Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий тема диссертации по экономике, полный текст автореферата

Автореферат диссертации по теме "Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий"

государственный университет управления

на правах рукописи

зайченко дмитрий николаевич

р Го и А

2 Ь НОН ?ППП

правление портфелем ценных бумаг коммерческого банка С использованием нейронных компьютерных технологий.

Специальность 08.00.13 - Экономико-математические методы

автореферат

диссертации на соискание ученой степени кандидата экономических наук

Москва - 2000 г. П

Работа выполнена на кафедре Документоведения и документационно обеспечения управления Государственного университета управления (ГУ г.Москва)

Научный руководитель: кандидат экономических наук, доцент

Ксандопуло Г.Н.

Официальные оппоненты: доктор экономических наук, профессор

Капитоненко В.В.;

кандидат экономических наук, доцент Барсова Т.Н.

Ведущая организация: АК Промышленно-торговый банк

Защита диссертации состоится "21" июня 2000г. в /У ч. на заседай Диссертационного совета К 053.21.07 в Государственном университет управления по адресу: 109542, Москва, Рязанский проспект 99, зал заседай? ученого совета.

С диссертацией можно ознакомиться в библиотеке Государственно: университета управления.

Автореферат разослан с^^уЯ3 2000г.

Ученый секретарь Диссертационного совета, кандидат экономических наук, доцент ¿¿¿о. С- Абрамова Л.Д.

у

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Большинство задач управления, юзникающих перед финансовыми менеджерами верхнего уровня, и, в первую )чередь, проблемы принятия эффективных инвестиционных решений на фондовых, товарных и финансовых рынках, являются по самой своей природе 1лохо структурированными и, как следствие, не приспособленными для >ешения стандартными методами. Одной из основных таких проблем является адача повышения эффективности управления портфелем ценных бумаг. Это германентная проблемная задача любого коммерческого банка, работающего т рынке ценных бумаг. В процессе решения этой задачи менеджеры ¡ынуждены учитывать большое количество противоречивых и неоднозначных 1анных, важность которых невозможно оценить объективно. Во всех подобных :итуациях принимаемые решения носят весьма субъективный характер и не логут быть корректно объяснены.

Необходимость финансового анализа в коммерческих банках сегодня не (ызывает сомнений. Но финансовые рынки в России еще не завершили своего |юрмирования, и аналитикам приходится работать в условиях, когда :обственный опыт не всегда помогает. Большинство универсальных методик, >собенно зарубежных, нуждается в адаптации к российским условиям и к требованиям конкретного банка. Отечественные производители программного >беспечения в большей степени нацелены на автоматизацию бухгалтерского /чета и операционной работы в банке. При этом простейшие подсистемы шализа являются желательным, но необязательным придатком.

Российские банки в настоящее время работают в условиях нестабильной шешней среды, и построение даже краткосрочных прогнозов затруднено. 1оэтому одним из путей дальнейшего совершенствования финансового шализа и прогнозирования является использование инструментов, тозволяющих строить прогнозы на основе большого количества разнообразных входных данных.

С развитием новых теоретических подходов для создания адекватно модели поведения рынка, в Европе и США происходило активное внедрени новых интеллектуальных компьютерных технологий в практику приняти финансовых и инвестиционных решений: вначале в виде экспертных систем баз знаний, а затем с конца 80-х - нейросетевых технологий.

На российском финансовом рынке нейросетевые компьютерны технологии появились всего несколько лет назад. Изучение литературы за это период показало, что ни в одном из источников не содержится подробног описания (с указанием достигнутых результатов) эффективного применени нейросетевых компьютерных технологий для управления портфелем ценны бумаг на российском рынке. Все публикации (подавляющее большинство и них - в периодической печати) сводятся к описанию возможностей нейронны сетей и их потенциальных преимуществ перед другими компьютерным технологиями. Причем все выводы в эти работах сделаны на основ результатов применения нейросетей на западных рынках. Большинство рабо являются рекламными материалами фирм, продающих в России нейронны сети.

Все это определило тему настоящего исследования, в центре которог находятся проблемы совершенствования управления портфелем ценных бума коммерческого банка с помощью нейросетевых компьютерных технологий.

Цель и задачи исследования. Целью исследования является разработк методики управления портфелем ценных бумаг на базе нейронны компьютерных технологий.

В соответствии с поставленной целью в работе решаются следующи

задачи:

» Исследование проблемы современного российского рынка ценных бумаг роли операций с ценными бумагами в активных операциях коммерчески банков в России.

> Проведение сравнительного анализа существующих технологий управления юртфелем ценных бумаг коммерческого банка.

> Выявление проблем, возникающих при управлении портфелем ценных бумаг :оммерческого банка.

1 Изучение проблемы прогнозирования на рынке ценных бумаг. 1 Классификация технологий интеллектуального анализа данных в бизнесе и финансах.

■ Проведение анализа существующих нейросетевых компьютерных щформационных технологий в финансовой сфере, возможности их фименения на российском рынке ценных бумаг.

1 Разработка методики создания на базе нейронных компьютерных технологий грогнозирующей системы для управления портфелем ценных бумаг.

■ Формирование критериев выбора программного обеспечения для создания фогнозирующей системы с использованием нейросетевых компьютерных ехнологий для управления портфелем ценных бумаг.

■ Создание и внедрение системы прогнозирования для управления портфелем 1енных бумаг коммерческого банка.

» Проведение оценки эффективности созданной системы прогнозирования для 'правления портфелем ценных бумаг коммерческого банка.

Объект и предмет исследования. Объектом исследования является эынок ценных бумаг Российской федерации. Предметом исследования ¡ыступает задача управления портфелем ценных бумаг коммерческого банка.

Метод исследования. Для проведения научного исследования «пользовались как методы эмпирического исследования, такие как сравнение, жсперимент, так и методы научного исследования: анализ, синтез, лоделирование, метод статистического анализа, метод экспертных оценок, {роме того, работа опирается на новейшие разработки в области «пользования нейросетевых компьютерных технологий на финансовых

рынках. Особое внимание уделено опыту применения нейросетевы; компьютерных технологий на западных финансовых рынках.

