CC BY
12- повышение гибкости ВИК, включающую устойчивость и способность к обновлению [2] - увеличение жизненного цикла инновации с одновременным сокращением времени освоения производства инновации.
Реализация данных принципов позволит повысить инновационный потенциал и активность крупных предприятий, обеспечить эффективный переход в новое качественное состояние.
Библиографический список:
1. Наймушин В.Г. О роли интегрированных корпоративных структур в развитии экономики России // Экономический вестник Ростовского государственного университета. 2006. Том 4. - №3. - С. 90-94.
2. Пястолов С.М. Экономический анализ деятельности предприятий [Текст] : учеб. пособие для вузов / С.М.Пястолов. - М.: Академический Проект, 2002. - 572 с.
Контактная информация: e-mail: natanikmer@mail.ru тел.: +7(384)239-69-24
ИННОВАЦИОННЫЙ ПОДХОД К ПРОГНОЗИРОВАНИЮ ВОЛАТИЛЬНОСТИ И НАПРАВЛЕНИЯ ИЗМЕНЕНИЯ КОТИРОВОК АКЦИЙ НА ФОНДОВОМ РЫНКЕ РФ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
INNOVATIVE APPROACH TO FORECASTING VOLATILITY AND DIRECTION CHANGE QUOTATION ON THE STOCK MARKET OF RUSSIA USING NEURAL NETWORKS
P.P. МУХАМЕТШИН аспирант, кафедра «Экономики», ГОУ ВПО «Казанский государственный технологический университет», исполнительный директор инвестиционной компании ООО «БРик» (партнер компании ООО «АТОН»), г. Казань
R.R. MUKHAMETSHIN post-graduate student, economy department, Kazan State Technological University, executive director of investment company "BRic" (the partner company "ATON"), Kazan
Аннотация
Рассмотрены теоретические и практические аспекты инновационного прогнозирования волатильности и направления изменения котировок на фондовом рынке РФ. Автор статьи описывает ключевые принципы работы
искусственной нейронной сети, ее предсказательной возможности на основе финансовых временных рядов. В кризисное время прогнозирование финансовых рынков и как следствие система управления рисками является сверхзадачей. Abstract
This article focuses on theoretical and practical aspects of innovative forecasting volatility and direction of the stock market of the Russian Federation. The author describes the key principles of an artificial neural network, its predictive capabilities on the basis of financial time series. At the present time of crisis, forecasting the financial markets and as a consequence of the risk management system is an important task.
Ключевые слова: инновационных подход, инвестиции, управление рисками, волатильность, фондовая биржа, искусственные нейронные сети Keywords: innovative approach, investment, risk management, volatility, stock exchange, artificial neural networks
Главной причиной актуализации системы прогнозирования финансовых рынков, которая одновременно влечет за собой четкую систему управления рисками, явилось резкое возрастание неопределенности финансовых результатов инвестиций на рынках ценных бумаг и предприятий реального сектора экономики, что привело к возникновению рисков устойчивости финансовых институтов. Движущими факторами роста неопределенности доходов стали: глобализация финансовых операций и интеграция национальных экономик, резкий рост числа применяемых на мировых рынках инструментов, увеличение частоты экономических кризисов, сокращение времени финансовых транзакций за счет использования электронных средств передачи информации. В результате возникла острая необходимость в инновационном подходе к сбору, обработке и прогнозированию котировок акций.
Возникла задача разработки инновационного подхода к прогнозированию волатильности и направления изменений котировок акций на фондовом рынке России с использование нейронных сетей. Инновационный подход выражается также в обработке данных, которые при
определенных входных значениях реально влияют на движение котировок акций.
После двух десятилетий почти полного забвения интерес к искусственным нейронным сетям быстро вырос за последние несколько лет. Специалисты из таких далеких областей, как техническое конструирование, философия, физиология и психология, заинтригованы возможностями, предоставляемыми этой технологией, и ищут приложения им внутри своих дисциплин.
Возрождение интереса было вызвано как теоретическими, так и прикладными достижениями. Неожиданно открылись возможности использования вычислений в сферах, до этого относящихся лишь к области человеческого интеллекта, возможности создания машин, способность которых учиться и запоминать удивительным образом напоминает мыслительные процессы человека, и наполнения новым значительным содержанием критиковавшегося термина «искусственный интеллект».
Приводится пример использования нейронной сети для предсказания котировок акций Татнефти, а точнее изменения цены последней сделки на 2 дня вперед. Для данного исследования и прогнозирования использовалась программа искусственной нейронной сети BrainMaker Pro. Прежде чем создавать многомерную совокупность обучающей выборки необходимо проанализировать входные данные на цикличность и корреляцию с известными выходными данными. Для этого в пакет BrainMaker Pro встроена программа подготовки и анализа данных NetMaker.
