<<
>>

7.1. Введение

Аннотация

В настоящей главе Марина Реста приводит примеры, демонстрирующие богатые возможности использования нейронных сетей при разработке систем для фондовых рынков. Для этого она предлагает использовать гибридную нейросетевую архитектуру, объединяющую в себе метод самоорганизующихся карт и генетический алгоритм оптимизации.

Демонстрируя великолепные прогностические возможности данной гибридной системы, автор приводит доказательства ее эффективности для получения качественной и количественной информации о финансовых рынках. Эта глава представляет собой прекрасное дополнение к описанию практического применения трейдинговых систем, приводимому в книге Гвидо Дебока «Рискованный трейдинг» (Trading on the Edge). Новизна предлагаемого подхода состоит в объединении возможностей генетических алгоритмов и самоорганизующихся карт.

На протяжении многих лет прогнозирование финансовых рынков основывалось на (і) теории рациональных ожиданий, (ii) анализе временных рядов и (iii) техническом анализе. Согласно теории рациональных ожиданий, цены увеличиваются или уменьшаются вследствие того, что инвесторы рационально и немедленно реагируют на новую информацию: любые различия между инвесторами в отношении, к при-меру, инвестиционных целей или доступной им информации игнорируются как статистически незначимые. Подобный подход основывается на предположении о полной информационной открытости рынка, т.е. на том, что ни один из его участников не обладает информацией, которой не обладали бы и остальные участники. При этом не может существовать никаких конкурентных преимуществ, поскольку, обладая информацией, не доступной остальным, невозможно увеличить шансы для получения прибыли. Тем не менее корреляция изменения реальных цен на валютных рынках ставит справедливость этих теоретических допущений под сомнение. Более того, поведение рынка в экстремальных условиях, подобным биржевому краху 1987 г., не укладывается в рамки теоретических моделей вовсе.

Целью анализа временных рядов является выявление определенного количества факторов, влияющих на изменение цен, с помощью статистических методов.

Этот подход позволяет выявить тенденции развития рынка, однако, если в рядах данных наблюдаются повторяемость или однородные циклы, его применение может быть связано с серьезными трудностями.

Результатом технического анализа является составление схем или диаграмм, объединяющих данные о цене, объеме торговли и изменении котировок какого-либо финансового инструмента относительно того или иного базиса, в том числе исторических котировок. Избежать риска или заключить его в приемлемые рамки с помощью методов технического анализа удается не часто. Будучи ориентированы на применение в финансовой сфере, эти методы сильно зависят от качества исходной информации. В целом результаты применения традиционных технологий прогно-зирования на финансовых рынках можно назвать ограниченными. Ограниченность этих методов состоит в их зависимости от исходных условий, отсутствии гибкости (соотношения между ценами и определяющими их факторами меняются со временем, подчас очень резко и непредсказуемо) и, наконец, в ограниченной информативности (все традиционные подходы предназначены для описания качественных факторов или закономерностей в количественных терминах).

Таким образом, на смену традиционным технологиям должны придти новые подходы — более эффективные в условиях структурной нестабильности рынков.

Одним из подобных альтернативных подходов является технология искусствен-ных нейронных сетей. Методы, используемые в данной области, существенно отличаются от рассмотренных выше, поскольку нейронные сети представляют собой системы, способные обучаться на опыте и адаптироваться к изменениям среды. Нейронные технологии имеют следующие преимущества: возможность нелинейного моделирования, устойчивость к информационным помехам и способность к обобщению на основе примеров.

Применение нейронных сетей для обработки экономических данных сопряжено с рядом трудностей. При использовании нейросетевых моделей в отдельных областях экономики (валютные рынки, рыночные индексы и т.п.) входные данные соотносятся с желаемыми выходными данными либо могут быть охарактеризованы с помощью ряда факторов.

Это равносильно априорному предположению о существовании неких «законов», управляющих преобразованием исходных временных рядов во множество выходных данных. Все это приводит к проблеме вы-явления репрезентативных рядов и факторов, существенных с точки зрения характеристики входных данных, а также значимых примеров.

В этих условиях предпочтительно использовать самоорганизующиеся карты, способные выявлять и группировать структуры данных при отсутствии представления о выходных данных. Недостаток этого подхода заключается в том, что метод СОК сам по себе является в некотором отношении негибким. Это связано с тем, что размерность карты определяется до начала обучения. Кроме того, в процессе самообучения нейросети не допускается добавление новых нейронов.

Эти трудности могут быть частично преодолены введением гибкой нейронной структуры. Разработав гибридную нейросетевую модель, совмещающую обучающую процедуру метода СОК с эволюционной моделью, мы создали метод интегральной самоорганизации и генетики (ИСОГ). Сочетание СОК с генетическими алгоритмами может обеспечить получение более полной и осмысленной инфор- мации о финансовых рынках (как качественной, так и количественной). Настоящий подход будет рассматриваться нами в следующем порядке. В разд. 7.2 дано общее описание метода ИСОГ. Мы подчеркиваем существенные различия между ИСОГ и СОК. В разд. 7.3 приведены итоги сравнения результатов применения методов СОК и ИСОГ. В частности, показаны преимущества ИСОГ применительно к финансовым рынкам. Мы постарались обосновать, что системы, созданные на основе ИСОГ, более эффективны в применении к стратегиям хеджирования (даже при учете операционных издержек). Наконец, в разд. 7.4 мы излагаем выводы и пытаемся очертить перспективы дальнейших исследований.

<< | >>
Источник: Дебок Г., Кохонен Т.. Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ.-М.: Издательский Дом «АЛЬПИНА»,2001. — 317 с.. 2001

Еще по теме 7.1. Введение:

  1. ВВЕДЕНИЕ
  2. Введение
  3. Введение
  4. Введение
  5. ВВЕДЕНИЕ
  6. Лекция 1. Введение в историю экономики
  7. Тема 5. Этапы перехода к экономическому и валютному союзу. Введение евро.
  8. 1. Введение в экономическую теорию
  9. ВВЕДЕНИЕ
  10. ВВЕДЕНИЕ
  11. ВВЕДЕНИЕ
  12. Введение.
  13. ВВЕДЕНИЕ
  14. ВВЕДЕНИЕ
  15. Введение.
  16. Глава 1.1 ВВЕДЕНИЕ В УПРАВЛЕНИЕ