Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций заключается во вложении денег сейчас с целью получения дохода в будущем и основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций - всех бирж и небиржевых систем торговли ценными бумагами.
Для предсказания финансовых временных рядов в последнее десятилетие активно используются:
· технический анализ, сосредоточенный на индивидуальном поведении данного финансового инструмента, вне его связи с остальными ценными бумагами,
· метод на основе нейронных сетей, обладающий рядом неоспоримых достоинств.
Во-первых, нейросетевой анализ, в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Поэтому нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.
|
|
Во-вторых, в отличие от технического анализа, основанного на общих рекомендациях, нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную для данного ряда стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков, в частности, российского.
Общая схема нейросетевого предсказания временных рядов показана рисунке 23.
Метод погружения позволяет количественно измерить предсказуемость реальных финансовых инструментов, т.е. проверить или опровергнуть гипотезу эффективности рынка.
Одним из самых слабых мест в финансовых предсказаниях является дефицит примеров для обучения нейросети. Финансовые рынки, вообще и особенно российские, не стационарны. Появляются новые финансовые инструменты, для которых еще не накоплена история, изменяется характер торговли на прежних рынках. В этих условиях длина доступных для обучения нейросети временных рядов весьма ограничена.
Рис. 23. Схема технологического цикла предсказаний рыночных временных рядов
В простейшем случае ежедневной торговли прибыль зависит от верно угаданного знака изменения котировки. Поэтому нейросеть следует ориентировать именно на точность угадывания знака, а не самого значения.
Автоматические нейросетевые трейдеры оказываются наиболее эффективны при торговле в реальном времени, где наиболее заметны такие их преимущества над обычными брокерам, как: неутомляемость, неподверженность эмоциям, потенциально гораздо более высокая скорость реагирования. Обученная нейросеть, подсоединенная к электронной системе торгов, может принимать решения еще до того, как брокер-человек успеет распознать изменения графика котировок на своем терминале.