Для более корректного предсказания будущего, значения изменения цены последней сделки (closeD), выявлены присущие данному рынку циклы и построен прогноз на один цикл вперед.
На горизонтальной оси показана частота цикла (Рисунок 1), на вертикальной его «сила». Пик с частотой 2, то есть цикл появившийся один раз, соответствует общему движению рынка. Необходимо найти наиболее
ярко выраженный цикл. Этому циклу соответствует другой пик с частотой 4. Следовательно длина цикла - 2 дня.
Прежде чем обрабатывать данные в NetMaker, ответим на вопрос, что может являться предвестником изменения выходного параметра? Для будущего анализа в программе NetMaker входными данными выступили цена открытия (цена первой сделки с акциями Татнефти на ММВБ), максимальная цена, минимальная цена, цена закрытия (цена последней сделки с акциями Татнефти на ММВБ), объем торгов за одну торговую сессию в рублях, цены закрытия GDR Татнефти на LSE (London Stock Exchange), цены закрытия commodities (нефть Brent, газ), цены закрытия индекса S&P500.
Рис. 1 График для выявления возможных циклов
С помощью функции Data Correlator в программе NetMaker отсеялись входные переменные, которые не влияют на прогнозную выходную переменную. Рисунок 2 демонстрирует прогнозную применимость таких входных данных как цены закрытия GDR Татнефти на выходную переменную цены последней сделки на 2 дня вперед.
На горизонтальной оси показано время. Единица времени - день соответствует одной строке из входной таблицы. Нуль делит горизонтальную ось на будущее и прошлое время относительно второй колонке (цена последней сделки на 2 дня вперед), которая выбрана при построении графика.
На вертикальной оси представлена степень корреляции. Положительная корреляция означает, что если значения в первом столбце (цены закрытия ОБЯ Татнефти) увеличиваются, то увеличиваются и значения во втором столбце, и, наоборот. Отрицательная корреляция означает, что если значения в первом столбце увеличиваются, то значения во втором столбце уменьшаются, и, наоборот. Степень корреляции может изменяться от -1 до 1.
М$» СОЛО е. от иНв «01 1 «
пА] 1
Л г
/ч \ллЛ 1 „Г ч 1 1 Л
К 1 N ™ /
Ач™ V
л лЛ/ /
н » И К л 1? я О у ж И 1Я М »1 я ш *й VII
Рис. 2 График для выявления возможных взаимосвязей между
переменными ОБЯ и С1о8е+2 При анализе полученного графика (Рисунок 2) обращает внимание пик, расположенный немного левее нулевого значения на горизонтальной оси.
Нулевой лаг означает, что изменения в первом и втором столбцах происходят одновременно. Отрицательный лаг означает, что сначала происходит изменение значений в первом столбце, а затем, через
промежуток времени, равный лагу, изменяются значения второго столбца. Положительный лаг означает, что сначала происходит изменение значений во втором столбце, а затем, через промежуток времени, равный лагу, изменяются значения первого столбца. Таким образом, наибольший интерес представляет сильная корреляция с отрицательным лагом, при которой изменение входного параметра влекут за собой изменения прогнозируемой величины через какое-то время. Следовательно, можно использовать значения цен закрытия GDR Татнефти для предсказания значений цены последней сделки на 2 дня вперед.
Проанализированы таким образом все входные параметры: S&P500, Brent, Gas, Volume.
»»« ID№ 4.11 И
\
лЛ *Vv f jt\
V Ayl ft
V
«.ИИ V
V
•ни 'V
III ЛИ П »»tf* a«4i
Рис. 3 График для выявления возможных взаимосвязей между
переменными Volume и CloseD+2
Входной параметр Gas и выходной параметр closeD+2 не взаимосвязаны. Исключен параметр Gas из дальнейшего применения в качестве обучающей выборки для прогнозирования изменения цен закрытия.
Litt IW4« QJQK
Рис. 4 График для выявления возможных взаимосвязей между
переменными Gas и CloseD+2 Прогнозирование на финансовых рынках является достаточно сложной задачей, поэтому точность прогноза 80% считается вполне приемлемой. Обучение происходило на выборке входных параметров за период с 11.01.2005 по 03.03.2009г. Выборка для предсказания closeD+2 использовалась за период с 13.03.2009 по 01.10.2009г. Полученные результаты представлены в виде графика на Рисунке 5.
