WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 |
-- [ Страница 1 ] --

СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

На правах рукописи

Беляков Станислав Сергеевич ИСПОЛЬЗОВАНИЕ АГРЕГИРОВАНИЯ В МЕТОДАХ НЕЛИНЕЙНОЙ ДИНАМИКИ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ

КОТИРОВКИ АКЦИЙ 08.00.13 – Математические и инструментальные методы экономики Диссертация на соискание ученой степени кандидата экономических наук

Научный руководитель доктор физ.-мат.наук, профессор В.А. Перепелица Ставрополь – 2005 СОДЕРЖАНИЕ Введение Глава 1 АНАЛИЗ ОСНОВНЫХ ПРИНЦИПОВ СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ 1.1 Неопределенность котировки акций и проблема ее прогнозирования 1.2 Анализ и классификация традиционных подходов к прогнозированию временных рядов котировки акций 1.3 Современные подходы к прогнозированию котировки акций методами нелинейной динамики 1.4 Выводы к главе 1 Глава 2 ФРАКТАЛЬНЫЙ АНАЛИЗ ИСХОДНЫХ И АГРЕГИРОВАННЫХ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 2.1 Фрактальная статистика в экономико-математическом моделировании 2.2 Предмет исследования и его статистические характеристики 2.3 Агрегирование как способ усиления структурированности данных 2.4 Инструментарии фрактального анализа 2.4.1 Верификация алгоритма нормированного размаха Херста 2.4.2 Алгоритм последовательного R / S - анализа 2.5 Фрактальный анализ временных рядов котировок четырех видов акций 2.5.1 Фрактальный анализ временных рядов ежедневных показателей 2.5.2 Фрактальный анализ временных рядов недельного интервала агрегирования 2.5.3 Фрактальный анализ временных рядов двухнедельного интервала агрегирования 2.6 Результат сравнительного анализа эффективности агрегирования 86 89 82 80 80 62 64 68 74 52 58 52 50 40 17 21 5 2.7 Выводы к главе 2 Глава 3 ПРЕДПРОГНОЗНЫЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ НА БАЗЕ ФАЗОВЫХ ПОРТРЕТОВ И АГРЕГИРОВАНИЯ 3.1 Фазовые пространства и фазовые портреты 3.2 Фазовые портреты исходных временных рядов котировки акций 3.3 Фазовые портреты временных рядов котировки акций, агрегированных недельными интервалами 3.4 Фазовые портреты временных рядов котировки акций, агрегированных двухнедельными интервалами 3.5 Предпрогнозный анализ временных рядов на базе их фазовых портретов и агрегирования 3.5.1 Предпрогнозная информация для временного ряда Z 1 котировки акций РАО ЕЭС 3.5.2 Предпрогнозная информация для временного ряда Z 2 котировки акций Сбербанка 3.5.3 Предпрогнозная информация для временного ряда Z 3 котировки акций Ростелекома 3.5.4 Предпрогнозная информация для временного ряда Z 4 котировки акций Сибнефти 3.6 Выводы к главе 3 Глава 4 АДАПТАЦИЯ КЛЕТОЧНО-АВТОМАТНОЙ ПРОГНОЗНОЙ МОДЕЛИ ДЛЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 4.1 Особенности временных рядов, для которых традиционные методы прогнозирования неадекватны 4.2 Клеточные автоматы для прогнозирования экономических временных рядов их преимущества перед классическими методами 4.3 Общая схема и принципы работы клеточно-автоматной прогнозной модели 4.3.1 Преобразование числового временного ряда в лингвистический ~ ~ ~ ~ 93 93 95 99 101 109 111 111 112 113 113 116 116 117 временной ряд методом огибающих ломаных 4.3.2 Частотный анализ ряда 4.3.3 Формирование прогнозных значений котировки акций российской компании «Сбербанк», верификация и валидация прогнозной модели 4.3.4 Получение числового прогноза и оценка его точности Выводы к главе 4 Заключение Список использованных источников Приложения памяти лингвистического временного 119 132 135 139 141 142 Введение Актуальность темы исследования. Российский рынок ценных бумаг за свою новейшую постсоветскую историю пережил много хороших и плохих времен. Финансовый кризис 1998 года почти разрушил этот сектор экономики. Однако, следует понимать, что без развитого рынка ценных бумаг построить рыночную экономику невозможно. Не случайно в последние годы одно из важнейших направлений развития России связано с принципиальным изменением роли рынка ценных бумаг в финансовой системе государства и его хозяйственном механизме в целом. Развиваются институты рынка ценных бумаг, регулирующиеся государством. Огромные усилия государства направлены на повышение доверия инвесторов к российской экономике. Одной из важных задач на пути стабилизации фондового рынка России является привлечение частных лиц для инвестирования в предприятия и крупные компании нашей страны. Для инвесторов особо необходимым и актуальным является возможность прогнозирования ситуации на рынке ценных бумаг Прогнозирование предполагает научно-обоснованное суждение о возможных состояниях экономической системы в будущем, об альтернативных путях и сроках его осуществления, оно должно предполагать получение качественных оценок этих состояний при помощи математических и инструментальных средств реализации. Сложившейся к настоящему времени методологии экономикоматематического прогнозирования присущи общие черты. Практически все прогнозные модели в той или иной мере используют экстраполяцию прошлых тенденций в отношении как общенациональных, так и частичных показателей производства, народонаселения, технического прогресса. Общая черта эконометрических и эмпирических прогнозов – стремление на основе отдельных, частичных показателей составить общую картину будущего экономического роста. Развитие экономического моделирования, анализа и прогнозирования в современных условиях связано с последовательным ростом уровня их фор мализации. Основу этого заложил прогресс в области прикладной математики, математической статистики, методов оптимизации, теории приближений, в эконометрике, прогностике и пр. Среди факторов, характеризующих динамику рынка и влияющих на нее, есть изрядное количество данных нечисловой природы, значения которых известны только с определенной долей уверенности. Можно выделить различные типы неопределенностей, из которых для финансового анализа важны следующие:

- связанные с незнанием или неточным знанием некоторых факторов или процессов, влияющих на развитие ситуации;

- связанные с математической несоизмеримостью численных оценок величин, характеризующих динамику системы;

- связанные с нелинейностью и наличием у системы нескольких состояний равновесия или аттракторов;

- связанные с недостатком или неадекватностью понятийного аппарата и невозможностью отождествления фактов. С целью понимания того, какие преимущества дают предлагаемые далее новые методы анализа данных и прогнозирования, необходимо указать на три принципиальные проблемы, возникающие при создании систем анализа финансовых рынков и разработке прогнозных моделей. Первая - это определение необходимых и достаточных параметров для оценки состояния рынка, а также целевых функций, т.е. выбор критериев эффективности действий. Формализация, т.е. моделирование поведения системы, состоящей из разнородных компонентов, требует использования единой метрики для их описания. Вторая проблема – это проблема размерности. Желание учесть в модели как можно больше показателей и критериев оценки может привести к нереализуемым практически объемам вычислительной сложности. Иными словами, суть этой проблемы сводится к ограничению на быстродействие и размеры вычислительного комплекса в зависимости от количества информации, обрабатываемого в единицу времени. Третья проблема возникает в силу проявления признака надсистемности. Известно, что взаимодействующие системы образуют надсистему - систему более высокого уровня, обладающую собственными (надсистемными) свойствами, которых не имеет ни одна из составляющих систем. Проблема заключается в принципиальной невозможности выявить указанные проявления надсистемного отображения средствами, входящих в состав взаимодействующих систем. Пришедшие на смену классическим новые подходы к прогнозированию появились именно с целью преодоления некоторых из перечисленных проблем. Эти подходы базируются на применении таких разделов современной математики, как нейрокомпьютеры, теория стохастического моделирования (теория хаоса), теория катастроф, синергетика и теория самоорганизующихся систем, включая генетические алгоритмы, теория фракталов и нечеткие логики. Считается, что эти методы позволят увеличить глубину прогноза на финансовых рынках за счет выявления скрытых закономерностей, присущих этим рынкам. Таким образом, в связи с тем, что в рамках классического подхода не удается получить существенного улучшения качества прогнозирования курсов ценных бумаг на фондовом рынке, актуальным является совершенствование методик прогноза, сочетая достоинства теории хаоса, клеточных автоматов и теории нечетких множеств. Степень разработанности проблемы. Большой вклад в исследование фондового рынка внесли зарубежные ученые, особо можно отметить труды У.Ф. Шарпа, Г. Марковитца, Г.Дж. Александера, Дж.В. Бэйли, Б.Вильямса, Р.Колби, Д.Мерфи, Дж. Швагера, а так же труды соотечественников Я.М. Миркина, А.В. Захарова, И.В. Костикова, Б.Б. Рубцова, А.О. Недосекина, Ю.В. Жваколюк, П.П. Кравченко Т.Ю. Сафоновой, Н.И. Червякова и др.. В развитии теоретической прогностики стоит отметить работы И.Бернара, Н. Винера, Д.Ж. Джонстона, Ж.-К.Колли, В.В.Леонтьева, К.Паррамоу, М. Песарана, О. М.Дж.Кендалла, Ю.Колека, Л.Слейтера и др. История развития продуктивной прикладной прогностики начинается с прогнозов Г.Ландсберга, Л.Фишмана, Дж. Фишера, прогноза Дж.Ф.Дьюхорста, Дж.О.Коппока, П.Л.Йейста, и др. В бывшем СССР проводились серьезные экономические прогностические исследования. Отметим труды известных советских и российских ученых: А.Г. Аганбегяна, Л.В.Канторовича, С.А. Айвазяна, В.А. Кардаша, В.С. Немчинова, В.В. Новожилова, Н.П. Федоренко, С.С. Шаталина, А.Н. Ширяева, В.А.Буторова, И.Г.Винтизенко, Г.В.Гореловой, В.В.Ковалева, А.А.Горчакова, Ф.М.Левшина, В.Е.Демидова, А.С.Емельянова, Э.Б.Ершова, С.В.Жака, П.С.Завьялова, А.Н.Ильченко, В.И.Калиниченко, Ю.П.Лукашина, В.И.Максименко, Е.Н.Мельниковой, А.В.Морозова, А.Л. Новоселова, Б.В. Рязанова, Е.М.Четыркина и др. При большом числе серьезных работ, широте исследований, обилии полученных в прогнозировании результатов, все еще находятся разделы прогностической науки, в которых новые методы могут улучшить решение, сделать его универсальным, конструктивным и более точным. Важно отметить, что последнее десятилетие – это начало активного изучения и переосмысливание вопросов математического моделирования экономических процессов. Пересматриваются законы линейной парадигмы, появляются публикации (Б.М. Фридман, Д.И. Лейсбон, Е.Д. Вейгель, А.Л. Тернер и др.), в которых отмечается, что многие экономические процессы не следуют нормальному закону распределения по причине невыполнения условия независимости наблюдений. Это в свою очередь ставит вопрос о неправомерности применения известных классических методов прогнозирования эволюционных процессов. В контексте экономических теорий появляется экономическая синергетика, как наука, занимающаяся изучением хаоса в поведении экономических процессов. Исследованию этих вопросов посвящены работы как, в основном, зарубежных, так и отечественных авторов: А.Е.Андерсон, Дж.Грендмонт, 8 В.-Б.Занг, Б.Мандельброт, Э.Петерс, А.И. Пригожин, Э.Сигел, Р.Чен, В.А. Долятовский, С.П. Курдюмов, Г.Г. Малинецкий и др. Характеризуя степень разработанности новых подходов можно отметить следующее. Существуют уже разработанные системы и методики, использующие аппарат нечетких логик. Оболочки экспертных систем, поддерживающие работу с нечеткими знаниями, такие, например, как Gold Works, Guru, Flex и т.д. Созданы первые в мире электронные таблицы Fuzzi Calc, способные работать с нечеткими данными. Являются предметом промышленного использования и достаточно мощные средства разработки приложений, использующих аппарат нечетких логик, - это пакеты фирмы HyperLogic CubiCalc RTS и CubiCalc 2.0 для Windows. Уже завоевали признание и нейросетевые технологии. Практика использования нейросетей показала их эффективность в таких областях, как прогнозирование, выявление зависимостей, ситуационное управление. Все это применимо и на финансовых рынках. Этот инструментарий позволяет выявлять и получать новые знания о динамике стоимости ценных бумаг, об изменениях показателей экономической активности и о колебаниях обменного курса валют, включая, государственные облигации. На базе этих знаний можно выявить взаимозависимости, существующие между этими характеристиками, что в свою очередь позволяет существенным образом повысить надежность прогнозирования. Еще один подход, находящий все большее применение при анализе финансовых рынков, и, особенно, в случае наличия в них быстротекущих процессов базируется на методах теории хаоса, или, в другой терминологии, нелинейной динамики. Применительно к области финансов на основе теории хаоса впервые был разработан принципиально новый подход к анализу рынка, отличный от "портфельной теории". Этот подход базируется на положении о том, что рынок представляет собой сложную нелинейную систему с обратной связью, а характер группового взаимодействия участников рынка порождает хаотиче скую динамику цен вследствие спорадического использования инвесторами информационного потока и, как следствие, возникновение квазистохастических временных интервалов их действия на рынках. В условиях резкого увеличения требований к масштабам и темпам развития науки и техники для получения эффективных прибылей на российском рынке (в частности на рынке ценных бумаг) становятся актуальными вопросы планирования и принятия решений на основе прогнозирования. Исследования в этой области обусловлены необходимостью внедрения в практику работы профессиональных участников рынка, методов научного управления, основанного на строгой формализации процедур принятия инвестиционных решений, и необходимостью использования на практике новых инвестиционных технологий. Существенными составными частями таких технологий, используемых в настоящей работе, являются клеточные автоматы, фрактальный анализ и фазовые портреты, позволяющие в явлениях, на первый взгляд случайных, обнаружить порядок и некоторую структуру. Тот факт, что хаотические модели дают хорошее приближение для финансовых временных рядов, говорит о важности изучения поведения финансовых рынков как нелинейных динамических систем и является дополнительным аргументом в пользу применения в задачах прогноза различных методов нелинейной динамики. Цель и задачи исследования. Целью настоящей диссертационной работы является исследование потенциальной прогнозируемости временных рядов курсов акций на фондовой бирже России на базе новых инструментариев нелинейной динамики, в частности, фрактального анализа, теории клеточных автоматов и фазовых портретов. В соответствии с целью работы решались следующие задачи:

- анализ и оценка принципиальной возможности использовать некоторые методы нелинейной динамики, в первую очередь фрактального анализа, фазового анализа и клеточных автоматов для предпрогнозного анализа и прогнозирования временных рядов котировки акций, для которых использование классических методов является проблематичным;

