
- •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
Виртуальный мир
Существующие мультиагентные модели рынка ценных бумаг прошли путь от простого переноса математических моделей до создания собственных объектно-ориентированных систем с множеством внутренних связей. Например, модель GASM состоит из 18 основных классов и нескольких вспомогательных структур, взаимосвязь которых легко можно изобразить на одном рисунке (Рис. 2.14). Однако моё исследование показало, что даже этого недостаточно, чтобы адекватно смоделировать сложную внутреннюю структуру рынка ценных бумаг и его взаимосвязь с внешней средой. В моей реализации около 150 классов, и 15 диаграмм, изображающих взаимосвязи между ними.
Рис. 2.15. UML диаграмма основных классов виртуального мира
В отличие от большинства моделей подобного класса, в данной системе центральным объектом является не рынок, а мир. Он управляет течением времени, общими настройками, классификаторами, новостями; также его населяют некие абстрактные участники.Участник мира– это экономический субъект, например, человек или компания. Рынок является одним из участников мира, так что вполне возможно использовать несколько конкурирующих рынков в рамках одного эксперимента.
На рисункеРис. 2.15 показаны связи классов внутри модуля FMSWorld. Главным классом на этой диаграмме является мир (TFMSWorld), остальные классы представляют характеристики мира, классификаторы, время.
Рис. 2.16. Блок-схема алгоритма основного цикла работы
системы – процедуры TFMSWorld.Step()
Мир (TFMSWorld) управляет временем, общими настройками, классификаторами, новостями. Время течёт дискретно с заданной периодичностью. При каждом шаге мир посылает сигналы всем объектам и участникам (Рис. 2.16). Как с этим временем распоряжаться – решают сами участники. Так как периодичность обычно очень маленькая (обычно от одной секунды до одной минуты, в отличие от других моделей рынка, которые обновляют рынок раз в день), то создаётся эффект непрерывного течения времени.
Время (TFMSWorldTime) – класс, созданный специально для управления временем и для кэширования наиболее часто запрашиваемых участниками мира параметров времени.
Участник рынка (TFMSParticipant) – это экономический субъект, например, человек или компания.
Объект мира (TFMSUpdateAble) – это нечто более общее, чем TFMSParticipant. Это любой объект, требующий периодическое обновление, например объект, рассчитывающий статистику по акциям, используя технический анализ, которым могут совместно пользоваться сразу все трейдеры.
Классификатор (TFMSClassificator) – нужен для того, чтобы различных участников рынка поделить на группы. Для каждой группы можно генерировать свои новости, таким образом, легко симулировать и анализировать подъемы и спады и на рынках.
Новости могут генерироваться как предприятиями в процессе своей экономической деятельности, так и быть внешними по отношению к участникам. Внешние новости (например, цены на нефть или индекс безработицы) могут влиять на экономическую деятельность предприятий. Все новости могут по-разному оцениваться различными агентами. Агенты могут ориентироваться только на внутренние новости, только на внешние, на оба типа, или избирательно. Агенты точно не знают, как новости повлияют котировки ценных бумаг компаний, но они могут строить предположения на этот счёт, руководствуясь своей стратегией принятия решений.
Роль (TFMSParticipantRole) – это класс, похожий по предназначению на участника рынка. Отличие заключается в том, что один и тот же участник может играть сразу несколько ролей в экономической системе. Например, трейдер может быть юридическим лицом, занимающимся индивидуальным предпринимательством, и одновременно он может заниматься спекуляцией на рынке ценных бумаг. Биржа не только занимается совершением сделок между трейдерами, но также является компанией, заинтересованной в максимизации прибыли. Стоит отметить, что во всех экспериментах считается, что у каждого участника только одна роль, возможность добавлять другие роли может понадобиться в будущем при моделировании процессов производства и потребления благ.