Финансовые рынки (англ. stock markets) ведут свою историю еще с 12-го века, хотя формально зародились лишь в начале 17-го в Голландской Ост-Индской
компании [38]. По состоянию на середину 2017 года, рыночная капитализация
глобального финансового рынка составляла 76,3 триллиона долларов [39], что
сопоставимо с мировым ВВП за 2016 год (75,8 триллиона по данным [17]); это
как нельзя лучше иллюстрирует важность финансовых рынков для современной
мировой экономики.
Проблема предсказания показателей финансовых рынков (курсов валют,
котировок и т. п.) возникла вместе с самими рынками и остается актуальной и по
сей день. Однако, в настоящее время научно-технический прогресс (как в плане
науки — развитие математической статистики, теории машинного обучения
и т. д., так и в техническом плане — появление ЭВМ и стабильное увеличение
их производительности) позволил существенно упростить ее.
Целью данной работы является выявление конфигураций нейронных сетей, позволяющих предсказывать показатели финансовых рынков с достаточной
точностью на основании исторических данных.
Объектом исследования являются различные виды нейронных сетей, както: многослойный персептрон, сверточные и рекуррентные сети, RBF-сети, а
конкретно — их применение к решению поставленной задачи, как изолированно, так и в сочетании со статистическими методами.
Эмпирическую базу исследования составляют реальные данные по валютной паре USD/EUR (евро/доллар США) за 5 лет (с 01.01.2013 по 01.01.2018) с
интервалом в 1 день, загруженные из [13].
В соответствии со всем вышесказанным, конкретизируем цель данной
работы:
На данных EUR/USD за 5 лет с периодом 1 день создать несколько ней-
3ронных сетей разной конфигурации для прогнозирования интервала, в который
с заданной вероятностью может попасть будущее значение изучаемого временного ряда.
Основные задачи данной работы:
1) изучить математические основы нейросетевого аппарата и специфики финансовых временных рядов;
2) отобрать типы нейронных сетей, применимые к решению поставленной задачи;
3) реализовать модели таких сетей в виде алгоритмов;
4) подобрать параметры конфигураций сетей, дающих удовлетворительное решение задачи.
Научную новизну в ней представляет:
1) введение нового вида разбиения данных на интервалы при прогнозировании
результатов в рамках классификационнго подхода;
2) подбор и вариация параметров сетей для «нового» (классификационного)
подхода;
3) сравнение «старого» и «нового» подходов в плане точности прогнозирования
и ее результатов.
В ходе данной работы:
1) была изучена теория нейронных сетей;
2) были исследованы основные типы сетей, из них были выявлены применимые
к поставленной задаче;
3) была реализована библиотека моделей для данных типов сетей;
4) были определены параметры данных сетей, подлежащие конфигурации и
настройке;
5) были выявлены (опытным путем) конфигурации сетей, решающие поставленную задачу наилучшим образом.
Также, в рамках научной работы были опубликованы статьи [2, 8, 9].
Полученные результаты можно считать приемлемыми в плане предсказания — отобранные сети в целом успешно справляются с прогнозированием на
тестовых данных, ошибка в целом удовлетворительна.
Вопросы для дальнейшего рассмотрения, оставленные открытыми в данной работе:
1) Возможность прогнозирования на несколько шагов вперед. В настоящей работе рассматривалось лишь прогнозирование на 1 шаг (но, тем не менее,
практически такое прогнозирование является наиболее важным).
2) Оптимальность поквантильного разбиения данных в задаче классификации.
Данное разбиение было введено в целях сужения интервалов для более вероятных данных (тем самым повышая практическую важность такого прогнозирования), но вопрос эффективности остается открытым.
2
