Моделирование прогноза значений котировок ценных бумаг с использованием нейроных сетей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Сергиенко, Анатолий Геннадьевич

• Сергиенко, Анатолий Геннадьевич
• кандидат экономических наук
• 2011

Оглавление диссертации кандидат экономических наук Сергиенко, Анатолий Геннадьевич

Введение.

Глава 1 Анализ основных моделей и методов прогнозирования значений котировок ценных бумаг.

1.1 Исторический анализ рынка ценных бумаг.

1.2 Теоретико-методологические аспекты прогнозирования состояния рынка ценных бумаг.

1.3 Анализ традиционных моделей и методов прогнозирования значений котировок ценных бумаг.

1.2.1 Модель оценок уровня минимума и максимума значений котировок ценных бумаг.

1.2.2 «Наивные» модели прогнозирования.

1.2.3 Скользящие средние.

1.2.4 Экспоненциальные скользящие средние.

1.2.5 Авторегрессионное интегрированное скользящее среднее.

1.4 Современные модели и методы прогнозирования значений котировок . ценных бумаг.

1.3.1 Прогнозирование с использованием инструментария генетических и клеточных автоматов.

1.3.2 Фрактальный анализ временных рядов.

1.3.3 Инструментарий фазовых портретов.

1.3.4 Искусственные нейронные сети.

1.5 Выводы к главе 1.

Глава 2 Нейросетевое моделирование прогноза значений котировок ценных бумаг

2.1 Нейронные сети в экономико-математическом моделировании.

2.2 Нейросетевые модели.

2.2.1 Однослойные искусственные нейронные сети.

2.2.2 Многослойные искусственные нейронные сети.

2.2.3 Нейронная сеть обратного распространения.

2.3 Методика формирования обучающей выборки.

2.4 Обзор факторов оказывающих влияние на волатильность рынка ценных бумаг

2.5 Обучение искусственных нейронных сетей.

2.6 Нейросетевое моделирование рыночных и нерыночных факторов, влияющих на волатильность ценных бумаг.

2.7 Нейросетевая диагностика направления развития тренда.

2.8 Методики оценки точности нейросетевого прогноза.

Выводы к главе 2.

Глава 3 Разработка методических основ по использованию аппарата нейронных сетей в работе трейдера.

3.1 Общий принцип нейросетевого моделирования прогноза котировок ценных бумаг.

3.2 Бизнес процессы моделирования нейросетевого прогноза.

3.3 Методические рекомендации трейдеру по использованию нейронных сетей

3.4 Экспериментальные расчеты по применению нейронных сетей в! прогнозировании показателей фондового рынка.

3.4.1 Нейросетевое моделирования рыночных и нерыночных факторов на примере индекса РТС.

3.4.2 Нейросетевое моделирования индексов валют.

Выводы к главе 3.

Введение диссертации (часть автореферата) на тему «Моделирование прогноза значений котировок ценных бумаг с использованием нейроных сетей»

В современных условиях становления российского рынка ценных бумаг особую значимость приобретают исследования по моделированию прогнозов котировок ценных бумаг. Недавние колебания биржевых индексов, продолжающийся кризис ипотечного кредитования в США и другие потрясения рынка ценных бумаг показывают, что необходимость в данных исследованиях назрела и актуальна. Как в России, так и в ведущих государствах колебания этого рынка все менее зависят от политического влияния и влияния других нерыночных факторов, что подтверждает необходимость проведения объективных исследований в этой области. Научно-методические разработки по данной тематике могут быть полезны как юридическим лицам, так и конкретным гражданам. , • .

- 5 г

По мере возрастания зависимости российского рынка ценных бумаг от "" . Г 1 " >! Ы* американского, европейского и азиатского рынков, а эта зависимость, после ^ <у. вступления РФ в ВТО, размещения ценных бумаг ведущих российских»* • Н. фондовых игроков на мировых фондовых площадках, значительного' роста4. V-h j

- ,. !. Д \ притока инвестиционного капитала, станет неизбежна, названная тема будет „, <X<;>' очень важной в схемах определения перспектив рынка, противодействия '' 5 кризисным явлениям на рынке ценных бумаг.

