Содержание к диссертации
Введение
1. Проблема управления портфелем ценных бумаг и анализ методов ее решения 10
1.1 Анализ российского рынка ценных бумаг 10
1.2 Проблема прогнозирования на рынке ценных бумаг 32
1.3 Анализ существующих методов управления портфелем ценных бумаг 47
1.4 Классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах 59
2. Разработка методики создания прогнозирующих систем на базе нейросетевьгх технологий для управления портфелем ценных бумаг 66
2.1 Нейронные технологии на финансовых рынках 70
2.2 Структура искусственной нейронной сети 87
2.3 Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг 104
3. Управление портфелем ценных бумаг с помощью нейронной сети 125
3.1 Критерии выбора программно-аппаратного обеспечения для создания нейронных сетей 125
3.2 Постановка задачи и подготовка входных данных 128
3.3 Создание и обучение нейросети 141
3.4 Практический результат использования нейросети. 155
Заключение 161
Список литературы 167
- Проблема прогнозирования на рынке ценных бумаг
- Классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах
- Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг
- Постановка задачи и подготовка входных данных
Введение к работе
Переход к рыночным отношениям в экономике и научно-технический прогресс чрезвычайно ускорили темпы внедрения во все сферы социально-экономической жизни российского общества последних достижений в области информационных технологий. Достижение Россией высоких результатов в экономике и социальной области и завоевание места полноправного партнера в мировой экономической системе в значительной степени зависит от того, каковы будут масштабы использования современных информационных технологий во всех аспектах человеческой деятельности, а также от того, какую роль будут играть эти технологии в повышении эффективности общественного труда.
Большинство проблем, возникающих перед финансовыми менеджерами верхнего уровня, и, в первую очередь, проблемы принятия эффективных инвестиционных решений на фондовых, товарных и финансовых рынках, являются по самой своей природе плохо структурированными и, как следствие, не приспособленными для решения стандартными методами. Одной из основных таких проблем является задача повышения эффективности управления портфелем ценных бумаг. Это перманентная проблемная задача любого коммерческого банка, работающего на рынке ценных бумаг. В процессе решения этой задачи менеджеры вынуждены учитывать большое количество противоречивых и неоднозначных данных, важность которых невозможно оценить объективно. Во всех подобных ситуациях принимаемые решения носят весьма субъективный характер и, как все интуитивные решения, не могут быть корректно объяснены.
Необходимость финансового анализа в коммерческих банках сегодня не вызывает сомнений. Практически в любом банке есть своя аналитическая
служба. Но работники этих служб являются во многом первопроходцами. Финансовые рынки в России еще не завершили своего формирования, и аналитикам приходится работать в условиях, когда собственный опыт не всегда помогает. Большинство универсальных методик, особенно зарубежных, нуждается в адаптации к российским условиям и к требованиям конкретного банка. Зачастую и уровень подготовленности аналитиков накладывает ограничения на выбор методики. Отечественные производители программного обеспечения в большей степени нацелены на автоматизацию бухгалтерского учета и операционной работы в банке При этом простейшие подсистемы анализа являются желательным, но необязательным придатком [10].
В таких условиях остро встает необходимость разработки методики применения наиболее эффективных технологий управления портфелем ценных бумаг на российском рынке.
Игнорирование проблем управления портфелем ценных бумаг банка и отсутствие системы, позволяющей такое управление поддерживать, приводят к ухудшению качества управления, что в конечном счете отрицательно сказывается на финансовых результатах работы банка. Немало банков в период получения сверхприбылей начинали реализацию дорогостоящих проектов, исходя из текущей ситуации и не затрудняя себя попытками просчитать варианты развития в будущем. Результатом явился длинный список разорившихся банков.
Традиционный финансовый анализ заключается в расчете одного или нескольких показателей и в последующем их рассмотрении. Но, сводя все многообразие банковских операций к нескольким интегрированным показателям, не всегда можно оценить ситуацию в конкретный момент времени. Существует риск упустить некоторые важные детали.
В еще большей степени эти замечания относятся к прогнозированию на основе экономических показателей. Российские банки в настоящее время
работают в условиях нестабильной внешней среды, и построение даже краткосрочных прогнозов затруднено. Поэтому одним из путей дальнейшего совершенствования финансового анализа и прогнозирования является использование инструментов, позволяющих строить модели на основе большого количества разнообразных входных данных (то есть позволяющих устанавливать зависимость между входными данными и прогнозируемой величиной).
