Юрист - онлайн

ВОЗМОЖНОСТИ УСТОЙЧИВОГО ПРОГНОЗИРОВАНИЯ СИТУАЦИЙ НА ФОНДОВОМ РЫНКЕ АЗЕРБАЙДЖАНА НЕЙРОСЕТЕВЫМИ МЕТОДАМИ

Тагиев Намиг Фаиг Оглы

Одним из научных методов, применяемых в последние годы в экономических ис­следованиях, является искусственные нейронные сети. Основная идея здесь состоит в моделировании поведения в будущем определенных процессов на основе имеющейся об этом процессе информации. Нейронная сеть, будучи множеством специально выб­ранных математических функций, зависящих от многих параметров, может регулиро­ваться в процессе обучения на основе прошлых сведений. Затем, обученная нейрон­ная сеть работает с полученной информацией и прогнозирует поведение исследуемой системы. Сущность нейронной сети состоит в исследовании происходящих процес­сов.

Первая попытка в области создания и исследования нейронных сетей принадле­жит У.Маккалоку и У.Питер [ 1 ]. Большим прорывом в области, нейтроинтеллекта была построенная в 1962 году нейрофизиологом Ф. Розенблаттом однослойная нейронная сеть [2]. Эта сеть с большим успехом использовалась при прогнозе погоды, анализе электрокардиограмм, искусственном видении.

Однако, скоро стало ясно что построенные сети не могут решить некоторые зада­чи, которые несколько отличаются от решаемых ими вопросов. В последствии М. Мински [3] с помощью точного математического метода доказал, что используемые однослойные сети не могут теоретически реализовать некоторые вопросы, например, такие логические функции как, отрицание одинаковых ситуаций. Это была одна из причин приостановки развития нейтроинтеллекта в течение двух десятилетий.

Несмотря на это, продолжая исследования С.Гроссберг, С.Хопфидд, Т.Кохонен, [4,5,6,7] постепенно развили основы построения и применения искусственных ней­ронных сетей. Стало известно, что большинство вопросов, которые представлялись М.Мински как нерешаемые, можно решить с помощью иначе построенной нейрон­ной сети.

В течение последних десятилетий удалось достичь новых результатов в сфере нейроинтеллекта. В ряду новшенств - предложенный японским ученым К.Фукушимой -когнитон, с помощью которого возможно с большой точностью распознать достаточ­но сложные образы (например, иероглифы). В 1982 году американский биофизик С.Хопфидд предложил интересную модель нейронной сети, которой в последствии было присвоено его имя. Затем были разработаны эффективно работающие алгорит­мы. В качестве примера можно привести сеть с противоположным направлением, ас­социативную память с двумя направлениями и т.д.

В последние годы с большой скоростью развивается новая область прикладной математики, специализирующаяся в создании нейронных сетей. Актуальность этих исследований связана с массовым ростом применения нейронной сети в различных областях. Примером этому является автоматизация процессов распознавание образов, адаптивное управление, прогнозирование и предсказывание поведения показателей финансового рынка, исследование оптических и звуковых сигналов, создание само­обучающей системы, озвучивание текстов и т.д.

Большое количество схожих задач, которые могли быть решены с помощью ней­ронной сети, в настоящее время не решаются из-за невозможности создать универсально - сильные сети. Поэтому расширяется создание специализированных ней­ронных сетей, работающих с различными алгоритмами.

Нейронная сеть может работать путем программирования модели и аппаратным путем.

В мире существуют сотни программ нейронных сетей. В качестве примера можно привести пакеты BrainMaker, Neuroshell, Pythia, Statistika Neural Networks и т.д.

Современная рыночная экономика — это весьма сложная система, включающая множество взаимосвязанных показателей от микро- до макропоказателей. В этих ус­ловиях нелинейные модели, отражающие зависимости между экономическими пока­зателями, могут быть различными в зависимости от экономического положения стра­ны. В отличие от традиционных методов, модели, построенные с помощью нейрон­ных сетей лучше отражают форму корреляции между параметрами экономической системы. Поэтому в последнее время применение таких моделей в экономических ис­следованиях ускоренно развивается.

