Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Фондовый рынок, или рынок ценных бумаг занимает очень важное и, можно сказать обособленное место в современной экономике[1]. В его сферу входят как кредитные отношения, так и отношения совладения, выражающиеся через выпуск специальных документов (ценных бумаг), которые имеют собственную стоимость и могут продаваться, покупаться и погашаться.

Фондовый рынок характеризуется объемом и структурой обращающихся ценных бумаг, скоростью обращения, движением цен, динамикой курсов ценных бумаг, степенью инвестиционного риска, мерой информационной открытости, количеством и объемом совершаемых фондовых операций, уровнем доходности ценных бумаг и операций с ними[2]. Ценные бумаги — это особый товар, который обращается на рынке, и отражает имущественные отношения. Ценные бумаги можно покупать, продавать, переуступать, закладывать, хранить, передавать по наследству, дарить, обменивать[2].

С помощью эффективно действующего рынка ценных бумаг можно гибко перераспределять средства между отраслями, концентрировать их на наиболее перспективных направлениях научно-технического прогресса, т.е. способствовать ускорению и оптимизации структурных сдвигов в экономике.

1. Актуальность темы

Рынок ценных бумаг представляет собой наиболее доступный источник финансирования экономического роста[3]. Он облегчает доступ всем субъектам экономики к получению необходимых денежных ресурсов.

В период не стабильного развития экономики часто возникают ситуации, когда цены на крупные пакеты акций резко изменяются за короткий промежуток времени. Для того, чтобы предугадать поведение динамики цен на рынке ценных бумаг осуществляют прогнозирование показателей фондового рынка. С помощью эффективно действующего рынка ценных бумаг можно гибко перераспределять средства между отраслями, концентрировать их на наиболее перспективных направлениях научно-технического прогресса, т.е. способствовать ускорению и оптимизации структурных сдвигов в экономике.

Такая задача является актуальной, поскольку предсказание является необходимым элементом любой инвестиционной деятельности, ведь сама идея инвестирования – вложения денег с целью получения дохода в будущем – основывается на идеи прогнозирования будущего[4].

2. Цель и задачи исследования

Целью исследования является разработка методики прогнозирования динамики ценовых индексов на фондовом рынке для эффективного принятия решения об инвестировании средств в ту или иную отрасль производства и снижения инвестиционного риска с использованием эволюционных методов, что позволит увеличить скорость получения результатов и их точность.

Для достижения поставленной цели необходимо выполнить следующие задачи:

  1. Анализ предметной области, существующих методов и моделей прогнозирования и пакетов прикладных задач.
  2. Выявление факторов влияющих на изменение ценовых индексов.
  3. Определение топологии нейронной сети.
  4. Разработка алгоритма обучения.
  5. Проверка точности модели и определение её эффективности.

Объект исследования: поведение динамики ценовых индексов на фондовом рынке.

Предмет исследования: прогнозирование динамики ценовых индексов на фондовом рынке с использованием комбинированных моделей и методов прогнозирования.

3. Обзор существующих систем

В результате анализа были рассмотрены следующие системы для прогнозирования финансовых рядов:

  1. NeuroProphesier: Система прогнозирования финансовых показателей на нейронных сетях[5];
  2. Energy4Cast: Система предназначена для прогнозирования цен и объемов потребления на оптовом рынке электроэнергии[6];
  3. Index4Cast: Ситтема прогнозирует значения фондовых индексов[7];
  4. Stock4Cast: Система прогнозирует значения цен акций, котирующихся[8].

NeuroProphesier – система прогнозирования финансовых показателей на нейронных сетях. NeuroProphesier представляет собой нейросетевое ядро, функционал которого расширен за счет подключаемых программных модулей, ориентированных на определенные задачи прогнозирования. Недостатки: обладает большим количеством параметров, что затрудняет работу с ней. Качество прогнозов данной системы не высоко.

Energy4Cast – система предназначена для прогнозирования цен и объемов потребления на оптовом рынке электроэнергии (ОРЭ) и позволяет повысить эффективность работы за счет сокращения затрат на покупку и продажу электроэнергии на балансирующем рынке, а также за счет принятия оптимальных решений по заключению свободных двухсторонних договоров. Недостатками этой системы является то, что не объясняются полученные решения, так как неизвестно какие методы прогнозирования применялись при их создании.

Index4Cast и Stock4Cast прогнозируют значения фондовых индексов и значения цен акций, котирующихся для NYSE, Nasdaq и AMEX. В этой системе используется метод скользящего среднего. Недостаток – обладают относительно высокой стоимостью.

4. Математическая постановка задачи

Ценовые индексы представляют собой временной ряд в дискретные моменты времени t=1,2,…,T. Значения предыдущих ценовых индексов представлены следующим образом Z(t) = Z(1), Z(2),…, Z(T). В момент времени Т необходимо определить значения процесса Z(t) в моменты времени Т+1, Т+2, …, Т+Р. Момент времени Т называется моментом прогноза, а величина Р – временем упреждения (временем, на которое необходимо сделать прогноз).

