Автор: Фонотов А.М., Филатов Ю.И., Бабич К.К.
Источник: ISSN 1561-5367,научно-теоретический журнал "Искусственный интеллект", под редакцией ВАК Украины, 3 издание 2013 года, с.76-79
Фонотов А.М., Филатов Ю.И., Бабич К.К. Прогнозирование движения цен на фондовом рынке в краткосрочном периоде. В статье приводится обзорная информация об основных методах прогнозирования, таких как: статистические методы, метод эволюционного программирования, применение "деревьев решений", генетические алгоритмы, методы технического и фундаментального анализа. Проанализирована возможность применения этих методов для краткосрочного прогнозирования движения цен на акции на фондовом рынке. Рассмотрена возможность применения нейронных сетей для прогнозирования.
В последние десятилетия финансовые рынки переживают период бурного развития. Наряду с крупными национальными фондовыми, фьючерсными, валютными биржевыми рынками, появились рынки мирового масштаба. В основе многих сделок на финансовых рынках лежит прогнозирование краткосрочного движения цен на акции участниками рынка. Для эффективного анализа рынка требуются соответствующие современным требованиям методы. Таким образом, исследования в области прогнозирования поведения фондовых рынков - актуальное и перспективное направление деятельности и будет оставаться таковым в течение довольно долгого периода времени. Прогнозирование - это предсказание будущих событий. Целью прогнозирования является уменьшение риска при принятии решений[4].
Проблемы прогнозирования связаны с недостаточным качеством и количеством исходных данных, изменениями среды, в которой протекает процесс, воздействием субъективных факторов. Краткосрочный прогноз всегда осуществляется с некоторой погрешностью, которая зависит от используемой модели прогноза и полноты исходных данных. При увеличении информационных ресурсов, используемых в модели, увеличивается точность прогноза, а убытки, связанные с неопределенностью при принятии решений, уменьшаются[3].
Задача краткосрочного прогнозирования в общем случае сводится к получению оценки будущих значений упорядоченных во времени данных на основе анализа уже имеющихся, а также (при необходимости) тенденции изменения влияющих факторов. Прогнозируемой величиной являются значения временного ряда на интервале [T(n+1), T(n+f)], где T(n) – текущий момент времени, а f – интервал прогнозирования. Иногда возникает необходимость не в прогнозе значений временного ряда на заданном интервале, а в прогнозе вероятности того, что они будут вести себя тем или иным образом (возрастать, убывать, находиться в некоторых пределах и т.д.)[3].
С точки зрения нейросетей задача краткосрочного прогнозирования цен на акции сводиться к интерполяции функции многих переменных. Нейросеть используется для восстановления последующих значений этой функции по набору примеров из истории временного ряда. Доказано, что любую вещественнозначную функцию нескольких переменных можно сколь угодно точно приблизить с помощью нейросети[10].
Сама нейросеть, как правило, представляет собой многослойную сетевую структуру однотипных элементов - нейронов, соединенных между собой и сгруппированных в слои. Среди прочих слоев имеется входной слой, на нейроны которого подается информация, а также выходной, с которого снимается результат. При прохождении по сети входные сигналы усиливаются или ослабляются, что определяется весами межнейронных связей. Перед применением нейросеть необходимо обучить на примерах - с помощью коррекции весов межнейронных связей, т.е. по известным входным параметрам и результату сеть заставляют выдавать ответ, максимально близкий к правильному. Проблему оценки постоянно изменяющихся внешних условий и соответственно степени влияния на финансовый рынок тех или иных параметров нейросеть решает в силу самого принципа работы[4].
Существует три основных этапа создания модели нейросети для решения задачи предсказания временных рядов.
Первый этап – подготовка данных. На этом этапе входные данные кодируются: приводятся к единому масштабу, повышается информативность входных данных. На этом этапе возникает проблема "ограниченности" окна. Т.е. для предсказания значения ряда в следующий момент времени, нужно d предыдущих значений этого ряда подать на вход нейросети, при этом более ранние данные никак не влияют на предсказание. Если увеличить величину окна, то снижается точность предсказания. Решение этой проблемы в использовании инструментов финансового технического анализа временного ряда[1].