В настоящее время вопросы использования методологии нейросетей в процессе прогнозирования развития фондового рынка Азербайджана немного преждевремен­ны, что связано со слабым развитием данного вида рыночной инфраструктуры. Одна­ко, по мере развития фондового рынка в стране и интеграции его в мировой рынок нейросетевые методы прогнозирования могут стать эффективным инструментом уп­равления фондовым рынком.

Рынок программного обеспечения по нейросетевым методам в Азербайджане пока отсутствует и анализ несуществующего рынка несколько затрудняет оценку приори­тетов использования финансовыми структурами в своей деятельности множества нейропакетов для прогнозирования. В этой связи, в данной статье даются рекомендации по использованию некоторых нейропакетов в будущем, по мере развития фондового рынка страны.

Применение нейропакетов некоторых классов позволяют моделировать различ­ные ситуации на фондовом рынке с использованием методологии нейросетей. Про­анализируем нейропакет BrainMaker Pro (BMP) для Windows разработанный фирмой California Scientific Software. BMP нейропакет, реализует универсальные алгоритмы вычислительной математики, независимые от предметной области их применения и отличается простотой применения.

Анализ некоторых источников показывает, что в финансовых приложениях, в том числе и для прогнозирования развития фондового рынка применение нелинейных моделей имеет преимущества в сравнении с линейными моделями. С другой стороны, использование нелинейных моделей создает трудности перед непрофессионалами в связи со сложностью их механизма. Следовательно, построение таких математичес­ких моделей пользователем, не владеющим методами математической статистики про­цесс весьма трудоемкий. Если же задача была хорошо поставлена, то с помощью нейропакета искомая нелинейная модель строится почти автоматически. Преимущества нейросетей становятся заметными тогда, когда довольно часто изменяются “правила игры”. Именно поэтому нейронные сети подходят для определения состояния фондо­вого рынка, характеризующегося целым набором постоянно изменяющихся показа­телей - признаков. Такие важные достоинства статистических моделей, как “прозрач­ность” процесса их построения, хорошая интерпретируемость и возможность числен­ной оценки значимости получаемых прогнозов, помогут лишь пользователям-специ­алистам. А вот нейронную сеть легко обучить решению хорошо поставленных задач может в принципе и неспециалист.

Нейронные сети будут предпочтительны также там, где имеется очень много вход­ных данных, в которых скрыты закономерности. В этом случае можно почти автоматически учесть различные нелинейные взаимодействия между показателями-при­знаками, характеризующими такие данные. Это особенно важно в системах обработки информации (распределенных базах данных, телекоммуникационных и экспертных системах), в частности, для ее предварительного анализа или отбора, выявления “вы­падающих фактов” или грубых ошибок человека, принимающего решения. Целесооб­разно использовать нейросетевые методы в задачах с неполной или “зашумленной” информацией, а также в таких, где решение можно найти интуитивно.

Рассмотрим некоторые направления применения BMP-пакета для краткосроч­ного прогноза котировок корпоративных ценных бумаг, или акций.

Нейропакет BMP можно использовать как один из компонентов системы под­держки принятия решений (СППР), которыми трейдер может руководствоваться на утренних торгах в Бакинской Фондовой Бирже (БФБ). Такая СППРдолжна быть удоб­ной в работе, достаточно мощной с точки зрения аналитических возможностей, а так­же обеспеченной современным интеллектуальным компонентом. Последний включа­ет в себя контекстно-зависимую электронную подсказку (помощь в реальном време­ни), требующуюся для построения технологической цепочки анализа данных, а также удобное описание методологии построения эффективных математических моделей. При наличии такой поддержки снижаются требования к специальной подготовке пользователя по работе с методами из СППР. Прототипом СППР в нашем примере является связка Excel и BMP.

Пусть <EESR.BFB> - код текущей котировки акции в системе БФБ, а Ез - ее цена на момент закрытия торгов, иначе “цена закрытия” на 18 часов. Из среды MS Excel с помощью механизма DDE (dynamic data exchange) трейдер может вызвать настроен­ный ранее на решение конкретной задачи пакет BMP.

В рамках нашего примера нейропакет выполняет прогноз относительного прира­щения (в %) цены закрытия:

D(E3) = 100i(T-Y)/Y, где Т - величина Ее “сегодня” (today), a Y - “в предыдущий торговый день” (yesterday).