1. Для вычисления значений временного ряда в будущие моменты времени требуется определить функциональную зависимость, отражающую связь между прошлыми и будущими значениями этого ряда

 
                  (1)

Эта зависимость называется моделью прогнозирования. Требуется создать такую модель прогнозирования, для которой среднее абсолютное отклонение истинного значения от прогнозируемого стремится к минимальному для заданного P.

 
                  (2)

2. Кроме получения будущих значений Z(T+1),…,Z(T+P) требуется определить доверительный интервал возможных отклонений этих значений. Задача прогнозирования ценовых индексов проиллюстрирована на рисунке 1[9].

Рисунок 1 – Графическая постановка задачи

5. Обзор методов прогнозирования

Методика прогнозирования фондового рынка включает совокупность различных методов и приемов разработки прогнозов.

Рисунок 2 – Наиболее популярные методы прогнозирования



Метод экспертных оценок. Суть данного метода заключается в том, что в основе прогноза лежит мнение одного специалиста или группы специалистов, которое основано на профессиональном, практическом и научном опыте. Различают коллективные и индивидуальные экспертные оценки, часто используется при оценке персонала[10].

Метод экстраполяции. Основная идея экстраполяции – изучение сложившихся как в прошлом, так и настоящем стойких тенденций развития предприятия и перенос их на будущее. Различают прогнозную и формальную экстраполяцию. Методы экстраполяции лучше применять на начальной стадии прогнозирования, чтобы выявить тенденции изменения показателей.

Методы моделирования. Моделирование – это конструирование модели на основании предварительного изучения объекта и процессов, выделение его существенных признаков и характеристик[10].

Метод экономического прогнозирования (экономический анализ) заключается в том, что какой либо экономический процесс или явление, имеющие место на предприятии, разделяются на части, после чего выявляется влияние и взаимосвязь этих частей на ход и развитие процесса, а также друг на друга.

Балансовый метод. Данный метод основан на разработке балансов, которые представляют собой систему показателей, где первая часть, характеризующая ресурсы по источникам их поступления, равна второй, отражающей распределение их по всем направлениям расхода.

Нормативный метод – сущность заключается в технико-экономических обоснованиях прогнозов с использованием нормативов и норм[11].

Основные методы и модели прогнозирования классифицируются следующим образом:

Рисунок 3 – Классификация моделей и методов прогнозирования



Задача прогнозирования динамики ценовых индексов является разновидностью задач прогнозирования временных рядов. Для её решения используют следующие модели:

  1. Регрессия. Сущность регрессионного анализа заключается в определении зависимости между исходной переменной и множеством внешних факторов. Достоинствами данного метода являются простота, гибкость и прозрачность моделирования. Сложность определения вида функциональной зависимости, трудоемкость определение параметров являются недостатками данной модели.
  2. Авторегрессия. В основу авто регрессионных моделей заложено предположение о том, что значение процесса Z(t) линейно зависит от некоторого количества предыдущих значений того же процесса Z(t-1),…,Z(t-p). Достоинства такой модели простота и единообразие анализа и проектирования. Недостатки – большое число параметров модели, высокая ресурсоемкость и низкая адаптивность моделей.
  3. Цепи Маркова. Суть заключается в том, что предполагается, что будущее состояние процесса зависит только от его текущего состояния и не зависит от предыдущих. Достоинствами такой модели являются простота и единообразие анализа и проектирования. Недостаток – отсутствие возможности моделирования процессов с длинной памятью[10].

Для преодоления указанных недостатков предлагается использовать нейросетевое моделирование для решения задачи прогнозирования динамики ценовых индексов на фондовом рынке.

Нейронные сети – исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. При помощи нейронных сетей возможно моделирование нелинейной зависимости будущего значения временного ряда от его фактических значений и от значений внешних факторов. Достоинствами нейронных сетей являются простота в использовании, нелинейность, адаптивность и масштабируемость. Недостатками являются непрозрачность, сложность выбора архитектуры, сложность выбора алгоритма обучения.

Создание комбинированных моделей и методов дает возможность компенсировать недостатки одних моделей при помощи других, и направлен на повышение точности прогнозирования, как одного из главных критериев эффективности модели. Так как необходимо получить такое решение, в котором ошибка будет минимальной, то в качестве алгоритма обучения нейронной сети предложен генетический алгоритм, который позволит увеличить скорость обучения и повысить точность прогнозирования, потому что генетический алгоритм является алгоритмом для нахождения глобального экстремума многоэкстремальной функции.

6.Применение генетических алгоритмов для обучения нейронных сетей

В теории нейронных сетей существуют две актуальных проблемы, одной из которых является выбор оптимальной структуры нейронной сети, а другой – построение эффективного алгоритма обучения нейронной сети.

Процесс обучения нейронной сети заключается в необходимости настройки сети таким образом, чтобы для некоторого множества входов давать желаемое (или, по крайней мере, близкое, сообразное с ним) множество выходов.

