Темы диссертаций по экономике » Математические и инструментальные методы экономики

Экономико-математические методы и средства технического анализа при краткосрочном инвестировании в ценные бумаги тема диссертации по экономике, полный текст автореферата

Автореферат

Ученая степень	кандидат экономических наук
Автор	Комлев, Андрей Николаевич
Место защиты	Москва
Год	1999
Шифр ВАК РФ	08.00.13

Диссертация

Автореферат диссертации по теме "Экономико-математические методы и средства технического анализа при краткосрочном инвестировании в ценные бумаги"

РГЙ ОД

3 вг ш

^нистерство общего и профессионального

образования Российской Федерации Государственный Университет Управления Институт Информационных систем управления

Экономико-математические методы и средства технического анализа при краткосрочном инвестировании в ценные бумаги

Специальность 08.00.13 "Экономико-математические методы"

Автореферат диссертации на соискание ученой степени кандидата экономических тук

На правах рукописи

Комлев Андрей Николаевич

Москва Ч 1998

Диссертация выпонена на кафедре экономической кибернетики Государ-гвенного Университета Управления (Институт Информационных систем правления)

аучныи руководитель

фициальные оппоненты

едущая организация

- кандидат экономических наук, доцент Сиротин A.B.

- доктор экономических наук, Блинов O.E.

- кандидат экономических наук, Мишин Ю.В.

- Московский Инвестиционный Банк "Далена"

JttiDjZ 1999 г. в часов

Защита диссертации состоится " I заседании специализированного совета К 053.21.07 в Государственном Уни-:рситете Управления по адресу: 109542, Москва, Рязанский проспект 99, корп. зал заседаний.

С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан "Уб'" 1998 г.

Ученый секретарь специализированного совета, кандидат экономических наук, доцент

Абрамова Л.Д.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. В мировой финансовой системе, в которую ин тегрируется в настоящее время и Россия, очевидные макроэкономические зако номерности уживаются с хаотическими изменениями курсов акций, валют и про центных ставок. Большие колебания цен сулят потенциально высокий доход о операций на фондовом рынке. Поэтому многие финансовые институты проявляю активный интерес к подобного рода деятельности.

Основной проблемой, с которой они при этом стакиваются, является выра ботка такой тактики поведения, которая обеспечивала бы в догосрочной пер спективе доходность выше, чем при "наивном1" инвестировании. Надо заметить что традиционные методы принятия инвестиционных решений в данной ситуаци практически бесполезны, потому что фондовый рынок Ч это во многом рыно: фиктивного капитала и у него больше сходств с букмекерской конторой, чем, на пример, с традиционной банковской деятельностью. В основе биржевой деятель поста лежит больше психологии, нежели фундаментальных экономических зако нов.

Так как в большинстве случаев колебания цен происходят при неизменны: значениях таких важных показателей, как ставка рефинансирования, рост В11ГГ то может показаться, что эти колебания носят случайный, хаотический характер Однако исследования, проводившиеся в последние десятилетия, обнаружили су ществование некоторых закономерностей в динамике котировок акций. Выявля ются эти закономерности с помощью технического анализа, который через крат ковременные колебания котировок изучает психологию биржевой топы. Не яе ляясь в поном смысле наукой, он использует для построения разнообразных эх лирических зависимостей достаточно сложные математические модели, напри мер, нейротехнологии, математическую статистику и теорию вероятностей.

Знание некоторых особенностей кратковременного поведения цен позволя ет на порядок повысить эффективность биржевой игры. Поэтому многие банки : инвестиционные компании финансируют новые изыскания в этой сфере.

На сегодняшний день практически все корпоративные разработки в это

1 "Наивное" (пассивное) шшестировалие олицетворяет стратегию "купил и держи".

2 Валовой национальный продукт.

области представляют собой коммерческую тайну1, а набор средств в интелектуальном анализе данных и сама технология проведения исследований еще не оформились в единый стандарт. Поэтому руководители аналитических отделов фирм не отдают явного предпочтения какой-либо разработке и склонны к созданию внутрифирменных методик.

Изученность проблемы. Использованию технического анализа при краткосрочном инвестировании посвящены работы, в основном, зарубежных специалистов Ч Чарльза Доу, Элиота, Томаса Р. Демарка, А. Эдера, Дж. Мерфи и др. В нашей стране известны практические пособия, издаваемые Институтом Финансов и Права, Тора-Центром и учебным центром НАУФОР. При этом, однако, многие работы по техническому анализу носят исключительно общий (справочный) характер и не сопровождаются комплексными методиками по принятию решений при инвестировании в ценные бумаги (ЦБ). В них также не рассматриваются притоны противоречивости используемых инструментов и методы их устранения, эпущено содержание важных экономико-математических процедур.

Целью диссертационной работы является реализация комплексного подхода Хс процессу принятия решений при покупке/продаже ЦБ на основе технического шализа и экономико-математических методов, позволяющих извлекать прибыль три любых краткосрочных колебаниях курсов акций.

Поставленная цель обусловила необходимость решения следующих задач:

Х обоснование практической значимости технического анализа;

Х разработка процедуры по оптимизации технических индикаторов, а также торговых стратегий, построенных на их основе;

Х определение методов краткосрочного прогнозирования котировок акций на основе технического анализа;

Х создание технологии принятия решений, которая бы устраняла противоречивость сигналов от разных индикаторов;

Х экспериментальная проверка предложенной методики и выработка практических рекомендаций по использованию ее отдельных элементов.

Предмет и объект исследования. Предметом исследования выступает сис-ема индикаторов и экономико-математических методов, используемых при при-

Одной из особенностей технического анализа является конфиденциальность знания. В игре с нулевой суммой, на которую и похож фондовый рынок, контрагенты по сдеке не могут выиграть одновременно.

нятии инвестиционных решений на рынке ЦБ. В качестве объекта исследования выступает процесс принятия решений на фондовом рынке.

Метод исследования. Теоретической и методологической основой диссер тациониой работы послужили работы зарубежных специалистов в области техни ческого анализа, а также исследования отечественных и зарубежных ученых m применению нейросетей в области финансов. В качестве конкретных методов пр; разработке обозначенного в работе комплексного подхода использовались мате магическая статистика, исследование операций и нейросетевые технологии.

Научная новизна проведенного исследования состоит в реализации ком плексного подхода к решению актуальных теоретико-методологических npo6neiv связанных с принятием инвестиционных решений на рынке ценных бумаг.

Получены следующие научные результаты, выносимые на защиту:

Х обоснована необходимость использования технического анализа пр принятии решений о покупке/продаже акций;

Х определена процедура оптимизации индикаторов разных видов и пострс енных на их основе торговых стратегий;

Х введен новый инструмент для определения значимости выдаваемых ш дикатором сигналов Ч весовая функция;

Х описаны способы краткосрочного прогнозирования котировок акций приведены методы принятия решений, устраняющие противоречивое! сигналов, выдаваемых различными индикаторами.

Практическая значимость работы. Результаты работы могут быть использ< ваны в повседневной деятельности финансовой компанией при управлении пор1 фелем ЦБ или при совершении спекулятивных сделок. Предложенная метод и j принятия краткосрочных инвестиционных решений позволяет реально повысит эффективность биржевой игры.

Апробация работы. Описанная в работе технология прошла проверку i практике в деятельности профессионального участника фондового рынка Ч 00 Инвестиционно-аналитический Центр "Аналайз".

Объем и структура работы. Диссертация состоит из введения, трех глав, з ключения, библиографического списка, содержит 111 страниц машинописно! текста, содержит 44 рисунка и 37 таблиц. Список литературы включает 56 наим нований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы, определены цель, задачи, >бъект и предмет исследования, содержатся сведения о научной новизне и прак-ической значимости диссертационной работы.

В первой главе "Основные положения технического анализа" даются де-альное описание и анализ области исследования. В ней излагаются фундамен-альные и философские основы технического анализа, представлены базовые ин-трументы (индикаторы1), анализируются особенности их использования. Также дедяется внимание особенностям управления портфелем ценных бумаг на осно-е технического анализа.

На современных финансовых рынках ценовая динамика какого-либо актива например, курса акций) большую часть времени зависит во многом от психоло-ии участников торгов, а не от фундаментальных факторов. В связи с этим сейчас о всем мире уделяется особое внимание разработке технологий, позволяющих нализировать настроения и ожидания основной массы инвесторов с тем, чтобы олучить прибыль от игры на опережение. Двумя главными задачами при этом вляются краткосрочное прогнозирование стоимости выбранного актива и опре-елеиие наилучших моментов времени для совершения сделок. В работе демодотируются средства технического анализа, позволяющие осуществить подобные ешения.