- оценка предпрогнозных характеристик временных рядов котировки акций российских компаний «Сбербанк», «Ростелеком», «РАОЕЭС», «Сибнефть» и разработка методов предпрогнозного анализа этих рядов на базе их агрегирования с последующим использованием инструментария фрактального анализа;

- использование и адаптация инструментария фазового анализа для получения предпрогнозных характеристик, выбор подходящего принципа агрегирования и его применение для улучшения предпрогнозных характеристик агрегированных временных рядов;

- использование клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций и ее адаптация к специфике поведения курсов акций российских компаний;

- использование комбинированного подхода к построению визуализации и совместному применению результатов фазового анализа и R/S- анализа временных рядов с целью получения дополнительной информации для их прогнозирования. Объектом исследования является фондовый рынок ценных бумаг, как один из главных финансовых элементов международной экономической системы. Предметом исследования являются временные ряды такого финансовоэкономического показателя, как котировки акций российских компаний на протяжении переходного периода отечественной экономики. Методология и методы исследования. Теоретическую и методологическую базу исследования составляют научные труды современных российских и зарубежных ученых по методам статистического и фрактального анализа временных рядов, экономической синергетики, теории фазовых портретов и клеточных автоматов, а также работы, посвященные вопросам моделирова ния, прогнозирования и содержательной экономической интерпретации прогнозных процессов и результатов. Информационную базу исследования составили аналитические и статистические материалы Госкомстата России, а также региональной власти и научно-практические публикации по финансово-экономическим вопросам. Диссертационная работа выполнена в соответствии с пунктом 1.8 «Паспорта специальности 08.00.13 – математические и инструментальные методы экономики»: «Математическое моделирование экономической конъюнктуры, деловой активности, определение трендов, циклов и тенденций развития». Научная новизна. Научная новизна диссертационного исследования заключается в решении научной задачи – создание целостного теоретического, методологического и инструментального обеспечения для математического моделирования, анализа и прогнозирования экономических временных рядов. Научную новизну содержат следующие положения: 1. Развита методика анализа динамики котировки ценных бумаг с использованием фрактального анализа экономических временных рядов с памятью, адаптировано и апробировано на конкретных временных рядах математическое обеспечение реализации на персональной ЭВМ этого анализа с целью получения предпрогнозной информации, включая ее содержательную интерпретацию. 2. Разработан и апробирован новый метод преобразования временных рядов макроэкономических показателей в соответствующие им временные ряды методом агрегирования, что позволяет снять проблему размерности исследуемого временного ряда и улучшить их предпрогнозные характеристики. 3. На примере временных рядов котировки акций известных российских компаний таких как «Сбербанк», «Ростелеком», «РАО ЕЭС», «Сибнефть» осуществлен фрактальный анализ агрегированных временных рядов на базе алгоритма нормированного размаха и предложена содержательная предпрогнозная их интерпретация. 4. Осуществлено распространение и развитие фазового анализа для выявления предпрогнозной характеристики динамики агрегированных временных рядов котировки акций. 5. Адаптирована и реализована клеточно-автоматная прогнозная модель на базе агрегированных временных рядов котировки акций. Практическая значимость полученных результатов. Практическая значимость работы определяется тем, что основные положения, выводы, рекомендации, модели, методы и алгоритмы диссертации ориентированы на широкое использование организационно-экономического, методического, алгоритмического обеспечения и инструментальных средств и могут быть использованы финансовыми учреждениями, органами регионального управления, разработчиками информационно-аналитических систем для поддержки принятия управленческих решений на различных уровнях социальной, экономической и административной деятельности. Предложенные методы, алгоритмы, модели и программы апробированы на реальных экономических временных рядах и оправдали себя. Их корректность и адекватность подтверждаются расчетами на конкретных данных котировки акций российских компаний: «Сбербанк», «Ростелеком», «РАО ЕЭС» и «Сибнефть». Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается применением: системного анализа, математических и инструментальных методов экономики, включая статистику, прогностику и методы агрегирования;

построением информационных моделей, включая проверенные практикой методы экспертных систем;

известных методов теории нечетких множеств и теории клеточных автоматов;

построением экономико-математических моделей, реализующих методы анализа и прогнозирования на базе современных информационных технологий;

наглядной визуализацией результатов моделирования, анализа и прогнозирования;

документальным характером использованных данных по объектам приложений разработанных моделей и методов. На защиту выносятся следующие основные положения: 1. Концепция предпрогнозного исследования экономических временных рядов с памятью, реализуемая на базе инструментария фрактального анализа и теории нечетких множеств. 2. Адаптация методов предпрогнозного анализа временных рядов котировки акций на базе их агрегирования и методов фрактального анализа. 3. Предпрогнозный анализ временных рядов котировки акций на базе фазовых портретов и агрегирования этих рядов. 4. Адаптация известной клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций. 5. Комбинированный подход к построению, визуализации и совместному использованию фазовых портретов и R/S- анализа временных рядов для получения дополнительной прогнозной информации. Апробация и внедрение результатов исследования. Результаты исследования и его положения докладывались и получили положительную оценку на следующих конференциях и симпозиумах, проводимых различными академическими учреждениями и высшими учебными заведениями России:

- на VII Всероссийском симпозиуме «Математическое моделирование и компьютерные технологии» (Кисловодск, 2005);

- на XIII Международной научно-практической конференции «Математика. Экономика. Образование» (Ростов-на-Дону, 2005);

- на VI Международной научно-практической конференции «Математическое моделирование в образовании, науке и производстве» (Тирасполь, 2005);

- на II Международной конференции «Нелокальные краевые задачи и родственные проблемы математической биологии, информатики и физики» (Нальчик, 2001);

- на I Региональной научно-практической конференции «Теория и практика экономических реформ: Проблемы и перспективы» (Черкесск, 1998);

- на II Региональной научно-практической конференции «Региональная экономика, управление и право» (Черкесск, 1999). Результаты исследования, отдельные положения и рекомендации получили принципиальное одобрение Министерства экономики КЧР. Отдельные рекомендации, вытекающие из диссертации, приняты к внедрению в акционерном коммерческом банке «Кавказ-Гелиос». Разработанные модели фрактального анализа и прогнозирования включены в лекционный материал дисциплины «Экономическая кибернетика» для студентов специальности «Прикладная математика» Карачаево-Черкесской государственной технологической академии. Публикации. Основные результаты диссертации были опубликованы в 10 печатных работах общим объемом 3,38 п.л., в которых автору в совокупности принадлежит 2,9 п.л. Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения, списка использованной литературы и приложений. Во введении обоснована актуальность темы диссертационного исследования, сформулирована цель и задачи работы, описана структура и дан краткий обзор работы, изложены основные научные результаты, выносимые на защиту. Основные результаты, полученные в ходе исследований можно представить в виде следующего перечня: 1. Проведен анализ основных принципов существующих подходов к прогнозированию временных рядов, осуществлено обоснование факта ограниченной применимости классических методов прогнозирования для экономических временных рядов с памятью. 2. Сформулирована и развита авторская концепция агрегирования экономических временных рядов для получения предпрогнозной информации методами нелинейной динамики и теории хаоса, в частности, фрактального анализа временных рядов, базирующейся на выявлении таких фундаментальных характеристик, как глубина памяти, наличие свойства персистентности и наличия (или отсутствия) свойства трендоустойчивости. 3. Выполнен предпрогнозный анализ временных рядов котировки акций на базе фазовых портретов и агрегирования этих рядов, в результате чего выявлена эффективность использования процедуры агрегирования. 4. Осуществлена адаптация вычислительной схемы этапов известной клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций. 5. Для получения дополнительной прогнозной информации предложено совместное использование R/S-анализа, клеточно-автоматной прогнозной модели и фазовых портретов.

Глава 1 АНАЛИЗ ОСНОВНЫХ ПРИНЦИПОВ СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ 1.1 Неопределенность котировки акций и проблема ее прогнозирования Теория эффективности рынка [78,97] утверждает, что в рыночной цене бумаг верно и почти без задержки отражается вся известная информация и все ожидания участников рынка. Согласно этой теории, постоянно обыгрывать рынок невозможно, потому что поступление новой информации носит случайный характер, а реакция рынка на нее почти мгновенна. Следовательно, в любой момент времени все бумаги оценены рынком совершенно точно. Поэтому, как гласит теория, бумаги не могут быть переоценены или недооценены достаточно долго для того, чтобы можно было извлечь из этого прибыль. Целью настоящей диссертационной работы является исследование потенциальной прогнозируемости временных рядов курсов акций на фондовой бирже России на базе новых инструментариев нелинейной динамики, в частности, фрактального анализа, теории клеточных автоматов и фазовых портретов. Технический анализ [91,140] почти целиком основан на анализе цены и объема. Приведем список полей, определяющих цену бумаг и объем торгов: цена открытия (open) – цена первой сделки данного периода, максимум (high) – наибольшая цена бумаги заданный период, минимум (low): наименьшая цена бумаги за данный период, цена закрытия (close): последняя цена бумаги за данный период, объем (volume) – количество акций (или контрактов), по которым были заключены сделки за данный период и др. Следует отметить, что взаимосвязь между ценами и объемом (например, рост цен на фоне возрастающего объема) имеет большое аналитическое значение. В настоящее время известно множество технических средств и методов для преобразования финансовых данных в информацию, используемую в процессе принятия решений. Развитие математического аппарата происходи ло параллельно с эволюцией соответствующих научных дисциплин, таких как статистика, исследование операций и вычислительная техника. Любая компьютерная система статистических расчетов дает представление о разнообразии средств, имеющихся в распоряжении финансовых аналитиков. Подобные программы делают современные вычислительные методы и сложные прогностические модели широкодоступными. Но, несмотря на растущую сложность статистических методов, даже простой статистический анализ и построение нескольких графиков уже значительно способствуют процессу преобразования данных в полезную информацию, позволяя, по крайней мере, подготовить почву для более тщательного анализа. Недостатком статистических методов является то, что они не позволяют сократить количество данных. Сокращение количества данных путем категоризации или группировки их сходных элементов называется кластеризацией данных. Группировка данных путем кластеризации является наиболее универсальной, поскольку людям свойственно упорядочивать информацию аналогичным образом. Одним из мотивов для использования кластеризации является стремление автоматизировать построение категорий. Кластерный анализ можно использовать в случаях, когда необходима группировка тех или иных образов (изображений предприятий в виде наборов финансовоэкономических показателей), о взаимосвязях между которыми заранее не существует ясного представления. С помощью кластерного анализа исходные данные можно объединять в различные группы и подгруппы. Основные методы кластеризации можно разделить на два основных типа: иерархические и неиерархические. Наиболее популярными методами являются такие многомерные статистические методы, как дискриминантный анализ и логистическая регрессия. Общим в этих методах является то, что все они имеют целью получение некоторой оценки, которую можно было бы легко интерпретировать как показатель платежеспособности компании. Разные компании могут обладать различной финансовой структурой и одновременно иметь при этом одинаковые значения показателя платежеспособности. Поэтому однозначно определить финансовые признаки, характеризующие компанию или стоящие перед ней проблемы, на основании одного только показателя платежеспособности нельзя. С математической точки зрения все методы визуального представления сложных многомерных данных призваны снизить их размерность, т.е. сжать массивы финансово-экономических параметров предприятий с минимальной потерей информации. Иными словами, нужно определить меньшее число переменных, которые являлись бы функциями наиисходных данных, с целью повышения их содержательности. При наличии ограничения, согласно которому новые переменные должны представлять собой линейные комбинации старых, для решения подобной задачи часто используется метод главных компонент [57], реализуемый с помощью компьютерных программ, при этом метод главных компонент нельзя рекомендовать в качестве приемлемого метода сжатия массивов финансово-экономических параметров предприятий. Попытки точного описания модели стоимости пакетов ценных бумаг ведут к получению системы нелинейных уравнений большой размерности, в которых отдельные компоненты стоимости сложным образом зависят от большого числа переменных. Методы, основанные на использовании микроимитационных моделей [141] настолько хорошо применимы к решению задач прогнозирования финансово-экономического состояния предприятий, что заслуживают отдельного рассмотрения. Микроимитационные модели относятся к группе аналитических вычислительных моделей, которые могут оперировать с отчетными данными по предприятиям (данными микроуровня). Модели этого класса получили в последнее время широкое распространение в качестве инструмента анализа возможных последствий решений по управлению предприятиями или компаниями. Растущая популярность этих моделей наблюдается не только в развитых странах, но и во всем мире. В России микроимитационные модели пока не получили широкого распространения. В значительной мере это объясняется высокими требованиями микроимитацион ного моделирования к качеству и количеству исходных данных, которые для отечественных эмитентов собрать достаточно сложно. Именно поэтому в настоящее время для решения задач прогнозирования следует отдать предпочтение алгоритмам адаптивных нейронных сетей, менее критичным к качеству исходных данных. Однако по мере того, как растет информационная прозрачность эмитентов, и данные о предприятиях становятся более доступными, а также по мере развития компьютеризации, эффективное использование подобных моделей в России может стать более реальной задачей. Для подготовки рекомендаций по управлению пакетом акций необходимо знать не только то, каких дополнительных поступлений в настоящем можно ожидать в связи с принятием того или иного решения, но и то, каким образом это решение повлияет на динамику развития эмитента в будущем. Микроимитационная модель является хорошим средством оценки ожидаемых дивидендных поступлений и динамики развития предприятия. Используя данные микроуровня, т.е. данные об экономическом субъекте, эти модели показывают, как скажется принятие того или иного управленческого решения на доходности ценных бумаг. При использовании данных моделей для прогнозирования строится экстраполяция имеющихся данных на будущее и рассчитывается ожидаемая доходность по этой новой выборке. Статические модели чаще всего используются для имитации возможных краткосрочных последствий конкретных управленческих решений в виде увеличения или уменьшения денежных потоков. Динамические модели используются, главным образом, для имитации долгосрочных последствий в виде изменения финансово-экономического положения предприятия. Главное различие между этими подходами заключается в том, что статические модели исходят из предположения, что поведение предприятия (относительно сферы деятельности и качественных экономических параметров) в результате управленческих решений не изменится. Динамические микроимитационные модели отражают реакцию экономических субъектов на решения акционеров, т.е. изменение финансовых параметров в ответ на из менение структуры распределения прибыли. Если в статическую модель ввести предположения о том, как изменится поведение предприятия в ответ на принятие тех или иных управленческих решений, модель превратится в динамическую. В стандартной микроимитационной модели содержится три основные компоненты:

- база данных микроэкономического уровня данных по выборке экономических;

- программа экономических расчетов, которая может быть дополнена также блоком «поведенческих реакций» предприятий в ответ на решения акционеров;

- программа представления результатов, которая формирует и выводит на экран или на печать итоговые таблицы. 1.2 Анализ и классификация традиционных подходов к прогнозированию временных рядов котировки акций В последние годы в эконометрической литературе большое внимание уделяется исследованию временных рядов динамики экономических показателей. В практике построения эконометрических моделей основное внимание уделяется проблемам идентификации моделей, отбору эндогенных и экзогенных показателей, но почти не обращается внимания на формальный анализ структуры исходных статистических временных рядов. Предложенная в [30] классификация методов прогнозирования разбивает наиболее известные из этих методов на следующие группы: 1. Методы, основанные на построении многофакторных корреляционно-регрессионных моделей. 2. Методы авторегрессии, учитывающие взаимосвязь членов временного ряда.

