Диссертация (1138079), страница 2

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

Текст из файла (страница 2)

Кохонен, Б. Крозе и П. Смагт, а такжедругие значимые исследования, посвящённые искусственным нейронным сетям.8Большоезначениедлявыбораавторомметодовисследованияиформирования подходов к анализу искусственных нейронных сетей имели работыГ.Г. Малинецкого,А.Б. Потапова,И.Р. Пригожина,В.Р. Евстигнеева,Я.Хейгемана, А.

Хюваринена, Й.Фойта, А.А. Ежова и С.А.Шумского, а такжемногие работы в области поведенческих финансов.Информационная база. Для практического тестирования построенных вработе моделей искусственных нейронных сетей были использованы реальныекотировки фондового и валютного рынков. Источником статистических данныхпослужили официальные данные американских и европейских фондовых бирж,Федеральной резервной системы США, а также информационно-аналитическогоагентства Bloomberg.Научная новизна диссертации заключается в разработке новых илисовершенствовании уже существующих методов прогнозирования доходностифинансовых инструментов на фондовом и валютном рынке развитых стран наоснове моделей искусственных нейронных сетей, а именно: была установлена связь между качеством прогнозирования фондовогорынка с помощью предложенных в работе искусственных нейронных сетейпо критерию роста виртуального инвестиционного портфеля и наличием«выбросов» в распределении доходностей; была доказана способностьтаких моделей фиксировать наиболее существенные движения цен нафинансовом рынке; были выявлены особенности ценообразования на фондовом и валютномрынке (доля «шумовой» компоненты), которые обуславливают качество ихпрогнозирования с помощью искусственных нейронных сетей по критериюроста виртуального инвестиционного портфеля; была адаптирована модель распознавания образов Хакена на основе методаглавных и метода независимых компонент и использована в качествеискусственной нейронной сети с контекстной памятью для прогнозированиядоходности на фондовом и валютном рынках;9 была разработана модель искусственной нейронной сети на основеадаптированнойдлясамоорганизующихсяфинансовыхкарт(сетирынковКохонена)моделидляХакенаипрогнозированиядоходности на фондовом и валютном рынках; была построена модель из комитета искусственных нейронных сетей,соединяющая кластеризацию входных данных и обучение несколькихнезависимых, конкурирующих, искусственных нейронных сетей дляпрогнозирования доходности на фондовом и валютном рынках.Следует отметить, что в диссертационном исследовании равное вниманиебыло уделено как методическим особенностям построения, так и практическомутестированию моделей искусственных нейронных сетей.

Полученные результатымогут стать важным вкладом в российскую научную литературу по тематикеискусственных нейронных сетей, где наблюдается относительная нехваткаисследований, соединяющих концептуальный анализ и обзор прикладныхрезультатов применительно к финансовым рынкам, и в целом в развитиеметодологии прогнозирования доходности финансовых инструментов.В ходе работы над диссертацией были получены следующие научныерезультаты: припрогнозированиидоходностинафинансовыхрынкахпродемонстрирована недостаточная эффективность метода главных и методанезависимых компонент как инструмента снижения размерности и заданиябиблиотеки контекстной информации (виды предварительной обработки входныхданных) в искусственных нейронных сетях; выстроена иерархия результатов прогнозирования доходности на фондовоми валютном рынках развитых стран с помощью предложенных в работеискусственных нейронных сетей в зависимости от применяемых инструментовобработки входных данных: показано, что применение самоорганизующихсянейронных сетей с конкурентной предварительной обработкой входных данныхобеспечивает лучшие результаты по сравнению с предварительной обработкой в10виде снижения размерности и формирования статичной библиотеки контекстнойинформации, по сравнению с искусственными нейронными сетями безпредварительнойобработкивходныхданных,атакжепростымиавторегрессионными моделями; сделаны выводы о степени сложности прогнозирования доходности нафинансовых рынках с помощью предложенных в работе искусственныхнейронных сетей с предварительной обработкой входных данных: с однойстороны, такие модели более приспособлены для фиксации наибольшихабсолютных приростов цен, следовательно, когда распределение доходностей наконкретном рынке в процессе своей временной эволюции отклоняется отнормального закона, и появляются «толстые хвосты», нейросетевые моделистановятсяболееинвестиционногорезультативнымипортфеля);с(покритериюростадругойстороны,привиртуальногосравнительномпрогнозировании фондового и валютного рынков важна доля шумовойкомпоненты – чем она выше на рынке, тем проще для модели провестифильтрацию, выделить наиболее важные факторы, влияющие на процессценообразования, и сделать качественный прогноз. построена оригинальная самоорганизующаяся искусственная нейроннаясеть Кохонена – Хакена с внедрением конкурентных механизмов обработкивходных данных на основе методов главных и независимых компонент, а такжеприменением относительной энтропии Кульбака – Ляйблера (Kullback – Leiblerdivergence) для прогнозирования доходности на фондовом и валютном;предложенорешениепроблемыопределенияначальныхзначенийвискусственной нейронной сети Кохонена-Хакена; разработана оригинальная роевая модель (particle swarm model) дляпрогнозирования доходности на фондовом и валютном рынках, в которойпредварительнаяобработкаосуществляетсяспомощьюкластеризацииэмпирических данных на основе расстояния Дженсона-Шеннона (Jensen-Shannondivergence), а общее обучение выполняется с помощью механизма конкуренции11(заимствованного из сети Кохонена) отдельных независимых искусственныхнейронных сетей (каждая сеть сконструирована из сети прямого прохода и сети«имитации отжига»); построенный комитет искусственных нейронных сетейспособен фиксировать будущие существенные отклонения от нормальногораспределения в виде «толстых хвостов» на фондовом рынке, и может бытьиспользован в качестве сигнальной системы, предупреждающей об аномалиях нарынке (например, кризисе).Теоретическая и практическая значимость исследования.