Одновременно с развитием новых теоретических подходов для создания адекватной модели поведения рынка, в западных странах и США происходило активное внедрение новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений: вначале в виде экспертных систем и баз знаний, а затем с конца 80-х -нейросетевых технологий.
Начало исследованиям методов обработки информации, называемых сегодня нейросетевыми было положено несколько десятилетий назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований.
На российском финансовом рынке нейросетевые компьютерные технологии появились всего несколько лет назад. Изучение литературы за этот период показало, что ни в одном из источников не содержится подробного описания (с указанием достигнутых результатов) эффективного применения нейросетевых компьютерных технологий для управления портфелем ценных бумаг на российском рынке. Все публикации (подавляющее большинство из них - в периодической печати) сводятся к описанию возможностей нейронных сетей и их потенциальных преимуществ перед другими компьютерными технологиями. Причем все выводы в этих работах сделаны на основе результатов применения нейросетей на западных
рынках. Большинство работ являются рекламными материалами фирм, продающих в России нейронные сети. [13, 20, 26, 28, 37,45].
Все это определило тему настоящего исследования, в центре которого находятся проблемы совершенствования управления портфелем ценных бумаг коммерческого банка с помощью нейросетевых компьютерных технологий.
Цель и задачи исследования. Целью исследования является разработка методики управления портфелем ценных бумаг на базе нейронных компьютерных технологий.
В соответствии с поставленной целью в работе решаются следующие задачи:
• Исследование проблемы современного российского рынка ценных бумаг и роли операций с ценными бумагами в активных операциях коммерческих банков в России.
• Проведение сравнительного анализа существующих технологий управления портфелем ценных бумаг коммерческого банка.
• Выявление проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка.
• Изучение проблемы прогнозирования на рынке ценных бумаг.
• Классификация технологий интеллектуального анализа данных в бизнесе и финансах.
• Проведение анализа существующих нейросетевых компьютерных информационных технологий в финансовой сфере, возможности их применения на российском рынке ценных бумаг.
• Разработка методики создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.
• Формирование критериев выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.
• Создание и внедрение системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.
• Проведение оценки эффективности созданной системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.
Объект и предмет исследования. Объектом исследования является рынок ценных бумаг Российской федерации. Предметом исследования выступает задача управления портфелем ценных бумаг коммерческого банка.
Метод исследования. Для проведения научного исследования использовались как методы эмпирического исследования, такие как сравнение, эксперимент, так и методы научного исследования: анализ, синтез, моделирование, метод статистического анализа, метод экспертных оценок. Кроме того, работа опирается на новейшие разработки в области использования нейросетевых компьютерных технологий на финансовых рынках. Особое внимание уделено опыту применения нейросетевых компьютерных технологий на западных финансовых рынках.
Научная новизна исследования состоит в достижении следующих результатов:
• классифицированы существующие интеллектуальные компьютерные технологии, используемые на финансовых рынках;
• определена возможность использования нейронных компьютерных технологий для управления портфелем ценных бумаг на российском рынке;
• разработана методика создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг коммерческого банка;
• сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.
Практическая ценность. Практическая ценность работы заключается в том, что созданная система управления портфелем ценных бумаг может быть использована в реальной практике как инструмент выработки решений при управлении портфелем ценных бумаг коммерческого банка, а так же любого другого участника рынка ценных бумаг.
Управление портфелем ценных бумаг с использованием созданной системы позволяет существенно увеличить эффективность управления портфелем по сравнению со среднерыночными показателями.
Реализация и апробация работы. Разработанная система управления портфелем ценных бумаг внедрена и используется в практической деятельности в фондовом отделе акционерного коммерческого Промышленно-торгового банка.
Структура работы. Диссертация состоит из введения, трех глав, заключения и списка литературы.
Во введении дано обоснование актуальности рассматриваемой проблемы, сформулированы цель, задачи, объект и предмет исследования, представлены результаты исследования, определена научная новизна и практическая значимость работы.
В первой главе определен объект исследования - рынок ценных бумаг, описана его структура, проведен анализ российского рынка ценных бумаг и выявлены его особенности, показана особая роль облигаций при формировании российскими банками портфелей ценных бумаг. Также дан анализ проблемы прогнозирования на рынке ценных бумаг и исследованы существующие методы управления портфелем ценных бумаг. Произведена классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах.
Во второй главе исследовано применение нейронных технологий на финансовых рынках, формулируются проблемы применения нйронных сетей (НС) в России, рассмотрена структура НС, содержится описание разработанной методики создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг.
