
- •Разработка моделей, алгоритмов и программных средств для повышения качества прогнозов биржевых показателей
- •Анализ существующих средств прогнозирования экономических показателей бирж
- •Модели и алгоритмы оценки стоимости ценных бумаг и управления инвестиционными активами
- •Роль рынка ценных бумаг в финансовой системе страны
- •Фундаментальный анализ
- •Показатели, используемые для фундаментального анализа акций
- •Технический анализ
- •Теории функционирования рынка ценных бумаг
- •Теория эффективного рынка
- •Теория случайных блужданий
- •Теория хаоса
- •Теория адаптивного рынка
- •Методы и модели для прогнозирования экономических показателей
- •Математическо-статистические методы
- •Поведенческие модели
- •Мультиагентные системы
- •Разработки, использующие мультиагентный подход для прогнозирования экономических показателей
- •Модель «SantaFe» и её вариации
- •Модель «Genoa Artificial Stock Market»
- •Библиотека «MoTor» и система «Имитрейд»
- •Платформа «ArTificial Open Market»
- •Комплекс «Altreva adaptive modeler»
- •Требования к функциональности проектируемого программного комплекса
- •Разработка архитектуры виртуального рынка ценных бумаг и системы поддержки принятия решений
- •Математическая модель виртуального рынка
- •Виртуальный мир и виртуальные агенты
- •Классификаторы
- •Новостная среда
- •Роли и стратегии
- •Активы агентов
- •Компании
- •Трейдеры
- •Стратегии трейдеров
- •Ордера и транзакции
- •Система обработки ордеров
- •Движение денежных средств при совершении транзакций
- •Расчёт статистических характеристик рынка ценных бумаг
- •Математическая формулировка задачи исследования
- •Архитектура программного комплекса
- •Выбор платформы для мультиагентной системы
- •Взаимосвязь приложения, пакетов и компонентов
- •Виртуальный мир
- •Стандартные классы системы
- •Планы и стратегии
- •Запросы и транзакции
- •Механизм формирования цен
- •Архитектура системы поддержки принятия решений
- •Общая схема архитектуры
- •Подключаемые модули
- •Алгоритм работы
- •Анализ работы системы
- •Описание работы программного комплекса
- •Функциональность
- •Редакторы
- •Организация экспериментов
- •Оценка степени соответствия виртуального рынка реальному
- •Соблюдение пропорций
- •Активность трейдеров на бирже ммвб в 2007-2010 годах
- •Наличие трендов и фигур
- •Сходство статистических характеристик изменения цен и объёма торгов
- •2. Критерий Колмогорова
- •3. Критерий Романовского
- •4. Критерий Ястремского
- •Критерии согласия двух теоретических распределений с распределением приращения максимальной цены за день для акции компании «Юкос» за период с 25.05.2005 по 19.09.2006
- •Критерии согласия двух теоретических распределений с распределением данных реального рынка по результатам 20 независимых экспериментов
- •Критерий согласия распределения Коши и объёма торгов за первые 116 дней торгов на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp»
- •Критерий согласия распределения Коши и максимальной дневной цены по первой акции на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp» за 165 дней торгов
- •Критерии согласия распределения Коши с распределением данных на виртуальном рынке по результатам 20 независимых экспериментов
- •Фрактальность рыночных процессов
- •Расчёт показателя Хёрста для различных временных рядов
- •Реакция рынка на действия отдельных агентов
- •Эксперименты, проведенные над виртуальным рынком
- •Зависимость размера спрэда от склонности к риску трейдеров
- •Влияние фундаментальных трейдеров на динамику котировок акций
- •Влияние новостного фона на котировки ценных бумаг при различном составе участников рынка
- •Практическое применение программного комплекса в качестве системы поддержки принятия решений
- •Математические критерии оценки качества прогнозов
- •Анализ работы системы поддержки принятия решений
- •Результаты сравнения краткосрочных прогнозов экспертов и системы поддержки принятия решений «fimas»
- •Результаты сравнения среднесрочных прогнозов экспертов и системы поддержки принятия решений «fimas»
- •Технико-экономическое обоснование
- •Преимущества и недостатки программного комплекса, выявленные в процессе эксплуатации
- •Другие перспективы практического применения
- •Перспективы для дальнейших исследований и разработок
- •Заключение
- •Литература
- •Приложения
- •Акт о внедрении результатов диссертационного исследования в ооо «Таулинк»
- •Акт о внедрении результатов диссертационного исследования в тк «Фотон»
- •Краткая информация о проекте «fimas»
- •Подробная схема связи компонентов и пакетов в системе
