Теоретическая часть, Актуальность - Использование нейронных сетей для прогнозирования и принятия автоматизированных решений при инвестировании на фондовом рынке

В данной главе приведено теоретическое обоснование исследования: описаны предпосылки для формирования подхода, основанного на нейросетевом моделировании, к анализу механизмов ценообразования на фондовом рынке; доказана теоретическая состоятельность данного направления технического биржевого анализа; качественным образом описан алгоритм построения искусственной нейронной сети прямого распространения с алгоритмом обучения - "алгоритм обратного распространения ошибки".

Актуальность

Фондовый рынок - сложная динамическая система. Объясняется это тем, что механизмы формирования спроса и предложения и, как следствие, биржевой цены на фондовом рынке определяются коллективной психологией участников рынка, которая, в свою очередь, является ярким примером сложной динамической системы. Именно поэтому, задачи анализа и прогнозирования финансовых временных рядов относятся к классу трудноформулизуемых. Подход к решению такого рода задач заключается в поиске закономерностей (которые, к слову, могут сильно различаться для одного и того же набора данных, в зависимости от выбранной модели) на всем наборе релевантных, по мнению исследователя, данных.

На сегодняшний день существует огромное количество моделей, методик и инструментов (как строго математических, так и качественно эвристических) для анализа рынка финансов в целом и отдельных механизмов, функционирующих на нем, в частности. В научной литературе определяют два основных подхода анализа биржевых инструментов - фундаментальный и технический.

Фундаментальный анализ основывается на экономико-факторной оценке финансового актива. Данный подход опирается на предположение, что рынок, как сложная динамическая система, не является эффективным в каждый момент времени. Попытка определить истинную стоимость актива, на основе текущих и приведенных (в соответствии со ставкой дисконтирования) будущих денежных потоков, и "опередить" рынок - основная задача фундаментального аналитика[38]. Главным недостатком такого рода анализа является высокая степень субъективности, а также, зачастую, невозможность определения конкретного момента времени для совершения сделки. Решением последней проблемы могут служить инструменты технического анализа.

Аксиоматика технического анализа основывается на постулате, что цена финансового актива является объективным отражением реального положения дел на рынке. Другими словами, все объективные факторы, характеризующие данный актив, уже заложены в текущую цену. Динамика изменения рыночной стоимости актива, в свою очередь, характеризуется как совокупная оценка участниками рынка текущих событий, а не непосредственная реакция на эти события[38]. Именно поэтому, технический подход к анализу финансовых инструментов включает в себе изучение конъюнктуры курсов и выявление скрытых закономерностей для дальнейшего прогнозирования.

Рост популярности технического анализа за последние десятилетия связан не только с ростом вычислительной мощности компьютеров. Частично это объясняется возможностью учета поведенческой психологии рыночного сообщества. Психологическая обоснованность такого (технического) подхода заключается в выявлении механизмов поведения участников рынка [44, 37]. Такого рода механизмы схожи во многом с поведением толпы [44], то есть, подчиняются законам массовой психологии. Число внутренних степеней свободы, сформированной примитивным инвестиционным поведением участников рынка хаотичной динамической системы, является сравнительно небольшим (отрицательная корреляция с размерами рынка), что, в свою очередь, дает возможность техническому аналитику сосредотачиваться на одном или нескольких конкретных инструментах.

Одним из направлений технического анализа являются нейронные сети. Нейросетевое моделирование может служить как дополнением традиционных методов технического анализа (таких как статистических подход, технический анализ индикаторов), так и выступать в роли отдельного инструмента. Главной особенностью нейронных сетей является адаптивность. Это означает, что сеть может с одинаковым успехом работать с различными инструментами фондового рынка. В то же время, некоторые нейросетевые модели, успешно использующиеся для прогнозирования цен одного биржевого инструмента, в силу своей специфики, могут показывать результаты существенно хуже для другого.

Искусственные нейронные сети, как инструмент для решения задач классификации, кластеризации, анализа и прогнозирования, активно набирают популярность. Это связанно, в первую очередь, с интуитивной обоснованностью данного подхода (так как нейронные сети являются математической интерпретацией работы мозга). Все большее число ученых и исследователей из различных научных областей обращают внимание на нейросетевое моделирование. Финансовый рынок так же является объектом для такого рода анализа. И здесь важно отметить, что, являясь одним из направлений финансового технического анализа, нейронные сети имеют некоторые отличия от традиционных методов.

Во-первых, искусственные нейронные сети не имеют никаких ограничений на характер входных данных. Динамика курсов, индикаторов временного ряда, различные сведения об изменении биржевых инструментов и т. д. - все это может быть представлено в качестве входной информации для нейросети. Данная особенность (безусловное отличие от других технических подходов) привлекает, в первую очередь, институциональных инвесторов, так как для них особенно важна такого рода "свобода" (институциональное инвестирование уделяет особое внимание корреляции между различными рынками).

Во-вторых, нейросетевой моделирование позволяет находить оптимальные решения для каждого конкретного инструмента, что является отличием от основанного на общих рекомендациях технического анализа [36, 20, 23, 24]. Более того, в силу своей адаптивности, нейросетевые стратегии легко подстраиваются по изменения рынка. Такого рода преимущество особенно ощутимо при анализе развивающихся рынков, к коим, безусловно, можно отнести российский рынок ценных бумаг.

В-третьих, искусственные нейронные сети базируются лишь на эмпирических наблюдениях об окружающей действительности, лишь изредка привлекая априорные (например, сеть Хакена [36, 37]). Данная особенность может быть расценена как преимущество, так и недостаток. Обе трактовки являются верными, в том смысле, что, являясь обособленными инструментами, нейросети могут сталкиваться с проблемами (характер и размерность входных данных, структура сети и интерпретация информации на выходе), которые тяжело идентифицировать в процессе работы. Именно поэтому, нейросетевое моделирование необходимо рассматривать в рамках общего технического подхода к анализу. В данной работе на основе аппарата нейронных сетей, как элемента общего технического анализа, будет рассмотрена задача анализа и прогнозирования финансовых временных рядов инструментов фондового рынка.

Похожие статьи




Теоретическая часть, Актуальность - Использование нейронных сетей для прогнозирования и принятия автоматизированных решений при инвестировании на фондовом рынке

Предыдущая | Следующая