
- •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
Роли и стратегии
Агенты могут
играть различные роли
в виртуальном мире. Агент, по сути, сам
не умеет ничего; его поведение определяют
ролей, которые он играет:
.
Например, агент
может быть одновременно биржей
и компанией
,
т.е.
.
Среди других ролей можно выделить роль
трейдера
и роль брокера
(
).
Также, агенты
могут использовать различные стратегии
для принятия решений. Пусть у нас есть
произвольный агент
,
который играет только одну роль
.
В рамках каждой роли агент может
использовать несколько стратегий
,
но в каждый момент времени
активна только одна стратегия
.
Пусть роль
– роль трейдера, т.е.
,
и агент использует только одну
фундаментальную стратегию принятия
решений
.
Таких трейдеров в дальнейшем буду
называть фундаментальными:
|
(2.13) |
По этому же принципу выделяют трейдеров-новичков и маркет-мейкеров:
|
(2.14) |
Активы агентов
– совокупность агентов, населяющих мир
.
У каждогоi-го агента
есть определённый объём активов
и пассивов
.
|
(2.15) |
Где
и
– количество различных типов активов
и пассивов у
-го агента
.
Разность между рыночной стоимостью
этих активов считается чистой стоимостью
активов:
.
Для каждого типа агента свой набор
активов и пассивов. Допустим,i-ый
агент – трейдер:
|
(2.16) |
Тогда его активы будут делиться на три подтипа, а пассивов он не будет иметь вообще:
|
(2.17) |
где –
личные высоколиквидные денежные
средства,
–
средства трейдера на счету у брокера,
–
совокупность акции трейдера,
–
совокупность акций и денежных средств,
зарезервированных брокером для совершения
сделок продажи или покупки акций.
Допустим, i-ый агент – компания:
|
(2.18) |
В рамках модели рынка ценных бумаг все активы компании дробятся на краткосрочные и долгосрочные. Однако в дочерних классах активы компании могут иметь более сложную внутреннюю структуру.
|
(2.19) |
где –
капитальные активы компании;
–
оборотные средства компании;
–
долгосрочные долги компании;
–
краткосрочные долги компании.
Допустим, i-ый агент – брокер:
|
(2.20) |
В этом случае его активы и пассивы будут состоять из следующих элементов:
|
(2.21) |
где –
личные высоколиквидные денежные средства
брокеров;
–
средства брокера на счету у биржи;
–
акции брокера на счету биржи;
–
совокупность акций и денежных средств
брокера, зарезервированных биржей для
совершения сделок продажи или покупки
акций;
–
средства трейдера на счету у брокера;
–
акции трейдера на счету брокера;
–
совокупность акций и денежных средств
трейдеров, зарезервированных брокером
для совершения сделок продажи или
покупки акций.
Допустим, i-ый агент – биржа:
|
(2.22) |
В этом случае его активы и пассивы будут состоять из следующих элементов:
|
(2.23) |
где – личные высоколиквидные денежные
средства биржи;
– совокупность акций и денежных средств
брокера, зарезервированных биржей для
совершения сделок продажи или покупки
акций,
– средства брокера на счету у биржи;
– акции брокера на счету биржи.
Компании
Компании – это агенты, субъекты виртуального мира, ведущие экономическую деятельность и выпускающие ценные бумаги.
Симуляция экономической деятельности происходит путём периодического (раз в час виртуального времени) изменения активов компании (структура активов описана в другом пункте этой главы). Используется следующий набор формул:
|
(2.24) |
где – капитальные активы компании;
– оборотные средства компании;
– долгосрочные долги компании;
– краткосрочные долги компании;
– среднее число дней в году (365.25)
;
– количество часов в дне (24)
;
– коофицент связи долгосрочных и
краткосрочных событий;
– коофицент разброса (0 – нет разброса,
0.1 – разброс до
;
– коофицент роста (0 – нет роста, 0.2 –
рост в пределах
;
– функция генерации псевдослучайного
числа по следующему алгоритму:
function AdvancedRandomEx(const AInputValue: Double; const ARandomness: Double; const AGrowth: Double; const ADivider: Double): Double; begin Result := AInputValue + AdvancedRandom(ARandomness, AGrowth) / ADivider * Abs(AInputValue); end;
function AdvancedRandom(const ARandomness: Double; const AGrowth: Double): Double; begin Result := (Random() * 2 * ARandomness – ARandomness) + (Random() * AGrowth); end; |
В этом листинге «Random()» – стандартная функция для вычисления случайной величины в диапазоне [0, 1) с равномерным распределением.
Можно отключить автоматическую генерацию экономической статистики, например, если нужно, чтобы она генерировалась только из внешних новостей.
Компании
могут по-разному обрабатывать влияние
новостного фона
на свою экономическую деятельность.
Сейчас для расчётов используются три
режима:
Игнорирование внешних новостей.
Генерация новостей по итогам симуляции экономической деятельности.
Симуляция экономической деятельности на основе новостных данных.
Рассмотрим два последних режима. При генерации новостей по итогам симуляции экономической деятельностииспользуется следующая формула для расчёта силы новости:
|
(2.25) |
где – оборотные активы компании на начало
часа;
– оборотные е активы компании на конец
часа;
– капитальные средства компании на
начало часа;
– капитальные средства компании на
конец часа;
– долгосрочные долги компании на начало
часа;
– долгосрочные долги компании на конец
часа;
– краткосрочные долги компании на
начало часа;
– краткосрочные долги компании на конец
часа;
– среднее число дней в году (365.25)
;
– количество часов в дне (24)
;
– коофицент связи долгосрочных и
краткосрочных событий.
В начале
каждого часа параметры компании
записываются в переменные с индексом
.
В конце часа все параметры компании
записываются в переменные с индексом
.
После чего вычисляется сила новости по
приведённой выше формуле. Она соответствует
среднегодовому приросту капитала
компании. Данная новость добавляется
к общим новостям; таким образом у
новостных трейдеров есть механизм
получения более-менее объективной
фундаментальной информации о компании.
При симуляции
экономической деятельности на основе
новостных данных ежечасно вычисляется
новостной фондля этой компании по приведённым ранее
формулам. Считается, что сила новостного
фона соответствует среднегодовому
приросту капитала компании. После этого
случайным образом вычисляется параметр,
на который должна повлиять эта новость.
Для этого используется
– стандартная функция для
вычисления случайной величины в диапазоне
с равномерным распределением, где
– число элементов для выбора (в данном
случае 4). Этот параметр изменяется в
соответствие с этой из следующих формул:
|
(2.26) |
где – капитальные активы компании;
– оборотные средства компании;
– долгосрочные долги компании;
– краткосрочные долги компании;
– среднее число дней в году (365.25)
;
– количество часов в дне (24)
;
– коофицент связи долгосрочных и
краткосрочных событий;
–
коофицент восприимчивости компании к
новостям.