Значительная часть населения Российской Федерации владеет ценными бумагами, а в последнее время под влиянием государства происходит «народное» размещение ценных бумаг, в особенности акций крупных предприятий и организаций (в частности ВТБ, Сбербанк и другие).

В связи с этим создание модели прогноза котировок даст возможность простому гражданину принять решение как о совершении каких-либо действий с ценными бумагами, так и его желании вступить в рынок ценных бумаг.

Зная состояние и возможности рынка, физическое лицо - держатель ценных бумаг может планировать доходы и расходы, рассчитывать свое финансовое будущее, принимать важные рыночные решения.

Актуальность темы исследования. Глобализация и мировой финансовый кризис вызвали значительные перемены в таком секторе экономики, как рынки ценных бумаг. Не является исключением и российский фондовый рынок, который за свою новейшую постсоветскую историю пережил множество хороших и плохих событий. Сегодня очевидным является тот факт, что развитый рынок ценных бумаг определяет экономику страны в целом. 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, огромные

Г / усилия государства направлены на повышение доверия инвесторов к '1 ! * ' ? российской экономике, а возможность осуществления торговых операций к* через Интернет, сделала доступными финансовые рынки 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 экономико« Г математического прогнозирования присущи общие черты. Практически все прогнозные модели в той или иной мере используют экстраполяцию прошлых тенденций в отношении как общенациональных, так и частичных людей.

Одной из важных задач на пути стабилизации фондове показателей производства, народонаселения, технического прогресса. Общая черта эконометрических и эмпирических прогнозов - стремление на основе отдельных, частичных показателей составить общую картину будущего экономического роста.

С целью понимания того, какие преимущества дают предлагаемые новые методы анализа данных и прогнозирования, необходимо определить проблемы, возникающие при создании систем анализа финансовых рынков традиционными моделями прогнозирования.

Первая проблема - это определение необходимых и достаточных параметров для оценки состояния рь!нка, то есть 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' л С ^ у модели как можно больше показателей и критериев оценки может привести к^ 'р нереализуемым практически объемам вычислительной сложности. Иными» словами, суть этой проблемы сводится к ограничению на быстродействие и\ размеры вычислительного комплекса в зависимости от количества^

1 »А > Г информации, обрабатываемого в единицу времени. - /\с

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 применений таких разделов современной математики, как нейронные сети, 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 нейронных сетей и теории нечетких множеств.

Цель и задачи исследования. Целью настоящей диссертационной работы является исследование потенциальной прогнозируемое™ временных рядов значений котировок ценных бумаг на базе новых инструментариев - , * г нелинейной динамики, в частности, нейросетевого анализа. '

В соответствии с целью работы решались следующие задачи: , "Д* ;

- анализ и оценка принципиальной возможности использовать метода, нейросетевого моделирования для анализа и прогнозирования временных , л м

1 I ( ? > л**<

V Л х ( рядов котировок ценных бумаг, для которых использование классических ; Л £?« I % методов является проблематичным; '

- разработка методики учета различного рода факторов, оказывающих влияние на волатильность фондового рынка при моделировании прогноза

- оценка качественной и количественной характеристик силы влияния рыночных и нерыночных факторов

-использование комбинированного подхода к построению прогноза, путем совместного использования основ технического и фундаментального анализов в нейросетевом моделировании.

Объектом исследования является фондовый рынок ценных бумаг, как один из главных финансовых элементов международной экономической системы. Предметом исследования являются временные ряды такого финансово-экономического показателя, „ как котировки ценных бумаг.