3. Методы, основанные на разложении временного ряда на компоненты: тренд, сезонные колебания, циклическая компонента и случайная составляющая. 4. Методы, позволяющие учесть неравнозначность исходных данных. 5. Методы прямой интерполяции, использующие разные трендовые модели. К настоящему времени из перечисленных выше групп методов прогнозирования наибольшее распространение и применение в реальных расчетах получили методы третьей группы. Чаще всего в реальном экономикоматематическом моделировании основное внимание уделяется анализу трендов и сезонности. При этом построение прогнозной модели рассматриваемого ВР реализуется через преобразование его в базовую модель временного ряда. Точно так же каждый элемент, т.е. каждое число в этом базовой модели временного ряда получается путем перемножения пяти компонент:

«Данные = тренд сезонность цикличность регулярность событийность».

Содержательное определение этих пяти компонент в случае экономического прогнозирования состоит в следующем [39,124]: 1. Долгосрочный тренд (тенденция) указывает действительно долгосрочное поведение временного ряда, как правило, в виде прямой, или экспоненциальной, реже, степенной кривой. Это бывает полезно в случае, если требуется увидеть картину в целом. 2. Точно повторяющаяся сезонная компонента определяет влияние времени года. Каждый период времени в течение года характеризуется своим сезонным индексом, который свидетельствует о том, насколько выше или ниже соответствующий показатель в данный период времени по сравнению с другими периодами. 3. Среднесрочная циклическая компонента состоит из последовательных повышений и понижений, которые не повторяются регулярно, например каждый год и поэтому исключаются из сезонной компоненты. Поскольку эти повышения и понижения чередуются, их нельзя считать достаточно случай ными и рассматривать как часть независимой случайной ошибки (нерегулярной компоненты). Циклическую вариацию особенно трудно прогнозировать за пределами ближайшего будущего. Тем не менее, она может быть очень важна, поскольку основные явления экономического цикла (такие, как экономический спад) рассматриваются как часть циклической вариации в экономических показателях. 4. Краткосрочная нерегулярная (случайная) компонента представляет остаточную вариацию, которую невозможно объяснить. В нем проявляется действие тех однократных событий, которые происходят с течением времени случайно, а не систематически. Самое большое, что можно сделать с этой нерегулярной компонентой, оценить ее величину, воспользовавшись, например, стандартным отклонением, определить, меняется ли она с течением времени, и признать, что даже в идеальных условиях прогноз не может быть точнее (в среднем), чем типичная величина нерегулярной вариации. 5. Событийная компонента или кратко «событийная составляющая» (unusual events) имеет место в динамике таких временных рядов, на уровни которых каким-либо образом повлияло текущее событие глобального или локального характера. Эти пять базовых компонент временного ряда (тренд, сезонность, цикличность, случайная и событийная компоненты) можно оценивать различными способами. Ниже приведен краткий обзор методов, которые базируются на скользящей средней. В основе этих методов [39,124] происходит деление элементов ряда на значения ординат скользящей средней (ее подробное определение см. в [122,131]) следующим образом. 1. Скользящая средняя используемая для устранения сезонных эффектов усреднения по всему году, а также для уменьшения нерегулярной компоненты и получения комбинации тренда и циклической компоненты. 2. Деление элементов исходного ряда на значения соответствующих ординат сглаженного ряда скользящей средней, дающее «отношение к скользящей средней», которое представляет нам сезонные, так и нерегулярные значения. Выполняя группирование по сезонным периодам, например, по времени года, а затем усреднение в полученных группах, находим сезонный индекс для каждого времени года. Выполняя деление каждого значения ряда на соответствующий сезонный индекс для соответствующего времени года, находим значения с сезонной поправкой. 3. Регрессия ряда [77,114] с сезонной поправкой (Y ) по времени ( X ) служащая для оценивания долгосрочного тренда [74] в виде прямой линии как функции от времени, т.е. эта переменная времени X может состоять из чисел 1,2,3,…. Этот тренд (тенденция) не отражает сезонных колебаний и дает возможность получить прогноз с сезонной поправкой. 4. Прогнозирование, выполняемое с учетом сезонности тренда. Получая из уравнения регрессии прогнозируемые значения (тренд) для будущих периодов времени и затем, умножая их на соответствующий сезонный индекс, можно получать прогнозы, которые отражают как долгосрочную тенденцию, так и сезонное поведение. Анализ публикаций, посвященных методам и моделям прогнозирования, позволяет утверждать о существовании большого количества классификационных схем методов прогнозирования [41,60,92,95,118]. Однако большинство из них или неприемлемы, или обладают недостаточной познавательной ценностью. Основной погрешностью существующих классификационных схем является нарушение принципов классификации. К числу основных таких принципов, относятся: достаточная полнота охвата прогностических методов, единство классификационного признака на каждом уровне членения при многоуровневой классификации, непересекаемость разделов классификации, открытость классификационной схемы, т.е. возможность дополнения новыми методами. Предлагаемая в работе [118] многоуровневая классификация методов прогнозирования вполне сохраняет свою адекватность в настоящее время. Каждый уровень определяется своим классификационным признаком: степенью формализации, общим принципом действия, способом получения про гнозной информации. Согласно этой классификации все методы прогнозирования по степени формализации делятся на интуитивные и формализованные. Интуитивное прогнозирование применяется тогда, когда объект прогнозирования либо слишком прост, либо настолько сложен, что аналитически учесть влияние многих факторов практически невозможно. В этих случаях прибегают к опросу экспертов. Полученные индивидуальные и коллективные экспертные оценки используют как конечные прогнозы или в качестве исходных данных в комплексных системах прогнозирования. В выборе методов прогнозирования, важным показателем является глубина упреждения прогноза. При этом необходимо не только знать абсолютную величину этого показателя, но и отнести его к длительности эволюционного цикла развития объекта прогнозирования. Формализованные методы прогнозирования являются действенными, если величина глубины упреждения укладывается в рамки эволюционного цикла. При возникновении в рамках прогнозного периода «скачка» в развитии объекта прогнозирования необходимо использовать интуитивные методы как для определения силы «скачка», так и для оценки времени его осуществления. В этом случае формализованные методы применяются для оценки эволюционных участков развития до и после скачка. Если же в прогнозном периоде укладывается несколько эволюционных циклов развития объекта прогнозирования, то при комплексировании систем прогнозирования большее значение имеют интуитивные методы. В зависимости от общих принципов действия интуитивные методы прогнозирования, например, можно разделить на две группы: индивидуальные экспертные оценки и коллективные экспертные оценки. Методы коллективных экспертных оценок уже можно отнести к комплексным системам прогнозирования (обычно неполным), поскольку в последних сочетаются методы индивидуальных экспертных оценок и статистические методы обработки этих оценок. Но так как статистические методы применяются во вспомогательных процедурах выработки прогнозной информации, на наш взгляд, коллективные экспертные оценки целесообразнее отнести к сингулярным методам прогнозирования. В группу индивидуальных экспертных оценок можно включить (принцип классификации - способ получения прогнозной информации) следующие методы: метод «интервью», аналитические докладные записки, метод сценариев. В группу коллективных экспертных оценок входят анкетирование, методы «комиссий», «мозговых атак» (коллективной генерации идей). Класс формализованных методов в зависимости от общих принципов действия можно разделить на группы экстраполяционных, системноструктурных, ассоциативных методов и методов опережающей информации. В группу методов прогнозной экстраполяции можно включить методы наименьших квадратов, экспоненциального сглаживания, вероятностного моделирования и адаптивного сглаживания. К группе системно-структурных методов – можно отнести методы функционально-иерархического моделирования, морфологического анализа, матричный, сетевого моделирования, структурной аналогии. Ассоциативные методы можно разделить на методы имитационного моделирования и историко-логического анализа. В группу методов опережающей информации – включаются методы анализа потоков публикаций, оценки значимости изобретений и анализа патентной информации. Представленный перечень методов и их групп не является исчерпывающим. Нижние уровни классификации, открыты для внесения новых элементов, которые могут появиться в процессе дальнейшего развития инструментария прогностики [118,135]. В литературе, посвященной моделям прогнозирования, содержится утверждение о существовании двух параллельных направлений в этой теории [8,10,143,145]. Объекты первого из этих направлений имеют социальноэкономическое содержание. Объектами второго направления являются слож ные системы техногенного происхождения из различных областей жизнедеятельности. Авторы книги [52] известные методы прогнозирования технического состояния рассматривают в составе следующих 5 основных групп: 1) эвристические методы прогнозирования;

2) математические методы прогнозирования;

3) математические методы пространственной экстраполяции;

4) методы моделирования процессов развития;

5) логические и структурные методы искусственного интеллекта (ИИ). Математические методы временной экстраполяции можно условно разделить на три группы:

- методы аналитического прогнозирования;

- методы вероятностного прогнозирования;

- методы статистической классификации. К числу методов аналитического прогнозирования многомерных процессов относится градиентный метод, в рамках которого функция состояния экстраполируется в направлении вектора функции состояния [119]. Существует ряд методов аналитического прогнозирования, учитывающих производные изменений функции состояния. К числу таких методов относят операторный метод, метод суммирования производных и т.д. Необходимость вероятностного прогнозирования многомерных процессов определяется сильным влиянием внешних и внутренних факторов, имеющих случайный характер. Преобладание случайной составляющей при измерениях приводит к большим случайным изменениям функций состояний. К методам вероятностного прогнозирования относится метод статистического градиента. При этом закономерность движения функции состояния к допустимым границам оценивается статистически. К методам вероятностного прогнозирования относится метод гипотез и фильтрации. Он состоит в том, что вводится гипотеза о том или ином пове дении функции состояния, а затем все результаты контроля и прогнозирования, не удовлетворяющие принятой гипотезе, отфильтровываются. Наиболее часто для получения непрерывного прогноза используются оптимальные фильтры: фильтр Винера-Хопфа для прогнозирования стационарных процессов и фильтр Калмана для нестационарных процессов [118]. К методам статистической классификации относится метод канонического разложения процесса. Он по своему принципу является промежуточным между методом наименьших квадратов (регрессией) и использованием прогнозирующих фильтров. Основными недостатками данного метода являются невозможность учета скачков и необходимость в представительном объеме априорных статистических оценок. К общим недостаткам большинства вероятностных методов прогнозирования многомерных процессов можно отнести: 1) необходимость наличия представительного объема статистических данных о процессах изменения параметров;

2) невозможность учета скачков на участке прогнозирования;

3) невозможность обойтись без математического описания процессов изменения параметров. Методы моделирования процессов развития, т.е. физическое моделирование позволяет воспроизводить функционирование только отдельных элементов и подсистем объекта с сохранением его физической природы. Имитируя предполагаемые воздействия на эти элементы, можно прогнозировать их ТС в интересующих условиях. Данный метод позволяет получить любую недостающую информацию для построения прогнозной модели, однако в ряде случаев физическое моделирование невыполнимо. Как правило, выделяют три метода моделирования: физическое, математическое и имитационное. При анализе временных рядов с выраженным трендом в течение довольно длительного времени было принято производить оценивание и выделение детерминированного тренда, после чего производить подбор динамической модели (например, ARMA – auto regression moving overage) к ряду, "очищенному от тренда", т.е. к ряду остатков от соответствующей оцененной регрессионной модели. После введения Боксом и Дженкинсом [114,124] в обиход моделей ARIMA стало возможным приведение рядов к стационарному виду с выраженным трендом и медленным убыванием (оцененной) автокорреляционной функции путем перехода к рядам первых или вторых разностей. Однако, как показали дальнейшие исследования, произвольный выбор одного из этих двух способов приведение ряда к стационарному вовсе не так безобиден, как это казалось поначалу. Прогнозирование на базе ARIMA-моделей. ARIMA-модели охватывают достаточно широкий спектр временных рядов, а небольшие модификации этих моделей позволяют весьма точно описывать и временные ряды с сезонностью. Начнем исследование проблемы прогнозирования временных рядов с методов, основанных на использовании ARIMA-моделей. Говоря об ARIMA-моделях, будем иметь в виду, что сюда входят частные случаи AR-, МА- и ARMA-модели. Кроме того, будем исходить из того, что уже осуществлен подбор подходящей модели для анализируемого временного ряда, включая идентификацию этой модели. Поэтому в дальнейшем предполагается, что все параметры модели уже оценены. Будем прогнозировать неизвестное значение xt +1, l 1 полагая, что xt – последнее по времени наблюдение анализируемого временного ряда, имеющееся в нашем распоряжении и обозначим его через xtl. Заметим, что хотя xtl + и xtl11 обозначают прогноз одного и того же неизвестного значения xt +1, но вычисляются они по-разному, т.к. являются решениями разных задач. Ряд x, анализируемый в рамках ARIMA (p,k,q)-модели, представим (при любом > k ) в виде (1 L...

p L p ( 1) C kj x 1 = 1 1... q q, k j = ) k (1.1) где L - оператор сдвига функции времени на один временной такт назад. Из соотношения (1.1) можно выразить x для любого = t q,..., t 1, t + 1,..., t + 1. Получаем q p p k j x = j L j x + 1 j L j ( 1) C ki x i + 1 j L j. j =1 j =1 j =1 i = (1.2) Правые части этих соотношений представляют собой линейные комбинации из p + k предшествующих (по отношению к левой части) значений анализируемого процесса x, дополненные линейными комбинациями текущего и q предшествующих значений случайных остатков. Причем коэффициенты, с помощью которых эти линейные комбинации подсчитываются, известны, т.к. выражаются в терминах уже оцененных параметров модели. Этот факт и дает возможность использовать соотношения (1.2) для построения прогнозных значений анализируемого временного ряда на l тактов времени вперед. Теоретическую базу такого подхода к прогнозированию обеспечивает известный результат, в соответствии с которым наилучшим (в смысле среднеквадратической ошибки) линейным прогнозом в момент времени t с упреждением l является условное математическое ожидание случайной величины xt +l, вычисленное при условии, что все значения x до момента времени t. Этот результат является частным случаем общей теории прогнозирования [60,92,114,124]. Таким образом, определяется следующая процедура построения прогноза по известной до момента траектории временного ряда: 1) по формулам (1.2) вычисляются ретроспективные прогнозы xtlq l, xtlq,..., xtl1 по предыдущим значениям временного ряда;

2) используя формулы (1.2) для > t, подсчитываются условные математические ожидания для вычисления прогнозных значений. Описанная процедура выглядит достаточно сложной. Однако, как мы покажем ниже, при реалистичных значениях параметров p, q и k эта процедура в действительности оказывается весьма простой. Метод экспоненциального сглаживания. Весьма эффективным и надежным методом прогнозирования является экспоненциальное сглаживание [118,124]. Основные достоинства метода состоят в возможности учета весов исходной информации, в простоте вычислительных операций, в гибкости описания различных динамик процессов. Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения. После появления работ Р.Брауна [118] наибольшее применение метод нашел для реализации краткосрочных и среднесрочных прогнозов. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома [59,60,71,92]. Пусть исходный динамический ряд описывается функцией y1 = a0 + a1t + ap p a2 2 t +... + t + t. p! (1.3) Метод экспоненциального сглаживания, являющийся обобщением метода скользящего среднего, позволяет построить такое описание процесса (1.3), при котором более поздним наблюдениям придаются большие веса по сравнению с ранними наблюдениями, причем веса наблюдений убывают по экспоненте. Выражение k S t[k ] ( y ) = (1 ) S t[11] ( y ) i i =0 n называется экспоненциальной средней k -гo порядка для ряда yt, где - параметр сглаживания. В расчетах для определения экспоненциальной средней пользуются рекуррентной формулой [71,119] k S t[k ] ( y ) = S t[k 1] ( y ) + (1 )S t[1] ( y ).

