Прогнозирование финансовых временных рядов с использованием нейронных сетей

Искусственные нейронные сети (ИНС) имеют широкое
распространение среди различного рода прикладных задач, таких как сжатие
данных, распознание образов, оптимизация, анализ данных, задачи
управления и др. Одним из важнейших направлений практического
использования ИНС являются задачи прогнозирования, а именно задачи
прогнозирования временных рядов на фондовом рынке, предсказание курса
валют, построение прогноза потребления электроэнергии, прогнозирование
платежеспособности кредиторов, нагрузок энергетических систем и пр. Мы
видим, что ИНС могут применяться для решения практически любого рода
задач, в том числе и при отсутствии явной математической модели или
недостатке данных для эффективного применения статистических методов.
Нетривиальной задачей является прогноз поведения сложных
динамических систем. Как правило, такой прогноз основывается на
обнаружении скрытых закономерностей в накопленных данных. Одним из
примеров задач такого рода может служить прогнозирование финансовых
временных рядов. Коллективная психология участников торгов имеет
непосредственное влияние на формирование биржевой цены, усложняя
данный процесс, зато имеются накопленные данные в виде финансового
временного ряда.
Актуальность диссертационного исследования заключается в
использовании нейронных сетей для решения трудноформализуемой задачи
прогнозирования финансовых временных рядов, а также важностью
получения качественных прогнозов основных финансовых индикаторов в
условиях рыночной экономики.
В данной работе для решения задачи прогнозирования 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 – прогнозирование цен закрытия акций компании
«Сбербанк» с использованием нейронных сетей. Построенная нейронная сеть
должна быть оптимальной по внутренней структуре и способу управления
потоками информации между нейронами. Для решения практической задачи
будем использовать выбранную нейросетевую модель.
Объект исследования: нейросетевые модели, которые используются
при прогнозировании финансовых временных рядов.
Для достижения поставленной цели необходимо решить следующие
задачи:
1. Проанализовать существующие нейросетевые методы,
используемые для прогнозирования финансовых временных рядов;
2. Выбрать оптимальную нейронную сеть;
3. Качественно подготовить исходные данные для построения
нейронных сетей;
4. Построить прогноз цен закрытия акций компании «Сбербанк» для
задач регрессии и двухзначной классификации (Рост/Спад), используя
нейронные сети различной структуры;
5. На основании построенных прогнозов сделать вывод о
возможности применения нейронных сетей рассматриваемой архитектуры для
прогнозирования финансовых временных рядов.
Период исследования: Ежедневные цены закрытия (Close) акций
компании «Сбербанк» (SBER) за периоды:
1. 2019 г.
2. с января 2016 г. по январь 2019 г.
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 научно-технического исследования
1.1. Технический и фундаментальный анализ рынка ценных
бумаг
При инвестировании денежных средств ключевой задачей является
попытка отыскать финансовые инструменты, направленные либо на
увеличение, либо, в крайних случаях, сохранение собственных вложений.
Пытаясь предсказать будущее, крупные инвесторы используют разные
методы для определения динамики развития рынка.
Среди огромного множества математических методов анализа
фондовых рынков [1-3] наибольшей популярностью пользуются
фундаментальный и технический анализы.
В основе фундаментального анализа лежит независимая оценка
действительной стоимости ценных бумаг, основанная на изучении
экономических факторов, связанных с ними. Для определения величины
отклонения проводится сравнение действительной и текущей стоимостей.
Фундаментального анализа бывает недостаточно для определения
конкретного момента совершения сделки. В таком случае прибегают к
использованию технического анализа.
Данный вид анализа основывается на утверждении, что в текущей цене
акции уже включены все объективные данные об эмитенте. Таким образом,
полагают, что динамика рыночной стоимости акции зависит только от оценки
событий участниками рынка, а не является непосредственной реакцией на
события [4].
Оба метода являются дополнением друг друга, и в равной степени
показывают состояние фондового рынка.
Технический анализ – это общепринятый подход при исследовании
рынка, цель которого – прогнозирование. Данный анализ предполагает, что
рынок имеет свойство «запоминать» информацию. Это значит, что на будущее
движение стоимости ценных бумаг существенно влияют закономерности её
прошлого поведения. Другими словами, рынок может «запомнить», как себя
вести в той или иной ситуации, и в следующий раз её воспроизвести.
Технический анализ все чаще используется в прогнозировании, что
подтверждается ростом его популярности в последние 10 лет. Индикаторы
поведения рынка являются основой эмпирических правил технического
анализа. Технический анализ рассматривает финансовый инструмент
индивидуально без учета его связи с другими ценными бумагами [4].
Субъективность и плохое прогнозирование направления цен (правый край
графика) являются недостатками данного вида анализа. В связи с этим,
нейросетевой анализ начинает постепенно вытеснять этот вид анализа, так как
в нем отсутствуют ограничения на характер входной информации.
Нейросетевое моделирование базируется на данных, без учета и
привлечения априорных соображений. Это обстоятельство является
одновременно и достоинством, и недостатком метода. Например, существует
вероятность, что имеющихся данных может не хватить для обучения,
размерность потенциальных входов может оказаться слишком велика.
Поэтому для хорошего прогноза, во-первых, данные должны пройти
качественную предобработку, а во-вторых, нужно использовать нейропакеты
с широкой функциональностью.
1.2. Введение в теорию нейронных сетей
Параллельно распределенную структуру обработки информации,
состоящую из взаимосвязанных нейронов, называют нейронной сетью.
Как мощный метод моделирования, данные сети способны
воспроизводить сложные нелинейные зависимости. Моделирование
нелинейных процессов, адаптивность и способность работы с зашумленными
данными позволяют использовать нейросети в решении многих
экономических задач.
Ускорение процесса обработки информации за счет параллельности
работы всех звеньев является одной из важнейших особенностей нейронной
сети, открывающей ее потенциал и широкие возможности использования.
Кроме того, данная сеть за счет большого числа межнейронных соединений,
имеет устойчивость к ошибкам, которые возникают на некоторых линиях.
Обобщение накопленных знаний и способность к обучению также одни
из важных свойств нейросети. Таким образом, нейросеть по своим чертам
похожа на искусственный интеллект. Такая сеть, натренированная на
определенном множестве данных, может провести обобщение полученной
информации и воспроизвести расчет с хорошими результатами на данных, не
использованных при её обучении.
1.3. Структура сети
В нейронной сети единицей обработки информации является нейрон.
Нейрон имеет следующую модель строения, похожую на биологический
нейрон: дендриды, представляющие собой каналы для ввода информации, и
аксон, являющийся каналом вывода информации.
Для соединения аксона нейрона с дендридами других нейронов
используются синапсы. Возбуждение нейрона приводит к передаче сигнала
вдоль аксона. Синапс передает сигнал на другие нейроны, что приводит либо
к их возбуждению, либо к переходу в состояние торможения. Возбуждение
нейрона возникает только в случае преодоления порога возбуждения или
активации. Таким образом, сумма уровней сигналов, поступающих в нейрон,
должна быть выше этого уровня.
Нейрон, лежащий в основе искусственной нейросети, может быть
представлен в виде модели, показанной на рисунке 1.