В техническом анализе оценка настроений участников рынка осуществляет-н с помощью индикаторов, анализируя которые можно сделать выводы о направ-ении развития рынка. Использование индикаторов позволяет сделать процесс ринятия решения о покупке/продаже более объективным и глубже оценивать со-гношение сил между игроками, играющими на повышение или понижение.

В зависимости от назначения, все индикаторы можно условно разделить на он группы: индикаторы тенденций, сигнальщики (осциляторы) и психологиче-ше индикаторы. Индикаторы тенденций помогают обнаружить доминирующие эенды. Они позволяют торговать с учетом господствующей ценовой тенденции, ольше сохранять прибыльные позиции и вовремя закрывать убыточные. Осцил-иторы помогают выявить ослабление рыночной тенденции, предвосхищая тем

Эмпирические формулы, выдающие сигналы на покупку/продажу или указывающие на существование товышательных/понижательных тенденций.

самым поворотные моменты. Использование осциляторов позволяет получат прибыль даже при отсутствии явных тенденций, когда наиболее сложной иробл( мой становится распознавание начала и конца коротких движений вверх или вни Наконец, психологические индикаторы (индикаторы "ширины" рынка) помогал составить мнение об общем уровне медвежьего или бычьего настроя биржевс топы на основе анализа поведения взаимосвязанных групп активов (акций, в; лют, фьючерсов, драгметалов и пр.).

В работе анализируется специфика каждой из разновидностей индикаторе условия их применения и правила интерпретации выдаваемых ими результате На конкретных примерах обозначены методы отображения возможных зависим! стей в формульном виде или в блоке решающих правил.

При формировании оптимальной тактики поведения на фондовом рыш инвестор дожен получить ответ на следующие вопросы: какова господствующ; ценовая тенденция, когда она может закончиться, каковы поведение и ожидаш основной массы игроков и как определить наилучший момент для вхождения рынок. Ни один из индикаторов не может сразу разрешить всех вопросов. В< первых, потому, что все индикаторы имеют узкую специализацию, во-вторых, I эффективность переменна и зависит от значений внутренних параметров и фаз развития рынка. Увеличение количества индикаторов в арсенале аналитика пр: водит к появлению еще одной проблемы Ч противоречивости и несогласован сти сигналов, выдаваемых разными типами индикаторов,

В данной главе критически проанализированы особенности индивидуальн го и совместного использования технических индикаторов при прогнозирован! и выдаче сигналов на покупку/продажу, обозначены сопутствующие проблемы указываются пути их возможного решения в рамках комплексного подхода.

Во второй главе "Системный подход к процессу принятия решений о п купке/продаже ценных бумаг на основе технического анализа" обосновываетл обобщенный агоритм подготовки и принятия инвестиционных решений (рис. 1 рассматриваются базовые процедуры и экономико-математические модели, ан лизируются основные проблемы предложенных методов.

Рис. 1 Агоритм процедуры принятия инвестиционных решений.

Комплексный подход к процессу принятия инвестиционных решений подразумевает поэтапное решение взаимосвязанных проблем. Перечислим их и соответствующие пути решения:

1 Подготовка исходных данных. На данном этапе фильтруются котировки с целью исключения непредставительных данных. При этом исключаются или сглаживаются значения котировок, которые значительно отличаются от соседних, Ч так называемые выбро-

сы. На этом этапе также определяется величина расчетного периода для настройки индикаторов и тем самым исключаются заведомо устаревшие данные;

2 Индивидуальная настройка индикаторов

Каждый из индикаторов работает с определенным процентом неудачных прогнозов. Перемежая эффективность определяется зависимостью от значений внутренних параметров и фазы развития рынка. Оптимизация внутренних параметров индикатора позволяет добиться увеличения количества удачных сигналов;

3 Создание весовой функции (функции значимости)

Путем анализа ситуаций, в которых созданный индикатор работает с разной степенью эффективности, создается весовая функция. Назначение последней Ч количественная оценка силы сигнала, исходящего от индикатора, от 0 до 1;

4 Создание и тестирование торговых стратегий.

На практике индикаторы редко используются в чистом виде, поскольку допонительно требуется учитывать ряд условий, влияющих на эффективность биржевой игры. К ним относятся такие экономические параметры, как величина комиссионного вознаграждения, затраты на перерегистрацию, уровень денежного обеспечения открытой позиции и соответствующий ей уровень кредитной ставки, а также некоторые правила контроля над капиталом (например, величина максимально допустимого убытка от разовой операции (stop-loss) и норма прибыли, приводящая к автоматическому закрытию позиции (stop-profit)). В связи с этим эффективность индикатора оценивается внутри некой оболочки Ч торговой стратегии, позволяющей максимально точно определять действенность выбранной тактики игры на исторических данных;

5 Краткосрочное прогнозирование (на 1-2 дня) курса акций.

Среди экономических явлений прогнозирование курсов акций дается труднее всего. Поэтому необходимо ставить перед собой реальные задачи Ч например, прогнозирование курса акций на один день вперед. Для этих целей рекомендуется использовать регрессионные модели и нейросети. Точность прогноза при таком подходе не критична. Для сиюминутных решений сегодня достаточно знать общую направленность движения цен на ближайшее будущее;

6 Выявление взвешенного сигнала.

При совместном употреблении индикаторов неизбежно встает проблема уст-

ранения противоречивости сигналов, поступающих от разных индикаторов. Так как для определения конечного результата необходимо учитывать огромное количество условий, то решение этой задачи лучше всего поручить нейронной сети соответствующей топологии.

Исследователь при создании индикатора может заложить в него практически любые предполагаемые зависимости в движения цен. Все, что при визуальном наблюдении цепового графика привлекает внимание аналитика, можно проверить на повторяемость. После того, как формализованная зависимость обретает вид конкретной формулы, необходимо подобрать оптимальные параметры индикатора, при которых достигается максимальная прибыль от операций, спровоцированных соответствующими сигналами индикатора. Оптимизация производится методом грубой силы, т.е. простым перебором допустимых значений. Это самый точный и надежный способ, хотя и самый медленный. Предлагается оптимизировать следующие величины, влияющие на эффективность индикатора:

Х величину выборки для расчета основного значения индикатора;

Х параметры сглаживания (тип усреднения, длина периода);

Х различные варианты смещений для кривых, составляющих индикатор;

Х уровни пограничных линий (зон перекупленности/перепроданности);

Х набор решающих правил (в том случае, если представление индикатора не ограничивается формульным видом).

Оценка эффективности индикатора производится сразу по нескольким критериям:

Х доходность (прибыль в процентах за рассматриваемый период);

Х стабильность выдаваемых положительных сигналов (оценивается в целом по соотношению удачных и неудачных сделок, отношению средней прибыли от удачных сделок к среднему убытку от неудачных сделок);

Х риск разовой потери значительной денежной суммы (мерой риска считается величина самой крупной убыточной сдеки).

Поскольку при глобальных росте и падении существует своя специфика поведения цен, то в своеобразный паспорт индикатора следует заносить, как минимум, три набора оптимальных значений параметров (для повышательного, понижательного и горизонтального (неопределенного) трендов). Для подавляющего большинства индикаторов глобальным трендом будет период уже в 5-6 месяцев,

так как величина их собственной расчетной выборки много меньше.

Оптимизация различных индикаторов показывает, что их эффективность может отличаться на несколько порядков в зависимости от исходных значений внутренних параметров.

Значимость сигналов индикаторов в разных фазах развития рынка может заметно меняться. Например, осциляторы лучше всего работают в бестрендовый период в границах условного горизонтального коридора. При появлении выраженного тренда сила их сигналов, сонаправленных с господствующей рыночной тенденцией увеличивается, а сила сигналов, направленных против Ч уменьшается, иногда до поного игнорирования, т.е. до нуля.

При формальном анализе удачные и ложные сигналы ничем не отличаются друг от друга, что, например, затрудняет использование некоторых индикаторов в блоке решающих правил тестируемых торговых стратегий или в рамках экспертных систем. Следовательно, возникает необходимость создания для каждого индикатора с переменной значимостью сигналов весовой функции, которая бы количественно оценивала значимость (силу) очередного сигнала по числовой шкапе от 0 до 1.

Создание (формулирование) весовой функции связано с анализом ситуаций в которых исследуемый индикатор работает с разной степенью эффективности. Е силу того, что многие индикаторы качественно отличаются друг от друга, то не может быть и стандартной процедуры по созданию весовой функции. В работе не примере стохастического осцилятора' рассмотрен один из возможных подходо! к построению такой функции.

