Заключение - Использование нейронных сетей для прогнозирования и принятия автоматизированных решений при инвестировании на фондовом рынке

В работе рассматривался один из возможных подходов к решению задачи анализа и прогнозирования фондового рынка - нейросетевой. Было установлено, что искусственные нейронные сети могут эффективно справляться с указанной задачей. Связано это, главным образом, с адаптивность такого рода моделей. Являясь по своей сути функцией нелинейного отображения, нейронные сети обладают еще одним существенным преимуществом перед более строгими традиционными методами технического анализа, с той точки зрения, что могут работать с любой структурой входной информации (с разной степенью эффективностью конечно).

Работа носит практико-эмпирический характер. Но важным этапом данного исследования является его теоретическое обоснование. В ходе работы была качественным образом доказана состоятельность нейросетевого подхода к анализу механизмов ценообразования на рынке ценных бумаг на основе теории нелинейного отображения многомерных данных. Уже в рамках теории функционирования искусственных нейронных сетей, доказана гибкость исследуемого подхода, с той точки зрения, что многослойный перцептрон с любой архитектурой (любое количество слоев) способен решать заявленный класс задач.

В работе рассмотрены и подробно описаны все этапы построения конечной нейросетевой модели: выбор эмпирической базы, определение начального массива данных, выявление релевантной статистически значимой информации на основе метода главных компонент и метода снижения корреляции, описаны и обоснованы принципы выбора основных характеристик сети (активационная функция, алгоритм настройки весов и т. д.).

В результате данного исследования была построена и реализована оптимальная для каждого из инструментов (Сбербанк, ВТБ, Башнефть, Роснефть) искусственная нейронная сеть на основе модели многослойного перцептрона, которая эффективно решает задачу прогнозирования направления динамики изменения цен на данный биржевой актив. Данный результат важен лишь с узкопрактической точки зрения. Более значимыми являются полученные качественные и количественные выводы:

Вывод 1:

Искусственная нейронная сеть многослойный перцептрон с обратным распространением ошибки, в рамках задачи аппроксимации функции финансового временного ряда, показывает более высокое качество предсказания направления динамики изменения биржевой цены актива при обучении сети на исторических данных исключительно исследуемого инструмента, в сравнении с обучением на всем эмпирическом массиве (в рамках конкретного исследования) данных.

Вывод 2:

Многослойный перцептрон, обучающийся на всем объеме эмпирический данных, аппроксимирует функцию финансового временного ряда биржевого инструмента с меньшей амплитудой флуктуаций качества, нежели при обучении на обособленных от рынка собственных данных.

Вывод 3:

Предварительная обработка начальных входных данных позволяет повысить качество адаптивных предсказаний многослойного перцептрона, не влияя тенденциозно на величину "разброса" оценок.

Вывод 4:

Искусственная нейронная сеть многослойный перцептрон способна решать задачу прогнозирования финансовых временных рядов с различным уровнем качества, в зависимости от количества слоев (N) в архитектуре сети. Причем, для исследуемых инструментов, повышение N в промежутке [1; 3] приводит к увеличению качества адаптивных предсказаний (K). Корреляция между N и K, для N > 3, не установлена.

Вывод 4.1:

В рамках данного исследования, N > 2, где N - количество слоев многослойного перцептрона, является необходимым, но не достаточным, условием оптимальности (в том значении, которое определяется в данной работе) прогнозирования финансовых временных рядов.

Вывод 5:

Ни одна из рассматриваемых в данном исследовании функций активаций нейрона не может быть определена как мажоранта. Следовательно, для предотвращения потери качества прогнозирования, необходимо использовать несколько функций активации с последующим выбором "лучшей" для данной конкретной задачи (инструмент, анализируемый на определенном интервале).

Вывод 6:

В рамках данного исследования было установлено, что существует корреляция между размером входных данных для нейронной сети и величиной качества прогнозирования. Причем, для всех финансово-биржевых инструментов наблюдается одинаковая тенденция роста / снижения точности прогноза на всех участках изменения размера "скользящего окна".

Вывод 7:

Искусственная нейронная сеть многослойный перцептрон способна эффективно аппроксимировать функцию финансово-временного ряда при условии, что вектор входных данных в процессе обучения имеет размерность (W) не менее 5. Корреляция между точностью прогноза (K) и длиной "скользящего окна" для W > 5 не установлена. Но в рамках данного исследования было выявлено, что K не является значимо чувствительным к дальнейшему увеличению W.

Таким образом, в результате исследования было установлено, что модель искусственной нейронной сети многослойный перцептрон может успешно использоваться как в качестве самодостаточного инструмента для анализа и прогнозирования динамики цен на финансово-биржевые активы, так и в качестве дополнения к традиционным методам технического анализа. Причем, важным моментом является тот факт, что, не смотря на свою главное сравнительное преимущество - адаптивность, - нейронная сеть показывает большую эффективность при обучении на обособленных от рынка данных (то есть предпочтительнее для каждого инструмента является обучение на собственных котировках). Также было установлено, что чрезмерное усложнения архитектуры сети многослойного перцептрона (как с точки зрения количества слоев и нейронов внутри них, так и с точки зрения размерности вектора входных данных) приводит к снижению качества адаптивных предсказаний. Данные выводы могут быть полезными при дальнейших исследованиях по данной проблематике. Границы научных поисков могут быть расширены за счет увеличения числа анализируемых типов архитектур, увеличения эмпирической базы и более глубокого изучения методов предварительной обработки начальных входных данных.

Похожие статьи




Заключение - Использование нейронных сетей для прогнозирования и принятия автоматизированных решений при инвестировании на фондовом рынке

Предыдущая | Следующая