1. Введение ............................................................................................................ 2
2. ЧАСТЬ I: Теория ................................................................................................. 5
2.1. Метод EMD фильтрации................................................................5
2.2. О реконструкции аттракторов.........................................................7
2.3. Отображения. Многообразия. Погружения..........................................9
2.4. Теорема Такенса.......................................................................14
2.5. Формирование входных признаков для обучения нейронной сети .......17
2.6. Нейронные сети ......................................................................21
2.7. Комитеты и их преимущества......................................................28
3. Практическая часть.....................................................................31
4. Заключение...............................................................................48
5. Библиография............................................................................50
6.1. Приложение 1. Программная реализация метода взаимной
информации.................................................................................52
6.2. Приложение 2. Программная реализация метода ближайших ложных
соседей.......................................................................................55
6.3. Приложение 3. Программная реализация метода EMD......................57
Фондовый рынок является частью финансового рынка, на котором
происходит купля и/или продажа ценных бумаг. Многообразие и
характеристики финансовых инструментов, обращающихся на нем, подробно
описаны в различных учебных пособиях [1;2]. Стоит отметить, что рынок
является динамической структурой и находится в постоянном развитии, тем
самым, регулярно предоставляя специалистам новый материал для исследования.
Под ценной бумагой понимается документ, удостоверяющий, с
соблюдением установленной формы и обязательных реквизитов,
имущественные права, осуществление или передача которых возможны
только при его предъявлении [1].К ценным бумагам относят, например,
облигации, депозитарные расписки, чеки, коносаменты, закладные, векселя и
акции. Исследованию динамики цен акций и их прогнозированию будет
посвящена основная часть данной работы.
Акция – эмиссионная ценная бумага, закрепляющая права ее владельца
(акционера) на получение части прибыли акционерного общества в виде
дивидендов, на участие в управлении акционерным обществом и часть
имущества, остающегося после его ликвидации[1]. Этот вид ценных бумаг
имеет свою классификацию, категории и свойства[2]. Поскольку акция
является инструментом инвестирования и прироста капитала, ее
инвестиционному потенциалу может быть дана оценка, которая, в свою
очередь, зависит от ряда характеристик, основными из которых являются
надежность эмитента, ликвидность и доходность. Акции или другие ценные
бумаги эмитентов, лидирующих по этим показателям, принято называть
голубыми фишками. Официального определения этого термина в
экономической науке не существует, но, как правило, под ними понимаются
финансовые инструменты наиболее капитализированных, надежных и
ликвидных компаний, показывающих стабильные показатели
выплачиваемых дивидендов. Можно сказать, что голубые фишки являются
индикаторами всего рынка, поскольку их котировки лежат в основе расчета
основных фондовых индексов мира. Не существует общепринятых
объективных критериев, по которым ценную бумагу компанию относят к
разряду «голубых фишек» или «второму эшелону», но можно точно сказать,
что первые характеризуются стабильностью, лидирующими
показателямиежедневных оборотов, а компании-эмитенты – стабильными
показателями доходности и прозрачной финансовой деятельностью.
Примерами таких компаний на отечественном рынке, согласно данным
московской биржи [3] являются АО «Газпром», ПАО «Татнефть», ПАО
«Сбербанк», ПАО «Лукойл», ПАО «Ростелеком» и т.д. На американском
фондовом рынке – корпорации «AT&T», «Merck&Co»,
«InternationalBusinessMachinesCorp», «Microsoft», «McDonald’s»,
«JPMorgan&Chase»и т.д.
Известно [4], что подавляющее большинство сделок на биржах являются
спекулятивными, т.е. направленные на получение прибыли по схеме «купить
дешевле, продать дороже». Такие сделки совершаются на основе
предсказаний рыночными агентами движений финансовых инструментов, то
есть цен тех или иных технических индикаторов.Точность прогноза зависит
от эффективности экономико-математических методов, применяемых при
обработке, анализе и предсказании временных рядов котировок.
Прогнозирование финансовых временных рядов – одна из ключевых
задач инвестиционной аналитики. При всем многообразии количественных
методов анализана текущий момент не существует общепринятой модели
прогнозирования, позволяющей получить одинаково качественные
предсказания для различных финансовых инструментов на разные
временные промежутки. Существующая методология не позволяет
осуществлять абсолютно достоверные предсказания, что приводит к
необходимости дополнительных исследований с целью улучшить уже
известные методы. В этом и состоит актуальность данной дипломной работы.
Целью данной работы является изучение существующей методологии в
области предсказания финансовых временных рядов с помощью
искусственных нейронных сетей, а также разработка собственного метода
прогнозирования на основе комитетов искусственных нейронных сетей для
эффективной торговли финансовыми инструментами.
Для достижения поставленной цели в настоящей дипломной работе
решены следующие задачи:
1. Получение исходных данных котировок цен финансовых
временных рядов с необходимой частотой дискретизации;
2. Предобработка и фильтрация полученных данных;
3. Выбор архитектуры и метода обучения нейронной сети и
формирование входного пространства признаков для получения прогнозов;
4. Формирование комитета нейронных сетей и апробирование
различных подходов получение прогноза комитетом;
5. Анализ полученных результатов.
