Современные информационные технологии в задачах системного прогнозирования рынка ценных бумаг

Современное развитие Интернет-трэйдинга (продажа-покупка финансовых инструментов) переживает сегодня значительные изменения. За долгие годы торговли на фондовом рынке у инвесторов и спекулянтов сложились определенные традиции и навыки торговли, которые жестко укладываются в концепции фундаментального и технического анализов. Но как показывает практика и опыт работы на фондовом рынке, предлагаемые подходы не обладают общей универсальностью и четкой формализацией. Требуют большого опыта и значительных трудозатрат для получения ожидаемой прибыли. И как следствие – 90% игроков теряют свои деньги. Уже давно делаются попытки создания так называемых механических торговых систем, но, как правило, такие системы также не достаточно универсальны, хотя и приносят ожидаемую прибыль.

Автор данной статьи не оспаривает возможность заработка на фондовом рынке, наоборот, доказывает, что прибыль может быть значительной (более 500% годовых), а при некоторых инвестиционных вложениях даже значительнее. Однако, для получения отдачи на вложенные средства, требуется умело применять как уже устоявшиеся принципы торговли, так и новые информационные технологии и математические процедуры. Именно применение новых подходов в торговле может гарантировать получение значительных (неслучайных) прибылей. Для примера можно вспомнить тех, кто начал первым зарабатывать на фондовом рынке, благодаря тому, что стал применять простейший технический анализ с использованием простой скользящей средней. И именно, благодаря тому, что первым стал использовать новый подход в торговле («новую технологию»), стал получать большую прибыль, чем конкуренты.

Для современного трэйдера сегодня открываются широкие перспективы, благодаря развитию информационных вычислительных систем и технологий. Так, если первым инвесторам приходилось рассчитывать каждую формулу вручную, а каждый график рисовать на миллиметровке, то сегодня, с развитием вычислительной техники в руках инвесторов появилась возможность не просто облегчить саму процедуру торговли, но и сделать ее более эффективной и доходной.

Особенно актуальным и интересным для торговли на фондовом рынке является применение новейших технологий искусственного интеллекта. Такой интерес к подобным приложениям искусственного интеллекта проявляют и создатели систем искусственного интеллекта, и их потенциальные пользователи — финансовые организации и частные лица, занимающиеся операциями на этих рынках. Происходит это потому, что, с одной стороны, прогноз динамики рынка — системы, корректирующей свое поведение в зависимости от собственной истории, является едва ли не одной из самых сложных существующих задач и потому воспринимается как вызов всемогуществу математики, статистики и современной компьютерной техники, а с другой — результаты даже небольшого увеличения эффективности управления портфелем по сравнению со среднерыночными значениями немедленно могут оказаться весьма существенными.

Перед современным инвестором сегодня стоит не простая задача, а именно освоение и интеграция новых информационных технологий и математических процедур в торговую практику. Для преодоления проблем, с которыми приходится сталкиваться инвестору при анализе финансовой ситуации, фундаментальных факторов и прогнозировании, делаются попытки применения таких разделов современной фундаментальной и вычислительной математики, как нейрокомпьютеры, теория хаоса, теория катастроф, теория фракталов, нечеткие множества и другие. Считается, что эти методы позволят увеличить глубину прогноза на финансовых рынках за счет выявления скрытых закономерностей и взаимосвязей среди плохо формализуемых обычными методами макроэкономических, политических и глобальных финансовых показателей [Тихонов Э.Е., 2003, 87].

Проанализировав состояние методологии прогнозирования, мы находим, что применяемые на практике методы, как перечисленные ранее, так и методы комплексного анализа, оценки эффективности и риска инвестиционных проектов, анализа экономической информации и другие являются неадекватными характеру поступающей на вход финансовой модели прогнозной информации. Существующие методы не учитывают субъективный характер принимаемых решений, не моделируют активность лица принимающего финансовые решения на рынке, его не полную осведомленность и возникающую в связи с этим неуверенность в ходе классификации уровней анализируемых факторов и показателей. В этом и состоит содержание проблемы, которую необходимо решать. Применяемые для учета неопределенности субъективно-вероятностные схемы являются неудовлетворительными, так как, потеряв связь с классической основой теории вероятности не нашли новой фундаментальной основы для существования. Вероятность не учитывает субъективные предпочтения лица, который выдвигает эту вероятностную оценку. Существует актуальная научная потребность в выработки новых принципов учета информационной неопределенности, связанной с объектом научного исследования. Поэтому, предлагается в качестве основы для моделирования неопределенности использовать формализмы теории нечетких множеств [Недосекин А.О., 2003, 17]. Научные исследования по совершенствованию методов прогнозирования и анализа данных ведутся на основе интеграции нечетких множеств, теории хаоса и, как инструмента реализации прогнозов, нейронных сетей.

В рамках указанного направления проводится научно-исследовательская работа. Целью исследования является разработка комплексной методики системного анализа и прогнозирования рынка ценных бумаг с использованием математического аппарата нейронных сетей, теории хаоса и нечетких множеств.