Методология и методы исследования. Теоретическую и методологическую базу исследования составляют научные труды современных российских и зарубежных ученых по методам экстраполяции, статистического и фрактального анализа временных рядов, экономической синергетики, теории фазовых портретов и клеточных автоматов, а также работы, посвященные вопросам прогнозирования и содержательной экономической интерпретации нейросетевого моделирования.

Научную новизну содержат следующие положения:

1. Развита методика анализа динамики котировки ценных бумаг с использованием нейросетевого анализа, "адаптировано и апробировано на конкретных временных рядах математическое обеспечение реализации на персональной ЭВМ этого анализа с целью получения прогнозной информации, включая ее содержательную интерпретацию.

2. Разработан и апробирован новый метод оценки рыночных и = I « нерыночных факторов, оказывающих влияние на волатильность фондового V , , > г ч рынка. В основе метода лежит теория нечетких множеств. , ;/<"* 1 г йг^ ^

Г Ъ У Л V

3.На примере показателей различных финансовых рынков-- и осуществлен нейросетевой прогноз и предложена содержательная его^; ^ интерпретация. ' 1 ('\*А "

4. Представлено описание нейросетевого моделирования прогноза через бизнес процессы.

5. Предложена методика оценки точности прогноза, учитывающая финансовую составляющую биржевых операций.

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 котировок ценных бумаг.

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 нейронных сетей; построением экономико-математических моделей, реализующих методы анализа и прогнозирования на базе современных" информационных технологий; наглядной визуализацией результатов / моделирования, анализа и прогнозирования; документальным характером \ -¿с^р использованных данных по объектам приложений разработанных моделей и методов. % ■ * У

Объем и структура работы. Диссертация состоит из введения, 3 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.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Сергиенко, Анатолий Геннадьевич

Основные результаты, полученные в ходе диссертационного 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, составляющих предмет диссертационного исследования.

2. Сформулирована и развита авторская концепция прогнозирования временных рядов для получения прогнозной информации моделями нейронных сетей,.

2. Проведена оценка факторов, оказывающих влияние на волатильность фондового рынка с использованием теории нечетких множеств.

3. Выполнен прогнозный анализ временных рядов котировки акций с ' учетом влияния рыночных и нерыночных факторов, в результате чего выявлена эффективность настоящей методики моделирования.

4. Осуществлена адаптация вычислительной схемы этапов нейросетеовой прогнозной модели для прогнозирования временных рядов котировки акций.

5. Проведена оценка точности прогноза с учетом финансовой составляющей биржевых операций.

Заключение

Список литературы диссертационного исследования кандидат экономических наук Сергиенко, Анатолий Геннадьевич, 2011 год

1. Бутакова М. М. Экономическое прогнозирование: методы и приемы практических расчетов: учебное пособие / М.М. Бутакова.1. Алт. ун-та, 2007. 199 с.

2. Гневашева В. А. Прогнозирование экономики: понятия и история // Знание. Понимание. Умение. 2005. - № 2. - стр. 141-144.

3. Карпов А. В. К26 Психология менеджмента: Учеб. пособие. -М.: Гардарики, 2005. 584 стр.

4. Афанасьев В. Н., Юзбашев М. М. Анализ временных рядов и прогнозирование: Учебник Финансы и статистика. 2001. 228 с.

5. Пакова, О. Н. Финансы Текст. : "учебное пособие / О. Н. Пакова. -Ставрополь : СевКавГТУ, 2005. 57 с.

6. Ширяев А. Н. Основы стохастической финансовой математики -«Фазис», 1998

7. Василий Я. Фундаментальный анализ «Омега-JI», 2008 г.

8. Бернард Баумоль Секреты экономических показателей. Скрытые . ключи к будущим экономическим тенденциям и инвестиционным/' возможностям Баланс Бизнес Букс, 2007 г.

9. Кобелев Н.Б. Практика применения экономико-математических методов и моделей /Учеб.-практ. пособие. М.: ЗАО «Финстатинформ», 2000. - 246 с.

10. Мерфи Д. Межрыночный технический анализ. М.: Диаграмма 2002.-317 с.

