Методы анализа фондового рынка

Многообразие методов анализа фондового рынка позволяет использовать все их множество для более обоснованного прогнозирования, но при этом всегда ставит перед проблемой выбора правильного решения. Поэтому одним из путей дальнейшего совершенствования анализа всего многообразия изменяющихся  факторов рынка ценных бумаг является разработка методов, сочетающих в себе знания различных областей анализа.

Как известно, существуют два основных подхода к анализу рынка: технический и фунда- ментальный. Первый из них базируется на теории Доу, в основе которой лежит аксиома: «Цены учитывают все», и соответственно технический аналитик использует только цены актива и раз- личные индикаторы (функции цен). Фундаментальный анализ, наоборот, ищет взаимосвязь цен актива, внешних событий и данных типа макроэкономических показателей и финансовой отчет- ности корпораций и т.д. Применение нейронных сетей в качестве дополнения дает уникальную возможность объединить эти два метода. Такой анализ, в отличие от технического, не имеет никаких ограничений по характеру входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов, и внешние события. Нейросети активно используют на Западе институциональные инвесторы (например пенсионные фонды и страховые компании), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками [1].

В отличие от технического анализа, основанного на общих рекомендациях и опыте трейдера, нейросети способны строить оптимальную модель прогнозирования, более того, модель адаптивна и меняется вместе с рынком, что особенно важно для современных высокодинамичных финансовых рынков, в частности российского.

Рассмотрим фундаментальный анализ, его базой является изучение балансов, отчетов о прибылях и убытках, публикуемых компаниями. с помощью данного анализа можно выявить недооцененные компании и купить их акции в надежде на то, что цена на них возрастет.

три уровня фундаментального анализа

-анализ состояния экономики в целом

важными показателями являются: базовая процентная ставка, объем ВВП ВНП, цены на нефть, политический строй, уровень экономической активности

-отраслевой анализ

существуют несколько видов групп

растущие, стабильные, цикличные, увядающие, спекулятивные.

-анализ компаний

для выбора компаний нужно проанализировать показатели деятельности компаний. Данный анализ трудоемкий и является наиболее сложным этапом.

В данном анализе используются 2 концепции исследования: дезагрегированный и агрегированный.

дезагрегированный: сначала дается оценка для экономики в целом, для отраслей, для компаний.

агрегированный - обратный ход

Фундаментальный анализ предполагает использование имитационного моделирования и нейросетевых технологий.

При имитационном моделировании, так же как при экономическом моделировании используются эндогенные и экзогенные переменные. Но главное отличие от эконометрических моделей в том, что имитационные модели исследуют изменения факторов в динамике.

Нейронные сети это эффективный инструмент для анализа сложный процессов. На основе имеющейся базы знаний система способна обучаться, извлекая скрытые закономерности из большого потока данных.

Исследования методов обработки информации, которые сейчас называют нейросетевыми начались несколько десятилетий назад. в настоящее время интерес к таким технологиям только возрастает, но раньше он то ослабевал, то возрождался. Это было связано с результатами проводимых исследований. Но в настоящее время характер финансовых рынков и создание финансовых прогнозов значительно усложнилось. с информационной точки зрения это приводит к необходимости использования многомерных нелинейных рядов.

Искусственные нейронные сети являются попыткой сконструировать аналог биологических нейронных сетей головного мозга человека. Мозг – это децентрализованная структура, состоящая из миллиардов клеток-нейронов. Постоянно изменяющиеся во времени связи – это и есть нейронные сети, которые определяют механизм функционирования структуры. Эффективность биологических нейронных сетей столь высока, что их пытаются имитировать в различных областях науки, в том числе и в финансовом моделировании.

Данная задача хотя и является необычайно сложной, тем не менее открывает блестящие перспективы в понимании и прогнозировании фондового, валютного и других финансовых рынков, поскольку может пролить свет на то, каким образом участники рынка взаимодействуют друг с другом и влияют на процесс ценообразования.

Однако прежде чем перейти к прогнозированию рынка, необходимо изложить основы использования искусственных нейронных сетей в финансовом моделировании.

Во-первых, необходимо задать архитектуру искусственной нейронной сети.. Обычно в искусственной нейронной сети выделяют три группы слоёв: входной (он содержит исходные данные x – как правило, эмпирические значения), скрытые (их может быть несколько, и они определённым образом преобразуют данные, полученные из входного слоя) и выходной (значения y которого являются результатом работы сети).