Научная новизна исследования состоит в достижении следующи: результатов:

• классифицированы существующие интеллектуальные компьютерны технологии, используемые на финансовых рынках;

• определена возможность использования нейронных компьютерны: технологий для управления портфелем ценных бумаг на российском рынке;

• разработана методика создания прогнозирующей системы с использованиер нейросетевых компьютерных технологий для управления портфелем ценны: бумаг коммерческого банка;

• сформированы критерии выбора программного обеспечения для создани: прогнозирующей системы с использованием нейросетевых компьютерны: технологий для управления портфелем ценных бумаг.

Практическая ценность. Практическая ценность работы заключается 1 том, что созданная система управления портфелем ценных бумаг может быт использована в реальной практике как инструмент выработки решений пр| управлении портфелем ценных бумаг коммерческого банка, а так же любог< другого участника рынка ценных бумаг.

Управление портфелем ценных бумаг с использованием создан но] системы позволяет существенно увеличить эффективность управлени: портфелем по сравнению со среднерыночными показателями.

Реализация и апробация работы. Разработанная система управлени портфелем ценных бумаг внедрена и используется в практическо] деятельности в фондовом отделе закрытого акционерного обществ

Иромышленно-торговЫЙ банк.---

По теме диссертации опубликовано три научных работы.

Объем работы. Диссертация состоит из введения, трех глав, заключения, :писка литературы (76 наименований). Основное содержание работы изложено ш //^страницах машинописного текста, содержит 15 рисунков, 10 таблиц.

СОДЕРЖАНИЕ РАБОТЫ Во введении дано обоснование актуальности рассматриваемой дроблемы, сформулированы цель, задачи, объект и предмет исследования, тредставлены результаты исследования, определена научная новизна и фактическая значимость работы.

В первой главе "Проблема управления портфелем ценных бумаг и шализ методов ее решения" определен объект исследования - рынок ценных 5умаг, описана его структура, проведен анализ российского рынка ценных эумаг и выявлены его особенности, показана особая роль облигаций при формировании российскими банками портфелей ценных бумаг. Также дан шализ проблемы прогнозирования на рынке ценных бумаг и исследованы :уществующие методы управления портфелем ценных бумаг.

Середина 90-х гг. ознаменовалась в России бурным распространением ювых типов финансовых инструментов, выраженных в форме различных денных бумаг, таких как государственные долговые обязательства, акции и долговые бумаги корпоративного сектора экономики, банковские векселя, депозитные и сберегательные сертификаты.

Цели, которые ставят банки, оперируя с ценными бумагами, напрямую зытекают из их природы и особенностей как участников финансового рынка. Злагодаря таким характеристикам, как стандартность и серийность, ценные зумаги могут интенсивно обращаться на финансовых рынках и вследствие пою во многих случаях становятся более привлекательными финансовыми шструментами для коммерческих банков, чем традиционные ссуды и депозиты. Важнейшей классической функцией банковских операций с

ценными бумагами является получение доходов от операций с ценным! бумагами.

Игнорирование проблем управления портфелем ценных бумаг банка I отсутствие системы, позволяющей такое управление поддерживать, приводят I ухудшению качества управления, что в конечном счете отрицательнс сказывается на финансовых результатах работы банка.

Поскольку среди сегментов рынка ценных бумаг России исключительное место занимает рынок облигаций, оптимально сочетающий доходность ликвидность и рискованность, именно там получила активное развита« деятельность банков по управлению денежными средствами.

В главе на основе проведенного анализа основных видов ценных бума] приведена шкала изменения их инвестиционных качеств.

Облигации, Облигации, не Привилегированн Простые Опционы,

обеспеченные обеспеченные ые акции акции фьючерсь

залогом залогом

Таблица 1 Шкала инвестиционных качеств ценных бумаг

Слева направо в Таблице 1 наблюдается понижение гарантированное™ выплат, а также повышение рисков и доходности. В портфели банко! включаются как государственные, так и набирающие все большук популярность корпоративные облигации, а также облигации Банка России.

Основными этапами при работе с портфелем ценных бумаг являются определение инвестиционного периода, определение приоритетных выпуско! облигаций, формирование портфеля, управление портфелем.

Эффективное управление портфелем ценных бумаг возможно только пр! получении качественного прогноза конъюнктуры рынка. Ведь практически большая часть решений в процессе управления портфелем ценных бума1

правило, достаточно иметь адекватный прогноз динамики рынка на срок от нескольких дней до нескольких недель. На таком интервале проще вывести равнодействующую большого числа влияющих факторов. На этом этапе к

«следованию подключаются различные математические методы и 1рограммные продукты.

Однако само прогнозирование на рынке ценных бумаг долгое время ¡читалось (и многими учеными считается до сих пор) в принципе «возможным.

К середине 60-х годов преобладающей стала гипотеза эффективного зынка -точка зрения, в соответствии с которой рынок лишен заметных по цштельности неэффективностей - скрытых закономерностей, использование соторых позволяет получить систематическую прибыль. Согласно теории эффектипного рынка вся доступная участникам рынка информация отражена в зыночных ценах. Изменения в ценах не влияют друг на друга за исключением зыть может очень коротких и быстро заканчивающихся временных штервалов, в которых можно обнаружить ценовые корреляции.

Данная концепция продолжала длительное время оставаться доминирующей в инвестиционной теории, хотя количество противоречащих примеров постоянно росло (они приведены в первой главе диссертации). Например, в работах Ьагпап М., посвященных описанию нелинейных моделей процентных ставок для облигаций выведено уравнение, которое описывает зависимость величины процентной ставки г(Х) от прошлого. Оно содержит два члена, один из которых нелинейный вида:

г(Ч)=а-Ь*г(1-1 )+с*г20-1), где а,Ь,с - константы. (1)

Таким образом, в рассматриваемое уравнение включены факторы, учитывающие реальную зависимость будущего поведения рынка от прошлого, это противоречит гипотезе эффективного рынка.

Поэтому можно предположить, что связи между поступающей информацией и последующими изменениями цен не такие уж неопределенные, как это принято считать, и доля случайности в изменениях цен преувеличена. Эти выводы открывают возможность для (хотя бы частичного) предсказания будущих изменений цены.

В настоящее время для прогнозирования на фондовом рынке и активногс управления портфелем ценных бумаг на базе полученных прогнозо! используются технологии фундаментального анализа, технического анализа статистические методы (корреляционно-регрессионный анализ), экспертные системы а также нейронные сети.

