Диссертация (1138079), страница 26
Текст из файла (страница 26)
В работе было также показано, что применение механизмовпредварительной обработки входных данных позволяет получить преимущество впрогнозировании фондового и валютного рынков по сравнению со стандартнойавторегрессионной моделью, а также превосходить «пассивную» динамикурынка. Это говорит в пользу того, что предложенные способы прогнозированиямогут служить верным приближением к механизму принятия инвестиционныхрешений репрезентативным агентом на финансовых рынках.Кроме этого, исследования построенных в работе моделей искусственныхнейронных сетей на реальных данных позволили сделать важные выводы оструктуре и характеристиках финансовых рынков.
Так, было зафиксировано, чтов ходе своей временной эволюции финансовый (в особенности фондовый) рынокможет изменять структуру распределения в пользу более «толстых хвостов» и,таким образом, отклоняться от нормального закона. В свою очередь, спрактической точки зрения это говорит о том, что представленные в работемодели, могут использоваться в качестве сигнальной системы, предупреждающейовозможныхбудущиханомальныхраспределения) событий на рынке.(отклоняющихсяотнормальногоС другой стороны, как было показано вработе, большое значение для качества прогнозирования финансовых рынковимеет «уровень шума» –несущественной компоненты в данных, которая неоказывает значимого влияния на общий процесс ценообразования.
Чем меньшедоля этой составляющей, тем проще агентам на рынке (рассматриваемым в виде165моделей искусственных нейронных сетей) выявлять фундаментальные факторырыночной динамики и построить верный прогноз на будущее.К этому следует добавить, что характеристики наиболее успешных моделейискусственных нейронных сетей могут быть использованы в исследованиях всмежных областях в качестве механизмов принятия решений репрезентативнымиагентами. Здесь мы имеем в виду, прежде всего, построение многоагентныхсистем, имитирующих взаимодействие на реальных финансовых рынках.
Вчастности, на основании полученных в работе результатов к потенциальносущественным факторам принятия решений может быть отнесено наличиеконтекстной памяти у агентов (модель Хакена и Кохонена-Хакена) и сценарноепрогнозированиебудущихсобытийвформесопоставлениянесколькихнезависимых картин будущего развития событий (модель Кохонена-Хакена ироевая модель).166БиблиографияРусскоязычные источники:1.
Арнольд В.И. Теория катастроф. – 3-е изд., доп. – М.: Наука, Главнаяредакция физико-математической литературы, 1990. – 128 с.2. Берзон Н.И. Фондовый рынок: Учеб. Пособие для высш. учебн. зав. экон.профиля/ Гос. унив. – Высшая Школа Экономики. Высшая Школаменеджмента./Н.И.Берзон,А.Ю.Аршавский,Е.А.Буянова,А.С.Красильщиков. Под ред. Н.И.Берзона – 4-е изд., перераб. и доп. – М.:ВИТА-ПРЕСС, 2009. – 624 с.: ил.3. БыкадоровР.В., ВоронинС.Ю.
Вероятностныеметодырасчетатехнологического процесса ткачества. Иваново, ИГТА, 2006. – 108 с.4. Вилленброк Х. Тайны принятия решений// GEO, июль 2009, с. 70-87.5. Воробьев Н.Н. Теория игр для экономистов-кибернетиков – М.: Наука,Главная редакция физико-математической литературы, 1985. – 272 с.6. Вороновский Г. К., Махотило К.
В., Петрашев С. Н., Сергеев С. А.Генетические алгоритмы, искусственные нейронные сети и проблемывиртуальной реальности. — Харьков: Основа, 1997. — 112 с.7. Евстигнеев В.Р. Прогнозирование доходности на рынке акций. – М.:Маросейка, 2009. – 192 с.8. Ежов А. А., Шумский С.А. Нейрокомпьютинг и его применения вэкономике и бизнесе: Курс лекций //М.: МИФИ.
– 1998.9. Жук В.В., Натансон Г.И. Тригонометрические ряды Фурье и элементытеории аппроксимации. — Л.: Изд-во Ленингр. ун-та, 1983. – 187 с.10. Круглов В.В., Борисов В.В. Искусственные нейронные сети: Теория ипрактика. – М.: Горячая линия-Телеком, 2002 – 382 с.: ил.11. Малинецкий Г.А., Потапов А.Б.
Современные проблемы нелинейнойдинамики. – М.:Эдиториал УРСС, 2000. – 366 с.12. Малинецкий Г.А., Потапов А.Б., Подлазов А.В. Нелинейная динамика:Подходы, надежды, результаты, надежды. – М.: КомКнига, 2006. – 280 с.16713. Минский М. Л., Пейперт С. Персептроны. – М. Мир. – 1971.14. Метерлинк М. Тайная жизнь термитов. – М.: Изд-во ЭКСМО-Пресс,2002. – 400 с.15. Никульчев Е.В., Волович М.Е. Модели хаоса для процессов изменениякурса акций.// «Exponenta pro. Математика в приложениях», №1(1), 2003,с. 49-52.16.Пригожин И., Стенгерс И.
Время. Хаос. Квант: К решении. Парадоксавремени. Пер. с англ./ Под ред. В.И. Аршинова. Изд. 7-е. – М.: Книжныйдом «Либроком», 2009 – 232 с.17. Рубцов Б.Б. Мировые рынки ценных бумаг. – М.: «Издательство«Экзамен», 2002. – 448 с.18. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. — М.:Мир, 1992. — 240 с.19. Хайкин С. Нейронные сети: полный курс, 2e издание. : Пер. с анrл. М.Издательский дом Вильямс", 2006 – 1104 с.: ил.20. Хакен Г. Принципы работы головного мозга: Синергетический подход кработе мозга, поведению и когнитивной деятельности. – М.: ПЭР СЭ,2001. – 351 с.Иностранные источники:21. Abbod, M., & Deshpande, K. (2008).
