Содержание к диссертации
Введение 3
Глава 1. Исследование развития теории финансового инвестирования. 8
1.1. Эволюция мировой экономической мысли и ее влияние на современные теории управления финансами. 8
1.2. Анализ адекватности описания финансовых рынков средствами ^g
неоклассических теорий и концепций.
1.3. Нелинейные технологии моделирования финансовых рынков 38
1.4. Исследование информационных массивов 48
Выводы по 1 главе. 53
Глава 2. Разработка методологических подходов к использованию нейронных сетей «
для анализа финансовых рынков
2.1. Нейросетевые модели в финансовой деятельности. 55
2.2. Разработка нейросетевого подхода к восстановлению пропущенных и
выявлению неточных данных в финансовых рядах динамики. 68
2.3. Разработка алгоритмов создания сетей переменной структуры. 78
2.4. Разработка подхода к применению нейронных сетей для синтеза прогнозов, осуществляемых различными технологиями 91
Выводы по 2 главе. 97
Глава 3. Прикладные аспекты анализа финансовых рынков с помощью аппарата нейросетей
3.1. Применение методики нейросетевои классификации экономических субъектов для анализа коммерческих банков 100
3.2. Применение нейронных сетей для анализа операций на международном валютном рынке Форекс 118
Выводы по 3 главе. 139
Заключение
Литература 144
Приложения 149
Введение к работе
Актуальность темы. Эффективная деятельность на современных рынках капитала во многом определяется своевременностью и качеством управленческих решений, принимаемых в условиях постоянно растущей конкуренции, жестких временных ограничений, неполноты информации. В этой связи неслучаен огромный интерес к новым информационным технологиям, способствующим повышению качества, сокращению времени и снижению трудоемкости принятия управленческих решений.
Одним из актуальных направлений применения современных информационных технологий в финансово-кредитной сфере является автоматизация процессов анализа и прогнозирования поведения финансовых рынков, а также их участников. Решение подобных задач - сложный и трудоемкий процесс, результаты которого имеют приближенный, вероятностный характер. Несмотря на свою развитость, классические методы и модели (в основном статистические и эконометрические), используемые для прогнозирования курсовой динамики ценных бумаг и валют, анализа рисков, управления портфелем, классификации данных и т.п., все менее эффективно работают в условиях глобализации мирового финансового пространстса, расширения рынков, появления новых финансовых инструментов.
Число факторов на финансовых рынках измеряется десятками и сотнями тысяч; взаимосвязей же между факторами неизмеримо больше. Регрессионные уравнения позволяют эффективно использовать не более нескольких десятков переменных. При применении большего числа переменных их зашумленность, взаимная ковариация и т.п. делают практически невозможной корректную параметризацию модели, что приводит к неадекватным результатам моделирования. К важным особенностям задач анализа финансовых рынков следует также отнести наличие и существенное влияние на экономические процессы качественных факторов, что обусловливает трудность математической формализации модели. Сложность воспроизведения множества перекрестных связей между факторами на финансовых рынках, которые необходимо учесть и смоделировать, требует использования описательного аппарата, который не зависит от указанных количественных и качественных ограничении. Все это приводит к необходимости разработки специальных подходов моделирования к автоматизации решения подобных задач.
Одним из перспективных научных направлений автоматизации решения трудноформализуемых задач является применение технологий искусственного интеллекта (ИИ). Среди важнейших направлений в области ИИ следует особо выделить нейронные сети. Они обладают рядом уникальных качеств, позволяющих преодолеть трудности, возникающие при практическом использовании классических методов. К этим качествам относятся:
• приспособленность к работе с зашумленными и нерелевантными данными;
• возможность к обучению и адаптации в автоматическом режиме;
• учет качественных данных, плохо поддающихся формализации;
• способность учитывать произвольно большое количество факторов;
• универсальность (широкий класс задач решается с использованием, в большинстве случаев, 5-7 стандартных архитектур).
Несмотря на то, что нейронные сети хорошо зарекомендовали себя в решении задач во многих областях человеческой деятельности, вопросы их эффективного применения для обработки и анализа финансовой информации, создания нейросетевых моделей финансовых процессов, решения задач прогнозирования и классификации недостаточно изучены как у нас в стране, так и за рубежом.
Актуальность обозначенных проблем, их недостаточная теоретическая и практическая разработанность, обусловили выбор темы, цель и задачи диссертационного исследования. Цель и задачи диссертационной работы. Целью диссертационной работы
является совершенствование и развитие методологического аппарата теории
искусственных нейронных сетей и разработка методик применения нейросетей в
решении задач прогнозирования финансовых показателей, классификации и
обработки данных.
