Моделирование развития финансовых показателей с использованием инструментария нечеткой логики и правил технического анализа

E-mail Печать PDF

 Усовершенствован разработанный методологический подход к построению моделей прогнозирования развития финансовых показателей на основе инструментария нечеткой логики с использованием правил технического анализа рынка.
Оптимизирован практическую реализацию предложенного подхода, что позволило повысить эффективность и гибкость модели во время ее экспериментального исследования на реальных данных.


Ключевые слова: технический анализ, нечеткая модель, база знаний, нечеткая логика, технический индикатор, обучение, адаптация, прогноз. 

- Найти работу / поиск вакансий
- Выложить / создать резюме
- Выложить / создать вакансию

В предыдущих работах было положено основание для построения модели прогнозирования динамики финансовых показателей с учетом правил технического анализа рынка [ 5, 9 ]. Коротко напомним предпосылки исследования, основные понятия и принципы, которые были определены и использовались в предыдущих исследованиях. Интеллектуальные методы прогнозирования развития финансовых показателей основываются на использовании разнообразного математического инструментария от классических эконометрических моделей и экспертных систем в нечеткой логики и нейронных сетей.

 Авторами этой работы ранее был разработан подход и построены модели на нечеткой логике для идентификации и прогнозирования финансовых показателей с учетом правил развития ценовых кривых по теории волн Эллиотта [ 7-8 ]. В работе [ 1] Ахмеда Гамиль, Раафата Эль - Фуле и Невин Дарвиша предлагается алгоритм работы системы поддержки принятия решений на фондовом рынке с использованием мультиагентных технологий и теории нечеткой логики. Стоит отметить, что использование интеллектуальных средств в процессе моделирования является относительно новым направлением, поэтому каждое исследование в этой сфере имеет определенную новизну и вносит свою долю в общий процесс развития теории прогнозирования в финансовой сфере. Таким образом, исследования моделирования поведения и развития финансовых показателей является очень актуальной темой. В рамках проведенного исследования было предложено методологический подход на основе теории нечеткой логики, благодаря которому было построено ряд моделей для поддержки процесса принятия решений при торговле фондовыми активами. Объектом исследования выступают финансовые временные ряды и процессы, происходящие при торговле фондовыми активами. Соответственно, предметом исследования являются математические методы и модели прогнозирования развития финансовых показателей. Цель исследования состоит в разработке методологического подхода на основе теории нечеткой логики и создание на его основе моделей для поддержки процесса принятия решений при торговле фондовыми активами. База знаний нечетких моделей формировалась на основе правил технического анализа рынка. Техническим анализом называют совокупность инструментов и методов прогнозирования будущих изменений стоимости финансовых активов с изучением изменений за прошедшие периоды. Технический анализ применяется к ценным бумагам, индексов, товаров, фьючерсов и других финансовых инструментов, цена которых зависит от спроса и предложения на него (здесь цене считают любые комбинации высокой, наименьшей цены или цены закрытия за определенный временной промежуток). К преимуществам технического анализа можно отнести фокусировки на цене (аналитики, использующих технический анализ, считают, что, сосредотачиваясь на ценовых колебаниях, они фокусируются на будущем, поскольку рынок служит опережающим индикатором для всей экономики и может привести состояние экономики через 6-9 месяцев), учета спроса и предложения (большинство аналитиков учитывают цены открытия и закрытия, а также самую высокую и самую маленькую цены при анализе ценовых колебаний финансового инструмента. Отдельно эти показатели не способны сообщить много, однако при их совместном использовании можно получить данные о взаимодействии спроса и предложения на финансовый актив), определение уровней сопротивления и поддержки (эти уровни обычно определяются периодами застоя (зонами торговли), когда цены движутся внутри определенного диапазона в течение длительного времени), графическое отображение истории цен (с помощью графиков истории цен можно определить: реакцию рынка до и после важных событий; прошлую и текущую волатильность; историю объемов торгов; относительную силу финансового инструмента по сравнению со всем рынком), помощь при определении точки входа на рынок (обычно аналитики используют фундаментальный анализ для определения объекта вложения средств, а технический анализ - для определения оптимального времени вложения). Предложенный подход, основанный на использовании инструментария нечеткой логики, позволяет устранить такие недостатки технического анализа как субъективизм в определении изменений направления цены (технический анализ финансовых инструментов является свободным для интерпретации и каждый сигнал может трактоваться по - разному различными аналитиками. Также субъективизм оказывается в психологическом настрое торговца), одновременное наличие разноплановых сигналов (даже при наличии четких и однозначных сигналов определенных событий, всегда будут присутствовать сигналы, свидетельствующие о других, иногда даже противоположные тенденции), и уникальные свойства отдельных финансовых инструментов (поэтому нельзя утверждать, что определенный метод технического анализа будет работать одинаково для каждого финансового инструмента, даже несмотря на то, что большинство принципов технического анализа являются универсальными). Оптимизация параметров системы на реальных данных позволит учесть объективные особенности развития финансовых показателей, а также позволяет избежать влияния таких человеческих качеств, как собственные предпочтения или эмоции. Нечеткая модель, настроенная на достаточном количестве данных, способен различать сигналы по уровню значимости, а широкий набор возможностей нечеткой логики позволяет построить модели отдельно для каждого вида финансовых инструментов и эффективно их использовать. Технический индикатор - это упорядоченный набор данных, сформированный путем применения соответствующих формул ценовым данных финансового инструмента. Ценовым данным относятся цена открытия, закрытия, максимума и минимума, а также их комбинации. Технические индикаторы призваны выполнять три основные функции: сообщить, подтвердить, спрогнозировать. Индикатор выполняет функцию сообщения для того, чтобы аналитик обратил внимание на ситуацию с определенным финансовым инструментом. Индикатор может использоваться для подтверждения сигнала другого индикатора. И, конечно, индикаторы могут использоваться для прогнозирования будущего развития цены. В исследованиях были использованы такие технические