Теоретическаязначимость работы заключается в развитии методологии прогнозированиядоходности финансовых инструментов, а именно в разработке новых типовпредварительной обработки входных данных для моделей искусственныхнейронных сетей как механизма принятия решений репрезентативным агентом нафинансовых рынках. Сделаны существенные выводы о факторах, которыеобуславливают качество прогнозирования доходности на финансовых рынках спомощью моделей искусственных нейронных сетей (по критерию роставиртуального инвестиционного портфеля): среди них наиболее важны «толстыехвосты» распределений, а также доля шумовой компоненты в ценовом процессе.Практическая значимость работы заключается в том, что были построеныработающиепрогнозныемоделиискусственныхнейронныхсетейспредварительной обработкой входных данных для фондового и валютногорынков развитых стран.

Количественно это выражалось в успехе виртуальногоинвестиционного портфеля, который значительно превосходил рыночнуюдинамику, модель авторегрессии, а также модель искусственной нейронной сетибезпредварительнойобработкивходныхданных.Данныйрезультатсвидетельствует о том, что модели искусственных нейронных сетей спредварительной обработкой входных данных могут быть использованы дляпрогнозирования доходности на финансовых рынках. Кроме этого, роевая модельискусственных нейронных сетей оказалась способна предсказывать аномальныеявления на американском фондовом рынке, что делает её полезным инструментомв арсенале риск-менеджмента.12Результаты,полученныевработе,могутбытьвостребованыакадемическими исследователями в области финансовой математики, рыночнымианалитиками и трейдерами, портфельными инвесторами, а также корпоративнымириск-менеджерами.Апробация результатов исследования. Основные выводы и результатыдиссертационного исследования нашли отражение в 5 научных публикациях впериодических изданиях, в том числе на английском языке, а также обсуждалисьна конференциях «Прогнозирование финансовых рынков» на факультете мировойэкономики и мировой политики НИУ ВШЭ в 2010 году и 4th InternationalConference on Pattern Recognition and Machine Intelligence, проходившей в НИУВШЭ в 2011 году.

Практические построения предлагаемых в работе моделейискусственных нейронных сетей неоднократно разбирались на открытом научноисследовательском семинаре кафедры международных валютно-финансовыхотношений факультета мировой экономики и мировой политики НИУ ВШЭ. Поматериаламдиссертационногоисследованияподготовленучебныйкурс«Нейронные сети и генетические алгоритмы в прогнозировании финансовыхрынков», читаемый для студентов 3 и 4 курсов бакалавриата, а также 1 курсамагистратуры в Национальном исследовательском университете «Высшая школаэкономики» на факультете Мировой экономики и мировой политики.Диссертация подготовлена по специальности08.00.10 – Финансы,денежное обращение и кредит, п.

6.8. «Методология оценки доходностифинансовых инструментов» Паспорта специальности ВАК.Структура работы отражает решение ключевых задач, поставленных внаучном исследовании. Диссертация состоит из введения, трёх глав, заключения,библиографического списка, содержащего 219 наименований, и приложение.Основная часть работы изложена на 165 страницах, включает 7 таблиц и 46рисунков.13Глава 1. Роль искусственных нейронных сетей в прогнозированиифинансовых рынковВ первой главе прослеживается история исследований искусственныхнейронных сетей в качестве математических имитаций биологических нейронныхсетей, а также их связь с современными моделями многоагентных систем.Рассматривается возможность применения искусственных нейронных сетей дляпрогнозирования финансовых рынков на основе поведенческих финансов (какмеханизма принятия решений репрезентативным агентом) и представления рынкакак сложной, самоорганизующейся системы.Кроме этого в первой главе разбираются ключевые характеристикиискусственных нейронных сетей, рассматриваются решаемые с их помощьюзадачи, основные правила построения, а также общая типология.1.1.Самоорганизация в искусственных нейронных сетях и на финансовыхрынкахИскусственные нейронные сети – это математические модели, которыерешаютзадачунелинейнойглобальнойоптимизации.Концептуальноискусственные нейронные сети опираются на биологические нейронные сетиголовного мозга человека.Головной мозг человека – это самоорганизующаяся децентрализованнаяструктура по обработке информации, состоящая из дискретных функциональныхединиц – нейронов (каждый из которых обладает относительно простымустройством).

Характеристики

Список файлов диссертации