Использование нейросетей в прогнозировании фондового рынка Текст научной статьи по специальности «Экономика и бизнес»

Sergeev Vladislav Alekseevich economic

APPLYING OF NEURAL ... sceinces

УДК 336.76

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕЙ В ПРОГНОЗИРОВАНИИ ФОНДОВОГО РЫНКА

© 2018

Сергеев Владислав Алексеевич, аспирант

Российский экономический университет им. Г.В. Плеханова (117997, Российская Федерация, Москва, Стремянный пер., 36, e-mail: s.vladislav-92@yandex.ru)

Аннонация. Прогнозирование движения фондового рынка - хлеб для многих аналитиков, как мелких финансовых компаний, так и крупнейших корпораций. С каждым годом модели для прогноза рынка становятся всё более изощренными и на смену традиционным приходят модели с использованием нейросетевого программирования. Если в начале 2000-х годов прогнозы создавались на основе двух-трех параметров, то в настоящее время счет идет уже на сотни. Например, в начале 2018 года российские разработчики создали нейронную сеть «Mirocana» для торговли на крипторынке, которая учитывает в составлении прогноза движения более чем 100 валютных пар, множество технических индикаторов, а также разнообразных экономических новостей [1]. Несмотря на очевидные преимущества, точность прогнозов на основе нейросетей по фондовому рынку колеблется у отметки 50%, а всё потому, что фондовый рынок - сложная органическая структура: факторы, которые значимы в один промежуток времени, теряют свою значимость в другой. Нельзя не упомянуть человеческий фактор при принятии решения, зачастую поддаваясь эмоциям, инвестор не способен трезво оценивать ситуацию и поэтому некоторые взаимосвязи могут быть неустойчивыми. В статье рассматривается применение нейронных сетей в прогнозировании индекса Московской биржи на первое полугодие 2018 года на основе двух основных макропеременных.

Ключевые слова: фондовый рынок, нейронная сеть, искусственный интеллект, нефть, доходность облигаций, Россия, прогнозирование, LSTM-сеть, временные ряды, индекс Московской биржи, технический анализ, математическая модель.

APPLYING OF NEURAL NETWORKS IN FORECASTING THE STOCK MARKET

© 2018

Sergeev Vladislav Alekseevich, post-graduate student

Plekhanov Russian University of Economics (117997, Russia, Moscow, Stremyanny lane 36, e-mail: s.vladislav-92@yandex.ru)

Abstract. Forecasting the movement of stock market - source of income both for small and large corporations. Every year, models for market forecasting are getting more sophisticated, and traditional models are replaced models by using neural network programming. If in early 2000-s the forecasts were created on the basis of two or three parameters, nowadays quantity of parameters that we use is more than 100. In early 2018 Russian scientists created a neural network «Mirocana» for trading on cryptomarkets, which takes into account in the complication of the forecast movements of more than 100 currency pairs, many technical indicators, as well as a variety of economic news. Despite of obvious advantages, accuracy of forecasting models is based on neural networks around 50% because of complex organic structure of stock market: factors that were significant in one period lose their significance in the other period. Also human factor in making decision ruins correlation links. This article deals with the use of neural networks in forecasting the Moscow exchange (MOEX) index for the first half of 2018 on the basis of two main macrovariables.

Keywords: stock market, neural network, artificial intelligence, oil, bond yield, Russia, forecasting, LSTM-network, time series, Moscow exchange index, technical analysis, mathematical model.

Интерес к использованию искусственного интеллекта в экономике растет с огромной скоростью. Так как финансовые системы являются результатами действий или бездействий экономических субъектов, то практически невозможно создать математическую модель, которая будет полностью удовлетворять всем требованиям, более того, объем данных, который необходимо обработать, увеличивается в геометрической прогрессии. Обработать поступающий объем информации с использованием традиционных способов вычисления становится все более трудоемким процессом. Стоит заметить, как правило, большинство методов имеют существенный недостаток - описание экономических процессов линейной зависимостью, что в условиях изменяющейся внешней среды делает эти модели недостаточно корректными. Нейронные сети - математические модели, построенные по принципу клеток нервной системы. В отличие от других алгоритмов искусственные нейросе-ти не программируются, а самообучаются в процессе работы. Поэтому можно ожидать, что они будут давать хорошие модели для финансовых временных рядов и, соответственно, обеспечивать лучшие прогнозы [2].

