Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
https://wos-scopus.com
Научные направления
Поделиться:
Разделы: Экономика
Размещена 26.06.2015. Последняя правка: 26.06.2015.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И ПРАКТИЧЕСКИЙ ПОТЕНЦИАЛ ИСПОЛЬЗОВАНИЯ АППАРАТА НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ В ПРАКТИКЕ УПРАВЛЕНИЯ ФИНАНСОВЫМИ АКТИВАМИ

Шигаева Наталия Валерьевна

ООО "Русфинанс банк"

Специалист

Савин А.Г., кандидат экономических наук, доцент, преподаватель кафедры организации производства, СГАУ им. С.П. Королева


Аннотация:
В работе исследуются возможности и способы применения нейросетевого моделирования в финансовом менеджменте. Выявлены основные проблемы, связанные с прогнозированием рыночной конъюнктуры и оптимизацией управленческих решений. Проведена реализация многослойного перцептрона, обученного прогнозированию курса котировок ценных бумаг.


Abstract:
In this research the possibilities and applications of neural network modeling in financial management are explored. The basic problems connected with forecasting market conditions and the optimization of management decisions are described. The multi-layer perceptron forecasting securities prices rates is implemented.


Ключевые слова:
нейронные сети; нейросетевое моделирование; финансовый менеджмент; многослойный перцептрон

Keywords:
neural network; neural network modeling; financial management; a multi-layer perceptron


УДК 336.7

В работе исследуются возможности и способы применения нейросетевого моделирования в финансовом менеджменте. Финансовые активы – это специфическая форма собственности, предполагающая получение дохода. Финансовый менеджмент – это  управление финансовыми активами компании, направленное на достижение стратегических и тактических целей функционирования данной компании на рынке [5].

На основе изучения современных исследований в области финансового менеджмента [1-7] удалось выявить основные проблемы, связанные с прогнозированием рыночной конъюнктуры и оптимизацией управленческих решений: принятие решений в условиях неопределенности [6-7]; нестабильность рынка, кризисные явления, рыночная волатильность [2]; слабая формализация задач оптимизации управленческих решений [1]; многофакторность связей, «проклятие размерности», мультиколлинеарность факторных связей [6-7]; многокритериальность и субъективность оценки эффективности портфельных инвестиций [1]; сложность достоверной оценки и прогноза платежеспособности клиента-заемщика [4]. В рассмотренных исследованиях приведенные выше проблемы финансового анализа решены посредством аппарата искусственных нейронных сетей (ИНС). Применение аппарата нейросетевой оптимизации для принятия управленческих решений на финансовом рынке является актуальным ввиду того факта, что перцептрон в различных конфигурациях способен преодолеть все вышеизложенные проблемы, существующие на финансовом рынке.

Целью работы является исследование теоретического и практического потенциала использования аппарата нейросетевого моделирования в практике управления финансовыми активами. Задачами работы являются анализ результатов проведенных исследований на данную тему, а также реализация перцептрона для осуществления прогнозирования на фондовом рынке. Для реализации поставленных задач собраны диссертационные исследования по проблемам реализации нейросетевого моделирования, а также статистическая информация о динамике котировок акций ОАО "Газпром".

Искусственная нейронная сеть (ИНС) — математическая модель, построенная по принципу организации и функционирования биологических нейронных сетей. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Упрощенно функционирование нейрона можно представить следующим образом. Нейрон получает от дендридов набор входных сигналов и, вычислив скалярное произведение вектора входных сигналов и вектора весовых коэффициентов, формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Выходной сигнал поступает на аксон и передается дендридам других нейронов [6]. Аппарат ИНС справляется с задачами ассоциации, т.е. определения связи между событиями, прогнозирования, классификации (выявления признаков, характеризующих группу, к которой принадлежит тот или иной объект), кластеризации, которая отличается от классификации заранее не заданными характеристиками групп [7].

В работе предложено внедрение механизма нейросетевого прогнозирования на примере акций ОАО «Газпром» за 2014 год. В качестве ретроспективных данных использованы котировки акций за первое полугодие 2014 года. Составлен прогноз на октябрь 2014 года.

Обработка выборки может производиться по формулам (1.1) - (1.3).
Формула 1

где Ot2 -  значение обработанного выборочного сигнала, B(ti)- значение выборочного сигнала в i-й момент времени. 

В ходе исследования установлено, что наилучшие результаты прогнозирования можно получить при использовании первого способа обработки выборки, т.е. при анализе относительных приращений. После проведения настройки параметров сети, ее обучения и тестирования в среде Matlab, выбрана конфигурация нейронной сети, представлена на рисунке 1. Она представляет собой многослойный персептрон с 4 входами и одним выходом. Обучение производилось методом обучения с учителем. Входными данными для работы перцептрона выбраны данные о котировках на день назад, на два, три и четыре дня назад. Согласно выбранной конфигурации нейросети, данные четырех входов обрабатываются сетью на скрытом слое, итогом обработки является получение сигнала об изменении динамики котировок на день вперед.


Рисунок 1 – Конфигурация рабочей нейронной сети

Составлен прогноз котировок ОАО «Газпром» на октябрь 2014 года, представленный на рисунке 2. Согласно коэффициенту детерминации, прогнозные значения соответствуют значениям котировок октября 2014 года на 94%. Оценена вероятность предсказания верного направления котировок, которая составила 82%, в связи с чем, потенциал использования подобной модели в краткосрочном прогнозировании можно оценить как высокий.


Рисунок 2 – Прогноз котировок ОАО «Газпром»

Результаты и выводы. В результате проведения нейросетевого моделирования получена многослойная гибридная нейронная сеть, которая способна прогнозировать абсолютные значения цен на ближайшую перспективу с достаточно высокой достоверностью. Исследования приводит к выводу, что при использовании верных торговых стратегий полученная точность прогнозирования может принести существенный доход инвестору и спекулянту. Метод нейросетевого прогнозирования применим в основном при условии использования активной стратегии, т.к. нейросеть конфигурации, выбранной в данном исследовании, не учитывает общую тенденцию долгосрочного изменения котировок (тренд), а использует значения о колебательной составляющей рассматриваемого случайного процесса (динамического изменения информации о котировках акций). При долгосрочном инвестировании игнорирование тенденций изменения цен является неприемлемым, т.к. колебательная составляющая не сохраняет параметры на длительном сроке исследования происходящих изменений.

Таким образом, наиболее значимыми преимуществами данного метода моделирования являются высокая адаптивность, отсутствие ограничений на характер входной информации, преодоление «проклятия размерности», точное прогнозирование в условиях зашумленности данных. Данные преимущества характеризуют нейросетевой анализ как лучший инструмент при осуществлении краткосрочного инвестирования. Среди основных недостатков можно указать сложность выбора архитектуры сети и жесткие требования к обучающей выборке, которые могут привести к допущению серьезных ошибок и, как следствие, к убыткам при инвестировании средств. Представленный в работе аналитический инструмент искусственных нейронных сетей имеет широкие возможности использования  при решении различных проблем экономического характера при всех преимуществах и недостатках.

Библиографический список:

1. Алферов М.В. Разработка алгоритмов комплексного анализа деятельности угольных предприятий с применением метода нейронных сетей: Диссертация на соискание ученой степени кандидата экономических наук. Кемерово, 2004.
2. Горбатов А.И. Прогнозирование экономических показателей на основе искусственных нейронных сетей: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 2003.
3. Ежовкин С.В. Совершенствование управления портфелем акций в условиях нестабильности финансового рынка: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 2001.
4. Зайченко Д.Н. Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 2000.
5. Карлов Д.Н. Интеллектуальная многоконтурная система поддержки принятия решений аналитика: Диссертация на соискание ученой степени кандидата экономических наук. Краснодар, 2010.
6. Косевич К.Ю. Разработка адаптивных моделей оценки и прогнозирования стоимости опционов на российском рынке: Диссертация на соискание ученой степени кандидата экономических наук. М., 2010.
7. Кузнецов А.В. Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей: Диссертация на соискание ученой степени кандидата экономических наук. Самара, 2006.
8. Лукасевич И.Я. Исследование и моделирование процессов финансового инвестирования :Проблемы теории, методологии и компьютеризации: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 1999.
9. Луценко А.В. Модель управления капиталом на основе использования синтезированных финансовых инструментов: Диссертация на соискание ученой степени кандидата экономических наук. Екатеринбург, 2002.
10. Ратай И.С. Статистический анализ и прогнозирование состояния фондового рынка с использованием нейросетевых алгоритмов: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 1999.
11. Родионов П.Е. Методика извлечения знаний в задачах анализа рядов динамики с использованием нейронных сетей: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 2003.
12. Самарин С.В. Применение аппарата нейронных сетей для анализа финансовых рынков: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 2002.
13. Смирнов В.И. Прогнозирование и классификация экономических систем в условиях неопределенности методами искусственных нейронных сетей: Диссертация на соискание ученой степени кандидата экономических наук. Оренбург, 2004.
14. Солянкин А.А. Моделирование технологии анализа и прогнозирования финансовых потоков коммерческого банка: Диссертация на соискание ученой степени кандидата экономических наук. Москва, 1998.
15. Фощан Г.И. Нелинейные динамические модели и нейросетевые методы прогнозирования динамики финансовых рынков: Диссертация на соискание ученой степени кандидата экономических наук. Краснодар, 2005.




Рецензии:

28.06.2015, 0:09 Любенкова Елена Петровна
Рецензия: Статья интересная и может быть рекомендована к опубликованию. Однако совсем непонятно насколько краткосрочным является данный прогноз. А также подтвердился ли полученный в октябре 2014 уровень точности в других прогнозах.

28.06.2015 19:19 Ответ на рецензию автора Шигаева Наталия Валерьевна:
Здравствуйте. Спасибо за рецензию. Вопрос, насколько краткосрочным является данный прогноз, достаточно субъективный. Можно использовать прогноз на один день, на неделю, на месяц. Перспективный диапазон прогноза более месяца я не рекомендую. Инвестор должен рассчитывать перспективный период исходя из уровня риска, приемлемого для конкретного ЛПР. Я бы рекомендовала при векторе входных данных размерности 5 рассчитывать прогноз на 1 значение вперед. Соответственно, если анализируется недельная динамика, то прогноз строить на 1 день вперед. Касаемо уровня точности, при данной конфигурации нейросети уровень точности будет меньше с течением времени и изменением объекта исследования. Параметры нейросети требуют перестройки исходя из изменений, происходящих с объектом исследования.

29.06.2015, 8:38 Чувикова Виктория Викторовна
Рецензия: Данный материал может быть рассмотрен как тезисы, но не статьи. Представленный материал не соответствует заявленной теме. Из материала не ясно, какой объем выборки был использован, сколько параметров, каким образом велись расчеты и прочее. Вы называете сеть «гибридной», не понятна причина и что лежит в основе гибридной сети (т.е. какие модели интеллектуальных систем). Почему сеть является, в Вашем случае, гибридной? Применяя сеть Кохонена, Вы не раскрываете ее роль и значение. Что показывается рисунок? Зачем он в данном материале, что Вы хотели, чтобы читатель увидел? Какой именно аппарат или математическая модель применялась при создании такой сети. Не ясно, какой именно «Представленный в работе аналитический инструмент искусственных нейронных сетей» Вы применяли. В чем он заключается? Статья обо всем и ни о чем одновременно. Кроме этого, в работе имеются орфографические/грамматические ошибки. Не рекомендую к публикации.

29.06.2015, 10:12 Любенкова Елена Петровна
Рецензия: Считаю целесообразным комментарии из вашего ответа на рецензию включить в текст статьи, что повысит ее доступность для понимания. И желательно подтвердить точность прогноза, потому что единичный вариант не презентабелен.



Комментарии пользователей:

Оставить комментарий


 
 

Вверх