После проведения анализа фондового рынка и изложения основ нейросетевого анализа можно перейти к прогнозированию.

Прогнозирование – одна из самых востребованных, но при этом одна из самых сложных задач интеллектуального анализа данных. Проблемы прогнозирования связаны с недостаточным качеством и количеством исходных данных, изменениями среды, в которой протекает процесс, воздействием субъективных факторов. Прогноз всегда осуществляется с некоторой погрешностью, которая зависит от используемой модели прогноза и полноты исходных данных.

Задача прогнозирования в общем случае сводится к получению оценки будущих значений упорядоченных во времени данных на основе анализа уже имеющихся, а также (при необходимости) тенденции изменения влияющих факторов. Прогнозируемой величиной являются значения временного ряда на интервале [T(n+1), T(n+f)], где T(n) – текущий момент времени, а f – интервал прогнозирования. Иногда возникает необходимость не в прогнозе значений временного ряда на заданном интервале, а в прогнозе вероятности того, что они будут вести себя тем или иным образом (возрастать, убывать, находиться в некоторых пределах и т.д.). Подавляющее большинство задач прогнозирования на основе нейронных сетей так или иначе связаны со сферой бизнеса и финансов. Это – краткосрочные и долгосрочные прогнозы тенденций следующих финансовых рынков:

• рынков купонных и бескупонных облигаций,

• фондовых рынков (рынков акций),

• валютных рынков. Сюда же можно отнести прогнозы:

• платежеспособного спроса;

• продаж и выручки;

• рисков кредитования;

• финансирования экономических и инновационных проектов;

• фьючерсных контрактов и ряд других.

Прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков Задачей автоматизированной системы прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков является анализ некоторого набора влияющих факторов с последующим выводом о дальнейшем краткосрочном или долгосрочном поведении прогнозируемой величины. Возможными прогнозируемыми величинами для подобных систем являются доходность и ценовые показатели: средневзвешенная цена, цены закрытия и открытия, максимальная и минимальная цены. Причем прогнозироваться могут как показатели, определенные для целой группы инструментов или некоторого рынка в целом, так и показатели, определенные только для одного инструмента финансового рынка. Как для совокупности инструментов, так и для каждого индивидуально может определяться доходность; ценовые показатели определяются для каждого конкретного инструмента. Целями прогноза (прогнозируемой величиной) в области финансовых рынков могут являться, например, средневзвешенная доходность бескупонных облигаций (для группы инструментов), средневзвешенная цена акции РАО «ЕЭС России», курс американского доллара к рублю и др. В качестве исходных данных (влияющих факторов) для такого прогноза могут использоваться различные макро- и микроэкономические показатели, информация с торговых площадок, данные, предоставляемые информационно-торговыми агентствами, экспертные оценки специалистов. Количество влияющих на прогноз факторов зависит от рассматриваемогорыночного инструмента и конкретной рыночной ситуации (временного момента). То есть одни факторы оказывают влияние на все финансовые рынки, другие – только на определенные. Кроме того, влияние факторов на рынки может меняться с течением времени (меняются рыночные тенденции). Так как в определенные моменты времени прослеживается явная взаимосвязь между финансовыми рынками и инструментами рынков, целесообразно в качестве исходных данных для прогнозирования одного  рынка или его инструментов использовать информацию о тенденциях других рынков. Например, при прогнозировании цены открытия «сегодня» для любых инструментов всех финансовых рынков, этот прогноз сильно зависит от цены закрытия «вчера» и обе эти величины могут выступать как прогнозируемые.

Прогнозирование краткосрочных и долгосрочных тенденций финансовых рынков включает следующие этапы.

1. Сбор и хранение статистических данных – возможной исходной информации для прогноза (либо в качестве исходных данных, либо в качестве прогнозируемой величины, либо как и то и другое);

2. Определение для рассматриваемого рынка или инструмента прогнозируемой величины и набора влияющих факторов (причем не всегда могут быть использованы данные, непосредственно хранящиеся в базе данных, зачастую требуется произвести некоторые преобразования данных: например, часто в качестве таких факторов используются относительные изменения величин);

3. Выявление зависимости между прогнозируемой величиной и набором влияющих факторов в виде некоторой функции;

4. Вычисление интересующей величины в соответствии с определенной функцией, значениями влияющих факторов на прогнозируемый момент и видом прогноза (краткосрочный или долгосрочный).

