Прогнозирование курса акций газпрома
ОГЛАВЛЕНИЕ
Оглавление 2
Введение 4
1. Описание предметной области 7
1.1. Фондовый рынок 7
1.2. Описание компании 8
1.3. Фундаментальный анализ 9
1.3.1. Принципы фундаментального анализа 10
1.3.2. Этапы фундаментального анализа 10
1.3.3. Расчёт справедливой цены акции 12
1.4. Технический анализ 13
1.4.1. Принципы технического анализа. 13
1.4.1. Инструменты технического анализа. 14
1.5. Выводы 16
2. Методы прогнозирования курсов акций 17
2.1 Обзор основных статистических методов 17
2.2. Классификация методов и моделей прогнозирования 21
2.3. Временные ряды 24
2.4. Выводы 30
3. Прогнозирование цен на акции на примере ОАО «Газпром» 32
3.1. Оценка справедливой стоимости акций «Газпром» 32
3.1.1. Расчёт коэффициентов модели 36
3.1.2. Расчет справедливой стоимости акции 40
3.2. Прогнозирование курса акций с помощью временных рядов 41
3.2.1. Визуализация данных 42
3.2.2. Стационарность ряда 44
3.2.3. Описание моделей 46
3.3. Сравнение моделей 49
3.4. Оценка рисков 50
Заключение 55
Литература 57
Приложение 1. Основные характеристики моделей. 59
ВВЕДЕНИЕ
Прогнозирование будущих цен на акции широко изучается во многих областях знаний, в том числе трейдинге, финансах, статистике и информатике. Основной целью прогнозирования будущих цен на акции является получение спекулятивной прибыли. Предсказания цен на финансовые инструменты используются для снижения рыночного риска и увеличения доходности, и производятся на основе рыночной информации. С момента начала торговли на фондовом рынке до текущего момента объём и характер информации существенно изменились: сегодня любой человек с доступом в сеть Интернет может получить терабайты данных, так или иначе связанных с фондовым рынком. Из-за увеличения информационного потока и его скорости методы, изначально использовавшиеся для торговли, претерпели значительные преобразования.
Динамика рынков капитала изучается уже более 100 лет, анализ и прогнозирование цен на финансовые инструменты описаны в большом количестве исследований, основными из которых являются работы Дж. Литнера, Г. Марковица, Ж. Моссина, Дж. Тобина, У. Шарпа, Э. Элтона. В области финансов большинство традиционных моделей прогнозирования цен акций используют статистические модели и модели нейронных сетей, обученных на исторических данных о ценах (Park, Irwin, 2007).
Выделяют два основных подхода к прогнозированию курсов акций: традиционные методы, применяемые инвесторами на фондовом рынке, и математические модели. Традиционный подход включает в себя фундаментальный и технический анализ. Математический подход к прогнозированию представлен статистическими методами, моделями на основе нейронных сетей, генетическими алгоритмами, моделями системной динамики и многими другими.
Проблема состоит в том, что оба подхода не гарантируют абсолютную точность: по неофициальной статистике, процент успешных трейдеров весьма мал, а трейдер, закрывающий хотя бы 50% сделок с прибылью, считается достаточно успешным. Математические модели чаще всего критикуют за сложность и структуру, тяжело адаптирующуюся под процессы на фондовом рынке, а также за нереалистичные предпосылки. Например, главная предпосылка в теории детерминированного хаоса – случайность колебаний цен на финансовые инструменты (Робертс, 1959), ставится под сомнение после наблюдения за падением котировок компаний, опубликовавших финансовый отчёт ниже ожиданий рынка.
Таким образом, очевидно, что на данный момент не существует универсального метода прогнозирования цены на финансовый инструмент: для каждого инструмента необходимо проводить отдельный анализ.
Объектом исследования в представленной работе являются цены на обыкновенные акции ПАО «Газпром» (тикер GAZP), котирующиеся на Московской Бирже.
Предметом исследования являются методы описания и прогнозирования цены на акции на вторичном фондовом рынке.
Актуальность исследования состоит в привлекательности данной акции для инвесторов в силу её популярности: частотность поискового запроса, содержащего слова «купить акции Газпром», составляет 5575 показов ежемесячно. Для сравнения, аналогичные запросы для акций компаний Apple и Tesla имеют частотность 410 и 425 запросов соответственно. Таким образом, данная акция считается одной из самых привлекательных на российском фондовом рынке, однако её цена при детальном рассмотрении противоречит общепринятому восприятию выгодности покупки. Для того, чтобы установить, стоит ли инвестировать в акции GAZP, необходимо проанализировать и предсказать будущее движение цен.
Цель данной работы: исследовать эффективность основных существующих методов прогнозирования цен на акции, предложить подход, позволяющий эффективно их прогнозировать. На основе полученных результатов оценить привлекательность инвестирования в акции ПАО «Газпром».
Задачи, которые необходимо решить для достижения цели:
1. Обобщить основные положения современных подходов к прогнозированию цен акций и оценить возможность их использования для прогнозирования акций ОАО «Газпром».
2. Оценить трудоемкость, эффективность, достоинства и недостатки существующих методов, а также определить основные критерии для их использования.
3. Произвести оценку различных методов для прогнозирования цены на акции ПАО «Газпром» и провести их эмпирическую апробацию на реальных данных.
4. Построить ретроспективный прогноз и проанализировать полученные результаты.
