RUS   ENG  
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Введення

Розвиток фінансових ринків займає особливе місце в ринковій економіці, що розвивається. Так, ринок цінних паперів дозволяє урядам і підприємствам значно розширити коло джерел фінансування, не обмежуючись бюджетними коштами, самофінансуванням та банківськими кредитами. Якщо розглядати світовий досвід, то в кінці ХХ століття саме Фондовий ринок став основним джерелом інвестиційних ресурсів в країнах, що динамічно розвиваються. Ринок цінних паперів, дозволяючи перетворення заощаджень в інвестиції і перелив фінансових ресурсів між секторами економіки, у вирішальній мірі сприяє економічному зростанню та підвищенню добробуту населення.

1. Актуальність темы

В сучасних умовах становлення найближчого для нас російського фондового ринку особливу значимість набувають дослідження з моделювання прогнозу котирувань цінних паперів. Коливання біржових індексів, криза іпотечного кредитування в США і інші потрясіння ринку цінних паперів показують, що потреба в даних дослідженнях назріла і актуальна. Як в Росії, так і в провідних державах коливання цього ринку все менш залежать від політичного впливу і впливу інших неринкових факторів, що підтверджує необхідність проведення об'єктивних досліджень в цьому напрямку. Розробки з даної тематики можуть бути корисні як юридичним особам, так і конкретним громадянам[1]

2. Мета і завдання дослідження, плановані результати

Метою проведених досліджень є підвищення ефективності прогнозування значень котирувань акцій на фондовому ринку шляхом розробки підсистеми прогнозування котирувань на фондових ринках на основі нейронних мереж глибокого навчання.

Для досягнення мети необхідно вирішити наступні завдання, які будуть виконані в магістерській роботі:

  1. Дослідити існуючі методи та алгоритми прогнозування котирувань
  2. Розробити математичну модель
  3. Розробити нейронну мережу з глибоким навчанням для прогнозування
  4. Експериментально перевірити ефективність роботи мережі

Об'єктом дослідження є ринок цінних паперів, як один з головних фінансових складових міжнародної економічної системи.

Предметом дослідження є моделі прогнозування значень котирувань цінних паперів.p>

3. Аналіз існуючих методів

Виділяють три основних способи біржового аналізу:

3.1 Основні методи фундаментального аналізу

Методи фундаментального аналізу ринку припускають використання широкого набору інструментів. Зокрема, до них відноситься аналіз економічних показників на макроекономічному рівні, галузевий аналіз, а також вивчення статистики окремої компанії. Нижче представлені деякі методи фундаментального аналізу: Порівняння показників, кореляція, сезонність.

3.1.1 Порівняння

Суть цього методу полягає в порівнянні ключових показників активів різних країн. Він застосовується при роботі на валютних і товарно–сировинних біржах. Як відомо, існує ряд макроекономічних показників, універсальних для всіх держав. До таких відноситься, наприклад, процентна ставка центрального банку і динаміка ВВП. Зіставивши дані, можна спробувати спрогнозувати подальшу поведінку того чи іншого активу.

3.1.2 Кореляція

Даний метод заснований на тому, що з макроекономічної точки зору ціни на деякі активи передбачити не так складно. Пропустивши дані фундаментального аналізу через кореляційні індикатори, ми отримуємо актуальний прогноз, який буде враховувати вплив значимих показників. Таким чином, відпадає потреба щоразу вивчати ринок заново.

3.1.3 Сезонність

Сезонний фактор сильно впливає на вартість активів багатьох сільськогосподарських, продовольчих, енергетичних та інших промислових компаній. Присутній він і на валютному ринку. Наприклад, перед святами майже завжди зміцнюється курс національних грошей, так на них виникає підвищений попит з боку населення і туристів. Сезонність носить циклічний характер [2].

3.2 Методи технічного аналізу

Технічний аналіз інвестиційних властивостей цінних паперів задіює безліч інструментів, але основні фактори, від яких він залежить – це обсяг торгів, динаміка цін і історичні дані.

3.2.1 Графічні методи технічного аналізу

Методи технічного аналізу на ринку Форекс включають в себе графічний аналіз, і як вже випливає з назви, працює виключно з поданням ціни активів на графіку. Тут не використовуються ніякі індикатори (хоча їх застосування не виключено в різних ситуаціях). Основа графічного аналізу–патерни. Існує величезна кількість моделей, які можуть передбачати як розворот, так і продовження тенденції. Всі графічні фігури діляться на трендові і контртрендові. Перші вказують на те, що поточна тенденція на ринку триватиме. Поява друге говорить про те, що поточний тренд підійшов до кінця і слід шукати розворотні сигнали. Графічний аналіз базується на одному з постулатів технічного аналізу про те, що історія повторюється. Тобто якщо на графіку з'являється певний патерн, то він вже мав місце в минулому. Звичайно ж, моделі ніколи в точності не повторюють один одного. Але визначити і класифікувати їх можна по їх контурах. Кожна модель має певні правила формування. Трейдер може відстежувати її поява ще на ранніх стадіях і потім чекати завершення формування для отримання сигналу. Якщо патерн відповідає всім правилам – він життєздатний і з ним можна працювати.