Трейдер, принимающий решения о купле-продаже акций, работая непосредствен­но с одной или несколькими информационными системами (Reuters, Dow-Jones Telerate, Bloomberg, Tenfore), может наблюдать в многооконной среде с различной сте­пенью подробности текущие значения и графики интересующих его индексов на ми­ровых фондовых биржах, основные кросс-курсы валют и другие показатели валютно­го, фондового и кредитного рынков.

На принятие решений о купле-продаже акций, естественно, влияют макроэконо­мические и политические события, сообщения о которых через каждые 5-10 минут появляются в текстовом окне монитора и сопровождаются комментариями различ­ных экспертов, включая разнообразные слухи. Также трейдеру доступна дополнитель­ная информация из Национального Банка Азербайджана и других источников о вели­чинах показателей рынков.

Обязательно нужно учитывать психологию трейдеров, поскольку для них боль­шую роль играют ожидания интересующих их событий. Например, в час «X» бакинс­кие трейдеры внутренне готовы к конкретной тенденции поведения индекса Доу-Джон­са на Нью-Йоркской фондовой бирже, которая откроется лишь в час «У» по бакинс­кому времени с учетом его сдвига по часовым поясам.

Необходимо также иметь в виду, что рыночные процессы весьма неоднородны во времени, например, состояние рынка осенью 2003 года существенно отличается от его состояния летом того же года, поэтому не имеет смысла формировать обучающие выборки большого объема. В общем, можно сказать, что фондовый рынок характеризуется такими особенностями, как “загрязнения” в данных и их неоднородность, а также наличием малоинформативных показателей, причем зачастую в большом ко­личестве при относительно малом объеме статистики. Следовательно, задача крат­косрочного прогноза котировок акций представляется достаточно сложной, особенно на молодом и стремительно изменяющемся азербайджанском фондовом рынке.

Для настройки нейросети необходимо использовать, кроме биржевого курса дол­лара, курсов покупки и продажи доллара Национальным Банком Азербайджана и став­ки рефинансирования, показатели, собранные в рабочие дни за 2000-2003 годы, с уче­том изменения макроэкономической ситуации в Азербайджане.

Выбранные показатели-признаки должны характеризовать текущее состояние рынков на момент закрытия торгов: например, одни — азербайджанского кредитного, другие - валютных рынков Азербайджана и основных стран, остальные - мировых фон­довых рынков (индексы бирж США, стран Европы и Юго-Восточной Азии) и фондо­вого рынка Азербайджана.

Следовательно, трейдер может к 9 часам утра за несколько минут получить про­гноз приращения цены и ее величину на вечер того же дня. Ему нужно лишь взять из системы Reuters или сети Internet и ввести в электронную таблицу упомянутые выше показатели, часть из которых была доступна еще с вечера предыдущего дня. Результа­ты расчета появляются в таблице, из которой с помощью DDE вызывается нейросеть.

В дальнейшем, после предварительного анализа ретроспективных данных можно построить нейросеть с входным слоем из 13 нейронов, одним скрытым из 8 и выход­ным из одного нейрона. Подаваемые на вход нейросети 13 признаков может рассчи­тываться по 20 исходным признакам (или соотношение тех или иных ставок или цен). Выходной слой обычно вычисляет величину D(E3).

Литература

1.     Маккалок У, Питер У. Логическое исследование идей, относящихся к нервной активности, сборник «Автоматы», под ред. К.Э Шеннона и Дж Маккарти, — ИЛ, 1956.
2.     Розенблатт Ф. Принципы нейродинамики (перцептоны и теория механизмов моз­га). - М.:, Мир, 1965.
3.     Minsky M., Papert S. Peseptions. - Cambridge M.A.: MIT Press, 1969.
4.     Grossberg S. Adaptive pattern classification and universal recoding: I./ Parallel devel­opment and coding of neural feature detectors. Biol. Cybern., 1976, v.23 pp.121-134.
5.     Hopfield J., Tank D., Neural computation of dedecision in optimisation problems. Biol. Cydern., 1985, v 52 pp. 141-152.
6.     Hopfield J., Neural networks and Physical Systems with Emergent Collective Compu­tational Abilities, in Proc. National Academy of Sciences, USA 79, 1982, PP 2554-2558.
7.     Kohonen Т., Self Organization and Associative Memory, Third Edition, Springer-Verlag. -New York, 1989.

|0 комментариев