индикаторы: Moving Average Envelopes, Price Channels, Bollinger Band % B, Money Flow Index, Moving Average Convergence - Divergence, MACD - Histogram, Aroon, Commodity Channel Index, Rate of Change, Chaikin Money Flow, Average Directional Index. Для технического анализа присуща статистическая проблема, как мультиколинеарнисть. Это означает многократное использование информации одного типа. В техническом анализе такая ситуация становится результатом одновременного использования индикаторов, которые продуцируют похожие результаты вычислений и анализа. Учитывая поставленную задачу и специфику методов прогнозирования, которые были использованы в исследованиях, избранные индикаторы были разбиты на следующие категории: -     Трендовые индикаторы: Moving Average Envelopes Price Channels, Bollinger Bands % B. -     Трендовые осцилляторы: Moving Average Convergence Divergence, MACD - Histogram. -     Моментные индикаторы: Rate of Change, Commodity Channel Index, Aroon. -     Индикаторы объема торгов: Chaikin Money Flow, Money Flow Index. -     Индикатор подтверждения тренда: Average Directional Index. На основе правил комбинаторики было определено, что всего возможно создать более 2 млн. правил базы знаний нечетких моделей. Формирование всех правил могло значительно перегрузить базу знаний модели. Процесс отбора правил нечеткого вывода из всех возможных вариантов было автоматизировано с использованием языка программирования Java и инструментария для разработчиков JDK (Java Development Kit). Процесс автоматизации начался с кодирования термов нечетких переменных числовыми кодами. Следующим шагом стало формирование всех возможных комбинаций входных переменных, чтобы получить их общее количество и начать процесс отсеивания. Процесс отсеивания зависел от того, для какой комбинации исходных переменных формируется правило. После этого комбинации входных переменных были объединены с соответствующими комбинациями исходных переменных. Последним этапом стала проверка полноты базы правил. Реализация спроектированной модели и создание тестового программного средства, использовал бы построенную модель в процессе принятия решений, осуществлялась в среде MATLAB. Практическую реализацию подхода можно условно разделить на два этапа. Первым этапом было проведение экспериментов на основе спроектированной модели без ее усовершенствования. За основу для проведения эксперимента были взяты статистические данные компании Apple за период с 1 февраля 2005 года по 12 июня 2009. Наибольшая точность прогноза была продемонстрирована системой с высокой чувствительностью (616 угадываний направлении движения цены закрытия с 1099 случаев, что составляет 56 % точности предсказания направления изменения курса ценных бумаг Apple). Вторым этапом стало обучение нечеткой модели. Обучение происходило средствами среды MATLAB. За основу был взят авторский алгоритм, разработанный для обучения модели прогнозирования банкротства предприятий, основанный на использовании алгоритма минимизации ограниченной нелинейной функции со многими переменными. Поскольку базовый алгоритм был рассчитан на модель с меньшим количеством входных переменных и правил в модели - он был адаптирован для использования в этой задаче. Результатом обучения модели стал рост точности прогноза до 75% (825 угадываний направлении движения цены закрытия с 1099 случаев) для системы с высокой чувствительностью. В результате экспериментального анализа были определены слабые места разработанной интеллектуальной системы прогнозирования. Среди них стоит выделить следующие: -     большое количество возможных комбинаций входных параметров (правил) - при использовании 5 групп по 15 индикаторов количество правил превышает 2 млн. записей (при отсутствии разделения на группы количество правил возрастает на несколько порядков); -     вследствие ручного отбора правил возрастает значимость человеческого фактора, что приводит к снижению точности прогноза; -     длительный процесс обучения модели - полный цикл обучения занимает более 20 часов; -     возможность использования только одного, заранее выбранного, набора индикаторов; -     невозможность динамического изменения настроек каждого отдельного индикатора. Решение указанных проблем стало объектом следующего этапа исследования. Приоритетной задачей стало сокращение времени обучения системы без потери качества и точности процесса. После осмотра всех возможных вариантов архитектуры модели были выбраны иерархическую структуру Такой подход позволяет использовать любое количество индикаторов в процессе прогнозирования, а также динамически изменять наборы индикаторов, их параметры и веса. Процесс обучения модели также значительно упрощается. Обучение можно разделить на этапы: 1 .     Обучение каждой отдельной группы индикаторов, адаптация параметров индикаторов в пределах своей группы. 2 .     Обучение системы в целом, адаптация параметров групп. 3 .     Повторение предыдущих пунктов до достижения определенного уровня погрешности, с учетом изменений параметров после предыдущих итераций. Разбиение процесса обучения на этапы позволяет значительно уменьшить затраты времени на обучение модели, а также повысить гибкость модели при ее настройке. Для достижения еще большей гибкости настроек было принято решение вынести параметры индикаторов за пределы модели и передавать их в качестве входных параметров. Это позволяет редактировать настройки индикаторов независимо от работы модели, а также в будущем настроить процесс обучения модели таким образом, чтобы адаптировать параметры индикаторов для максимизации точности прогноза. На этом этапе настройки индикаторов хранятся в виде XML файлов. Итак, вышеперечисленные усовершенствования модели позволяют: -     еще больше уменьшить вес человеческого фактора в процессе прогнозирования; -     уменьшить время обучения системы (ориентировочно на 40 %); -     динамически изменять настройки системы, в которые входят количество использованных индикаторов и их параметры; -     повысить точность прогноза (ориентировочно на 10%). Разработанный в статье методологический подход к построению экономико - математической модели развития финансовых показателей с использованием инструментария нечеткой логики является научным результатом, заключающимся в новой реализации формирования базы знаний с учетом правил теории технического анализа рынка. В ходе работы был определен перечень индикаторов технического анализа рынка, которые лучше всего подходят для использования в модели нечеткого вывода. Было проведено экспериментальный анализ построенной системы на реальных данных, показал высокий уровень эффективности и достоверности предложенного подхода. Также были определены недостатки построенной модели и пути их преодоления. Полученные в исследовании результаты имеют практическую ценность в первую очередь для финансовых учреждений и трейдеров фондового рынка. 