Переваги та недоліки графічного аналізу

До плюсів графічного аналізу можна віднести: чіткі правила формування моделей; можливість роботи практично на будь–яких часових масштабах; відсутність необхідності звернення до індикаторів (для тих, хто вважає, що торгові алгоритми не несуть ніякої користі).

До недоліків відносяться: суб'єктивність. Два трейдера на одному і тому ж графіку можуть бачити абсолютно різну картину. Один з них може бачити патерн там, де інший його не бачить. На формування патерну може піти досить багато часу. У підсумку, гарантії того, що сформується саме очікувана вами модель, немає. В результаті, трейдер може витратити час даремно.

3.2.2 Методи алгоритмічного аналізу

Методи технічного аналізу прогнозування працює з так званими технічними індикаторами. Що вони собою являють? Це певні алгоритми, розроблені трейдерами, в основі яких лежать формули. Найчастіше застосовуються усереднені показники цін на ринку за певний період.

Алгоритмічний аналіз дуже популярний в середовищі сучасних трейдерів. Справа в тому, що сьогодні індикатори розраховуються комп'ютером в автоматичному режимі і представлені у вигляді скриптів. В результаті, працюючи з індикаторами, інвестори спираються на підсумкові значення, які виражаються у вигляді кривої на графіку ціни або в окремому вікні (залежно від типу індикатора). Індикатори бувають трьох видів – трендові, осциляторні і об'ємні. Перші стежать за поточною тенденцією, другі вказують на можливість розвороту. Останні вказують на обсяги торгів. Для тих, хто працюють з фондовими ринками, останні є найбільш цікавими.

3.2.3 Математичний метод аналізу

Одним з найбільш популярних видів математичного аналізу ринку є пошук послідовностей Фібоначчі. Інструменти Фібоначчі представлені в більшості торгових терміналів. Для роботи з ними, необхідно їх встановити вручну на графік. Наприклад, найзнаменитіша сітка розтягується від певних рівнів (до речі, є маса підходів до такої розтяжки). Рівні Фібоначчі дозволяють визначати тренди і корекції. Це їх основна перевага. Однак, є в роботі з ними і істотний недолік. Золотого правила по установці сітки на графік немає. До того ж, немає і безпомилкової стратегії щодо її застосування [3].

3.2.4 Японські свічки як метод аналізу ціни акцій

Японські свічки – це вид графіка, який використовується в технічному аналізі ринку акцій. Він складається з прямокутних фігур–свічок, кожна з яких відповідає певному часовому інтервалу.

Японскі свічки

Малюнок 1 – Японські свічки
(анимація: 12 кадрів, циклів повторення–зациклена, 11 килобайт)
(1–верхня тінь, 2–ціна закриття, 3–тіло свічки, 4–ціна відкриття, 5–нижня тінь)

Свіча складається з двох елементів – тіла і тіні. Межі тіла показують рівень ціни відкриття і закриття на даному часовому проміжку. А межі верхньої і нижньої тіні показують максимальну і мінімальну ціну за цей же інтервал. Існує два види свічок – бичача і ведмежа. Бичача свічка відображає зростання цін за вказаний інтервал і її тіло не зафарбована. На кольорових графіках зростаюча свічка має зелений колір, а падаюча червоний. У висхідній (бичачої) свічки верхня межа тіла & ndash; вказує ціну закриття, а нижня ціну відкриття. Спадна (ведмежа) свічка характеризує падіння ціни і її тіло закрашено в темний колір. На такій свічці верхня межа тіла вказує ціну відкриття, а нижня–ціну закриття. Найбільш точний прогноз дають свічки «молот» і «повішений». Вони сигналізують про розворот графіка. Обидві свічки мають невелике тіло і довгу тінь. "Молот" розташовується внизу графіка і говорить про розворот тренда вгору, а "повішений" – на вершині графіка, говорить про розворот тренда вниз [4].

Свічки Молот (М) и Підвішений (П)

Малюнок 2 – Свічки Молот (М) та Підвішений(П) [5].

4. Прогнозування на основі нейронних мереж

В останні роки у фінансових аналітиків стали викликати великий інтерес так звані штучні нейронні мережі – це математичні моделі, а також їх програмні реалізації, побудовані за принципом організації та функціонування біологічних нейронних мереж – мереж нервових клітин живого організму. Це поняття виникло при вивченні процесів, що протікають в мозку при мисленні, і при спробі змоделювати ці процеси. Згодом ці моделі стали використовувати в практичних цілях, як правило, в задачах прогнозування. Нейронні мережі не програмуються в звичному сенсі цього слова, вони навчаються. Можливість навчання & ndash; одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно навчання полягає в знаходженні коефіцієнтів зв'язків між нейронами. У процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними і вихідними, а також виконувати узагальнення. Здібності нейронної мережі до прогнозування безпосередньо випливають із її здатності до узагальнення і виділення прихованих залежностей між вхідними і вихідними даними. Після навчання мережа здатна передбачити майбутнє значення якоїсь послідовності на основі декількох попередніх значень і / або яких & ndash;то існуючих зараз факторів. Слід зазначити, що прогнозування можливе тільки тоді, коли попередні зміни дійсно в якій–мірою визначають майбутні. Наприклад, прогнозування котирувань акцій на основі котирувань за минулий тиждень може виявитися успішним, тоді як прогнозування результатів завтрашньої лотереї на основі даних за останні 50 років майже напевно не дасть жодних результатів [6].

