Актуальность темы
исследования. В мировой финансовой системе, в которую интегрируется в настоящее время и Россия, очевидные макроэкономические закономерности порой уживаются с хаотическими изменениями курсов акций, валют и процентных ставок. Большие колебания цен на акции и другие активы сулят потенциально высокий доход от операций на фондовом рынке. Поэтому многие финансовые институты, в частности, банки и инвестиционные компании проявляют активный интерес к подобного рода деятельности.
Основной проблемой, с которой они при этом сталкиваются, является выработка такой тактики поведения, которая обеспечивала бы в долгосрочной перспективе доходность выше, чем в среднем по рынку, то есть выше, чем при «наивном1» инвестировании. Надо заметить, что традиционные методы принятия инвестиционных решений в данной ситуации практически бесполезны. То есть, приобретение акций предприятия, стабильно работающего на рынке и имеющего хорошие финансово-экономические показатели, в какой-то момент времени может быть малоприбыльным или даже убыточным для потенциального инвестора. Обусловлено это прежде всего тем, что фондовый рынок — это во многом рынок фиктивного капитала и сходств у него с букмекерской конторой, пожалуй, больше, чем, например, с традиционной банковской деятельностью. В основе биржевой игры лежит больше психологии, нежели фундаментальных экономических законов. Это связано с тем, что в ценные бумаги (ЦБ) инвестируются далеко не последние деньги, и подобное инвестирование изначально называют игрой — биржевой игрой. По некоторым видам активов, например, по фьючерсам, суммарный итог по сделкам 2-х контрагентов нулевой, то есть победивший получает столько, сколько потерял проигравший (за вычетом комиссионных). Происходит своеобразное перераспределение средств. Так как профессиональный уровень общей массы игроков примерно одинаков, то вопреки обывательскому мнению, прибыль от спекулятивных сделок дается с большим трудом.
Каждый из игроков отдает приказы на покупку и продажу, опираясь на ин.
1 «Наивное» (пассивное) инвестирование олицетворяет стратегию «купил и держи» при равномерном распределении денежных средств между какими-либо активами. туицию, знание экономических и политических тенденций или просто в надежде на удачу. Потоки заявок на покупку и продажу образуют совокупные спрос и предложение. В свою очередь, точка пересечения кривых спроса и предложения определяет цену, по которой совершаются сделки. Так как в большинстве случаев колебания цен происходят при неизменных значениях таких важных показателей, как ставка рефинансирования, рост ВНП и пр., то может показаться, что эти колебания носят случайный, хаотический характер. Однако исследования, проводившиеся в последние десятилетия, обнаружили существование некоторых закономерностей в динамике котировок акций. Выявляются эти закономерности с помощью технического анализа.
Технический анализ через кратковременные колебания котировок изучает психологию биржевой толпы. Не являясь в полном смысле наукой, он использует для построения разнообразных эмпирических зависимостей достаточно сложные математические модели, например, теорию игр, нейротехнологии, математическую статистику и теорию вероятностей. Знание некоторых особенностей кратковременного поведения цен позволяет на порядок повысить эффективность биржевой игры. Поэтому многие банки и инвестиционные компании финансируют новые изыскания в этой сфере. К этому их подстегивает обостряющаяся конкурентная борьба. Ведь на фондовом рынке победитель выигрывает именно за счет проигравшего, что не всегда характерно для рынка реальных товаров.
Технический анализ рынка акций предъявляет высокие требования к точности выдаваемых прогнозов или времени для вхождения в рынок, а все существующие эффективные корпоративные разработки в этой области представляют собой коммерческую тайну1. К тому же набор средств в интеллектуальном анализе данных и сама технология проведения исследований еще не оформились в некий окончательно определенный «золотой» стандарт. Поэтому и руководители аналитических отделов фирм не отдают явного предпочтения какой-либо разработке и склонны к созданию внутрифирменных методик.
1 Одной из особенностей технического анализа является конфиденциальность знания. В игре с нулевой суммой, на которую и похож фондовый рынок, контрагенты по сделке не могут выиграть одновременно. Также не может одновременно «доить» одну рыночную тенденцию большая группа игроков.