Для реализации цели исследования в работе были поставлены следующие
задачи:
исследовать эволюцию концепций управления финансами на финансовых рынках;
обосновать методологический аппарат нейросетевой классификации экономических субъектов и выявить возможности применения нейросетевого моделирования в решении задач финансового анализа
провести сравнительный анализ возможностей использования различных методов и технологий нелинейного моделирования финансово-экономических процессов;
сформулировать подходы к оптимизации размера нейронных сетей;
выявить специфику функционирования различных типов нейронных сетей (многослойных перцептронов, ассоциативных сетей, сетей Кохонена, сетей радиально-базисных функций) с целью выявления наибольшей эффективности их использования для конкретных финансовых задач;
разработать методику использования нейросетей для восстановления пропущенных и выявления неточных данных в рядах финансовых показателей;
сформулировать подходы к применению нейронных сетей для прогнозирования рядов финансовых показателей.
Предмет и объект исследования. В качестве объекта исследования в диссертации избраны процессы анализа и прогнозирования финансовых рынков. Предметом исследования являются методы построения и обучения нейронных сетей как универсального аппарата нелинейного моделирования финансовых процессов и решения прикладных задач прогнозирования, классификации и восстановления данных.
Методология исследования. Методологическую основу исследования составили современная теория финансовых рынков, а также последние достижения в области искусственного интеллекта и экономической информатики. В процессе работы над диссертацией использовались труды российских и зарубежных ученых в области математического моделирования, искусственного интеллекта, теории вероятностей и математической статистики, финансового и инвестиционного менеджмента, материалы научных периодических изданий.
При проведении исследования широко использовались методы нейросетевого моделирования, эконометрического и статистического анализа.
Нейросетевое моделирование проводилось в программных пакетах Statisctica Neural Network (StatSoft), а также NeuroPro 1.0. и 2.5. (Институт вычислительного моделирования СО РАН).
Научная новизна настоящего диссертационного исследования состоит в следующем:
• выявлены недостатки существующих методов моделирования финансовых процессов и обоснован выбор методологического аппарата нейросетей в результате исследования эволюции концепций управления финансами на финансовых рынках;
• раскрыты особенности функционирования различных типов нейронных сетей в контексте их применения для решения поставленных в исследовании прикладных задач;
• разработан метод восстановления пропущенных и выявления неточных данных в рядах финансовых показателей на основе нейросетевых моделей нелинейной авторегрессии;
• предложены алгоритмы построения нейронных сетей переменной структуры на основе информации о ходе обучения;
• сформулированы рекомендации по применению сетей Кохонена для классификации экономических субъектов;
• разработана методика применения сетей Кохонена и многослойных перцептронов для краткосрочного прогнозирования котировок финансовых активов;
• реализован методический подход к нейросетевому объединению прогнозов, полученных с помощью разнообразных технологий анализа.
Практическая значимость исследования заключается в том, что реализация разработанных методических положений для решения широкого круга прикладных финансовых задач позволит: S оптимизировать процедуры первичной обработки информации в массивах данных; S повысить точность прогнозирования финансовых показателей, в том числе котировок ценных бумаг и валютных курсов; улучшить качество решения задач классификации в финансовой сфере с учетом возможности использования нечисловой информации; S снизить трудовые и временные затраты на создание конечных нейросетевых моделей для решения прикладных задач путем использования разработанных алгоритмов наращения нейронных сетей в ходе их обучения.
Апробация и внедрение результатов работы. Основные результаты исследования докладывались на конференциях профессорско преподавательского состава Московского Университета Потребительской Кооперации в течение 1998 - 2000 гг.
Практическую апробацию в КБ «Соцгорбанк», ОАО «Мытищинская Инвестиционная Компания» прошли: методика применения сетей Кохонена и многослойных перцептронов для краткосрочного прогнозирования валютных курсов на рынке FOREX, методика нейросетевой классификации экономических субъектов, методика нейросетевого восстановления пропущенных и выявления неточных данных в финансовых рядах динамики (подтверждено справками о внедрении). Результаты диссертационного исследования находят применение во Всероссийском заочном финансово-экономическом институте (ВЗФЭИ) при разработке госбюджетной НИР по подтеме «Информационные системы в экономической деятельности России». Некоторые теоретические положения и рекомендации исследования используются в учебном процессе ряда экономических вузов в преподавании таких дисциплин, как «Автоматизированная обработка финансовой информации», «Интеллектуальные информационные системы».
Публикации. По теме диссертационного исследования опубликовано 5 работ, общим объемом 1,62 п.л.
Объем и структура работы. Диссертация состоит из введения, трех глав, выводов и предложений, списка использованной литературы, приложений.