Третья глава посвящена практическим результатам использования разработанной методики для создания системы управления портфелем облигаций. В главе определены основные критерии выбора программно-аппаратного обеспечения для создания НС, проведен анализ, существующих программных продуктов, реализующих НС, в соответствии с разработанной методикой реализована прогнозирующая система для рынка облигаций и произведена оценка ее эффективности.
В заключении сформулированы основные научные и практические результаты диссертационной работы.
Проблема прогнозирования на рынке ценных бумаг
В условиях современной России, при отсутствии стабильных связей многих производственных предприятий с поставщиками и постоянного платежеспособного спроса на конечную продукцию не всегда возможно осуществлять производство на непрерывной основе. Для поддержания ликвидности фирмы и размещения временно свободных средств такие компании устремляются на финансовые рынки.
Промышленные предприятия составляют первую группу непрофессиональных участников финансового рынка. В управлении своими активами они практически не могут обойтись без посторонней помощи.
Вторая группа - институциональные инвесторы (страховые компании, паевые инвестиционные и негосударственные пенсионные фонды). Они активно действуют на финансовых рынках. Тем не менее для повышения эффективности управления крупные фирмы часто создают дочернюю структуру (инвестиционную компанию или банк), занимающуюся этим профессионально, а остальные прибегают к услугам внешних управляющих. Паевые инвестиционные и негосударственные пенсионные фонды обязаны с одной стороны размещать свои средства на финансовых рынках, а с другой -по закону не имеют право делать это от своего имени.
Таким образом, все непрофессиональные участники рынка ценных бумаг России в той или иной степени нуждаются во внешнем управлении активами, что и породило широкий спрос на эту услугу.
С началом реформ российские коммерческие банки стали практически единственным институтом, осуществляющим перераспределение финансовых ресурсов на рыночных принципах. Соответственно абсолютно доминирующими финансовыми инструментами такого перераспределения стали банковские кредиты и депозиты. Дальнейшее реформирование экономики и развитие методов управления экономическими процессами вскоре выявило ограниченность финансовых отношений, базирующихся исключительно на данных двух типах финансовых инструментов. Как уже упоминалось, середина 1990-х гг. ознаменовалась бурным распространением новых типов финансовых инструментов, выраженных в форме различных ценных бумаг, таких как государственные долговые обязательства, акции и долговые бумаги корпоративного сектора экономики, банковские векселя, депозитные и сберегательные сертификаты.
К началу 1997 г. около 1/3 части активов российских коммерческих банков было вовлечено в операции с ценными бумагами, и около 1/5 части пассивов формировалось за счет выпуска ценных бумаг. Широкое участие коммерческих банков на рынке ценных бумаг во многом изменило содержание их активных операций, придало их деятельности более выраженный рыночный характер.
Цели, которые ставят банки, оперируя с ценными бумагами, напрямую вытекают из их природы и особенностей как участников финансового рынка. Как уже отмечалось, банки - это универсальные предприятия, стремящиеся оперировать на всем финансовом рынке. Тем не менее существенные отличия от других финансовых институтов, проистекающие из выполнения специфических банковских функций, оказывают сильнейшее влияние на операции банков с ценными бумагами. Ценные бумаги выступают при этом средством для достижения более общих целей банковской деятельности.
В то же время использование коммерческими банками ценных бумаг расширяет их возможности по организации денежно-кредитных отношений, усиливает рыночный характер их деятельности. Ценные бумаги, в сравнении с другими финансовыми инструментами, в наибольшей степени приспособлены для функционирования в условиях рыночной экономики. Благодаря таким характеристикам, как стандартность и серийность, ценные бумаги могут интенсивно обращаться на финансовых рынках и вследствие этого во многих случаях становятся более привлекательными финансовыми инструментами для коммерческих банков, чем традиционные ссуды и депозиты. Использование ценных бумаг позволяет банкам смягчить противоречия, возникающие в связи с выполнением основных банковских функций. Так, противоречие, заключающееся в потребности поддерживать высокий уровень ликвидности, что вытекает из деятельности коммерческих банков по осуществлению денежных расчетов в экономике, и одновременной необходимости обеспечения прироста привлеченных сбережений, разрешается путем создания резервов ликвидности, состоящих из почти безрисковых, ликвидных и в то же время достаточно доходных ценных бумаг.