 
Список литературы

1. Stock Technical Analysis using Multi - Agent and Fuzzy Logic [ Text ] / Ahmed A. Gamil, Raafat S. El- fouly, Nevil M. Darwish / / World
Congress on Engineering. - 2007. - № 4. - 6 p.
2. Trippi, R. R. Artificial Intelligence in Finance and Investing: State - of - the - Art Technologies for Securities Selection and Portfolio
Management [ Text ] / Robert R. Trippi, Jae Kyu Lee, 1996. - 250 p.
3. Trippi, R. R. Neural Networks in Finance and Investing: Using Artificial Intelligence to Improve Real - World Performance [ Text ] /
Robert R. Trippi, Efraim Turban.
1996. - 821 p.
4. О ценных бумагах и фондовом рынке [ Текст]: закон Украины.
5. Кононенко, Д. С. Моделирование развития финансовых показателей с учетом правил технического анализа рынка [ Текст] /
Д. С. Кононенко / / Моделирование и информационные системы в экономике. - 2011. - № 84. - С. 161-180.
6. Круглов, В. В. Нечёткая логика и искусственные нейронные сети [ Текст]: учеб. пособие / В. В. Круглов, М. И. Дли,
Р. Ю. Голунов. - М.: Издательство Физико - математической литературы, 2001. - 224 c.
7. Матвийчук, А. В. Прогнозирование развития финансовых показателей с использованием аппарата нечеткой логики [ Текст] /
А. В. Матвийчук / / Финансы Украины. - 2006. - № 1. - С. 107-115.
8. Матвийчук, А. В. Искусственный интеллект в экономике: нейронные сети, нечеткая логика [ Текст]: монография / А. В. Матвийчук. -
К.: КНЭУ, 2011. - 439 с.
9. Матвийчук, А. В. Моделирование динамики финансовых показателей на основе нечеткой логики с учетом правил теории
технического анализа [ Текст] / А. В. Матвийчук, Д. С. Кононенко / / Экономическая кибернетика. - 2011. - № 4-6 (70-72). - С. 17-24.
10. Ротштейн, А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы,
нейронные сети [ Текст] / А. П. Ротштейн. - Винница: Универсум -Винница, 1999. - 320 с.
11. Теория прогнозирования и принятия решений [ Текст] / Под ред. С. А. Саркисяна. - М.: Высшая школа, 1977. - 351с.