Визуальные наблюдения показывают (рис. 2), что на значимость сигналов поступающих от стохасшк-осцилятора оказывают влияние следующие факторы: Х удаленность от среднего уровня значений (50) в сторону областей пере

1 Стохастический осцилятор фиксирует расположение последней цены закрытия относительно диапазон цен за определенный период времени. При его построении используется следующая закономерность: пр> повышательной тенденции цена закрытия стремится к верхней границе ценового диапазона (максимально) цене дня), и, наоборот, при нисходящей тенденции цена закрытия стремится к нижней границе диапазона (: минимальной цене дня). Стохастический осцилятор состоит из двух линий: быстрой, обозначаемой %К,) медленной, обозначаемой Их пересечение формирует определенный сигнал для инвестора. Значски д;и построения кривой %К вычисляются по формуле: %К - (С - Ьп)/(11п - 1*п)х100, где С Ч цена закрытие и Ч наименьшая из минимальных цен за последние п периодов, Нп Ч наибольшая из максимальных це; за последние п периодов. Кривая %0 является экспоненциально сглаженной скользящей средней для %К,

проданности/перекупленности;

Х наличие тренда большего масштаба, нежели колебания внутри горизонтального ценового диапазона;

Х направление стохастических линий и их сонаправленность. Считается, что если обе стохастические линии движутся в одном направлении, то они подтверждают кратковременную тенденцию. Таким образом, смена направления движения этих линий вкупе с нарушением сонаправленности предвещает смену краткосрочного тренда;

Х ширина гребня (донышка) значения осцилятора. Проверяется утверждение о том, что чем больше времени индикатор провел в пограничной зоне или просто перед разворотом, тем сильнее последующий сигнал.

Рис. 2 Действие стохастического осцилятора.

Весовая функция стохастик-осцилятора реализуется в виде регрессионной модели. Первый параметр Х1 -Ч удаленность от среднего уровня Чпредставляется модулем разности /%К - 50 /. Появление тренда большего масштаба, чем существующие колебания, выявляется с помощью косинуса угла наклона линии регрессии, рассчитанной по котировкам за т периодов (параметр Хз). Третий параметр Ч направленность стохастических линий Ч определяется с помощью косинуса угла наклона линии АКТ), чьи значения рассчитываются как среднее арифметическое от %К и %В. Делается попытка учесть сонаправленность линий %К и

%В через представление значений стохастик-осцилятора в виде гистограммы. В

этом случае значение индикатора находится как разность между %К и %Г> (Л'; ). Последняя включается в регрессионную модель вместе сХз или вместо него, в зависимости от результатов, получаемых при расчете параметров регрессии. Вы-

числение четвертого параметра Х4 Ч ширины гребня (донышка) Ч осуществляется через количество дней, прошедших с момента последнего пересечения кривых %К и %В. Когда быстрая линия %К пересекает медленную %D снизу, начинается отсчет ширины гребня, когда сверху Ч ширины донышка.

В используемой регрессионной модели в качестве зависимой переменной F выбирается сила сигналов исследуемого индикатора. Она рассчитывается в два этана. Сначала по пятибальной шкале оценивается влияние на значимость очередного сигнала независимых переменных Xj - Х4. Для снижения субъективности в оценке каждого факторов используется стандартная процедура ранжирования. Затем рассчитывается значение Y как среднее арифметическое от всех четырех оценок.

После получения регрессионной модели вида Y-an+UiX +(2X2+03X3+04X4 производится преобразование Y в Ус тем, чтобы интерпретация значимости сигнала была более очевидной, т.е. значения весовой функции Г' дожны находиться в диапазоне от 0 до 1. Подобное преобразование реализуется через нормирование.

Y - V ао+Ша^хгУтт

Y _ тш __(=|__

Fmax F min Fmax Y min

Up У min

Y max Y ml

) 4 f a "l 4

Y max Fmi

max x тш/

На практике опытным путем подбирается пороговое значение весовой функции, которое "сортирует" все поступающие от индикатора сигналы на значимые и незначимые. Введение весовой функции существенно упрощает индивидуальное и совместное использование различных индикаторов.

Для приближения теоретических расчетов в определении результативности биржевой игры к реалиям деловой жизни в работе предлагается использовать особый объект для изучения и тестирования Ч торговую стратегию. Последняя позволяет задавать ряд условий и ограничений, влияющих на конечную эффективность выбранной тактики заключения сделок.

Каждая стратегия состоит из трех основных частей:

Х блок решающих правил, определяющих момент для покупки/продажи. Обычно для этой цели используются один или несколько индикаторов;

Х блок, содержащего основные параметры, влияющие на доходность совершае-

мых операций (ставка комиссионного вознаграждения, уровень денежного обеспечения открытой позиции, величина кредитной ставки, стоимость перерегистрации прав собственности, возможность совершения коротких продаж и пр.);

Х блок, содержащего некоторые правила контроля над капиталом, которые позволяют улучшить результативность игры, независимо от используемых индикаторов. Данные правила действуют только при закрытии существующих позиций и представляют собой некий аналог стоп-заявок (stop-loss, stop-profit, trailing, inactivity и др.).

Использование торговых стратегий позволяет реализовать так называемый механический подход к принятию инвестиционных решений. К достоинствам последнего можно отнести то, что решения о покупке/продаже ценных бумаг принимаются автоматически, на них не влияют эмоции и предубеждения. Большинство трейдеров и инвесторов теряют прибыль именно из-за отсутствия дисциплины. Система же вносит порядок в их операции. Хорошо настроенная торговая стратегия позволяет инвестору накапливать прибыль при наличии выявленных трендов и автоматически ограничивает убытки при ложных всплесках цен.

Оптимизация торговой стратегии обычно происходит по тому же сценарию, что и оптимизация входящих в нее индикаторов. В работе приводятся шаблоны для комплексной оценки качества тестируемой торговой стратегии.

Для прогнозирования курса акций в работе предлагается совместное использование технического анализа и обобщенных индикаторов рынка, т.е. в качестве факторов регрессионной модели подставить технические индексы и некоторые макроэкономические показатели (доходность по ГКО, стоимость межбанковского кредита, значения фондовых индексов, ставка рефинансирования и др.).

Сам процесс прогнозирования осуществляется с помощью традиционных регрессионных моделей и разбивается на два этапа. Сначала находится значение сводного индекса РТС1, характеризующего рынок акций в целом, а затем курсы отдельных акций. Все используемые на 1-м этапе индикаторы рассчитываются по значению индекса РТС, а на 2-м Ч по котировкам акций выбранного эмитента. Настройка модели производится по стандартной процедуре: сначала отбор значи-

россииская торговая система Ч сынке.

крупнейшаа внебиржевая торговая площадка на российском фондовом

мых факторов но критерию Стьюдента, затем проверка модели в делом по критерию Фишера. Простота предлагаемой модели не уменьшает ее практической ценности для краткосрочного прогнозирования.

I этап Ч прогнозирование индекса РТС

RTS, = а+a, *RTS,-!+ taM* Wt4.i* +1в/+п+1 *FД.i

Ы1 i-i /:=!

RTSt ~ прогнозное значение индекса РТС

Wц' значение бесовой функции -го индикатора на момент времени t-1

J. t l - значение i - го индикатора на момент времени t -1

р j - значение j-го фондового индекса ка момент времени i-1

pk t i - значение h-го допонительного пара.нетра на момент времени t -1

II этап Ч прогнозирование курса акций какого-либо эмитента

где Q^ - прогноз курса акций какого - либо эмитента

В процессе принятия инвестиционных решений приходится обрабатывать и анализировать большой объем деловой информации, содержащей порой противоречивые данные. В таких условиях человеку (ПР1) принять быстрое и неочевидное решение могут помочь нейросети2, представляющие отдаленный аналог человеческого мозга. Несмотря на поверхностное сходство, искусственные нейронные сети обладают рядом полезных свойств, присущих живому организму. Например, они способны обучаться на некотором множестве примеров, обобщая предыдущие прецеденты на новые случаи и извлекать существенные свойства из поступающей информации. Нейросети стабильно распознают (прогнозируют) новые ситуации с высокой степенью точности даже при использовании зашумленных, противоречивых или непоных данных. При использовании нейросетей удается сочетать агоритмическую последовательность, машинную мощь и способность

1 ПР Ч лицо принимающее решение.

