Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Фондовий ринок, або ринок цінних паперів займає дуже важливе і, можна сказати відособлене місце в сучасній економіці[1]. В його сферу входять як кредитні відносини, так і відносини співволодіння, яки виражаються через випуск спеціальних документів (цінних паперів), які мають власну вартість і можуть продаватися, купуватися та погашатися.

Фондовий ринок характеризується обсягом і структурою обертающихся цінних паперів, швидкістю обігу, рухом цін, динамікою курсів цінних паперів, ступенем інвестиційного ризику, мірою інформаційної відкритості, кількістю і обсягом здійснюваних фондових операцій, рівнем доходності цінних паперів і операцій з ними[2]. Цінні папери – це особливий товар, що обертається на ринку, і відображає майнові відносини. Цінні папери можна купувати, продавати, передавати, закладати, зберігати, передавати у спадок, дарувати, обмінювати[2].

За допомогою ефективно діючого ринку цінних паперів можна гнучко перерозподіляти кошти між галузями, концентрувати їх на найбільш перспективних напрямках науково-технічного прогресу, тобто сприяти прискоренню та оптимізації структурних зрушень в економіці.

1. Актуальність теми

Ринок цінних паперів є найбільш доступне джерело фінансування економічного зростання [3]. Він полегшує доступ усім суб'єктам економіки до отримання необхідних грошових ресурсів.

У період стабільного розвитку економіки часто виникають ситуації, коли ціни на крупні пакети акцій різко змінюються за короткий проміжок часу. Для того щоб передбачити поведінку динаміки цін на ринку цінних паперів здійснюють прогнозування показників фондового ринку. За допомогою ефективно діючого ринку цінних паперів можна гнучко перерозподіляти кошти між галузями, концентрувати їх на найбільш перспективних напрямках науково-технічного прогресу, тобто сприяти прискоренню та оптимізації структурних зрушень в економіці.

Така задача є актуальною, оскільки передбачення є необхідним елементом будь-якої інвестиційної діяльності, адже сама ідея інвестування – вкладення грошей з метою отримання доходу в майбутньому – ґрунтується на ідеї прогнозування майбутнього [4].

2. Мета і задачі дослідження та заплановані результати

Метою дослідження є розробка методики прогнозування динаміки цінових індексів на фондовому ринку для ефективного прийняття рішення про інвестування коштів в ту чи іншу галузь виробництва і зниження інвестиційного ризику з використанням еволюційних методів, що дозволить збільшити швидкість отримання результатів та їх точність.

Для досягнення поставленої мети необхідно виконати наступні завдання:

  1. Аналіз предметної області, існуючих методів і моделей прогнозування і пакетів прикладних задач.
  2. Виявлення факторів, що впливають на зміну цінових індексів.
  3. Визначення топології нейронної мережі.
  4. Розробка алгоритму навчання.
  5. Перевірка точності моделі та визначення її ефективності.

Об'єкт дослідження: поведінка динаміки цінових індексів на фондовому ринку.

Предмет дослідження:прогнозування динаміки цінових індексів на фондовому ринку з використанням комбінованих моделей і методів прогнозування.

3. Огляд існуючих систем

У результаті аналізу було розглянуто наступні системи для прогнозування фінансових рядів:

  1. NeuroProphesier: Система прогнозування фінансових показників на нейронних мережах[5].
  2. Energy4Cast: Система призначена для прогнозування цін та обсягів споживання на оптовому ринку електроенергії[6].
  3. Index4Cast: Сиcтема прогнозує значення фондових індексів[7].
  4. Stock4Cast: Система прогнозує значення цін акцій, що котируються[8].

NeuroProphesier – система прогнозування фінансових показників на нейронних мережах. NeuroProphesier є нейромережеве ядро, функціонал якого розширений за рахунок програмних модулів що підключаються, орієнтованих на певні завдання прогнозування. Недоліки: володіє великою кількістю параметрів, що ускладнює роботу з нею. Якість прогнозів даної системи не висока.

Energy4Cast – система призначена для прогнозування цін та обсягів споживання на оптовому ринку електроенергії (ОРЕ) і дозволяє підвищити ефективність роботи за рахунок скорочення витрат на покупку і продаж електроенергії на балансуючому ринку, а також за рахунок прийняття оптимальних рішень щодо укладення вільних двосторонніх договорів. Недоліками цієї системи є те, що не пояснюються отримані рішення, тому що невідомо які методи прогнозування застосовувалися при їх створенні.

