- •1. Постановка и описание задачи прогнозирования тенденций финансовых рынков.
- •2. Причины, натолкнувшие на рассмотрение моделей детерминированного хаоса.
- •3. Основные положения теории хаоса.
- •3.1. Переход к хаосу через бифуркации.
- •3.2. Переход к хаосу через перемежаемость.
- •3.3. Понятие странного аттрактора.
- •3.4. Основные пути перехода к хаосу.
- •4. Описание функций, полученных в рамках теории детерминированного хаоса.
- •5. Результаты применения моделей, полученных в рамках теории детерминированного хаоса.
Яковлев В.Л., Яковлева Г.Л., Лисицкий Л.А.*
Московский Государственный Технический Университет им.Н.Э.Баумана,
* Саратовский Государственный Технический Университет
Создание математических моделей прогнозирования тенденций финансовых рынков, реализуемых при помощи нейросетевых алгоритмов.
Данная статья посвящена описанию применения моделей, полученных в рамках теории детерминированного хаоса, к прогнозированию тенденций финансовых рынков. Данные модели являются нелинейными функциями, и задача аппроксимации ими искомой зависимости прогнозируемой величины от некоторого набора критериев может быть успешно решена с помощью различных нейросетевых алгоритмов. |
Введение
В под финансовыми рынками в данной статье подразумеваются рынок купонных и бескупонных облигаций, рынок акций (фондовый рынок) и валютный рынок. На сегодняшний день это наиболее развитые в нашей стране рынки, на которых работают банки. Любой человек, хоть в слабой мере соприкасающийся с финансовыми рынками, пытается предугадать их поведение хотя бы на самое ближайшее время. Естественно предположить, что существуют некие математические модели, способные наилучшим образом хотя бы в течении некоторого ограниченного периода времени, описывать ситуацию на рынке. Некоторые предложения по созданию таких моделей описаны в этой статье. В качестве платформы для их создания использовалась теория детерминированного хаоса.
1. Постановка и описание задачи прогнозирования тенденций финансовых рынков.
Данный вопрос достаточно полно раскрыт нами в [8]. Но т.к. без общего описания задачи смысл статьи теряется, далее кратко описывается путь, приведший к проблеме создания математических моделей.
Интуитивно понятно, что любой прогноз должен основываться на выявлении некоторых закономерностей в прошлом и применении их к анализу настоящей ситуации. Поэтому необходимо перед началом проведения прогноза выявить какие критерии (это могут быть макро- и микроэкономические данные, торговые данные, оценки общественно-политических событий) оказывали влияние на прогнозируемую величину (возможными прогнозируемыми величинами для данной системы являются доходность и ценовые показатели), т.е. определить прогнозируемую величину и набор критериев прогноза. Хотя существуют методы, позволяющие установить насколько данный критерий влияет на прогнозируемую величину (например вычислить корреляцию), все-таки качество выбора критериев прогноза в основном зависит от опыта и интуиции аналитика. Финансовые рынки являются динамичной, развивающейся системой, поэтому критерий оказывающий влияние на некоторую прогнозируемую величину два месяца назад, совершенно не работает сегодня. Следовательно, нет смысла во-первых формировать большие выборки для проведения прогноза, во-вторых включать в число критериев те данные, которые не оказывали влияние на интересующую величину или не изменяли свое значение в течении периода формирования выборки. Т.о. по окончании данного подготовительного этапа имеются некоторые временные ряды прогнозируемой величины и критериев прогноза, а необходимо по имеющимся критериям на некоторый будущий момент времени определить значение прогнозируемой величины.
В нашей статье [8] проиллюстрировано, что в общем случае зависимость прогнозируемой величины от критериев для данной предметной области достаточно линейна, поэтому имеет смысл на первом этапе прогноза вычислить эту линейную составляющую. Т.е. вектор-столбец прогнозируемой величины Y можно представить как:
Y = Yлин+ Yнелин, (1)
где линейную составляющую можно представить как
Yлин= Xa`, (2)
где X - матрица критериев прогноза, X = ||xij||, (j = 1..., m), (i = 1..., n), где m - количество критериев, xij- значение j-го критерия на i-ый момент времени (n >= m), a` - параметры линейной функции. Линейная составляющая может быть вычислена методом наименьших квадратов либо путем прямого решения матричного уравнения
a` = (XTX)-1XTY, (3)
либо одним из методов безусловной минимизации.
Т.о. следующей задачей становится аппроксимация оставшейся нелинейной составляющей некоторой нелинейной функцией
Yнелин= Fнелин(X, a``) + Eпогрешность, (4)
где a`` - искомые параметры нелинейной функции.
Не трудно заметить, что качество аппроксимации нелинейной составляющей зависит от качества нахождения параметров a`` и способности Fнелинаппроксимировать данную зависимость. В данной статье не рассматривается задача нахождения параметров нелинейной функции (она слегка затрагивалась в [8]), далее статья будет посвящена проблеме построения моделей, представляющих нелинейную функцию.
В системе "Аналитик" нами реализовано два пути формирования аппроксимирующей нелинейной функции: построение нейронной сети, где нелинейными преобразователями реализуются некоторые непрерывные, везде дифференцируемые, ограниченные функции (например, сигмоидные или одна из функций, представленная в [8]) и построение нейронной сети, реализующую некоторую модель, созданную в рамках теории детерминированного хаоса. Т.о. предоставляется возможность сравнить результаты работы полученных моделей с аналогичными по сложности моделями, построенными на основе традиционно применяющихся в нелинейных преобразователях функциях.
Функции, традиционно применяющиеся в нелинейных преобразователях, считаются достаточно хорошими для аппроксимации фактически любой нелинейной зависимости. Так исследования, приведенные в [6], показали, что функция
yt=1/(1+EXP(1/[1+EXP(- a``1*yt-1))]+1/[1+EXP(-(a``2*yt-1))])) (5)
(т.е. нейронная сеть 1-2-1 с сигмоидным нелинейным преобразователем) реализует функцию
yt=1-c1yt-1+c2yt-12 (6)
с точностью не ниже 5%. Указанная функция (6) получена при изучении некоторых хаотических систем, данное исследование показывает, что два пути решения задачи взаимозаменяемы, встает только вопрос о разнице в погрешностях.