Диссертация (1138720), страница 6
Текст из файла (страница 6)
Порезультатам исследования нейронные сети показали более высокуюпрогнозную силу, несмотря на то, что дискриминантный анализявлялся базовым в то время для оценки вероятности банкротств. Среди34другихисследований,посвященныхтемебанкротстваиегопрогнозированию при помощи нейронных сетей, можно выделитьработы Альтмана, Марко и Варетто (Altman, Marco&Varetto, 1994);Одома и Шарда (Odom & Shard, 1990); Клемика (Klemic, 1993).Барр и Мани (Barr & Mani, 1994) провели анализ эффективностиметода искусственных нейронных сетей по сравнению с линейнойрегрессией как инструмента для построения торговых стратегий.Результаты исследования показали, что при помощи нейронных сетейвозможнопостроитьторговыестратегии,которыепоказалидоходность, более чем в 2 раза превышающую доходность стратегий,построенных при использовании линейной регрессии. При этом авторыпредположили, что эффективность нейронных сетей по сравнению слинейной регрессионной моделью заключается в том, что данные оторгах и ценах акций являются «шумными» и не подходят подклассические предпосылки метода.
Нейронные сети в свою очередьявляются нечувствительными по отношению к выбросам в выборках, атакже структурным сдвигам.Берри и Тригейрос (Berry & Trigueiros, 1993) при анализефинансовойискусственныхотчетностиоценивалинейронныхдискриминантногосетейанализа.эффективностьпоАвторысравнениюсметодаметодомпродемонстрировали,чтоискусственные нейронные сети справились с задачей распознаванияфинансового состояния компании на 50% более успешно, чемдискриминантный анализ. При этом авторы подчеркивают, что припомощинейронныхсетейможноанализироватьфинансовуюотчетность даже при условии наличия искажений и манипуляций сотчетностью.Однимизпотенциальных35развитийприменениянейронныхсетейавторыуказаливыявлениеманипуляцийсотчетностью.Зальхенбергер, Цинар и Лэш (Salchenberger, Cinar & Lash, 1992)провели сравнительный анализ логит-модели и искусственныхнейронных сетей в анализе вероятности банкротства по выпускамоблигаций, и также подтвердили, что нейронные сети являются болеетонким и точным инструментом для построения подобных прогнозов.Также авторы обратили внимание на ограничительные предпосылкилогит-модели,которыеимоглипослужитьболеенизкойэффективности.Малви, Паулинг и Мэдей (Mulvey, Pauling and Madey, 2003) всвоей работе при помощи метода нейронных сетей решали задачумногопериодной оптимизации торговой стратегии на нью-йоркскойфондовой бирже.
Вектор входных параметров, использованный висследовании, включал как технические характеристики акций, так имакроэкономические индикаторы. Авторы отказались от включения ванализ фундаментальных факторов стоимости акций, обосновывая этотем, что в бескризисный период на развитых фондовых рынкахосновными факторами являются общее состояние экономики, а такжеповедение стоимости акции. В результате авторам удалось построитьинвестиционные портфели, которые показали доходность, значительнопревышающую доходность индекса за анализируемый период. Авторыработы также отметили, что в случае наличия кризисных явлений вэкономикеможнопеременнымидополнитьвекторфундаментальноговходныханализа,параметровотвечающимизаустойчивость компании.Вцеломрядеработ,посвященныхиспользованиюискусственных нейронных сетей в прогнозировании стоимости акций,36а также построению портфеля, было показано, что при помощинейронных сетей можно делать гораздо менее строгий отборпеременных в модель, если при использовании параметрическихметодов, необходимо строго контролировать корреляции междурегрессорами, а также параметры их распределения.
Таким образом,удавалось включать в анализ переменные, которые не могли быпопасть при использовании параметрических методов. Особенно этокасалосьпоказателейфундаментальногоанализадеятельностикомпании, т.к. ряды данных обычно по ним крайне короткие. Примерыподобных работ представлены ниже: Ахмади (Ahmadi, 1990);Баба(Baba et al., 1993); Баркер (Barker, 1990); Бергерсон и Вунш(Bergerson & Wunsch, 1991); Ченовет и Обрадович (Chenoweth &Obradovic, 1995); Чу (Chuah, 1992); Коллард (Collard, 1993); Марч(March, 1995); Рефенс (Refenes, 1993).Необходимо отметить, что нейронные сети не являютсягарантированным методом для достижения более высоких результатов,чем другие методы. Несмотря на отсутствие ограничительныхпредпосылок, требования у метода искусственных нейронных сетей всеравно присутствуют, в частности, требование по достаточности общегочисла наблюдений для обучения сети.
Также существует проблемапереобучения (Yoon, Swales & Margavio, 1993), которая состоит в том,что сеть запоминает все исходы из генеральной совокупности, ипоэтому результаты подгонки являются крайне высокими, однакопрогнозная сила подобной модели низкая.Другимнепараметрическимметодом,доказавшимсвоюэффективность в прогнозировании стоимости акций, а также будущейдоходности, является метод ядерного сглаживания. Если описыватьосновную идею метода ядерного сглаживания, то она заключается в37расчете средневзвешенного наблюдаемых величин с присвоением,больших весов наблюдениям с меньшей разницей в независимыхпеременных.Хардл и Тсибаков (Hardle & Tsybakov, 1992) описали в своейработе простейший вариант модели ядерного сглаживания дляпрогнозирования цен акций. При этом в рамках своего исследованияавторыпровелисравнениеданногометодасостандартнойпараметрической моделью линейной регрессии.
