Помощь в написании студенческих работ
Антистрессовый сервис

Статистический анализ и прогнозирование состояния фондового рынка с использованием нейросетевых алгоритмов

Диссертация: Статистический анализ и прогнозирование состояния фондового рынка с использованием нейросетевых алгоритмов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Все это привело к тому, что в последнее время предпринимается все больше усилий для разработки более глубоких моделей тактики размещения активов и стратегий выбора момента для сделок. Недавние исследования свойств временных рядов для различных финансовых активов выявили в них присутствие нелинейных динамических структур описываемых теорией хаоса. В частности в 1991 г. Ларрэн, в статье «Testing… Читать ещё >

Статистический анализ и прогнозирование состояния фондового рынка с использованием нейросетевых алгоритмов (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Модели анализа фондовых рынков
    • 1. 1. Инвестиционный анализ и модели рынка
    • 1. 2. Портфельный анализ (теория портфеля)
    • 1. 3. Анализ российского рынка ценных бумаг, и характеристики его участников
  • Глава 2. Технологии обработки статистической информации фондового рынка
    • 2. 1. Технический анализ
    • 2. 2. Нейронные сети
  • Глава 3. Построение моделей анализа и прогнозирования на фондовых рынках
    • 3. 1. Методы расчета фондовых индексов
    • 3. 2. Механические торговые системы
    • 3. 3. Построение нейросетевой модели

Актуальность темы

исследования. Становление отечественного рынка ценных бумаг дало в руки российских предпринимателей эффективные средства для развития своего дела. Прежде всего, с помощью выпуска ценных бумаг обеспечивается уникальная возможность быстрого создания крупных капиталов. Однако, появление в России с началом массовой приватизации реального рынка акций предприятий, а затем и долговых обязательств потребовало от его участников определенного уровня информированности и профессиональной подготовки. Сложная ситуация на фондовом рынке страны заставляет искать те модели развития, которые способны вывести российский рынок ценных бумаг из кризиса и обеспечить ему достойное место среди других рынков цивилизованных стран. Разработка теоретических и прикладных аспектов проблемы развития национального рынка ценных бумаг в современных политических, экономических и социальных условиях должна осуществляться в рамках глобальной стратегии общества и государства, на основе методов и принципов рыночного регулирования в сочетании с современными методами анализа. Большое значение в этом аспекте имеет научно-методическое обеспечение деятельности участников фондового рынка. Важнейшим инструментом такого обеспечения являются современные экономико-математические, включая статистические методы анализа и прогнозирования состояния фондового рынка.

Анализ зарубежной литературы по вопросам исследования финансовых инструментов бизнеса показывает, что наибольшее количество научных публикаций относится к экономико-статистическому анализу фондовых рынков и рынков долговых обязательств. Однако в отечественной практике статистическим методам анализа рынка ценных бумаг не уделяется должного внимания, о чем свидетельствует сравнительно небольшое число научных публикаций.

Повседневная практика финансовых рынков прибывает в некотором противоречии с академической точкой зрения, согласно которой изменение цен финансовых активов происходит мгновенно, эффективно отражая всю доступную информацию. В действительности же, само существование сотен маркетмэюсеров, трейдеров и фондовых менеджеров, работа которых состоит в том, чтобы делать прибыль, говорит о том, что участники рынка вносят определенный вклад в общую информацию. Не секрет, что в своей работе участники рынка ценных бумаг не ограничиваются простыми линейными правилами принятия решений, а могут по-разному реагировать на сходную по содержанию информацию.

Один из возможных подходов многомерным и зачастую нелинейным информационным рядам финансового рынка заключается в том, чтобы по возможности использовать такие методы искусственного интеллекта как экспертные системы или нейронные сети.

На моделирование процессов принятия решений этими методами было потрачено много усилий. Оказалось, однако, что экспертные системы в сложных ситуациях хорошо работают лишь тогда, когда системе присуща внутренняя стационарность. Такое описание задач представляется совершенно неубедительной для финансовых рынков с их непрерывными структурными изменениями. В свою очередь нейронные сети предлагают новые многообещающие возможности для банков и других финансовых институтов, которым по роду своей деятельности приходится решать задачи в условиях небольших априорных знаний об исследуемом явлении.

В настоящее время ни один крупный банк США не обходится без использования нейронных сетей в своей аналитической деятельности. Так, например, одна из сфер применения нейросетевых алгоритмов для ряда ведущих банков стала проблема изменений позиции доллара США на валютном рынке при большом числе неизменных объективных факторов.

Все это обусловило выбор темы диссертационного исследования, ее актуальность в научном и практическом плане.

Цель и задачи исследования

Цель диссертационной работы состоит в разработке и апробировании методики статистического анализа и прогнозирования показателей рынка корпоративных ценных бумаг с применением нейросетевых алгоритмов.

В соответствии с поставленной целью в работе были поставлены и решены следующие задачи:

• технические стратегии анализа и прогноза курсов ценных бумаг на российском фондовом рынке;

• построение нейронносетевой модели прогнозирования динамики российского фондового индекса;

• построение многомерной регрессионной модели прогноза индекса РТС на основе входных данных, использованных для обучения вышеназванной нейронной сети и проведение сравнительного анализа качества результатов нейронносетевой и регрессионной моделей;

• проработка методики анализа влияния входных факторов на результаты нейронной сети;

Объект и предмет исследования.

Объектом исследования в данной работе является российский фондовый рынок, предметом исследования — совокупность показателей, характеризующих развитие рынка корпоративных ценных бумаг, в качестве количественного показателя которого был взят индекс российской торговой системы (РТС).

Информационной базой послужили официальные данные, публикуемые в компьютерной сети Internet российской торговой системой. Центральным Банком России, а также представленные информационным агентством АК&М.