2 Нейронная сеть Ч это система элементов (уравнений), обладающая свойствами нелинейности (целое суммы частей), нелокальноеЩ (дальнодействия), нестационарности (обучаемости), невыпуклости и обратной связи (исключение бесконечного регресса)

выявлять неочевидные закономерности в обрабатываемых данных.

Составной частью любой нейросети является нейрон.

Синапсы

XV;Выход

В сети нейроны соединяются между собой с помощью синапсов (входные связи) и аксонов (выход нейрона). Синапсы осуществляют связь между нейронами, умножая входной сигнал на число, характеризующее силу связи, Ч вес синапса и>. Внутри нейрона сигналы, поступающие по синаптическим связям от других нейронов, складываются и преобразо-

вываются в выходное значение в соответствии с активационной (передаточной) функцией. Таким образом, нейросеть определенной архитектуры поностью характеризуется матрицей синаптических связей IV.

Постройка весов с тем, чтобы нейросеть осуществляла заданное преобразование входной информации (в нашем случае Ч прогнозирование) называется обучением сети. Обобщенный агоритм обучения включает в себя следующие шаги:

1. На вход нейросети подается вектор значений эталонной выборки;

2. Вычисляется выходной сигнал сети (обозначим У);

3. Находится разность (ошибка) между выходом сетн К и требуемым (эталонным значением), обозначаемым У';

4. Производится коррекция синаптических весов с цедыо минимизации функции потерь (уменьшения ошибки У- У')

5. Повтор этапов с 1 по 4 для каждого вектора эталонной выборки до тех

Т4>и Х Ж

V = ж, ХХХ м?ь

пор, пока ошибка не достигнет приемлемого уровня.

Рис. 3 Трехслойная нейросеть Ворда

В работе при прогнозировании курса акций используется трехслойная нейросеть Ворда (рис. 3), которая является одной из лучших среди сетей с обратным распространением ошибки. Она хорошо описывает мекие детали и обладает способностью к обобщению при работе с зашумленными данными.

Количество слоев в выбранной нейросети Ч три: входной, скрытый и выходной. Скрытый блок составлен их трех блоков. В каждом из скрытых блоков используются различные передаточные функции. Это позволяет выделять различные признаки в примерах, обрабатываемых сетью.

При прогнозировании курса акций с помощью нейросети в качестве входных переменных используются те же факторы, что и в регрессионной модели. На выходе получается значение курса акций на следующий день.

При совместном использовании нескольких индикаторов неизбежно встает проблема устранения противоречивости сигналов, поступающих от разных инструментов технического анализа. В рамках диссертационной работы для решения подобной проблемы применяется нейросеть той же архитектурой, что и при прогнозировании курса акций (рис. 4).

На вход нейросети подаются значения индикаторов (рассчитанные по оптимизированным параметрам), информация об эффективности индикаторов (соответствующие им весовые функции), а также текущая рыночная информация в виде различных параметров (макропоказатели и динамика цен на альтернативные объекты инвестирования Ч облигации, валюты, драгметалы и пр.).

Значение индикатора 1

Весовая функция индикатора 1

Весовая функция индикатора 2

Значение ипдикатора 2

Нейронная сеть

Взвешенный сигнал на покупку или продажу

Информация о рынке_^

Рис. 4 Обобщенная схема нейросети для выявления взвешенного сигнала.

В качестве выхода нейросети используется единственный параметр Ч взвешенный сигнал на покупку или продажу. Его эталонные значения директивно задаются исследователем в виде 1 и 0, несущих в себе следующий смысл: при переходе от 0 к 1 возникает взвешенный сигнал на покупку и, наоборот, при переходе от 1 к 0 возникает сигнал на продажу. В последовательности 1 и 0 важными считаются именно переходы от одной цифры к другой, а не продожительность следующих друг за другом одинаковых цифр.

После обучения нсйросеть предстает как обобщенный супериндикатор, построенный на основе традиционных инструментов технического анализа. Выдаваемый сигнал отражает совместное влияние различных индикаторов и некоторых макропоказателей, характеризующих рынок в целом. Поэтому его по праву можно назвать взвешенным (кумулятивным).

Использование в работе нейросетевых технологий (в частности при прогнозировании временных рядов и получении взвешенных оценок) позволяет достичь значительно более хороших результатов, чем при использовании традиционных статистических методов (например, регрессионного анализа), поскольку последние довольно прямолинейны и инерционны. Нейронные же сети по своей основе нелинейны, не требуют строгого определения функциональных зависимостей между анализируемыми величинами и потому обещают большие преимущества перед традиционными методами в решении трудно формализуемых задач в финансовой области.

В третьей главе "Практические вопросы, связанные с реализацией комплексного подхода к принятию инвестиционных решений на рынке ЦБ" рассмотрены вопросы практического использования предлагаемой методики, информационное и программное обеспечение; реализованы агоритмы по подбору опти-

мальных параметров индикаторов; на примере стохастического осцилятора продемонстрирован процесс создания весовой функции (функции значимости); излагаются методические основы тестирования и оптимизации торговых стратегий, построенных на базе нескольких индикаторов; приводится реализация методов краткосрочного прогнозирования курсов акций с помощью регрессионных моделей и нейросетей, а также результат согласования сигналов различных индикаторов при использовании нейросети с обратным распространением ошибки.

В качестве исходных данных для расчета значений индикаторов и демонстрации методов технического анализа используются котировки акций Мосэнерго и сводного индекса РТС за период с 05.05.97г. по 27.10.97г. Для обработки исходных данных, проведения исследований и анализа полученных результатов использовалось следующее программное обеспечение: программа технического анализа Metastock 6.5, программа управления данными DownLoader 6.5, нейросе-тевая оболочка NeuroShell2 3.0, статистический пакет Statistica 5.0, электронные таблицы Excel 7.0.

Результаты испытаний и проведенных контрольных расчетов были оформлены в виде 21 таблицы и 34 рисунков. Полученные количественные показатели подтвердили ценность ранее выдвинутых теоретических положений и предложенных экономико-математических моделей.

В заключении содержатся выводы по результатам диссертационного исследования, обозначены область применения предложенной технологии принятия инвестиционных решений и пути дальнейшего развития темы.

На современных финансовых рынках проблема построения эффективной тактики биржевой игры, основанной на изучении психологии (настроений и ожиданий) основной массы инвесторов, необычайна актуальна. В рамках данной диссертационной работы предпринята попытка создания комплексного подхода к принятию краткосрочных инвестиционных решений на основе технического анализа и экономико-математических методов. В соответствии с заявленными в работе целями получены следующие результаты:

Х обоснована практическая значимость методов технического анализа;

Х описана процедура создания и оптимизации технических индикаторов, а также торговых стратегий, построенных на их основе. Приведены шаблоны для оценки индикаторов и торговых стратегий;

Х создан новый инструмент для определения значимости выдаваемых индикатором сигналов Ч весовая функция;

Х приведены методы краткосрочного прогнозирования курса акций с помощью регрессионных моделей и нейросетей;

Х описана и реализована процедура по устранению противоречивости сигналов индикаторов разных групп с помощью нейронных сетей. Использование ней-росетевых технологий позволило получить взвешенный сигнал на покупку (продажу) акций при использовании в рамках торговой стратегии сразу нескольких индикаторов.

Экспериментальные расчеты показали пригодность предлагаемых моделей и экономико-математических методов к практическому применению. Наибольший экономический эффект достигается при использовании предложенных методов в рамках системного подхода.

По теме диссертации опубликованы следующие работы:

1. Технический анализ как инструмент принятия краткосрочных инвестиционных решений. Фундаментальные и философские основы технического анализа. Ч В сборнике научных работ "Экономика. Политика. Культура " (выпуск третий), Ч М.: Издательский центр научных и учебных программ, 1998.

2. Использование нейросетевых технологий в финансовой сфере. Ч В сборнике научных работ "Экономика. Политика. Культура " (выпуск третий), Ч М.: Издательский центр научных и учебных программ, 1998.

3. Практические рекомендации по использованию традиционных индикаторов технического анализа. Ч Рынок ценных бумаг, 1998, № 03-2Ц.

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Комлев, Андрей Николаевич

Введение.

Глава 1 Основные положения технического анализа.

1.1 Фундаментальные и философские основы технического анализа.

1.2 Формальное отражение качественных процессов в индикаторах технического анализа. Основные виды индикаторов.

1.2.1 Индикаторы тенденций.

1.2.1.1 Анализ ценовых моделей.

1.2.1.2 Объем как подтверждающий индикатор в анализе ценовых моделей.

1.2.2 Индикаторы-сигнальщики (осциляторы).

