Диссертация (1138720), страница 5
Текст из файла (страница 5)
В качестве вывода своей работыавторыпоказали,чтоэконометрическиемодели(вработерассматривались только параметрические модели, использующиетехнические индикаторы) обладают большей эффективностью, еслипри их использовании берутся данные за периоды «глубокого рынка».Данный вывод является очевидным – чем больше наблюдений, темлучше модель. Особенно при условии использовании параметрических28методов, для которых критичным является оценка параметровраспределений.Брок, Лаконишок и ЛеБарон (Brock, Lakonishok, LeBaron, 1992)построили простую эконометрическую модель, использующую вкачестве объясняющей переменной моментум акции.
В качестверезультата авторы показали, что, используя данный техническийиндикатор, можно успешно строить прибыльные стратегии.Отдельно хотелось бы остановиться на индикаторе моментум,который также будет использоваться и в данном исследовании. Данныйиндикатор применялся множеством авторов в их работах и показалхорошую прогнозную силу. Ниже представлен лишь краткий переченьработ, в которых авторы показали, что моментум-эффект существует,и что на нем можно строить прибыльные прогнозные стратегии: Asness,1997, 2011; Berger, Israel, Moskowitz, 2009; Brown, 2008; Carhart, 1997;Conrad & Kaul, 1998.В рамках литературы по техническому анализу, моментум неявляется единственным индикатором, которому посвящено большоеколичество работ.
Однако моментум является одним из немногихиндикаторов, который обладает еще и экономической интерпретацией:инвесторы готовы инвестировать в компании, которые показывали себялучше,чемостальные,темсамымувеличиваявероятностьдальнейшего роста.Браун и Дженингс (Brown & Jennings, 2014) в своей работепоказали, что использование линий Бойленджера наряду с различнымивариациями скользящих средних могут позволить прогнозироватьцены акции в период высокой волатильности рынка. Но в рамкахданного исследования интересен не столько вывод (который являетсядовольно тривиальным для подобного класса работ), сколько29трудности, которые авторы описали в ходе исследования и которыемогутслужитьсерьезнымиограничениямидлядальнейшегоиспользования полученных результатов. Авторы работы подчеркнули,что при использовании параметрической модели в период высокойволатильности не могут гарантировать робастность результатов вслучае наличия структурного сдвига.Кембелл, Ло и Маккинлэй (Campbell, Lo, McKinlay, 1997) в своемисследовании также выделили проблематику наличия структурногосдвигаипостроенииработсиспользованиемтехническихиндикаторов.
Однако также авторами было подчеркнуто, что в целомналичие структурного сдвига делает крайне неэффективными работы,основанные на использовании параметрических методов. Данноеограничение по мнению авторов является ключевым, т.к. финансовыерынки с их цикличностью склонны переживать серьезные кризисныеявления, после которых меняется структура самих рынков.Гериг и Менкхофф (Gehrig & Menkhoff, 2006), используя системутехнических индикаторов (включающую скользящие средние сразличнымиокнами,параметрыобъематорговииндексыотносительной силы) смогли разработать эффективную торговуюстратегию на валютном рынке. Однако авторы подчеркнули, что припостроении параметрической модели множественной регрессии сиспользованием технических переменных в качестве независимыхоценки могут быть смещены и неэффективны из-за высокойкорреляции переменных между собой. Высокая корреляция междутехническими индикаторами, включенными в модель в качественезависимых переменных, делает невозможным оценку при помощипараметрическихметодов,т.к.30практическивсеиндикаторыиспользуют в своей основе либо движение цены акции, либо изменениеобъемов.Хассан и Кристофер (Hassan and Cristoppher, 2009) в своей работеизучали вопрос формирования инвестиционного портфеля акций нарынках с высокой волатильностью.
В качестве наиболее эффективныхкритериев отбора бумаг в портфель авторы отметили величину bid-askspread и momentum акции. При этом авторы подчеркивают, что данныепеременные являются базовыми в ценообразовании не только в периодволатильности на рынке, но и для спекулятивных рынков. Подспекулятивными рынками авторы понимали рынки капитала стран, вкоторые инвесторы вкладывают средства как в особо рисковые активы,ожидая высокую премию за риск, при этом хеджируя риск за счетприобретения наиболее ликвидных инструментов.Ло и МакКинлей ( Lo & MacKinlay, 1988,1999) в своих работахпри помощи моделей, основанных на использовании техническихиндикаторов (MA, BB, RSI), выдвинули предположение, что ценыакций не подчиняются случайному блужданию и поддаютсяпрогнозированию.