Как было отмечено, важную роль в методе экспоненциального сглаживания играет выбор оптимального параметра сглаживания, так как именно он определяет оценки коэффициентов модели, а следовательно, и результаты прогноза. Выбор параметра целесообразно связывать с точностью прогноза, поэтому для более обоснованного выбора можно использовать проце дуру обобщенного сглаживания, которая позволяет получить соотношения, связывающие дисперсию прогноза и параметр сглаживания [118,124]. Весьма существенным для практического использования является вопрос о выборе порядка прогнозирующего полинома, что во многом определяет качество прогноза. В работах [118,124] показано, что превышение второго порядка модели не приводит к существенному увеличению точности прогноза, но значительно усложняет процедуру расчета. Отметим, что данный метод является одним из наиболее надежных и широко применяется в практике прогнозирования. Учитывая, что метод экспоненциального сглаживания является обобщением метода наименьших квадратов, можно надеяться, что он будет совершенствоваться и дальше как в теоретическом, так и в прикладном аспекте. Одно из наиболее перспективных направлений развития данного метода представляет собой метод разностного прогнозирования, в котором само экспоненциальное сглаживание рассматривается как частный случай [118,124]. Главный недостаток этого метода состоит в том, что он рассматривает временные ряды изолировано от других явлений. Кроме того, точность прогноза заметно падает при долгосрочном прогнозировании [118]. Как отмечено ранее, узким местом всех адаптивных методов, и методов экспоненциального сглаживания в частности, является подбор подходящего к данной конкретной задаче параметра сглаживания (адаптации). Даже при оптимальном подборе параметра модель Брауна уступает в точности прогноза ARIMA (0,1,1)-модели. Особо отметим, что в 70-е годы привлекали внимание специалистов в области прогнозирования методы теории распознавания образов и методы группового учета аргументов [92,118,124]. Однако в дальнейшем эти подходы не получили широкого распространения. Одной из важнейших проблем, возникающих при получении конкретных прогнозов, является оценка исходной информации. При прогнозировании развития сложной системы возникает ситуация, когда поведение систе мы может быть описано с помощью многих различных показателей. Реализация прогнозов по всей совокупности этих показателей приводит к необходимости учитывать и взаимосвязи между ними, что подчас бывает весьма затруднительно. Ситуация облегчается, когда для реализации прогнозов используется аппарат распознавания образов и прогнозируются возможные варианты развития сложной системы. В этой связи важной является проблема прогнозного анализа, в рамках которой решается задача определения качества исходной информации, т. е. рассматриваемых показателей, для возможного описания исследуемой системы. Параллельно фундаментальному анализу в настоящее время развитие получил технический анализ – метод изучения цен, главным инструментом которого служат графики. Своими корнями современный технический анализ уходит в начало века, в теорию Чарльза Доу. Проистекая из нее прямо или косвенно, он вобрал в себя такие принципы и понятия, как направленный характер движения цен, «цены учитывают всю известную информацию», подтверждение и расхождение, объем как зеркало ценовых изменений и поддержка/сопротивление. Технический анализ [91,140] состоит в изучении прошлых цен с целью определения вероятного направления их развития в будущем. Текущая динамика цен (т.е. текущие ожидания) сравнивается с сопоставимой динамикой цен в прошлом, посредством чего достигается более или менее реалистичный прогноз.

Рисунок 1.1 - График курса акций компании Merck На рисунке 1.1 представлена явно нисходящая тенденция, без признаков разворота. Хотя компания, возможно, имеет перспективы высокой прибыли и хорошие фундаментальные показатели, покупать ее ценные бумаги нет смысла, пока какие-либо технические признаки в динамике цен не укажут на изменение тенденции. Независимо от того, какому типу анализа отдает предпочтение трейдер [75,95] – фундаментальному или техническому, при составлении рыночных прогнозов он обращается к понятию "линия тренда" (trendline). Понятие "линия тренда" зачастую трактуется неоднозначно и непоследовательно. Однако следует помнить, что из множества возможных линий тренда истинной является только одна. Разработана эффективная методика выбора двух критических точек, необходимых для построения истинной линии тренда [75]. Графический анализ линий тренда утратил былую субъективность и превратился в чисто механическую процедуру. Появились четкие критерии истинности прорывов линии тренда и возможность легко рассчитывать ценовые ориентиры, что само по себе достаточно для создания полноценных торговых систем. Ценовые разрывы и значительные изменения цен в течение торговой сессии приобрели значимость, о которой раньше приходилось только мечтать. На рисунках 1.2 и 1.3 представлены 2 линии тренда: предложение – нисходящей линией, спрос – восходящей.

Рисунок 1.2 – График линии тренда (нисходящая) Можно обратить внимание, что на рисунке 1.2 постепенное снижение цен отражено нисходящей линией "предложения";

ценовые пики и впадины также последовательно снижаются.

Рисунок 1.3 – График линии тренда (восходящая) На рисунке 1.3 постепенное повышение цен отражено восходящей линией "спроса";

ценовые пики и впадины также последовательно повышаются. Сложность заключается в выборе особых точек, через которые проходят эти прямые линии (см. рисунок 1.3). Как правило, аналитик привносит изрядную долю субъективизма в построение линий тренда. Так, движение цен на рынке принято рассматривать в ретроспективе – от прошлого к будущему, поэтому и даты на графике перечисляются слева направо. Соответственно линии спроса и предложения строятся и располагаются на графике слева направо. Интуиция подсказывает, что это неверно. Движение цен в настоящий момент гораздо важнее, чем движение рынка в прошлом. Иными словами, стандартные линии тренда должны вычерчиваться справа налево так, чтобы в правой части графика были самые последние данные о состоянии рынка. Поначалу это может показаться необычным, но мой собственный опыт и обширные наблюдения подтверждают целесообразность такого подхода. Не стоит жертвовать точностью и логикой во имя простоты. Общепринятая процедура построения множества линий тренда, из которых одна милостиво полагается верной, также грешит неточностью и полным невниманием к мелким деталям. Между тем успешное применение линий тренда требует от аналитика повышенной внимательности и последовательности.

Рисунок 1.4 – График линии тренда На рисунке 1.4 представлена тенденция в развитии цен можно графически представить различными прямыми линиями. Главным моментом является выбор из множества точек двух ключевых. Именно через них проходит истинная линия тренда. Нами рассмотрены и проанализированы некоторые методы и алгоритмы прогнозирования, имеющие четкую математическую формализацию и позволяющие нам работать с временными рядами. Отметим, что на практике, кроме рассмотренных методов, для прогнозирования широко используются методы экспертных оценок, теория межотраслевого баланса, методы, основанные на теории игр, вариационного исчисления, спектрального анализа и др. [109,110,104,105,106,107,108,111,112]. Следует отметить, что наиболее общие классические методы, используемые в мире для анализа и прогнозирования финансового состояния предприятий, связаны с применением эконометрических моделей, за каждой переменной которых стоит определенный статистический индикатор, с той или иной точностью измеряющий какую-то сторону хозяйственной деятельности исследуемого объекта. В ряде случаев они позволяют выявить конкретные количественные взаимосвязи экономических процессов, протекающих на предприятиях-эмитентах, с индикативными показателями, доступными для инвесторов. Однако в современных российских условиях использование разработанных на основе западной практики моделей по очевидным причинам затруднено. Отечественная эконометрика пока не создала широко известных моделей, о достоинствах и недостатках которых можно было бы судить с учетом опыта их использования [34]. Обзор литературы позволил выявить ряд недостатков существующих методов прогнозирования и задач, которые необходимо решить в данной области. Недостатками метода наименьших квадратов является использование процедуры оценки предполагающей обязательное удовлетворение целого ряда предпосылок, невыполнение которых может привести к значительным ошибкам: 1) случайные ошибки имеют нулевую среднюю, конечные дисперсии и ковариации;

2) каждое измерение случайной ошибки характеризуется нулевым средним, не зависящим от значений наблюдаемых переменных;

3) дисперсии каждой случайной ошибки одинаковы, их величины независимы от значений наблюдаемых переменных (гомоскедастичность);

4) отсутствие автокорреляции ошибок, т.е. значения ошибок различных наблюдений независимы друг от друга;

5) нормальность, т.е. случайные ошибки имеют нормальное распределение;

6) значения эндогенной переменной x свободны от ошибок измерения и имеют конечные средние значения и дисперсии. Выбор модели в каждом конкретном случае осуществляется по целому ряду статистических критериев, например по дисперсии, корреляционному отношению и др. Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. В реальной же практике будущее поведение процесса значительно в большей степени определяется поздними наблюдениями, чем ранними. Это обстоятельство породило так называемое дисконтирование, т. е. уменьшение ценности более ранней информации.

Важным моментом получения прогноза с помощью метода наименьших квадратов является оценка достоверности полученного результата. Для этой цели используется целый ряд статистических характеристик:

- оценка стандартной ошибки;

- средняя относительная ошибка оценки;

- среднее линейное отклонение;

- корреляционное отношение для оценки надежности модели;

- оценка достоверности выбранной модели через значимость индекса корреляции по Z-критерию Фишера;

- оценка достоверности модели по F-критерий Фишера;

- проверка на наличие автокорреляций по критерию Дарбина - Уотсона. Недостатки метода наименьших квадратов обусловлены жесткой фиксацией тренда и надежный прогноз при этом можно получить на небольшой период упреждения. Здесь речь идет об ограниченных возможностях методов математической статистики, теории распознавания образов, теории случайных процессов и т.п., так как многие реальные процессы не могут адекватно быть описаны с помощью традиционных статистических моделей, поскольку являются существенно нелинейными и имеют либо хаотическую, либо квазипериодическую, либо смешанную основу. Одним из методов прогнозирования, применяемых к стационарным ВР является метод экспоненциального сглаживания. Для него основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома. Кроме того, для определения начальных параметров модели остаются актуальными перечисленные недостатки метода наименьших квадратов и проблема автокорреляций. В процессе прогнозирования имеет место использование вероятностных моделей. Недостатком этих моделей является требование большого количества наблюдений и незнание начального распределения, что может привести к неправильным оценкам.

Недостатком метода адаптивного сглаживания является то, что только при очень длинных рядах можно получить надежный прогноз на интервал больший, чем при обычном экспоненциальном сглаживании. К сожалению, для данного метода нет строгой процедуры оценки необходимой или достаточной длины исходной информации, для конечных рядов нет конкретных условий оценки точности прогноза. Поэтому для конечных рядов существует риск получить весьма приблизительный прогноз, тем более что в большинстве случаев в реальной практике встречаются ряды, содержащие не более 2030 точек. Проблемы с методом Бокса - Дженкинса (модели авторегрессии скользящего среднего) связаны, прежде всего, с неоднородностью временных рядов и практической реализации метода из-за своей сложности. В целом результаты применения традиционных технологий оценки и прогнозирования финансового состояния компаний, а также реальной стоимости пакетов их ценных бумаг (акции, облигации), которые свободно продаются и покупаются на фондовом рынке, можно назвать ограниченными. Ограниченность этих методов состоит в их зависимости от исходных условий и отсутствии гибкости. Жесткие статистические предположения о свойствах временных рядов ограничивают возможности методов математической статистики, теории распознавания образов, теории случайных процессов и т.п. Они не способны учитывать то, что относительная значимость отдельных показателей финансовой отчетности и определяющих их факторов на практике меняются со временем, подчас очень резко и непредсказуемо. Кроме этого традиционные подходы характеризуются ограниченной информативностью, так как предназначены для описания качественных факторов или закономерностей в количественных терминах. Таким образом, на смену традиционным технологиям должны прийти новые подходы, более эффективные в условиях структурной нестабильности российской экономики [34]. В последнее время все большее внимание уделяется исследованию и прогнозированию финансовых временных рядов с использованием теории динамических систем, теории хаоса. Это достаточно новая область, которая представляет собой популярный и активно развивающийся раздел математических методов экономики [33,39,113,114,118,119,122,123]. В силу вышеперечисленных недостатков существующих методов прогнозирования возникает необходимость разработки эффективных методов анализа экспериментальных данных и подходов к вычислению стохастических характеристик сигналов в нелинейных динамических системах, а также в разработке усовершенствованной методики, алгоритмов анализа и прогнозирования временных рядов фондовых показателей. 1.3 Современные подходы к прогнозированию котировки акций методами нелинейной динамики Многие реальные процессы, в том числе и показатели рынка ценных бумаг, не могут адекватно быть описаны с помощью традиционных статистических моделей, т.к. по сути являются существенно нелинейными и имеют либо хаотическую, либо квазипериодическую, либо смешанную (стохастика + хаос-динамика+детерминизм) основу [122]. В данной ситуации адекватным аппаратом для решения задач анализа и прогнозирования рынка ценных бумаг могут служить специальные искусственные сети, реализующиеся на базе искусственного интеллекта. Программно-математической основой этих методов являются самоорганизующиеся нейронные сети (НС) [3,18,42,51,54,120,125]. Нейронная сеть - это совокупность нейронных элементов и связей между ними. Основной элемент нейронной сети – это формальный нейрон, осуществляющий операцию нелинейного преобразования суммы произведений входных сигналов на весовые коэффициенты Y = F wi xi F (WX ), где i = X = ( x1, x 2,..., x n ) – вектор входного сигнала;

W = (w1, w2,..., wn ) – весовой вектор;

T n F – оператор нелинейного преобразования.