1.2.3 Психологические индикаторы.

1.3 Проблемы, связанные с использованием различных индикаторов.

1.4 Особенности управления портфелем ценных бумаг на основе технического анализа.

Глава 2 Системный подход к процессу принятия решений о покупке/продаже ценных бумаг на основе технического анализа.

2.1 Индивидуальная настройка индикаторов.

2.1.1 Нахождение оптимальных параметров индикаторов.

2.1.2 Создание весовых функций.

2.2 Построение на основе индикаторов торговых стратегий.

2.3 Классический подход к прогнозированию курса акций с помощью регрессионных моделей.

2.4 Использование нейронных сетей при прогнозировании и согласовании сигналов на покупку/продажу от разных индикаторов.

Глава 3 Практические вопросы, связанные с реализацией комплексного подхода к принятию инвестиционных решений на рынке ЦБ.

3.1 Исходные условия, информационное и программное обеспечение.

3.2 Пример реализации системного подхода к принятию инвестиционных решений.

3.2.1 Подбор оптимальных параметров индикаторов.

3.2.2 Создание весовых функций.

3.2.3 Тестирование торговых стратегий.

3.2.4 Прогнозирование курса акций с помощью регрессионной модели и нейронной сети

3.2.5 Результат согласования сигналов различных индикаторов с помощью нейросети

Диссертация: введение по экономике, на тему "Экономико-математические методы и средства технического анализа при краткосрочном инвестировании в ценные бумаги"

Актуальность темы исследования. В мировой финансовой системе, в которую интегрируется в настоящее время и Россия, очевидные макроэкономические закономерности порой уживаются с хаотическими изменениями курсов акций, валют и процентных ставок. Большие колебания цен на акции и другие активы сулят потенциально высокий доход от операций на фондовом рынке. Поэтому многие финансовые институты, в частности, банки и инвестиционные компании проявляют активный интерес к подобного рода деятельности.

Основной проблемой, с которой они при этом стакиваются, является выработка такой тактики поведения, которая обеспечивала бы в догосрочной перспективе доходность выше, чем в среднем по рынку, то есть выше, чем при "наивном1" инвестировании. Надо заметить, что традиционные методы принятия инвестиционных решений в данной ситуации практически бесполезны. То есть, приобретение акций предприятия, стабильно работающего на рынке и имеющего хорошие финансово-экономические показатели, в какой-то момент времени может быть малоприбыльным или даже убыточным для потенциального инвестора. Обусловлено это прежде всего тем, что фондовый рынок Ч это во многом рынок фиктивного капитала и сходств у него с букмекерской конторой, пожалуй, больше, чем, например, с традиционной банковской деятельностью. В основе биржевой игры лежит больше психологии, нежели фундаментальных экономических законов. Это связано с тем, что в ценные бумаги (ЦБ) инвестируются далеко не последние деньги, и подобное инвестирование изначально называют игрой Ч биржевой игрой. По некоторым видам активов, например, по фьючерсам, суммарный итог по сдекам 2-х контрагентов нулевой, то есть победивший получает столько, сколько потерял проигравший (за вычетом комиссионных). Происходит своеобразное перераспределение средств. Так как профессиональный уровень общей массы игроков примерно одинаков, то вопреки обывательскому мнению, прибыль от спекулятивных сделок дается с большим трудом.

Каждый из игроков отдает приказы на покупку и продажу, опираясь на ин

1 "Наивное" (пассивное) инвестирование олицетворяет стратегию "купил и держи" при равномерном распределении денежных средств между какими-либо активами. туицию, знание экономических и политических тенденций или просто в надежде на удачу. Потоки заявок на покупку и продажу образуют совокупные спрос и предложение. В свою очередь, точка пересечения кривых спроса и предложения определяет цену, по которой совершаются сдеки. Так как в большинстве случаев колебания цен происходят при неизменных значениях таких важных показателей, как ставка рефинансирования, рост ВНП и пр., то может показаться, что эти колебания носят случайный, хаотический характер. Однако исследования, проводившиеся в последние десятилетия, обнаружили существование некоторых закономерностей в динамике котировок акций. Выявляются эти закономерности с помощью технического анализа.

Технический анализ через кратковременные колебания котировок изучает психологию биржевой топы. Не являясь в поном смысле наукой, он использует для построения разнообразных эмпирических зависимостей достаточно сложные математические модели, например, теорию игр, нейротехнологии, математическую статистику и теорию вероятностей. Знание некоторых особенностей кратковременного поведения цен позволяет на порядок повысить эффективность биржевой игры. Поэтому многие банки и инвестиционные компании финансируют новые изыскания в этой сфере. К этому их подстегивает обостряющаяся конкурентная борьба. Ведь на фондовом рынке победитель выигрывает именно за счет проигравшего, что не всегда характерно для рынка реальных товаров.

Технический анализ рынка акций предъявляет высокие требования к точности выдаваемых прогнозов или времени для вхождения в рынок, а все существующие эффективные корпоративные разработки в этой области представляют собой коммерческую тайну1. К тому же набор средств в интелектуальном анализе данных и сама технология проведения исследований еще не оформились в некий окончательно определенный "золотой" стандарт. Поэтому и руководители аналитических отделов фирм не отдают явного предпочтения какой-либо разработке и склонны к созданию внутрифирменных методик.

1 Одной из особенностей технического анализа является конфиденциальность знания. В игре с нулевой суммой, на которую и похож фондовый рынок, контрагенты по сдеке не могут выиграть одновременно. Также не может одновременно "доить" одну рыночную тенденцию большая группа игроков.

В силу вышесказанного становится очевидной актуальность выбранной темы диссертационной работы. Специфические условия требуют комплексной разработки специальных методов принятия решений и прогнозирования, которых могла бы придерживаться фирма, выходящая на фондовый рынок.

Изученность проблемы. Использованию технического анализа при краткосрочном инвестировании посвящены работы, в основном, зарубежных специалистов. Например, основные положения технического анализа рассмотрены в работах Чарльза Доу, Роберта Риа, Элиота, Эндрюса, Ганна, Томаса Р. Демарка, Эдвардса и Мейджи. Книги этих авторов стали классикой, правда, многие средства, о которых в них упоминается, например, фигуры (флажки, вымпелы и пр.) в настоящее время практически не используются.

С внедрением компьютеров в повседневную деловую жизнь на первое место в техническом анализе выходят различные индикаторы Ч эмпирические1 формулы, Ч выдающие сигналы на покупку/продажу или указывающие на существование повышательных/понижательных тенденций. Основные виды индикаторов и особенности их применения рассматриваются в работах Дж. Мерфи, А. Эдера, Дж. Уайдера, Т. Демарка и др.

Примерно с середины 80-х годов в финансовой сфере стали активно применяться нейронные технологии. Книги Бауэра, Уоссермена, Лоуренса и Ро-зенблатта содержат основные положения и модели, необходимые для реализации нейросетей, способных учитывать множество факторов экономической жизни и помогать управляющему портфелем ЦБ принимать правильные решения. В нашей стране нейротехнологии использовались, главным образом, в военной сфере при распознавании образов. Поэтому книги отечественных авторов (Мкртчян С.О., Позин Н.В. и др.) на эту тему носят узконаправленный характер. Тем не менее, в них можно почерпнуть массу полезных замечаний по созданию и обучению нейросетей.

Наряду с вышеперечисленными работами по техническому анализу известны некоторые практические пособия, издаваемые Институтом Финансов и Права,

1 Справка: эмпирические формулы не выводятся математически и не имеют особого смысла в научном понимании. Они только "подгоняют" теоретические значения к эмпирическим, полученным опытным путем. Форму такой зависимости подбирает исследователь. Он же определяет конкретные значения параметров эмпирической формулы.

Тора-центром и учебным центром НАУФОР1. Следует, однако, заметить, что многие работы по техническому анализу носят исключительно общий (справочный) характер и не сопровождаются комплексными методиками по технологии принятия решений при инвестировании в ЦБ. В них также не рассматриваются причины противоречивости различных индикаторов и методы их устранения, опущено содержание важных экономико-математических процеДУР

Таким образом, становится очевидной актуальность выбранной темы диссертационной работы. Специфические условия предметной области требуют разработки специальных методов принятия решений при покупке/продаже ЦБ в условиях нестабильной рыночной конъюнктуры.

Цель и задачи исследования. Основной целью диссертационной работы является реализация комплексного подхода к процессу принятия решений при покупке/продаже ЦБ на основе технического анализа и экономико-математических методов, позволяющих извлекать прибыль при любых краткосрочных колебаниях курсов акций.