Авторы заметили, что зачастую невозможностькорректно прогнозировать стоимость акции вызвана не тем, что ценаакции подчиняется закону случайного блуждания, а тем, что в моделибыли сделаны серьезные нарушения предпосылок. Также авторывыдвинули гипотезу (но в рамках исследований не проводили еепроверку), что эффективность рынка есть некое свойство характерноеему не всегда, а лишь в определенные моменты.В целом, подводя итоги обзора параметрических исследований,можно сделать вывод, что довольно часто проблемы, с которымисталкивались авторы, связаны с существенными ограничениями,которые накладывает использование параметрических методов.31Зачастую нарушались предпосылки использованных методов, и всвязи с этим получались смещенные и несостоятельные оценки.
Так,например, порой авторы описывали одни и те же рынки в одни и те жепериоды, но получали разные выводы относительно эффективностиили неэффективности различных индикаторов.Другое важное ограничение параметрических методов, скоторым сталкивались авторы вышеуказанных исследований – наличиеструктурных сдвигов. Если структурный сдвиг был в данных, на основекоторых строилась модель – сами оценки модели нельзя былоиспользовать. Если же структурный сдвиг наблюдался в данных, наоснове которых строилась оценка эффективности прогноза, то моделипоказывали крайне низкие показатели. Это связано с тем, чтофактически при наличии серьезных изменений в экономической среденеобходимо заново проводить оценку параметрических моделей.Существеннойпроблемойдлямоделей,использующихмакроэкономические и фундаментальные показатели фирмы в качестверегрессоров, служит отсутствие полной свободы в выборе прокси дляненаблюдаемых переменных.
Ввиду того, что параметрические методынакладывают серьезные ограничения на количество наблюдений ираспределение наблюдаемой величины, нельзя выбирать проксипеременную, не соответствующую данным требованиям, несмотря нато, что данная прокси переменная может полностью соответствоватьэкономическому смыслу. Также в целом, необходимость подборапрокси вызвана не только тем, что регрессор не наблюдаем в явномвиде (например, как потенциальный ВВП), но и из-за того, что рядданных по самому регрессору не отвечает требованиям метода.1.5. Использование непараметрических методов в финансах32В предыдущем разделе были рассмотрены основные работы,посвященные формированию инвестиционного портфеля при помощипараметрическихметодов,которыеслужилиметодологическойосновой для отбора переменных в диссертационном исследовании.
Приэтом отдельно описывались и недостатки параметрических методов, атакже трудности, с которыми сталкивались авторы работ.Технологическиеинновациииторговаяглобализацияподталкивали к развитию и методы анализа, используемые висследованиях. Особым толчком к этому послужило развитие рынкапроизводных финансовых инструментов. Основным посылом данныхметодов был отход от классической привязки к параметрамраспределения. Данное преимущество непараметрических методовопределило их выбор и использование в основных трудах в теорииценообразования деривативов.Непараметрические методы стали ключевой областью в теориифинансов последних двух десятилетий, начиная с книг Хэрдля (Hardle,1990) и Фана и Гижбелса (Fan & Gijbels,1996).
Преимуществанепараметрическихметодовкакметодов,предъявляющихнеобременительные требования к данным, описаны в работах Пагана иУлла (Pagan & Ullah, 1999), Миттельхаммера, Юдге и Миллера(Mittelhammer, Judge and Miller, 2000), Тсая (Tsay, 2005), Тэйлора(Taylor, 2005) и Ли и Рачины (Li and Racine, 2007).В данном разделе будут описаны основные исследования вобласти финансов, использующие непараметрические методы, которыепослужили методологической базой для проведения диссертационногоисследования.Описываемымиметодамиявляютсядеревьяклассификации, метод искусственных нейронных сетей, а также методядерного сглаживания.33Множество исследований в области финансов и экономикипоказалиэффективностьискусственныхнейронныхсетейкакинструмента прогнозирования экономических переменных. По оценке,представленной в работе Вонга и соавторов (Wong et al., 1995) болеечетверти исследований на тот момент, в которых использовалисьискусственные нейронные сети, были посвящены финансам.Прогнозную силу метода искусственных нейронных сетейподробно описали в своих работах, например, Чакраборти с соавторами(Chkraborty et al., 1992) ,Терье и Тсириготис (Theriou & Tsirigotis, 2000).Авторы отмечают, что благодаря нейронным сетям можно определятьнелинейныевзаимосвязимеждувходнымипеременнымиианализируемой величиной.
Также в качестве преимущества нейронныхсетей авторы отмечают гибкость непараметрического метода приработе с рядами данных. Использование метода позволяет работать скороткими рядами данных, а также с данными, которые могутсодержать структурные сдвиги. Также авторы отмечают сложностьпостроения оптимальной архитектуры нейронных сетей. Особоподчеркивается проблема переобучения сети, когда нейронная сетьпросто запоминает все исходы, потому что некорректно былиподобраны пропорции тестовой выборки по отношению к общейвыборке данных.Одом и Шарда (Odom & Sharda, 1990) в рамках своегоисследования провели сравнительный анализ дискриминантногоанализа и метода искусственных нейронных сетей для оценкивероятности банкротства компаний по кредитным обязательствам.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