Теоретической и методологической базой исследования явились труды отечественных и зарубежных ученых в области инвестиций, финансов и статистики, нейронных сетей, материалы научных конференций и совещаний по изучаемой теме. Для решения поставленных задач в работе наряду с традиционными статистическими методами использовались методы технического анализа финансовых рынков, а также нейронносетевые технологии. При решении поставленных задач были использованы пакеты прикладных программ STATISTICA, EXCEL, WORD, METASTOCK, NEUROSHELL.

Научная новизна диссертационного исследования состоит в разработке методики статистического анализа и прогнозирования фондового рынка с применением методов технического анализа и математического аппарата нейронных сетей.

В диссертации сформулированы и обоснованы следующие положения, выносимые на защиту:

— классификация, подробное описание и методы применения технических индикаторов в качестве инструмента принятия решений на фондовом рынке.

— методика построения нейросетевых моделей прогнозирования на примере фондового индекса РТС от влияния экономических показателей России и мирового фондового рынка.

— сравнительный анализ эффективности нейронных сетей с различной топологией в качестве инструмента прогнозирования временных рядов на основе многомерных данных.

— применение факторного анализа в качестве предобработки входных данных нейронной сети с целью уменьшения размерности входного вектора данных.

— сравнительный анализ качества прогноза полученного на моделях множественной регрессии и нейронной сети.

— методика анализа факторов оказавших наибольшее влияние на выход нейронной сети.

Практическая значимость работы заключается в возможности реального использования нейросетевых методов прогнозирования для работы на фондовых рынках. Предложенная модель нейронной сети была построена с учетом специфики российского фондового рынка и позволила получить значительное улучшение точности прогнозных оценок по сравнению с методами множественной регрессии. С другой стороны принципы, использованные при выборе входных параметров модели, содержат в своей основе обобщение опыта зарубежных специалистов по инвестиционному анализу и могут быть успешно применены на фондовых рынках других стран.

Полученные результаты позволили повысить эффективность управления капиталом, получить более высокий уровень прибыли, а также выявить некоторые зависимости между внутренними и внешними финансовыми показателями, определяющими динамику российского фондового рынка. Сделанные выводы могут представлять интерес для сотрудников и руководителей аналитических служб компаний работающих в сфере инвестиций.

Апробация работы.

В основе данной работы лежат обобщенные результаты практической работы финансовой корпорации «С.А. и партнеры» на российском фондовом рынке.

Публикации.

По основным положениям диссертаци опубликовано 4 статьи и одна монография.

Структура диссертации.

Работа состоит из введения, трех основных глав, заключения списка использованной литературы и приложений, содержащих результаты компьютерной обработки исходных статистических данных.

Во введении обосновывается актуальность темы, определяется цель и задачи исследования, характеризуется научная новизна и практическая значимость работы.

В первой главе «Модели анализа фондовых рынков» отражены основные подходы и принципы анализа и прогнозирования событий на финансовых рынках. В частности, рассмотрены механизмы оценивания на основе рыночных циклов и циклов деловой активности, рассматриваются основы портфельной теории, дается анализ состояния российского фондового рынка и классификация его участников по уровню аналитического оснащения на 1996 год.

Во второй главе «Технологии обработки статистической информации фондового рынка» описаны методики прогнозирования курсов акций при помощи технического анализа, а также теоретические основы нейронных сетей и общим принципам построения нейросетевых моделей прогноза.

В третьей главе «Построение моделей анализа и прогнозирования на фондовых рынках» показываются методики применения средств технического анализа и нейросетевых технологий для прогнозирования на фондовых рынках. Проводится сравнительный анализ точности оценок полученных на нейросетевой и линейно-регрессионной моделях. Описывается методика анализа нейронной сети.

Выводы по третьей главе.

Нейронные сети имеют преимущество перед более традиционными линейными методами статистического анализа в случаях, когда мы не можем точно описать все имеющиеся взаимосвязи, но можем выделить некоторый набор показателей, характеризующий исследуемое явление. В отсутствие четкой концептуальной модели регрессионные методы малоприменимы.

• Первое достоинство нейронно-сетевых методов анализа данных состоит в том, что они не требуют априорных знаний о характере распределения исследуемых данных.

• Очевидна высокая степень согласованности результатов, касающихся вклада отдельных переменных, которые дают обычная регрессия и многослойная сеть. Такое соответствие повышает нашу уверенность в правильности результатов и одновременно говорит о том, что, по крайней мере, линейная составляющая связи между доходом по индексу и выбранным фактором улавливается нейронной сетью вполне успешно.

• Для построения краткосрочных прогнозов и систем принятия решений нейрон но-сетевые подходы являются более предпочтительными, так как позволяют получить значительно более точные оценки. Это имеет особую важность при построении финансовых прогнозов где увеличение точности даже на 1% может значительно увеличивать прибыли компаний .

Заключение

.

Несмотря на то, что к моменту завершения данного исследования российский фондовый рынок и экономика в целом переживают состояние глубокого кризиса необходимо отметить высокую степень важности рынка ценных бумаг для нормального функционирования рыночной экономики любой страны. Являясь совокупностью денежного рынка и рынка капиталов, фондовый рынок представляет собой один из самых чутких показателей состояния экономики любой развитой страны. Без привлечения инвестиций невозможно развитие промышленности и науки, а следовательно невозможен и рост благосостояния населения.

Современный фондовый рынок, как один из мощнейших инструментов по привлечению инвестиционных средств, требует от его участников высокого уровня профессионализма в управлении активами. Как показывает современная теория и практика, эффективная работа на фондовом рынке невозможна без наличия мощного аппарата анализа и прогноза курсов акций, валют и других товарно-материальных активов обращающихся на рынке.

