Помощь студентам в учебе
ОСОБЕННСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ КУРСОВ АКЦИЙ
|
ВВЕДЕНИЕ 5
1. ТЕОРЕТИЧЕСКИЕ ОСОБЕННСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ
СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ КУРСОВ АКЦИЙ 7
1.1 Особенности акций и рынка ценных бумаг 7
1.2 Факторы, влияющие на котировки акций 25
1.3 Технологии для прогнозирования и анализа курсов акций 27
2. АНАЛИЗ ИСПОЛЬЗОВАНИЯ НЕЙРОНЫХ СЕТЕЙ ПРИ
ПРОГНОЗИРОВАНИИ КУРСОВ АКЦИЙ ОТЕЧЕСТВЕННЫХ И ЗАРУБЕЖНЫХ КОМПАНИЙ 37
2.1 Сравнительный анализ моделей нейронных сетей при прогнозировании
курса акций компаний ПАО «Роснефть» и «ExxonMobil» 37
2.2 Прогнозирование курсов акции компании ПАО «Ростелеком» 37
2.3 Прогнозирование курсов акции компании «Apple» 62
3. ПЕРСПЕКТИВЫ РАЗВИТИЯ ТЕХНОЛОГИЙ ПРОГНОЗИРОВАНИЯ И
АНАЛИЗ КУРСОВ АКЦИЙ 67
ЗАКЛЮЧЕНИЕ 80
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 82
1. ТЕОРЕТИЧЕСКИЕ ОСОБЕННСТИ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ
СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ КУРСОВ АКЦИЙ 7
1.1 Особенности акций и рынка ценных бумаг 7
1.2 Факторы, влияющие на котировки акций 25
1.3 Технологии для прогнозирования и анализа курсов акций 27
2. АНАЛИЗ ИСПОЛЬЗОВАНИЯ НЕЙРОНЫХ СЕТЕЙ ПРИ
ПРОГНОЗИРОВАНИИ КУРСОВ АКЦИЙ ОТЕЧЕСТВЕННЫХ И ЗАРУБЕЖНЫХ КОМПАНИЙ 37
2.1 Сравнительный анализ моделей нейронных сетей при прогнозировании
курса акций компаний ПАО «Роснефть» и «ExxonMobil» 37
2.2 Прогнозирование курсов акции компании ПАО «Ростелеком» 37
2.3 Прогнозирование курсов акции компании «Apple» 62
3. ПЕРСПЕКТИВЫ РАЗВИТИЯ ТЕХНОЛОГИЙ ПРОГНОЗИРОВАНИЯ И
АНАЛИЗ КУРСОВ АКЦИЙ 67
ЗАКЛЮЧЕНИЕ 80
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 82
Современные западные методы технического анализа создавались и тестировались на развитых фондовых рынках в ситуации, когда никто из участников в отдельности не может повлиять на ход торгов, а колебания цен объясняются лишь коллективными действиями этих участников. В отличии от этой, идеальной с точки зрения технического анализа ситуации, российский рынок, как и любой развивающийся рынок, подвержен сильному влиянию со стороны крупных, в основном иностранных инвесторов. Это прежде всего относится к формированию среднесрочных трендов, в связи с чем предсказание тенденций на несколько недель и месяцев вызывает особые трудности для технического анализа.
Российский рынок акций характеризуется небольшими объемами, незначительной ликвидностью и высокой степенью всех рисков. Эти причины снижают эффективность применения методов анализа рынка ценных бумаг. Но учет ряда специфических особенностей может частично этому противостоять.
Россия уже интегрирована в систему мировой экономики и ее спекулятивный фондовый рынок сильно подвержен влиянию со стороны иностранных инвесторов и внешнеполитических экономических факторов. Поэтому необходимо анализировать не только показатели российской экономики, но и экономическую ситуацию во всем мире, а также ситуацию на ведущих фондовых рынках, прежде всего США.
Учитывая вышесказанное, применению нейросетевого анализа нужно уделять особое внимание.
Цель исследования состоит в оценке эффективности применения нейронных сетей при прогнозировании курсов акции компаний.
Для достижения поставленной цели необходимо решение следующих основных задач:
- рассмотреть теоретические основы использования нейронных сетей при прогнозировании курсов акции компаний;
- исследовать практику нейронных сетей при прогнозировании курсов акции компаний
- выявить проблемы и представить перспективы использования нейронных сетей при прогнозировании на российском рынке ценных бумаг.
Объектом исследования является российский рынок ценных бумаг.
Предметом исследования являются метод нейронных сетей при прогнозировании курсов акции компаний.
Теоретической основой являются работы российских исследователей и практиков в области прогнозирования цен рыночных активов, системной торговли, а также создания, оценки и практического применения алгоритмических торговых систем.
В ходе выполнения исследования изучены российские законодательные и нормативные акты, материалы научных конференций, проанализированы статистические, справочные и аналитические материалы отечественных и зарубежных институтов, фондовых бирж и инвестиционных банков.
В качестве методологической основы исследования использовались методы финансового, статистического и корреляционного анализа данных.
Теоретическая значимость работы заключается в развитии аппарата прогнозирования цен рыночных активов и определения рыночной неэффективности.
Практическая значимость состоит в рассмотрении метода прогнозирования цен рыночных активов, позволяющего достигать положительных результатов совершения высокочастотных операций.
Российский рынок акций характеризуется небольшими объемами, незначительной ликвидностью и высокой степенью всех рисков. Эти причины снижают эффективность применения методов анализа рынка ценных бумаг. Но учет ряда специфических особенностей может частично этому противостоять.
