Приложение методов фрактального анализа, теории графов и анализа сложных сетей к исследованию временных рядов [Электронный ресурс] / А. Р. Файзлиев, С. П. Сидоров, В. А. Балаш. – Саратов : Издательство Саратовского университета,

2021. – 108 с. : ил. – URL: https://books.sgu.ru/monographs/978-5292-04738-4. – Имеется печатный аналог.

ISBN 978-5-292-04738-4 (online) ISBN 978-5-292-04737-7 (print). – Текст: непосредственный.

В монографии исследуются влияние новостного потока на динамику цен и волатильность финансовых рынков, фрактальные свойства потоков новостной интенсивности, а также разрабатываются новые методы и алгоритмы совместного анализа новостных и финансовых данных с применением теории графовых моделей систем. Основными результатами исследования являются разработанные методы анализа совместной динамики финансовых показателей и интенсивности новостного потока.

Для научных работников, магистрантов, аспирантов экономических, финансовых и математических специальностей высших учебных заведений, а также финансовых аналитиков, риск-менеджеров, сотрудников финансовых учреждений.

Ил. 37. Табл. 26. Библиогр. : 193 назв.

Р е це н з е н т ы :

доктор физико-математических наук Д. В. Кондратов

(Поволжский институт управления имени П. А. Столыпина)

доктор физико-математических наук, профессор Д. К. Андрейченко

(Саратовский национальный исследовательский государственный университет

имени Н. Г. Чернышевского)

(утвержден Ученым советом Саратовского национального исследовательского

Работа издана по тематическому плану 2021 года

государственного университета имени Н. Г. Чернышевского,

протокол № 1 от 19 января 2021 года)

УДК 004.94:519.2

ББК 22.185.5:22.19

ISBN 978-5-292-04738-4 (online) ISBN 978-5-292-04737-7 (print)

Балаш В. А., 2021

Введение

В последнее время появилось много исследований, посвященных так называемым «большим данным» (“big data”). Одним из примеров таких данных, возникших сравнительно недавно, являются информационные потоки, генерируемые новостными агентствами, предприятиями, организациями, социальными сетями и т. д.

Провайдеры финансовой информации обеспечивают доступ в режиме реального времени не только к результатам биржевых сделок, но и к оцифрованным текстовым новостям. Для каждой новости, поступившей от информационных агентств либо опубликованной в печатных или электронных изданиях, вычисляется ряд индикаторов, показывающих, насколько она важна, специфична и т. д. для того или иного эмитента ценных бумаг. Поток новостей для конкретного эмитента можно рассматривать как последовательность наступления событий, характеризуемых величинами заданного числа признаков. Одна и та же новость может быть соотнесена с несколькими эмитентами, а одно и то же событие – сопровождаться публикацией в нескольких изданиях. Можно полагать, что важные события вызывают больший отклик в средствах массовой информации и сообщениях информационных агентств. Тогда по интенсивности генерации новостей можно судить о существенности вновь поступившей на финансовый рынок информации. При этом интенсивность поступления новостей для конкретного эмитента связана с наступлением не только специфичных для него самого событий, но и с изменениями в политике, макроэкономике, реальном или финансовом секторе экономики в целом. Реакция на вновь поступившую информацию может проявляться в изменениях цен финансовых активов.

Статистические свойства новостного потока пока изучены недостаточно, а методы и алгоритмы обработки подобных данных разработаны не в полной мере. По нашему мнению, поток новостей не может рассматриваться как последовательность независимых случайных событий, но обладает свойствами автомодельности, фрактальности и т. п. Методы анализа фрактальной структуры данных разной природы и обнаружения

Приложение методов фрактального анализа, теории графов

дальней корреляции временных рядов в настоящее время интенсивно развиваются. Среди них методы анализа флуктуаций (FA) [1], детрендированных флуктуаций (DFA) [2], флуктуаций вычитанием скользящего среднего (DMA) [3], декомпозиции Фурье и т. д. Метод DFA является одним из распространенных способов масштабирования дальней автокорреляции в нестационарных временных рядах. Данный метод доказал свою эффективность при решении многих научных и инженерных задач, таких как анализ ДНК [4], динамики ежедневного интернет-трафика [5], биомедицинских сигналов [6], финансовых и экономических временн´ых рядов [7] и др.