Современная финансовая теория совместно с математикой и статистикой располагает несколькими широко известными моделями описывающими поведение цен на финансовые активы. В настоящее время инвестиционный анализ существует в трех формах: технический анализ, фундаментальный анализ и «академический» анализ (эконометрия фондового рынка).

Технический анализ благодаря своей простоте и доступности для освоения уже почти сто лет является одним из самых популярных методов принятия решений на фондовом рынке. Однако его методы, зачастую являющиеся весьма эффективными, не являются строго научными и требуют большого опыта и доли интуиции для эффективного применения.

Школа фундаментального анализа возникла с развитием прикладной экономической науки. За основу она взяла знания о макроэкономической жизни общества и ее влияния на динамику цен и товаров. Например, знание о погодных условиях в Латинской Америке на текущий год могут помочь в данном году объемы производства кофе и, соответственно динамику цен на кофе в этот период.

Если основная задача технического анализа — сглаживать спекулятивные колебания цен, то главная задача фундаментального анализа — анализ и прогноз фундаментальных факторов и их влияния на динамику цен. Стратегические инвесторы, осуществляющие долгосрочное инвестирование, уделяют основное внимание фундаментальному анализу, пропуская при этом краткосрочные колебания цен.

Наиболее известными «академическими» моделями являются модель ценообразований на рынке капиталовложений (Capital Asset Pricing Model, САРМ), предложенная Шарпом, основная на единственном систематическом факторедоходе от рыночного портфеля, и берущая свое начало от идей Марковича. Модель Шарпа приобрела широкую популярность в среде инвесторов, также благодаря своей относительной простоте.

В 60-е годы под редакцией Кутнера (Cootner) выходит сборник, в котором динамика движения цен, реагирующих на непредвиденную, и дискретно поступающую во времени информацию, представляется как процесс случайного блуждания (в дальнейшем известная «теория случайных блужданий»). Из всего вышесказанного можно заключить, что прогнозируемость временных рядов цен весьма сомнительна а, следовательно, модель рынка в принципе не может быть полностью определена, поскольку ожидаемый доход невозможно определить на основе данных о текущем доходе.

В 1988 году Чэн (Chan) выразил весомые сомнения по поводу правомерности использования показателя (3, поскольку выяснилось, что он практически не объясняет уровень полученного дохода.

Все это привело к тому, что в последнее время предпринимается все больше усилий для разработки более глубоких моделей тактики размещения активов и стратегий выбора момента для сделок. Недавние исследования свойств временных рядов для различных финансовых активов выявили в них присутствие нелинейных динамических структур описываемых теорией хаоса. В частности в 1991 г. Ларрэн, в статье «Testing Chaos and Nonliearities in T-Bill Rates» описал хаотический характер поведения цен на вексели казначейства США. Хаотическое поведение во времени легче всего описывается с помощью кратковременных и больших по амплитуде возмущений, и это ставит под вопрос значимость результатов спектрального анализа и проверок на автокорреляцию. Тогда как при анализе временных рядов линейными методами большинство видов дохода представляются результатами действия белого шума, эти авторы обнаружили, что в ценовых рядах присутствуют небольшие, но значимые линейные зависимости. Если такой механизм, внешне проявляющийся в случайном хаотическом движении цен, действительно, существует, то это может серьезно пошатнуть такие устоявшиеся парадигмы финансовой науки, как гипотеза ^ ^ эффективного рынка и модель случайного блуждания.

В диссертации были построены и проанализированы регрессионная и нейросетевая модели прогноза пятидневного изменения российского фондового индекса РТС.

Результаты проведенного исследования, по применению в математической статистике и эконометрике аппарата нейронных сетей позволяет заключить, что нейронные сети имеют преимущество перед традиционными методами корреляционного и регрессионного анализа. Это преимущество особенно заметно в тех случаях, когда мы не можем точно описать все имеющиеся взаимосвязи, но можем выделить некоторый набор показателей характеризующий исследуемое явление. Нейронные сети хорошо улавливают внутреннюю динамику и корреляцию между финансовыми показателями, позволяя получить более точные оценки.

Резонно предположить, что весомый вклад в повышение точности прогнозов ш & w вносит механизм обратной связи, примененный в данной неросетевой модели. Этот факт косвенным образом позволяет подтвердить теорию о наличии хаотических нелинейных связей в финансовых временных рядах.

Достаточно высокая степень согласования результатов касающихся вклада отдельных переменных в оценку регрессии и многослойной сети повышает уверенность в правильности полученных результатов. Исходя из этого, оба метода можно рассматривать как инструмент взаимного подтверждения значимости получаемых результатов. Данные, использованные в проведенном исследовании, оказались связанными с целевой переменной (пятидневным изменением индекса РТС) почти идеальными линейными связями. Такой вывод можно сделать исходя из высокого коэффициента корреляции Пирсона и малую среднеквадратичную ошибку при регрессионном анализе. Однако даже в такой ситуации нейронная сеть с ф V обратным распространением ошибки смогла превзойти метод линейной регрессии по показателям точности прогноза. Более того, даже на новых данных нейросеть дала лучший результат, чем оценка регрессии на обучающей выборке. м.

