Автоматизация применения теории Г. Марковица для мониторинга рынка валют

Теоретические основы

Известные методы страхования таких рисков (хеджирование) приводят к потере премий, уплаченных за страхование. По этому, целесообразно с целью снижения расходов на страхование валютных рисков рассмотреть возможность применения новых методов прогнозирования [2], отличающихся от известных более высокой точностью прогноза.

Под прогнозом цены финансового инструмента для целей дальнейшего изложения будем понимать количественное значение цены. Такое определение прогноза отличается от принятого на валютном и фондовом рынках [3], где в качестве прогноза обычно указывают только предполагаемое направление движения цены на некоторую временную перспективу. Различают краткосрочный, среднесрочный и долгосрочный прогнозы [2]. Для оценки валютных рисков, предприятиями реального сектора экономики краткосрочные риски не представляют интереса. Оценка этих рисков представляет интерес только для спекулянтов.

Согласно [2] все методы прогнозирования можно разделить на 3 группы:

• 1. Анализ временных рядов. Эти методы получили широкое развитие и применение при торговле на рынке Форекс под общим названием «Технический анализ». [3]
• 2. Каузальные методы прогнозирования. Эти методы распадаются на 3 большие группы, а именно: многомерные регрессионные модели, эконометрические модели и компьютерная имитация. Практическое применение этих методов невозможное без применения ЭВМ и возможно только при наличии соответствующего программного обеспечения.
• 3. Качественные методы прогнозирования. Как следует из самого названия, эти методы не применимы для прогнозирования цены, а могут только указывать наиболее вероятное направление движения цены.

В работе предлагается метод прогнозирования использующей в своей основе портфельную теорию Г. Марковица.

Как известно при определении состава оптимального портфеля в качестве исходных данных для расчета используется таблица, в которой собрана информация о финансовых инструментах. Эта таблица в дальнейшем используется в расчетах в форме матрицы.

Таблица 1 — Вид базы данных

Имея такую базу данных можно построить функциональную взаимосвязь между переменной, выбранной в качестве эндогенной (Y) и одной или несколькими экзогенными переменными X1, X2,…XN.

С помощью таблицы значений прошлых наблюдений можно подобрать (например, методом наименьших квадратов) коэффициенты регрессии, настроив тем самым модель [2].

При работе с регрессией надо соблюдать определенную осторожность и обязательно проверить на адекватность найденные модели. Однако для практического применения таких моделей для прогнозирования цены недостаточно определить адекватность модели один раз на исторических данных и затем применять неограниченно долго. Дело в том, что при выходе фундаментальных данных [4], существенно отличающихся от ожиданий рынка, происходит резкое движение и даже возможно изменение движения рынка на противоположное (разворот тренда). В этих условиях применение модели рассчитанной по историческим данным, которые имели место до выхода новости, которая привела к развороту рынка недопустимо, так как прогноз будет ошибочным. В свою очередь ошибка прогноза явилась следствием того, что применяемая модель перестала быть адекватной изменившемуся рынку.

С целью повышения точности прогноза предложено в режиме реального времени отслеживать разность между реальной ценой инструмента и прогноза и применяя методы теории автоматического управления вводить корректирующие воздействие.