CC BY
65
АНАЛИЗ ПОДХОДОВ К ПРОГНОЗИРОВАНИЮ ДИНАМИКИ ФОНДОВОГО
РЫНКА
Д.А. Напалков, магистрант1, технический директор2 Финансовый университет при Правительстве Российской Федерации 2ООО «Институт Глобального Образования и Развития» (Россия, г. Москва)
DOI:10.24412/2411-0450-2021-7-100-103
Аннотация. Фондовый рынок является важной частью экономики страны, поэтому прогноз его динамики представляет значительный интерес как для инвесторов, так и собственников компаний, особенно в условиях кризиса. В статье проведен обзор основных подходов к прогнозированию динамики финансовых инструментов на фондовых рынках. Обозначены ключевые методы количественного и качественного анализа в разрезе рассмотренных подходов. Акцентировано внимание на таких современных методах прогнозирования, как машинное обучение и сентимент-анализ.
Ключевые слова: фондовый рынок, прогнозирование, технический анализ, машинное обучение, сентимент-анализ, экономико-статистические методы.
Финансовые рынки являются отражением состояния мировой и национальных экономик, демонстрируя эффективность их развития или, наоборот, замедление экономического роста. Поэтому, ключевой задачей инвесторов и исследователей на протяжении многих лет была разработка и тестирование моделей для выявления направления курса акций и других финансовых инструментов на фондовых рынках. Однако анализ движения и поведения цен на фондовом рынке является чрезвычайно сложным в силу ряда экономических, политических, психологических и специфических для компании факторов. Более того, высокая волатильность фондовых рынков в периоды кризиса обуславливает необходимость поиска наиболее оптимальных методов прогнозирования динамики финансовых инструментов, что и актуализировало тему исследования.
Исследование теоретических и практических наработок ученых, посвященных классификации методов анализа и прогнозирования динамики фондового рынка, свидетельствует об эволюции научной мысли касательно данного вопроса. Так, большинство авторов в качестве главных подходов для анализа финансовых рынков, отмечают технический и фундаментальный анализ [1; 2]. В последующих научных работах добавляются: теория форми-
рования инвестиционного портфеля и теория хаоса [3; 4]. Каждый из указанных подходов базируется на собственных положениях и гипотезах, включает разнообразные количественные и качественные методы и имеет свою область применения [3]. В тоже время Малышенко К.А. и др. в своем исследовании обосновали, что теория инвестиционного портфеля не является классификационным элементом подходов к анализу динамики фондового рынка, поскольку ее цель - изучение доходности портфеля инвестиций, а не фондового рынка в целом [2].
Концепция технического анализа базируется на исследовании прошлых статистических данных финансовых инструментов (цена, объем, спрос и предложение) для прогнозирования их изменений в ближайшем будущем [3].
Наиболее популярными методами технического анализа для прогнозирования динамики фондового рынка являются экономико-статистические методы, направленные на исследование временных рядов, в частности модели:
- авторегрессивная скользящая средняя (ARMA), авторегрессивная интегрированная скользящая средняя (ARIMA);
- волатильность обобщенной авторегрессионной условно-гетероскедастической (GARCH);
- модель авторегрессии с плавным переходом (STAR) [5].
Модель ARMA объединяет модели авторегрессии (AR), которые применяются для объяснения эффектов импульса и возврата к среднему, часто наблюдаемых на торговых рынках и модели скользящего среднего (MA), которая пытается уловить шоковые эффекты, наблюдаемые во временных рядах. Ключевое ограничение модели ARMA заключается в том, что она не учитывает кластеризацию волатильности, базовый эмпирический феномен во многих финансовых временных рядах. Модель ARIMA является продолжением класса моделей ARMA, сводит нестационарные ряды к стационарным и используется для прогнозирования будущих точек [6].