Показать весь текст

Список литературы

  1. Адамов В, Е. Факторный индексный анализ (Методология и проблемы). М.: Статистика, 1977. — 200 с.
  2. С.А. Статистическое исследование зависимостей. М.: Металлургия. — 1968.
  3. С.А., Бухштабер В.М.: Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. — 607 с.
  4. С.А., Енюков Е. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичной обработки данных. М.: Финансы и статистика, 1993.-471 с.
  5. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985. — 487 с.
  6. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Основы моделирования и первичной обработки данных. 471 с.
  7. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. М.: ЮНИТИ, 1998. — 1022 с.
  8. М.Ю. Рынок ценных бумаг. М.: Финансы и статистика, 1992. — 352 с.
  9. Т. Статистический анализ временных рядов. М.: Мир, 1976. — 376 с.
  10. П. Применение метода главных компонент в практических исследованиях. М.: Издательство МГУ, 1973. — 122 с.
  11. А., Эйзен С. Статистический анализ: подход и использование ЭВМ. М.: Мир, 1982. — 488 с.
  12. И. Т. Основы финансового менеджмента. М.: Финансы и статистика. 1995.
  13. А. Российский рынок ценных бумаг в зеркале иностранной прессы. //Рынок ценных бумаг 1997, № 4. — с. 49−51.
  14. Банковское дело / Под ред. О. И. Лаврушина. М.: ББНКЦ, 1992. — 428 с.
  15. И.К., Короткое А. В. Биржевые индексы и оценки конъюнктуры. В сборнике научных трудов МЭСИ: Проблемы статистики рыночных отношений. — М.: 1992. — с. 34 -50.
  16. Л.А. Анализ финансовой отчетности. М: Финансы и статистика, 1996.
  17. П., Доксам К. Математическая статистика. М.: Финансы и статистика, 1983.
  18. Биржевой портфель / Отв.ред. Ю. Б. Рубин, В. И. Солдаткин. М.: Соминтек, 1993. — 690 с.
  19. Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып. 1.-М.: Мир, 1974. 240 с.
  20. ., Хуань К.Дж. Многомерные статистические методы для экономики. М.: Статистика, 1979.
  21. А.Н. Рынки производных финансовых инструментов. М.: Инфра-М, 1996. — 368 с.
  22. Ван Хорн Дж. К Основы управления финансами. М.: Финансы и статистика. 1997. — 800 с.
  23. Е.С., Овчаров Л. А. Прикладные задачи теории вероятностей. -М.: Радио и связь, 1983. 416 с.
  24. Ф.С. Экономические процессы переходной экономики. М.: Наука, 1995.
  25. С.М. Основы комплексного прогнозирования. М.: Наука, 1977.
  26. В. Среди лидеров бывшие аутсайдеры и новички. //Рынок ценных бумаг — 1997, № 3. — с. 19−21.
  27. Гам баров Г. М. Статистическое моделирование и прогнозирование: Учебное пособие для вузов под редакцией Гранберга А. Г. М.: Финансы и статистика. 1990. — 382 с.
  28. Я.П. Графические методы в статистике. М.: Статистика, 1968. -212 с.
  29. В.Е. Руководство к решению задач по теории вероятностей и математической статистике. М.: Высшая школа, 1970. — 239 с.
  30. Н.И. Теория статистических показателей динамики. М.: Наука, 1977.
  31. А. А. К вопросу использования адаптивных методов в экономическом прогнозировании. Вопросы эффективности и качества в системах управления народным хозяйством. М.: МЭСИ, 1980.
  32. А.А. Прогнозирование сезонных процессов на основе метода Тейла-Вейджа. Проблемные вопросы конструирования АСУ. М.: МЭСИ, 1985.
  33. А.А., Орлова И. В. Компьютерные экономико-математические модели. -М: ЮНТИ -1995
  34. К., Хатанака М. Спектральный анализ временных рядов в экономике. М.: Мир, 1973.
  35. Г. Л. Общая теория статистики. М.: МГУ, 1987.
  36. Г. Л. Статистический ряды в экономических и экономико-географических исследованиях. М.:1974.
  37. Г. Л., Трудова М. Г. Краткий курс статистики. М.: 1963.
  38. Группировки и корреляция в экономико-статистических исследованиях./ Под ред. Т. В. Рябушкина. М.: Наука, 1982.
  39. В.П. Теоретические аспекты перестройки в экономике, М.: 1991 г.
  40. Д.-Э. Бэстенс, В.-М. Ван Ден Берг, Д. Вуд Нейронные сети и финансовые рынки. М.: Научное издательство «ТВП», 1997
  41. Э.Г. Исследование операций. М.: Высшая школа, 1990. — 383 с.
  42. Данило-Данильян В. Об итогах и перспективах развития экономико-математических исследований. Экономические науки, № 6, 1986.
  43. Г., Ватте Д. Спектральный анализ и его приложения. М.: Мир, 1971.-313 с.
  44. К. Средние величины. М.: Статистика, 1970. — 448 с.
  45. Дж. Эконометрические методы. М.: Статистика, 1980. — 446 с.
  46. Э.Дж. и др. Деньги, банковское дело и денежно-кредитная политика. М.: Профико, 1993. — 445 с.
  47. К. Введение в эконометрику. М.: Инфра-М, 1997. — 402 с.