В силу вышесказанного становится очевидной актуальность выбранной темы диссертационной работы. Специфические условия требуют комплексной разработки специальных методов принятия решений и прогнозирования, которых могла бы придерживаться фирма, выходящая на фондовый рынок.
Изученность проблемы. Использованию технического анализа при краткосрочном инвестировании посвящены работы, в основном, зарубежных специалистов. Например, основные положения технического анализа рассмотрены в работах Чарльза Доу, Роберта Риа, Эллиота, Эндрюса, Ганна, Томаса Р. Демарка, Эдвардса и Мейджи. Книги этих авторов стали классикой, правда, многие средства, о которых в них упоминается, например, фигуры (флажки, вымпелы и пр.) в настоящее время практически не используются.
С внедрением компьютеров в повседневную деловую жизнь на первое место в техническом анализе выходят различные индикаторы — эмпирические1 формулы, — выдающие сигналы на покупку/продажу или указывающие на существование повышательных/понижательных тенденций. Основные виды индикаторов и особенности их применения рассматриваются в работах Дж. Мерфи, А. Элдера, Дж. Уайлдера, Т. Демарка и др.
Примерно с середины 80-х годов в финансовой сфере стали активно применяться нейронные технологии. Книги Бауэра, Уоссермена, Лоуренса и Ро-зенблатта содержат основные положения и модели, необходимые для реализации нейросетей, способных учитывать множество факторов экономической жизни и помогать управляющему портфелем ЦБ принимать правильные решения. В нашей стране нейротехнологии использовались, главным образом, в военной сфере при распознавании образов. Поэтому книги отечественных авторов (Мкртчян С.О., Позин Н. В. и др.) на эту тему носят узконаправленный характер. Тем не менее, в них можно почерпнуть массу полезных замечаний по созданию и обучению нейросетей.
Наряду с вышеперечисленными работами по техническому анализу известны некоторые практические пособия, издаваемые Институтом Финансов и Права,.
1 Справка: эмпирические формулы не выводятся математически и не имеют особого смысла в научном понимании. Они только «подгоняют» теоретические значения к эмпирическим, полученным опытным путем. Форму такой зависимости подбирает исследователь. Он же определяет конкретные значения параметров эмпирической формулы.
Тора-центром и учебным центром НАУФОР1. Следует, однако, заметить, что многие работы по техническому анализу носят исключительно общий (справочный) характер и не сопровождаются комплексными методиками по технологии принятия решений при инвестировании в ЦБ. В них также не рассматриваются причины противоречивости различных индикаторов и методы их устранения, опущено содержание важных экономико-математических процеДУР.
Таким образом, становится очевидной актуальность выбранной темы диссертационной работы. Специфические условия предметной области требуют разработки специальных методов принятия решений при покупке/продаже ЦБ в условиях нестабильной рыночной конъюнктуры.
Цель и задачи исследования
Основной целью диссертационной работы является реализация комплексного подхода к процессу принятия решений при покупке/продаже ЦБ на основе технического анализа и экономико-математических методов, позволяющих извлекать прибыль при любых краткосрочных колебаниях курсов акций.
Поставленная цель обусловила необходимость решения следующих задач:
• обосновать практическую значимость технического анализа;
• подробно описать процедуру создания и оптимизации индикаторов разных видов, а также торговых стратегий, построенных на их основе;
• реализовать процедуру краткосрочного прогнозирования котировок акций (на 1−2 дня вперед) на основе технического анализа;
• привести методы принятия решений, которые устраняют противоречивость сигналов от разных индикаторов.
Создаваемая технология принятия решений предназначена, прежде всего, на агрессивного инвестора (спекулянта), совершающего большое количество сделок и стремящегося тем самым приумножить свой капитал на любых сколько-нибудь значимых колебаниях стоимости акций. Несмотря на то, что большая часть положений технического анализа универсальна и применима как к рынку акций, так и к фьючерсам на валюту, акции и реальный товар (нефть, пшеница, соя, золото и т. д.), в данной диссертационной работе акцент.
1 НАУФОР — Национальная Ассоциация Участников Фондового Рынка. делается исключительно на работе с акциями.