В настоящее время методы искусственных сетей уже доказали свою высокую эффективность в области экономики и финансов. Искусственные нейронные сети являются аппаратом из области нейрокомпьютинга (neural computing) быстро развивающейся в последнее время области вычислительных технологий, стимулированной исследованиями мозга. Вычислительные операции в таких сетях выполняются большим числом сравнительно простых процессорных элементов (processing element). Структура сети (network) тождественна математически определенной структуре вычислительной системы, в которой все операции выполняются в определенных узлах, а поток информации отображается направленными ребрами графа. Каждый узел (нейрон) сети представлен процессорным элементом, нейроноподобной ячейкой, которая совместно со многими другими процессорными элементами образует нейронную вычислительную сеть. Аналогом такого узла в физиологической нервной системе является нервная клетка мозга [34]. В общем случае искусственная нейронная сеть представляет собой адаптивную нелинейную динамическую систему. Посредством равновесных состояний такой сети можно решать математические или вычислительные задачи. Нейронные сети представляют собой совокупность математических методов, которые могут быть использованы для обработки информации, прогнозирования и кластеризации. Существует два класса нейронных сетей:

- сети, обучаемые с учителем;

- сети, обучаемые без учителя. Нейронные сети, обучаемые с учителем, представляют собой средства для извлечения из набора данных информации о взаимосвязях между входами и выходами нейросети. Эти взаимосвязи могут быть переведены в математические уравнения, которые можно использовать для прогнозирования или выработки управленческих решений. «Учителем» в данном случае является набор параметров, который исследователь помещает на выходе сети. На вход сети при этом подается соответствующий данному выходу входной на бор данных. Сеть обучается устанавливать взаимоотношения между исходной информацией и результатами адаптивного итерационного процесса [34]. Алгоритм работы сети, обучаемые без учителя, основывается на соревновательном обучении. Алгоритм предполагает такое поведение нейронов сети, что при каждой подаче очередного набора данных на вход они как бы «соревнуются» друг с другом на наилучшее соответствие входному набору по выбранным критериям. В результате соревнования определяется нейрон победитель, после чего структура сети подвергается коррекции. Класс самоорганизующихся нейронных сетей, обучаемых без учителя, обозначается термином адаптивные нейронные сети (АНС). Важным достоинством метода АНС является то, что он представляет собой численный, а не символьный метод обработки данных. Одной из уникальных особенностей АНС является то, что она предоставляет внутренне присущие ей точные и простые механизмы для разделения вычислительной задачи на субъединицы, что позволяет проводить вычисления с высокой степенью параллельности. Обучение без учителя дает возможность обнаруживать во входных наборах данных неизвестные ранее структуры или закономерности, что отражает способность АНС к обобщению (generalization) на основе входных примеров. Это свойство позволяют обобщать большие наборы многомерных данных, которыми являются финансово-экономические показатели предприятий, выявлять и демонстрировать содержащиеся в них структуры, а также обнаруживать новые образы и взаимосвязи в таких наборах данных. В сущности, все нейронные сети являются мощным инструментом прогнозирования. Заложенные в них генетические алгоритмы, эволюционируя естественным путем, позволяют выявить правила и стратегии, преследующие множественные цели. При введении одного или большего числа ограничений можно оптимизировать систему в любом направлении ее развития, что позволяет осуществить направленный прогноз, поэтому нейронные сети могут служить хорошим инструментом для изучения и анализа нелинейности динамики процессов, характеризуемых потоками входных данных.

Первые шаги в области искусственных нейронных сетей сделали в 1943 г. В. Мак-Калох и В. Питс. Они показали, что при помощи пороговых нейронных элементов можно реализовать исчисление любых логических функций [54]. В 1949 г. Хебб предложил правило обучения, которое стало математической основой для обучения ряда нейронных сетей [51]. В 19571962 гг. Ф. Розенблатт предложил и исследовал модель нейронной сети, которую он назвал персептроном [120]. В 1959 г. В. Видроу и М. Хофф предложили процедуру обучения для линейного адаптивного элемента - AD ALINE. Процедура обучения получила название "дельта правило" [54]. В 80-е годы значительно расширяются исследования в области нейронных сетей. Д. Хопфилд в 1982 г. дал анализ устойчивости нейронных сетей с обратными связями и предложил использовать их для решений задач оптимизации. Т. Кохонен разработал и исследовал самоорганизующиеся нейронные сети. Ряд авторов предложил алгоритм обратного распространения ошибки, который стал мощным средством для обучения многослойных нейронных сетей [51,54,120]. В настоящее время разработано большое число нейросистем, применяемых в различных областях: прогнозировании финансовых показателей, управлении, диагностике в медицине и технике, распознавании образов и т. д. [18,27,31,49,62,68,69]. Для обучения сети используются различные алгоритмы обучения и их модификации [36,38,44,56,82,142]. Авторами [129,139] разработан алгоритм обучения сети, который минимизирует среднеквадратичную ошибку нейронной сети за счет использования адаптивного шага обучения (t). Предлагается использовать логарифмическую функцию активации для решения задач прогнозирования, которая позволяет получить прогноз значительно точнее. Анализ многослойных нейронных сетей авторов [129,139] и алгоритмов их обучения позволил выявить ряд недостатков и возникающих проблем:

- неопределенность в выборе числа слоев и количества нейронных элементов в слое;

- медленная сходимость градиентного метода с постоянным шагом обучения;

- сложность выбора подходящей скорости обучения;

- невозможность определения точек локального и глобального минимума, так как градиентный метод их не различает;

- влияние случайной инициализации весовых коэффициентов НС на поиск минимума функции среднеквадратической ошибки. Применение нейронных сетей для обработки финансовоэкономических данных предприятий или компаний иногда является недостаточно гибким. Например, в процессе самообучения нейросети не допускается добавление новых нейронов. Сложность использования АНС также обусловлена тем, что размерность плоскости выходных параметров должна быть определена до начала обучения. В таких случаях метод АНС целесообразно дополнить генетическими алгоритмами. Прогнозирование с использованием инструментария генетических алгоритмов впервые (machine learning) была предложена в 70-е годы [1,9,53,83]. Во второй половине 1980-х к этой идее вернулись в связи с обучением нейронных сетей. Они позволяют решать задачи прогнозирования (в последнее время наиболее широко генетические алгоритмы обучения используются для банковских прогнозов), классификации, поиска оптимальных вариантов, и совершенно незаменимы в тех случаях, когда в обычных условиях решение задачи основано на интуиции или опыте, а не на строгом (в математическом смысле) ее описании. Использование механизмов генетической эволюции для обучения нейронных сетей кажется естественным, поскольку модели нейронных сетей разрабатываются по аналогии с мозгом и реализуют некоторые его особенности, появившиеся в результате биологической эволюции [12,13,37,117]. Важным недостатком генетических алгоритмов является сложность для понимания и программной реализации. Однако преимуществом является эффективность в поиске глобальных минимумов адаптивных рельефов, так как в них исследуются большие области допустимых значений параметров нейронных сетей. Генетические алгоритмы дают возможность оперировать дискретными значениями параметров нейронных сетей, что может привести к сокращению общего времени обучения. Инструментарий клеточных автоматов является также современным методом прогнозирования экономических временных рядов, поведение которых не подчиняется законам линейной динамики. Впервые идея клеточных автоматов была предложена Конрадом Цузе и Станиславом Уламом [22] и воплощена практически Джоном фон Нейманом с целью воспроизвести поведение сложных пространственно протяженных систем [22]. Американский математик Дж. Нейман обоснованно полагал, что многие сложные явления, такие, как самовоспроизведение, рост и развитие, морфогенез, турбулентные процессы, которые трудно моделировать с помощью дифференциальных уравнений, удается описать с помощью клеточных автоматов. Становление теории клеточных автоматов во многом связано с работами Стивена Вольфрама и ряда других авторов, которые взглянули на многие физические теории с алгоритмической точки зрения [25,80]. Изданная под его редакцией антология [26], а также монография [144] дают достаточно полный объем современного состояния теории клеточных автоматов. Клеточным автоматом (КА) называют сеть из элементов, меняющих свое состояние в дискретные моменты времени в зависимости от состояния самого элемента и его ближайших соседей в предшествующий момент времени [80, 144]. В более общем представлении КА – это определенная динамическая система, состоящая из множества A идентичных, имеющих предел машин или ячеек, которые повторно меняют «цвет» или состояние, следуя заранее определенным правилам, и эти правила одинаково действует по отношению ко всем элементам множества A в дискретном временном отрезке. Клеточные автоматы могут быть одно-, двух- или многомерными ( d - мерными, d 3 ) при этом, чаще всего их определение базируется на целочисленных решетках Z d.

Гипотеза Вольфрама состоит в том, что многие физические, социальноэкономические, технические и др. системы и их модели, для которых в настоящее время неизвестно прямого описания, являются вычислительно неприводимыми [80]. Для эволюционных процессов таких систем наблюдается отсутствие характеристического масштаба времени и пространства. Указанное отсутствие восполняется использованием такой характеристики, как самоподобие. В подобной ситуации на базе инструментария клеточных автоматов появляются принципиально новые методы, например, теория самоорганизованной критичности [87,144]. К классическим объектам этой теории, предложенной Пер Баком, Чао Таном и Куртом Висенфельдом [2], относятся сход лавин, биржевые крахи, ряд процессов микроэкономики [87]. В теории клеточных автоматов имеется классификация [24,96], согласно которой все автоматы делятся на четыре класса, в зависимости от типа динамики изменяющихся состояний. Автоматы первого класса по истечении конечного времени достигают однородного состояния, в котором значения всех элементов одинаковы и не меняются со временем. Ко второму классу автоматов относятся системы, приводящие к локализованным структурам стационарных или периодических во времени состояний элементов. Третий класс составляют «блуждающие» автоматы, которые с течением времени посещают произвольным (непериодическим) образом все возможные состояния элементов, не задерживаясь ни в одном из них. И, наконец, четвертый класс составляют «странные» автоматы, характер динамики которых зависит от особенностей начального состояния элементов. К автоматам четвертого типа относится знаменитая игра «Жизнь» Дж.Конвея [80,144]. Инструментарий фазовых портретов является новым методом для прогнозирования экономических временных рядов, в частности рынка ценных бумаг. Отметим на дальнейшее, что в настоящей работе термин «эволюционный процесс» подразумевает определение такого понятия, как «фазовое пространство». Согласно установившимся представлениям, фазовое пространство означает совокупность мгновенных состояний рассматриваемой системы (экономической, технической, социальной, экологической и т.д.), снабженной определенной структурой в зависимости от рассматриваемых задач и поставленных целей. С математической точки зрения фазовое пространство – это множество с надлежащей структурой, элементы которого (фазовые точки) представляют (условно изображают) состояния системы. Чаще всего не делается различия между состояниями и изображающими их фазовыми точками в силу имеющего место изоморфизма между ними. При исследовании эволюционного процесса исходной информацией является временной ряд, т.е. упорядоченная последовательность наблюдений за значениями некоторого показателя. При этом число переменных, определяющих поведение процесса, и тип функции, описывающий это поведение, заранее неизвестны. Пусть эволюционный процесс определяется векторным итерационным уравнением X t +1 = F X t, t = 1,2,....

() (1.4) Здесь X t - это вектор из n компонент, где n может быть очень большим числом и обычно включает много переменных, о которых мы ничего не знаем. Функция F в (1.4) переводит систему из одного момента времени в следующий, вид ее тоже неизвестен. Исследователь наблюдает временной ряд скалярных величин xt, t = 1,2,..., T. Наблюдения генерируются в соответствии с некоторой функцией xt = h( X t ).

(1.5) Будем называть функцию h «функцией наблюдателя». Временной ряд образует траекторию, которая является плотной на аттракторе [52,90,92,93]. Для получения сведений об исходной системе нам нужен некоторый способ, с помощью которого мы сможем возвращаться от наблюдаемой к исследуемой системе. Этот способ осуществляется путем построения фазовой траектории [58,80], или, в другой терминологии, фазового портрета [110] размерности :

X = {(xt, xt +1,...., xt + 1 )}, t = 1,2,...T.

() (1.6) Термины «фазовый портрет» или «фазовая траектория» обычно подразумевают, что соседние точки множества (1.4) для наглядности соединены отрезками прямой или кривой линии. Объективную информацию о характере поведения эволюционного процесса (1.4) можно получить через наблюдения (1.5), опираясь на теорему Таккенса [21]: если система, которая порождает временной ряд, является n - размерной, и обеспечено выполнение неравенства 2n + 1, тогда в общем случае фазовые траектории воссоздают динамику исследуемой системы. Этот результат позволяет делать выводы о поведении системы, опираясь на данные наблюдений, и, более того, получать информацию для прогнозирования этого поведения. Особого внимания заслуживают «кусочно-полиномиальные» подходы к представлению фазовых траекторий. Среди этих подходов наиболее перспективным является использование сплайн функций [46,127]. Отличительная особенность сплайнов заключается в том, что они состоят из отрезков степенного полинома малого порядка (степени). Эти отрезки сходятся в заданных узловых точках процесса (узлах решетчатой функции). Необходимой составной частью такого подхода является «сшивка» кусков сплайн-функции значениями самой функции и значениями ее производных. Такая структура сплайна автоматически собирает его отдельные фрагменты в единый ансамбль. На рисунках 1.6 – 1.8 с иллюстративной целью представлены фазовые инфляционные сплайн-портреты. Они демонстрируют удивительно стабильно сохраняющуюся цикличность, периодичность инфляции в разные годы как стабильного процветания (1975-1988 гг.) экономики США, так и «смутных» времен (1929-1949 гг.). В англоязычной литературе термин spline-smoothing переводится как «сплайн-сглаживание» и подчеркивает ограниченность применения сплайнфункций – только для построения интерполяционной кривой на дискретном множестве точек (рисунок 1.8). Однако в работе [46] автор показал, что на самом деле сплайны при моделировании, анализе и прогнозе экономики мо гут давать гораздо больше. Например, использование сплайн-модели в анализе работы Невинномысского отделения Северо-Кавказского банка России позволило получить необычные результаты и по-новому взглянуть на многие экономические процессы. В процессе моделирования была найдена не очень Рисунок 1.5 - Двумерный портрет поведения финансового результата банка (ось абсцисс) и его первой производной (ось ординат) полезная системная цикличность финансовых потоков в коммерческих банках, которую можно объяснить как следствие имеющегося временного запаздывания со стороны регулирующих воздействий. На рис. 1.5 показан фазовый портрет динамики финансового результата территориального отделения банка в 2002 г. (цифра конца каждого месяца нанесена на кривую), в точке замыкания цикла повторяется не только значение финансового результата, но и значение его первой производной, указывающей перспективу дальнейшего изменения.