11. Александров В.В., Алексеев А.И., Горский Н.Д. Анализ данных на ЭВМ (на примере СИТО). М.: Финансы и статистика, 1990. -192с.

12. Wolfram S. (ed) Theory and Application of Cellular Automata. Singapore /Teaneck, N.J.: World Scientific, 1986. 878 p.

13. Мерфи Д. Межрыночный технический анализ. — М.: Диаграмма 2002.-317 с.

14. Швагер Д. Технический анализ. Полный курс. М.: Альпина Бизнес Букс, 2005. - 806 с.

15. Колби Роберт. Энциклопедия технических индикаторов. М.: Альпина Бизнес Букс, 2004. - 837с.

16. Джо ДиНаполи Торговля с использованием уровней ДиНаполи. Практическое применение анализа Фибоначчи на инвестиционных рынках -ИК «Аналитика», 2001 г.

17. Дуброва Т.А. Статистические методы прогнозирования в экономике: Уч. пособие. -М., 2004. 137 с.

18. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Тюмень: Изд-во ТюмГУ, 2000. - 352 с.

19. Присняков В.Ф. Нестационарная макроэкономика: УчебноеIпособие. Донецк: Дон- НУ. - 2000. - 209 с.

20. Растригин JL А., Пономарев Ю.П. Экстраполяционные методы проектирования и управления. М.: Машиностроение, 1986. - 120 с.

21. Сергеева JLH. Моделирование поведения экономических систем методами нелинейной динамики (теории хаоса). Запорожье: ЗГУ, 2002. -227 с.

22. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. Воронеж: ВГУ, 1994. - 135 с.

23. Вороновский Г.К., и др. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.

24. Исаев С.А. Генетические алгоритмы и машинное обучение. Режим доступа: http://www.blind.alfint.ru/modules.php?name=News&newtopic=3 29.04.2003.

25. Лекции по нейронным сетям и генетическим алгоритмам. Режим доступа: http://infoart.baku.az/inews/30000007.htm 29.08.2002.

26. Бабков Г.А., Касаева М.Д., Перепелица В.А. Фрактальный анализ одного временного ряда урожайностей /Материалы V Всероссийского симпозиума «Математическое моделирование и компьютерные технологии», т.2. Кисловодск: КИЭП, 2002.- С. 16-17.

27. Перепелица В.А., Беляков С.С., Овчаренко Н.Ф. Фрактальный анализ временных рядов объемов инвестиций в основной капитал региона //Региональное приложение к журналу «Современные наукоемкие технологии».- 2004 №2 - С. 19-23.

28. Перепелица В.А., Тебуева Ф.Б., Узденов Р.Х., Такушинов А.Р. Различие фрактальных свойств временных рядов с наличием и отсутствием долговременной памяти. Там же, с. 184-188.

29. Петере Э. Фрактальный анализ финансовых рынков: Применение теории хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004. -304 с.

30. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. М.: Мир, \ 2000.-333 с.

31. Динамические системы. Итоги науки и техники. Сер. Современные проблемы математики. М.: Наука, 1985. - Т. 1-4.

32. Горелик А.Л., Скрипкин "В.А. Методы распознавания: Учеб.пособие. М.: Высш.шк., 1984. - 208 с.

33. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПБ.: Наука и Техника, 2003. -384 с.

34. Винтизенко И.Г. Детерминированное прогнозирование в экономических системах /Труды III Международной конференции «Новые технологии в управлении, бизнесе и праве». Невинномысск: Изд-во ИУБиП. - С.30-37.

35. Takens F. Detecting strange attractors in turbulence //Dynamical systems and turbulence, eds. D.Rand, L.Young. Berlin: Springer Verlag. - P. 366-382.

36. Сплайн-функции в экономико-статистических исследованиях. -Новосибирск: Наука, 1987. 206 с.

