Анализ и прогнозирование конъюнктуры рынка ценных бумаг

     2. Метод прогнозирования по образу (корпоративный метод);

     3. Метод аналогий.

     Логическое  моделирование на перспективу должно учитывать степень 

детализации показателей и целей и основываться на комплексном, системном подходе.

     Экономико-математическое моделирование базируется на построении

различных моделей. Экономико-математическая модель – это определённая схема развития рынка ценных бумаг при заданных условиях и обстоятельствах. При  прогнозировании используют различные модели (однопродуктовые и многопродуктовые, статистические и динамические ,натурально-стоимостные, микро- и макроэкономические, линейные и нелинейные, глобальные и локальные, отраслевые и территориальные, дескриптивные и оптимизационные). Наибольшее значение в прогнозировании имеют оптимизационные модели (модели экстремума). Оптимизационные (или оптимальные) модели представляют собой систему уравнений, которая кроме ограничений (условий) включает также особого рода уравнение, называемое функционалом, или критерием оптимальности. С помощью такого критерия находят решение, наилучшее по какому-либо показателю.

     Прогнозирование рынка ценных бумаг с помощью  трендовых моделей основано на разложении показателей, представленных временным рядом на три компоненты: тренд, годовая (волновая) и остаточная. Тренд рассматривается здесь как непрерывная функция от времени, годовая компонента является дискретной функцией от времени, которая накладывается на тренд, остаточная компонента по гипотезе является случайным стационарным процессом. Решение задачи прогнозирования рынка ценных бумаг можно подразделить на следующие основные этапы: анализ временных рядов рынка ценных бумаг, набор соответствующих методов и формулирование предпосылок для выделения функции тренда, прогнозирование трендов, анализ остаточной компоненты. Из-за разнообразия методов прогнозирования временных рядов, трендовых моделей (аддитивных, мультипликативных, смешанных), критериев выбора оптимальных показателей возникает необходимость комбинации прогнозов, учитывающих специфику различных методов прогнозирования.

     Существуют, по крайней мере, две группы факторов, влияющих на качество прогнозов:

1. Связанные с подготовкой, обработкой и анализом информации;
2. Связанные с качеством построения модели, ее соответствием прогнозируемому процессу.

     Кроме того, при прогнозировании необходимо учитывать ошибки исходных данных, модели прогноза, согласования, стратегии, которые заключаются в расхождении  данных прогноза и фактических данных. Ошибки исходных данных связаны главным образом с неточностью измерений, некорректностью выборки, недостоверностью показателей. Ошибки модели возникают из-за неправильного подбора целевой функции и системы ограничений, из-за низкого качества экспертизы. Ошибки согласования вызваны несопоставимостью методик расчёта отдельных показателей в разных отраслях и регионах. Ошибки стратегии предопределены неправильным выбором концепции прогноза.

     Экспериментальным методом прогнозирования является машинная имитация на ЭВМ. Машинная имитация предполагает построение модели изучаемого объекта, системы, события, которая затем преобразуется в программу ЭВМ. В ЭВМ вводят необходимые данные и анализируют их в динамике. (статистический анализ), под влиянием ряда факторов (факторный анализ), во взаимодействии с другими данными (системный анализ), в определённых условиях экстремума (оптимизационный анализ). Машинная имитация применятся при прогнозировании сложных процессов ,систем и объектов, на предварительном этапе преобразования и эксперимента, при разработке долгосрочных и среднесрочных прогнозов. Статистическая имитация позволяет определить относительное значение отдельных факторов, условий ввода новых параметров, влияющих на конечный результат. Машинная имитация может быть организована в форме игры.

     Фактографический метод прогнозирования основан на тщательном изучении публикуемых, сообщаемых в средствах массовой информации фактов, их сопоставлении и анализе.

     Программно-целевой  метод широко использовался в России в 1990-е годы в процессе приватизации и акционирования предприятий. Данный метод основан на разработке конкретных программ под определённую цель, например, программ приватизации.

     Процесс построения прогнозов делится на две части:

     1.     Определение специфики прогнозов,  их целей и вариантов использования;

2. Выбор  метода прогнозирования и математического  аппарата его информационного  обеспечения.

     Возможности использования конкретного метода прогнозирования зависят не только от уровня профессиональной подготовленности специалистов, но и от достоверности, полноты используемой информации.” [4] 
 

Таблица 3

“Сравнительная  характеристика методов прогнозирования 

развития  рынка ценных бумаг” [6]

 
 
 
 
 
 
 
 
 

Глава 4. Факторы, влияющие на конъюнктуру рынка  ценных бумаг 

      4.1. Макроэкономические  показатели деловой  активности

      “Макроэкономические показатели деловой активности влияют на конъюнктуру биржевого рынка, так как биржи функционируют в условиях конкретной макросреды. Эти показатели можно разделить на три группы:

1. опережающие (leading)
2. совпадающие (coincidental)
3. отстающие (lagging) индикаторы

Изменение опережающих  показателей происходит ранее изменений  экономической 

конъюнктуры страны, поэтому они представляют наибольший интерес для прогнозирования. Изменения  совпадающих индикаторов происходит одновременно с циклическими колебаниями, а отстающих индикаторов – после этих колебаний.