Нейронные сети и соответствующее оборудование уже широко применяются финансовыми корпорациями. Так, компания Citicorp с помощью нейрокомпьютера для анализа и краткосрочного прогнозирования колебания курсов валют обошла по точности предсказаний ведущих брокеров страны [3,4,5]. Лондонская фондовая биржа (LSE) внедрила автоматизированную систему с элементами искусственного интеллекта на базе нейронных вычислений для контроля внутреннего дилинга. Даже в России, 280

несмотря на то, что финансовый рынок еще недостаточно устойчив ввиду нестабильности потоков инвестиций как отечественного, так и зарубежного капитала, а также сложной политической ситуации, существует мощный нейрокомпьютер для финансового применения, который использует Центробанк, Налоговая инспекция и свыше 30 банков России [6]. Вычислительные комплексы на базе нейронных сетей также нашли применение на фондовых биржах США и Японии. В настоящее время банки пришли к выводам, согласно которым системы на основе нейронных сетей способны приносить значимую пользу. На рынке уже давно предлагаются подобные продукты, определяющие вероятности риска при выдаче займа, а также программные и аппаратные пакеты, способные моделировать и прогнозировать банкротство [7]. Использование подобных систем действительно даёт положительный эффект, но результаты не всегда соответствуют ожиданиям. Рассмотрим подробнее понятие «нейронная сеть».

Нейронная сеть - совокупность нейронных элементов, определенным образом соединенных друг с другом и с внешней средой с помощью связей, определяемых весовыми коэффициентами [8]. Процесс обучения ней-росети изображен на рисунке 1.

Техника применения нейронных сетей для прогнозов на фондовом рынке условно разбивается на следующие этапы:

1. Подготовка данных: выделение «входов» (исходные данные) и «выходов» (результаты прогноза). Входами могут являться макроэкономическая статистика страны (например, промышленное производство, доходность десятилетних облигаций, цена на нефть),

Azimuth of Scientific Research: Economics and Administration. 2018. Т. 7. № 4(25)

экономические науки

Сергеев Владислав Алексеевич ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕЙ ...

максимумы или минимумы по ценным бумагам и другие (рисунок 2);

Цена закрытия индекса РТС

Индекс потребительских

жился «бычий» тренд в нефти, можно предположить, что по факту процент доходов от нефти и газа будет большим. Российский рынок (как и любой развивающийся) зависим от иностранных инвестиций, причем действия инвесторов носят преимущественно краткосрочный спекулятивный характер. Доля нерезидентов в государственном долге в абсолютном и относительном выражении непрерывно растет (таблица 1), что увеличивает вероятность наложения мультипликативного эффекта при существенном изменении мировой конъюнктуры рынка.

Таблица 1. Доля инвестиций нерезидентов в объеме выпусков облигаций федерального займа [12].

Рисунок 1 - Процесс обучения нейросети [9]

2. Выделение в массиве данных калибровочных и тестируемых участков. На этапе калибровки нейронная сеть обрабатывает данные, пытаясь дать прогноз на тестируемом участке. Затем, сравнивая свой прогноз и фактическое значение, сеть изменяет свои параметры так, чтобы это изменение приводило к постоянному уменьшению ошибки;

3. Задание срока прогноза;

4. Получение значения прогнозируемых данных на выходе нейросети [10].

Динамика промышленного производства РФ, м/м

Доходность 10-летн1 облигаций РФ

Цена открытия индекса РТС

Динамика индекса S&P 500

Дата Номинальный объем ОФЗ, принадлежащих нерезидентам, млрд. руб. Доля нерезидентов на рынке ОФЗ, %

01.01.2018 2 230 33.1%

01.07.2017 1 869 30.4%

01.01.2017 1 517 26.9%

01.07.2016 1 350 25.4%

01.01.2016 1 071 21.5%

01.07.2015 981 20.3%

01.01.2015 877 18.7%

01.07.2014 945 25.6%

01.01.2014 894 23.9%

Из множества разновидностей нейронных сетей, для обработки и прогнозирования временных рядов лучше всего подходит Long short-term memory (LSTM) - сеть. Она способна запоминать значения, как на короткие, так и на длинные промежутки времени, причем хранимые значения не размываются со временем [13]. Существующие работы в основном пытаются предсказать направление тренда, мы же попробуем создать две модели: первая - предсказания тренда, вторая - нахождения закономерности в случайной составляющей временного ряда. Далее эти модели будут оценены и сравнены между собой. Для упрощения обучения сети, данные были приведены в первую разность, а также был взят логарифм, чтобы сделать значения разных параметров ближе друг к другу. Случайная составляющая была получена после декомпозиции временного ряда на сезонную, трендовую и случайную составляющие с помощью мультипликативной модели [15].

