Классификация финансовых временных рядов с использованием нейронных сетей

В условиях современной экономической ситуации и резкого
наращивания темпов развития науки и техники для получения прибыли все
больше становятся актуальными вопросы планирования и принятия решений
на основе классификации и прогнозирования. [6]
До недавних пор основными методами классификации временных рядов
оставались статистические методы. Однако связанные с этими методами
математические модели не всегда линейны, и поэтому они не могут
прогнозировать сложные явления и процессы, в которых модель данных
может быть нелинейной. В этих случаях и приходит на помощь аппарат
нейронных сетей.
Актуальность диссертационного исследования заключается в
использовании нейронных сетей для решения трудноформализуемой задачи
классификации финансовых временных рядов, а также важностью получения
качественных прогнозов основных финансовых индикаторов в условиях
рыночной экономики.
В данной работе для решения задачи классификации финансовых
временных рядов рассмотрены нейросетевые методы, которые отличаются от
других моделей своей способностью устанавливать нелинейные связи между
будущими и фактическими значениями и хорошей масштабируемостью.
Цель работы – исследование возможности классификации цен закрытия
акций компании разных отраслей Российской экономики с использованием
нейронных сетей.
Объект исследования: нейросетевые модели, которые используются при
классификации финансовых временных рядов.
Для достижения поставленной цели необходимо решить следующие
задачи:
1. Проанализовать существующие нейросетевые методы, используемые
для классификации финансовых временных рядов;
2. Выбрать оптимальные нейронные сети для различных компаний;
3. Построить классификацию цен закрытия акций компаний
двухфакторной классификации (Рост/Спад) и трехфакторной
классификации (Рост/Спад/Нейтрально), используя нейронные сети
различной структуры;
4. На основании построенных классификаций сделать вывод о
возможности применения нейронных сетей рассматриваемой
архитектуры для классификации финансовых временных рядов.
Период исследования: цены закрытия компаний ОАО «ИркутскЭнерго»,
ПАО «Газпром», Банк ВТБ, TCS Group Holding PLC, Yandex, Группа «Детский
мир», Fix Price Group, Ozon Holdings PLC с периодичностью 15 минут за март
– апрель 2021 года.
Источником данных является информационный портал Finam.ru. Для
проведения расчетов и построения нейросетевых моделей был использован
программный пакет STATISTICA (ST), программный модуль – ST Neural
Networks.
1. Теоретическая часть
1.1. Понятие временного ряда и его классификация
Если данные характеризуют какой-то объект за ряд последовательных
значений, характеризующих изменение показателя во времени, то эти данные
временной ряд. Временной ряд – это совокупность значений какого-либо
показателя за несколько последовательных моментов (периодов) времени. [1]
Особенности уровней из которых состоят временные ряды формируются под
воздействием большого числа факторов. Эти факторы разбиваются на группы:
1) факторы, формирующие тенденцию ряда;
2) факторы, формирующие циклические колебания ряда;
3) случайные факторы.
Зависимость уровней ряда от времени может быть разная при разных
сочетаниях этих факторов:
1) Если некоторые данные рассматривать не в совокупности с другими,
они могут показывать другую тенденцию и оказывать разное воздействие на
исследуемый показатель.
2) Циклические колебания могут быть характерны для изучаемого
показателя. Например, для экономических временных рядов такие колебания
носят сезонный характер и их можно корректно распознать только в большом
количестве данных за длительное время.
3) У временного ряда может не быть тенденции или циклов, а
следующий уровень бать равным сумме среднего уровня ряда и случайной
составляющей.
Это теория, а в реальности данные редко можно полностью причислить
к одной из вышеперечисленных моделей. Чаще, они содержат в себе сразу все
три компоненты.
Главной задачей исследования временного ряда является придание
числового выражения компонентам. Это будет необходимо для
классификации и прогнозирования будущих значений временного ряда и для
других исследований над ним. [3]
Целью классификации временного ряда является по исходным данным
предсказать будущие значения характеристик данного объекта. Существуют
несколько методов классификации временных рядов. Все их можно поделить
на две большие группы: локальные и глобальные по области определения
параметров аппроксимирующей функции. Вот некоторые модели для
классификации временного ряда [2]:
 регрессионные модели;
 авторегрессионные модели;
 модели экспоненциального сглаживания;
 нейросетевые модели;
 модели на базе классификационно-регрессионных деревьев (CART);
 дискретное преобразование Фурье.
В данной работе используются модели классификации с помощью
нейронных сетей.
1.2. Понятие нейронной сети и ее особенности
Причина начала исследования искусственной нейронной сети связаны с
тем, что работа человеческого мозга кардинально отличается от работы
цифрового компьютера. Мозг – это очень сложный, нелинейный,
параллельный компьютер. Он организовывает свои структурные компоненты,
называемые нейронами, так, что они выполняют конкретные задачи (такие как
распознавание образов, восприятие, контроль движения) во много раз
быстрее, чем самые мощные компьютеры. [5] Мозг имеет структуру,
позволяющую строить собственные правила на основе опыта. Опыт
накапливается с течением времени.
Пластичность нервной системы позволяет адаптировать ее к
окружающей среде. Аналогично в нейронных сетях производится настройка
искусственных нейронов и формируется структура нейронной сети. Таким
образом, нейронная сеть представляет собой машину, которая моделирует
способ обработки мозгом конкретной задачи. Обычно эта сеть реализуется с
помощью электронных компонентов или моделируется программой.
Для достижения высокой производительности, нейронные сети
используют массив взаимосвязанных элементов, называющихся нейронами.
Таким образом, возможно следующее определение нейронной сети,
выступающей в роли адаптивной машины: нейронная сеть – это массивный
распределенный параллельный процессор, состоящий из элементарных
обрабатывающих блоков со способностью хранения данных и обработки их
для последующего использования.
Искусственные нейронные сети используются для аппроксимации
функций, классификации и распознавания образов, прогнозирования,
идентификации, оценивания и ассоциативного управления. [4]
Основными элементами нейронной сети являются нейроны.