Остановимся вначале на классических операциях банков с ценными бумагами. Такие операции по критерию преследуемых банками целей можно объединить в следующие группы: 1. операции с целью поддержания резервов ликвидности; 2. операции с целью получения дохода; 3. операции, аналогичные кредитованию субъектов хозяйствования, 4. операции по привлечению ресурсов посредством эмиссии собственных ценных бумаг; 5. операции, в которых банк удовлетворяет потребности клиентов, выступая в качестве их агента.
Важнейшей классической функцией банковских операций с ценными бумагами является получение доходов от операций с ценными бумагами или, как принято говорить, инвестиционная функция. [7, С.20]. Главной целью банковских инвестиций в ценные бумаги является получение удовлетворительного, стабильного, дохода.
Классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах
Компьютерные технологии автоматического интеллектуального анализа данных переживают бурный расцвет. Это связано главным образом с потоком новых идей, исходящих из области компьютерных наук, образовавшейся на пересечении искусственного интеллекта, статистики и теории баз данных и обозначаемой как KDD (knowledge discovery in databases - обнаружение знаний в базах данных). Сейчас происходит лавинообразный рост числа программных продуктов, использующих технологии KDD, а также типов задач, где их применение дает значительный экономический эффект. Элементы автоматической обработки и анализа данных становятся неотъемлемой частью концепции электронных хранилищ данных и часто именуются в этом контексте data mining (добыча знаний из данных).
Рассмотрим и проанализируем существующие классы систем добычи знаний, используемые в настоящее время на финансовых рынках. Системы рассуждений на основе аналогичных случаев.
Идея систем case based reasoning - CBR - крайне проста. Для того чтобы сделать прогноз на будущее или выбрать правильное решение, эти системы находят в прошлом близкие аналоги наличной ситуации и выбирают тот же ответ, который был для них правильным. Поэтому этот метод еще называют методом "ближайшего соседа" (nearest neighbour). Системы CBR показывают очень хорошие результаты в самых разнообразных задачах. Главный их минус заключается в том, что они вообще не создают каких-либо моделей или правил, обобщающих предыдущий опыт, - в выборе решения они основываются на всем массиве доступных исторических данных, поэтому невозможно сказать, на основе каких конкретно факторов CBR системы строят свои ответы. Примеры систем, использующих CBR, - KATE tools (Acknosoft, Франция), Pattern Recognition Workbench (Unica, США). Экспертные системы.
В результате применения этого метода к обучающей выборке данных создается иерархическая структура классифицирующих правил типа "ЕСЛИ... ТО...". Этот метод хорош тем, что такое представление правил наглядно и его легко понять. Однако, создание даже простых экспертных систем, представляет собой нелегкую задачу, прежде всего потому, что требует совместной работы специалистов различного профиля. Традиционные экспертные системы, основанные на базах знаний и логических правилах, требуют для создания довольно большого времени и средств. Создание традиционной экспертной системы можно условно разделить на несколько этапов. 1. Постановка задачи: определение целей работы экспертной системы, набора входных данных и формы представления ответа. 2. Сбор данных: набор репрезентативного материала для статистических исследований и его структурирование - разделение на подгруппы по разнообразным признакам. 3. Статистическая обработка: выявление закономерностей, связывающих входные данные с ответом - расчет средних и относительных величин, их сравнение, корреляционный, регрессионный, факторный анализы и т.д. 4. Создание базы знаний: оформление логических правил, по которым должна работать экспертная система. 5. Отладка и тестирование: проверка работы программы и испытание в реальных условиях.
При создании экспертных систем наибольшую часть времени занимают 3 и 4 этапы. Несмотря на появление компьютерных средств проектирования экспертных систем, основная работа все равно возложена на специалистов. При этом возникают сразу несколько серьезных проблем.
Первая из них состоит в том, что при решении сложных реальных задач число логических правил значительно увеличивается. Часто возникает настолько сложная система взаимосвязей между ними, что ее просто не удается осмыслить.
Вторая, еще более серьезная проблема состоит в том, что далеко не всегда удается выразить вычислительный процесс логическими правилами. Это может быть связано как со сложностью самой задачи, так и с особенностями деятельности предметного специалиста. Особенно ярко это проявляется при торговле ценными бумагами, где процесс принятия решения во многом опирается на интуицию и опыт трейдера, не являющегося экспертом в области собственного мышления. Во всех этих случаях говорят, что задача не поддается алгоритмированию. Кроме того, даже если создателям удается разработать алгоритм, никогда нет достаточной гарантии, что он будет корректно работать в реальных условиях, а это можно проверить только после окончания всех работ по созданию системы.
