CC BY
40
№1(31)2011
0. Б. Бутусов, В. П. Мешалкин, 0. П. Никифорова, А. В. Смоллер, Р. М. Нигматуллин
Информационная система прогнозирования доходности паевых инвестиционных фондов с помощью нейронной сети обратного распространения
В современных исследованиях аппарат нейронных сетей достаточно широко применяется как инструмент решения задач прогнозирования. Основной целью разработанной информационной системы является поиск точек, наиболее подходящихдля удачного инвестирования.
Введение
В настоящее время, помимо размещения денежных средств на банковских депозитах, в финансовом мире используется ряд других способов инвестирования. Современный рынок ценных бумаг является одним из перспективных механизмов получения доходов. При этом среди вариантов инвестирования можно найти подходящие как для осторожного и консервативного инвестора, так и для тех, кто ради больших доходов согласен идти на высокие риски.
Если инвестор готов идти лишь на минимальные риски, то и доход будет небольшим, ненамного превышающим доход по банковским вкладам. Максимальную доходность дают, как правило, максимально рискованные варианты. Таким образом, доход неотделим от риска.
Основными инструментами, которые существуют на рынке ценных бумаг, являются акции, облигации, фьючерсы, паи, векселя. Их можно покупать и продавать как самостоятельно, так и передать в доверительное управление финансами профессионалам.
Доверительное управление может быть индивидуальным, когда профессиональный управляющий оперирует только вашими средствами (при наличии весьма значительных сумм — порядка 100 тыс. долл.).
Иначе это невыгодно профессиональному управляющему и рискованно для потребителя, поскольку создать разнообразный (диверсифицированный) портфель ценных бумаг можно, только обладая солидными суммами.
Доверительное управление бывает и коллективным, в этом случае средства множества инвесторов объединяются и их становится вполне достаточно для приобретения различных ценных бумаг. Основной институт коллективного инвестирования в России — паевые инвестиционные фонды (ПИФы), которые представляют собой объединенные средства граждан и юридических лиц, передающих их в доверительное управление управляющей компании с целью получения прибыли. Таким образом, ПИФы — это возможность частному инвестору получать от вложений в ценные бумаги такие же выгоды, какие получают крупные институциональные инвесторы — банки, компании, фонды.
Несмотря на свою привлекательность, инвестирование средств в ПИФы требует некоторой подготовленности от будущего пайщика. Это обусловлено тем, что инвестиционные фонды, ориентированные на достижение высоких финансовых результатов, пользуются достаточно рискованными инструментами. Примерами могут служить акции компаний с малой капита-
№1(31)2011
лизацией, а также фьючерсы и опционы, обращающиеся на фондовых и срочных рынках.
В результате визуального анализа долгосрочных графиков изменения доходности фондов можно выделить ряд закономерностей, например, цикличность. Однако реальные закономерности, как правило, являются скрытыми и далеко не тривиальными, что объективно требует применения современного математического аппарата для анализа не только существующей ситуации, но и предсказания будущей доходности фондов [1, 2].
Для анализа и прогнозирования доходности ПИФов представим стоимость паев инвестиционного фонда в виде временного ряда (уп, п = 0,Ы) и используем искусственную нейронную сеть (ИНС) обратного распространения. Основной задачей создаваемого программно-информационного обеспечения информационной системы (ИС) является поиск точек, наиболее подходящих для удачного инвестирования. Для практического анализа и прогнозирования будет использована статистическая информация о доходности ОПИФ смешанных инвестиций «Финнам народный» (УК «Финнам Менеджмент») [3, 4].
Методика прогнозирования и полученные результаты
В настоящее время, помимо традиционных методов прогнозирования временных рядов, широко используются методы, основанные на применении ИНС [5]. Различают многошаговый и одношаговый прогнозы.
Многошаговым называют долгосрочный прогноз, цель которого состоит в определении основного тренда для некоторого фиксированного промежутка времени в будущем. При этом прогнозирующая ИС (в нашем случае — ИНС) обрабатывает все значения временного ряда для получения прогноза в виде тренда.
Одношаговым принято считать краткосрочный прогноз (на один шаг). Для его по-
£
лучения используют ограниченные отрезки Щ временного ряда. Таким образом, одношаго-вое прогнозирование применяется для крат- ? косрочного прогноза, а многошаговое — * для получения трендов. ^
ИНС — это многопараметрическая сис- § тема с настраиваемыми параметрами в ви- | де «весовых коэффициентов» или «весов», <3 которые позволяют проводить настройку или обучение ИНС для решения множества различных задач. Перед началом обучения ¡[ ИНС всем весам должны быть присвоены ■§. небольшие начальные значения, выбранные случайным образом. Это гарантирует, ¡¡^ что в ИНС не произойдет насыщения большими значениями весов. На этапе обучения | ИНС минимизируется ошибка сети, для чего | каждый из выходов сети вычитается из со- ^ ответствующего компонента вектора тре- с^ буемых выходов (целевого вектора). Далее полученная ошибка используется для коррекции весов. ^
Одной из наиболее перспективных об- на ластей применения ИНС обратного распро- ^ странения является классификация и кластеризация объектов на основе распознавания образов, которые применяют для прогнозирования временных рядов. Распознавание образов — трудноформализуе-мая задача, ее решение можно получить, используя ИНС обратного распространения [5, 6].
Пусть существует конечное множество графических образов, которые нужно распознать, и соответствующие им двоичные коды желаемых выходов — идентификаторы. Фактически эти образы представляют собой обучающее множество, в нем каждому графическому образу соответствует двоичный идентификатор. Для обучения ИНС будем подавать на ее вход двоичный код графического образа. В качестве графических образов рассматриваем ограниченные отрезки графика временного ряда. Выход ИНС — это двоичный идентификатор. После настройки весовых коэффициентов ИНС может быть использована для практического прогнозирования.