Модели семейства GARCH являются более сложными и используются для анализа волатильности цен акций. К ним относятся модели: авторегрессионная условная гетероскедастичность (Autoregressive Conditional Heteroscadasticity - ARCH), показывающая трансформацию в рассматриваемом периоде изменения доходностей и ее кластеризацию, а также тяжелые хвосты распределения; обобщенная авторегрессионная условная гетероскедастичность (Generalized Autoregressive Conditional Heteroscadasticity - GARCH), в которой текущая условная дисперсия случайной ошибки имеет зависимость не только от квадратов случайных ошибок, а также и от предшествующих значений их дисперсий; вариации GARCH-моделей, отражающих асимметричные эффекты, когда позитивные и негативные возмущения одной и той же величины по-разному воздействуют на волатильность финансовых инструментов в будущем (асимметричная GARCH-модель - AGARCH, пороговая GARCH-модель - TGARCH, EGARCH-модель, нелинейная GARCH-модель - NGARCH, квадратичная GARCH-модель - QGARCH, GJR-GARCH, FIGARCH, FIEGARCH и другие модели) [7].
Также для прогноза динамики фондового рынка используют линейный дискри-минантный анализ (LDA), квадратичный дискриминантный анализ (QDA) и регрессионный анализ [5].
Задачей графических (визуальных) методов технического анализа является изучение графиков динамики цен финансовых инструментов, объемов их продаж путем использования специальных «фигур». Наиболее популярными методами являются: анализ индикаторов; свечной; график «крестики-нолики», графические фигуры, распознавание образов (паттерны) и
др. [2].
Сентимент анализ (анализ настроений) в последнее время получил широкое распространение для прогноза динамики фондового рынка. Он представляет собой процесс прогнозирования рыночных тенденций с помощью автоматического анализа текстовых данных, например, новостных лент или твитов, относящихся к фондовым рынкам и публичным компаниям. Настроения могут приводить к краткосрочным колебаниям рынка, что, в свою очередь, вызывает разрыв между ценой акций и реальной стоимостью акций компании [5]. Так, например, Шумакер и Чен [8] определили влияние последних новостей на цены акций во временном интервале 20 мин после их выхода и предложили производную модель SVM на основе трех различных текстовых представлений, а именно: модели мешка слов (BoW), модели словосочетаний существительных (Noun Phrases model), модели «Именованные сущности» (Named Entities model). Также различные модели сентимент анализа были предложены в работах других авторов [5].
Возможности машинного обучения (Machine learning) для прогнозирования динамики фондовых рынков детально рассмотрены в работе [9]. В общем виде, задачи машинного обучения подразделяются на контролируемое и неконтролируемое обучение. Для прогнозирования направления курса акций используются такие алгоритмы как: «случайный лес» (Random forest), логистическая регрессия и нейронные сети. Все большую популярность в анализе фондового рынка в последнее время приобретает многомерный анализ с использованием глубоких искусственных нейронных сетей (ИНС) [5].
Следует отметить, что машинное обучение, является более широкой категорией и относится как к техническому, так и фундаментальному анализу [5].
Основателями фундаментального анализа считаются Дэвид Додд и Бенджамин Грэхэм, которые первыми описали данный метод прогноза в своей книге «Анализ ценных бумаг» [10], опубликованной впервые в 1934 году. Данный вид анализа позволяет оценить стоимость акций предприятия, а также его финансовое положение на основании его бухгалтерской отчетности и других данных. За последние 80 лет фундаментальный анализ был расширен рядом методов, направленных на определение реальной стоимости предприятия. Фундаментальный анализ проводится в ряд этапов:
1) макроэкономический анализ внешней среды (используется индикаторный метод; PEST-анализ; метод эконометрического моделирования; метод прогнозирования «сверху-вниз»; метод прогнозирования «внизу-вверх»);
2) отраслевой анализ (метод экономет-рического моделирования; интегральный метод экономического анализа; корреляционно-регрессионный метод);
3) анализ конкурентной среды (SWOT-анализ, модель Портера, матрица БКГ);
4) финансовый анализ (балансовый метод, метод коэффициентов);
5) оценка реальной стоимости (транзак-ционный метод; метод сравнительного анализа; метод дисконтирования денежных потоков; метод оценки финансируемым выкупом; затратный метод; метод чистых активов; затратный метод) [2; 10; 11].
В соответствии с теорией хаоса, основными методами прогноза динамики фондового рынка являются: волны Элиота; нелинейная динамика; специальные методы фрактальной математики. К методам нелинейной динамики, описывающей хаотические системы с помощью количественных показателей относятся: рекурсивное измерение аттрактора; функция Ляпунова; графики рекуррентного соотношения; диаграммы удвоения, оператор сдвига; отражение Пуанкаре [4]. Среди методов фрактальной математики чаще всего отмечают фрактальную геометрию, с помощью которой анализируют закономерности, обнаруживаемые в строении природных объектов, процессов, имеющих явно выявленную фрагментарность, изломанность, а также искривленность [12].