Предмет и объект исследования. Предметом исследования выступает система индикаторов и экономико-математических методов, используемых при принятии инвестиционных решений на рынке ЦБ. В качестве объекта исследования выступает процесс принятия решений на фондовом рынке. Для расчета значений индикаторов и демонстрации методов технического анализа используются котировки акций Мосэнерго и сводного индекса РТС.
Теоретическая и методологическая основа исследования. Теоретической и методологической основой диссертационной работы является использование таких общенаучных диалектических методов познания и исследования, как анализ и синтез, комплексность и целостность, сравнение, системный подход. В работе также использованы следующие теории и дисциплины: финансовый менеджмент, теория вероятностей и математическая статистика, исследование операций, нейросетевые технологии.
В ходе исследования проанализированы и использованы прикладные труды ведущих отечественных и зарубежных авторов, публикации Международного общества технических аналитиков (IFTA), материалы научных конференций и семинаров, обширная статистика по фондовому рынку, ресурсы Internet.
Научная новизна проведенного исследования состоит в реализации комплексного подхода к решению актуальных теоретико-методологических проблем, связанных с принятием инвестиционных решений на рынке ценных бумаг.
Получены следующие научные результаты, выносимые на защиту:
• обоснована необходимость использования технического анализа при принятии решений о покупке/продаже акций;
• разработана процедура оптимизации индикаторов разных видов и построенных на их основе торговых стратегий;
• введен новый инструмент для определения значимости выдаваемых индикатором сигналов — весовая функция;
• реализованы способы краткосрочного прогнозирования котировок акций и приведены методы принятия решений, устраняющие противоречивость сигналов, выдаваемых различными индикаторами.
Практическая значимость работы заключается в том, что в ней научно обоснованная и апробированная в результате экспериментального исследования процедура принятия решений доведена до уровня комплексной методики, пригодной для использования в повседневной работе финансовой компании при управлении портфелем ценных бумаг. В настоящее время описанная в работе технология отрабатывается на практике в деятельности профессионального участника фондового рынка — ООО Инвестиционно-аналитический Центр «Аналайз» .
Материалы диссертационного исследования могут быть использованы в учебном процессе по темам, связанным с проблемами краткосрочного инвестирования на рынке ЦБ и портфельного управления.
По теме диссертации опубликованы следующие работы:
1. Технический анализ как инструмент принятия краткосрочных инвестиционных решений. Фундаментальные и философские основы технического анализа. — В сборнике научных работ «Экономика. Политика. Культура» (выпуск третий), — М.: Издательский центр научных и учебных программ, 1998.
2. Использование нейросетевых технологий в финансовой сфере. — В сборнике научных работ «Экономика. Политика. Культура» (выпуск третий), — М.: Издательский центр научных и учебных программ, 1998.
3. Практические рекомендации по использованию традиционных индикаторов технического анализа. — Рынок ценных бумаг, 1998, № 23−24.
Результаты исследования также показали, что оптимальные значения параметров базовых индикаторов, влияющие на эффективность торговой стратегии, существенно зависят от трех факторов: доминирующей ценовой тенденции, наличия правил контроля над капиталом (стоп-приказов) и блока решающих правил при совместном использовании индикаторов. Следовательно, инвестору, выбирающему и оценивающему какую-то определенную тактику игры, необходимо уделять повышенное внимание именно этим фактором.
Сделанные по ходу оптимизации и тестирования торговых стратегий замечания помогут начинающим трейдерам избежать многих ошибок, возникающих при нарушении неочевидных закономерностей в тактике биржевой игры. Например, тестирование торговых стратегий с большим числом заключаемых сделок, показало, что основная масса прибыли зарабатывается на улавливании сильных тенденций, а не на ежедневных колебаниях курса акций. В последнем случае, по образному выражению опытных трейдеров, происходит «попадание на пилу», то есть неизбежные случайные выбросы цен понемногу, но методично разоряют игрока. Поэтому без продуманной и обязательно проверенной на статистических данных тактики игры на фондовом рынке делать нечего. Необходимо научиться ждать появления сильных сигналов от используемых индикаторов, а не бросаться вслед за очередным изменением цены, сулящим получение возможной прибыли.