 С уважением команда Портала – «Размут» 

Razmut.ru ©


 

Вход в Razmut

Резюме от Razmut

Сергей Сергеев
Title: Менеджер продаж, отдел сбыта промышленного оборудования
Category: Торговля, снабжение, продажи
Type: Полный рабочий день
Salary Range: $$ - Договорная - $$
Experience: 30
Available: Yes
Gender: Male
Фериде Казанфарова
Title: Врач
Category: Медицинские работники
Type: Полный рабочий день
Salary Range: $800 - $900
Experience:
Available: Yes
Gender: Female
Наталья Поданева
Title: мастер-технолог
Category: Инженеры, технологи, конструкторы, энергетики
Type: Полный рабочий день
Salary Range: $50 - $100
Experience: 2
Available: Yes
Gender: Female
Евгений Колб
Title: Техник-Землеустроитель
Category: Строительство, архитектура, недвижимость
Type: Полный рабочий день
Salary Range: $100 - $200
Experience:
Available: Yes
Gender: Male
Ирина Ефимова
Title: Редактор
Category: Культура, искусство и шоу-бизнес
Type: Полный рабочий день
Salary Range: $800 - $900
Experience: 9 лет
Available: No
Gender: Female
Фарида Дашдамирова
Title: Кредитный специалист
Category: IT, компьютеры, програмное обеспечение
Type: Полный рабочий день
Salary Range: $500 - $600
Experience:
Available: No
Gender: Female
Наталья Рыбачок
Title: Менеджер по продажам
Category: Торговля, снабжение, продажи
Type: Полный рабочий день
Salary Range: $$ - Договорная - $$
Experience:
Available: No
Gender: Female
Илья Багнюк
Title: Менеджер по продажам\супервайзер\начальник отдела продаж
Category: Другое
Type: Полный рабочий день
Salary Range: $600 - $700
Experience: 10
Available: No
Gender: Male
Роман Акулевич
Title: оператор по добыче нефти и газа
Category: Рабочие, мастера
Type: Полный рабочий день
Salary Range: $500 - $600
Experience: 15 лет
Available: Yes
Gender: Male
Марина Кораблёва
Title: инспектор, специалист
Category: Другое
Type: Полный рабочий день
Salary Range: $$ - Договорная - $$
Experience: 4 года
Available: Yes
Gender: Female

".Работа в Москве." ".Работа в Киеве." ."Поиск вакансий." ".Поиск резюме." ".Подбор персонала." ".Описание обязанностей, должностных инструкций по вакансиям." ".Шаблон (макет) резюме." ".Выложить резюме." ".Разместить вакансию." ".Работа в Украине." ".Работа в СНГ." ".Работа в России." ".Работа в Белоруссии." ".Работа в других странах." ".Работа в Москве." ".Работа в Киеве." ".Работа в Санкт-ПетерБурге." ".Авиаразмут." ".Повышение квалификации по ведущим вакансиям." ".Размутить / снять девушку."
Карта сайта
© Размут.рф 2009–2018 ".Razmut." Contact tel. +38(093)76.70.429 operator life:)
По всем вопросам, пишите на электронную почту: po4ta(собака)razmut.ru - С уважением Администрация проекта «Размут»
При перепубликации материалов, активная ссылка на www.razmut.ru обязательна.
проверка сайта