TY - JOUR AU - Lozinskaia, Agata Maksimovna AU - Zhemchuzhnikov, Viktor Andreevich PY - 2017 TI - Прогнозирование индекса ММВБ: предсказательная сила метода нейросетевого моделирования и метода опорных векторов. JF - Вестник Пермского университета. Серия «Экономика» = Perm University Herald. ECONOMY; Том 12 № 1 (2017) DO - 10.17072/1994-9960-2017-1-49-60 KW - N2 - Возможность прогнозирования динамики финансовых инструментов представляет собой актуальную задачу для участников финансового рынка. В условиях большого потока разнородной информации возникает потребность в использовании эффективных методов их обработки для выработки оперативных управленческих решений. В частности, все большее распространение в финансовом моделировании получают методы машинного обучения. Цель работы заключается в моделировании прогноза российского биржевого индекса с помощью таких методов машинного обучения, как метод нейросетевого моделирования и метод опорных векторов, и исследовании их предсказательной силы. Информационную базу экономико-математического моделирования составили статистические и аналитические данные о динамике индекса ММВБ, фундаментальных и технических индикаторов фондового рынка за 2002–2016 гг. Результаты компьютерных экспериментов выполнены на обучающей, тестирующей и подтверждающей выборке c использованием соответствующих библиотек машинного обучения на языке Python. Оценка предсказательной силы методов осуществлялась на подтверждающей выборке с использованием традиционных показателей математической статистики (абсолютной и относительной ошибки прогноза) и счетного коэффициента детерминации. Установлено, что использование более длительного временного промежутка для индекса ММВБ и, соответственно, б о льшего числа наблюдений, при обучении нейронной сети способствовало уменьшению ошибки обучения. На подтверждающей выборке отмечена более высокая предсказательная точность результатов, полученных с помощью метода опорных векторов в сравнении с методом нейросетевого моделирования. Однако обнаруженная разница в соответствующих показателях качества прогноза незначительна. Возможные направления дальнейших исследований включают в себя разработку методологии фильтрации входных данных и создание торговой стратегии на основе алгоритмов машинного обучения. Ключевые слова прогнозирование, финансовые временные ряды, машинное обучение, нейросетевое моделирование, метод опорных векторов, компьютерный эксперимент, фондовый рынок, индекс ММВБ, доходность. Список литературы (References)  1. Malkiel B. The efficient market hypothesis and it’s critics. The Journal of Economic Perspectives, 2003, vol. 17, pp. 59–82. 2. White H. Economic prediction using neural networks: the case of IBM daily stock returns. IEEE International Conference on Neural Networks, 1988, vol. 2, pp. 451–458. 3. Jammazi R., Aloui C. Crude oil price forecasting: Experimental evidence from wavelet decomposition and neural network modeling. Energy Economics, 2012, vol. 34, pp. 828–841. 4. Valiotti N.A., Abbakumov V.L. Kolichestvennoe otsenivanie posledstvii upravlencheskikh reshenii na osnove neirosetevykh modelei [Quantitative evaluation of the effects of management decisions on the basis of neural network models]. Prikladnaia informatika [Applied Informatics], 2013, no. 5 (47), pp. 6–13. (In Russian). 5. Kaastra I., Iebeling K., Milton B. Designing a neural network for forecasting financial and economic time series. Neurocomputing, 1996, vol. 10, no. 3, pp. 215–236. 6. Dayhoff J.E. Neural network architectures: An introduction. New York, Van Nostrand Reinhold Publ., 1990. p. 259. 7. Pakath R., Ramakrishnan P., Zaveri J.S. Specifying critical inputs in a genetic algorithm-driven decision support system: An automated facility. Decision Sciences, 1995, vol. 26, no. 6, pp. 749–771. 8. Anatol’ev S. A 10-year retrospective on the determinants of Russian stock returns. Research in International Business and Finance, 2008, vol. 22, no. 1, pp. 56–67. 9. Peresetsky A.A. What determines the behavior of the Russian stock market. MPRA paper 41508, University Library of Munich Publ., 2011. Available at: https://mpra.ub.uni-muenchen.de/41508/1/MPRA_paper_41508.pdf (accessed 17.02.2017). 10. Tay F.E.H., Lijuan, C. Application of support vector machines in financial time series forecasting. Omega, 2001, vol. 29, no. 4, pp. 309–317. 11. Zhang Y., Yudong Z., Lenan W. Stock market prediction of S&P500 via combination of improved BCO approach and BP neural network. Expert Systems with Applications, 2009, vol. 36, no. 5, pp. 8849–8854. 12. Yao J., Tan C.L., Poh, H.L. Neural networks for technical analysis: a study on KLCI. International Journal of Theoretical and Applied Finance, 1999, vol. 2, no. 02, pp. 221–241. 13. Kara Y., Boyacioglu M.A., Baykan Ö.K. Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 2011, vol. 38, no. 5, pp. 5311–5319. 14. Kim K.J. Financial time series forecasting using support vector machines. Neurocomputing, 2003, vol. 55, no. 1, pp. 307–319. 15. Schöneburg E. Stock price prediction using neural networks: A project report. Neurocomputing, 1990, vol. 2, no. 1, pp. 17–27. 16. Bugorskiy V.N., Sergiyenko A.G. Neirosetevoe modelirovanie faktorov, vliiaiushchikh na volatil'nost' tsennykh bumag [Neural network modeling of factors affecting the volatility of securities]. Prikladnaia informatika [Applied Informatics], 2009, no. 5 (23), pp. 16–26. (In Russian). 17. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks, 1989, vol. 2, no. 5, pp. 359–366. 18. Iasnitskii L.N. Intellektual'nye sistemy [Intelligent systems]. Moscow, Laboratoriia Znanii Publ., 2016. 221 p. (In Russian). 19. Cortes C., Vapnik V. Support-Vector Networks. Machine Learning, 1995, vol. 20, no. 3, pp. 273–297. 20. Haykin S. Neironnye seti: polnyi kurs [Neural networks: A comprehensive foundation]. Moscow, OOO «I.D. Willams» Publ., 2006. 1103 p. 21. Trippi R.R., Turban E. Neural networks in finance and investing: Using artificial intelligence to improve real world performance. New York, McGraw-Hill Inc., 1992, p. 400. 22. Sapuan S.M., Mujtaba I.M. Composite materials technology: neural network applications. Berlin, CRC Press, 2009, p. 368. 23. Qian N. On the momentum term in gradient descent learning algorithms. Neural Networks, 1999, vol. 12, no. 1, pp. 145–151. 24. Walczak S. An empirical analysis of data requirements for financial forecasting with neural networks. Journal of Management Information Systems, 2001, vol. 17, no. 4, pp. 203–222. 25. Cao L., Tay, F.E. Financial forecasting using support vector machines. Neural Computing & Applications, 2001, vol. 10 (2), pp. 184–192. 26. Evans C., Pappas K., Xhafa F. Utilizing artificial neural networks and genetic algorithms to build an algo-trading model for intra-day foreign exchange speculation. Mathematical and Computer Modelling, 2013, vol. 58, pp. 1249–1266. UR - https://economics.psu.ru:443/index.php/econ/article/view/9