Естественнонаучный подход, а также методы, заимствованные из таких
областей физики и прикладной математики, как нелинейная динамика и
нейроинформатика дают возможность сочетать нетипичные подходы для
решения задачи прогнозирования для достижения эффективного результата.
Обзор использованных методов нелинейной динамики приведен в
теоретической части данной дипломной работы.
Все компьютерные вычисления были реализованы в пакете MATLAB,
вся работа с нейронными сетями была проведена в тулбоксе
«NeuralNetworkToolbox» пакета MATLAB. Исходные ряды котировок цен
акций были скачаны с официального сайта компании ФИНАМ [5].
В заключение следует сказать, что применение нейронных сетей в
области прогнозирования финансовых временных рядов становится все более
широким, а методология – более обширной. Это подтверждается ежегодно
растущим количеством исследований и статей, посвященных различным
способам нейропрогнозирования.
Результаты применения ИНС для предсказания курса акций в данной
дипломной работе показали, что хорошо обученная сеть может проводить
анализ временного ряда котировок и осуществлять предсказания с
различным уровнем точности. Основываясь на численных данных,
полученных в результате вычислений в данной дипломной работе можно
сказать, что описанная модель пригодна для прибыльной торговли на рынке,
если добиться фиксированной и приемлемой для инвестора точности
прогнозирования, которая, как известно не должна превышать в абсолютных
величинах 0.001 от единицы измерения цен финансовых инструментов. В
свою очередь, результаты экспериментов показали, что точность
прогнозирования зависит от многих факторов, например, предобработки
данных и выбора архитектуры нейросети, а также может быть улучшена с
помощью применения комитета ИНС. Из этого можно заключить, что работа
по созданию собственной торговой стратегии имеет перспективы и может
быть продолжена.
Несмотря на широкое применение нейросетевых технологий в анализе
финансовых данных стоит отметить, что алгоритмы предсказания носят, в
большей степени, экспериментальный характер. Комитеты ИНС способны
улавливать различные взаимодействия и нелинейные корреляции, но перед
тем, как применять данные прогнозов для совершения сделок на бирже,
необходимо провести дополнительные исследования с целью строгой
формализации факторов, определяющих точность прогноза.
1. Едронова В.Н., Мизиковский Е.А. Учет, оценка доходности и
анализ финансовых вложений: учебное пособие. 2-е изд, доп. Москва:
Магистр, 2011. 364 с.
2. Стародубцева Е.В. Рынок ценных бумаг: Учебник. Москва: ИД
«ФОРУМ»: ИНФРА-М , 2006. —176 с.
3. Индекс голубых фишек RTSSTD [Электронный ресурс] // Сайт
московской биржи. URL: http://moex.com/ru/index/RTSSTD (Дата
обращения 16.05.2017)
4. Дегтярева О.И. Биржевое дело: Учебник. Москва: Магистр,
2007.624 с.
5. Котировки акций РФ и США [Электронный ресурс] // Финам –
инвестиционная компания. URL: https://www.finam.ru/analysis/quotes/
(Дата обращения 16.05.2017)
6. Huang, et al, The empirical mode decomposition and the Hilbert
spectrum for nonlinear and non-stationary time series analysis.// Proc. R.
Soc. Lond. A. // 1998.vol. 454, pp. 903—995.
7. Кратович П. В. Предпрогнозный анализ временных рядов
финансовых данных на основе методов фрактального анализа //
Молодой ученый. 2010. No1-2. Т. 1. С. 11-18.
8. Макаренко Н.Г. Эмбедология и нейропрогноз // Научная сессия
МИФИ-2003. V Всероссийская научно-техническая конференция
«Нейроинформатика–2003»: Лекции по нейроинформатике. Часть 1. –
Москва: МИФИ, 2003. С. 86-141.
9. Грицай А.А. Определение эффективной структуры входных
данных для обучения нейросети решению задачи прогнозирования
спроса. // Вестник Тверского Государственного Университета. Серия:
Прикладная математика. 2014 No2. С. 95-106.
10. Головко В.А. Нейросетевые методы обработки хаотических
процессов // Научная сессия МИФИ-2005. VII Всероссийская научно-
техническая конференция «Нейроинформатика–2005»: Лекции по
нейроинформатике. – Москва: МИФИ, 2005. С. 43-91.
11. Рюэль Д. Случайность и хаос. – М.: Издательство «Регулярная и
хаотическая динамика», 2001. – 192 с.
12. Рюэль Д., Такенс Ф.О. природе турбулентности. Странные
аттракторы. Москва: Мир, 1981.– 117 – 151 с.
13. TakensF. Detecting Strange Attractors in Turbulence. // Lecture
Notes in Mathamatics. 1981. Vol. 898, Springer-Verlag, pp. 366-381.
14. Lorenz E.N. Deterministic nonperiodic flow. // J. Atmos. Sci. 1963.
Vol.20, pp. 130-141.
15. Малинецкий Г.Г., Потапов А.Б., Подлазов А.В. Нелинейная
динамика: Подходы, результаты, надежды. Изд. 3-е. – Книжный дом
«ЛИБРОКОМ», 2011. – 280с.
...