  48. А.М. Обработка статистических данных методом главных компонент. М.: Статистика, 1978. — 243 с.
  49. А.М., Мхитарян B.C. Статистические методы многомерной классификации в экономике. М.: МЭСИ, 1984.
  50. А.М., Мхитарян B.C., Трошин Л. И. Математическая статистика (для бизнесменов и менеджеров). М.: МЭСИ, 1996.
  51. А.М., Мхитарян B.C., Трошин Л. И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 1998. — 352 с.
  52. С.А. Прикладной многомерный статистический анализ. М.: Финансы и статистика, 1982. — 216 с.
  53. ., Оделл П. Кластерный анализ. М.: Статистика, 1977, 128 с.
  54. И.И. Комплексное использование индексного и регрессионного методов анализа. Л., ЛФЭИ, 1981.
  55. И.И., Рукавишников В. О. Логика прикладного статистического анализа. М.: Финансы и статистика, 1982.
  56. И.И., Юзбашев М. М. Общая теория статистики. М.: Финансы и статистика, 1995. — 368 с.
  57. М.Р. Применение метода группировок в анализе эффективности управления. М.: МЭСИ, 1987.
  58. М.Р. Статистические методы в управлении производством. М.: Финансы и статистика, 1988.
  59. М.Р., Рябцев В. М. Общая теория статистики. М.: Финансы и статистика, 1991.
  60. В.М., Мучник И. Б. Факторный анализ в социально-экономических исследованиях. М.: Статистика, 1976. — 151 с.
  61. Заде Л. Л, Размытые множества и их применение в распознавании образов и кластер-анализе. Классификация и кластер. М.: Мир, 1980. — с. 208−247.
  62. С.И., Турундаевский В. Б. Марковские случайные процессы в экономике. М.: МЭСИ, 1996. — 70 с.
  63. К. Факторный анализ. М.: Статистика, 1980.
  64. А. Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1975.
  65. Г. Л., Кильдишев Г. С., Шмойлова Р. А. Статистическое изучение основных тенденций развития и взаимосвязи рядов динамик. Томск: Издательство Томского государственного университета. 1985.
  66. С.Д. Менеджмент. М.: 1 994.
  67. Инновационный менеджмент: Учебник для вузов/ Ильенкова С. Д., Гохберг Л. М., Ягу дин С.Ю. и др.- Под ред. Ильенковой С. Д. М.: Банки и биржи, ЮНИТИ, 1997. — 327 с.
  68. Информатика в статистике: Словарь-справочник. М.: Финансы и статистика, 1994. — 208 с.
  69. Дж.М. Общая теория занятости, процента и денег. В кн.: Антология экономической классики. — М.: Экономика, 1993. — с. 137−241.
  70. М., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976.
  71. Г. С. Статистический анализ динамических рядов. М.: Статистика, 1974.
  72. А.Н., Шевченко К. К. Математическая статистика для экономистов-статистиков. М.: МЭСИ, 1990.
  73. Л.Н. Многомерное прогнозирование на основе рядов динамики. М.: Статистика, 1980.
  74. В.А. и др. Теория вероятностей и математическая статистика. -М.: Высшая школа, 1991. 400 с.
  75. Ю.Г. Метод наименьших квадратов в социально-экономических исследованиях. М.: Статистика, 1980.
  76. Ю.Г., Шмойлова Р. А. и др. Статистическое моделирование и прогнозирование. М.: МЭСИ, 1985.
  77. В.А. Методология статистического исследования социально-экономических явлений в условиях рыночной экономики. М.: 1992.
  78. А.А. и др. Статистическая обработка результатов экспериментов на микро-ЭВМ и программируемых калькуляторах. Л., Энергоатомиздат, 1991. -304 с.
  79. Е. Финансовая математика. М.: Финансы и статистика, 1994. -271 с.
  80. О. П. Изучение статистических зависимостей по многолетним данным. М.: Финансы и статистика, 1991.
  81. Курс социально-экономической статистики./ Под ред. Назарова М. Г. Издание 2-е. М.: Финансы и статистика, 1985. — 607 с.
  82. Л.И. Популярный экономико-математический словарь. М.: Знание, 1990. — 256 с.
  83. Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979. 325 с.
  84. Ю.П. Регрессионные и адаптивные методы прогнозирования: Учебное пособие. М.: МЭСИ, 1997. — 43 с.
  85. Я.Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. М.: Дело, 1997. — 248 с.
  86. А. Принципы экономической науки. М.: Прогресс, 1993. — 1070 с.
  87. Математико-статистический анализ на программируемых микрокалькуляторах /Под ред. В. В. Шуракова. М.: Финансы и статистика, 1991. — 167 с.
  88. А. Инфраструктура российского рынка. М.: 1995.
  89. В.Э. Курс Технического анализа. М.: Серебряные нити 1997.
  90. И. С. Финансовый анализ ценных бумаг: Курс лекций. М.: Финансы и статистика, 1998. — 360 с.
  91. А.В. Инвестиции, -Киев: Киевская научно-промышленная ассоциация, 1992.
  92. М. Математическое программирование. М.: Наука, 1990. — 488с.
  93. B.C., Бамбаева Н. Я., Балинтова Д. Компьютерные исследования временных рядов и взаимосвязи показателей с использованием пакета Mesosaur. М.: МЭСИ, 1996. — 80 с.