Using intelligent optimization methodsto improve the group method of data handling in time series prediction. InComputational Science–ICCS 2008 (pp. 16-25). Springer Berlin Heidelberg.22.Abdalla, I., Murinde, V. Exchange Rate and Stock Price Interactions inEmerging Financial Markets: Evidence on India, Korea, Pakistan and thePhilippines, Applied Financial Economics, 7, 25-35, 1997.16823.
Adya, M., & Collopy, F. (1998). How effective are neural networks atforecasting and prediction? A review and evaluation. J. Forecasting, 17, 481495.24. Alam, M. R., Muttaqi, K. M., & Bouzerdoum, A. (2012, June). A short lengthwindow-based method for islanding detection in distributed generation.
InNeural Networks (IJCNN), The 2012 International Joint Conference on (pp. 16). IEEE.25. Amin M.S., Mamun M., Hashim F.H., Jalil J., Husain H. Design andImplementation of Novel Artificial Neural Network Based Stock MarketForecasting System on Field-Programmable Gate Arrays. American Journal ofApplied Sciences 8 (10): 1054-1060, 2011.26. Andrighetto, G., Rome, I. C., & Verhagen, H. Social Networks and MultiAgent Systems Symposium (SNAMAS-09), 2009.27. Ang, A., & Timmermann, A. (2011).
Regime changes and financial markets(No. w17182). National Bureau of Economic Research.28. Alfarano S., Lux T., Wagner F. Excess Volatility and Herding in an ArtificialFinancial Market: Analytical Approach and Estimation// University of Kiel,2010.29. Alfarano S, Lux T., Wagner F. Estimation of agent-based models: the case ofan asymmetric herding model. Computational Economics, 26:19–49, 2005/30. Aoki M. Modeling Aggregate Behavior and Fluctuations in Economics.University Press, Cambridge, 2004.31.
Arthur W. B. Complexity in Economic and Financial Markets," Complexity,Vol. 1, No. 1, 1995, pp. 20-25.32. Asadi, R., Mustapha, N., & Sulaiman, N. (2009). A framework for intelligentmulti agent system based neural network classification model. arXiv preprintarXiv:0910.2029.33. Asness, C.
(2003). Fight the Fed model: the relationship between stockmarket yields, bond market yields, and future returns. Bond Market Yields,and Future Returns (December 2002).16934. Atsalakis, G. S., & Valavanis, K. P. (2009). Surveying stock marketforecasting techniques–Part II: Soft computing methods. Expert Systems withApplications, 36(3), 5932-5941.35.
Azoff, E. M. (1994). Neural network time series forecasting of financialmarkets. John Wiley & Sons, Inc.36. Back A.D., Weigend A.S. A First Application of Independent ComponentAnalysisto Extracting Structure from Stock Returns// International Journal ofNeural Systems, Vol. 8, No.5 (October, 1997).37. Bak, P., Paczuski, M., & Shubik, M.
(1997). Price variations in a stockmarket with many agents. Physica A: Statistical Mechanics and itsApplications, 246(3), 430-453.38. Baraviera A.T., Bazzan A.L.C., da Silva R. Emerging Collective Behavior ina Simple Artificial Financial Market// S´lvio R. Dahmen nstituto de F´sica,UFRGS, 2005.39. Barberis N., Shleifer A. Vishny R. A Model of Investor Sentiment.
Journalof Financial Economics, 49 (3): 307–343, 1998.40. Bastos, J. (2010). Predicting bank loan recovery rates with neural networks(No. 1003). Centre for Applied Mathematics and Economics (CEMAPRE),School of Economics and Management (ISEG), Technical University ofLisbon.41. Baek, K., Draper, B.
A., Beveridge, J. R., & She, K. (2002, March). PCA vs.ICA: A Comparison on the FERET Data Set. In JCIS (pp. 824-827).42. Bell J.I., Sejnowsi T. J. An information-maximisation approach to blindseparation and blind deconvolution//Neural Computation, 7, 6, 1004-1034(1995).43. Bellman R. Dynamic Programming.
Dover Publications, 2003.44. Bishop C.M. Neural Networks for Pattern Recognition. Oxford UniversityPress, 1995 – 483 p.17045. Bhat, H. S., & Zaelit, D. (2013). Forecasting retained earnings of privatelyheld companies with PCA and L1 regression. Applied Stochastic Models inBusiness and Industry.46. Bloomfield, R., & Hales, J. (2002). Predicting the next step of a random walk:experimental evidence of regime-shifting beliefs. Journal of FinancialEconomics, 65(3), 397-414.47.
Bloomfield, R., Libby, R., & Nelson, M. (1998). Underreactions andOverreactions: The Influence of Information Reliability and PortfolioFormation Rules. Available at SSRN 132168.48. Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stockmarket. Journal of Computational Science, 2(1), 1-8.49. Bonabeau E., Sobkowski A., Theraulaz G., Deneubourg J.-L. Adaptive TaskAllocation Inspired by a Model of Division of Labor in Social Insects, 1998.50. Bronkhorst A. W. "The cocktail party phenomenon: A review of research onspeech intelligibility in multiple-talker conditions." Acta Acustica united withAcustica 86.1 (2000): 117-128.51. Bronstein, Alexander M., Michael M.
Bronstein, and Michael Zibulevsky.Blind deconvolution using the relative Newton method. IndependentComponent Analysis and Blind Signal Separation. Springer Berlin Heidelberg,2004. 554-561.52. Brunnermeier, M. K. (2003). Asset pricing under asymmetric information:Bubbles, crashes, technical analysis, and herding. Oxford University Press.53. Burbea J., Rao C.R.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