Фундаментальный анализ носит долгосрочный характер и дл? правильного определения краткосрочной ценовой динамики непригоден.

Технический анализ - это комбинация нескольких различных подходов у областей специализации, которые, сочетаясь, образуют единую техническук теорию. Этот вид анализа заключается в исследовании ценовой динамик рынка с помощью анализа закономерностей изменения трех рыночны> факторов: цены, объема и в случае если изучается рынок срочных контрактов • объема открытых позиций. Причем, первичными считаются цены, а изменени; остальных факторов изучаются для подтверждения правильности направлены; движения цен.

Современный технический анализ включает в себя большое количество прикладных методов анализа ценовой динамики: графический анализ (Char analysis) - анализ различных рыночных моделей образующихся на графиках построение различных индикаторов технического анализа основанных н< статистическом анализе динамики; волновую теорию Эллиота. Основные постулаты этой теории утверждают что ценовая динамика любого рынкг развивается волнообразно и существуют определенные закономерности i образовании рыночных волн.

Решение задачи прогнозирования на рынке облигаций с помощью толькс технического анализа связано со следующими сложностями. Эффективно( применение технического анализа в значительной степени зависит от квалификации и опыта трейдера; технический анализ на рынке облигацш оперирует всего двумя исходными параметрами: ценой облигации и объемол сделок. Очевидно, что на ценовые колебания оказывает влияние горазде

большее число факторов, и прогноз, построенный на основе только двух из них не будет приемлемо точным. •

Статистический анализ широко применяется для анализа временных рядов. Однако к недостаткам систем этого класса можно отнести: невозможность эффективного применения без глубоких знаний в области статистики, высокую стоимость статистических программ. Отметим также, что статистические методы хорошо развиты только для одномерных случайных величин. Помимо этого, работа со статистическими пакетами очень трудоемка.

При применении экспертных систем к обучающей выборке данных создается иерархическая структура классифицирующих правил типа "ЕСЛИ... ТО...". Этот метод хорош тем, что такое представление правил наглядно и его легко понять. Экспертные системы, основанные на базах знаний и логических правилах, требуют для создания довольно большого времени и средств. При этом возникают сразу несколько серьезных проблем.

Первая из них состоит в том, что при решении сложных реальных задач число логических правил значительно увеличивается. Часто возникает настолько сложная система взаимосвязей между ними, что ее просто не удается осмыслить.

Вторая, еще более серьезная проблема состоит в том, что далеко не всегда удается выразить вычислительный процесс логическими правилами. Это может быть связано как со сложностью самой задачи, так и с особенностями

деятельности предметного специалиста. Особенно ярко это проявляется при

*

торговле ценными бумагами, где процесс принятия решения во многом опирается на интуицию и опыт трейдера, не являющегося экспертом в области собственного мышления. Во всех этих случаях говорят, что задача не поддается алгоритмированию. Кроме того, даже если создателям удается разработать алгоритм, никогда нет достаточной гарантии, что он будет корректно работать в реальных условиях, а это можно проверить только после окончания всех работ по созданию системы.

И пожалуй главный недостаток экспертных систем в том, что данный метод пригоден только для решения задач классификации, и поэтому весьма ограниченно применяется в области финансов и бизнеса, где чаще встречаются задачи численного прогноза.

Из-за описанных выше недостатков традиционных методик для решения поставленной задачи необходимо применение аналитических систем нового типа. Одним из путей дальнейшего совершенствования финансового анализа и прогнозирования является использование инструментов, позволяющих строить модели на основе большого количества разнообразных входных данных. В их основе - технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга. Наиболее проверенными из этих технологий являются нейронные сети (НС).

Во второй главе "Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг" исследовано применение нейронных технологий на финансовых рынках, формулируются проблемы применения НС в России, рассмотрена структура НС, содержится описание разработанной методики создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг.

НС - мощный и сравнительно новый вид программных и аппаратных продуктов, используемых для прогнозирования, моделирования ситуаций и распознавания образов. НС используется для изучения образцов данных и их взаимосвязи. Данными могут быть, например, результаты котировок ценных бумаг на данный день на некоторой бирже или же результаты производственного процесса при разных производственных условиях. Независимо от типа данных или специфики наблюдаемого явления НС является неким абстрактным подходом в отличие от традиционных.

Обученная НС обладает некоторой свободой воли - она реагирует на те входные ситуации, которые не были показаны в процессе обучения, причем

заранее невозможно предсказать, какова будет эта реакция. Наибольшую ценность будет представлять та сеть, которая после обучения начинает хорошо обобщать, т.е. "правильно", с точки зрения исследователя, реагировать на любые новые события в будущем. Практическое применение НС возможно в таких ситуациях, когда традиционные подходы не дают удовлетворительных результатов, или когда малейшее изменение в моделировании может оказать огромное влияние на сам результат.

С помощью НС решаются следующие проблемы: классификация образов, кластеризация, аппроксимация функций, прогнозирование, оптимизация, управление.

Основные преимущества нейронных сетей:

1. Наиболее ценное свойство НС - способность обучаться на множестве примеров в тех случаях, когда не известны зависимости между входными и выходными данными.

2. Решение, принимаемое НС, не является категоричным. Сеть выдает решение вместе со степенью уверенности в нем, что оставляет пользователю возможность критически оценивать ее ответ.

3. НС дают ответ очень быстро (доли секунды), что позволяет использовать их в динамических системах, требующих незамедлительного принятия решения.

4. Возможности НС (способность устанавливать зависимость между большим количеством входных данных и прогнозируемой величиной) позволяют существенно упрощать процесс прогнозирования.

5. НС способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

6. Доступность для неквалифицированных пользователей.

7. Внутренний параллелизм НС, позволяет практически безгранично наращивать мощность нейросистемы.

Одним из наиболее интенсивных приложений НС в развитых странах в последние годы стали задачи финансовой деятельности. К ним относятся: прогнозирование временных рядов (валютный курс, спрос и котировки акций, фьючерсные контракты и др.); страховая деятельность банков; прогнозирование банкротств; применение НС к задачам биржевой деятельности; прогнозирование экономической эффективности финансирования экономических и инновационных проектов; предсказание результатов займов.