Index4Cast и Stock4Cast прогнозують значення фондових індексів і значення цін акцій, що котируються для NYSE, Nasdaq і AMEX. У цій системі використовується метод змінного середнього. Недолік – мають відносно високу вартість.

4. Математична постановка задачі

Цінові індекси являють собою часовий ряд в дискретні моменти часу t = 1,2, ..., T. Значення попередніх цінових індексів представлені таким чином Z (t) = Z (1), Z (2), ..., Z (T). У момент часу Т необхідно визначити значення процесу Z(t) у моменти часу Т +1, Т +2, ..., Т + Р. Момент часу Т називається моментом прогнозу, а величина Р – часом попередження (часом, на який необхідно зробити прогноз).

1. Для обчислення значень часового ряду в майбутні моменти часу потрібно визначити функціональну залежність, відображатиме зв'язок між минулими і майбутніми значеннями цього ряду

 
                  (1)

Ця залежність називається моделлю прогнозування. Потрібно створити таку модель прогнозування, для якої середнє абсолютне відхилення істинного значення від прогнозованого намагається досягти мінімального значення для заданого P.

 
                                         (2)

2. Крім отримання майбутніх значень Z (T +1), ..., Z (T + P) потрібно визначити довірний інтервал можливих відхилень цих значень. Завдання прогнозування цінових індексів проілюстрована на малюнку 1[9].

Малюнок 1 – Графічна постановка задачі

5. Огляд методів прогнозування

Методика прогнозування ринку включає сукупність різних методів і прийомів розробки прогнозів.

Малюнок 2 – Найбільш популярні методи прогнозування

Метод експертних оцінок. Суть даного методу полягає в тому, що в основі прогнозу лежить думка одного фахівця або групи фахівців, яка заснована на професійному, і науковому досвіді. Розрізняють колективні та індивідуальні експертні оцінки, часто використовується при оцінюванні персоналу[10].

Метод екстраполяції. Основна ідея екстраполяції – вивчення склавшихся як в минулому, так і в сьогоденних стійких тенденціях розвитку підприємства та перенесення їх на майбутнє. Розрізняють прогнозну і формальну екстраполяцію. Методи екстраполяції краще застосовувати на початковій стадії прогнозування, щоб виявити тенденції зміни показників.

Методи моделювання. Моделювання – це конструювання моделі на підставі попереднього вивчення об'єкта і процесів, виділення його істотних ознак і характеристик[10].

Метод економічного прогнозування (економічний аналіз) полягає в тому, що деякий економічний процес або явище, мають місце на підприємстві, розділяється на частини, після чого виявляється вплив і взаємозв'язок цих частин на хід і розвиток процесу, а також один на одного.

Балансовий метод. Даний метод заснований на розробці балансів, які є системою показників, де перша частина, що характеризує ресурси за джерелами їх надходження, дорівнює другому, що відображає розподіл їх за всіма напрямками витрат.

Нормативний метод – сутність полягає в техніко-економічних обгрунтуваннях прогнозів з використанням нормативів і норм [ 10 ].

Основні методи і моделі прогнозування класифікуються наступним чином:

Малюнок 3 – Класифікація моделей і методів прогнозування

Завдання прогнозування динаміки цінових індексів є різновидом задач прогнозування часових рядів. Для її рішення використовують наступні моделі:

  1. Регресія. Сутність регресійного аналізу полягає у визначенні залежності між початкової змінної і безліччю зовнішніх факторів. Перевагами даного методу є простота, гнучкість і прозорість моделювання. Складність визначення виду функціональної залежності, трудомісткість визначення параметрів є недоліками даної моделі.
  2. Авторегресія.В основу авто регресійних моделей закладено припущення про те, що значення процесу Z (t) лінійно залежить від деякої кількості попередніх значень того ж процесу Z (t-1), ..., Z (tp). Переваги такої моделі є простота і однаковість аналізу і проектування. Недоліки – велике число параметрів моделі, висока ресурсоємкість і низька адаптивність моделей.
  3. Ланцюги Маркова. Суть полягає в тому, що передбачається, що майбутній стан процесу залежить тільки від його поточного стану і не залежить від попередніх. Перевагами такої моделі є простота та однаковість аналізу і проектування. Недолік – відсутність можливості моделювання процесів з довгою пам'яттю[10].

Для подолання зазначених недоліків пропонується використовувати нейромережеве моделювання для вирішення задачі прогнозування динаміки цінових індексів на фондовому ринку.

