Банковское дело / Доходы и расходы / Лизинг / Финансовая статистика / Финансовый анализ / Финансовый менеджмент / Финансы / Финансы и кредит / Финансы предприятий / Шпаргалки Главная
Финансы
Финансы
| Д.Э. БЭСТЕНС, В.М. ВАН ДЕН БЕРГ, Д. ВУД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП,1997. - хх, 236 с., 1997 | |
СБОР ДАННЫХ И ОПРЕДЕЛЕНИЕ ПРАВИЛ |
|
|
Из базы данных Datastream мы выбрали ежедневные данные о ценах акций компании Юнилевер (в голландских гульденах) за период с января 1973 г. по март 1992 г., что в совокупности составило около 5000 записей. Затем мы разделили все данные на две части: первые 2500 записей использовались как обучающие множества для нейрон- но-сетевых моделей, а оставшаяся 2501 записьЧ для тестирования (см. табл. 10.1). Мы выбрали в качестве примера большую транснациональную компанию Юнилевер потому, что ее консервативность и устойчивость, отсутствие реорганизаций и поглощений приводят к стабильному во времени поведению показателей доходов.
Все данные Обучающее множество Проверочное множество
Кол-во 5292 2500 2501
Среднее 0.00037 0.00009 0.00064
Ст. откл. 0.0123 0.0110 0.0138
Асимметрия -0.0300 -0.2438 0.0562
Эксцесс 21.85 7.47 25.55
р(1) 0.026 0.093 -0.018
Р(2) -0.045 0.001 -0.078
р(з) -0.030 -0.020 -0.039
Р(4) 0.036 -0.039 0.082
Р(5) -0.006 0.025 -0.025
Откл. Бартлетта 0.014 0.020 0.020
Таблица 10.1. Ежедневные доходы. Описательная статистика Все данные целиком не имеют существенной асимметрии, однако обучающее и тестовое множество в отдельности имеют значимую отрицательную и положительную асимметрию, соответственно. Ежедневные доходы имеют эксцесс, намного превышающий эксцесс нормального распределения, и это особенно сильно выражено в последние 10 лет. Обратите внимание также на высокую (но постепенно понижающуюся после 1987 г.) волатильность в тестовом множестве. Любопытно, что обучающее множество сильно положительно (соответственно, отрицательно) скоррелировано с первым (четвертым) лагом, а тестовое множество сильно положительно (отрицательно) скорре- лировано со вторым (четвертым) лагом. Чтобы минимизировать систематическую ошибку, возникающую при оптимизации, мы ограничились простым перекрестным правилом скользящих средних (СМА = Crossing-Moving-Averages) - это правило торговли пропагандируют Брок и др. [56]. Правило очень простое в том отношении, что в вычислении индикатора не участвуют числа Фибоначчи. Здесь важно, что технический анализ стремится предсказать, главным образом, направление изменения цены (вниз, вверх, на том же уровне), а не величину этого изменения. По правилу СМА вычисляется совершенно определенная функция /СМА: К"->И.0,1} Л /-1 j L-l Л /СМА (р(0, p(t-l),...,pit-L + \))= sign - ? p(t- j) - Pit - j) I 1 7=0 ;=0 у где L (соответственно, Г) - размер долгосрочного (краткосрочного) скользящего среднего. Имеется также полосный вариант правила, содержащий параметр q: /СМА (pit), p(t-\,...,pit-L + \),q) 1 м 1 1, если + 1 7=0 1 /=0 L-1 l'"1 1 1, если т?р(Г-j)-{l"q)j^p{t-j)<0, ,=0 (2) - г. Li - Л l-l ;=0 0 в противном случае. С точки зрения формализма нейронных сетей это правило можно рассматривать как сеть с заданными весами, которая принимает во входной слой последние L значений цены, имеет два линейных элемента в скрытом слое, которые вычисляют скользящие средние, и один пороговый выходной элемент, выдающий указание на торговлю. Заметьте, что в такой формулировке обобщенный вариант правила можно легко реализовать, добавив один пороговый элемент, действующий с подходящими весами на два скользящих средних. Очевидно, правило СМА предполагает, что эти два скользящих средних содержат в себе информацию, на основе которой можно предсказывать направление будущих изменений уровня дохода. , (О При любом варианте спецификации нейронной модели остается вопрос о выборе значений параметров I и I Следуя, опять-таки, Бро- ку и др. [56], мы положили L и 1 равными, соответственно, 50 и 1. Затем мы исследовали чувствительность правила СМА к возрастанию значений q (в интервале от 0 до 0.5). Как видно из табл. 10.2, дневной доход по распоряжениям на покупку (продажу) был положительным (отрицательным), но при этом несильно отличался от безусловного среднего дохода. Более того, доля правильных прогнозов, основанных на сигналах обоих видов (лкупить > 0 и лпродать < 0), была ниже 50%. Однако даже при таких плохих показателях общий доход оказывался положительным из-за асимметрии данных. Любопытно, что 1- 50-правило на обучающем множестве работает довольно хорошо, а на новых данных - очень плохо. Это обстоятельство заставляет серьезно усомниться в том, что правило СМА годится для предсказания до-хода по акциям Юнилевер. Поскольку два множества обрабатывались совершенно независимо и не содержали перекрывающихся кусков, число распоряжений о сделках всегда было равно размеру множества минус объем долгосрочного скользящего среднего при q = 0 . Кроме того, мы пробовали менять значения L и оставляя нулевое значение q. В отличие от того, что получили Брок и др. [56], ни один из рядов, представленных в табл. 10.3, не дает существенных результатов. Если данные автокоррелированы, то, очевидно, путем перемешивания рядов показателей доходов можно устранить последовательную корреляцию. Так как правило СМА на перемешанных рядах давало даже худшие результаты, мы предположили, что исходные (непереме- шанные) данные в какой-то степени автокоррелированы. Правило СМА выдавало слишком мало правильных сигналов для того, чтобы его можно было считать надежной моделью торговли, даже при том, что у бутстреп-метода результаты были еще хуже. Вероятно, это означает, что ни одно из использованных скользящих средних не ухватывает существенные черты временного ряда для акций, которые мы выбрали для рассмотрения (или же дело просто в том, что трейдеры акций Юнилевер не пользуются этим временным лагом). Мы не стремились исследовать всевозможные варианты с целью найти подходящий лаг и не пытались применять другие технические правила, например, правило превышения предела изменений цены (TRB = Trading Range Break). Наша цель состояла в том, чтобы выяснить, насколько хорошо нейронные сети могут строить подходящую аппроксимирующую функцию для выявления свойств неэффективности рынка. Е |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "СБОР ДАННЫХ И ОПРЕДЕЛЕНИЕ ПРАВИЛ" |
|
|