В России же существует ряд факторов, препятствовавших широкому применению НС в финансовой деятельности. Во первых, это недостаточность накопленных статистических данных. Опасность тут состоит в получении статистически незначимых моделей и принятии на их основе неверных решений. Во вторых, это нестабильность российской экономики. В третьих, -частое (примерно раз в полгода) изменение законодательной базы, регулирующей финансовые рынки.

НС можно рассматривать как "черный ящик" с некоторым количеством входов, значения входных переменных обрабатываются внутри сети и результат отображается на выходах. Ключевое отличие этой технологии в том, что в процессе обработки входной информации происходит изменение внутренней структуры сети т.е. алгоритма обработки информации.

НС состоит из отдельных элементов - нейронов.

Текущее состояние нейрона определяется, как взвешенная сумма его

где х - входные переменные, - весовые коэффициенты. Выход нейрона есть функция его состояния: у=А(з). Нелинейная функция Г называется активационной и может иметь различный вид. Одной из наиболее распространенных является логистическая функция или сигмоид:

л

входов:

(2)

1=1

Г(5)=1/(1+е-а5) (3)

НС строится путем объединения большого числа нейронов в слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.

На рис.1 приведена трехнейронная сеть. На п входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала:

XV/ у

Рис. 1 однослойная нейронная сеть.

При прогнозировании с использованием нейронных технологий возникает вопрос: на сколько сложную функцию можно реализовать с помощью НС. В 1989г. одновременно несколькими учеными была доказана теорема: любую непрерывную функцию нескольких переменных можно с любой точностью реализовать с помощью обычного трехслойного перцептрона с достаточным количеством нейронов в скрытом слое.

В процессе обучения нейронной (рис.2) сети предъявляются примеры (входные вектора), ответ на предъявленный пример сравнивается с заранее известным правильным ответом. Если полученный и правильный ответы не совпадают, то структура сети меняется так, чтобы уменьшить ошибку. Процесс

п

Б

1=1

7=1-3

(4)

обучения завершается тогда, когда сеть начнет "правильно" отвечать на все пары вопрос- ответ, которые ей показывали в процессе обучения.

база данных

*

ПРОЦЕСС ОБУЧЕНИЯ НЕЙРОСЕТИ

-и.-« •

сеть обучена

применение ;„„„ Аошибка ! - , ¡ответ ш

выбор Ц^; ИейрОСеТИ !<:«>., * мала

примера

Ш'.Ш Ш ~ ошибки

■ -а ._ .....

1 ошибка велика

весов сети

т

>ас1 ши(

расчет

Рис. 2 Процесс обучения нейронной сети

В зависимости от способа реализации моделей нейронных сетей выделяют 3 уровня нейрокомпьютеров: программный (модели нейронных сетей программно реализованные чна обычных последовательных компьютерах); программно-аппаратный (нейропроцессоры для ускорения моделирования нейронных сетей); аппаратный (физически реализованные модели нейронных сетей). В работе использовался программный способ реализации нейронной сети.

Методика создания прогнозирующей системы на базе НС для управления портфелем ценных бумаг предполагает выполнение определенной последовательности действий: 1. постановка задачи; 2. подготовка входных данных; 3. создание и обучение нейросети; 4. (доучивание) перепроектирование сети.

При постановке задачи определяются цели работы системы и формы представления ответа. Постановка задачи является прерогативой предметных специалистов.

-ш ^т^ир ппг)?пт0вКи входных данных производится отбор входных

параметров, совокупность которых адекватно и максимально полно описывает прогнозируемый процесс; структурирование входных параметров (разделение

на подгруппы по разнообразным признакам); преобразование входных данных; выбор примеров для обучения НС.

Определение списка входных данных - также квалифицированная работа предметного специалиста, требующая знания предметной области и ориентировочной важности тех или иных параметров, необходимых для получения ответа. При этом применяется также метод корреляционного анализа.

При преобразовании входных данных производится приведение текстовых переменных к численным значениям, а также совершается ряд операций с остальными переменными:

пусть А,, В( и С( - выборки некоторых критериев в интервале времени (^Дщ), а Ь,| и с,, - значения данных критериев в момент ^ из указанного интервала, п и к - некоторые натуральные числа, в - некоторое число

1) операции с рядом данных для всех

- соотносительное и абсолютное изменения сй=(аи-а((М))* 100/ац и с,г=а(га,(М,;

- максимальные и минимальные значения ряда данных за период п С1,=тах{аи.„,а,1.„+Ь...,ац} и с,рш1а{а,|.п,а(|.п+ь...,ап};

- сдвиг ряда данных на период с,,=а,,.„;

- обычный и экспоненциальный показатели среднего движения курса:

■ .+а,0/п и си=с,м *(п-1 )/(п+1 )+2*а, ¡/(п+1);

- средние значения изменения ряда данных вверх и вниз с,,=(а,|+а12+...+а[к)/к, где ^¡>а,и и

Су=(а11+а,2+.. .+а,(п_к)У(п-к), где аи<а,м;

2) операции с рядом данных и числовой константой С,=г(А(,з), где г - операция соответственно сложения, разности, умножения, деления, возведения в степень;

3) операции с двумя рядами данных С(=т(А„В(), где г - операция соответственно сложения, разности, умножения, деления;

4) операции с несколькими рядами данных: количество рядов, достигших максимума (минимума) за период, количество рядов, увеличивших

(уменьшивших) свое значение по сравнению с предыдущим.

Завершает второй этап выбор примеров для обучения сети, каждый из которых представляет массив входных данных и соответствуюший ему заранее

известный ответ.

На этапе «»*»«« « ^«я НС разработанная методика включает фиксированный набор стартовых параметров, выбор которых может осуществляться предметным специалистом. Задание части параметров может быть автоматизировано путем установки достаточно очевидных параметров. ^ Во второй главе подробно описан список стартовых параметров, который включает следующие пункты: выбор типа нейронной сети; схема подачи обучающих данных, которая определяет количество входных сигналов и соответствующих им входных синапсов, а также ответ; включение или выключение нормирования входных сигналов (т.е. приведения их к диапазону [0;1] или И;Ш; количество нейронов; параметр плотности (количество

нейронов, на которые подается один входной сигнал).