Рисунок 1.6 - Фазовый портрет уровня инфляции (ось абсцисс) Рисунок 1.7 - Трехмерная фазовая спираль инфляции американской экономики в 1929-1949 гг. и его производной Рисунок 1.8 - Сплайн-представление (классический случай spline-smooting) динамики уровней инфляции (SPL3_ILE), доли безработных в рабочей силе (SPL3_UEM), изменение реального ВНП (SPL3_GNP) Таким образом, на сплайн-функциях базируются методы прогнозирования, суть которых заключается в экстраполяции скользяще-средних прогнозных тенденций. 1.4 Выводы к главе 1 Краткий обзор подходов и экономико-математических методов прогнозирования временных рядов позволяет сделать следующий вывод: одного универсального, удовлетворяющего всем требованиям, не обладающего недостатками метода прогнозирования не существует. Каждый подход и каждый метод имеют свои достоинства, недостатки, границы применения. В мировой экономической литературе количество методов прогнозирования ис числяется многими десятками. Важно отметить, что эти методы базируются либо на корреляционно-регрессионных моделях, либо на трендах, для представления которых выбирается наиболее подходящие экстраполяционные зависимости. Огромный опыт математического моделирования динамических (эволюционных) процессов, накопленный в мире за последние десятилетия, неизмеримо расширил и во многом изменил установившиеся представления об адекватности существующих математических моделей сути этих процессов. Стало ясно, что классического арсенала математического моделирования, базирующегося на так называемой линейной парадигме (малые возмущения входных данных системы в малой степени меняют ее траекторию), во многих случаях явно недостаточно для построения адекватных математических моделей. Это обстоятельство обусловило фундаментальный пересмотр прежней линейной концепции и переход на так называемую нелинейную парадигму (nonlinear science) в математическом моделировании (малые возмущения входных данных или значений переменных динамической системы могут в катастрофически большой степени изменить ее траекторию в силу сложности самой системы и хаотичности ее поведения). Практическая ценность указанной парадигмы обусловлена тем, что на ее базе удается более адекватно отражать специфические характеристики иерархичности, конкретной динамики и высокую степень неопределенности, присущие реальным социальным, экономическим, финансовым, физическим и т.п. процессам и системам. Переход на новую концепцию вызвал необходимость создания принципиально новых инструментальных средств математического моделирования, в частности таких, как фрактальная геометрия, фрактальный анализ, методы детерминированного хаоса и др. В силу этого обстоятельства для построения прогнозной модели предложен новый подход, который базируется на использовании инструментарий линейных клеточных автоматов и математического аппарата нечетких множеств.

Глава 2 ФРАКТАЛЬНЫЙ АНАЛИЗ ИСХОДНЫХ И АГРЕГИРОВАННЫХ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 2.1 Фрактальная статистика в экономико-математическом моделировании Современная экономика вступила в новый цикл своего развития. Это связано с глобализацией макроэкономики, её усложнением, а также с вторжением в науку «математических методов нелинейной динамики» [67,110]. Важнейшей причиной ее появления является также рождение новейших компьютерных технологий, которые дают возможность исследовать сложные явления и процессы путем визуализации на экране дисплея. Практика показала, что в современных условиях, к примеру, для российской экономики с её упадком и финансовыми кризисами, классические экономическая теория и статистика, построенные на линейных равновесных моделях [110], оказались малопродуктивными или, более того, неадекватными. Это и неудивительно, поскольку переход от социалистического планового хозяйства к свободной рыночной экономике является крупным, можно сказать «бифуркационным» [67] поворотом, влекущим за собой необозримую совокупность «нелинейностей». Именно понятие бифуркации является ключевым понятием нелинейной науки («nonlinear science», как ее называют в англоязычной литературе). По существу, это математический образ «перехода количественных изменений в качественные». Таким образом, о чем говорили философы от диалектиков античного мира до Гегеля и Маркса, нашло точное и конкретное воплощение в нелинейной динамике [87]. Зарождение новой парадигмы [98,110], включающей в себя новую фрактальную статистику, было предопределено временем, развитием науки и экономических процессов. Вплоть до 90-х годов ХХ века при использовании инструментария классической статистики в экономико-математическом моделировании доминировала линейная парадигма. Согласно этой парадигме каждое воздействие на начальные условия вызывает пропорциональную реакцию получаемого результата. Однако рынки редко бывают столь устойчи выми и на незначительные возмущения могут реагировать нелинейно. Весьма часто возникает бифуркационная [80] или, в другой терминологии экспоненциальная суперреакция [67] на воздействие – это и представляет собой еще одну трактовку сущности нелинейности. Поэтому, в отношении целого ряда реальных экономических процессов классические линейные методы статистики являются неадекватными. Эти методы моделируют рынок, исходя из теории равновесия [110], и, порой, игнорируют время. Иными словами, использование линейных методов предполагает, что рассматриваемые эволюционные процессы не обладают памятью о прошлом или имеют очень ограниченную память [110], что не соответствует сути реальных экономических процессов. В течение последней трети ХХ века тысячи исследователей, работающих над проблемами физики и распознавания образов, экономики и гидродинамики, а также в десятках других областей направляли свои усилия на обнаружение общих черт в нелинейных процессах, протекающих в рассматриваемых открытых системах. В конечном счете это привело к построению нового междисциплинарного подхода, получившего название «синергетика» [67,80]. Ключевой концепцией синергетики является концепция «параметров порядка», т.е. нескольких основных ключевых переменных, которые определяют, «подчиняют» все остальные степени свободы системы. Математическое моделирование многих и многих течений и систем, возникающих в экологии, экономике, химической технологии, и т.д., показало, что их поведение действительно определяется конечным числом параметров порядка, иными словами, из практически бесконечного, трудно обозримого множества значений наблюдаемых функций и состояний можно совершить переход к конечному, а иногда небольшому числу переменных (параметров). В контексте экономико-математического моделирования уже можно говорить о самостоятельном научном направлении «экономической синергетики». Последняя источники сложности экономической эволюции находит в неустойчивости и нелинейности более, нежели в устойчивости или же ли нейности, как это свойственно традиционной теории экономической динамики. Особо отметим то, что экономическая синергетика во главу угла ставит концепцию хаоса, т.е. тот факт, что хаос лежит в природе любой эволюционной экономической системы. Это означает, что точные экономические предсказания – вещь почти невозможная. В историческом контексте отметим, что упор на неустойчивость (вытекающую из нелинейности), можно обнаружить в трудах Маркса, Кейнса, Шумпетера и других «ранних» экономистов. Особо также отметим, что экономическая синергетика может сыграть существенную отрицательную роль в развитии эконометрики, которая полностью базируется на классическом инструментарии математической статистики. Представляется также, что воздействие концепции хаоса может отрицательно сказаться не только на эконометрике, но и на всей экономической науке в целом. Задача современной экономической теории состоит не только в том, чтобы описать и объяснить экономические явления в историческом аспекте, но и в том, чтобы создать базис для аргументированных экономических прогнозов. В этом контексте факт присутствия хаоса может приводить к ошибкам в случае использования традиционного инструментария математической статистики. Синонимом термина «нелинейная динамика» является ее более раннее название «теория хаоса» [122,145]. По отношению к динамике социальноэкономических систем и процессов теория хаоса не только объясняет бифуркационные явления (большие падения или большие выбросы), но прямо говорит нам, что их невозможно предсказать. По этой причине многие рыночные технические аналитики обоснованно предположили, что распознать в хаотическом движении новые закономерности им поможет фрактальная геометрия [80,110,122,134]. Уже достигнуто понимание того, что сложность окружающей нас природы тесно связана с этой геометрией. Природа не есть ряд повторяющихся закономерностей, но в противоположность тому характеризуется локальной случайностью и глобальным порядком. Фракталы в реальном мире обусловлены глобальными статистическими структурами, од новременно порождающими локальные случайности, т.е. хаос и порядок сосуществуют. Для рыночного экономического анализа это имеет далеко идущие последствия. Не существует абсолютно точного определения фрактала. Одно из известных определений представляет фрактал как некое самоподобие, т.е. фрактал – это структура, состоящая из частей, которые в каком-то смысле подобны целому. Второе из известных определений представляет фрактал как множество точек, размерность Хаусфорда – Безиковича [122,134] которого строго больше его топологической размерности. Последняя всегда равна целому числу (для точки – это 0, для прямой – 1, для плоскости – 2, для пространства -3), в то время как фрактал имеет дробную (фрактальную) размерность [110,122,145]. Вполне возможно, что определение термина фрактал никогда не будет найдено, ибо фрактальная геометрия есть геометрия природы. Дефиниция фрактала стоит в одном ряду с дефиницией природы. В статистическом смысле фрактал есть аттрактор (предельное множество) порождающего правила. Это правило реализуется на каждом шаге как игра хаоса: порождающая процедура не знает, по какому направлению она движется до того, как завершится реализация предыдущего шага. Предсказать это направление невозможно, но, получив информацию, процесс направляется внутренним детерминистическим правилом. При этом количество возможностей бесконечно. Таким образом, аттрактор, образно говоря, представляет собой бесконечное количество возможных решений, т.е. реализаций. При этом важно отметить, что положение каждой его точки зависит от того, где расположилась точка предыдущая. В действительности место каждой точки зависит от положения всех предыдущих. Последнее утверждение означает, что временной ряд, представляющий процесс порождения аттрактора, обладает долговременной памятью [110]. Вернемся к вопросу о том, действительно ли существует необходимость использования новой (фрактальной) статистики в экономикоматематическом моделировании эволюционных процессов и систем. Отме тим, что классическая статистика базируется на центральной предельной теореме (или Законе больших чисел), которая утверждает, что по мере проведения все большего числа наблюдений, предельное распределение случайных значений будет нормальным распределением. Последнее означает, что события должны быть независимыми, т.е. не должны влиять друг на друга, и при этом все они должны иметь одинаковую вероятность наступления. Долгое время предполагалось, что поведение большинства реальных социальноэкономических систем подчиняется нормальному или «почти нормальному» закону. К началу 90-х годов прошлого столетия фактически отпали сомнения в том, что рынки капитала не подчиняются нормальному закону. Вместе с этим появилось осознание того, что для адекватного моделирования этих рынков нужен инструментарий новой статистики, отличный от стандартной. К указанному времени многие исследователи пришли к уверенности в том, что подходящий инструментарий новой статистики уже существует в виде непараметрической методологии, которая была открыта Х.Е. Херстом – знаменитым британским гидрологом. В 1951 г. он опубликовал работу, озаглавленную «Долгосрочная вместимость водохранилища». На первый взгляд работа рассматривала моделирование проекта водохранилища, но Херст включил в свое исследование многие естественные системы и дал нам нослучайных и неслучайвую статистическую методологию для различения ных систем, постоянства трендов и продолжительности циклов, если таковые имеются. Т.е., он дал нам метод, названный методом нормированного размаха, или R / S -анализом, используемый для различения случайного временного ряда и фрактального временного ряда. На наш взгляд, представляется весьма интересным проследить логику рождения Херстом новой статистики, получившей позже название «фрактальная статистика». Херст знал о работе Эйнштейна (1908), в которой обосновывалось следующее утверждение: в процессе броуновского движения случайная частица проходит расстояние R, которое увеличивается пропор ционально квадратному корню из времени Т наблюдения за этой частицей, т.е. R T. Отметим, что это уравнение используется, например в финансо вой экономике для того, чтобы вычислить стандартное отклонение. Херст пронормировал размах R стандартным отклонением S и представил следующее обобщение вышеуказанного уравнения: ( R / S ) n = C * n H, где С- константа и n – число наблюдений (уровней), составляющих рассматриваемый временной ряд (ВР). Значения ( R / S ) n называются нормированным размахом, а показатель степени Н называется показателем Херста. Отметим при этом, что показатель Херста можно приближенно, но с приемлемой точностью вычислять посредством вычерчивания в декартовых координатах точек со значением ординаты yn = log( R / S ) n для значения абсцисс xn = log(n) и вычисления тангенса угла наклона отрезка прямой, которая для этих точек представляет простую регрессию, определяемую методом наименьших квадратов. Идея новой статистики родилась в виде следствия из следующего факта: если бы уровни наблюдаемого ВР (у Херста эти уровни представляли собой величину годовых притоков Нила) были независимо распределены, то для значения Н должно выполняться равенство H = 0,50. Но Херст обнаружил, что H = 0,91. Последнее означает, что нормированный размах увеличивается быстрее, чем квадратный корень из времени. Значение H = 0,91 означало, что изменение в ежегодных нильских разливах влияли друг на друга или, другими словами, что рассматриваемый ВР (притоков Нила) обладает долговременной памятью. Дальнейшее исследование Херста и других ученых привели к открытию существования памяти практически во всех ВР, отражающих эволюцию явлений природы – выпадение осадков, пятнам на солнце, годичным кольцам и т.д. Осознание универсальности этого факта появилось спустя треть века, когда многочисленными исследователями было установлено, что долговременная память присуща многим и многим ВР, отражающих динамику эволюционных процессов в социально-экономической и других сферах человеческой деятельности.

Описание математического инструментария и алгоритмов использования фрактальной статистики, в частности, R/S-анализа, можно найти в [100,105,107,108,109,110,122]. Область значений показателя Херста – это интервал (0,1). Если H (0,5;

1],то рассматриваемый ВР является персистентным [109,110] и характеризуется эффектом долговременной памяти. К эти эффектам относятся наличие в рассматриваемом ВР трендоустойчивых отрезков вместе с оценками их длины, численные оценки фрактальной размерности («меры зазубренности») этого ВР, наличие периодических циклов [109]. Или непериодических циклов, называемых квазициклами [85] и др. Значения численных значений указанных эффектов долговременной памяти играют очень важную роль в предпрогнозном анализе ВР, в особенности таких ВР, по отношению к которым классические методы прогнозирования являются неадекватными [124]. Значение H [0;

0,50) означает антиперсистентность [67,109] рассматриваемого ВР. В нестрогом определении антиперсистентность означает возврат к среднему или, в другой терминологии, реверсирование (чередование положительных и отрицательных приращений), чаще, чем в случайном процессе. В заключение приведем высказывание [109] о том, что фрактальный анализ не вытесняет другие методологии;

он является сильной формой анализа ВР и должен быть одним из инструментов предпрогнозного анализа.