  94. B.C., Трошин Л. И. Статистические методы изучения связей экономических явлений. М.: МЭСИ, 1983.
  95. B.C., Трошин Л. И. Статистический анализ многомерных совокупностей. М.: МЭСИ, 1992.
  96. Э. Малая энциклопедия трейдера. -К.: Альфа Капитал: Логос, 1997.-236с
  97. Новые формы хозяйствования в условиях рынка. М.: МДНТП, 1991.
  98. О’Брайен Дж., Шривастава С. Финансовый анализ и торговля ценными бумагами. М.: Дело ЛТД, 1995. — 208 с.
  99. Общая теория статистики. Под редакцией Боярского А. Я., Громыко Г. Л. -М.: МГУ, 1985. 375 с.
  100. Общая теория статистики. Статистическая методология в коммерческой деятельности. Учебник под ред. Спирина А. А., Башиной О. Э. М.: Финансы и статистика, 1994.
  101. О.Г. Игры на рынке валютных фьючерсов. М.: Инфра-М, 1995. — 64 с.
  102. Я. Факторный анализ. М.: Статистика, 1974.
  103. И.С. Средние величины в статистике. М.: Статистика, 1979.
  104. А.А., Первозванская Т. Н. Финансовый рынок: Расчет и риск М.: Инфра-М, 1994. — 192 с.
  105. Н.В. Теоретические основы индексного анализа М.: Госстатиздат, 1960. — 267 с.
  106. . Г. Группировка и системы статистических показателей. М: Статистика, 1971.
  107. В.А., Горчаков А. А. Методы и модели экономического прогнозирования. М.: МЭСИ, 1980.
  108. В.А., Скучалнна Л. М. Обобщение моделей экономического прогнозирования. М.: МЭСИ, 1982.
  109. Правила торгов в Секции срочного рынка ММВБ
  110. Правила торгов фьючерсными и опционными контрактами на МЦФБ
  111. Принципы функционирования срочного рынка / Обзор. ММВБ, 1997.
  112. Рабочая книга по прогнозированию. М.: Мысль, 1982.
  113. И.С. Работа с пакетом Window on WallStreet -М: Тора-Центр 1998.
  114. Рид Э. Коммерческие банки. М.: СП «Космополис», 1991. — 479 с.
  115. Российский статистический ежегодник 1994. М.: Государственный комитет по статистике Российской Федерации, 1994. — 799 с.
  116. Российский статистический ежегодник 1996. М.: Государственный комитет по статистике Российской Федерации, 1996. — 1202 с.
  117. К., Хьюс С. Управление финансовыми рисками. М.: Инфра-М, 1994. — 288 с.
  118. П. Экономика. -М.: Машиностроение, 1993. 715 с.
  119. А.С. Кризис экономики России и пути ее оздоровления. М, 1992.
  120. Дж.Ф. Управление финансами в коммерческих банках. М.: Catallaxy, 1994. — 937 с.
  121. Н.А. Применение теории неопределенности в экономике. М.: МЭСИ, 1996. — 136 с.
  122. Социально экономическое положение России. Январь — апрель 1997 года. — Государственный комитет по статистике РФ.
  123. Статистический словарь / Гл. ред. М. А. Королев. М.: Финансы и статистика, 1989.
  124. Статистический словарь. Издание 2-е, переработанное и дополненное. -М.: Финансы и статистика, 1989. 623 с.
  125. Статистическое моделирование и прогнозирование./ Под ред, А. Г. Гранберга. М.: Финансы и статистика, 1990.
  126. Статистическое обозрение Ч, 1997. Государственный комитет по статистике РФ.
  127. И.П. Общая теория статистики. Издание 2-е, переработанное и дополненное. М.: Статистика, 1978. — 393 с.
  128. К., Де Ковни Ш. Стратегии хеджированию. М.: Инфра-М, 1995. -208 с.
  129. Г. Прикладное экономическое прогнозирование. М.: Статистика, 1990.
  130. И.Е. Статистика финансов. Минск: Высшая школа, 1994. — 224 с.
  131. Л.И., Мхитарян B.C. Корреляционный и регрессионный анализ. -М.: МЭСИ, 1981.
  132. Ю.Н., Макарова А. А. Анализ данных на компьютере. М.: Финансы и статистика, ИНФРА-М, 1995.
  133. У. Шарп и другие. Инвестиции М.: ИНФРА-М, 1997.
  134. А.И. Системный подход и общая теория систем. М.: Мысль, 1978. — 272 с.
  135. Ф. Нейрокомпютерная техника -М: Мир 1992
  136. Ф. Бергер. Что вам надо знать об анализе акций М.: Интерэксперт, Финстатпром, 1998.
  137. Э., Ренц Б. Методы корреляционного и регрессионного анализа. -М.: Финансы и статистика, 1983.
  138. Фондовый портфель / Отв. ре д. Ю. Б. Рубин, В. И. Солдаткин. М.: Соминтек, 1992. — 690 с.
  139. А.А. Производительность труда. Проблемы моделирования роста. М.: Экономика, 1984.
  140. Дж.Р. Стоимость и капитал. М.: Прогресс, 1993. — 490 с.
  141. Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. — 276 с.
  142. А.Д., Сайфуллин Р. С. Методика финансового анализа. М.- Инфра-М, 1995. — 176 с.
  143. Е.Б. Операции коммерческих банков и зарубежный опьгг. М.: Финансы и статистика. 1993. — 138 с.
  144. М., Стэнсфилд Р. Методы принятия решения. М.: Аудит, ЮНИТИ, 1997.
