X
Код презентации скопируйте его
Методика оптимизации портфеля ценных бумаг на основании нейросетевого прогнозирования
Скачать эту презентацию
Презентация на тему Методика оптимизации портфеля ценных бумаг на основании нейросетевого прогнозирования
Скачать эту презентациюCлайд 1
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.
Cлайд 10
Спасибо за внимание!