Рисунок 4 – Метод обратного распространения ошибки


На рисунке 4 изображен процесс обучения нейронной сети "с учителем" при помощи алгоритма обратного распространения[11].

Однако этому алгоритму свойственны недостатки[11]:

Проблемы, связанные с алгоритмом обратного распространения привели к разработке альтернативных методов расчета весовых коэффициентов нейронных сетей.

Мысль о том, что нейронные сети могут обучаться с помощью генетического алгоритма, высказывалась различными исследователями. Первые работы на эту тему касались применения генетического алгоритма в качестве метода обучения небольших однонаправленных нейронных сетей [12], но в последующем было реализовано применение этого алгоритма для сетей с большей размерностью [13].

Как правило, задача заключается в оптимизации весов нейронной сети, имеющей априори заданную топологию. Впервые в 1989 году Дэвид Монтана и Лоуренс Дэвис использовали генетические алгоритмы в качестве средства подстройки весов скрытых и выходных слоев для фиксированного набора связей [14]. Веса кодируются в виде двоичных последовательностей (хромосом). Каждая особь популяции характеризуется полным множеством весов нейронной сети. Оценка приспособленности особей определяется функцией приспособленности, задаваемой в виде суммы квадратов погрешностей, т.е. разностей между ожидаемыми (эталонными) и фактически получаемыми значениями на выходе сети для различных входных данных[15].

 
               (3)

Начальная популяция выбирается случайно, значения весов лежат в промежутке [-1.0, 1.0]. Для обучения сети к начальной популяции применяются простые операции: селекция, скрещивание, мутация, – в результате чего генерируются новые популяции.

7. Вывод

В результате проведенных исследований предложен метод прогнозирования с использованием моделей нейронных сетей и генетических алгоритмов, что позволит получать более точные и своевременные данные за короткий промежуток времени, так как генетические алгоритмы обеспечивают глобальный просмотр пространства весов и позволяют избегать локальные минимумы. Также были определены основные задачи,которые необходимо решить для достижения поставленной цели. Кратко был описан объект исследования и разработана математическая постановка задачи. Проведен анализ использования моделей экономического прогнозирования и выявлены достоинства и недостатки рассмотренных моделей.

Список источников

  1. Жуков Е.Ф. Рынок ценных бумаг / Жуков Е.Ф. // М.:Юнити-Дата, 2009. – C. 14.
  2. Бердникова Т.Б. Рынок ценных бумаг и биржевое дело / Бердникова Т.Б. // М.:Инфра-М, 2002. – C. 9 – 100.
  3. Арефьева Н.Н. Банковское право: учеб. пособие / Арефьева Н.Н., Волкова И.А., Карабанова К.И., Лясина С.Ю., Редреева Т.О., Травкин А.А. // Волгоград: ВолГу, 2001. – C. 604.
  4. Демин А. В. Логико-вероятностные методы прогнозирования и распознавания нарушений динамики финансовых временных рядов / Демин А. В. // Молодой ученый № 11 (58). – Казань, 2013. – C. 41.
  5. Система прогнозирования NeuroProphesier [Электронный ресурс] – Режим доступа: www.ambler-soft.ru.
  6. Energy4Cast–Система прогнозирования цен [Электронный ресурс] – Режим доступа: www.forecsys.ru.
  7. Index4Cast [Электронный ресурс] – Режим доступа:http://www.e-mastertrade.ru/ru/main/index/id18.asp.
  8. Stock4Cast [Электронный ресурс] – Режим доступа:http://www.e-mastertrade.ru/ru/main/index/id23.asp.
  9. Чуева И. А. Модель прогнозирования временных рядов по выборке максимального подобия: диссертация [Электронный ресурс] / Чуева И. А. – Москва, 2012. – Режим доступа:www.mbureau.ru.
  10. Энциклопедия производственного менеджера – Методы прогнозирования [Электронный ресурс] – Режим доступа:www.up-pro.ru.
  11. Дюк В. Data Mining: учебный курс / Дюк В., Самойленко А. – СПб: Питер, 2001. – 386 с.
  12. Whitley D., Applying genetic algorithms to neural network learning, Proceedings of the Seventh Conference of the Society of Artificial Intelligence and Simulation of Behavior, Sussex, England, Pitman Publishing, 1989, pp. 137 – 144.
  13. Schaffer J. D., Whitley L, Eshelman J., Combinations of Genetic Algorithms and Neural Networks: A Survey of the State of the Art, Proceedings of International Workshop on Combinations of Genetic Algorithms and Neural Networks. COGANN-92, 1992.
  14. Melanie Mitchell. An Introduction to Genetic Algorithms. Massachusetts Institute of Technology, 1998. – С. 280.
  15. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Рутковская Д., Пилиньский М., Рутковский Л. / Пер. с польск. И. Д. Рудинского // – М.: 2006. – С. 276.