Поставленная цель обусловила необходимость решения следующих задач:

Х обосновать практическую значимость технического анализа;

Х подробно описать процедуру создания и оптимизации индикаторов разных видов, а также торговых стратегий, построенных на их основе;

Х реализовать процедуру краткосрочного прогнозирования котировок акций (на 1-2 дня вперед) на основе технического анализа;

Х привести методы принятия решений, которые устраняют противоречивость сигналов от разных индикаторов.

Создаваемая технология принятия решений предназначена, прежде всего, на агрессивного инвестора (спекулянта), совершающего большое количество сделок и стремящегося тем самым приумножить свой капитал на любых сколько-нибудь значимых колебаниях стоимости акций. Несмотря на то, что большая часть положений технического анализа универсальна и применима как к рынку акций, так и к фьючерсам на валюту, акции и реальный товар (нефть, пшеница, соя, золото и т.д.), в данной диссертационной работе акцент

1 НАУФОР Ч Национальная Ассоциация Участников Фондового Рынка. делается исключительно на работе с акциями.

Предмет и объект исследования. Предметом исследования выступает система индикаторов и экономико-математических методов, используемых при принятии инвестиционных решений на рынке ЦБ. В качестве объекта исследования выступает процесс принятия решений на фондовом рынке. Для расчета значений индикаторов и демонстрации методов технического анализа используются котировки акций Мосэнерго и сводного индекса РТС.

Теоретическая и методологическая основа исследования. Теоретической и методологической основой диссертационной работы является использование таких общенаучных диалектических методов познания и исследования, как анализ и синтез, комплексность и целостность, сравнение, системный подход. В работе также использованы следующие теории и дисциплины: финансовый менеджмент, теория вероятностей и математическая статистика, исследование операций, нейросетевые технологии.

В ходе исследования проанализированы и использованы прикладные труды ведущих отечественных и зарубежных авторов, публикации Международного общества технических аналитиков (IFTA), материалы научных конференций и семинаров, обширная статистика по фондовому рынку, ресурсы Internet.

Научная новизна проведенного исследования состоит в реализации комплексного подхода к решению актуальных теоретико-методологических проблем, связанных с принятием инвестиционных решений на рынке ценных бумаг.

Получены следующие научные результаты, выносимые на защиту:

Х обоснована необходимость использования технического анализа при принятии решений о покупке/продаже акций;

Х разработана процедура оптимизации индикаторов разных видов и построенных на их основе торговых стратегий;

Х введен новый инструмент для определения значимости выдаваемых индикатором сигналов Ч весовая функция;

Х реализованы способы краткосрочного прогнозирования котировок акций и приведены методы принятия решений, устраняющие противоречивость сигналов, выдаваемых различными индикаторами.

Практическая значимость работы заключается в том, что в ней научно обоснованная и апробированная в результате экспериментального исследования процедура принятия решений доведена до уровня комплексной методики, пригодной для использования в повседневной работе финансовой компании при управлении портфелем ценных бумаг. В настоящее время описанная в работе технология отрабатывается на практике в деятельности профессионального участника фондового рынка Ч ООО Инвестиционно-аналитический Центр "Аналайз".

Материалы диссертационного исследования могут быть использованы в учебном процессе по темам, связанным с проблемами краткосрочного инвестирования на рынке ЦБ и портфельного управления.

По теме диссертации опубликованы следующие работы:

1. Технический анализ как инструмент принятия краткосрочных инвестиционных решений. Фундаментальные и философские основы технического анализа. Ч В сборнике научных работ "Экономика. Политика. Культура" (выпуск третий), Ч М.: Издательский центр научных и учебных программ, 1998.

2. Использование нейросетевых технологий в финансовой сфере. Ч В сборнике научных работ "Экономика. Политика. Культура" (выпуск третий), Ч М.: Издательский центр научных и учебных программ, 1998.

3. Практические рекомендации по использованию традиционных индикаторов технического анализа. Ч Рынок ценных бумаг, 1998, № 23-24.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Комлев, Андрей Николаевич

Результаты исследования также показали, что оптимальные значения параметров базовых индикаторов, влияющие на эффективность торговой стратегии, существенно зависят от трех факторов: доминирующей ценовой тенденции, наличия правил контроля над капиталом (стоп-приказов) и блока решающих правил при совместном использовании индикаторов. Следовательно, инвестору, выбирающему и оценивающему какую-то определенную тактику игры, необходимо уделять повышенное внимание именно этим фактором.

Сделанные по ходу оптимизации и тестирования торговых стратегий замечания помогут начинающим трейдерам избежать многих ошибок, возникающих при нарушении неочевидных закономерностей в тактике биржевой игры. Например, тестирование торговых стратегий с большим числом заключаемых сделок, показало, что основная масса прибыли зарабатывается на улавливании сильных тенденций, а не на ежедневных колебаниях курса акций. В последнем случае, по образному выражению опытных трейдеров, происходит "попадание на пилу", то есть неизбежные случайные выбросы цен понемногу, но методично разоряют игрока. Поэтому без продуманной и обязательно проверенной на статистических данных тактики игры на фондовом рынке делать нечего. Необходимо научиться ждать появления сильных сигналов от используемых индикаторов, а не бросаться вслед за очередным изменением цены, сулящим получение возможной прибыли.

Если инвестор при построении торговой стратегии захочет использовать сразу несколько индикаторов, то он может стокнуться со следующей проблемой: входящие в блок решающих правил индикаторы, которые не имеют весовых функций, могут выдавать разнонаправленные сигналы. Устранить этот недостаток в рамках существующих программных пакетов по техническому анализу невозможно. Следовательно, необходимо использовать допонительные инструменты и методы анализа, позволяющие принимать сбалансированное решение. Следующие две главы диссертационной работы посвящены этой проблеме. В одной из них делается попытка спрогнозировать значение курса акций на завтрашний день (что может служить решающим фактором при принятии решений сегодня), а в другой Ч автор с помощью нейросетевых технологий пытается снять проблему противоречивости поступающих от разных индикаторов сигналов.

3.2.4 прогнозирование курса акций с помощью регрессионной модели и нейронной сети Выбранные для исследования в рамках данной диссертационной работы акции "Мосэнерго" относятся к так называемым голубым фишкам1. На российском рынке корпоративных акций они составляют значительную долю оборота, и соответственно доля их рыночной капитализации также высока. В связи с этим, при прогнозировании курса выбранных акций можно целиком исключить первый этап, описанный в разделе 2.3 (стр.53), так как значение индекса РТС в значительной мере зависит от их поведения. При этом на втором этапе в уравнение регрессии можно добавить значения некоторых факторов из уравнения, использующегося на первом этапе.

При определении факторов, влияющих на курс акций "Мосэнерго" использовались следующие данные:

Х фондовые индексы DJIA (индекс Доу Джонса), S&P500, Nasdaq FTSE (индекс Лондонской фондовой биржи), DAX (Германия), САС40 (Франция), Nikkei-225 (Япония), Seoul Composite (Южная Корея), Bovespa Index (Бразилия), IPC Index (Мексика), China Shanghai Composite (Китай);

Х средневзвешенная ставка по ГКО и ОФЗ-ПД (облигациям РФ);

Х ставка межбанковского кредита;

Х значения индикаторов (замедленный стохастический осцилятор SO, индекс денежного потока MFI, MACD-гистограмма, индекс силы FI и дирек-ционная система направлений Уайдера DS). Индикаторы DS и SO использовались как с весовой функцией, так и без нее.

Путем последовательного исключения незначимых факторов удалось значительно сократить количество переменных в модели при сохранении значимости уравнения регрессии в целом. Полученные результаты представлены ниже.

1 Голубыми фишками обычно называют наиболее ликвидные акции высоконадежных эмитентов.

Регрессионная статистика

Множественный R 0.924153916

R-квадрат 0.854060461

Нормированный R-квадрат 0.819826684

Стандартная ошибка 0.004508795

Наблюдения 46

Дисперсионный анализ

Число степеней свободы Сумма квадратов Ср. квадрат F-отношение Значимость F

Регрессия 4 0.00499673 0.00124918 61.44760272 8.92873Е-17

Остаток 42 0.00085383 0.00002033

Итого 46 0.00585056

Коэффициенты Стандартная ошибка t-статистика Р-Значение

XI 0.8262945777 0.0644618100 12.8183583101 4.14921Б-16

Х2 0.0000041819 0.0000012763 3.2766035382 0.0021120242 хз -0.0001005891 0.0000501775 -2.0046655749 0.0514733315

Х4 0.8478045742 0.4976953284 1.7034609847 0.0958716637 где Xj Ч значение курса акций на вчерашний день;

Х2 Ч значение индекса Доу Джонса;

Хз Ч значение линии %К замедленного стохастического осцилятора; Х4 Ч значение MACD-гистограммы.

