Диссертация (1150940), страница 3

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

Текст из файла (страница 3)

Фьючерсный контрактпредставляет собой обязательство купить или продать одну валюту противдругой по согласованному обменному курсу в определенный день в будущем.Валютный опцион – это соглашение, дающее держателю право, но необязывающее его купить или продать определенное количество валюты посогласованной цене в некоторый момент в будущем. Различают американскийи европейский опционы. Так, американский опцион может быть исполнен влюбой момент до истечения срока контракта, а европейский – только в момент13истечения контракта. Существуют опционные контракты на наличную валютуи на валютные фьючерсы.Размер рынка торговли валютой очень велик и превосходит на порядоквсе остальные формы международных экономических отношений, такие какторговля товарами, торговля услугами, международное движение капитала,рабочей силы или технологии.

Ежедневный оборот на валютном рынке в 2000году достиг 2 триллионов долларов США, а в 2010 - уже 4 триллиона.Примерно 41% всех сделок с валютой составляют сделки спот, 53- прямыефорварды и свопы и около 6%- фьючерсы и опционы, причем доля сделок своппостепенно сокращается, прямых форвардов и свопов - увеличивается, афьючерсы и опционы продолжают оставаться небольшим сегментом рынка.Сделки на валютном рынке могут совершаться как партнерами внутристраны, так и партнерами, находящимися в разных странах.

На сделки внутристраны приходится примерно 47% всех сделок с валютой, причем долявнутреннего рынка постепенно увеличивается, тогда как на сделки с валютоймежду странами приходится примерно 53% и их доля в мировом валютномобороте несколько сокращается. Однако за усредненными показателямискрывается большое разнообразие. Например, в Бахрейне международныесделки с валютой абсолютно доминируют над местными, составляя 91%, тогдакак в Японии на внешние валютные операции приходится только 9% оборотавалютного рынка, а остальные валютные сделки совершаются между банкамивнутри страны.Географически валютный рынок сильно концентрирован. В трех городах(Лондоне, Нью-Йорке и Токио) происходит 55% мировой торговли валютой,причем Лондон доминирует с долей в 30%, и темпы развития этого рынкасильно превосходят все остальные валютные центры.

В связи со сказанным,выделяют 3 географические зоны активности валютных операций в течениесуток или, иначе, три торговые сессии (время указано по Гринвичу):1) Восточно-Азиатская (21:00 – 7:00). Наиболее активны сделки на рынкеконверсионных операций доллара США к иене, доллара США к евро, евро к14иене, а также доллара США к австралийскому доллару.

Колебания курсов, какправило, незначительны, за исключением дней, когда центральный банкЯпонии проводит валютные интервенции.2) Европейская (7:00 – 13:00).3) Американская (13:00 – 21:00).Иногда отдельно выделяют Тихоокеанскую сессию, которая в нашейсхеме отнесена к Восточно-Азиатской.1.2 Методы прогнозирования финансовых рынков1.2.1 Эконометрическое прогнозирование временных рядовК эконометрическим методам относят 3 группы методов [77]:- Методы, основанные на усреднении;- Регрессионные методы;- Прогнозирование случайных процессов.1) Методы первой группы в качестве прогнозного значения предлагаютиспользовать какую-либо несложную функцию от нескольких последнихзначений временного ряда.Самой простой моделью такого рода является тривиальный прогноз:Yt+1 = Yt,т.е.

ожидаемое значение финансового показателя в будущем равно еготекущему значению. Такая модель не учитывает ни тренды, ни сезонныесоставляющие, ни влияние различных факторов на динамику показателя.Разумеется, такой прогноз не может иметь высокую точность (разумеется,кроме того случая, когда показателя равен константе и не меняется во времени),однако в некоторых случаях именно тривиальное прогнозирование можетоказаться наилучшим из имеющихся методов. Так, в рамках гипотезы Башельединамика цен на финансовых рынках представляет собой процесс случайногоблуждания, к чему мы еще вернемся в дальнейшем.15Эту модель можно усовершенствовать, приспособив ее к возможнымтрендам и сезонным колебаниям с периодом s:Yt+1 = Yt + (Yt – Yt-1) или Yt+1 = Yt-s.Одним из многочисленных минусов этих моделей является ихподверженность случайным возмущениям. Это можно исправить, использовавмодель простого усреднения:Yt 1 Yt  Yt 1    Yt n1,nто есть ожидаемое значение показателя в будущем равно его среднемузначению за последние n периодов.