Если инвестор при построении торговой стратегии захочет использовать сразу несколько индикаторов, то он может столкнуться со следующей проблемой: входящие в блок решающих правил индикаторы, которые не имеют весовых функций, могут выдавать разнонаправленные сигналы. Устранить этот недостаток в рамках существующих программных пакетов по техническому анализу невозможно. Следовательно, необходимо использовать дополнительные инструменты и методы анализа, позволяющие принимать сбалансированное решение. Следующие две главы диссертационной работы посвящены этой проблеме. В одной из них делается попытка спрогнозировать значение курса акций на завтрашний день (что может служить решающим фактором при принятии решений сегодня), а в другой — автор с помощью нейросетевых технологий пытается снять проблему противоречивости поступающих от разных индикаторов сигналов.
3.2.4 прогнозирование курса акций с помощью регрессионной модели и нейронной сети Выбранные для исследования в рамках данной диссертационной работы акции «Мосэнерго» относятся к так называемым голубым фишкам1. На российском рынке корпоративных акций они составляют значительную долю оборота, и соответственно доля их рыночной капитализации также высока. В связи с этим, при прогнозировании курса выбранных акций можно целиком исключить первый этап, описанный в разделе 2.3 (стр.53), так как значение индекса РТС в значительной мере зависит от их поведения. При этом на втором этапе в уравнение регрессии можно добавить значения некоторых факторов из уравнения, использующегося на первом этапе.
При определении факторов, влияющих на курс акций «Мосэнерго» использовались следующие данные:
• фондовые индексы DJIA (индекс Доу Джонса), S&P500, Nasdaq FTSE (индекс Лондонской фондовой биржи), DAX (Германия), САС40 (Франция), Nikkei-225 (Япония), Seoul Composite (Южная Корея), Bovespa Index (Бразилия), IPC Index (Мексика), China Shanghai Composite (Китай);
• средневзвешенная ставка по ГКО и ОФЗ-ПД (облигациям РФ);
• ставка межбанковского кредита;
• значения индикаторов (замедленный стохастический осциллятор SO, индекс денежного потока MFI, MACD-гистограмма, индекс силы FI и дирек-ционная система направлений Уайлдера DS). Индикаторы DS и SO использовались как с весовой функцией, так и без нее.
Путем последовательного исключения незначимых факторов удалось значительно сократить количество переменных в модели при сохранении значимости уравнения регрессии в целом. Полученные результаты представлены ниже.
1 Голубыми фишками обычно называют наиболее ликвидные акции высоконадежных эмитентов.
Регрессионная статистика.
Множественный R 0.924 153 916.
R-квадрат 0.854 060 461.
Нормированный R-квадрат 0.819 826 684.
Стандартная ошибка 0.4 508 795.
Наблюдения 46.
Дисперсионный анализ.
Число степеней свободы Сумма квадратов Ср. квадрат F-отношение Значимость F.
Регрессия 4 0.499 673 0.124 918 61.44 760 272 8.92 873Е-17.
Остаток 42 0.85 383 0.2 033.
Итого 46 0.585 056.
Коэффициенты Стандартная ошибка t-статистика Р-Значение.
XI 0.8 262 945 777 0.644 618 100 12.8 183 583 101 4.14 921Б-16.
Х2 0.41 819 0.12 763 3.2 766 035 382 0.21 120 242 хз -0.1 005 891 0.501 775 -2.46 655 749 0.514 733 315.
Х4 0.8 478 045 742 0.4 976 953 284 1.7 034 609 847 0.958 716 637 где Xj — значение курса акций на вчерашний день;
Х2 — значение индекса Доу Джонса;
Хз — значение линии %К замедленного стохастического осциллятораХ4 — значение MACD-гистограммы.
Значения всех использовавшихся факторов смещены на один день назад. Конечный вид уравнения для прогнозирования курса акций имеет вид.
Y= 0.82 629хХ, + 0.418 19хХ2 — 0.10 059хХ3 + 0.8478хХ,.
Как видно из рис. 34, построенное уравнение регрессии достаточно достоверно прогнозирует изменений курса акций. В соответствии с ранее заявленными целями, можно еще раз констатировать, что в рамках технического анализа точность прогноза не имеет критического значения. Важно угадать направление предстоящего изменения цен. Для оценки данного качества модели приводится график с фактическим и прогнозируемым приростами курса акций (см. рис. 35).