Вышеперечисленные методы позволяют успешно оценивать параметры долговременных корреляций в данных разной природы. При этом они обладают свойствами робастности к наличию долговременных трендов и циклических колебаний в изучаемых процессах и явлениях. Однако опыт использования подобных методик при исследовании потоков финансовых новостей пока не описан. В данной монографии предпринята попытка восполнить этот пробел.

В настоящей работе исследуются присутствие долговременных корреляций во временных рядах числа текстовых новостей, порождаемых средствами массовой информации, рейтинговыми агентствами, а также долгосрочные и краткосрочные корреляции между ценами активов и интенсивностью новостного потока.

Большинство современных методов анализа временных рядов нацелены на выявление краткосрочных корреляций между членами ряда. В таких случаях «шоки» – скачки уровней ряда – забываются достаточно быстро, а корреляции между смежными значениями убывают экспоненциально. Между тем в ряде работ продемонстрировано, что многие реальные временные ряды обладают свойством долговременной памяти или корреляции дальнего радиуса действия, когда скорость убывания автокорреляций соответствует не экспоненциальной, а степенн´ой функции [8]. Подобные временные ряды обычно демонстрируют свойства самоподобия. Наличие или отсутствие долговременной корреляции во временных рядах проявляется в разных свойствах условной дисперсии уровней ряда.

В этом эмпирическом анализе используются временные ряды данных новостной аналитики. Анализ новостей является относительно новым инструментом, предназначенным для повышения качества торговых стратегий инвесторов. Зная характеристики новостей в численных показателях, можно использовать их в математических и статистических

Введение

моделях [9], а также в автоматизированных торговых системах [10]. Для исследования таких данных предлагается использовать методы анализа социальных сетей и графовые модели систем (ГМС).

В последние годы эта тема становится все более актуальной и заметной, в частности были введены и успешно апробированы первые количественные модели. Их можно разделить на простые рейтинговые модели, где финансовые активы классифицируются в соответствии с их привлекательностью, и факторные модели, которые включают в себя новости как неявный фактор для прогнозирования доходности активов. Применение инвестиционных стратегий, использующих данные новостной аналитики, представляет большой интерес для регуляторов и других участников финансового рынка, которые могут использовать более широкую информацию (отчеты компаний, ново сти, прогнозы аналитиков и т. д.) в процессе принятия решений. Количественные характеристики настроений, извлеченные из новостей, могут быть включены в торговые модели и системы поддержки принятия решений.

Весьма актуальной является также разработка методов, алгоритмов и информационных систем совместной обработки новостных данных и информации, накапливаемой корпоративными информационными системами, органами государственной статистики, провайдерами финансовой информации и т. п. Нам представляется, что адекватные методы обработки подобных данных должны опираться на совместный анализ новостных и финансовых данных с применением теории графов.

В нашем исследовании предлагается использовать данные, которые предоставляют крупнейшие провайдеры новостной аналитики RavenPack и Thomson Reuters. Они являются достаточно типичными и могут быть использованы для разработки новых методов и алгоритмов обработки и анализа подобных данных.

В имеющейся литературе отсутствуют результаты анализа с етевой структуры новостных и финансовых потоков, исследование причинных взаимосвязей и корреляций между несколькими графами, построенными по таким данным. При этом за последние два десятилетия накоплен опыт применения сетевого анализа в социологии, физике, биологии и т. д. Сетевым анализом или анализом социальных сетей (SNA) принято называть набор используемых исследовательских процедур для выявления структур в системах, основанных на отношениях между системами компонентов (узлов), а не атрибутов отдельных объектов [11]. В качестве примеров применения методов SNA можно привести исследование структур отношений в организации [12, 13], социальных отноше-

Приложение методов фрактального анализа, теории графов

ний [14]. В работе [15] изучалась структура гиперссылок в Интернете. Оказалось, что некоторые узлы в сети являются центральными, в отличие от других, а в целом организация гиперссылок соответствует глобальной структуре с ядром. Замечено также, что законы распределения степеней вершин у сетей разной природы достаточно схожи [16–18].