Нейронні мережі – виключно потужній метод моделювання, що дозволяє відтворювати надзвичайно складні залежності. За допомогою нейронних мереж можливо моделювання нелінійної залежності майбутнього значення часового ряду від його фактичних значень і від значень зовнішніх факторів. Перевагами нейронних мереж є простота у використанні, нелінійність, адаптивність і масштабованість. Недоліками є непрозорість, складність вибору архітектури, складність вибору алгоритму навчання.

Створення комбінованих моделей і методів дає можливість компенсувати недоліки одних моделей за допомогою інших, і спрямований на підвищення точності прогнозування, як одного з головних критеріїв ефективності моделі. Це пов`язанно з тим, що необхідно отримати таке рішення, в якому помилка буде мінімальною, то в якості алгоритму навчання нейронної мережі запропонований генетичний алгоритм, який дозволить збільшити швидкість навчання і підвищити точність прогнозування, тому що генетичний алгоритм є алгоритмом для знаходження глобального екстремуму багатоекстремального функції.

6. Застосування генетичних алгоритмів для навчання нейронних мереж

У теорії нейронних мереж існують дві актуальни проблеми, однією з яких є вибір оптимальної структури нейронної мережі, а інший – побудова ефективного алгоритму навчання нейронної мережі.

Процес навчання нейронної мережі полягає у необхідності налагодження мережі таким чином, щоб для деякої множини входів давати бажане (або, принайльні, близьке, сообразне з ним) безліч виходів.

Малюнок 4 – Метод зворотного поширення помилки


На малюнку 4 зображено процес навчання нейронної мережі "з вчителем" за допомогою алгоритму зворотнього поширення[11].

Однак цьому алгоритму властиві недоліки[11]:

Проблеми, пов'язані з алгоритмом зворотнього поширення привели до розробки альтернативних методів розрахунку вагових коефіцієнтів нейронних мереж.

Думка про те, що нейронні мережі можуть навчатися за допомогою генетичного алгоритму, висловлювалася різними дослідниками. Перші роботи на цю тему стосувалися застосування генетичного алгоритму в якості методу навчання невеликих односпрямованих нейронних мереж [ 12 ], але в подальшому було реалізовано застосування цього алгоритму для мереж з більшою розмірністю [ 13 ].

Як правило, завдання полягає в оптимізації ваг нейронної мережі, що має апріорі задану топологію. Вперше в 1989 році Девід Монтана і Лоуренс Девіс використовували генетичні алгоритми в якості засобу підстроювання ваг прихованих і вихідних шарів для фіксованого набору зв'язків [ 14 ]. Ваги кодуються у вигляді двійкових послідовностей (хромосом). Кожна особа популяції характеризується повною множиною ваг нейронної мережі. Оцінка пристосованості особи визначається функцією пристосованості, задаваемой у вигляді суми квадратів похибок, тобто різниць між очікуваними (еталонними) і фактично одержуваними значеннями на виході мережі для різних вхідних даних[ 15 ].

 
               (3)

Початкова популяція вибирається випадково, значення ваг знаходяться у проміжку [-1.0, 1.0]. Для навчання мережі до початкової популяції застосовуються прості операції: селекція, схрещування, мутація, – в результаті чого генеруються нові популяції.

Висновок

В результаті проведених досліджень запропоновано метод прогнозування з використанням моделей нейронних мереж і генетичних алгоритмів, що дозволить отримувати більш точні і своєчасні дані за короткий проміжок часу, тому що генетичні алгоритми забезпечують глобальний перегляд простору ваг і дозволяють уникати локальні мінімуми. Також було визначено основні завдання, які необхідно вирішити для досягнення поставленої мети. Коротко був описаний об'єкт дослідження і розроблена математична постановка задачі. Проведено аналіз використання моделей економічного прогнозування та виявлено переваги і недоліки розглянутих моделей.

Перелік посилань

  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 [Електронний ресурс] – Режим доступу: www.ambler-soft.ru.
  6. Energy4Cast–Система прогнозирования цен [Електронний ресурс] – Режим доступу: www.forecsys.ru.
  7. Index4Cast [Електронний ресурс] – Режим доступу:http://www.e-mastertrade.ru/ru/main/index/id18.asp.
  8. Stock4Cast [Електронний ресурс] – Режим доступу:http://www.e-mastertrade.ru/ru/main/index/id23.asp.
  9. Чуева И. А. Модель прогнозирования временных рядов по выборке максимального подобия: диссертация [Електронний ресурс] / Чуева И. А. – Москва, 2012. – Режим доступу:www.mbureau.ru.
  10. Энциклопедия производственного менеджера – Методы прогнозирования [Електронний ресурс] – Режим доступу: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.