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 | |
ТЕХНИЧЕСКИЙ АНАЛИЗ И ГИПОТЕЗА ЭФФЕКТИВНОГО РЫНКА |
|
В последнее время гипотеза эффективного рынка (ЕМН = Efficient Market Hypothesis), которую мы уже обсуждали в гл. 3, подвергается серьезной критике, и, как ни странно, эта критика исходит из академических кругов. В своей слабой форме эта гипотеза утверждает, что инвестор не может получить дополнительный доход (с учетом ком-пенсации за риск, связанный с данной стратегией) за счет использования правил торговли, основанных на прошлых данных. Иными словами, информация о прошлых ценах и доходах не может принести пользу для извлечения дополнительного дохода. В то же время ЕМН- гипотеза не конкретизирует ни природу такой информации, ни способы ее извлечения из прошлых цен. Должна ли для этого использоваться обычная автокорреляция временных рядов, методы Бокса- Дженкинса или анализа Фурье, или какой-то из многочисленных методов фильтрации? Более того, ЕМН является комбинированной гипотезой в том смысле, что для ее проверки она требует предварительного формирования модели ценообразования, которая, в свою очередь, зависит от степени прогнозируемоеЩ, и это еще более усложняет дело. Причиной, не позволяющей отвергнуть гипотезу ЕМН, является присутствие на рынке фондов, работающих с индексами курсов акции, и иных форм пассивного менеджмента, которые особенно популярны среди пенсионных фондов (см. [99], [100]). Положение дел, когда судьба средств пенсионеров зависит, в основном, от усредненных показателей фондового рынка, - это торжество той точки зрения, согласно которой инвестиционное сообщество не обладает достаточной квалификацией для того, чтобы получать дополнительные доходы. Однако в последнее время в академических изданиях стало модным высказывать предположение, что финансовые рынки обладают некоторыми признаками прогнозируемоеЩ (см. [90], [216]). Мысль о том, что различные уровни волатильности цен собраны в кластеры во времени, привела к появлению моделей ARCH (= Auto Regressive Conditional Heteroschedasticity - авторегрессионная условная гетеро- скедастичность). Задолго до этого лARCH-взрыва, еще в начале столетия, основоположник технической торговли Чарльз Доу сформулировал первоначальный вариант теории, носящей теперь его имя. Говоря вкратце, в техническом анализе (который также называют чартизмом; chart - карта, диаграмма) утверждается, что в диаграммах временных рядов цен содержится информация о том, как инвесторы реагируют на новые события. Понимание психологии рынка может помочь аналитику предсказывать будущие тенденции. Как показали Брок, Лаконишок и Jle Барон [56], при некоторых предположениях такие известные чартистские методы, как правило превышения предела изменения цен (TRB = trading-range break) и правило скользящего среднего (MA = moving-average), могут дать прибыльную стратегию тор-говли. Правило TRB говорит, что следует заключать сделки на покупку, когда цена превысит свое предыдущее наивысшее значение, и на продажу, когда цена упадет ниже последнего минимума, а правила MA основаны на том соображении, что следует делать покупки, когда краткосрочные скользящие средние превышают (пересекают) долгосрочные скользящие средние, и продавать, когда краткосрочные становятся ниже долгосрочных. Несколько вариантов этих правил были опробованы на данных об индексе Доу-Джонса (Dow Jones stock index) с 1897 г. по 1988 г., при этом в качестве исходных точек для сравнения использовались ряд, порожденный случайным блужданием, и модель GARCH. Оба правила торговли порождали существенные прибыли: за распоряжениями о продаже следовали падения цены в среднем на 9%, а за сигналами на покупку - повышения цены в среднем на 12% (из расчета за год). Ни одна из моделей, с которыми проводилось сравнение, ощутимых доходов не принесла. Гипотеза эффективного рынка 195 К сожалению, успех в применении технического анализа полностью зависит от качества метода оптимизации, о которой говорилось выше. Взяв длину промежутка для скользящего среднего равной, например, 125 дням, мы тем самым неизбежно ограничиваем свой выбор среди различных характеристик временных рядов для данной базы данных. Следует понимать, что такие действия, не сопровождающиеся достаточно хорошим подтверждением, могут привести к переобучению и потере способности к обобщению. Более того, многие инвесторы считают, что ключом к успеху в инвестиционном деле является интуиция аналитика, а не применение какой-либо процедуры отбора или формулы. В связи с этим Холи и др. [136] утверждают, что хотя успехи нейронных сетей в распознавании образов и делают возможным их использование в техническом анализе, все же наиболее выигрышные приемы будут, скорее всего, разработаны самими чартистами. Высказываются также предостережения против чрезмерной предварительной обработки входных данных, и поэтому мы воздержались от сверхоптимизации данных. Для того чтобы сохранить статистическую представительность данных, мы выбрали для обучения сети недельный промежуток времени. Для 5-20-1 сети это дает примерно 10 наблюдений на один весовой коэффициент. Вычисление технических индикаторов типа скользящих средних или индексов относительной силы следует рассматривать как методы распознавания образов. В принципе, нейронные сети способны классифицировать образы и, следовательно, предсказывать структуру доходов. В одной из первых работ в этой области, посвященной прогнозированию доходов по акциям IBM, Уайт [279] показал, что нейронные сети предоставляют еще один интересный способ проверки ЕМН- гипотезы. Если бы рынок был полностью эффективным, то доходы описывались бы случайным блужданием и, следовательно, были бы совершенно непредсказуемы. Гипотезу можно проверить, погружая данные о доходах в пространство задержек, которое определяется как совокупность наборов значений дохода, соответствующих настоящему времени и предыдущим моментам времени до заданного порядка pi (r(f),r(f-l),...,r(f-p)). Непредсказуемость означала бы, что координаты точек временного ряда, соответствующие компонентам задержки, образуют случайное распределение вокруг гиперплоскости r(t) = 0, т.е. белый шум. Если же распределение не является случайным, то при помощи нейронной сети можно аппроксимировать среднюю поверхность, отклоняющуюся от гиперплоскости r(t) = 0. В следующем разделе мы подробно рассмотрим данные по компании Юнилевер и правила торговли, которые были получены. |
|
<< Предыдушая | Следующая >> |
= К содержанию = | |
Похожие документы: "ТЕХНИЧЕСКИЙ АНАЛИЗ И ГИПОТЕЗА ЭФФЕКТИВНОГО РЫНКА" |
|
|