Сведения, содержащиеся в данных новостной аналитики, легко преобразуются в сетевые данные, поскольку компания, к которой отно сится новость, может выступать узлом, а со-упоминание двух компаний в одной новости – как связь между ними. После построения сетевых структур, основанных на информации о совместном упоминании компаний, можно переходить к исследованию их свойств, например поиску центральных вершин, клик или кластеров, анализу законов распределения степеней вершин и др. Сопоставление отраслевой или региональной принадлежности компаний и положения соотвествующих вершин и ребер в графе позволяет оценить относительную значимость внутриотраслевых или внутрирегиональных и межотраслевых связей, найти центральные компании отрасли, сектора или региона. Такой подход представляется плодотворным, но публикации по данной проблематике отсутствуют.

Основная цель настоящего исследования состоит в изучении фрактальных свойств потоков новостной интенсивности, влияния новостного потока на динамику цен, разработке методов и алгоритмов совместного анализа новостных и финансовых данных с применением теории графовых моделей систем. В соответствии с указанной целью поставлены следующие задачи:

– разработать методы анализа совместной динамики финансовых по-

казателей и интенсивности новостного потока;

– исследовать статистические свойства потока финансовых новостей,

распространяемых в режиме реального времени крупнейшими про-

вайдерами финансовых данных и текстовых новостных сообщений;

– получить численные оценки таких характеристик интенсивности

потока финансовых новостей, как кластерность, долговременная па-

мять и фрактальность;

– разработать методы и алгоритмы совместного анализа новостных

и финансовых данных с применением теории графовых моделей

систем;

– исследовать характеристики рыночного графа и графа со-упомина-

ния компаний, а также динамику изменения структурных свойств

этих графов с течением времени;

Введение

– разработать процедуру обнаружения экономических и финансовых

событий.

Данная монография состоит из введения, трех глав, заключения и списка литературы. Введение является вспомогательной частью работы, дающей вводные знания, основную цель и задачи, а также мотивацию и актуальность исследования. Оно содержит краткий экскурс в историю проблемы анализа больших данных, а также обзор работ по анализу фрактальности во временных рядах и использованию методов анализа социальных сетей.

В первой главе рассматриваются разные методы анализа фрактальной структуры временных рядов. В ней представлено эмпирическое исследование по измерению долговременных корреляций во временных рядах интенсивности потока новостей с использованием разных методов. Проводится также исследование фрактальных характеристик во временных рядах настроений новостного потока.

Во второй главе приведены методы импорта и агрегирования данных, предоставляемых разными новостными информационными агентствами. Предложены подходы к построению матриц сходства и графов сетевых структур. Представлены результаты анализа структуры сложных систем, которые основаны на отношениях между их компонентами (узлами). C помощью использования разные типов метрик анализа социальных сетей (частота, центральность по степени, центральность по близости, центральность по посредничеству, центральность собственного вектора и т. д.) найдены ключевые компании в сети. Более того, показано, что распределение степеней и коэффициентов кластеризации для сети со-упоминания компаний подчиняется степенному закону, хотя и с нетипичными показателями степени. Представлены результаты исследования динамики изменения структурных свойств сети со-упоминания компаний со временем. Было установлено, что степенная структура графа совместного упоминания достаточно устойчива. Другим важным фактом является то, что максимальная клика увеличивается в условиях кризиса – возможно, это является результатом процессов глобализации мировой экономики. Оказалось, что в большинстве случаев компании, которые однажды вошли в состав клики, чаще всего остаются в ней в более поздние периоды.

В третьей главе предлагаются новые методы обнаружения событий на основе сети совместного упоминания компаний. Первый основан на использовании алгоритма для вычисления графа подобия данных в выбранных масштабах и одновременного обнаружения экономических

Приложение методов фрактального анализа, теории графов

и финансовых событий с помощью единого процесса кластеризации. Идея второго метода заключается в том, что важные новости должны привлекать больше внимания и приводить к увеличение интенсивности новостного потока, а изменение интенсивности со-упоминаний можно интерпретировать как сигнал или маркер неожиданных явлений, которые могут затронуть относительно узкий или широкий круг экономических субъектов. Предлагаемые подходы могут быть использованы при разработке алгоритмов локализации периодов времени и состава узлов частей динамического графа, обладающих нетипичными свойствами.

Работа выполнена при поддержке Минобрнауки России в рамках

государственного задания (проект №FSRR-2020-0006).

1 / 111 2 3 4 5 6 7 8 9 10 11 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]

Оглавление

Введение