  145. Эр лих А. А. Технический анализ товарных и финансовых рынков. Прикладное пособие. М: ИНФРА-М, 1996.
  146. Э.Г. Системный подход и принцип деятельности. М.: Наука, 1978. — 388 с.
  147. Anderson T.W., Rubin H. Statistical inferences in factor analysis. Proc. 3 Berkeley Symp. Math. Statist, and Propab. Univ. Calif. Press, 1956. Pp. 11−50.
  148. Bart Kosko, «Adaptive bidirectional associative memories». Applied Optics, 26,4947−4960.
  149. Berndt E.R. The practice of econometrics. Classic and contemporary. Addison-Wesley Publishing Company. Reading-Massachusetts-Menlo P arc-California, 1990.
  150. Collins National Dictionary. London, 1966.
  151. Connor, J. and Atlas, L. (1991), «Recurrent neural networks and time series prediction', Proceedings IfCNN 1, 301−306
  152. V 155. CowaiU.D. (1990), *Neural networks: the early days'. In: Touretzky, D. S. (ed).
  153. Advances in Neural Information Processing Systems, San Mateo, California: Kaufman Publishing, 828−842
  154. , G. (1988), 'Approximations by superpositions of a sigmoidal function', Techn. Rep. No. 856, Urbana Univ. of Illinois
  155. , G. J. (ed) (1994), The Trading Edge: Neural, Genetic, and Fuzzy Systems for Chaotic Financial Markets, NY: John Wiley & Sons
  156. Dougherty C. Introduction to econometrics. Oxford University Press. New York-Oxford, 1992.
  157. F. Rosenblatt, «The perceptron: a probabilistic model for information storage and organization in the brain». Psychological Review 65:386−408,1958.
  158. Goldberger A. A course in Econometrics. Cambridge-Mass.: Harvard University Press, 1990.
  159. Green W.H. Econometrics analysis. Macmillan Publishing Company, New York, 1993.
  160. Hecht-Nielsen, «Counter Propagation Networks», IEEE 1st Int’l Conf. On NN, Vol П, June, (Piscataway: IEEE, 1987).
  161. J. J. Hopfield, «Neural Networks and Physical Systems with Emergent Collective Computational Abilities», Proceedings of the Nat’I Academy of Sciences (1982) 79:2554−2558.
  162. Lawrence J. Introduction to Neural Networks. Design, Theory, and Applications. California Scientific Software, Nevada City, С A. 1994
  163. Magnus J.R., Neudecker H. Matrix Differential Calculus with Applications in Statistics and Econometrics. New York, John Wiley, 1988.
  164. Pindyck R., Rubinfeld D.L. Econometric models and econometric forecasts. MeGraw-Hill Kogakusha Ltd, Tokyo, 1976.
  165. Robert Hecht-Nielsen, Neural Networks, «Applications of Counterpropagation Networks», IEEE First Int’l Conf. on Neural Networks, Vol. 1 (Piscataway: IEEE, 1987).
  166. S. Kuffler, J. Nicholls, A. Martin, From Neuron to Brain (Sunderland, MA: Sinauer Assoc.).
  167. Teuvo Kohonen, Self Organization and Associative Memory, (Berlin: Springer-Verlag, 1988).
  168. Mbc1 8 87 8 03 17 32 13,51 20,17 19.06 15.88 16.9112.22 272 26 05 32.72 35.00 22.99 36.22 22 60 19 78 38.98
  169. Mbc3 17.00 11.90 14.60 10.34 0.00 24.00 18.60 21,0912.4321.9326.2826.7625.3232.1436.8255.123 917 27.87 48.61 37.84 36.01 23.08 14.36 18.97 27 77 29.61 23.23 23.92 36.57 34.30 0 00 16,290.0024.102 811 0 0028 50 29.70 28.20 17.15 0.00
  170. DJIA 7580.42 7647.'8 7732.13 7784 69 7691.77 7753.55 7753 55 7873,12
  171. М 1.78 6.05 59.21 30 08 40.00 34,80 36.243 178 .59.42 31.19 34.00 33 47 38 002 44 1.78 6.06 59.17 32.34 0.00 35.00 37.245 1.79 6 07 59.14 28,50 25.70 26.85 35 20 245 .1.78 6.07 58.55 18.12 18.56 .22.83 35.00
  172. Исходные данные «обучающей» выборки
  173. Преобразованная «обучающая «выборка ГШ®-«'
  174. Описательные статистики обучающей выборки1. Исходные данные
  175. Среднее Станд. АЛодиэнэ Станд. Дисперсия Эксцесс Интервал Максимум 1Сумма СчетuWXto Отхлон. выборки — HOCtfc ¦
  176. RTS Ш/ 343.245 3.64 489 338.32 3 734 898 1394.9463 0.3584 0.67 526 105 175.67 265.93 441.6 35 726 105
  177. НШЫ 16 312.5 70.1711 16 541:1- 719.0997 517 018.13 -0.46 065 -0.8 622 013 2999.86 14 664.4 17 264.3 2Е+06 105
  178. FTSE100 5403.87 40.0389 5278.2 410.2769 168 327.12 -1:32 515 0.8 277 808 1394.8 4711 6105.8 567 406 106
  179. DJIA 8159.04 43.9684 8032 450.541.8 202 967.93 -1.13 229 0.42 300 571 1631.91 740 132 9033.23 «666(c): 105
  180. ММ -«11.23 19.3647 4787.35 196.4287 39 373.929 -0.89 519 0.1 221 357 871.65 4334.79 5206.44 505 179 105
  181. САС40 i 3173.69 35.689 3072.84 365.7036 133 739.12 -0.64 453 0.72 342 128 1290.71 2696.04 3986.75 333 237 105
  182. DAX 4419.06 42.3808 4384.81 434.2737 188 593.64 -0.73 818 0.32 853 982 1697.83 3659.27 5Э57.1 464 001 105
