Роль искусственных нейронных сетей в прогнозировании финансовых рынков. Принятие решений репрезентативным агентом на основе ограниченной рациональности и самоорганизации: имитация. Инвестиционные решения на фондовом и валютном рынках. Обработка данных.
При низкой оригинальности работы "Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей", Вы можете повысить уникальность этой работы до 80-100%
Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет Высшая школа экономики» Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей Диссертация на соискание ученой степени кандидата экономических наукВ финансовом анализе искусственные нейронные сети рассматриваются как механизм реконструкции репрезентативного агента, принимающего решения, и благодаря своим отличительным характеристикам могут быть использованы для прогнозирования доходности на фондовом, валютном и других рынках. Поэтому в рамках данной работы основное внимание будет уделено исследованию и применению различных инструментов обработки эмпирических данных перед их предъявлением искусственным нейронным сетям Кроме этого можно выделить широкий спектр публикаций, связанных именно финансовыми рынками, а именно с прогнозированием доходности на фондовом и валютном рынках с помощью искусственных нейронных сетей (вплоть до сегментации по географической принадлежности). Однако во многих опубликованных работах наблюдается следующая дихотомия: с одной стороны, в крупных фундаментальных трудах проводится детальный разбор типов искусственных нейронных сетей, принципов их построения и особенностей обучения, зачастую без практического применения предлагаемых моделей (особенно на финансовых рынках); с другой стороны, в практических статьях в большинстве случаев главной целью ставится финансовая результативность исследуемой модели (доходность виртуального инвестиционного портфеля), но при этом не проводится достаточно глубокий разбор теоретических выводов. Цель диссертационного исследования - предложить способы прогнозирования доходности на фондовом и валютном рынках развитых стран с помощью моделей искусственных нейронных сетей с предварительной обработкой входных данных, которые соответствуют типичным реакциям лиц, принимающих решения, по критерию роста виртуального инвестиционного портфеля, построенного на основе прогнозов сети.В первой главе прослеживается история исследований искусственных нейронных сетей в качестве математических имитаций биологических нейронных сетей, а также их связь с современными моделями многоагентных систем.Искусственные нейронные сети - это математические модели, которые решают задачу нелинейной глобальной оптимизации. Концептуально искусственные нейронные сети опираются на биологические нейронные сети головного мозга человека. Эта сложная система взаимосвязей называется нейронными сетями и отвечает за такие феномены деятельности мозга, как память, абстрактное мышление, распознавание образов и другие уникальные и еще не до конца изученные способности, которые пока с трудом поддаются имитации в рамках создания моделей искусственного интеллекта. Одним из первых, кто обратил внимание на мозг как на сложную децентрализованную систему был Г.Хакен [20], который отнес нейронные сети к самоорганизующимся системами и обозначил их изучение в рамках синергетики, включая построение имитационных моделей, предназначенных для решений различных задач (искусственных нейронных сетей). В 1970-х гг. наблюдался некоторый спад активности в изучении искусственных нейронных сетей, связанный с критикой подходов Розенблатта и общим разочарованием ученых относительно невозможности создать полноценную модель искусственного интеллекта на основе искусственных нейронных сетей.Подобные модели широко используются в различных областях науки, однако в фокусе данного исследования является прогнозирование финансовых рынков, поэтому нам важно получить надежное теоретическое обоснование того, что искусственные нейронные сети могут быть эффективным инструментом для решения этой задачи. Наша основная задача состоит в том, чтобы с помощью искусственных нейронных сетей, использующих предварительную обработку входных данных, сконструировать такой инструмент, имитирующий механизм принятия решений репрезентативным агентом, который позволит осуществлять успешное прогнозирование финансовых рынков. Выдвинутая в знаменитой статье Фамы [78] теория информационно эффективного рынка постулирует, что цена финансового инструмента (например, акции) учитывает всю доступную информацию на данный момент времени, в то время как прошлая информация совершенно нерелевантна для процесса ценообразования. Из этого можно сделать вывод, в условиях информационно эффективного рынка, ограниченность временной выборки делает принципиально невозможным сделать прогноз хотя бы на один период наблюдения вперед и любые попытки заработать на колебании курсовой стоимости финансового инструмента на сколь-нибудь длительном промежутке времени - это игра с нулевой средней.2 Отсюда делается вывод о том, что рынок в действительности подчиняется не нормальному, а степенным законам, что обуславливает его поведение как сложной самоорганизующейся системы и 22 приводит к катастрофическим ситуациям (кризисам).
Глава 1. Роль искусственных нейронных сетей в прогнозировании финансовых рынков.13
1.1.Самоорганизация в искусственных нейронных сетях и на финансовых рынках.......... 13
1.2.Принятие решений репрезентативным агентом на основе ограниченной рациональности и самоорганизации: имитация с помощью искусственных нейронных сетей…………………………………………………………………………………………………...19
1.3. Основные характеристики, типология и принципы построения искусственных нейронных сетей при прогнозировании финансовых рынков ................................................. 24
Глава 2. Инвестиционные решения на фондовом и валютном рынках на основе упрощенной картины мира и контекстной памяти - представление в форме искусственных нейронных сетей с предварительной обработкой входных данных............ 34
2.1.Предварительная обработка входных данных искусственными нейронными сетями при прогнозировании финансовых рынков с помощью метода главных компонент и метода независимых компонент...................................................................................................... 34
2.2.Прогнозирование финансовых рынков с помощью искусственной нейронной сети, обученной по методу Левенберга-Марквардта и использующей снижение размерности входных данных (упрощение картины мира) .............................................................................. 43
2.3. Прогнозирование фондового и валютного рынков с помощью искусственной нейронной сети Хакена, использующей предварительную обработку входных данных в виде формирования контекстной памяти..................................................................................... 68
Глава 3. Иллюзия субъективной полноты картины мира, свойственная репрезентативному инвестору, и ее воспроизведение посредством искусственных нейронных сетей, использующих конкурентные механизмы предварительной обработки входных данных................................................................................................................................ 100
3.1.Прогнозирование финансовых рынков с помощью искусственной нейронной сети Кохонена-Хакена, использующей конкурентную обработку входных данных................... 101
3.2.Прогнозирование фондового и валютного рынков с помощью роевой архитектуры искусственных нейронных сетей, использующей кластеризацию данных в качестве инструмента предварительной обработки.................................................................................. 128