С помощью оцененной регрессионной модели в большинстве случаев удается угадывать направление движения цен на завтра при том, что в абсолютном выражении часто допускаются ошибки. Количество удачных прогнозов направления движения — 37, неудачных — 8. Спрогнозированный прирост — Фактический прирост.
Рис. 35 Фактический и спрогнозированные приросты курса акций.
Использование несложных регрессионных моделей для краткосрочного прогнозирования курса акций (на 1−2 дня вперед) доказывает, что и простые решения могут быть эффективны и практически значимы. Правда, полученный вид регрессионной модели не зафиксирован раз и навсегда. При переменах в характере доминирующего ценового тренда (которые случаются 2−4 раза в год) модель следует строить заново, начиная с проверки влияния всех факторов, перечисленных при начальной постановке задачи.
При прогнозировании курса акций с помощь нейросетей используются те же факторы, что и в описанной регрессионной модели. Среди факторов одной группы (например, среди фондовых индексов) отбрасываются только те, которые имеют заведомо неприемлемые значения t-статистики. Сокращать количество входных параметров для нейросети необходимо по двум причинам:
• большое количество нейронов во входном слое автоматически увеличивает количество нейронов в скрытых слоях. При большой размерности сети мощности современных компьютеров оказывается недостаточно, чтобы получить желаемый результат в разумные по длительности сроки;
• даже если нейросеть удастся обучить, то по полученным значениям синаптических весов нельзя с высокой степенью уверенности исключить незначимые, с точки зрения исследователя, факторы. Это связано с тем, что в нелинейных системах (к коим относятся и нейросети) очень трудно выделить точный вклад, вносимый данным входом в общее функционирование системы.
Среди полного множества факторов, образованного разными индикаторами, значениями фондовых индексов и различных макропоказателей, в качестве входных переменных для нейросети отобраны следующие одиннадцать:
1) курс акций Мосэнерго (MSNG);
2) дневной объем торгов акций Мосэнерго (Volume);
3) индекс Доу-Джонса (DJIA — показатель деловой активности в США);
4) индекс DAX (характеризует активность немецкого фондового рынка);
5) индекс Bovespa (BVSP — индекс бразильского фондового рынка. Типичный представитель emerging markets, к которому относится и Россия);
6) сводный индекс РТС (RTS), характеризующий фондовый рынок России в целом;
7) замедленный стохастический осциллятор в виде разницы стохастических линий (аналог гистограммы) %K-%D;
8) индекс силы FI;
9) индикатор средних направлений ADX;
10) разница между положительным и отрицательным индикаторами направлений PDI-MDI;
11) значение MACD-гистограммы.
Значения всех входных переменных относятся к периоду t-1. Значения индикаторов рассчитаны по оптимизированным внутренним параметрам. В качестве выхода сети выбран курс акций Мосэнерго на период t. Для прогнозирования курса акций выбрана трехслойная сеть Ворда, которая является одной из лучших среди сетей с обратным распространением ошибки. Она хорошо описывает мелкие детали и способна к работе на зашумленных данных.
Количество слоев в выбранной сети — три: входной, скрытый и выходной (рис. 36). Скрытый слой составлен из трех блоков. В каждом из скрытых блоков используются различные передаточные функции. Это позволяет выделять различные признаки в примерах, обрабатываемых нейросетью. Так, в блоке № 2 скрытого слоя используется Гауссова функция (рис. 37), которая выделяет значимые характеристики в середине диапазона данных. В блоке № 3 используется комплементарная Гауссова функция (рис. 37), выделяющая значимые характеристики на краях диапазона. Блоки 1,4 и 5 в качестве передаточной используют классическую логистическую функцию (рис. 38), которая применяется в большинстве нейросетевых приложений. Таким образом, когда все блоки в скрытом слое имеют разные передаточные функции, выходной слой (блок № 5) получает возможность рассмотрения данных тремя способами (с разных точек зрения).
Блок 2.
V.
Блок 1 Блок Блок 5.
Блок 3 4 t.
Входной слой Скрытый слой Выходной слой.