2.2 Предмет исследования и его статистические характеристики Предметом исследования являются временные ряды таких биржевых показателей, как цены акций крупных компаний Российской Федерации. Известно, что котировка акций (share quotation;

stock quotation) имеет важное значение, в первую очередь, для самой компании, так как одной из предпосылок получения кредитов и займов для этой компании служит благоприятная картина показателей ее акций на фондовой бирже. В настоящей работе рассматриваются 4 временных ряда (ВР) ежедневных максимальных цен акций. Введем обозначения этих ВР: Z 1 = z i1, i = 1,2,..., n, Z 2 = z i2, i = 1,2,..., n, Z 3 = z i3, i = 1,2,..., n, Z 4 = z i4, i = 1,2,..., n.

(2.1) (2.2) (2.3) (2.4) В представленных ВР Z k значение индекса k {1,2,3,4} имеет следующее соответствие: 1 – РАО ЕЭС, 2 – Сбербанк, 3 – Ростелеком и 4 –Сибнефть;

в этих ВР индексом i = 1,2,..., n занумерованы дни календарного периода с 1 апреля 2002 г. по 31 марта 2005 г., n = 745. Здесь численные значения уровней (наблюдений) z i1, z i2, z i3, z i4 означают максимальную за день стоимость одной акции в рублях. На рисунках 2.1-2.4 приведено графическое представление этих ВР в виде гистограмм.

12 10 8 6 4 20020401 20020424 20020522 20020617 20020710 20020802 20020827 20020919 20021014 20021106 20021202 20021226 20030123 20030217 20030314 20030408 20030505 20030529 20030624 20030717 20030811 20030903 20030926 20031021 20031114 20031209 20040108 20040202 20040226 20040323 20040415 20040513 20040607 20040701 20040726 20040818 20040910 20041005 20041028 20041123 20041217 20050120 20050214 z i1, руб.

i, дата Рисунок 2.1 Графическое изображение ВР Z 1 ежедневных максимальных цен на акции РАО ЕЭС Рисунок 2.2 Графическое изображение ВР Z 2 ежедневных максимальных цен на акции Сбербанка 18000 16000 14000 12000 10000 8000 6000 4000 2000 z i2, руб.

i, дата 80 70 60 50 40 30 20 z i3, руб.

Рисунок 2.3 Графическое изображение ВР Z 3 ежедневных максимальных цен на акции Ростелеком 120 100 80 60 40 20020415 20020514 20020605 20020701 20020724 20020816 20020910 20021003 20021028 20021121 20021217 20030114 20030206 20030304 20030328 20030422 20030520 20030616 20030708 20030731 20030825 20030917 20031010 20031104 20031128 20031224 20040122 20040216 20040312 20040406 20040429 20040527 20040622 20040715 20040809 20040901 20040924 20041019 20041112 20041207 20050111 20050203 20050301 z i4, руб.

i, дата i, дата Рисунок 2.4 Графическое изображение ВР Z 4 ежедневных максимальных цен на акции Сибнефть Приведем численные значения так называемых рисковых статистических показателей [124] этих ВР: коэффициент вариации VZ 1 = 0,35 ;

VZ 2 = 0,36 ;

VZ 3 = 0,22 и VZ 4 = 0,18 ;

коэффициент асимметрии AZ 1 = 0,38 ;

AZ 2 = 0,54 ;

AZ 3 = 1,11 и AZ 4 = 1,11 ;

коэффициент эксцесса EZ 1 = 1,62 ;

EZ 2 = 2,12 ;

EZ 3 = 1, и EZ 4 = 2,15. Основные особенности статистических характеристик рассматриваемых ВР заключаются в следующем. Во-первых, достаточно одной визуализации представленных на рисунках 2.5– 2.8 эмпирических функций распределения для того, чтобы утверждать, что поведение рассматриваемых ВР не подчиняется нормальному закону. К этому добавим, что эти ВР не обладают свойством стационарности.

частость распределения 0,25 0,2 0,15 0,1 0,05 3,26 4,03 4,81 5,58 6,35 7,13 7,90 8,68 9,45 10,23 11, Рисунок 2.5 Эмпирическая функция распределения ВР Z 1 цен акции РАО ЕЭС цена, руб 0,2 частость распрделения 0,15 0,1 0,05 5 514,91 6 681,82 7 848,73 9 015,64 10 182,55 11 349,45 12 516,36 13 683,27 14 850,18 16 017,09 17 184, Рисунок 2.6 Эмпирическая функция распределения ВР Z 2 цен акции Сбербанка цена, руб.

частость распределения 0,2 0,15 0,1 0,05 35,75 39,97 44, 48,40 52,62 56,84 61,06 65, 69,49 73,71 77, Рисунок 2.7 Эмпирическая функция распределения ВР Z 3 цен акции Ростелеком цена, руб.

0,16 0,14 0,12 0,1 0,08 0,06 0,04 0,02 56,31 62,23 68,14 74,06 79,97 85,89 91,80 97,72 103,63 109,55 115, частость распределения Рисунок 2.8 Эмпирическая функция распределения ВР Z 4 цен акции Сибнефть цена, руб.

Во-вторых, принимая во внимание факт наличия достаточно частой смены знаков во временных рядах приращений zik = zik+1 zik, i = 1, n 1, k = 1,2,3,4 можно утверждать, что трендовые компоненты [103,107], базирующиеся на скользящих средних, фактически не представляют сколь-нибудь ценной ин формации о дальнейшем поведении рассматриваемых ВР. Таким образом, представленные выше количественные и качественные статистические характеристики являются определенным основанием для следующего предварительного заключения: традиционные (базирующиеся на трендах и регрессии) статистические методы предпрогнозного анализа рассматриваемых ВР не являются адекватными этим рядам.

2.3 Агрегирование как способ усиления структурированности данных Агрегирование [aggregation, aggregation problem] — объединение, укрупнение показателей по какому-либо признаку. С математической точки зрения агрегирование рассматривается как преобразование исходной модели в модель с меньшим числом переменных и ограничений, дающую приближенное (по сравнению с исходным) описание изучаемого процесса или объекта. Его сущность – в соединении исходных однородных элементов в более крупные “элементы -агрегаты”. В некоторых экономических публикациях термин "агрегирование" понимается также как переход от микроэкономического к макроэкономическому взгляду на изучаемые экономические явления. В экономикоматематических моделях агрегирование необходимо потому, что ни одна модель не в состоянии вместить всего многообразия реально существующих в экономике продуктов, ресурсов, связей. Вместе с тем, если показатели агрегируются и число их уменьшается, то при этом часть информации "теряется". Существует различные способы агрегирования: сложение показателей, представление группы агрегируемых показателей через их среднюю, использование различных взвешивающих коэффициентов, баллов и т.д. [85] В настоящем исследовании предлагается ежедневные показатели агрегировать в еженедельные, затем двухнедельные (полумесячные) периоды, используя метод взятия максимального значения показателя за период агрегирования. В результате проведенного агрегирования из временных рядов Z 1, Z 2, Z 3 и Z 4, представленных соответственно формулами (2.1)-(2.4), получены ВР еженедельных значений максимальных цен акций, представленные формулами (2.5)-(2.8).

Z 1 = zi1, i = 1,2,..., n, Z 2 = zi2, i = 1,2,..., n, Z 3 = zi3, i = 1,2,..., n, Z 4 = zi4, i = 1,2,..., n, (2.5) (2.6) (2.7) (2.8) где n = 156. Формулы (2.9)-(2.12) представляют собой ВР двухнедельных зна чений максимальных цен акций: ~ ~ Z 1 = ~i1, i = 1,2,..., n, z ~ ~ Z 2 = ~i2, i = 1,2,..., n, z ~ ~ Z 3 = ~i3, i = 1,2,..., n, z ~ ~ Z 4 = ~i4, i = 1,2,..., n, z ~ где n = 78.

(2.9) (2.10) (2.11) (2.12) В таблице 2.1 приведены статистические показатели исходных ВР Z k, k = 1,4, ВР недельного интервала агрегирования Z k, k = 1,4 и ВР двухне~ дельного интервала агрегирования Z k, k = 1,4.

Таблица 2. Z V 0,35 -0,38 1, Статистические показатели исходных и агрегированных ВР ~ ~ ~ ~ Z4 Z1 Z2 Z2 Z3 Z3 Z4 Z4 Z1 Z2 Z 0,35 -0,31 1,55 0,35 -0,33 1,52 0,36 0,54 2,12 0,37 0,46 2,03 0,37 0,45 1,95 0,22 -0,16 1,85 0,22 -0,18 1,81 0,22 -0,24 1,78 0,18 0,26 2,15 0,18 0.23 2,13 0,18 0,18 2, A E Из визуализации табл.2.1 с очевидностью вытекает, что для рассматриваемых ВР Z k, k = 1,4 в результате применения к ним одно- и двухнедельного агрегирования фактически не приводит к сколь-нибудь заметному изменению учитываемых рисковых статистических показателей, т.е. значений коэффициентов вариации, асимметрии, эксцесса. С точки зрения дальнейшего предпрогнозного анализа этот факт следует считать положительным в следующем смысле: применение указанной выше процедуры агрегирования в достаточной степени сохраняет характер поведения рассматриваемых ВР, точнее, сохраняет практически неизменными статистические характеристики динамики поведения этих ВР. Особо отметим, что одной из основных целей настоящего диссертационного исследования является предпрогнозный анализ динамики экономических ВР. В этом смысле на основании полученных выше результатов появляется возможность предположить следующее правило для верхней оценки максимального интервала агрегирования ВР: интервал агрегирования следует считать недопустимо большим, если его использование приводит к существенным изменениям статистических показателей временных рядов, получаемых на выходе процедуры агрегирования.

2.4 Инструментарии фрактального анализа Классические методы прогнозирования экономических ВР, в частности, эконометрики требуют от эволюционного процесса выполнения ряда условий, которые в реальности достаточно часто не выполняются. Важнейшее из этих условий обусловлено требованием подчинения поведения ВР нормальному закону, которое обеспечивается свойством независимости наблюдений, составляющих рассматриваемый ВР. Именно это условие для экономических ВР чаще всего не выполняется. Возникшую в связи с этим проблему полезно рассмотреть в историческом разрезе. Прежде всего отметим, что математический инструментарий классической эконометрики разрабатывался и обосновывался, опираясь на следующее предположение: поведение рассматриваемого процесса подчиняется нормальному закону. Еще до того, как полностью оформилась гипотеза эффективного рынка, обнаруживались исключения, которые ставили под сомнение предположение о нормальности [131]. Одна из аномалий была найдена, когда Осборн [135] вычертил функцию плотности прибылей фондового рынка и назвал их «приблизительно нормальными»: это было необычное наблюдение, так как хвосты этого распределения отличались свойством, которое статистики называют «эксцесс». Осборн заметил, что они толще, чем должны были бы быть, но не придал этому значения. К тому времени, как появилась классическая публикация Кутнера [143], стало общепринятым, что распределение ценовых изменений имеют толстые хвосты, но значение этого отклонения от нормальности еще находилось в стадии обсуждения. Статья Мандельброта [143] в сборнике Кутнера содержала доказательства того, что прибыли могут принадлежать семейству устойчивых распределений Парето, которые характеризуются неопределенной или бесконечной дисперсией. Кутнер оспаривал это утверждение (оно серьезно ослабляло гауссовскую гипотезу) и предлагал альтернативу, которая состояла в том, что сумма нормальных распределений может являть распределение с более толстыми хвостами, тем не менее оставаясь гауссовским. Такого рода дебаты продолжались почти десять лет, что и предопределило смену линейной парадигмы на нелинейную [85]. Линейная парадигма в своей основе предлагает, что эволюционная система линейно реагируют на информацию, т.е. использует информацию по получении, а не ожидает ее накопления в ряде последующих событий. Линейный взгляд соответствует концепции рационального поведения, которая утверждает, что прошлая информация уже дисконтирована, найдя отражение в стоимости ценных бумаг. Таким образом, линейная парадигма подразумевает, что уровни временного ряда котировки этих ценных бумаг должны иметь приблизительно нормальное распределение и быть независимыми. Новая парадигма обобщает реакцию эволюционной системы, включая в себя возможность нелинейной реакции на информацию и, следовательно, влечет за собой естественное расширение существующих взглядов. Первое подробное изучение ежедневных котировок акций было предпринято Фамэ [145], который нашел, что их эмпирические распределения в отличие от нормального распределения имеют отрицательную асимметрию: большее количество наблюдений было на левом (отрицательном) хвосте, чем на правом. Кроме того, хвосты были толще, и пик около среднего значения был выше, чем предсказывалось нормальным распределением, т.е. имел место так называемый «лептоэксцесс». Это же отметил Шарп [146] в своем учебнике 1970 г. «Теория портфеля и рынки капитала». Когда Шарп сравнивал годовые прибыли с нормальным распределением, он заметил, что «у нормального распределения вероятность сильных выбросов очень мала. Однако на практике такие экстремальные величины появляются довольно часто». Позже Тернер и Вейгель [110,144] провели более глубокое изучение волатильности, используя дневной индекс рейтинговой компании Стандарт энд Пур (S&P) с 1928 по 1990 гг. – результаты оказались похожими. Авторы нашли, что «распределения дневной прибыли по индексам Доу-Джонсона и S&P имеют отрицательную асимметрию и большую плотность в окрестности среднего значения, а также в области очень больших и очень малых прибылей, – если сравнивать это распределение с нормальным». Проделанные различные исследования с очевидностью говорят о том, что показатели большинства природных и экономических систем не подчиняются нормальному закону или другим известным распределениям. Но, если экономические показатели не являются нормально распределенными, то тогда множество методов статистического анализа, в частности, такие способы диагностики как коэффициенты корреляции, t-статистики, серьезно подрывают к себе доверие, поскольку могут давать ошибочные результаты. Гипотеза о подчинении нормальному закону была необходима для применения статистического анализа к временным рядам. Этот статистический анализ был необходим хотя бы только для того, чтобы теория портфеля была применима в реальности. Без нормального распределения огромное число теоретических и эмпирических работ ставится под вопрос, ибо тогда традиционный компромисс между риском и прибылью не всегда имеет место. Концепция подчинения нормальному закону не отражает действительно сти. Таким образом нынешняя линейная парадигма требует изменения, которое приняло бы этот факт в расчет. Мандельброт [145] говорил о том, что поведение временных рядов на рынках капитала следуют семейству распределений, которое он назвал устойчивым паретианом. Это распределение имеет высокий пик на среднем значении и толстые (в другой терминологии – “тяжелые” хвосты. Устойчивое распределение Парето (устойчивый паретиан) характеризует тенденция к трендам и циклам, внезапным и прерывистым изменениям;

оно также может быть несимметричным. Однако дисперсия этих распределений бесконечна, или неопределенна. Кутнер [143] и Шиллер [144] признали концепцию бесконечной дисперсии неприемлемой, выдвинув требование переформулировать существующую теорию в терминах нормального распределения, чтобы не стать перед лицом возможности серьезного подрыва результатов сорокалетних исследований экономических рынков и рынков капитала. Кутнер напомнил, что если Мандельброт был прав, то «почти все наши статистические инструменты атрофированы». Он чувствовал, что требуется больше оснований для того, чтобы отправить сотни работ в макулатуру. Устойчивые распределения Парето теперь могут быть названы фрактальными распределениями. Используя фрактальный анализ [103,110], мы сможем отличать тяжелохвостые гауссовские распределения от распределений фрактальных. Фракталы оказали влияние на статистический анализ, которое в значительной мере еще не оценено. Природа не есть ряд повторяющихся закономерностей, но в противоположность тому характеризуется локальной случайностью и глобальным порядком. Каждый естественный фрактал отличен в деталях и в то же время подобен любому другому в общей концепции. Например, все дубовые деревья различны, и в то же время легко узнаются как дубы. Фракталы в реальном мире обусловлены глобальными статистическими структурами, одновременно порождающими локальные случайности. Для рыночного и экономического анализа это может иметь далеко идущие последствия. Использование фрактального анализа стало одним из самых по лезных подходов к исследованию эволюции финансовых и экономических показателей. Фрактальные временные ряды имеют статистическое самоподобие во времени. Они являются случайными фракталами и имеют больше общего с естественными объектами, чем чистые математические фракталы. Фрактальные временные ряды качественно самоподобны, ибо в разных масштабах длительности они имеют одинаковые статистические характеристики. Для оценки этих характеристик Херстом была предложена новая статистика, получившая название «нормированный размах».