  183. КО ! 5.10 392 0.1 625 5.036 0.166 532 0.277 328 -1.20 525 0.3 330 209 0.589 4.795 5.384 535.91 105
  184. OFZ: 1.89 488 0.762 1.905 0.78 063 60 939 0.82 044 -0.431 315 0.402 1.704 2.106 198.96 105
  185. GkafOfz 2.28 077 0.613 2.267 0.6 286 0.39 514 -0.7723 0.2 698 301 0.265 2.131 2.396 239.48 105
  186. Gko090 J 2.82 993 0.966 2.794 0.97 911 0.95 866 -1.11 412 0.4 187 990 0.348 2.651 2.999 296.72 105
  187. Gko3090 2 37 852 0.0064 2.371 0.65 573 0.42 998 -1.33 516 0.9 753 117 0.223 2.261 2.484 249.75 105
  188. Gk0730 1 7447 0.378 1.741 0.0387 0.14 977 -1.3631 -0.361 362 0.117 1.688 1.805 183.19 105?
  189. USD 600 959 0.674 6.036 0.69 103 0.47 753 -1.26 714 -0.174 341® 0.2326 6.1325 631.01 105
  190. GoW ' 58 3336 0.17 236 58.678 1.766 142 3.119 256© -0.46B33 -0.3 002 504 7.696 54.6 62.296 6125 105
  191. Wtocf 25.2319 г 0.95 127 25.32 9.747 605 96.15 796! -0.32 138 0.16 472 802 47.72 0 47.72 2649.4 105
  192. Ntbc3 20.7712 • 1.38 649 24.1 14.20 727 20 184 641 -1.27 342 -0.2 996 235 43.9 0 43.9 2161 105
  193. MbcT 27.6834 i 1.10 643 30.04 11.33 754 128.53 991 1.27 273 -1.3 289 293 43.4 0 43.4 2906.8 105
  194. Mbc14 26.4115 1.5046! 32.8 15.41 739 237.70 211 -0.73 829 -0.9 304 708 47.2 0 47.2 2773.2 1051. Преобразованные данные
  195. Среднее! !Станд. ошибка Станд. Отхлои. '.» Дисперсия j Эксцесс выборки Асииметрич ность Интервал Минимум |Cywin fOifct
  196. RTS Rtf -О 641 0.706 -0.224 0.72 295 0.52 266 1.20 021 -0.4 349 595 0.446 655 -0.25 482 0.191 833 -0.673 105
  197. Nikkei -175- 0.0035 -0.182 0.35 825 0.12 834 T.17 055 0.3 256 152 0.209 586 -0.11 126 0.96 325! -0.183 105
  198. FTSE 6 681 0.211 0.547 0.21 666 0.4 694 -0.51 139 -0.275 111 0.90 388 -0.3 964 0.50 545! 0.7013 105
  199. DMA OOOS36! 0.172 0.789 0.17 603 0.00CG099 -0.14 508 -0.4 634 654 0.63 258 -0.4 247 0.40 783 0.5628 106
  200. МЬЫ 165- 0.332 0.39 0.33 547 0.11 254 2.56 141 -0.7 880 589 0.216 057 -0.13 527 80 791 0.1683 102
  201. САС40, 1 124 0.242 0.1 385 0.24 818 0.6 199 0.60 196 -0.4 030 202. 0.137 776 -0.7 091 0.6 687 1.1805 105
  202. DAX 1 073 0.0026 0.1 331 0.26 684 0.712 0.33 684 -0.6 602 716! 0.132 125, -0.7 027 0.61 859 1.1269 106
  203. SKO 317 0.111 0.317 0.11 355 0.1 289 2.52 551 -0.9 261 609 0.63 807 -0.3 665 0.27 157 0.3333 105
  204. OFZ 101 0.308 0.199 0.31 525 0.9 938 2.3 427 -0.356 035 0.196 549 -0.10 191 0.96 635 0.1064 105
  205. Gkv/OfZ 264 0.153 O. OQ297 0.15 665 0.2 454 1.44 361 -0.513 902 0.92 613 -0.0472 0.4 541 0.2768 105
  206. GkoOSO 34 0.135 0.302 0.13 854 0.1 919 0.91 822 -0.4 719 318 0.70 781 -0.03БЭ4 0.34 844 0.3574 105
  207. ЗДоЗ» 313 0.59 0.337 0.6 067 3.681 E-05 1.14 336 -0.609 299 0.30 081 -0.1 362 0.22 463 0.3283 105
  208. Gko730 286 0.27 0.276 0.279 7.7846−06 1.34 371 0.78 666 358 0.1 612 -0.296 0.13 162 0.3003 105
  209. USD 0.126 0.24 0.133 0.2 508 6.288E-06 0.704 -0.1 546 369 0.12 088 -0.505 0.7 037 0.1327 105
  210. Goftf 209 0.187 0.48 0.1 916 0.3 671 -0.42 224 0.9 742 024 0.90 678 -0.3 897 0.51 709 0.2192 105
  211. Mbcf 27.0099 1.1 127 26.6 10.36 245 107.38 029 0.64 893 0.4 078 484 i 62.15 0 62.15 2835.6 105
  212. Mfte3 211 240 1.42 963 25.9 14.65 137 214.66 253 -1.34 969 -0.3 702 105 43.9 0 43.9 2218.1 105
  213. Ubcl 27.4341 1.21 385 30.61 12.43 822 154.70 941 0.78 084 -1.3 353 689! 43.4 0 43.4 28 806 106
  214. Mbc14 279m 1.47 801 33.1 15.14 506 229.37 293 -0.27 503 -1.1 386 811 50 0 50 2934.5 105
  215. P-ma5 -0.9493 1.32 493 0.28 13.57 651 184.32 152 3.2 464 -0 7 164 161 96.894: -60.018 36.876 -99.68 105
  216. P-mal4 -306 629 2.6 706 0.22 21.18 103: 448.63 602 -0.4 349 -0.4 334 358! 94.4172 -57.55 791 368 593 -322 105
  217. RS/ 464 222 0.83 889 45.9649 8.9 960 531 73.89 212 -О.ОЭ41 0.23 933 374! 40.3098 28Л6515 68.3749 «74.3 105
  218. MACD 1 22 206 0.3929j 1.4066 4,2 9996(16.208 662'-0.753 421 -0.1 635 663! 17.0323 -6.9583 10.074 128.32 105
  219. ROC -1 Э9642! 0.99 603 -0.353 10.206 221 104.167 -0.9 326 -0.3 522 505 45.763 -28.1265i 17.6365! -146.6 105
  220. SSDev 13L241 0.73 615 1 12.485 7.54 327. 56.900 922- -0.1547 0.6 900 151 I 30.4804 2.741 i 33.2214 1390.2 105я
  221. График индекса Доу Джонса (Период обучения)
  222. График индекса РТС (период обучения)
  223. График индекса Доу Джонса (период тестирования)
  224. График индекса РТС (период тестирования) i. тгТШШ№'> Mill ill-«. '! I» II ¦!. -alfllllll .* «'' 11
  225. График снижения ошибки нейронной сети во время обучения1. ОишБка0.0450.0400.0350.0300.025о.огои>
Заполнить форму текущей работой

Сессия? Спокойно!