CC BY
268
Валютный рынок России в условиях «турбулентности экономики»
Дадян Э.Г.
Дадян Эдуард Григорьевич /Dadyan Eduard Grigorievich - кандидат технических наук,
доцент, профессор, кафедра информационных технологий, ФГОБУ ВПО Финансового университета при Правительстве РФ, Москва
Аннотация: в данной работе приведены результаты нейросетевого анализа влияния существенных факторов на котировку курса валют на примере формирования курса доллара в условиях «турбулентности экономики» в России.
Abstract: In this paper we present the results of neural network analysis of the effect of significant factors on the quotation of the exchange rate on the example of the formation of the dollar in terms of «the turbulence of the economy» in Russia.
Ключевые слова: нейросеть, турбулентность экономики, котировка нефти, существенные факторы, курс доллара, курс евро, интервенции ЦБ.
Keywords: neuronetwork, the turbulence of the economy, the quotation of oil, essential factors, the dollar, the Euro, the Central Bank intervention.
К существенным факторам, влияющим на формирование курса валют, относят мировые экономико-политические процессы. Существует множество методов анализа количественного и качественного влияния процессов на формирование курсов валют. Например, метод экспертных оценок, метод регрессионного анализа или метод фрактального анализа.
В данной работе приведены результаты нейросетевого анализа влияния существенных факторов на котировку курса валют на примере формирования курса доллара в условиях «турбулентности экономики» в России.
В качестве инструмента исследовательской работы, в силу ряда преимуществ, был выбран аналитический пакет Deductor Studio, разработанный фирмой Basegroup (РФ, город Рязань) [1-3].
Система Deductor предназначена для решения широкого спектра задач, связанных с обработкой структурированных, представленных в виде таблиц, данных. При этом, область приложения системы может быть практически любой - механизмы, реализованные в системе, с успехом применяются на финансовых рынках, в страховании, торговле, телекоммуникациях, промышленности, медицине, в логистических и маркетинговых задачах и множестве других. При помощи Deductor-а можно не только строить модели, но и проводить анализ по принципу «что-если», т.е. оценить, как может измениться тот или иной показатель при изменении любого влияющего фактора. Для реализации этого простого в использовании и, одновременно мощного механизма, предназначен специальный визуализатор. При этом, не имеет значения, каким способом производилось построение модели - работа со всеми алгоритмами выполняется одинаково. Результаты можно просмотреть как в табличном виде, так и графическом.
Анализ валютного рынка России при помощи Deductor-а проводился с использованием относительно небольшого количества, но весьма существенных факторов. Их выбор был сделан на основании анализа коэффициентов корреляции между курсом доллара США, с одной стороны, и ключевыми потенциальными факторами, с другой. Результаты этого анализа приведены в таблице 1.
Таблица 1
№ п/п Потенциальный фактор влияния Коэффициент корреляции Использованные факторы
1 Суммарный экспорт стран Еврозоны -0,118554756 Нет (слабость влияния)
2 Объем чистого экспорта в России -0,432862041 Нет (отсутствие необходимых данных)
3 Котировки индексов CAC40 -0,3585795 Да (существенный)
4 Котировки индексов DAX -0,05042734 Да (информационный)
5 Размер национальных резервов 0,352761 Нет (отсутствие необходимых данных)
6 Котировка нефти -0,956345 Да (существенный)
7 Курс Евро 0,993236576 Да (существенный)
8 Инфляция в РФ 0,92369468 Да (существенный)
9 Интервенции ЦБ -0,31887355 Да (существенный)
10 Изменения котировки нефти 0,142487687 Да (существенный)
Использование существенных показателей (в таблице отмечены жирным шрифтом) в качестве обучающей выборки позволило выполнить качественный и даже количественный анализ влияния выше перечисленных экономических факторов на формирование курса доллара в кризисной ситуации экономики страны. Необходимые исходные данные для формирования обучающей выборки нейронной сети были заимствованы из трейдинговой системы Bloomberg. При загрузке исходных данных рассматривались месячные котировки с июня 2014 года по декабрь 2014 года. Для ввода, накопления и предварительной обработки исходных данных использовалась среда «1С: Предприятие». «1С: Предприятие» и Deductor полностью совместимы на уровне форматов данных. Взаимодействие среды «1с: Предприятие» и Deductor-а, а также укрупненный алгоритм обработки данных, последовательность выполняемых операций и логику действий с момента сбора данных и до момента получения визуализированных форм отчетов представлены на рис. 1. Структура работы определена с учетом степени разработанности темы, исходя из цели и задач исследования. При формировании топологии сети исходили из следующих предпосылок. Не существует точного правила по тому, каким количеством слоев и нейронов должна обладать сеть для хорошего обучения. Р. Тадеусевич [4] пишет, что нейронов не должно быть слишком много, иначе это приведет к плохому функционированию сети - она будет запоминать значения, вместо нахождения закономерностей. Однако и слишком маленькое количество нейронов отрицательно повлияет на сеть. В процессе исследования нами рассматривались различные варианты числа нейронов в среднем слое (от 5 и до 15). Сопоставляя диаграммы рассеивания от 5 до 15 средне-слойных топологий нейронной сети, мы остановились на 5-ти нейронах, как обеспечивающих лучшее приближение прогнозных значений к реальным (рис.2).
