Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей

• Автор: Головачев, Сергей Сергеевич
• Шифр специальности: 08.00.10
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 191 с. : ил.

Оглавление
Введение
Глава 1. Роль искусственных нейронных сетей в прогнозировании финансовых рынков.
1.1.Самоорганизация в искусственных нейронных сетях и на финансовых рынках
1.2.Принятие решений репрезентативным агентом на основе ограниченной рациональности и самоорганизации: имитация с помощью искусственных нейронных сетей
1.3. Основные характеристики, типология и принципы построения искусственных нейронных сетей при прогнозировании финансовых рынков
Глава 2. Инвестиционные решения на фондовом и валютном рынках на основе упрошенной картины мира и контекстной памяти - представление в форме искусственных нейронных сетей с предварительной обработкой входных данных
2.1.Предварительная обработка входных данных искусственными нейронными сетями при прогнозировании финансовых рынков с помощью метода главных компонент и метода независимых компонент
2.2.Прогнозирование финансовых рынков с помощью искусственной нейронной сети, обученной по методу Левенберга-Марквардта и использующей снижение размерности входных данных (упрощение картины мира)
2.3. Прогнозирование фондового и валютного рынков с помощью искусственной нейронной сети Хакена, использующей предварительную обработку входных данных в виде формирования контекстной памяти
Глава 3. Иллюзия субъективной полноты картины мира, свойственная репрезентативному инвестору, и ее воспроизведение посредством искусственных нейронных сетей, использующих конкурентные механизмы предварительной обработки входных данных
3.1.Прогнозирование финансовых рынков с помощью искусственной нейронной сети Кохонена-Хакена, использующей конкурентную обработку входных данных
3.2.Прогнозирование фондового и валютного рынков с помощью роевой архитектуры искусственных нейронных сетей, использующей кластеризацию данных в качестве инструмента предварительной обработки
Заключение
Библиография
Приложение

Введение
Актуальность диссертационного исследования имеет как теоретические, так и практические основания. В условиях глобализации зависимость реального сектора экономики и благосостояния физических лиц от процессов, происходящего на финансовых рынках, очень велика. Особенно сильно это можно было ощутить в ходе мирового финансового кризиса 2008 года, когда обвал финансового сектора повлек за собой рецессию во многих мировых экономиках. Теоретическое описание массовых ожиданий участников финансового рынка и прогнозирование на этой основе котировок требуют применения всё более продвинутых формальных методов.
В финансовом анализе искусственные нейронные сети рассматриваются как механизм реконструкции репрезентативного агента, принимающего решения, и благодаря своим отличительным характеристикам могут быть использованы для прогнозирования доходности на фондовом, валютном и других рынках.
В диссертации рассматриваются фондовый и валютный рынки развитых стран, поскольку именно эти рынки бывают наиболее близки к состоянию информационной эффективности. Это состояние заявлено в качестве цели для суверенных регуляторов финансовых рынков и отражено, в частности, в документах Международной организации комиссий по ценным бумагам (IOSCO), что делает именно развитые рынки наиболее интересным, «чистым» объектом исследования.
Отдельная важная проблема в рамках исследований искусственных нейронных сетей и повышения эффективности их прогнозных способностей - это различные способы обработки входных данных. Это объясняется тем, что в последние годы массивы данных, доступные финансовым аналитикам, существенно возросли, а взаимосвязи между ними, в том числе причинно-следственные, усложнились. Поэтому в рамках данной работы основное внимание будет уделено исследованию и применению различных инструментов обработки

и сравнительному анализу их возможностей для прогнозирования доходности на фондовом и валютном рынках развитых стран. В частности, будут подробно рассмотрены метод главных и метод независимых компонент, которые используются во многих научно-исследовательских работах по финансовой математике.
Следует добавить, что полезность исследований с помощью искусственных нейронных сетей нельзя связывать только с финансово-экономической сферой. Полученные исследовательские результаты могут дать важный синергетический эффект для других отраслей науки. В числе наиболее перспективных можно выделить когнитивную психологию, теории принятия решений индивидуумами и группами лиц, а также поведения больших социальных систем.
Степень разработанности темы в научной литературе. На протяжении последних лет можно выделить большое количество исследований по теоретическим и по практическим аспектам применения искусственных нейронных сетей, на изучении которых сделан акцент в данной работе. Разброс публикаций по данной тематике достаточно широк. Первыми стали труды У. Мак-Каллокка и В. Питтса, Д.Хебба и Ф.Розенблатта. К попыткам систематизировать информацию (прежде всего, типологию) в данной области можно отнести работы С.Хайкина, К.Бишопа, К.Файфа, П. Макнелиса, В.Круглова. Используемые в работе методы предварительной обработки данных перед предъявлением искусственным нейронным сетям широко рассматриваются в работах Й. Джолиффа, А. Хюваринена, А. Бека и А. Вайгенда, Й. Горрица и др., Л. Делатавера и др., П. Комона.
Существует обширная литература, где описывается построение полноценных моделей искусственного интеллекта с помощью искусственных нейронных сетей и экспериментального взаимодействия агентов в больших имитационных системах. Отметим публикации Б. Лебейрона, М.Митчелл, Б. Макмуллина, Р. Да Силва и др., С.Альфарано и др., А. Баравиера и др., Р. Конта и
Ж -Ф Кпптр

данных, которые предъявляются сети - именно этой теме в значительной теме и посвящена данная работа.
Вопрос обработки входных данных (не только в искусственных нейронных сетях, но и вообще в моделях поддержки принятия решений) важен потому, что при составлении прогнозов финансовым аналитикам приходится работать с огромными массивами информации. Несмотря на очевидный прогресс в развитии информационных технологий, далеко не всегда в распоряжении исследователя есть вычислительные машины, способные в сжатые временные рамки обработать неограниченные объёмы информации. Ведь если подходить к анализу финансовых рынков с максималисткой позиции, то влияние на цену актива может оказать всё, что угодно. При этом уместно напомнить о возросшей взаимозависимости мировых экономических процессов в эпоху глобализации и известный «эффект бабочки» [144], когда незначительное событие может коренным и непредсказуемым образом повлиять на поведение всей динамической системы, к числу которых, безусловно, следует отнести финансовые рынки. С другой стороны, развитие постиндустриального общества порождает и негативные эффекты: сегодня информационные потоки содержат в себе значительную шумовую компоненту, то есть многие данные нерелеванты, несущественны, а иногда и вовсе оказываются «мусором».
Обнаружение важной информации в больших массивах данных активно изучается в последние годы и выделилось в отдельное научное направление — «глубинный анализ данных» (data mining) [79]. Широко используется этот подход и в нейросетевых моделях, разработанных для прогнозирования финансовых рынков [76, 199]. Таким образом, вопрос предварительной обработки входных данных нетривиален для финансового аналитика, и основная проблема здесь кроется в необходимости ориентации и сортировки больших массивов информации в зависимости от степени влияния на исследуемый процесс.
Существует большое количество способов предварительной обработки