Значения всех использовавшихся факторов смещены на один день назад. Конечный вид уравнения для прогнозирования курса акций имеет вид.

Y= 0.82629хХ, + 0.00000418 19хХ2 - 0.00010059хХ3 + 0.8478хХ,

Как видно из рис. 34, построенное уравнение регрессии достаточно достоверно прогнозирует изменений курса акций. В соответствии с ранее заявленными целями, можно еще раз констатировать, что в рамках технического анализа точность прогноза не имеет критического значения. Важно угадать направление предстоящего изменения цен. Для оценки данного качества модели приводится график с фактическим и прогнозируемым приростами курса акций (см. рис. 35).

С помощью оцененной регрессионной модели в большинстве случаев удается угадывать направление движения цен на завтра при том, что в абсолютном выражении часто допускаются ошибки. Количество удачных прогнозов направления движения Ч 37, неудачных Ч 8. Спрогнозированный прирост Ч Фактический прирост

Рис. 35 Фактический и спрогнозированные приросты курса акций.

Использование несложных регрессионных моделей для краткосрочного прогнозирования курса акций (на 1-2 дня вперед) доказывает, что и простые решения могут быть эффективны и практически значимы. Правда, полученный вид регрессионной модели не зафиксирован раз и навсегда. При переменах в характере доминирующего ценового тренда (которые случаются 2-4 раза в год) модель следует строить заново, начиная с проверки влияния всех факторов, перечисленных при начальной постановке задачи.

При прогнозировании курса акций с помощь нейросетей используются те же факторы, что и в описанной регрессионной модели. Среди факторов одной группы (например, среди фондовых индексов) отбрасываются только те, которые имеют заведомо неприемлемые значения t-статистики. Сокращать количество входных параметров для нейросети необходимо по двум причинам:

Х большое количество нейронов во входном слое автоматически увеличивает количество нейронов в скрытых слоях. При большой размерности сети мощности современных компьютеров оказывается недостаточно, чтобы получить желаемый результат в разумные по длительности сроки;

Х даже если нейросеть удастся обучить, то по полученным значениям синаптических весов нельзя с высокой степенью уверенности исключить незначимые, с точки зрения исследователя, факторы. Это связано с тем, что в нелинейных системах (к коим относятся и нейросети) очень трудно выделить точный вклад, вносимый данным входом в общее функционирование системы.

Среди поного множества факторов, образованного разными индикаторами, значениями фондовых индексов и различных макропоказателей, в качестве входных переменных для нейросети отобраны следующие одиннадцать:

1) курс акций Мосэнерго (MSNG);

2) дневной объем торгов акций Мосэнерго (Volume);

3) индекс Доу-Джонса (DJIA Ч показатель деловой активности в США);

4) индекс DAX (характеризует активность немецкого фондового рынка);

5) индекс Bovespa (BVSP Ч индекс бразильского фондового рынка. Типичный представитель emerging markets, к которому относится и Россия);

6) сводный индекс РТС (RTS), характеризующий фондовый рынок России в целом;

7) замедленный стохастический осцилятор в виде разницы стохастических линий (аналог гистограммы) %K-%D;

8) индекс силы FI;

9) индикатор средних направлений ADX;

10) разница между положительным и отрицательным индикаторами направлений PDI-MDI;

11) значение MACD-гистограммы.

Значения всех входных переменных относятся к периоду t-1. Значения индикаторов рассчитаны по оптимизированным внутренним параметрам. В качестве выхода сети выбран курс акций Мосэнерго на период t. Для прогнозирования курса акций выбрана трехслойная сеть Ворда, которая является одной из лучших среди сетей с обратным распространением ошибки. Она хорошо описывает мекие детали и способна к работе на зашумленных данных.

Количество слоев в выбранной сети Ч три: входной, скрытый и выходной (рис. 36). Скрытый слой составлен из трех блоков. В каждом из скрытых блоков используются различные передаточные функции. Это позволяет выделять различные признаки в примерах, обрабатываемых нейросетью. Так, в блоке № 2 скрытого слоя используется Гауссова функция (рис. 37), которая выделяет значимые характеристики в середине диапазона данных. В блоке № 3 используется комплементарная Гауссова функция (рис. 37), выделяющая значимые характеристики на краях диапазона. Блоки 1,4 и 5 в качестве передаточной используют классическую логистическую функцию (рис. 38), которая применяется в большинстве нейросетевых приложений. Таким образом, когда все блоки в скрытом слое имеют разные передаточные функции, выходной слой (блок № 5) получает возможность рассмотрения данных тремя способами (с разных точек зрения).

Блок 2

Блок 1 Блок Блок 5

Блок 3 4 t

Входной слой Скрытый слой Выходной слой

Рис. 36 Трехслойная сеть Ворда с обратным распространением ошибки. числяется ошибка (отклонение) между желаемыми выходами в тренировочном примере и предсказаниями сети для каждого из ее выходов. Динамика величины среднеквадратичной ошибки представлена на рис. 40. В ходе обучения она неуклонно уменьшается. Однако, при обучении сети недостаточно наблюдения только за поведением ошибки на тренировочных примерах. Ведь качество модели будет оцениваться по ее способности работать с новыми (еще не виденными ею) данными, в качестве которых в нашем примере выступает независимый тестовый набор. Динамика среднеквадратичной ошибки на тестовом наборе представлена на рис. 41. Решающим моментом для прекращения тренировки служит начало процесса увеличения ошибки на тестовом наборе. Если при этом достигнутое прогностическое качество нейросети оказывается высоким, то процесс обучения нейросети можно считать завершенным, если нет, Ч меняется архитектура сети (количество нейронов, их взаимное расположение, передаточные функции) и/или исходные параметры обучения (скорость обучения, момент, начальные веса) и обучение начинается снова. В работе опускаются все промежуточные этапы тренировки сети и приводятся только конечные (оптимальные) данные, представленные на приводимых графиках и в таблицах.

Заключение.

На современных финансовых рынках проблема построения эффективной тактики биржевой игры, основанной на изучении психологии (настроений и ожиданий) основной массы инвесторов, необычайна актуальна. В рамках данной диссертационной работы предпринята попытка создания комплексного подхода к принятию краткосрочных инвестиционных решений на основе технического анализа и экономико-математических методов. В соответствии с заявленными в работе целями получены следующие результаты:

Х обоснована практическая значимость методов технического анализа. Приведенные процедуры выбора и оптимизации индикаторов устраняют неопределенность и многозначность токования используемых инструментов и полученных результатов. Расчеты, проделанные в главе 3 данной диссертационной работы, подтвердили практическую ценность технического подхода принятия решений при краткосрочном инвестировании в акции. Так, например, испытанные торговые стратегии (построенные на основе индикаторов технического анализа) обеспечили бы использовавшему их инвестору доходность в 3-4 раза выше, чем в среднем по рынку;

Х подробно описана процедура создания и оптимизации технических индикаторов. а также торговых стратегий, построенных на их основе. Приведены шаблоны для оценки индикаторов и торговых стратегий. Практическое использование последних было бы невозможно за границами множества оптимальных параметров, поскольку данные инструменты обладают высокой чувствительностью, а область их применения требует высокой точности выдаваемых прогнозов;

Х создан новый инструмент для определения значимости выдаваемых индикатором сигналов Ч весовая функция. Подтвердила свою ценность, предложенная автором, идея создания весовой функции для каждого индикатора. Так, стратегия, основанная на замедленном стохастическом осциляторе и индексе силы, на деле смогла обеспечить существенное улучшение показателей прибыли и соотношения удачных и неудачных сделок. Произошло это благодаря использованию именно весовой функции стохастикосцилятора, которая позволила установить приоритетность в использовании разных индикаторов;

Х приведены методы краткосрочного прогнозирования курса акций с помощью регрессионных моделей и нейросетей;

Х подробно описана и реализована процедура по устранению противоречивости сигналов индикаторов разных групп с помощью нейронных сетей. Использование нейросетевых технологий позволило получить взвешенный сигнал на покупку (продажу) акций при использовании в рамках торговой стратегии сразу нескольких индикаторов.

Экспериментальные расчеты показали пригодность предлагаемых моделей и экономико-математических методов к практическому применению. Наибольший экономический эффект достигается при использовании предложенных методов в рамках системного (комплексного) подхода.