Второй этап – построение модели и обучение нейросети[1]. Самый простой вариант применения искусственных нейронных использование обычного персептрона с одним, двумя или тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени. При использовании многослойных нейронных сетей необходимо также помнить о том, что нужно аккуратно делать нормировку, и что для выходного нейрона лучше использовать линейную передаточную функцию. Обобщающие свойства от этого немного ухудшаются, но сеть будет намного лучше работать с данными, содержащими тренд. Еще одной часто используемой нейросетевой архитектурой является нейронная сеть с общей регрессией. Несмотря на то, что принцип обучения и применения таких сетей в корне отличается от обычных персептронов, внешне сеть используется таким же образом, как и обычный персептрон. Говоря другими словами, это совместимые архитектуры в том смысле, что в работающей системе прогнозирования можно заменить работающий персептрон на сеть с общей регрессией. При этом не потребуется проводить никаких дополнительных манипуляций с данными[11].
Задача обучения - найти параметры модели (веса сети), путем минимизации среднеквадратичной ошибки выхода сети. Процедура обучения отдельных нейросетей стандартна. Как всегда, имеющиеся примеры разбиваются на три выборки: обучающая, валидационная и тестовая. Первая используется для обучения, вторая - для выбора оптимальной архитектуры сети и/или для выбора момента остановки обучения. Наконец, третья, которая вообще не использовалась в обучении, служит для контроля качества прогноза обученной нейросети.
Однако, для сильно зашумленных финансовых рядов существенный выигрыш в надежности предсказаний способно дать использование комитетов сетей.
В литературе имеются свидетельства улучшения качества предсказаний за счет использования нейросетей с обратными связями. Такие сети могут обладать локальной памятью, сохраняющей информацию о более далеком прошлом, чем то, что в явном виде присутствует во входах[10].
Третий этап – выбор функции ошибки. Для обучения нейросети недостаточно сформировать обучающие наборы входов – выходов. Необходимо также определить ошибку предсказания. Ошибка сети представляется в виде функции от смнаптических коэфициентов и минимизируется одним из градиентных методов.
По результатам анализа методов краткосрочного прогнозирования движения цен на акции можно сделать вывод, нейросетевой анализ, в отличии от других методов, не предполагает ограничений на характер входной информации, , нейросети способны находить оптимальные индикаторы и строить по ним оптимальную опять стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с фондовым рынком[10].
Прогнозирование движения цен на акции остается актуальной задачей современности. При анализе различных методов решения было выявлено, что нейронные сети могут быть использованы для проверки гипотезы эффективного рынка и то, что они превосходят статистические и регрессионные методы прогнозирования цен на акции. Несмотря на это, нейронные сети не являются совершенным механизмом, поскольку не предоставляют возможности полностью уничтожить риск при принятии решений.
Как и любой другой вид нейроанализа, предсказание временных рядов требует достаточно сложной и тщательной предобработки данных. Однако, работа с временными рядами имеет свою специфику, которую можно использовать для увеличения прибыли. Это касается как выбора входов (использование специальных способов представления данных), так и выбора выходов и использования специфических функционалов ошибки[2].
1. 1. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 1997. - 236 с.
2. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. – 224 с.
3. Круг П.Г . Нейронные сети и нейрокомпьютеры. М.: ИЗДАТЕЛЬСТВО МЭИ. 2002. - 534 с.
4. Abraham B., Ledolter J. Statistical methods for forecasting. - New York: Wiley, 2003. - 421 p.
5. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. - Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.
6. Using Neural Networks to Forecast Stock Market Prices. Ramon Lawrence. Department of Computer Science. University of Manitoba
7. В. И. Жижилев . Оптимальные стратегии извлечения прибыли на рынке FOREX и рынке ценных бумаг - М.: Финансовый консультант.-280 с, 2002
8. Швагер Джек Технический анализ. Полный курс. — М.: Альпина Паблишер, 2001. — 768 с.
9. Сорнетте Дидье. Как предсказывать крахи финансовых рынков. –М: Издательство И-трейд, 2008. – 400с.
10. Ежов A.A., Шумский C.A. Нейрокомпьютинг и его применения в экономике и бизнесе. Новое издание - М.: МИФИ, 2002. - 306 с.
11. АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ для прогнозирования и анализа данных Copyright © 1999-2005 НейроПроект