- •Алгоритм работы ролей трейдера и брокера
- •Алгоритм обработки текущих ордеров фундаментальным трейдером
- •Критерии согласия двух теоретических распределений (Гауса, Коши) с распределением приращения максимальной цены за день для акции компании «Юкос» за период с 25.05.2005 по 19.09.2006
- •Сравнение распределений Коши с распределением объёма торгов по первой акции на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp» за 116 дней торгов
- •Критерии согласия распределения Коши с распределением объёма торгов по первой акции на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp» за 116 дней торгов
- •Сравнение распределений Коши с распределением максимальной дневной цены по первой акции на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp» за 165 дней торгов
- •Критерии согласия распределения Коши с распределением максимальной дневной цены по первой акции на виртуальном рынке в сценарии «FundamentalTradersExperiment.Fmp» за 165 дней торгов
- •Статистические данные по биржам
- •Структура трейдеров в модели fimas и на реальных биржах
- •Новости и спрэд акций в сценарии «NewsGenerator.Fmp» при преобладании новостных трейдеров
Новостная среда
Виртуальный
мир развивается под влиянием новостей
(от словаnews). Новость –
это событие, которое произошло в
определённый момент времени внутри
модели или во внешнем мире. Новости
могут генерироваться как участниками
этого мира (
),
так и поступать из внешней среды (
).
Каждую итерацию может генерироваться
различное количество новостей. Пусть
вi-ую итерацию у нас
произошло
новостей типа
и
новостей типа
.
Тогда новостной фон
для итерации
может быть рассчитан как
|
(2.7) |
Новости имеют
сложную природу. Каждая новость
характиризуется силой
и временем возникновения
.
Она связана с совокупностью агентов
cкоэффициентами
,
где
– количество связей этой новости с
конкретными агентами. Также новость
связана с совокупностью классификаторов
cкоэффициентами
,
где
– количество связей этой новости с
конкретными классификаторами.
Таким образом, каждая новость через классификаторы может быть связана со многими субъектами, на каждый из которых она влияет с разной силой.
Пусть
– компания-эмитент акций. Она связана
с совокупностью классификаторов
cкоэффициентами
,
где
– количество таких связей (см. пункт
проклассификаторы).
Соответственно,
влияние новости
на компанию
рассчитывается по формуле:
|
(2.8) |
где – прямое влияние новости на компанию;
– влияние новости на компанию через
классификаторы.
Параметры
и
рассчитываются как:
|
(2.9) |
|
(2.10) |
где
– количество совпадающих классификаторов
у новости
и компании
.
По такому
алгоритму рассчитывается влияние
новости
на компанию
.
Пример расчёта влияния одной новости
на компанию представлен на рисунке 2.12.
Каждый агент
может по-разному интерпретировать
поступающие новости. Например, он может
не учитывать некоторые классификаторы,
или преувеличивать роль других
классификаторов, и его формула
будет выглядеть несколько по-другому.
Некоторые агенты могут вообще не следить
за новостями и оперировать только
техническими индикаторами. Однако мои
эксперименты показали, что наиболее
адекватные результаты получаются тогда,
когда агенты учитывают эффект аккумуляции
и затухания новостей.
Рис.
2.12.
Пример расчёта влияния новости на
компанию
Допустим, за
период
произошло
внешних событий. В каждый момент
они влияли на компанию
с силой
.
Тогда, новостной фон в момент
за период
может быть рассчитан по формуле
|
(2.11) |
В этой формуле
предполагается, что новости затухают
с линейной скоростью от
до 0. В следующей формуле используется
эффект экспоненциального затухания
новостей.
|
(2.12) |
где – скорость затухания новости;
– время, необходимое для полного
затухания новости.
В рамках исследования считалось, что все новости затухают с одной и той же скорость. Были проведены эксперименты с различным временем затухания новостей: от 0.1 дня до 2 недель. Близким к оптимальному значению оказался параметр в 1 неделю. В реальном мире, если новость очень важная, то на протяжении достаточно длительного срока новостные агентства вслед за ней выпускают серии других новостей на эту же тематику. Эти новые новости вносят существенный вклад в общий новостной фон, помогая поддерживать его на адекватном уровне, в то время как первоначальная новость постепенно затухает.
В других пунктах этой главы более подробно рассказывается о том, как совокупность новостных событий влияет на экономическую деятельность компаний, и как анализ новостного фона позволяет трейдерам прогнозировать изменение котировок акций этих компаний.