После описанной обработки данных была составлена сеть из 3 последовательных одномерных конволюци-онных слоев и следующих за ними двух слоев LSTM-клеток. Последний слой представлял собой полносвязанный слой в обертке для временных последовательностей (рисунок 3) [14].

Рисунок 2 - Возможная схема нейронной сети для прогноза движения индекса РТС

Составим модель, которая сделает понедельный прогноз движения индекса МосБиржи на вторую половину 2018 года на основе недельных данных за 2010 - 2017 годы цены на нефть и доходности 10 летних облигаций России. Данные факторы были выбраны не случайно, а по причине сильной зависимости структуры российского бюджета от доходов сырьевого сектора. В проекте закона о федеральном бюджете на 2018 год планируемые поступления составляют 15,26 трлн. рублей, из них 5,48 трлн. (более трети от всех статей) - нефтегазовые доходы. В расчет показателей бюджета заложена среднегодовая цена нефти $46 за баррель[11]. Принимая во внимание, что средняя цена на нефть в первом полугодии составила $68,83 и в начале второго полугодия продол-

Рисунок 3 - Схема используемой нейронной сети для прогноза индекса МосБиржи

Целевые функции в общем виде для рассматриваемых моделей изображены ниже. Модель 1

Модель 2

Азимут научных исследований: экономика и управление. 2018. Т. 7. № 4(25)

281

Sergeev Vladislav Alekseevich APPLYING OF NEURAL ...

Где X - входы, W - вес параметров, A - текущее состояние нейрона, Y - выход нейрона

Прогнозы, выданные этой нейронной сетью, показаны на рисунках 4 и 5.

3 ООО 2 800 2 600

Рисунок 4 - Прогноз движения индекса МосБиржи на первое полугодие 2018 года на основе предсказания тренда (модель №1)

2 600

Рисунок 5 - Прогноз движения индекса МосБиржи на первое полугодие 2018 года на основе поиска закономерности в случайной составляющей временного ряда (модель №2)

Как видим, прогнозы сильно зависят от постановки задачи (целевой функции). Вторая модель оказалась почти в 2 раза точнее для выбранных данных. Несмотря на сложность и нелинейность структуры нейросети, прогнозные значения заметно отклонились от фактических (таблица 2), поэтому нельзя считать нейронные сети «истиной в последней инстанции».

Таблица 2. Сводная таблица результатов прогонки моделей

Дна Индекс МБ (факт) Индекс МБ (прогноз модели .Vil) Индекс МБ (прогноз модели №2) Отклонение прогнозных данных от фактических модели №1, % Отклонение прогнозных данных от фактических модели №>2, %

07.01.2013 2 262 2 077 2 164 -8.20% -4.35%

14.01.2018 2 236 2 005 2 134 -12.29% 6.66%

21.01.2018 2 295 1 927 2 088 -16.06% -9.03%

28.01.2018 2 282 1 855 2 066 -18.71% -9.46%

04.022013 2 197 1 846 2 122 -16.00% -3.42%

11.02.2018 2 255 1 809 2 035 -19.78% -7.55%

18.02.2018 2 337 1 805 2 111 -22.74% -9.66%

25.02.2018 2 289 1 800 2 134 -21.35% -6.76%

04.032013 2 312 1 798 2 195 -22.21% -5.05%

11.032018 2 295 1 853 2 230 -1924% -2.32%

18.03.2018 2 286 1 915 2 275 -16.20% -0.46%

25.03.2018 2 271 2 013 2 244 -11.34% -1.19%

01.042013 2 231 2 096 2 211 -8.14% -3.08%

03.042018 2 175 2 159 2 035 -0.73% -4.14%

15.04.2018 2 233 2 181 2 044 -2.31% -8.45%

22.04.2018 2 301 2 225 1 987 -3.32% -13.66%

29.042013 2 239 2 375 2 033 3.72% 1120%

06.05.2018 2 345 2 454 2 095 4.65% -10.67%

13.05.2018 2 327 2 537 2 147 9.01% -7.73%

20.05.2018 2 307 2 588 2 222 12.19% -3.67%

27.05.2013 2 295 2 643 2 266 15.14% -1.28%

03.062013 2 263 2 737 2 345 20.68% 3.40%

10.062018 2 23S 2 792 2 400 24.79% 7.26%

17.062013 2 250 2 792 2410 24.11% 7.13%

24.062013 2 296 2 792 2 398 21.61% 4.44%

economic sceinces

стическая способность нейронных сетей бывает слабее классических методов. Поэтому для достижения максимального результата необходимо использовать нейронные сети вместе с грамотной стратегией управления капиталом.