Учитывая результаты экспериментов, разработанная методика предусматривает нормирование всех входных параметров на диапазон [-UU-Каждый входной сигн^ перед подачей на синапс пересчитываете* по формуле: УГ 2 * (Ч - min;) / (maxj - пйц) -1 (5)

где х- - исходный сигнал, получаемый нормированный сигнал, ш» и тах - соответственно минимальное и максимальное значения интервала

входных параметров в поле, подаваемом на синапс i.

С целью проверки качества обучения нейронной сети проводится ее

тестирование на выборке с заранее известными от^ямт. примеров.-

Неправильное определение ответов некоторых примеров может быть

вызвано несколькими причинами:

1. Выборка, по которой обучалась НС, недостаточно полно отражает картину соответствия ответов обучающим параметрам.

2. Выборка, по которой обучалась НС, составлена тенденциозно. Т.е. для обучения подбирались примеры, которые, по мнению исследователя, "являются самыми яркими представителями своего класса или группы". При такой выборке, НС будет обучаться намного лучше, но способность ее к тестированию других примеров существенно падает. В действительности необходимо обучать сеть на реальных данных, какими бы они противоречивыми ни были.

3. Обучающая выборка имеет недостаточное количество обучающих параметров и сеть не может найти закономерности между входными сигналами и ответами.

4. При создании сети не оптимально были выбраны некоторые сетевые параметры, например, число нейронов.

На этапе доучивания, если после завершения процесса обучения сеть не выдает приемлемых результатов, возможно необходимо выполнить одно из следующих действий.

а) Изменение архитектуры сети.

б) Добавление нейронов в скрытом слое.

в) Изменение порядка предъявления примеров.

г) Изменение переменных.

д) Разбиение поставленной задачи на несколько подзадач.

При создании прогнозирующих систем на рынке ценных бумаг в дополнение к исходным данным о ценовых параметрах (таких, как цена открытия, цена закрытия, максимальная, минимальная, средняя цены) на облигации можно использовать фундаментальные экономические индикаторы, такие, как, процентные ставки по кредитам различной срочности, цены на драгоценные металлы, курсы валют и так далее, то есть всю информацию, которая по мнению специалиста аналитика влияет на формирование цен на

исследуемом рынке. В качестве входных параметров, несомненно, может оказаться полезным использование индикаторов технического анализа.

Третья глава "Управление портфелем ценных бумаг с помощью нейронной сети" посвящена практическим результатам использования разработанной методики для создания системы управления портфелем

облигаций.

В главе определены основные критерии выбора программно-аппаратного обеспечения для создания НС. Проведен анализ, существующих программных продуктов, реализующих НС. Установлено, что выбранным критериям для создания прогнозирующей системы на рынке облигаций наиболее

удовлетворяет пакет NeuroShell фирмы Ward System.

Далее в третьей главе в соответствии с разработанной методикой реализована прогнозирующая система для рынка облигаций и произведена

оценка ее эффективности.

На этапе постановки задачи установлено, что для достижения

эффективной работы участника рынка достаточно, чтобы система с

достаточной степенью достоверности давала прогноз на 2 предстоящих

торговых дня. Причем удовлетворительным результатом является

предсказание знака изменения цен на облигации.

Анализ существующих на рынке облигаций циклов показал, что наименьший цикл длятся 2 дня. Полученное значение в точности совпадает с

выбранным временным интервалом для прогноза.

Таким образом была сформулирована задача для НС: требуется получить рекомендацию по принятию торгового решения в день Т+1 на основе прогноза средневзвешенной цены обращающихся на рынке облигаций на Т+1 и Т+2 торговые дни (, де Т ■ дспнш^ия значений входных параметров сетью).

На этапе подготовки входных данных с помощью метода экспертных оценок и корреляционного аяшшза были отобраны входные переменные,

которые оказывают влияние на формирование средневзвешенной цены облигаций на ближайшие 2 дня.

Отобранные входные данные были сгруппированы по смысловому содержанию. В качестве входных данных участвовали следующие группы переменных: ценовые показатели (цены открытия, закрытия, средневзвешенные), показатели срочности (дни до погашения облигаций), курсы валют, процентные ставки по различным видам кредитов, фондовые индексы (Dow Jones, Dax, РТС), индикаторы технического анализа, индикаторы объема сделок, дни недели.

Переменные были отнормированы и преобразованы в соответствии с разработанной методикой.

Далее в главе рассмотрен процесс выбора периода для формирования входного массива данных. Для обучения сети были сформированы три выборки: тренировочная - из данных за период с 03.11.97г. по 13.02.98г.; тестовая - с 16.02.98г. по 07.03.98г.; и экзаменационная - с 09.03.98 по 20.03.98.

На этапе создания и обучения выбрана архитектура НС и заданы ее стартовые параметры.

В процессе тренировки сети на тренировочном массиве данных вычислялся средний показатель ошибки (среднеквадратичное отклонение между реальными и предсказанными значениями для всех выходов по всем примерам).

Было задано также считывание периодически тестового набора и вычисление средней ошибки и на этом наборе данных. Ошибка на тренировочном наборе постоянно уменьшалась, или, по крайней мере, выходила на стационарное значение. Ошибка же на тестовом наборе уменьшалась до некоторого (оптимального) момента, а затем начинала медленно возрастать. Именно в этот момент и производилась остановка обучения сети.

После окончания обучения выполнялось «виртуальное» управление портфелем облигаций на экзаменационном множестве на основе торговых решений выдаваемых нейросетью. Полученный результат сравнивался со средним доходом по рынку.

Поскольку после первого обучения сети результат был признан неудовлетворительным, НС была подвергнута перепроектированию.

На данном этапе добавлены некоторые переменные (например средняя величина одной сделки), изменены представление выходных данных, архитектура сети, поставленная задача разбита на две подзадачи.

В результате достигнуто превышение на 34.5 полученного на экзаменационном множестве дохода по сравнению со средним.

Использование НС для управления портфелем облигаций проводилось дважды. Первый эксперимент (апрель- август 1998г.) пришелся на кризисный период рынка, что явилось хорошей проверкой качества работы сети в период нестабильности. Второй эксперимент - ноябрь 1999 - январь 2000 года (сеть подвергнута дообучению).

Управление портфелем облигаций с использованием нейросетевых компьютерных технологий оказалось эффективнее пассивного инвестирования на 49.71 и 46,55 процентов годовых в первом и втором случаях.