2.4.1 Верификация алгоритма нормированного размаха Херста Целью фрактального анализа какого-либо ВР является обнаружение наличия в нем долговременной памяти, оценка ее глубины, а также значение показателя Херста H [110]. Кроме того, эта цель предусматривает выявление такой характеристики, как трендоустойчивость или такого обратного к ней свойства, как «возврат к среднему чаще, чем в случайном поведении ВР» (частое реверсирование спад-подъем). Кроме того, очень важным для прогнозирования оказывается выявление (периодических) циклов [109], если таковые имеются, или квазициклов [85]. Для последних в других источниках используются термины «дробная квазипериодичность» [147] или «хаотические циклы» [109]. Знание перечисленных фрактальных характеристик рассматриваемого ВР предоставляет аналитику предпрогнозную информацию, т.е. позволяет ему оценить перспективность надежного прогнозирования ВР с помощью клеточно-автоматной прогнозной модели [102]. На протяжении более, чем полстолетия, начиная с публикации [85], основным инструментарием фрактального анализа ВР является алгоритм рез Z = zi R/S анализа. Приведем его краткое описание, обозначая рассматриваемый ВР че, i = 1,2,..., m.

Работа этого алгоритма реализуется поэтапно согласно представленной ниже вычислительной схеме, известной в англоязычных публикациях под названием «алгоритм нормированного размаха Херста» [110] или, в другой терминологии, под названием « R / S - анализ: руководство шаг за шагом» [102]. 10. Зададимся целочисленным значением величины шага данный ВР для каждой фиксированной длины:

и сфор мируем последовательность значений длин отрезков, на которые разбивается n1, n2,..., nk,..., nl, где n k +1 = n k +, k = 1, l 1 и максимальное значение индекса l (2.13) определяется m неравенством nl. Следующие ниже этапы 20-60 выполняются последо вательно по возрастанию индекса k = 1,2,..., l. Примечание 2.1 Последовательность (2.13) сформирована, следуя [87]. Другой подход к ее формированию изложен в [109], где эта последовательность состоит из всех таких чисел nk 10, на каждое из которых длина m данного ВР Z делится без остатка ( m кратно nk, k = 1, l ). 20. Для очередного значения индекса вается на m rk = nk k рассматриваемый ВР Z разби отрезков Z t = z tj, j = 1,2,..., n k, t = 1,2,..., rk, где для всякоt z1, го t отрезок Z kt определяется своим первым элементом ном ВР Z который в исход занумерован индексом i = it = (t 1) nk + 1. Отметим, что в процес се разбиения ВР Z на указанные отрезки может образоваться остаток, длина которого меньше nk. Этот остаток отбрасываем, следуя [110]. Для каждого t отрезка z k вычисляется среднее значение z t = 1 nk t zj, m k j = t = 1, rk.

1 30. Для каждого отрезка Z kt, t = 1, rk при фиксированном k {,2,..., l} вычисляется ряд накопленных отклонений X kt,q = (z tj z t ), q = 3, nk, на базе q j = которых находится значение размаха Rkt = max X kt,q min X kt,q 1 q nk 1 q nk (2.14) для каждого t = 1, rk.

k 40. При фиксированном t k для отрезка Z kt вычисляем его стандартное 0, 1 nk 2 отклонение S = (z tj z t ) и нормируем значение размаха (2): n j =1 k t Rt R = k, t S k Sk t = 1, rk, k 1 k l.

(2.15) 50. Для каждого фиксированного мированных размахов (2.15):

1 rk R R = S k rk t =1 S k t вычисляем среднее значение нор, 1 k l.

(2.16) 60. На основании полученных средних значений (2.16) для каждого k = 1,2,..., l вычисляем для рассматриваемого ВР Z логарифмические коорди наты (абсциссу и ординату) точек, представляющих промежуточный результат работы алгоритма нормированного размаха Херста:

xk = lg nk, R yk = lg, S k k = 1, l.

(2.17) 70. Используя известный метод наименьших квадратов для множества точек с координатами (xk, yk ), k = 1,2,..., l вида (2.17), строим график линейной для ВР [105]. Численное регрессии. Наклон полученной линии регрессии к оси абсцисс позволяет получить усредненную оценку показателя Херста ной прямой. Примечание 2.2 Важно отметить, что полученная оценка H (Z ) показателя Херста отражает именно среднее (для рассматриваемого ВР Z в целом) значение этого показателя. Соединяя отрезками соседние точки в последовательности (2.17), получим представленную в логарифмических координатах траекторию нормированного размаха разбиений данного ВР (см. рис.2.9).

Z, H Z значение H (Z ) этой оценки вычисляется как тангенс угла наклона получен которую ради краткости в даль нейшем будем называть термином «траектория нормированного размаха» Если рассматриваемый ВР Z обладает свойством цикличности, то ему присуща долговременная память, в силу чего некоторое количество начальных точек полученной траектории нормированного размаха образуют отчетливо выраженный линейный тренд. При некотором значении k = k траекто рия нормированного размаха достаточно резко изменяет свой наклон, т.е. в точке (xk0, y k0 ) траектория получает значительное по абсолютной величине отрицательное приращение k = y k +1 y k. Появление этого наклона называют сменой тренда или “срывом с тренда”, подразумевая при этом, что возвращения к прежнему тренду не происходит. При этом подразумевается, что в точке k эффект “долговременной памяти о начале рассматриваемого ВР” дис сипатирует [109]. Иначе говоря, срыв с тренда демонстрирует потерю памяти о начальных условиях, а также сигнализирует (возможно с лагом, т.е. с некоторым запаздыванием) об исчерпании цикла или квазицикла, который содержится в начальном отрезке этого ВР. В теории временных рядов под термином «квазицикл» («цикл») подразумевается локально наибольший отрезок ВР, состоящий из двух частей таких, что элементы первой части монотонно получают положительные (отрицательные) приращения, а элементы второй части монотонно получают отрицательные (положительные) приращения. Например, в отрезке 2,1,2,3,4,5,6,7,6,5,4,3,2,1,2 содержится квазицикл 1,2,3,4,5,6,7,6,5,4,3,2,1 (2.18) длины l = 13. В данном определении термины «положительные» («отрицательные») можно понимать как «неотрицательные» («неположительные»). При этом «квазицикл» именуется термином «цикл» в случае, когда он регулярно повторяется на протяжении рассматриваемого ВР, сохраняя свою конфигурацию. Примечание 2.3 В реальных процессах анализа рассматриваемого ВР представленное выше определение квазицикла не рекомендуется применять формально. Более точно, при определении понятия «квазицикл» может ока заться целесообразным использование понятий теории нечетких множеств [33]. Практический опыт, накопленный в процессе фрактального анализа конкретных ВР свидетельствует, что это определение имеет однозначный смысл в том случае, если для рассматриваемого ВР Z = zi, i = 1, m (2.19) приращения его элементов i = zi +1 zi, i = 1, m 1 по абсолютной величине однозначно превосходят абсолютную величину погрешности > 0 используемых исходных данных (численных значений уровней zi, i = 1, m ).

Примечание 2.4 Представленное выше определение квазицикла отражает собой локальное свойство ВР. Последнее означает, что его не нужно рассматривать в контексте сложившейся к настоящему времени теории экономических циклов, например таких, как бизнес-циклов и др. [32]. Как отмечено в [109], алгоритм нормированного размаха (НР) Херста не только обнаруживает периодические или непериодические циклы, но также может оценить среднюю длину непериодических циклов. Покажем, что это утверждение нельзя отнести ко всему неограниченному разнообразию динамики временных рядов, т.е. оно является истинным лишь для некоторой части бесконечного множества ВР. Действительно, рассмотрим ВР (2.19), который состоит из непересекающихся циклов вида (2.18), т.е. для m = 299 каждый из его отрезков Z t, t = 1,23 длины l = 13, определяемых значениями своего первого индекса it = 13 (t 1) + j, j = 1,2,...,13, t = 1,2,...,23 представляет собой не что иное, как цикл (2.18). Определенный таким образом ВР (2.19) обозначим через Для ВР Z Z0.

сформируем последовательность (2.13) следующего вида 18, 23,..., nk, nk + 5,..., nq, q = (2.20) и последовательно по возрастанию индекса k = 1, 2,..., q применим описанный выше алгоритм НР Херста 10-70.. Реализуя описанные выше этапы 20-60 для каждой длины из (2.20), получим представленную на рис.2.9 «траектория нормированного размаха» ВР Z0.

Реализуя заключительный шаг алгоритма НР Херста, получаем график линейной регрессии, который на рис.2.9 представлен пунктирной линией.

1,4 1,3 1,2 1,1 1 0,9 0,8 0,7 0,6 0,5 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2, lg (R / S )k lg nk Рисунок 2.9 Траектория нормированного размаха временного ряда Z Примечание 2.5 На основании визуализации рис.2.9 можно сформулировать следующие выводы. Во-первых, наклон полученной линии регрессии является фактически нулевым, в силу чего не представляется возможным оценить значение показателя Херста H для рассматриваемого ВР Z0.

Во вторых, конфигурация расположения точек с координатами (2.17), а также определяемая ими траектория нормированного размаха и ее линия регрессии фактически не представляют какой-либо информации о циклах вида (2.18) рассматриваемого ВР Z0.

Сформулированный выше отрицательный результат применения алгоритма НР Херста к ВР значения уровней zi Z обусловлен следующими свойствами этого ВР:

Z0, в рассматриваемом ВР а также соотношение длины его циклов l = 13 и шага = 5 в последовательности (2.13) специально подобраны так, что величина размаха (2.14) и соответствующие значения стандартного отклонения S kt обеспечивают такие значения нормированного размаха (3), которые с ростом длины отрезков nk воспроизводят регулярные с почти одной и той же амплитудой периодические колебания относительно «будущей» линии регрессии, получаемой в результате реализации шага 70 используемого алгоритма. Важно отметить, что это свойство ВР Z практи чески сохраняется и в том случае, если его длину m многократно увеличивать, например, до ~ 10 4 и более. Из примечаний 2.2 и 2.5 вытекает, что в общем случае описанный выше классический алгоритм НР Херста не всегда является достаточным для целей фрактального анализа [109] экономических ВР. С целью восполнения этого пробела в настоящей работе предлагается новый алгоритм фрактального анализа ВР, обладающих долговременной памятью. Перейдем к описанию этого алгоритма.

2.4.2 Алгоритм последовательного R / S - анализа Предложенный в [107] новый подход к обнаружению циклов (квазициклов) в рассматриваемом ВР мы используем для вычисления верхней оценки глубины памяти [110] рассматриваемых ВР. Приведем описание одной модификации рассмотренного в п.2.3.1 алгоритма НР Херста. Работа этой модификации состоит из следующих четырех этапов. 1. Для данного ВР, например для ВР Z {Z 1, Z 2, Z 3, Z 4 }, Z = z i, i = 1, n рассматриваем его начальные отрезки Z = z1, z 2,..., z, для каждого из которых вычисляем их текущее среднее z = накопленное отклонение X,t = z i z i =1 t z i, = 3,4,..., n и находим i = ( ) для всякого текущего индекса t = 1,2,....

2.

Для каждого начального отрезка Z вычисляем согласно (2.14) 1 t 1 t размах R = R( ) = max X,t min X,t, который нормируем согласно (2.15), т.е. представляем в виде дроби R / S, где S = S ( ) – стандартное отклонение для отрезка ВР Z, 3 n. 3. Строим H - траекторию H = H ( ), = 3,4,..., n, координаты точек которой ( x, y ) определяются известным “эмпирическим законом Херста” [109] H = H ( ) = (log(R( ) / S ( ))) / log(a ), в котором согласно [110] полагаем a= 1. Следуя (5), вычисляем логарифмические координаты точек H - траек2 абсциссы x = log ( 2 ) и ординаты тории:

y = H ( ) = (log (R( ) / S ( ))) log( / 2), = 3,4,..., n.

4. Вторая, так называемая R/S траектория рассматриваемого ВР (2.19) представляется в логарифмических координатах последовательностью точек (x, y0 ), x = log, y0 = log (R( ) / S ( )). Соединяя отрезком соседние точки (x, y0 ) и (x +1, y0+1 ), = 3,4,..., n 1, получаем графическое представление R / S - траектории. Этот 4-этапный алгоритм последовательного наращивания H - траектории и R / S - траектории данного ВР условимся называть термином «алгоритм последовательного R / S - анализа».

1 Применим алгоритм последовательного R / S - анализа к отрезку Z 646 1 временного ряда (2.1) ( Z 646 = z 1, i = 646,745 ) с целью продемонстрировать i «распознавательные» возможности представленного выше модифицированного алгоритма по отношению к циклам и квазициклам. На выходе этого алгоритма получим представленные в логарифмических координатах H - траекторию и R / S - траекторию, графическое изображение которых дано на рис.2.10.

Pages:     || 2 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.