Среди всех конфигураций наилучшей оказалась сеть с 32 скрытыми слоями и коэффициентом обучения 0,9. Оценки, которая выдала сеть, оказалась лучше всех, которые дает регрессионный анализ, как по показателю среднеквадратичной ошибки (RMSE) так и коэффициентам корреляции Пирсона. При этом результаты, которая сеть показывает на новых образцах выборки, даже превосходят те, которые регрессия имела на обучающем множестве.
12,00 '.".СО . S.00 6,00 Л ,00 2,00 0,00
-ioo -6,00 .4.(HI -10,00
Рис. 5 Сравнение значений сети ptn и реальных значений out Библиографический список:
1 Круглов, В. В. Искусственные нейронные сети: Теория и практика / В. В. Круглов, В. В. Борисов. - 2-е изд., стереотип. -М.: Горячая линия -Телеком, 2002. -382 е.: ил.
2 Нидерхоффер, В. Практика биржевых спекуляций / В. Нидерхоффер, Л. Кеннер; пер. с англ. -М.: Альпина Паблишер, 2003. -560с.
3 Чеботарев, Ю. Торговые роботы на российском фондовом рынке / Ю. Чеботарев. -М.: Омега-л изд-во, 2006. -144с.
4 О'Нил, У. Как делать деньги на фондовом рынке: стратегия торговли на росте и падении / У. О'Нил; пер. с англ. -М.: Альпина Бизнес Букс, 2005. -329с.
5 Ежов, А. Нейрокомпьютинг и его применение в экономике и бизнесе / А. Ежов, С. Шумский. -М.: Горячая линия - Телеком, 1998. -222с.
6 Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен; пер. с англ. -М.: СпартанБукс, 1992. -184с.
7 Дунин-Барковский, В. Л. Нейрокибернетика, нейроинформатика, нейрокомпьютеры / В. Л. Дунин-Барковский. -М.: Изд. Мир, 1996. -234с.
8 Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань; пер. с англ. -М.: Изд. СССР-США СП "ParaGraph", 1990. -160с.
9 Горбань, А. Н. Нейронные сети на персональном компьютере / А. Н. Горбань, Россиев Д. А. -Новосибирск: Наука, 1996. -314с.
10 Уильям Дж.О'Нил, Преуспевающий инвестор / У. О'Нил; пер. с англ. -М.: Альпина Бизнес Букс, 2004. -211с.
11 Шарп У., Александер Г., Бэйли Дж. Инвестиции./ Пер. с англ. -М.: Инфра-М, 1997. -1024с.
12 Зейдель X., Темен Р. Управление инвестициями./ Пер. с нем. -М.: Финансы и статистика, 2008. -472с.
13 Бочаров В.В. Инвестиции: Учебник. -2-е изд. -СПб.: Питер, 2008. -384с.
Контактная информация: e-mail: MRustemR@gmail.com тел: +7(843)292-17-52
ПРОБЛЕМЫ РАЗВИТИЯ ИННОВАЦИОННО-ИНВЕСТИЦИОННЫХ ПРОЦЕССОВ В РОССИЙСКОЙ ЭКОНОМИКЕ
PROBLEMS OF DEVELOPMENT OF IS INNOVATIVE-INVESTMENT PROCESSES IN THE RUSSIAN ECONOMY
В.В. МЫЛЬНИК, д.э.н., профессор заведующий кафедрой «Финансовый менеджмент» «МАТИ» - РГТУ имени К.Э. Циолковского, г. Москва
V.V. MILNIK, Doctor of Economics, professorHead of financial department «MATI» - RSTU named after K.E. Tsiolkovsky
Аннотация
Рассматриваются проблемы развития инновационной экономики и организации инновационно-инвестиционной деятельности. Инновации рассматриваются не только как перспективная область для инвестирования, но также и как стратегически важный объект исследования. В этой связи проанализированы факторы, препятствующие внедрению инноваций. В качестве одного из методов решения проблем, связанных с реализацией инноваций, предлагается формирование «организаций-проводников». Annotation
Given article is devoted problems of development of innovative economy, and also individual questions of the organization of innovative-investment activity. Innovations are considered by the author not only as perspective area for investment, but also and as strategically important object of research. Thereupon the factors interfering introduction of innovations are analysed. As one of methods of the decision of the problems connected with realization of innovations, the author formation of "organizations-conductors" is offered.
Ключевые слова: Инновации, инвестиции, модернизация экономики, инновационно-инвестиционные процессы, «организации-проводники». Keywords: Innovations, investments, economy modernization, is innovative-investment processes, the organizations-conductors.