Рис. 1. Укрупненный алгоритм обработки данных
Диагональная линия на рисунке - это линия идеальных значений. Точками, рассеянными вдоль линии идеальных значений, обозначены выходные значения модели. Смысл диаграммы рассеивания следующий. Если все точки (или хотя бы основная масса), представляющие реальные выходные значения модели, сосредоточены вблизи линии идеальных значений, то модель работает хорошо. Окончательно была определена структура нейросети, представленная на рис.3.
Курсдрллара_ОЦТ о Курсдрллара —Эталон -- Верхняя граница -- Нижняя граница |
Рис.2. Диаграмма рассеивания
В нашем случае видно, что качество приближения хорошее, все прогнозные значения находятся очень близко к настоящим.
Рассмотренная диаграмма и все последующие рисунки необходимо видеть и анализировать в цвете. Цвет того или иного процесса несет в себе определенную информацию. Черно-белое изображение эту информацию теряет со всеми вытекающими отсюда последствиями.
Рис.3. Выбранная для исследования структура нейросети
Теперь можно заняться анализом результатов, полученных с помощью хорошо обученной нейронной сети, использовать «нейросетевого эксперта» для прогнозирования интересующих нас процессов с целью дальнейшего принятия соответствующих решений. Определенный интерес представляет граф нейросети (рис. 4). С его помощью по цветовым связям и весовым коэффициентам можно судить о значимости того или иного фактора и степень его влияния на выходной параметр.
Какие выводы можно сделать, анализируя граф нейросети, приведенный на рис.4? Каков вес влияния отобранных существенных параметров на формирование курса доллара? Ответ содержится в цвете линий связи идентифицированного входного нейрона с соответствующими нейронами среднего слоя. Цветовая линейка в нижней части рисунка сопровождается числовыми значениями. Результаты подобного цветового анализа с рассчитанными усредненными весовыми коэффициентами приведены в таблице 2.
Таблица 2
№ п/п Параметр Усредненный весовой коэффициент
1 Котировка нефти -0,925
2 Изменения котировки нефти 0,135
3 БАХ 0,0499
4 САС40 -0,34
5 Интервенции ЦБ -0,3
6 Инфляция РФ 0,92
Рис.4. Граф нейросети
Получить точные значения усредненных весовых коэффициентов, рассматриваемых параметров, практически невозможно; многое зависит от цветового восприятия субъектом линий связи (к сожалению, цвет пришлось убрать и ориентировать читателя на оттенки, - таковы требования редактора), т.е. здесь присутствует субъективный фактор. И тем не менее, можно увидеть близость значений коэффициентов корреляции и усредненных весовых коэффициентов соответственных параметров формирования курса доллара, что и ожидалось.
Анализ по методу «Что-если» позволил исследовать, как будет вести себя построенная система обработки при подаче на ее вход тех или иных данных. Проще говоря, проводился эксперимент, в котором, изменяя значения входных полей обучающей выборки нейронной сети, мы наблюдали за изменением значений на выходе.
Возможность анализа по принципу «Что-если» особенно ценна, поскольку позволяет исследовать правильность работы системы, достоверность полученных результатов, а также ее устойчивость. Под устойчивостью понимается то, насколько снижается достоверность полученных результатов при попадании на вход системы нетипичных данных - выбросов, пропусков данных и т. д. Такой анализ дает возможность определить, какую предварительную обработку данных нужно провести перед подачей на вход системы.
Система анализа «Что-если» включает табличное и графическое представления, которые формируются одновременно. В данной работе рассматривалось только графическое представление. По горизонтальной оси диаграммы отображается весь диапазон значений текущего поля выборки, а по вертикальной - значения соответствующих выходов сети. На диаграмме «Что-если» можно увидеть, при каком значении входа изменяется значение на соответствующем выходе. Если, например, во всем диапазоне входных значений выходное значение для данного поля не изменялось, то диаграмма будет представлять собой горизонтальную прямую линию.