Таким образом, анализ и прогнозирование фондового рынка продолжают оставаться интересной и сложной задачей. Активное развитие таких современных технологий, как машинное обучение, большие данные, искусственный интеллект позволяют более взвешенно подходить к анализу и прогнозированию фондовых рынков и получить более точные оценки. В тоже время глобальное использование сети Интернет вызывает новые риски для фондовых рынков и делает их уязвимыми от настроения клиентов, вследствие значительного числа новостей и преднамеренных атак. Очевидно, что дальнейшие исследования должны быть посвящены формированию гибридных подходов, сочетающих статистические методы и методы машинного обучения, для обоснования динамики фондового рынка в будущем.
Библиографический список
1. Кузнецова Н.В., Казанцев Л.В. Фундаментальный и технический анализ фондового рынка // Baikal Research Journal. - 2016 - №5.
2. Малышенко К.А., Малышенко В. А., Квятковская Е.О. Теоретические основы анализа фондового рынка: система показателей и классификация методов // Научный журнал КубГАУ. - 2017. - №129 (05).
3. Егорова Н.Е., Торжевский К.А. Методы и результаты прогнозирования российского фондового рынка // Финансовая аналитика: проблемы и решения. 2014. - №39 (225). -С. 2-10.
4. Abbaszadeh M.R., Nooghabi M.J., Rounaghi M.M. Using Lyapunov's method for analysing of chaotic behaviour on financial time series data: a case study on Tehran stock exchange [J] // National Accounting Review. - 2020. - №2 (3). - Р. 297-308. doi:10.3934/NAR.2020017.
5. Shah D., Isah H., Zulkernine F. Stock Market Analysis: A Review and Taxonomy of Prediction Techniques // Int. J. Financial Stud. - 2019. - №7 (26). - Р. 1-22; doi:10.3390/ijfs7020026.
6. George B. E. P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. Hoboken: John Wiley & Sons. 2015.
7. Дробыш И.И. Современные методы расчета величины Value at Risk при оценке рыночных рисков // Труды ИСА РАН. -2018. - №3. - Т. 68. - С. 51-62.
8. Schumaker R.P., Hsinchun Ch. Textual Analysis of Stock Market Prediction Using Breaking Financial News: The Azfin Text System // ACM Transactions on Information Systems (TOIS). - 2009. - №27 (12).
9. Shen Sh., Haomiao J., Tongda Zh. Stock Market Forecasting Using Machine Learning Algorithms. Stanford: Department of Electrical Engineering, Stanford University, 2012. pp. 1-5.
10. Грэхем Б., Додд Д. Анализ ценных бумаг. - К.: Изд-во «Диалектика», 2021. - 800 с.
11. Figurska M., Wisniewski R. Fundamental Analysis - Possiblity of Application on the Real Estate Market // Real Estate Management and Valuation. -2016. - № 4. - vol. 24. - pp. 35-46.
12. Балханов В.К. Основы фрактальной геометрии и фрактального исчисления / под ред. Ю.Б. Башкуев. - Улан-Удэ: Изд-во Бурятского госуниверситета, 2013. - 224 с. ISBN 978-5-9793-0549-3.
ANALYSIS OF APPROACHES TO PREDICTING THE STOCK MARKET DYNAMICS
D.A. Napalkov, Graduate Student Technical Director2 financial University under the Government of the Russian Federation 2OOO "Institute for Global Education and Development" (Russia, Moscow)
Abstract. The stock market is an important part of the country's economy, therefore, the predicting of its dynamics play the significant role to both investors and company owners, especially in a crisis. An overview of the main approaches to predicting the dynamics of financial instruments in the stock markets was discussed in the article. The key methods of quantitative and qualitative analysis were outlined in the context of the considered approaches. The attention is focused on such modern forecasting methods as machine learning and sentiment analysis.
Keywords: stock market, predicting, technical analysis, machine learning, sentiment analysis, economic and statistical methods.