Для сравнения результатов управления портфелем с использованием НС с традиционными технологиями, на реальных данных было проведено гипотетическое управление сформированными портфелями при помощи корреляционного и технического анализа. Результаты приведены в Таблица .

Месяц Нейронная сеть Регрессионный анализ Технический анализ

апрель 98 78,02 48,95 53,25

май 98 69,47 51,64 55,11

июнь 98 59,63 58,38 41,18

август 98 38,99 43,24 44,18

ноябрь 99 85,42 47,21 62,24

декабрь 99 81,24 49,35 51,68

январь 00 83,16 54,14 53,74

Итоговое значение 70,173 50,33 52,935

Таблица 2 Доля правильных торговых решений (в % от общего количества принятых торговых решений).

Затраты на создание нейросетевой прогнозирующей системы не превысили 2 ООО долларов США и были покрыты доходом, полученным в результате уже первого эксперимента.

В заключении сформулированы основные научные и практические результаты диссертационной работы, которые заключаются в следующем:

1.В диссертационной работе исследованы проблемы современного российского рынка ценных бумаг. Показана важная роль операций с ценными бумагами в активных операциях коммерческих банков в России и выявлена проблема эффективного управления портфелем ценных бумаг коммерческого банка.

2.Анализ проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка позволил определить, что необходимым условием успешного управления портфелем является получение качественного прогноза динамики цен активов, составляющих портфель.

3.На основе изучения проблемы прогнозирования на рынке ценных бумаг сделан вывод о принципиальной возможности получения прогноза динамики цен, вопреки положениям теории эффективного рынка.

4.Рассмотрены существующие технологии прогнозирования при управлении портфелем ценных бумаг коммерческого банка.

5.Обоснована возможность и необходимость использования нейросетевых компьютерных технологий для моделирования процесса принятия управленческого решения при управлении портфелем ценных бумаг.

6.Произведена классификация современных технологий интеллектуального анализа данных в бизнесе и финансах.

7.В работе проанализированы существующие на сегодняшний день нейросетевые компьютерные информационные технологии в финансовой сфере, и показана возможность их успешного применения на российском рынке ценных бумаг.

8.Разработана методика создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.

9.Сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.

Ю.На основе разработанной методики реализована информационная система управления портфелем ценных бумаг.

11.Созданная на базе нейросетевой компьютерной технологии система прогнозирования внедрена и успешно используется при управлении портфелем ценных бумаг Промышленно-торгового банка.

12.Проведена оценка эффективности внедрения и практического применения созданной системы прогнозирования, которая подтвердила ее экономическую эффективность.

_Список работ, опубликованных по теме диссертации.

1. Зайченко Д.Н. Технический анализ на рынке ценных бумаг. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 97", вып.З - М.: ГАУ, 1997.

2. Зайченко Д.Н. Информационное обеспечение российского фондового рынка. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 98", вып.З - М.: ГАУ, 1998.

3. Зайченко Д.Н. Применение нейронных сетей в финансовой деятельности. /Тезисы докладов 7-го всероссийского студенческого семинара "Проблемы управления", вып. 1 -М.:ГУУ, 1999.

Диссертация: содержание автор диссертационного исследования: кандидата экономических наук, Зайченко, Дмитрий Николаевич

ВВЕДЕНИЕ

1. ПРОБЛЕМА УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ И АНАЛИЗ МЕТОДОВ ЕЕ РЕШЕНИЯ

1.1 Анализ российского рынка ценных бумаг

1.2 Проблема прогнозирования на рынке ценных бумаг

1.3 Анализ существующих методов управления портфелем ценных бумаг

1.4 Классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах

2. РАЗРАБОТКА МЕТОДИКИ СОЗДАНИЯ ПРОГНОЗИРУЮЩИХ СИСТЕМ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ

2.1 Нейронные технологии на финансовых рынках

2.2 Структура искусственной нейронной сети

2.3 Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг

3. УПРАВЛЕНИЕ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ

3.1 Критерии выбора программно-аппаратного обеспечения для создания нейронных сетей

3.2 Постановка задачи и подготовка входных данных

3.3 Создание и обучение нейросети

3.4 Практический результат использования нейросети.

Диссертация: введение по экономике, на тему "Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий"

Переход к рыночным отношениям в экономике и научно-технический прогресс чрезвычайно ускорили темпы внедрения во все сферы социально-экономической жизни российского общества последних достижений в области информационных технологий. Достижение Россией высоких результатов в экономике и социальной области и завоевание места полноправного партнера в мировой экономической системе в значительной степени зависит от того, каковы будут масштабы использования современных информационных технологий во всех аспектах человеческой деятельности, а также от того, какую роль будут играть эти технологии в повышении эффективности общественного труда.

Большинство проблем, возникающих перед финансовыми менеджерами верхнего уровня, и, в первую очередь, проблемы принятия эффективных инвестиционных решений на фондовых, товарных и финансовых рынках, являются по самой своей природе плохо структурированными и, как следствие, не приспособленными для решения стандартными методами. Одной из основных таких проблем является задача повышения эффективности управления портфелем ценных бумаг. Это перманентная проблемная задача любого коммерческого банка, работающего на рынке ценных бумаг. В процессе решения этой задачи менеджеры вынуждены учитывать большое количество противоречивых и неоднозначных данных, важность которых невозможно оценить объективно. Во всех подобных ситуациях принимаемые решения носят весьма субъективный характер и, как все интуитивные решения, не могут быть корректно объяснены.

Необходимость финансового анализа в коммерческих банках сегодня не вызывает сомнений. Практически в любом банке есть своя аналитическая служба. Но работники этих служб являются во многом первопроходцами. Финансовые рынки в России еще не завершили своего формирования, и аналитикам приходится работать в условиях, когда собственный опыт не всегда помогает. Большинство универсальных методик, особенно зарубежных, нуждается в адаптации к российским условиям и к требованиям конкретного банка. Зачастую и уровень подготовленности аналитиков накладывает ограничения на выбор методики. Отечественные производители программного обеспечения в большей степени нацелены на автоматизацию бухгалтерского учета и операционной работы в банке При этом простейшие подсистемы анализа являются желательным, но необязательным придатком [10].

В таких условиях остро встает необходимость разработки методики применения наиболее эффективных технологий управления портфелем ценных бумаг на российском рынке.