Анализ в режиме «Что-если» выполнялся с целью получения зависимости курса доллара США от выбранных существенных параметров, приведенных в таблице 1. Здесь следует сделать исключительно важное замечание: для принятия окончательного решения следует учитывать не только зависимость у=Дх), но и значения всех остальных параметров, помня о том, что мы имеем дело с многопараметрической системой и курс доллара зависит не только от одного параметра, используемого в качестве аргумента. С учетом высказанных замечаний, были получены интереснейшие зависимости курса доллара от следующих существенных параметров:
1. котировки нефти,
2. инфляции в РФ (усредненные значения по дням),
3. интервенции ЦБ,
1. Зависимость от котировки нефти (рис.5)
Исключительно информативен график зависимости курса доллара США от котировки нефти. В процессе исследования мы анализировали несколько вариантов одной и той же зависимости, но при различных значениях параметров. Этот же подход применялся и при исследовании других зависимостей. К сожалению, формат данной статьи не позволяет привести все варианты влияния параметров на результатную составляющую. Автор планирует детальное рассмотрение многомерной ситуационной картины привести в готовящейся монографии.
Лол& Значение
- Вищные 9.0 Котировка не...
/ \ 62,37 п
3.0 Изменения кати... -0.0284999999399999 Б п
з.о DAX 9334,01 г а
з.о САС4С 4100,93 м
3.0 Интервенции ЦБ 0 е
9.0 Инфляция РФ т
- Выходные Р ы
3.0 Кцрс доллара ^6,5е53еЭ5а47542 J
Ъ SIT а» Б - ьг - Е ^ L ' в
60 53
50 57
£ 56
I 55 ^
SM äss
¿52
51 59 ¿9 <3
Рис.5. Зависимость от котировки нефти
Какая практическая польза и какие выводы можно сделать:
1. Четко определить критические котировки нефти, приводящие к резкому падению курса рубля.
2. Увидеть степень влияния приведенных инфляционных показателей на управление курсом доллара США.
3. Увидеть степень влияния интервенции ЦБ на управление курсом доллара США.
2. Зависимость от инфляции в РФ (усредненныезначения по дням) (рис.6)
Многокритериальная зависимость курса доллара США от усредненных значений инфляции в РФ показала неожиданную для автора ситуацию наличия критических точек влияния, когда дальнейший рост инфляционной составляющей может резко снизить курс национальной валюты, способствовать разрушению финансовой структуры страны.
Котировка нефти
Рис.6. Зависимость от инфляции в РФ (усредненные значения по дням)
Какая практическая польза и какие выводы можно сделать:
1. Четко определить критические значения усредненных показателей, приводящих к резкому падению курса рубля.
2. Увидеть степень влияния приведенных усредненных показателей инфляции на управление курсом доллара США.
3. Убедиться в абсолютно правильных действиях ЦБ РФ, резко повысившего ставку финансирования, правда, если при этом будет обеспечиваться целевая поддержка банков
3. Зависимость от валютной интервенции ЦБ (рис.7)
В России термин «валютная интервенция» обычно употребляется в связке с задачей поддержания российского рубля, его стабильного курса по отношению к доллару США. ЦБ РФ продает доллары и/или евро, чтобы не дать упасть рублю на валютном рынке и тем самым воздействовать на покупательную силу денег, валютные курсы и на экономику страны в целом. И наоборот, скупка иностранной валюты ЦБ влечет за собой падение курса российского рубля. Для интервенций, как правило, используются официальные валютные резервы, поэтому при больших нарушениях в системе платежного баланса валютная интервенция может в конце концов привести к истощению валютных резервов страны, не предотвратив обесценивания национальной валюты.
Рис.7. Зависимость от интервенции ЦБ РФ
Какая практическая польза, и какие выводы можно сделать:
1. Влияние интервенции ЦБ РФ на курс доллара США при определенных условиях достаточно велико.
2. Ежедневная продажа на валютной бирже 3-х миллиардов долларов, при указанных на рис.7 значениях параметров, может значительно укрепить национальную валюту. Ясно, что при этом чем больше ЦБ РФ осуществляет продаж, тем меньше у страны валютных запасов.
Выводы по работе
1. Разработана модель сбора, накопления и предварительной обработки данных в среде и на платформе «1С: Предприятие».
2. Разработан алгоритм обработки данных в среде и на платформе Deductor Studio.
3. Выбрана структура нейросети для проведения исследования.
4. Осуществлен сбор актуальнейших исходных данных в условиях «турбулентности экономики» РФ для обучения нейронной сети.
5. Создана многопараметрическая экспертная система оценки влияния ряда существенных параметров на котировки валют, имеющих большое значение для экономики РФ сегодня.