И пожалуй главный недостаток экспертных систем для нас в том, что данный метод пригоден только для решения задач классификации, и поэтому весьма ограниченно применяется в области финансов и бизнеса, где чаще встречаются задачи численного прогноза. Нейронные сети.
Как уже упоминалось, это большой класс разнообразных систем, чья архитектура в некоторой степени имитирует построение нервной ткани из нейронов. В одной из наиболее распространенных архитектур, многослойном перцептроне с обратным распространением ошибки, эмулируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя. На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т. д.
Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг
Этап включает: определение целей работы системы и формы представления ответа. Постановка задачи является прерогативой предметных специалистов. Прежде всего, необходимо определить, что представляет собой акт работы системы, начинающийся со ввода данных пользователем и заканчивающийся выдачей ответа. Например, при прогнозировании на фондовом рынке акт работы системы начинается с введения в ЭВМ исходных данных (цена облигации, процентная ставка по 3-х дневным кредитам, курс доллара и так далее) и заканчивается выдачей прогноза на определенный период (от нескольких минут до нескольких лет, в зависимости от поставленной задачи). Часто одна задача компонуется из нескольких подзадач. В этом случае подзадаче может соответствовать отдельный акт работы системы, хотя для пользователя это может быть совершенно незаметным. Каждая подзадача может решаться отдельной нейросетью или несколькими сетями, объединенными в один функциональный блок. При этом введенные данные подаются последовательно на каждую нейросеть блока и каждая нейросеть выдает ответ. Ответы могут различаться, поэтому полученные значения усредняют либо применяют логические правила. Например, если 5 нейросетей прогнозируют рост цен, а 2 - падение, то общее решение - "рост", т.к. за него проголосовало большее число нейросетей.
Подготовка входных данных. Этап включает: отбор входных параметров, совокупность которых адекватно и максимально полно описывает прогнозируемый процесс; структурирование входных параметров - разделение на подгруппы по разнообразным признакам; предобработку (преобразование) входных данных.
Определение списка входных данных - также квалифицированная работа предметного специалиста, требующая знания предметной области и ориентировочной важности тех или иных параметров, необходимых для получения ответа. Полнота набора входных данных является залогом успешной настройки нейросети. Поэтому желательно в начале работы над проектом задать некоторую избыточность списка входных данных [69, С.23]. В дальнейшем лишние параметры можно будет легко исключить из работы системы, добавить же новые несколько труднее, прежде всего потому, что потребуется вновь обращаться за этими параметрами к источникам данных. Чтобы представить себе возможные связи между разными переменными, нужно хорошо понимать существо задачи. Относительно выбранных переменных нужно понимать, значимы ли они сами по себе, или же в них всего лишь отражаются другие, действительно, существенные переменные.
Этап включает также разработку представления обучающих данных. Существует огромное количество способов представления информации для различных целей.
Для работы нейронных сетей с экономическими данными мы провели классификацию основных типов данных, с которыми может столкнуться создатель таких систем, и оптимальные способы их представления в численном виде, учитывающие специфику работы нейронных сетей.
Число с "плавающей точкой". Один из самых распространенных типов данных. Данные такого типа могут принимать любые значения, дробные или целые. Чаще всего они положительны, но могут быть и отрицательными. Немаловажно, что для работы нейронных сетей практически не имеет значение, подчиняется или нет вариационный ряд этих данных закону нормального распределения. Как правило, данные такого вида располагаются на каком-либо интервале с нечеткими границами. Данные в виде чисел с "плавающей точкой" не требуют каких-либо перерасчетов и могут использоваться в готовом виде. Следует особо отметить, что способы кодирования таких показателей путем разбивки на интервалы и присвоения каждому интервалу порядкового номера нежелательны для нейронных сетей. 2. Дата, время. Для численного представления временных точек необходимо в каждом признаке выбирать соответствующую точку отсчета и, отталкиваясь от нее, выражать временной интервал в удобных единицах (секунды, часы, сутки, годы). Например, если указана дата возникновения какого-либо события, удобнее перевести ее в срок, который соответствовал этому событию. Сделав это для всех данных, специалист приведет показатель к единой шкале. 3. Текстовые данные. Нейросети оперируют с информацией, представленной только в виде чисел. Числа подаются на входные синапсы нейросети; ответы, снимаемые с выходных нейронов, также представляют собой числа, поэтому для оценки примера заранее известный ответ также должен быть представлен в виде числа (чисел). Информация же, на основании которой нейросеть должна давать ответ, может быть самого разнообразного вида: термины, описывающие какие-либо ситуации, числа различного вида, массивы, графики, двух- и трехмерные изображения и т.д. Поэтому возникает необходимость корректного представления этой информации в виде чисел, сохраняющих смысл и внутренние взаимосвязи в данных.