Игнорирование проблем управления портфелем ценных бумаг банка и отсутствие системы, позволяющей такое управление поддерживать, приводят к ухудшению качества управления, что в конечном счете отрицательно сказывается на финансовых результатах работы банка. Немало банков в период получения сверхприбылей начинали реализацию дорогостоящих проектов, исходя из текущей ситуации и не затрудняя себя попытками просчитать варианты развития в будущем. Результатом явился длинный список разорившихся банков.

Традиционный финансовый анализ заключается в расчете одного или нескольких показателей и в последующем их рассмотрении. Но, сводя все многообразие банковских операций к нескольким интегрированным показателям, не всегда можно оценить ситуацию в конкретный момент времени. Существует риск упустить некоторые важные детали.

В еще большей степени эти замечания относятся к прогнозированию на основе экономических показателей. Российские банки в настоящее время 4 работают в условиях нестабильной внешней среды, и построение даже краткосрочных прогнозов затруднено. Поэтому одним из путей дальнейшего совершенствования финансового анализа и прогнозирования является использование инструментов, позволяющих строить модели на основе большого количества разнообразных входных данных (то есть позволяющих устанавливать зависимость между входными данными и прогнозируемой величиной).

Одновременно с развитием новых теоретических подходов для создания адекватной модели поведения рынка, в западных странах и США происходило активное внедрение новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений: вначале в виде экспертных систем и баз знаний, а затем с конца 80-х -нейросетевых технологий.

Начало исследованиям методов обработки информации, называемых сегодня нейросетевыми было положено несколько десятилетий назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований.

На российском финансовом рынке нейросетевые компьютерные технологии появились всего несколько лет назад. Изучение литературы за этот период показало, что ни в одном из источников не содержится подробного описания (с указанием достигнутых результатов) эффективного применения нейросетевых компьютерных технологий для управления портфелем ценных бумаг на российском рынке. Все публикации (подавляющее большинство из них - в периодической печати) сводятся к описанию возможностей нейронных сетей и их потенциальных преимуществ перед другими компьютерными технологиями. Причем все выводы в этих работах сделаны на основе результатов применения нейросетей на западных рынках. Большинство работ являются рекламными материалами фирм, продающих в России нейронные сети. [13, 20, 26, 28, 37, 45].

Все это определило тему настоящего исследования, в центре которого находятся проблемы совершенствования управления портфелем ценных бумаг коммерческого банка с помощью нейросетевых компьютерных технологий.

Цель и задачи исследования. Целью исследования является разработка методики управления портфелем ценных бумаг на базе нейронных компьютерных технологий.

В соответствии с поставленной целью в работе решаются следующие задачи:

• Исследование проблемы современного российского рынка ценных бумаг и роли операций с ценными бумагами в активных операциях коммерческих банков в России.

• Проведение сравнительного анализа существующих технологий управления портфелем ценных бумаг коммерческого банка.

• Выявление проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка.

• Изучение проблемы прогнозирования на рынке ценных бумаг.

• Классификация технологий интеллектуального анализа данных в бизнесе и финансах.

• Проведение анализа существующих нейросетевых компьютерных информационных технологий в финансовой сфере, возможности их применения на российском рынке ценных бумаг.

• Разработка методики создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.

• Формирование критериев выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.

• Создание и внедрение системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.

• Проведение оценки эффективности созданной системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.

Объект и предмет исследования. Объектом исследования является рынок ценных бумаг Российской федерации. Предметом исследования выступает задача управления портфелем ценных бумаг коммерческого банка.

Метод исследования. Для проведения научного исследования использовались как методы эмпирического исследования, такие как сравнение, эксперимент, так и методы научного исследования: анализ, синтез, моделирование, метод статистического анализа, метод экспертных оценок. Кроме того, работа опирается на новейшие разработки в области использования нейросетевых компьютерных технологий на финансовых рынках. Особое внимание уделено опыту применения нейросетевых компьютерных технологий на западных финансовых рынках.

Научная новизна исследования состоит в достижении следующих результатов:

• классифицированы существующие интеллектуальные компьютерные технологии, используемые на финансовых рынках;

• определена возможность использования нейронных компьютерных технологий для управления портфелем ценных бумаг на российском рынке;

• разработана методика создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг коммерческого банка; 7

• сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.

Практическая ценность. Практическая ценность работы заключается в том, что созданная система управления портфелем ценных бумаг может быть использована в реальной практике как инструмент выработки решений при управлении портфелем ценных бумаг коммерческого банка, а так же любого другого участника рынка ценных бумаг.

Управление портфелем ценных бумаг с использованием созданной системы позволяет существенно увеличить эффективность управления портфелем по сравнению со среднерыночными показателями.

Реализация и апробация работы. Разработанная система управления портфелем ценных бумаг внедрена и используется в практической деятельности в фондовом отделе акционерного коммерческого Промышленно-торгового банка.

Структура работы. Диссертация состоит из введения, трех глав, заключения и списка литературы.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Зайченко, Дмитрий Николаевич

Основные результаты данной работы заключаются в следующем:

1. В диссертационной работе исследованы проблемы современного российского рынка ценных бумаг. Показана важная роль операций с ценными бумагами в активных операциях коммерческих банков в России и выявлена проблема эффективного управления портфелем ценных бумаг коммерческого банка.

2. Анализ проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка позволил определить, что необходимым условием успешного управления портфелем является получение качественного прогноза динамики цен активов, составляющих портфель.

3. На основе изучения проблемы прогнозирования на рынке ценных бумаг сделан вывод о принципиальной возможности получения прогноза динамики цен, вопреки положениям теории эффективного рынка.

4. Рассмотрены существующие технологии прогнозирования при управлении портфелем ценных бумаг коммерческого банка.

5. Обоснована возможность и необходимость использования нейросетевых компьютерных технологий для моделирования процесса принятия управленческого решения при управлении портфелем ценных бумаг.

6. Произведена классификация современных технологий интеллектуального анализа данных в бизнесе и финансах.

7. В работе проанализированы существующие на сегодняшний день нейросетевые компьютерные информационные технологии в финансовой сфере, и показана возможность их успешного применения на российском рынке ценных бумаг.

8. Разработана методика создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.

9. Сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг

10. На основе разработанной методики реализована информационная система управления портфелем ценных бумаг.

