Оценка финансовых рисков VaR и CVaR для акций индекса Dow Jones с помощью нейронных сетей
Объект исследования – оценка рисков инвестиций на финансовых рынках с помощью показателей VaR и CVaR. Данные меры риска будут смоделированы с помощью нейронных сетей на языке программирования Python 3.7. Модель нейронных сетей будет обучаться и строить прогнозные данные на исторических данных о котировках акций, входящих в состав индекса Dow Jones.
Введение …………………………………………………………………………………………………………… 10
Основные термины: …………………………………………………………………………………………… 11
1. Теоретическая часть……………………………………………………………………………………….. 12
1.1. Обзор существующих методов и алгоритмов решения задачи. ………………… 12
1.2. Оценка рисков. ……………………………………………………………………………………. 16
1.2.1. Value-at-Risk (VaR) ……………………………………………………………………….. 16
1.2.2. Conditional Value-at-Risk (CVaR) ……………………………………………………. 20
1.3. Модель нейронной сети ……………………………………………………………………….. 21
1.3.1. Нейронные сети. Основные понятия ………………………………………………. 21
1.3.2. Многослойный перцептрон. Виды и ключевые понятия …………………… 26
1.3.3. Ошибки сети и методы минимизации их…………………………………………. 27
1.3.4. Мониторинг состояния нейронной сети. …………………………………………. 31
2. Практическая часть ………………………………………………………………………………………… 33
2.1. Выбор среды моделирования ……………………………………………………………….. 33
2.2. Метод исторического моделирования VaR дельта-нормальным способом на
примере акций индекса Dow Jones ………………………………………………………………………. 33
2.3. Моделирование нейронной сети …………………………………………………………… 38
3. Социальная ответственность …………………………………………………………………………… 47
3.1. Правовые и организационные вопросы обеспечения безопасности ………….. 48
3.1.1. Специальные (характерные для проектируемой рабочей зоны) правовые
нормы трудового законодательства …………………………………………………………………….. 48
3.1.2. Организационные мероприятия при компоновке рабочей зоны ………… 49
3.2. Производственная безопасность …………………………………………………………… 50
3.2.1. Анализ вредных и опасных факторов, которые могут возникнуть на
рабочем месте исследователя ……………………………………………………………………………… 50
3.2.2. Обоснование мероприятий по защите персонала предприятия от
действия опасных и вредных факторов ……………………………………………………………….. 59
3.3. Экологическая безопасность ………………………………………………………………… 60
3.3.1. Анализ влияния объекта исследования на окружающую среду …………. 60
3.3.2. Обоснование мероприятий по защите окружающей среды ……………….. 60
3.4. Безопасность в чрезвычайных ситуациях ………………………………………………. 61
3.4.1. Анализ вероятных ЧС, которые может инициировать объект
исследований…………………………………………………………………………………………………….. 61
3.4.2. Обоснование мероприятий по предотвращению ЧС и разработка
порядка действия в случае возникновения ЧС ……………………………………………………… 62
3.5. Выводы и рекомендации………………………………………………………………………. 64
4. Оценка коммерческого потенциала и перспективности проведения научных
исследований с позиции ресурсоэффективности и ресурсосбережения ………………….. 65
4.1. Потенциальные потребители результатов исследования …………………………. 65
4.2. Анализ конкурентных технических решений …………………………………………. 65
4.3. SWOT-анализ ……………………………………………………………………………………… 68
4.4. Инициация проекта ……………………………………………………………………………… 70
4.5. Определение трудоемкости работ …………………………………………………………. 71
4.6. Бюджет научно-технического исследования ………………………………………….. 74
4.6.1. Расчёт материальных затрат НТИ …………………………………………………… 75
4.6.2. Основная заработная плата ……………………………………………………………. 76
4.6.3. Дополнительная заработная плата ………………………………………………….. 77
4.6.4. Отчисления во внебюджетные фонды …………………………………………….. 78
4.6.5. Накладные расходы ………………………………………………………………………. 78
4.6.6. Формирование бюджета затрат НТИ ………………………………………………. 79
4.7. Реестр рисков проекта …………………………………………………………………………. 79
4.8. Оценка сравнительной эффективности исследования …………………………….. 80
4.9 Оценка абсолютной эффективности исследования ………………………………….. 83
4.10. Выводы …………………………………………………………………………………………….. 89
Заключение ………………………………………………………………………………………………………. 90
Список использованных источников …………………………………………………………………… 91
Приложение 1……………………………………………………………………………………………………. 94
Приложение 2………………………………………………………………………………………………….. 112
Приложение 3………………………………………………………………………………………………….. 114
Приложение 4………………………………………………………………………………………………….. 121
Актуальность. Недавние финансовые кризисы усилили
необходимость статистической меры, которая могла бы позволить
экономистам, практикам и регулирующим органам оценивать финансовые
риски на ежедневной основе. Самая популярная мера для оценки
финансового риска – Value-at-Risk (VaR).