6. Тщательный анализ исследуемой предметной области с помощью разработанной многопараметрическая экспертной системы при различных значениях существенных параметров, позволил дать следующий прогноз поведения курса доллара США (таблица 3):
Таблица 3
Вариант развития Котиров ка нефти Инфляция в РФ (усредненные значения по дням в %) Интервенция ЦБ (милл. дол) Котировка долл. США
Благоприятный 85-90 0,01-0,015 0-500 35-40
Промежуточный 55-60 0,05-0,06 0-3000 55-60
Не благоприятный 40-50 0,07-0,1 0-5000 70-80 и более
Литература
1. Дадян Э.Г. Анализ влияния основных экономических факторов на формирование курса евро / Дадян Э.Г., Колотий Д.А. // Новые информационные технологии в образовании. Ч. 1: Сборник научных трудов двенадцатой Международной научно-практической конференции «Формирование новой информационной среды образовательного учреждения с использованием технологий «1С» (31 января-1 февраля 2012 г.) / УМО по образованию в области финансов, учета и мировой экономики; Финуниверситет; Фирма «1С»; под общ. ред. Д.В. Чистова. — М., 2012 .— С.495-499.
2. Дадян Э.Г. Анализ и расчет экономических показателей предприятия в условиях ограниченности информации с помощью Deductor Studio / Дадян Э.Г., Птицын Н.А. // Новые информационные технологии в образовании. Ч. 1: Сборник научных трудов двенадцатой Международной научно-практической конференции «Формирование новой информационной среды образовательного учреждения с использованием технологий «1С» (31 января-1 февраля 2012 г.) / УМО по образованию в области финансов, учета и мировой экономики; Финуниверситет; Фирма «1С»; под общ. ред. Д.В. Чистова .— М., 2012 .— С.501-505.
3. Дадян Э.Г. Анализ влияния факторов на стоимость АЗС как бизнеса / Дадян Э.Г., Птицын Н.А. // Новые информационные технологии в образовании. Ч. 1 : Сборник научных трудов двенадцатой Международной научно-практической конференции «Формирование новой информационной среды образовательного учреждения с использованием технологий «1С» (31 января-1 февраля 2012 г.) / УМО по образованию в области финансов, учета и мировой экономики; Финуниверситет; Фирма «1С»; под общ. ред. Д.В. Чистова .— М., 2012 .— С.499-501.
4. Тадеусевич Р. Элементарное введение в технологию нейронных сетей с примерами программ // Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б.; перевод с польск. И.Д.Рудинского - М.: Горячая линия - Телеком, 2011.
5. Дадян Э.Г. Влияние некоторых существенных факторов на формирование курсов валют. Фундаментальные и прикладные науки сегодня. Fundamental and applied sciences today IV. Vol. 2. spc Academic. Create Space 4900 LaCross Road. North Charleston, SC, USA 29406, 2014, стр. 233-240.
6. Дадян Э.Г. Прогнозирование эффективности вложений в паевые фонды. Академическая наука - проблемы и достижения. Academic science - problems and achievements IV. Vol. 3. North Charleston. USA, p.244-251, 2014.
7. Дадян Э.Г. A system for forecasting the efficiency of investments in mutual funds as application 1C Enterprise. Новые информационные технологии. Сборник научных трудов Четырнадцатой международной научно-практической конференции «Применение технологий «1С» для повышения эффективности деятельности организаций образования» - Паблишинг, 2014, Москва, стр. 344-197.
8. Андреев И.А., Арутюнов С.Р., Чистов Д.В. Инструментальные средства «1С:Предприятие 8» для построения распределенных систем. Новые информационные технологии в образовании: Сборник научных трудов 14-й международной научно-практической конференции «Новые информационные технологии в образовании» (Применение технологий «1С» для повышения эффективности деятельности организаций образования) 28 - 29 января 2014 г. Часть 1.- М.: ООО «1С-Паблишинг», 2014. 549 с.:
9. Арутюнов С.Р., Андреев И.А., Чистов Д.В. Исследование механизмов разработки распределенных систем на платформе «1С: Предприятие 8», Информационные технологии в финансово-экономической сфере: прошлое, настоящее, будущее. Материалы международной научной конференции./ под ред. О.В. Голосова, Д.В. Чистова. - М.:1 С-Паблишинг, 2013. - с. 85-91.
10. Информационные ресурсы и технологии в экономике/Под ред. Б.Е. Одинцова, А.Н., «Информационные технологии», доцент, профессор кафедры Романова.- М.: Вузовский учебник, 2013.
11. Одинцов Б.Е. Обратные вычисления в формировании экономических решений. Уч. пособие.- М.: Финансы и статистика, 2004.
12. Одинцов Б.Е. Целевое управление эффективностью бизнеса в нечеткой среде\\ Информатизация образования и науки.- 2014.-№ 2(22), стр. 100-110.