11. Созданная на базе нейросетевой компьютерной технологии система прогнозирования внедрена и успешно используется при управлении портфелем ценных бумаг Промышленно-торгового банка.

12. Проведена оценка эффективности внедрения и практического применения созданной системы прогнозирования, которая подтвердила ее экономическую эффективность.

Список работ, опубликованных по теме диссертации:

1. Зайченко Д.Н. Технический анализ на рынке ценных бумаг. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 97", вып.З - М.: ГАУ, 1997.

2. Зайченко Д.Н. Информационное обеспечение российского фондового рынка. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 98", вып.З - М.: ГАУ, 1998.

3. Зайченко Д.Н. Применение нейронных сетей в финансовой деятельности. /Тезисы докладов 7-го всероссийского студенческого семинара "Проблемы управления", вып.1 - М.: ГУУ, 1999.

Заключение

Повышение эффективности управления портфелем облигаций является перманентной задачей для всех профессиональных участников рынка ценных бумаг, в том числе и для банков, как наиболее активных его участников. Причем основной проблемой при управлении портфелем является получение качественного прогноза изменения цен на облигации. Сама возможность такого прогнозирования до сих пор подвергается сомнению (теория эффективного рынка). Однако на основе проанализированных материалов можно выдвинуть гипотезу о том, что финансовый рынок в целом и рынок облигаций в частности не являются полностью эффективными и существует возможность делать как минимум краткосрочные прогнозы изменения цен на них.

При управлении портфелем ценных бумаг стандартные методы прогнозирования цен облигаций (фундаментальный анализ, технический анализ, статистический анализ) не могут дать желаемых результатов. Для качественного решения поставленной задачи необходимо применение интеллектуальных средств анализа данных. В данной ситуации наиболее эффективным таким средством являются нейронные сети.

Главная трудность продвижения технологии НС в России связана с такой отличительной чертой большинства отечественных предприятий как сравнительно небольшой срок существования. И, как показывает опыт, накопленной информации оказывается недостаточно для выработки на ее основе эффективной стратегии принятия решений с помощью НС. Опасность тут состоит не столько в невозможности обнаружения интересующих взаимосвязей в малочисленных данных и построения моделей на их основе, сколько в получении статистически незначимых моделей и принятии на их основе неверных решений. Если данных мало, а описывающая их модель сложна и включает много степеней свободы, то всегда можно подогнать эту модель под данные, даже если это целиком случайные числа. Тот факт, что метод отлично работает, когда нужно объяснить то, что было в прошлом, но совершенно непригоден для принятия решений "на будущее", рождает сомнения в способности НС решать реальные задачи из сферы бизнеса и финансов. Таким образом, главная проблема применения НС для России -это немногочисленность анализируемых данных, а одно из главных требований к этим системам - наличие жесткого контроля статистической значимости получаемых результатов.

Другой отличительной чертой российской экономики, как на макроуровне, так и на уровне отдельных предприятий, является ее нестабильность; кроме того, она подвержена и действию многочисленных, неожиданно возникающих факторов. В то время как на Западе предприятия в основном работают в рамках уже устоявшейся законодательной базы, в сложившихся структурах товарных, финансовых и информационных потоков, российские предприятия вынуждены подстраиваться под постоянно меняющиеся правила игры. Это же касается российских финансовых рынков, где примерно раз в полгода происходит существенная корректировка правил работы. Итак, исследователь должен обязательно контролировать и анализировать результаты, получаемые НС. Это нужно, чтобы гарантировать учет всех влияющих на решение факторов.

В России естественные проблемы переходного периода в экономике (отсутствие статистических данных за длительный период времени, частая изменчивость нормативной базы, нестабильность экономики) не позволяли с должным успехом использовать нейронные сети для управления портфелем ценных бумаг. В настоящее же время на рынке облигаций накоплена достаточная статистическая база, практически сформирована и регулирующая нормативная база. Это открывает возможность применения нейронных технологий для управления портфелем ценных бумаг на российском рынке.

Полученные результаты подтверждают, что нейросетевые прогнозирующие системы являются эффективным инструментом анализа и прогнозирования поведения финансовых рынков, в том числе и для задач управления портфелем ценных бумаг. Можно ожидать, что в недалеком будущем, реализованные на их основе системы анализа и прогноза займут достойное место в составе аналитических отделов крупнейших российских банков и информационных АСУ корпораций.

Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Не следует опасаться, того, что появление столь мощных и эффективных средств перевернет финансовый рынок, или отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов - говорить об этом, преждевременно. В качестве нового эффективного средства для решения самых различных задач нейронные сети используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети, или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

Есть все основания полагать, что компьютерные технологии и системы подобные той, которая была описана выше, в ближайшее время станут таким же обычным и необходимым инструментом в российской финансовой и банковской сферах, как, скажем, компьютерные программы учета ценных бумаг. И дело здесь не только (и может быть даже не столько) в быстрой возможности получения прибыли, сколько в необходимости сбора

163 полноценной статистики для анализа рынков и моделирования поведения трейдера на рынке для достоверной оценки выбранной торговой стратегии. Кроме того, после появления российских ценных бумаг на мировых рынках ценных бумаг, выход крупных российских инвесторов на мировые фьючерсные и опционные рынки является по-видимому делом весьма недалекого будущего.

И, наконец, последнее, но весьма немаловажное обстоятельство - это появление спроса на подобные технологии со стороны частных инвесторов. В России уже начал формироваться круг частных инвесторов, осуществляющих операции как на товарных западных рынках так и на валютных рынках. Этот круг будет расти очень быстро, особенно после того, как стоимость и надежность получения данных в режиме реального времени будут приближаться к западным стандартам. Приход на рынок достаточно большого числа непрофессиональных игроков будет означать конечно, резкое оживление спроса на достаточно продвинутые торговые системы, позволяющие как моделировать рынок, так и принимать решения в режиме реальных торгов.

Развитие НС вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались оптимистичными, другие пессимистичными. Выбор лучшей технологии должен диктоваться природой задачи. Нужно пытаться понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Подобные усилия могут привести к комплексному подходу, который объединяет НС с другими технологиями для существенного прорыва в решении актуальных проблем. Взаимодействие и совместные работы исследователей в области НС и других дисциплин позволят не только избежать повторений, но и (что более важно) стимулируют и придают новые качества развитию отдельных направлений.

164