Методика оптимизации портфеля ценных бумаг на основании нейросетевого прогнозирования Исполнитель: Воронова М.А. Руководитель: Плющ О.Б.
Cлайд 2
Актуальность работы обусловлена возможностью использования активно развивающихся нейросетевых методов комплексного анализа рынка по системе показателей, для построения методики оптимизации ПЦБ, адаптирующейся к постоянно изменяющейся рыночной ситуации.
Cлайд 3
Цель: создание математического аппарата формирования оптимального портфеля ценных бумаг Задачи: изучить современные подходы к формированию портфеля ценных бумаг; предложить подходы к созданию и использованию нейросетевых технологий, адаптивно реагирующих на изменение рыночной ситуации; разработать методику подготовки входных данных для нейросетевого анализа временных рядов; осуществить тестирование реализации алгоритмов формирования портфеля ценных бумаг на эмпирических данных российского рынка ценных бумаг.
Cлайд 4
Объектом исследования является методика формирования ПЦБ. Предметом исследования в настоящей работе является использование нейросетевых методов мониторинга рыночной конъюнктуры для формирования оптимального портфеля ценных бумаг.
Cлайд 5
Портфель ценных бумаг — это совокупность ценных бумаг, которая выступает целостным объектом управления. Доходность: Риск:
Cлайд 6
Ряды рыночных котировок содержат резкие всплески и являются шумными. Следовательно, необходимо использование скользящих средних Короткий временной ряд недостаточен для эффективного обучения, а длинный приведет к тому, что сеть обучится тенденциям, уже не свойственным рынку. Оптимально: ряд не менее чем из 60 значений, и период упреждения не более ¼ интервала обучения. Исходные данные необходимо подвергнуть нормировке, т.к. абсолютные значения стоимостей ценных бумаг могут значительно отличаться, в то время как при нормировке значения для разных временных рядов будут приблизительно одинаковы.
Cлайд 7
Современные методы обучения многослойных искусственных нейронных сетей (ИНС) подразумевают случайное формирование первоначальных значений весовых коэффициентов. В этой связи предсказания сетей, обученных на одной и той же выборке данных, могут отличаться. Этот недостаток можно превратить в достоинство, организовав комитет нейроэкспертов, состоящий из нескольких ИНС.
Cлайд 8
Оценка эффективности модели Акции ЦБ1 ЦБ2 ЦБ3 ЦБ4 ЦБ5 ЦБ6 ЦБ7 % в портфеле 3,079% 16,021% 25,633% 16,023% 32,057% 1,539% 5,646%
Cлайд 9
Выводы Методы нейросетевого моделирования на сегодняшний день являются одним из наиболее эффективных инструментов оптимизации ПЦБ. Целесообразно использование комитетов нейронных сетей для повышения качества прогнозирования, поскольку результаты такого подхода более устойчивы к неопределенности случайного формирования первоначальных значений весовых коэффициентов связей. Стратегию оптимизации портфеля ценных бумаг целесообразно строить с использованием скользящих средних и волнового анализа при разных интервалах времени.