Существует множество различных подходов к попыткам
минимизировать и спрогнозировать риски на финансовых рынках, в том
числе с использованием различных модификаций модели VaR. На
сегодняшний день вопрос об оценки и минимизации рисков остаётся по-
прежнему актуальным, в особенности в связи с дестабилизирующими
факторами текущую рыночную ситуацию, вызывающими повышенную
волатильность показателей финансового рынка.
Целью магистерской диссертации является оценка финансовых
рисков VaR и CVaR для акций индекса Dow Jones с помощью нейронных
сетей.
Для достижения поставленной цели необходимо решить следующие
задачи:
1. В рамках исторического моделирования рассчитать выборочные
оценки уровней VaR, CVaR.
2. Построить и обучить многослойную нейронную сеть с сигмоидной
функцией активации.
3. Провести прогнозирование будущих значений индекса Dow Jones
на основе исторических данных с 2018 года.
Основные термины:
Value-at-Risk (VaR) – это статистическая мера, которая предполагает,
что если рыночные условия будут нормальными в течение определенного
периода времени, максимальные потери портфеля (или финансового
инструмента) не будут превышать оценку VaR, и это статистически
достоверно при определенном уровне доверия (обычно 95% или 99%)
Conditional Value at Risk (CVaR) является мерой оценки риска, которая
количественно определяет величину хвостового риска, который имеет
инвестиционный портфель.
Нейрон – это единица сети, которая на входе получает сигнал (входные
данные) на основании заданных параметров производит с ними
вычислительные действия и передает их либо на следующий слой, либо на
выход.
Сумматорная функция нейрона – представляет собой часть нейрона,
которая представляет собой сумму произведения входных данных на веса и
смещения.
Активационная функция нейрона – представляет собой часть нейрона,
которая отвечает за активацию нейрона и построение прогнозных данных.
Многослойный перцептрон – нейронная сеть, состоящая из слоев,
каждый из которых состоит из элементов – нейронов (точнее их моделей).
Градиент – это вектор, который определяет крутизну склона и
указывает его направление относительно какой либо из точек на поверхности
или графике.
Переобучение – это состояние нейросети, когда она перенасыщена
данными, иначе говоря, сеть не прослеживает закономерности, а просто
запоминает и «зубрит» правильные ответы.
Перекрёстная проверка (кросс-валидация, Cross-validation) – метод
оценки аналитической модели и её поведения на независимых данных.
В результате выполненной работы получены следующие основные
результаты:
1. методом исторического моделирования были рассчитаны
показатели VaR для портфеля акций Dow Jones за период с 2018
года;
2. была построена многослойная нейронная сеть с сигмоидной
активационной функцией, программная реализация написана на
языке Python 3.7;
3. правильность обучения нейронной сети была проверена методом
кросс-валидации. Кроме этого, были рассчитаны средние и
медианные ошибки прогнозов сети. Показано, что по всем акциям
индекса Dow Jones ошибка не превосходит 1,5% в равномерной
норме.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.8 (105 отзывов)
4.5 (9 отзывов)
4.9 (522 отзыва)
5 (44 отзыва)
5 (49 отзывов)
4.9 (37 отзывов)
4.6 (522 отзыва)
4.5 (80 отзывов)
4.9 (826 отзывов)