Рис. 36 Трехслойная сеть Ворда с обратным распространением ошибки. числяется ошибка (отклонение) между желаемыми выходами в тренировочном примере и предсказаниями сети для каждого из ее выходов. Динамика величины среднеквадратичной ошибки представлена на рис. 40. В ходе обучения она неуклонно уменьшается. Однако, при обучении сети недостаточно наблюдения только за поведением ошибки на тренировочных примерах. Ведь качество модели будет оцениваться по ее способности работать с новыми (еще не виденными ею) данными, в качестве которых в нашем примере выступает независимый тестовый набор. Динамика среднеквадратичной ошибки на тестовом наборе представлена на рис. 41. Решающим моментом для прекращения тренировки служит начало процесса увеличения ошибки на тестовом наборе. Если при этом достигнутое прогностическое качество нейросети оказывается высоким, то процесс обучения нейросети можно считать завершенным, если нет, — меняется архитектура сети (количество нейронов, их взаимное расположение, передаточные функции) и/или исходные параметры обучения (скорость обучения, момент, начальные веса) и обучение начинается снова. В работе опускаются все промежуточные этапы тренировки сети и приводятся только конечные (оптимальные) данные, представленные на приводимых графиках и в таблицах.
Заключение
.
На современных финансовых рынках проблема построения эффективной тактики биржевой игры, основанной на изучении психологии (настроений и ожиданий) основной массы инвесторов, необычайна актуальна. В рамках данной диссертационной работы предпринята попытка создания комплексного подхода к принятию краткосрочных инвестиционных решений на основе технического анализа и экономико-математических методов. В соответствии с заявленными в работе целями получены следующие результаты:
• обоснована практическая значимость методов технического анализа. Приведенные процедуры выбора и оптимизации индикаторов устраняют неопределенность и многозначность толкования используемых инструментов и полученных результатов. Расчеты, проделанные в главе 3 данной диссертационной работы, подтвердили практическую ценность технического подхода принятия решений при краткосрочном инвестировании в акции. Так, например, испытанные торговые стратегии (построенные на основе индикаторов технического анализа) обеспечили бы использовавшему их инвестору доходность в 3−4 раза выше, чем в среднем по рынку;
• подробно описана процедура создания и оптимизации технических индикаторов. а также торговых стратегий, построенных на их основе. Приведены шаблоны для оценки индикаторов и торговых стратегий. Практическое использование последних было бы невозможно за границами множества оптимальных параметров, поскольку данные инструменты обладают высокой чувствительностью, а область их применения требует высокой точности выдаваемых прогнозов;
• создан новый инструмент для определения значимости выдаваемых индикатором сигналов — весовая функция. Подтвердила свою ценность, предложенная автором, идея создания весовой функции для каждого индикатора. Так, стратегия, основанная на замедленном стохастическом осцилляторе и индексе силы, на деле смогла обеспечить существенное улучшение показателей прибыли и соотношения удачных и неудачных сделок. Произошло это благодаря использованию именно весовой функции стохастикосциллятора, которая позволила установить приоритетность в использовании разных индикаторов;
• приведены методы краткосрочного прогнозирования курса акций с помощью регрессионных моделей и нейросетей;
• подробно описана и реализована процедура по устранению противоречивости сигналов индикаторов разных групп с помощью нейронных сетей. Использование нейросетевых технологий позволило получить взвешенный сигнал на покупку (продажу) акций при использовании в рамках торговой стратегии сразу нескольких индикаторов.
Экспериментальные расчеты показали пригодность предлагаемых моделей и экономико-математических методов к практическому применению. Наибольший экономический эффект достигается при использовании предложенных методов в рамках системного (комплексного) подхода.
Дальнейшее совершенствование предлагаемых средств технического анализа и экономико-математических методов, на взгляд автора, должно быть направлено на выявление взаимосвязанного поведения различных групп финансовых активов (акций, облигаций, валют, драгметаллов и пр.) на глобальных мировых рынках.
Основные положения диссертационного исследования были использованы в практической деятельности профессионального участника фондового рынка — ООО Инвестиционно-аналитический Центр «Аналайз». В качестве достигнутого результата можно привести улучшение качества краткосрочного прогнозирования и, как следствие, увеличение прибыльности проводимых спекулятивных операций. Кроме этого, материалы диссертационного исследования могут быть использованы в учебном процессе по темам, связанным с проблемами краткосрочного инвестирования на рынке ценных бумаг и портфельного управления.