Предположим, что создается система, предсказывающая результаты выборов. В качестве входной переменной используется название одного из 20 регионов страны. Если просто пронумеровать регионы по алфавиту и использовать в качестве переменной порядковый номер, то нейронная сеть будет считать, что 1-й регион очень похож на 2-й и сильно отличается от 20-го.
Постановка задачи и подготовка входных данных
Как уже было отмечено в гл. 1.2, нам необходимо обеспечить участнику рынка облигаций (а именно коммерческому банку) возможность получения за определенный интервал времени - от одного до шести месяцев - дохода, превышающего средний. При этом под термином "средний доход" понимается доход, полученный от приобретения на заданный интервал времени всех выпусков облигаций в равных пропорциях.
Для достижения указанной цели нам необходимо получение достоверного прогноза значения цены облигации на некоторый период времени.
Совершенно очевидно, что с увеличением срока, на который делается прогноз, увеличивается сложность настройки системы и уменьшается точность прогноза. Уровень цен на государственные облигации самым тесным образом связан с текущей экономической ситуацией в стране. Поэтому, при прогнозировании цен на периоды от нескольких недель до нескольких месяцев, нам было бы необходимо учитывать огромное количество макроэкономических показателей, отражающих состояние экономики страны в целом. По этой причине в подобной ситуации в свою очередь необходим прогноз на сами входные параметры (курс валюты, процентные ставки по кредитам, величина дефицита бюджета и другие), на основе которых должен производиться долгосрочный прогноз цен облигаций. Ведь экономика России пока еще крайне нестабильна и с течением времени ситуация в ней может кардинальным образом измениться. К тому же, как уже отмечалось, в связи с реформированием экономики, в России очень часто происходят изменения в нормативно-правовой базе, оказывающие влияние на поведение рынков. (Например, принятие решения о допуске нерезидентов на рынок государственных ценных бумаг вызвало многократное снижение уровня доходности.) В этом случае, значения входных переменных через прогнозируемый интервал времени претерпят существенные изменения, и прогноз, сделанный на основе данных недельной-месячной давности окажется совершенно неверным.
При уменьшении дальности прогноза до нескольких дней уменьшается вероятность того, что в экономике (за прогнозируемый интервал времени) произойдут сколь либо значимые изменения. А при прогнозировании на сроки, не превышающие длительность одной торговой сессии (2.5 часа) такая вероятность практически равна нулю. Однако, прогнозирование цен на облигации в пределах одной торговой сессии сопряжено со следующими сложностями.
Необходимо обеспечить своевременное поступление на вход нейронной сети данных о каждой сделке, либо, как минимум, данные о ценах сделок должны поступать через интервалы времени, сопоставимые с глубиной прогноза (примерно от 3 до 20 минут). Выполнение этого условия невозможно потому, что подключение к ПЭВМ трейдеров запрещено фирмой (СМА Small Business), обеспечивающей программную поддержку ММВБ. Правда сама биржа ведет трансляцию торгов на своем официальном сайте в сети интернет (www.misex.com) где данные о сделках обновляются с интервалом от 1 до 30 минут. Но, качество линий связи в России не позволяет в настоящее время обеспечить уверенный прием данных через сеть интернет.
После допуска на рынок государственных облигаций нерезидентов, введения института первичных дилеров, планомерного выполнения денежными властями поставленной задачи снижения доходности, ценовые колебания облигаций в пределах одной торговой сессии стали незначительными.
Учитывая вышеизложенное, представляется, что наиболее оптимальным сроком, на который нейронная сеть должна давать прогноз являются несколько дней.
Для достижения эффективной работы участника рынка вполне достаточно, чтобы система с достаточной степенью достоверности давала прогноз на 2 предстоящих торговых дня. Сделав такой прогноз, сеть сможет выдать рекомендацию по принятию торгового решения, то есть нужно ли купить, продать ценные бумаги или воздержаться от участия в торгах. Иными словами на основании входных данных за день Т сеть строит прогноз изменения цен на дни Т+1 и Т+2. В зависимости от прогнозируемого изменения цен в день Т+2 по отношению к дню Т+1 выдается торговое решение.