В качестве среднего можно использовать нетолько среднее арифметическое, но и другие средние величины. Припрогнозированиидовольночастоиспользуетсяметод экспоненциальныхсредних, который постоянно адаптируется к данным за счет новых значений.Формула, описывающая эту модель:Yt 1  EMAt , где EMAt  Yt  1   EMAt 1 ,где величина α – параметр сглаживания, 0    1.Более сложным методом этой группы является метод Хольта – методдвухпараметрического экспоненциального сглаживания.

Для прогнозированияна p периодов вперед используется система: t  Yt  1    t 1  Tt 1 ,Tt    t   t 1   1   Tt 1 ,Y    pT .tt t pЗдесь α и β – параметры экспоненциального сглаживания, подобранныепо тестовым данным. Величина  t - сглаженный ряд общего уровня, Tt трендовая составляющая.Недостатком метода Хольта является то, что он не позволяет учитыватьсезонные колебания при прогнозировании. Чтобы отразить сезонностьпериодичностью s в модели, можно воспользоваться трехпараметрическимэкспоненциальным сглаживанием – методом Винтерса:16Yt t   S  1    t 1  Tt 1 ,t sTt    t   t 1   1   Tt 1 ,S t   Yt  1   S t  s ,tYt  p   t  pTt S t  s  p .Дробь в первом уравнении служит для исключения сезонности из Y(t).После исключения сезонности алгоритм работает с "чистыми" данными, вкоторых нет сезонных колебаний.

Появляются они уже в самом финальномпрогнозе, когда "чистый" прогноз, посчитанный по методу Хольта, умножаетсяна сезонный коэффициент.2) Методы этого класса предполагают построение аналитическойфункции, характеризующей зависимость значений экономического показателяот времени. Предполагается, что значение изучаемого показателя складываетсяиз следующих компонент [28, 65]:-трендовой(Т),описывающейобщееизменениесовременемрезультативного признака;- сезонной (S), отражающей повторяемость данных через небольшойпромежуток времени;- случайной (Е), отражающей влияние случайных факторов.В большинстве случаев фактический уровень временного ряда можнопредставить как сумму или произведение трендовой, циклической и случайнойкомпонент. Модель, в которой временной ряд представлен как суммаперечисленных компонент, называется аддитивной моделью временного ряда:Y  T  S  E .

Модель, в которой временной ряд представлен как произведениеперечисленныхкомпонент,называетсямультипликативноймодельювременного ряда: Y  T  S  E .Основнаязадачаэконометрическогоисследованияотдельноговременного ряда – выявление и придание количественного выражения каждойиз перечисленных выше компонент с тем, чтобы использовать полученную17информацию для прогнозирования будущих значений ряда или при построениимоделей взаимосвязи двух или более временных рядов.Для построения трендов, как правило, используют следующие функции[21, 28]:- Линейная: T  a  b  t ;- Полиномиальная: T  a  b1t  b2 t 2    bm t m ;- Экспоненциальная: T  e abt ;- Степенная: T  a  t b ;- Прочие функции.Выбор наилучшего уравнения тренда можно осуществить путем перебораосновных форм тренда, расчета по каждому коэффициента детерминации R2 иопределения модели с наибольшим значением этого показателя.

Такжерассчитываются значения информационных критериев, которые помогаютвыбрать наилучшую форму регрессионной модели.Для моделирования сезонной компоненты можно воспользоваться какойлибо периодической функцией или ввести в уравнение регрессии фиктивныепеременные.В качестве периодических функций используют следующие:- S  a1 cost  a 2 sin t - в случае простой периодической составляющей сизвестной частотой  .- S  a1 cos bt  a2 sin bt - в случае простой периодической составляющей снеизвестной частотой.N-S   (a 2 k 1 cos kt  a 2 k sin kt ) -вслучаесложнойпериодическойk 1составляющей с известной частотой  основной гармоники.N-S   (a 2 k 1 cos kbk t  a 2 k sin kbk t )- в случае сложной периодическойk 1составляющей с неизвестной частотой  основной гармоники.В том случае, когда нам известно число n интервалов наблюдения внутриодного цикла колебаний, можно ввести в регрессионную модель n-1 фиктивную18переменную, каждая из которых отражает сезонную составляющую для какоголибоодногоинтервала.Тоестьмодельсезоннойсоставляющейспериодичностью n интервалов наблюдения будет иметь вид:S  a1 x1  a2 x2    an1 xn1 ,где x1 , x2 ,  , xn1 - фиктивные переменные вида:1 для каждого j  го интервала внутри каждого цикла,xj  0 в остальных случаях.Оценить параметры регрессионных моделей можно с помощью методанаименьших квадратов.

Характеристики

Список файлов диссертации