Дальнейшее совершенствование предлагаемых средств технического анализа и экономико-математических методов, на взгляд автора, дожно быть направлено на выявление взаимосвязанного поведения различных групп финансовых активов (акций, облигаций, валют, драгметалов и пр.) на глобальных мировых рынках.

Основные положения диссертационного исследования были использованы в практической деятельности профессионального участника фондового рынка Ч ООО Инвестиционно-аналитический Центр "Аналайз". В качестве достигнутого результата можно привести улучшение качества краткосрочного прогнозирования и, как следствие, увеличение прибыльности проводимых спекулятивных операций. Кроме этого, материалы диссертационного исследования могут быть использованы в учебном процессе по темам, связанным с проблемами краткосрочного инвестирования на рынке ценных бумаг и портфельного управления.

Диссертация: библиография по экономике, кандидат экономических наук , Комлев, Андрей Николаевич, Москва

1. Achelis Steven В. Technical Analysis from A to Z. Chicago, IL: Probus Publishing Company, 1995.

2. Appel Gerald, Hitschler Fred. Stock Market Trading Systems. Homewood, IL: Dow Jones-Irwin, 1980.

3. Bauer R.J., Jr. Genetic Algorithms and Investment Strategies, New York: John Wiley & Sons, Inc., 1994.

4. Chande Tushar S., Stanley Kroll. The New Technical Trader. New York: Wiley, 1994.

5. Cohen A.W. (ed). The Encyclopedia of Stock Market Techniques. Larchmont, New York: Investors Intelligence, Inc., 1983.

6. Douglas Mark. The Disciplined Trader. New York: New York Institute of Finance, 1990.

7. Eng Williams F. The Technical Analysis of Stocks, Options and Futures. Pro-bus Publishing, 1988.

8. Janette Lawrence Neural Networks and their Applications

9. Kaufman Perry J. Commodity Trading Systems and Methods. New York: Wiley, 1978.

10. Kaufman Perry J. Technical Analysis in Commodities. New York: Jonh Wiley & Sons, 1980.

11. Lebeau Charles, David Lucas. Technical Trader's Guide to Computer Analysis of the Futures Market. Homewood, IL: Business One Irwin, 1991.

12. Plummer Tony. Forecasting Financial Markets. London: Kogan Page, 1989.

13. Pring Martin. Technical Analysis Explained. 3nd ed. New York: McGraw-Hill, 1991.

14. Simpson P. Artificial Neural Systems. New York, N.Y.: Pergamon Press, 1990.

15. Sperandeo Victor. Trader Vic Ч Methods of a Wall Street Master. New York: Jonh Wiley & Sons, 1991.

16. Steidlmayer J. Peter, Kevin Koy. Markets & Markets Logic. Chicago: Porcupine Press, 1986.

17. Vince Ralph. Portfolio Management Formulas. New York: Jonh Wiley & Sons, 1990.

18. Waterman Donald A. A Guide to Expert Systems. Reading, MA: Addison-Wesley Publishing Company, 1986.

19. Wilder J. Welles. New Concepts in Technical Trading Systems. Greensboro, NC: Trend Research, 1978.

20. Айвазян C.A., Енюков И.С., Мешакин Л.Д. Прикладная статистика: Исследование зависимостей.ЧМ.: Финансы и статистика, 1985.Ч487с.

21. Айвазян С.А., Енюков И.С., Мешакин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных.ЧМ.: Финансы и статистика, 1983.Ч471с.

22. Беденков Д., Миронов В. Технический анализ: проблема выбора индика-торов//Рынок ценных бумаг. 1997. №5.

23. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. Вып.1 Ч280с.; Вып.2 Ч 197с.

24. Бодырев М. Генезис в финансах. Выбор оптимальных путей//Рынок ценных бумаг. 1996. №23.

25. Бодырев М. Нейросети: современное оружие финансовых бата-лий//Рынок ценных бумаг. 1996. №19.

26. Брейли Р., Майерс С. Принципы корпоративных финансов. Ч М.: Олимп-Бизнес, 1997. Ч 1087с.

27. Горбань А.И. Обучение нейронных сетей. Ч М.: СП Параграф, 1990 Ч 159с.

28. Джон Дж. Мерфи Технический анализ фьючерсных рынков: теория и практика. Ч М.: Сокол, 1996 Ч 592с.

29. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем.ЧКиев: Наукова думка, 1982.

30. Ивахненко А.Г., Мюлер Й.А. Самоорганизация прогнозирующих моделей.ЧКиев: Наукова думка, 1985.

31. Итоги науки и техники. Сер. Физические и математические модели нейронных сетей. Т.1-5. М., ВИНИТИ, 1990-1992.

32. Как пройти на Уол-стрит: Пер. с англ. Ч М.: ЗАО "Олимп-Бизнес", 1998. Ч368с., ил.

33. Коби Р.В., Майерс Т.А. Энциклопедия технических индикаторов рынка: Пер. с англ. ЧМ.: Издательский Дом "Альбина", 1998.Ч581с.

34. Колемаев В.А., Староверов О.В., Турундаевский В.Б. Теория вероятностей и математическая статистика.ЧМ.: Высшая школа, 1991.Ч400с.: ил.

35. Кузнецов М.В., Овчинников А.С. Технический анализ рынка ценных бумаг. Ч М.: ИНФРА-М, 1996. Ч 122с.

36. Кулик А., Черный А. Нейронные технологии на финансовом рынке. Вопросы и ответы//Рынок ценных бумаг. 1996. №23.

37. Кулик А., Черный А. Нейросети в кости не играют//Рынок ценных бумаг. 1996. №17.

38. Меладзе В. Курс технического анализа. Ч М.: Серебряные нити, 1997.272с.

39. Меньшиков И.С. Финансовый анализ ценных бумаг: Курс лекций.ЧМ.: Финансы и статистика, 1998. Ч 360с., ил.

40. Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов). Ч М.: Энергия, 1971 Ч 232с.

41. Найман Э. Малая энциклопедия трейдера: Пер. с англ. Ч М.: Альфа-капитал, 1997.Ч236с.

42. Позин Н.В. Моделирование нейронных структур. Ч М.: Наука, 1970 Ч 260с.

43. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга.ЧМ.: Мир, 1965.

44. Рубцов Б.Б. Зарубежные фондовые рынки: инструменты, структура, механизм функционирования.ЧМ.: ИНФРА-М, 1996.Ч304с.

45. Рэдхэд К., Хьюс С. Управление финансовыми рисками: Пер. с англ.Ч М.: ИНФРА-М, 1996.Ч288с.

46. Семенкова Е.В. Операции с ценными бумагами: российская практика.Ч М.: ИНФРА-М, Перспектива, 1997.Ч328с.

47. Скурихин А.Н. Нейронные сети: определения, концепции, применение.

48. М.: ЦНИИатоминформ, 1991 Ч 53с.

49. Сорос Дж. Ахимия финансов.ЧМ.: ИНФРА-М, 1998.Ч416с.

50. Томас Р. Демарк Технический анализ Ч новая наука. М.: ООО "Диаграмма", 1997. Ч 280с.

51. Тьюз Р., Брэдли Э., Тьюз Т. Фондовый рынок (Университетский учеб-ник).-6 изд.: Пер. с англ.ЧМ.: ИНФРА-М, 1997.Ч648с.

52. Тэнк Д.У., Хопфид Дж. Колективные вычисления на нейроподобных электронных схемах. В мире науки, 1988, N6, с.44-53.

53. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере/Под. ред. В.Э. Фигурнова. Ч М.: Инфра-М, Финансы и статистика, 1995. Ч 384с., ил.

54. Уидроу Б., Стирнз С. Адаптивная обработка сигналов.ЧМ.: Мир, 1989.

55. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: Пер с англ. Ч М.: Мир, 1992. Ч 240с., ил.

56. Эдер А. Как играть и выигрывать на бирже: Пер. с англ. Ч М.: КРОН-ПРЕСС, 1996. Ч336с.

57. Эрлих А.А. Технический анализ товарных и финансовых рынков. Прикладное пособие.ЧМ.: Инфра-М, 1996. Ч 176с.

Похожие диссертации

• Краткосрочное инвестирование на рынке корпоративных акций
• Экономические методы оценки и эффективность развития рынка корпоративных ценных бумаг
• Формирование и развитие рынка ценных бумаг инвестиционных фондов
• Бухгатерский учет и анализ деятельности профессиональных участников рынка ценных бумаг
• Экономико-математические методы управления портфелем проектов организации