№1(31)2011
Для получения графических образов авторами предложен алгоритм «скользящего окна», изображенного на рис. 1.
Алгоритм «скользящего окна» позволяет выявить закономерности во временном ряде на основе сведения задачи анализа временного ряда к задаче распознавания образов и последующего ее решения с помощью ИНС.
Основная сущность алгоритма состоит в следующем. На изображении графиков временного ряда вводятся два окна фиксированного размера, одно из которых входное (с индексом «in» на рисунке), второе — выходное (с индексом «out»). Окна способны перемещаться вдоль графика временного ряда с некоторым шагом. В результате получаем последовательность образов, составляющую обучающее множество для ИНС. Графический образ входного скользящего окна подается на вход ИНС. При этом выходному окну присваивается один из двоичных идентификаторов.
Для разработки программно-информационного обеспечения ИС применялась среда
программирования Delphi 7, которая содержит множество стандартных подпрограмм и библиотеку классов VCL (Visual Component Library). Причем в ИС использован графический интерфейс, который позволяет вводить различные входные данные, управлять работой программы и выводить результаты расчетов в графической и табличной формах. Параметры ИНС обратного распространения — количество слоев в сети и количество нейронов в каждом слое — задаются с помощью диалоговых элементов главной формы. На форме также находятся текстовые окна для задания размеров «скользящего окна», количества членов временного ряда, используемых для обучения сети, и количества прогнозируемых членов ряда, а также текстовые окна для задания погрешности и скорости обучения сети.
Помимо элементов текстового ввода, на главной форме есть переключатель, сдлужащий для нормализации временного ряда перед обучением, а также кнопки запуска процессов обучения и прогнозирования.
t
Wr
Рис. 1. Алгоритм «скользящего окна»: ■ обозначение окна; f — время; Э — стоимость ПИФа
№1(31)2011
Также в ИС могут быть задействованы различные виды ИНС обратного распространения, которые являются экземплярами специального класса, интегрирующего в себе всю совокупность параметров обучения, настройки и прогноза ИНС.
Результаты прогнозирования временного ряда доходности ПИФа с использованием ИС представлены на рис. 2 в виде графиков зависимости стоимости ПИФа от времени. Как видно на графиках, исходные данные и результаты прогноза находятся в удовлетворительном соответствии.
Величины абсолютных и относительных ошибок прогнозных значений приведены в табл. 1.
950
910
870
830
790
750
Блок-схема архитектуры ИС, поясняющая принцип ее работы, представлена на рис. 3.
Заключение
Искусственные нейронные сети обратного распространения могут быть использованы для разработки ИС анализа и прогнозирования доходности ПИФов. Эффективность предложенного подхода обусловлена следующими основными выводами:
• полученные результаты по применению разработанной ИС свидетельствуют о возможности правильного прогнозирова-
ю
20
30
40 50
?
Истинные значения ПИФа
60
70
80
90
Результаты прогноза
Рис. 2. Зависимость стоимости ПИФа от времени
Абсолютные и относительные ошибки прогнозных значений
Таблица 1
Номер точки Значение ряда Прогноз ИС Абсолютная ошибка Относительная ошибка
81 897,21 878,39 18,82 0,02
82 907,77 891,38 16,39 0,02
83 913,63 898,66 14,97 0,02
№1(31)2011
С
Запуск ИС
3
1
£
I
и
I
£
8
Е
о
I
0
1
а
И
о
€ §
(о со о
5
0 й
1
0
1
и
I
й
<и §
Е
и
0
!
ч
1
о
6
3 Е
0 &
§
е §
и
¡5
1
0
и
1
Задание параметров НС: • количество слоев; » количество нейронов в слое
Задание временного ряда (загрузка файла)
Задание параметров обучения НС: » размер входного окна (количество значений, одновременно поступающих на вход НС), на выход поступает следующее за этими элементами число; • требуемая интегральная погрешность обучения (НС обучается до тех пор, пока не будетдостигнута эта погрешность); • шаг обучения
Указание количества значений, необходимыхдля прогнозирования
Выполнение прогноза
прогнозных значении
(^Завершение работы ИС
Рис. 3. Блок-схема архитектуры ИС прогнозирования доходности ПИФа
ния трендов временных рядов доходности ПИФов;
• краткосрочные прогнозы имеют заметную ошибку, и на их основе идеально точно предсказать динамику стоимости паев невозможно;
• используя ИС, можно получить прогноз стоимости ПИФов, который позволит не только сохранить свой капитал, но и значительно его преумножить.
Описок литературы
1. Бутусов О. Б., Мешалкин В. П. Основы экономической информатики. М.: РХТУим. Д. И. Менделеева, 2005. — 136 с.
2. Мешалкин В. П. Экспертные системы в химической технологии. М.: Химия, 1995. — 368 с.
3. Шарп У., Александер Г., Бэйли Дж. Инвестиции/ Пер. с англ. М.: Издательский дом «ИНФРА-М», 2007. — 1028 с.
4. Волкова В. М. Паевые инвестиционные фонды: учебно-методическое пособие. 2-е изд., пере-раб. и доп. М.: Учебный центр МФЦ, 2006. — 182 с.
5. Ширяев В. И. Финансовые рынки и нейронные сети: учеб. пособие. М.: Изд-во ЛКИ, 2007. — 224 с.
6. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. — 512 с.
16
