение, потому что оно опровергает распространённоемнение (проистекающее из предположения о нормальности распределений нафинансовом рынке) о том, что для того, чтобы выиграть у рынка, нужно верноспрогнозировать более половины знаков будущих приростов.

На практике, какможно увидеть на примере результатов авторегрессионной модели, этогооказывается недостаточно – гораздо более важно уметь прогнозироватьнаибольшие по амплитуде всплески доходности. В последующих частях даннойработы мы продолжим искать подтверждение выдвинутому предположению, а вданном контексте заметим, что если искусственная нейронная сеть хорошопрогнозирует выбросы доходностей, то, с инвестиционной точки зрения, приторговле на реальном рынке имеет смысл попробовать ввести кредитное плечо,которое потенциально сможет существенно увеличить общий результат портфеля.Забегая вперёд, также отметим, что прогнозирование выбросов может бытькрайнеполезноспозициифинансовогориск-менеджментаимакроэкономического анализа рынков.Несколько иначе обстоит дело с прогнозированием фондового рынка спомощью искусственной нейронной сети, обученной по методу ЛевенбергаМарквардта.

Используя алгоритм, применённый на валютном рынке, нам неудалось получить схожих по10результатов в прогнозировании ни дляПод «выбросами» в данной работе мы, чаще всего, понимаем не формально разграниченные интервалы(например, доходности выше 3σ – «три сигма»), а вообще наибольшие абсолютные значения приростов враспределении.65краткосрочных, ни для долгосрочных интервалов котировок, и наш виртуальныйинвестиционный портфель неизменно уступал рыночной динамике.Чтобы улучшить качество работы нейросетевой модели мы воспользовалисьпредположением о том, что искусственная нейронная сеть с предварительнойобработкой данных фиксирует основные выбросы доходностей во временномряде, и стали составлять прогнозы одновременно для нескольких инструментов.Мы проанализировали 30 ликвидных акций из американского фондовогоиндекса S&P 500 (ликвидность акции определялась по весу в индексе наопределённый период) и рассчитали прогнозные значения для каждой бумаги икаждого торгового дня.После этого в виртуальные инвестиционные портфели (искусственнаянейронная сеть с и без предварительной обработкой входных данных иавторегрессия) отбиралась одна бумага с наихудшим абсолютным значениемпрогноза.Мотив для использования такой странной, на первый взгляд, торговойстратегии заключается в том, что мы обратились к широко известному нафинансовых рынках явлению – обращению средних по знаку (mean reversion).Обращение средних по знаку заключается в том, что цены финансовогоинструмента постоянно колеблются во времени вокруг определённого среднегозначения, т.е.

и аномально низкие, и высокие цены непостоянны. На практике этоозначает, что знак прироста стоимости инструмента часто противоположен тому,что предсказывает скользящее среднее, потому что вместо продолжения трендацена возвращается к историческому значению. Причём такой эффект частовозникает на многих финансовых рынках и временных интервалах различнойдлительности.Обращение средних по знаку широко изучается в финансовой математике.Ряд исследователей полагают, что наличие данного феномена являетсясвидетельством того, что рынок отклоняется от информационно эффективногосостояния, потому что становится в некоторой степени предсказуемым [65].66Некоторые работы указывают на то, что обращение средних по знаку может бытьодной из причин катастрофических обвалов на рынке [102].Для нас, однако, более важно рассмотреть не само обращение средних познаку или последствия, к которым оно может привести, а фундаментальныймеханизм, который его обуславливает.

Опираясь в данной работе на подходыповеденческих финансов, мы разделяем убеждение, что обращение средних познаку – это один из результатов действия массовых субъективных ожиданийучастников рынка, которые формируются не путём экстраполяции прежнейситуации, но конструируются каждый раз заново. При этом участники обладаютограниченной рациональностью или даже иррациональностью, что влияет на ихоценку издержек обработки информации. В свою очередь, это может выражатьсяв том, что агенты реагируют на изменения на рынке с недостаточной/избыточнойреакцией (underreaction/overreaction), проявляют стадную самоорганизацию и,главное, строят свои ожидания на управляемом самообмане (следствиекогнитивного диссонанса), что ведёт к систематической ошибке их субъективныхпрогнозов [7]. Таким образом, отбирая в виртуальный инвестиционный портфельбумаги с худшими абсолютными прогнозами, мы пытаемся предвосхититьошибку игроков на рынке, которая может привести к знаку доходности вследующем торговом периоде.Проведённое тестирование на эмпирических данных показало, что только вэтом случае можно добиться приемлемой доходности на фондовом рынке спомощьюмоделейискусственныхнейронныхсетейспредварительнойобработкой входных данных.

Характеристики

Список файлов диссертации