В качестве результатабыло показано, что при помощи метода ядерного сглаживания можноэффективнее прогнозировать стоимость акций. Также в данномисследовании были подчеркнуты достоинства метода по сравнению состандартными подходами: устойчивость при наличии структурныхсдвигов, а также наличие необременительных предпосылок. При этомавторы отмечали, что при построении портфеля акций при помощимодели ядерного сглаживания достигается более сбалансированнаяторговая стратегия: нет необходимости при каждой ребалансировкеосуществлять множество транзакций для достижения оптимальныхвесов компонент портфеля.
При наличии высоких транзакционныхиздержек подобное преимущество метода отбора акций может бытьключевым. Под транзакционными издержками авторы подразумевалине только комиссию за покупку и продажу инструментов, но ииздержки по сбору информации.Горгуло, Невес и Хорта (Gorgulho, Neves and Horta, 2011)рассматривали использование модели ядерного сглаживания припомощи входного вектора переменных, состоящего из техническихиндикаторов.
В качестве результатов авторы отметили высокуюэффективность метода ядерного сглаживания, который позволяетустойчивополучатьдоходность,38превышающуюдоходностьрыночного индекса. При этом, авторы также отмечают, что методядерного сглаживания позволяет работать с «шумными» данными и нечувствителен к выбросам к выборке. Однако было отмечено, чтопроцесс отбора переменных и подбора окна для функции оценкиявляются двумя основными моментами при выборе архитектурыметода.Моелими и Саглам (Moallemi and Saglam, 2012) посвятили своюработу изучению вопроса формирования оптимальной торговойстратегии для ребалансировки портфеля финансовых инструментовпри помощи модели ядерного сглаживания.
Авторы использовалиадаптивную модель окна оценки и получили вывод о том, что припомощи метода ядерного сглаживания можно эффективно решатьпроблемы многопериодной оптимизации. Задача многопериоднойоптимизации заключалась в максимизации совокупного доходапортфелей при ребалансировке на протяжении всего инвестиционногогоризонта, а не только в отдельные моменты.
При этом авторы провелискрупулезную работу по включению в расчет не только комиссионныхиздержек, но и издержек по сбору информации для ребалансировкипортфелей. Для этого как еще одно ограничение авторы ввелидинамичноподстраивающеесяограничениенамаксимальноеизменение весов финансовых инструментов в портфеле.Ванг и Жу (Wang & Zhu, 2008) в своей работе использовали дляпрогнозирования стоимостей акций модель ядерного сглаживания дляоценки динамики стоимостей акций S&P500. Данная модель показалакрайне высокую эффективность, и авторами было выдвинутопредположение, что модели ядерного сглаживания могут показыватьрезультаты, превосходящие не только стандартные параметрическиеметоды, но и прочие виды непараметрических подходов. В даннойработе авторы подчеркнули наряду с преимуществами метода ядерного39сглаживания один из существенных недостатков: при высокомзначении окна при использовании функции Надарайя-Уотсонаоператор вырождается в константу и уже не дает качественныхрезультатов о поведении изучаемой величины.
В качестве решенияподобной проблемы авторы предложили использование адаптивноймодели.Примбс и Сунг (Primbs and Sung, 2008) показали в своей работе,что при помощи модели, основанной на использовании методаядерного сглаживания, можно эффективно реплицировать рыночныйпортфель с учетом ограниченных ресурсов. Данная оптимизациязаключалась в контроле так называемого active specific risk, которыйпредставляет собой отклонение от весов индекса, но при этомсохранение набора акций, входящих в расчет индекса. Авторыпоказали, что при помощи модели ядерного сглаживания можнодостигать доходности, равной доходности рыночного портфеля сминимальными транзакционными издержками.
При этом в рамкахданного исследования авторы не включили в модель возможностькороткой продажи акций. При включении данной возможности вмодель, по утверждению авторов, результаты должны были быулучшиться, т.к. включение возможности короткой продажи увеличилобы спектр инструментов инвестора и сделало множество доступныхпортфелей строго больше.Адия и Коллопи (Adya & Collopy, 1998) в своей работе провелисравнительный анализ методов искусственных нейронных сетей иметода ядерного сглаживания как инструмента прогнозированиястоимости активов.
По результатам исследования было выявлено, чтоторговые стратегии, основанные на методе ядерного сглаживания,показали себя гораздо лучше, чем стратегии, использовавшие метод40искусственных нейронных сетей. В качестве объяснения полученныхрезультатов авторы показали, что нейронная сеть была «переобучена»,что говорит о потенциально некорректном выборе строения сети. Вслучае с методом ядерного сглаживания подобных проблем невозникает.Лам и Моника (Lam and Monica, 2004) в своем исследованиистроили двухслойную нейронную сеть, используя одновременнопоказателифундаментальногоитехническогоанализадляпрогнозирования доходности акций компаний, торгующихся налондонской бирже.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