Использование нейронных сетей в области финансов расширяется. Для кого-то использование нейросетей это необходимость, для кого-то - дань моде. В настоящее время это направление еще не является доминирующим при прогнозировании финансовых рынков и, тем более, не отменило традиционные математические и экономе-трические методы анализа, а также не сделало ненужной работу высококлассных экспертов. Будет неправильным навязывать использование нейронных сетей или, наоборот, пытаться доказывать их неэффективность путем акцентирования присущих им недостатков. Нужно относиться к ним как к следствию развития вычислительной математики, информационных технологий и современной элементной базы.

СПИСОК ЛИТЕРАТУРЫ:

1. Mirocana — нейронная сеть для торговли на крипторынке URL: https://coinspot.io/technology/mirocana-nejronnaya-set-dlya-torgovli-na-kriptorynke/ (дата обращения 22.08.2018)

2. Искусственная нейронная сеть URL: https://ru.wikipedia.org/ wiki/Искусственная_нейронная_сеть (дата обращения 25.08.2018)

3. Матягина Т.Н., Мухаметзянов В.А., Рамазанов А.Р. «Применение нейросетей в области экономики и финансов» // Аллея Науки №16, 2017 URL: http://www.alley-science.ru/domains_data/files/ 5December7/PRIMENENIE%20NEYR0SETEY%20V%200BLASTI%20 EK0N0MIKI%20I%20FINANS0V.pdf (дата обращения 14.08.2018)

4. Гареева Г.А., Гилязеев Т.В., Григорьева Д.Р. «Применение нейронных сетей в экономике» // Молодой ученый — 2018 - №18 — С. 306-309 URL: https://moluch.ru/archive/204/49905/ (дата обращения 28.07.2018)

5. Насибуллина З.З. «О применении нейронных сетей в экономике и перспективы их развития» // Сибирский Федеральный Университет, Институт управления бизнес-процессами и экономики URL: http:// www.scienceforum.ru/2017/2484/32073 (дата обращения 21.08.2018)

6. Галушкин А.И. «Применения нейрокомпьютеров в финансовой деятельности» URL: https://neuronus.com/stat/175-primeneni-ya-nejrokompyuterov-v-finansovoj-deyatelnosti.html (дата обращения 02.08.2018)

7. Сафоненков А.А. «Применение искусственных нейронных сетей в финансовой сфере» // Научное сообщество студентов XXI столетия. ЭКОНОМИЧЕСКИЕ НАУКИ: сб. ст. по мат. XXXIII между-нар. студ. науч.-практ. конф. № 6(33). URL: http://sibac.info/archive/ economy/6(33).pdf (дата обращения: 04.08.2018)

8. Классификация нейронных сетей // Материалы Старооскольского технологического института URL: https://studfiles. net/preview/3170522/page:2/ (дата обращения 02.09.2018)

9. Простыми словами о сложном «Что такое нейронные сети?» URL: https://gagadget.com/another/27575-prostyimi-slovami-o-slozh-nom-chto-takoe-nejronnyie-seti/ (дата обращения 04.09.2018)

10. Студенческая библиотека «Прогнозирование фондового рынка» URL: http://studbooks.net/2215953/matematika_himiya_fizika/ prognozirovanie_fondovogo_rynka (дата обращения 31.05.2018)

11. Бюджет РФ [Электронный ресурс] URL: https://www.minfin. ru/common/upload/library/2017/12/main/BDG_2018_FINAL.pdf (дата обращения 25.09.2018)

12. Доля вложений нерезидентов в ОФЗ по состоянию на 31.12.2017г URL: https://cbr.ru/statistics/ (дата обращения 26.09.2018)

13. LSTM — сети долгой краткосрочной памяти // Блог компании «Wunder Fund» URL: https://habr.com/company/wunderfund/ blog/331310/ (дата обращения 15.08.2018)

14. Классификация нейронных сетей URL: https://www.tensorflow. org/tutorials/sequences/recurrent_quickdraw (дата обращения 22.08.2018)

15. Мультипликативная и аддитивная модели временных рядов. Прогнозирование на их основе. URL: https://axd.semestr.ru/dinam/multi-plicative.php (дата обращения 25.09.2018)

Статья поступила в редакцию 27.10.2018

Статья принята к публикации 27.11.2018

К тому же, они не позволяют в явном виде определить зависимости между членами ряда. Иногда прогно-

Azimuth of Scientific Research: Economics and Administration. 2018. Т. 7. № 4(25)

282