Процедура выполнения краткосрочного прогноза отличается от процедуры долгосрочного на первом и четвертом этапах. В случае краткосрочного прогноза считается, что все участвующие в нем значимые влияющие факторы на прогнозируемую дату известны и хранятся в базе данных. Горизонт краткосрочного прогноза не превышает 3–4 дня. В случае долгосрочного прогноза считается, что значимые влияющие факторы на прогнозируемую дату неизвестны и должны быть указаны ожидаемые значения и погрешности. Соответственно погрешность определения прогнозируемой величины существенно увеличивается (чем дальше горизонт прогноза, тем больше погрешность определения влияющих факторов и вероятность ошибки аналитика

Целью прогнозирования рынка ценных бумаг является исследование вариантов развития и определение возможных перспектив с учётом факторов объективного и субъективного характера. Задачи прогнозирования развития рынка ценных бумаг следующие: определить будущее рынка ценных бумаг на основе научного анализа; выявить главные направления развития рынка ценных бумаг с позиции научного предвидения; учесть различные факторы и обосновать конкретные способы их регулирования.

Основные виды прогнозов развития рынка ценных бумаг классифицируются по следующим критериям: по масштабу прогнозирования – мировой, национальный и региональный; по характеру прогнозируемых процессов – развития фондовых операций, поведения отдельных участников рынка ценных бумаг и операций с отдельными видами ценных бумаг; по функциональному признаку – поисковый (основан на условном продолжении в будущее тенденций развития в прошлом и настоящем) и нормативный (разрабатывается на базе заранее определённых целей, т. е. от заданного состояния в будущем к существующим тенденциям его изменения в свете определённой цели); по способам представления результатов – точечный (предполагает единственное сочетание показателей) и интервальный (предполагает набор показателей в заданных интервалах); по степени пространственной и временной согласованности результатов прогнозов одномерный (по отдельным объектам без последующего согласования результатов), многомерный (по отдельным объектам с последующим согласованием результатов), перекрёстный (с установлением причинно-следственных связей и зависимостей и имитацией возможного взаимодействия) и сквозной (с имитацией поведения совокупности объектов); по срокам – краткосрочный, или текущий (на срок менее 1 года), среднесрочный (на срок 1-3 года) и долгосрочный (на срок более 3 лет). Для построения краткосрочного, или текущего, прогноза применяется технический анализ. Для разработки среднесрочного и долгосрочного прогнозов эффективен фундаментальный анализ; по содержанию – конъюнктурный и исследовательский.

Цель конъюнктурного прогноза – определение возможностей проведения фондовых операций, прежде всего покупки и продажи по наиболее выгодным ценам. Конъюнктурный прогноз позволяет определить варианты рациональных инвестиций. Различают статический и динамический подход к прогнозированию конъюнктуры. Статический подход подразумевает рассмотрение экономических явлений, по существу, без их изменения во времени, а динамический – в процессе их изменения во времени. Горизонт конъюнктурного прогноза обычно мал, т. к. ситуация на рынке ценных бумаг меняется очень быстро.

Основными направлениями конъюнктурного прогноза являются: графическое моделирование, которое позволяет графически определить возможные направления развития фондового рынка; логическое моделирование; машинная компьютерная имитация.

К основным этапам разработки конъюнктурного прогноза относятся: изучение тенденций и динамики развития рынка ценных бумаг; отслеживание колебаний спроса и предложения; установление основных причин колебания; выявление факторов, оказывающих определяющее влияние на колебания; определение будущих тенденций развития.

Конъюнктурные прогнозы широко используются участниками биржевых торгов для планирования фондовых операций, выбора вариантов проведения торгов, обработки схем инвестирования в ценные бумаги. Научно обоснованные конъюнктурные прогнозы особенно эффективны в условиях стабильной экономики с чётко прослеживающимися тенденциями. В условиях неустойчивого рынка конъюнктурные прогнозы важны как инструмент вариантного регулирования эффективности фондовых операций на бирже.

Цель исследовательского прогноза – научная систематизация информации о состоянии объекта и закономерных причинно-следственных связях, определяющих его изменения в будущем. ” [5]