Россия уже интегрирована в систему мировой экономики и ее спекулятивный фондовый рынок сильно подвержен влиянию со стороны иностранных инвесторов и внешнеполитических экономических факторов. Поэтому необходимо анализировать не только показатели российской экономики, но и экономическую ситуацию во всем мире, а также ситуацию на ведущих фондовых рынках, прежде всего США.
Учитывая вышесказанное, применению нейросетевого анализа нужно уделять особое внимание.
Цель исследования состоит в оценке эффективности применения нейронных сетей при прогнозировании курсов акции компаний.
Для достижения поставленной цели необходимо решение следующих основных задач:
- рассмотреть теоретические основы использования нейронных сетей при прогнозировании курсов акции компаний;
- исследовать практику нейронных сетей при прогнозировании курсов акции компаний
- выявить проблемы и представить перспективы использования нейронных сетей при прогнозировании на российском рынке ценных бумаг.
Объектом исследования является российский рынок ценных бумаг.
Предметом исследования являются метод нейронных сетей при прогнозировании курсов акции компаний.
Теоретической основой являются работы российских исследователей и практиков в области прогнозирования цен рыночных активов, системной торговли, а также создания, оценки и практического применения алгоритмических торговых систем.
В ходе выполнения исследования изучены российские законодательные и нормативные акты, материалы научных конференций, проанализированы статистические, справочные и аналитические материалы отечественных и зарубежных институтов, фондовых бирж и инвестиционных банков.
В качестве методологической основы исследования использовались методы финансового, статистического и корреляционного анализа данных.
Теоретическая значимость работы заключается в развитии аппарата прогнозирования цен рыночных активов и определения рыночной неэффективности.
Практическая значимость состоит в рассмотрении метода прогнозирования цен рыночных активов, позволяющего достигать положительных результатов совершения высокочастотных операций.
В заключение хочется отметить, что использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. С уверенностью можно полагать, что появление столь мощного и эффективного инструмента не перевернет финансовый рынок, и не «отменит» традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети приходят и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы
Результаты применения нейронных сетей для решения задач прогнозирования курсов валют в данной работе показали, что статическая нелинейная система может быть обучена так, чтобы выполнять анализ валютных рынков и прогнозировать курсы валют. В половине из описанных в работе опытов, были получены результаты, на основе которых разработаны прибыльные стратегии торговли. Можно заключить, что работа по созданию собственной автоматизированной системы прогнозирования имеет перспективы и может быть продолжена.
Среди моделей, построенных в данной работе, наилучшие результаты при прогнозировании цены акции компании ExxonMobil показала модель авторегрессии - распределенного лага, средняя абсолютная процентная ошибка которой в 3 раза ниже ошибки остальных моделей.
Для прогнозирования цены акции компании Роснефть наилучшее качество прогноза удалось получить, построив модель на основе искусственных нейронных сетей. При этом, второй по качеству оказалась модель рекуррентных нейронных сетей с долгой краткосрочной памятью, особенностью которой является умение забывать часть бесполезной информации, а также перестраиваться, изменяя веса сети, с течением времени. При этом, рекуррентная нейронная сеть использовала всего лишь один предиктор - значения цены акции за прошлые периоды времени, которого, как оказалось, может хватить для довольно устойчивого прогноза (MAPE = 0,037).
Сегодня многие крупные фирмы и частные лица имеют собственные разработки в области технологий прогнозирования с использованием ИНС, но они не торопятся обнародовать их, предпочитая получать доход от непосредственного использования своих систем.
Однако, нужно учитывать тот факт, что хотя нейросеть и является механизмом, способным решить широкий класс задач, но правила управления этим механизмом пока что находятся на уровне догадок и эвристических соображений. Таким образом, прежде чем описанные в работе методики можно будет использовать для торговли на реальном рынке, необходимо провести дополнительные исследования.
Результаты применения нейронных сетей для решения задач прогнозирования курсов валют в данной работе показали, что статическая нелинейная система может быть обучена так, чтобы выполнять анализ валютных рынков и прогнозировать курсы валют. В половине из описанных в работе опытов, были получены результаты, на основе которых разработаны прибыльные стратегии торговли. Можно заключить, что работа по созданию собственной автоматизированной системы прогнозирования имеет перспективы и может быть продолжена.
Среди моделей, построенных в данной работе, наилучшие результаты при прогнозировании цены акции компании ExxonMobil показала модель авторегрессии - распределенного лага, средняя абсолютная процентная ошибка которой в 3 раза ниже ошибки остальных моделей.
Для прогнозирования цены акции компании Роснефть наилучшее качество прогноза удалось получить, построив модель на основе искусственных нейронных сетей. При этом, второй по качеству оказалась модель рекуррентных нейронных сетей с долгой краткосрочной памятью, особенностью которой является умение забывать часть бесполезной информации, а также перестраиваться, изменяя веса сети, с течением времени. При этом, рекуррентная нейронная сеть использовала всего лишь один предиктор - значения цены акции за прошлые периоды времени, которого, как оказалось, может хватить для довольно устойчивого прогноза (MAPE = 0,037).
Сегодня многие крупные фирмы и частные лица имеют собственные разработки в области технологий прогнозирования с использованием ИНС, но они не торопятся обнародовать их, предпочитая получать доход от непосредственного использования своих систем.
Однако, нужно учитывать тот факт, что хотя нейросеть и является механизмом, способным решить широкий класс задач, но правила управления этим механизмом пока что находятся на уровне догадок и эвристических соображений. Таким образом, прежде чем описанные в работе методики можно будет использовать для торговли на реальном рынке, необходимо провести дополнительные исследования.