В рамках проводимой работы выработана программа исследования, которая включает в себя следующие пункты.

  1. Сравнительный анализ методов и алгоритмов прогнозирования, а также методов прогнозирования рынка ценных бумаг (фундаментальный, технический анализ). Формализация психологических аспектов поведения игроков рынка.
  2. Сравнительный анализ нейросетевых методов прогнозирования. Анализ пакетов прикладных программ реализующих нейронные сети на рынке ценных бумаг.
  3. Сравнительный анализ алгоритмов теории хаоса. Обоснование применения этих алгоритмов и методов в прогнозировании курсов акций.
  4. Обоснование использования методов нечетких множеств для анализа и прогнозирования рынка ценных бумаг.
  5. Сравнительный анализ программных продуктов реализующих нечеткую логику и работающих с нечеткими множествами.
  6. Анализ возможностей использования технологии Data Mining в анализе и прогнозе рынка ценных бумаг.
  7. Разработка комплексной методики анализа и прогноза РЦБ на основе исследованных и проанализированных подходов с использованием математического аппарата нейронных сетей, теории хаоса и нечетких множеств.
  8. Выводы по работе.

Очевидным фактом является, что для реализации предложенных идей необходимо использование новых информационных технологий. В этой связи становиться актуальными вопросы создания новых комплексов программ или использование имеющихся разработок для реализации предметной области. Такими программными инструментами могут стать системы реализующие технологию Data Mining, Fuzzy Logic и Neural Networks. Особый интерес представляет система Data mining PolyAnalyst компании «Мегапьютер Интеллидженс».

Сегодня во всем мире используются сотни, если не тысячи, разнообразных интеллектуальных систем поддержки принятия решений по управлению портфелем ценных бумаг — Portfolio management decision support systems (PMDSS). Их работа основана на комбинации изощренных статистических методов с правилами, заданными на основании информации, полученной от опытных трэйдеров, и в ряде других подходов. Множество систем базируется на нейронных сетях [Киселев М., 2006, 3].

Несмотря на разнообразие подходов, большинство систем основываются в своей работе на анализе истории рынка. Однако очевидно, чтобы построенная на основании прошлого опыта модель работала в будущем, необходимо, чтобы рынок в течение достаточно длительного времени не претерпевал кардинальных изменений, чтобы происходящие на нем события имели приблизительные аналоги в прошлом. Например, многие нейросетевые системы требуют для своего обучения данные по истории рынка не менее, чем за 3-5 лет. То есть предполагается, что в течение какого-то времени внутренние законы динамики рынка не будут существенно отличаться от тех, которые действовали последние 3-5 лет. Совершенно очевидно, что для российских финансовых рынков эти условия не выполняются. Кроме того, нейронные сети обладают тем недостатком, что очень трудно понять, а, значит, и проконтролировать, почему они принимают те или иные решения, а это уменьшает надежность управления в кризисных ситуациях, когда сильно влияние внешних факторов, не учитываемых системой [Киселев М., 2006, 5].

Еще одной российской особенностью является отсутствие развитой системы индексов, характеризующих отдельные финансовые инструменты, рынки и экономику в целом, которые используются торговыми системами. Поэтому представляется, что эти и некоторые другие причины делают применение в России традиционных систем управления портфелями ценных бумаг малоэффективным.

Решением проблемы эффективных инвестиций и построения оптимальной стратегии управления портфелем может стать технология Data Mining and Knowledge Discovery – «добыча» данных (DM) и обнаружение знаний. Этим термином обозначается набор методов из области искусственного интеллекта, начавшей активно развиваться совсем недавно. Эти методы позволяют извлекать из «сырых» данных (в нашем случае — описания истории рынка) ранее неизвестные знания о зависимостях и закономерностях поведения описываемого объекта.

Для построения оптимальной стратегии торговли на фондовом рынке не обойтись без применения нейросетевых технологий. Нейронные сети будут составлять общую с Data Mining систему искусственного интеллекта, которая должна быть дополнена агрегацией методов нелинейной динамики для анализа и прогнозирования временных рядов котировки акций. При этом следует сделать важное замечание. Динамика фондового рынка зависит от множества внешних и внутренних факторов. Очень часто эти факторы носят недостаточно формализуемый характер, поэтому применение нечеткой логики и теории нечетких множеств также обосновано и очевидно.

 

Литература

  1.  Киселев М. Data Mining в управлении портфелем ГКО/ОФЗ [режим доступа http://www.tora-centre.ru].
  2. Недосекин А.О. Фондовый менеджмент в расплывчатых условиях – Санкт-Петербург, 2003. -201 с.
  3. Тихонов Э.Е. Методы и алгоритмы прогнозирования экономических показателей на базе нейронных сетей и модулярной арифметики. Дисс. …канд. тех. наук. – Ставрополь, 2003. – 139 с.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *