аспірант Богач Д.С.

ДВНЗ «Національний гірничий університет»

Засади використання нейронних сіток для торгівлі на фондових ринках

Передбачення фінансових часових рядів - необхідний елемент будь-якої інвестиційної діяльності. Сама ідея інвестицій - вкладення грошей зараз з метою отримання доходу в майбутньому, ґрунтується на ідеї прогнозування майбутнього. Будь-яке завдання, пов'язана з маніпулюванням фінансовими інструментами, будь-то валюта або цінні папери, пов'язане з ризиком і вимагає ретельного розрахунку і прогнозування.

Поведінка ринкового співтовариства має багато аналогій з поведінкою натовпу, що характеризується особливими законами масової психології. Часткова передбачуваність ринку обумовлена примітивнию поведінкою гравців, які утворюють єдину хаотичну динамічну систему з невеликим числом внутрішніх ступенів свободи. Для успішної торгівлі на фондовому ринку необхідно виробити систему гри, апробовану на минулому поведінці часового ряду, і чітко слідувати цій системі, не піддаючись впливу емоцій.

Як відомо, існують два основних підходи до аналізу ринку: технічний і фундаментальний. Перший з них базується на теорії Доу, в основі якої лежить аксіома: «Ціни враховують все», і відповідно технічний аналітик використовує тільки ціни активу і індикатори (функції цін). Фундаментальний аналіз, навпаки, шукає взаємозв'язок цін активу зовнішніх подій і даних типу макроекономічних показників і фінансової звітності корпорацій і т.д.

Застосування нейронних мереж в якості доповнення дає унікальну можливість об'єднати ці два методи. Такий аналіз, на відміну від технічного, не має ніяких обмежень за характером вхідної інформації. Це можуть бути як індикатори даного часового ряду, так і відомості про поведінку інших ринкових інструментів, і зовнішні події. Нейросітки активно використовують на Заході інституційні інвестори (наприклад пенсійні фонди і страхові компанії), що працюють з великими портфелями, для яких особливо важливі кореляції між різними ринками. На відміну від технічного аналізу, заснованого на загальних рекомендаціях і досвіді трейдера, нейромережі здатні будувати оптимальну модель прогнозування, більш того, модель адаптивна і змінюється разом з ринком, що особливо важливо для сучасних високодинамічних фінансових ринків. Застосування нейронних мереж в фінансах базується на одному фундаментальному припущенні - заміні прогнозування розпізнаванням. Нейросітка не передбачає майбутнього, вона «намагається дізнатися» в поточному стані ринку раніше зустрічалося ситуацію і максимально точно відтворити реакцію ринку.

Для прогнозування фінансових часових рядів можливе використання багатошарових персептронов. Використання мереж із зворотними зв'язками недоцільно в зв'язку з труднощами навчання таких мереж і неактуальністю основну характеристику мереж із зворотними зв'язками - короткострокової пам'яті. Необхідно визначити, які входи подавати мережі і які дані отримувати на виході. У загальному випадку входи мережі відображають динаміку торгів (ціни і обсяги) по досліджуваного інструменту за деякий попередній період часу. Виходом мережі зазвичай вибирається зміна ціни досліджуваного фінансового інструменту в майбутньому. Такий вихід дозволяє гравцеві приймати рішення про здійснення операцій на ринку.

Незважаючи на те що передбачення є екстраполяцією даних, нейромережі насправді вирішують задачу інтерполяції, що істотно підвищує надійність рішення.

При навчанні нейромереж, призначених для прогнозування фінансових часових рядів, використовують стандартний підхід. Наявні приклади розбивають на три вибірки: навчальну, валідаційні і тестову.

Навчальна вибірка призначена для підстроювання коефіцієнтів нейронних мереж з метою мінімізації помилки на виході мережі. Валідаційна вибірка використовується для вибору найкращих з кількох навчених мереж та для визначення моменту зупинки навчання. Тестова вибірка, яка не використовувалася в процесі навчання, служить для контролю якості прогнозування.

Для навчання нейромережі недостатньо сформувати навчальні набори входов- виходів. Необхідно також визначити помилку пророкувань мережі. Ефективне значення помилка не має великого «фінансового сенсу» для ринкових рядів. Наприклад, для вибору ринкової позиції достовірна оцінка знаку курсу більш важлива, ніж зниження середньоквадратичного відхилення. Хоча ці показники і пов'язані між собою, мережі, оптимізовані по одному з них, будуть давати найгірші прогнози іншого.

Використання нейронних мереж для аналізу фінансової інформації є перспективною альтернативою (або додатковою програмою) для традиційних методів дослідження. В силу своєї адаптивності одні і ті ж нейронні мережі можуть використовуватися для аналізу декількох інструментів і ринків, в той час як знайдені гравцем для конкретного інструменту закономірності за допомогою методів технічного аналізу можуть працювати гірше чи не працювати взагалі для інших інструментів. Специфіка об'єкта дослідження накладає деякі особливості на використання нейронних мереж для аналізу даних. Такою особливістю є вибір функції помилки нейронної мережі, відмінній від традиційної середньоквадратичної. Слід зазначити, що однією з важливих складових аналізу даних за допомогою нейронних мереж є попередня обробка даних, спрямована на скорочення розмірності входів мережі,

Література:

1. Панфілов П. Н. Введення в нейронні мережі // Сучасний трейдинг. - 2001. - № 2. - С. 12 - 17.

2. Жуков Е.Ф. Цінні папери та фондові ринки. - М .: Видавнича об'єднання "ЮНИТИ", 2003.