      В западной практике пользуются агрегатными  индексами, усредняющими периоды опережения входящих в них индикаторов. Например, Бюро экономического анализа Министерства торговли США ежемесячно публикует  такой индекс, составленный из 11 макроэкономических индикаторов, среди которых средняя продолжительность рабочей недели в обрабатывающей промышленности, объем заказов на производство потребительских товаров, сумма контрактов на сооружение промышленных объектов и изготовление оборудования, объем заказов на товары длительного пользования, фондовый индекс “Стандард энд Пур-500”, денежный агрегат, индекс потребительских ожиданий и др. Считается, что в целом опережение агрегатного индекса составляет 6 месяцев. Публикация данного индекса оказывает большую помощь американским финансовым аналитикам, хотя его недостатком является краткосрочность опережения цикла.

      Важнейшим обобщающим показателем  экономической  активности за определённые периоды  времени служат валовой национальный продукт (ВВП) и валовой внутренний продукт (ВВП). Динамика этих высококоррелированных показателей отражают разные фазы экономического цикла – кризиса, депрессии, оживления и подъёма, что позволяет с известной точностью предсказывать изменения объема отраслевых продаж. Вместе с тем, по определению ВНП отражает совокупный доход страны и поэтому предпочтителен для прогнозирования объема продаж отраслей потребительского сектора. В свою очередь, ВВП относится к производству товаров и услуг внутри страны и, следовательно, на его базе желательно оценивать будущие продажи предприятий, производящих полуфабрикаты, сырьё, оборудование и т.п. Кроме того,  ВВП используется в международных сравнениях.” [6] 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Заключение

      Перспективы совершенствования методов анализа и увеличения точности прогнозов. 

В классическом техническом анализе уже существует несколько направлений,

работа  в которых обещает увеличение точности прогнозов, снижение риска  от сделок, увеличение доходов. Это  подбор параметров для уже имеющихся индикаторов, поиск наиболее удачных  комбинаций индикаторов, а также создание новых. Работа в этих направлениях активно ведется  в США, на родине большинства методов технического анализа.

      “Быстрое  развитие компьютерных технологий открывает новые перспективы для работ в области прогнозирования ситуаций на финансовых и товарных рынках. Наиболее значительным прорывом в этой области большинство специалистов считают развитие нейрокомпьютинг.

      Нейрокомпьютинг - это научное направление, занимающееся разработкой вычислительных систем шестого поколения - нейрокомпьютеров, которые состоят из большого числа параллельно работающих простых вычислительных элементов (нейронов). Элементы связаны между собой, образуя нейронную сеть. Они выполняют единообразные вычислительные действия и не требуют внешнего управления. Большое число параллельно работающих вычислительных элементов обеспечивают высокое быстродействие. В настоящее время разработка нейрокомпьютеров ведется в большинстве промышленно развитых стран. Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования (в т.ч. в финансово-экономической сфере), диагностики и т.д.

     Нейросеть – это компьютерная программа, имитирующая способность человеческого мозга классифицировать примеры, делать предсказания или принимать решения, основываясь на опыте прошлого. Стремительное развитие технологии нейронных сетей и генетических алгоритмов началось лишь в конце 80-х годов, и пока остается уделом немногочисленной группы специалистов, как правило, теоретиков в области искусственного интеллекта. Но в России уже начали появляться нейронные сети, хорошо зарекомендовавшие себя на Западе, ведутся разработки собственных программ, для прогнозирования самых различных событий. Упрощая, технику применения нейронных сетей для прогнозов на фондовом рынке можно условно разбить на следующие этапы:

• подбор базы данных,
• выделение «входов» (исходные данные) и «выходов» (результаты прогноза). Входами можно сделать цены открытия, закрытия, максимумы, минимумы за какой-то период времени, статистика значений различных индикаторов (например, индексы Доу Джонса, Никкей, комбинации курсов валют, доходность государственных ценных бумаг, отношения фундаментальных и технических индикаторов и др.), обычно выбирается от 6 до 30 различных параметров. Количество выходов рекомендуется делать как можно меньше, но это могут быть цены открытия, закрытия, максимумы, минимумы следующего дня,
• выделение в массиве данных тренировочных и экзаменационных участков,
• обучение нейросети: на этом этапе нейронная сеть обрабатывает тренировочные примеры, пытается дать прогноз на экзаменационных участках базы данных, сравнивает полученную ошибку с ответом, имеющимся в примере (базе данных), а также с ошибкой предыдущего этапа обучения и изменяет свои параметры так, чтобы это изменение приводило к постоянному уменьшению ошибки.
• введение срока прогноза,
• получение значения прогнозируемых данных на выходе нейросети.” [1]