4.1 Глибоке навчання

глибоке навчання – це набір алгоритмів машинного навчання, які моделюють абстракції високого рівня в даних з використанням архітектур, які складаються з кількох нелінійних перетворень. Технологія глибокого навчання заснована на штучних нейронних мережах (ІНС). Ці ІНС отримують алгоритми навчання і постійно зростаючі обсяги даних для підвищення ефективності процесів навчання. Чим більше обсяг даних, тим ефективніше цей процес. Процес навчання називається глибоким, тому що з часом нейронна мережа покриває все більшу кількість рівнів. Чим глибше ця мережа проникає, тим вище її продуктивність [7].

мережі, навчені за допомогою алгоритмів глибокого навчання, не просто перевершили по точності кращі альтернативні підходи, але і в ряді завдань проявили зачатки розуміння сенсу подаваної інформації (наприклад, при розпізнаванні зображень, аналізі текстової інформації і так далі). Найбільш успішні сучасні промислові методи комп'ютерного зору та розпізнавання мовлення побудовані на використанні глибоких мереж, а гіганти IT–індустрії, такі як Apple, Google, Facebook, скуповують колективи дослідників, що займаються глибокими нейромереж. [8]

Обмежена машина Больцмана

обмежена машина Больцмана (англ. restricted Boltzmann machine), скорочено RBM – вид генеративної стохастичної нейронної мережі, яка визначає розподіл імовірності на вхідних даних зразках.

Обмежена машина Больцмана

Малюнок 3 – приклад графічного представлення машини Больцмана. В даному прикладі 3 прихованих і 4 видимих нейрона [9].

Особливістю обмежених машин Больцмана є можливість проходити навчання без вчителя, але в певних програмах обмежені машини Больцмана навчаються з учителем. Прихований шар машини являє собою глибокі ознаки в даних, які виявляються в процесі навчання [10].

Висновки

На даному етапі виконання магістерської роботи був проведений аналіз процесу прогнозування котирувань акцій в умовах біржі.Було проведено вивчення роботи біржі, за яким принципом вона працює,проаналізовані дані, які використовуються при прогнозуванні. Були проаналізовані основні алгоритми, якими вирішувалося подібне це завдання. Розглянуто способи прогнозування за допомогою нейронних мереж. При аналізі було виявлено,що нейронні мережі з глибоким навчанням показали найкращі результати.

Надалі, передбачається програмна реалізація розроблюваної нейронної мережі і експериментальне знаходження оптимальних параметрів для досягнення її максимальногй ефективності.

Список джерел

  1. Сергиенко, А.Г. Моделирование прогноза значений котировок ценных бумаг с использованием нейроных сетей [Электронный ресурс] / А.Г. Сергиенко. – Электрон. текстовые дан. – Режим доступа: свободный; http://economy-lib.com/...
  2. Методы фундаментального анализа [Электронный ресурс] / Иркутский В.. – Электрон. текстовые дан. – Режим доступа: свободный; https://equity.today/...
  3. Методы технического анализа [Электронный ресурс] / FRANKIEKRAVETS. – Электрон. текстовые дан. – Режим доступа: свободный; https://equity.today/...
  4. Японские свечи как метод анализа цены акций [Электронный ресурс] /. – Электрон. текстовые дан. – Режим доступа: свободный; https://studopedia.net/...
  5. Свечной анализ для определения тренда [Электронный ресурс] /. – Электрон. текстовые дан. – Режим доступа: свободный; https://forex-broker.com.ua/...
  6. Прогнозирование фондового рынка с использованием нейронных сетей [Электронный ресурс] /. – Электрон. текстовые дан. – Режим доступа: свободный; https://habr.com/...
  7. Глубокое обучение: что это такое? [Электронный ресурс] / О. Масловская. – Электрон. текстовые дан. – Режим доступа: свободный; https://stfalcon.com/...
  8. Третье поколение нейросетей: Глубокие нейросети [Электронный ресурс] / VLADIMIR PERERVENKO. – Электрон. текстовые дан. – Режим доступа: свободный; https://www.mql5.com/...
  9. Машина Больцмана [Электронный ресурс] /. – Электрон. текстовые дан. – Режим доступа: свободный; https://ru.wikipedia.org/...
  10. Ограниченная машина Больцмана [Электронный ресурс] /. – Электрон. текстовые дан. – Режим доступа: свободный; http://www.wikiwand.com/...