В данной работе использованы методы научного синтеза, анализа, математического моделирования и сравнения полученных результатов.
Новизна данного исследования состоит в сочетании традиционных и статистических методов прогнозирования, позволяющих одновременно с прогнозом цены на акции получать оценку риска. Также в ходе работы получены выводы, углубляющие знания о прогнозировании цен акций.
Практическая значимость. В исследовании разработан подход к прогнозированию цены акций ПАО «Газпром», который позволяет с высокой долей вероятности получать спекулятивный доход выше нулевого.
Первая глава диссертации описывает предметную область. Вторая глава содержит описание методов прогнозирования цен финансовых инструментов, а также необходимую методологическую базу для выполнения практической части работы. В третьей главе представлена апробация подхода к прогнозированию цен на обыкновенные акции компании ПАО «Газпром». В заключении подведены итоги выполненной работы и даны практические рекомендации по использованию результатов.
ЛИТЕРАТУРА
1. Айвазян С.А. Эконометрика. М.: Маркет ДС, 2010.
2. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. М.: Мир, 1974.
3. Бучко Ю.В. Оптимизация алгоритмических торговых систем фондового рынка. М.: Бизнес Элайнмент, 2011.
4. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005.
5. Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006.
6. Большой экономический словарь / под ред. А. Н. Азриляна. – 7-е изд., доп. – М. : Инт новой экономики, 2007.
7. Грешилов А. А., Стакун В. А., Стакун А. А. Математические методы построения прогнозов. М., 2000.
8. Московская межбанковская валютная биржа ММВБ. [Электронный ресурс]; – Режим доступа: http://moex.ru/ (Дата обращения: 12.04.2016)
9. Мерфи Джон Дж. Межрыночный анализ. Принципы взаимодействия финансовых рынков. М.: «Альпина Паблишер», 2012.
10. Мэрфи Джон Дж. Технический анализ фьючерсных рынков. Теория и практика — М.: «Альпина Паблишер», 2011.
11. Невейкин, В.П. Скрытые проблемы методологии фундаментального анализа для оценки истинной стоимости акций / В.П. Невейкин // Финансы и кредит. – 2008. – № 41.
12. Нормативные системы в прогнозировании развития предпринимательского сектора экономики / Л.И. Муратова [и др.] // Управление экономическими системами. 2009, №20.
13. Официальный сайт Газпром. [Электронный ресурс]; – Режим доступа: http://www.gazprom.ru/ (Дата обращения: 12.04.2016)
14. РБК. [Электронный ресурс]; – Режим доступа: http://www.rbc.ru/ (Дата обращения: 12.04.2016)
15. РБК Quotes. [Электронный ресурс]; – Режим доступа: http://www.quote.rbc.ru/ (Дата обращения: 12.04.2016)
16. Центробанк РФ. [Электронный ресурс]; – Режим доступа: http://cbr.ru/ (Дата обращения: 12.04.2016)
17. Щербаков В. Эффективность использования технического анализа: доказательства на российском фондовом рынке // Экономика и менеджмент. 2010. № 4.
18. Cbonds. [Электронный ресурс]; – Режим доступа: http://cbonds.ru/ (Дата обращения: 12.04.2016)
19. Draper N., Smith H. Applied regression analysis. New York: Wiley In Press. 1981
20. Graham B., Dodd D. Security Analysis. The Classic 1934 Edition. McGraw-Hill Companies, 1996
21. Fama E., French K. The Cross-Section of Expected Stock Returns. The Journal of Finance, Volume 47, Issue 2 (Jun., 1992).
22. Hamada R.S. «The effect of the firm’s capital structure on the systematic risk of common stocks». The Journal of Finance, 1972. Vol. 27, No. 2, pp. 435–452.
23. Hank J., Reitsch A. Business Forecasting. Boston: Prentice Hall Press. 2003
24. Hjalmarsson E. Predicting Global Stock Returns // Board of Governors of the Federal Reserve System. International Finance Discussion Papers. 2008.
25. Katz J.O. Encyclopedia of trading strategies. – M: Alpina publisher, 2000
26. Markowitz H. Portfolio Selection. The Journal of Finance, Vol. 7, No. 1. (Mar., 1952), p. 77-91.
27. Metaghachi D., Chang C. Profitable Technical Trading Rules for the Italian Stock market. 2003;
28. Murphy, John J. Technical analysis of the futures markets. 1999.
29. Park C., Irwin S. The Profitability of Technical Analysis [Электронный ресурс]; Режим доступа: http://citeseerx.ist.psu.edu (Дата обращения: 12.04.2016)
30. Prajakta S.K. Time series Forecasting using Holt-Winters Exponential Smoothing. Kanwal Rekhi. School of Information Technology Journal. No 13. 2004.
31. Roberts, H.V. (1959) ‘Stock-market “patterns” and financial analysis: Methodological suggestions’, The Journal of Finance, 14(1), p. 1. doi: 10.2307/2976094.
32. Schreiner A. Equity Valuation Using Multiples: An Empirical Investigation. 2007.
33. Thomson One. [Электронный ресурс]; – Режим доступа: http://thompsonone.com/ (Дата обращения: 12.04.2016)
34. Turner T. A Beginner’s Guide to Day Trading Online. Adams Media, 2nd edition, 2007.
35. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites. UK, London: 1st International Conference on Computing in an Imperfect World. 2002.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!