37. Курдюмов С.П., Малинецкий Г.Г., Потапов А.Б. Нестационарные структуры, динамический хаос, клеточные автоматы. В сб. Новое в синергетике. Загадки мира неравновесных структур. М.: Наука, 1996. - С. 95-164.

38. Бутенко А.А. и др. Обучение нейронной сети при помощи алгоритма фильтра Калмана. //Труды VIII Всероссийской конференции ^Нейрокомпьютеры и их применение »: Сб. докл., 2002. С. 1120 - 1125.

39. Шустер Г. Детерминированный хаос: Введение М.: Мир, 1988240 с.

40. International workshop on combination of genetic algorithmsand neural networks (1992; Baltimore, Md), June 6, 1992. / COGANN-92;Ed. L.P. Whitley,J.P. Schoffer. Los Alamatic (Ca) et al.: lEEEcomputer. soc. press, 1992. ? -VIII, 262p.

41. Mandelbrot, B. The Fractal Geometry of Nature. New York: W.H. .? Freeman, 1982.

42. Jones A.J. Genetic algorithms and their applications to thedesign of neural networks// Neural computing and applications,v. 1, no. 1,1993

43. Billings S.A. Hong X. Dual orthogonal radial function networks for nonlinear time series prediction // Neural Networks, 1998. 11. P. 479 - 493.

44. Funobashi M., Moeda A., Morooka Y., Mori K. Fussy and Neural Hybrid Expert Systems:

45. Sinergetic AL Alin Japan, IEEE, 1995,august. - Pp.33-40.

46. Белова Е. В, Окороков Д.К. Технический анализ финансовых рынков. Гриф МО РФ. 2-е изд. М.: Инфра-М, 2006.

47. Каширина И.Л. Искусственные нейронные сети. Учебное пособие -Воронеж, 2001 г.

48. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика-М.:Мир, 1992.-380 с.

49. Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. С. 1089 - 1097.

50. Алексеев В.И., Максимов A.B. Использование нейронных сетей с двухмерными слоями для распознавания образов//Труды VIII Всероссийской конференции54. «Нейрокомпьютеры и их применение »: Сб. докл., 2002. С. 69-72.

51. Барский А.Б. Обучение нейросети методом трассировки //Труды * VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002.-С. 862-898.

52. Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сети //Труды { . ' VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. С. 69-72.

53. Вороновский Г.К., и др. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.

54. Гаврилов A.B. Гибридные "интеллектуальные системы. -Новосибирск: Изд-во НГТУ, 2003. 162 с.

55. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. Пособие для вузов. М.: ИПРЖР, 2001. 385 с.

56. Гусак А.Н. и др. Подход к послойному обучению нейронной сети прямого распространения//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. С. 931 - 933.

57. Еремин Д.M. Система управления с применением нейронных сетей//Приборы и системы. Управление, контроль, диагностика. 2001. -№9 -С. 8-11.

58. Миркин Я.М. Рынок ценных бумаг России: воздействие фундаментальных факторов, прогноз и политика развития. М.: Альпина Паблишер, 2002. - 624 с.

59. Бизюкова В.В., Ногой В.А. Рынок ценных бумаг МПСИ, 2009,208 с.

60. Hurst Н.Е. The Long-Term Storage Capacity of Reservoirs, Transactions of the American Society of Civil Engineers, 116,1951.

61. Фишберн П. Теория полезности для принятия решений. М.: Наука,1978.

62. Трухаев Р.И. Модели принятия решений в условиях неопределенности.-М.: Наука, 1981.

63. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб.: Сезам, 2002.

64. Тихонов Э.Е. Методы прогнозирования в условиях рынка. -Учебное пособие Невинномысск, 2006.

65. Cheland Р.В., Scholes I. Soft Systems Methodology in Action. -Chichester, Wiley, 1990.

66. Авгест-Вильгельм Шеер Бизнес-процессы Основные понятия, теория, методы М.: 2005, 173 с.

67. Авилов А.В. Рефлексивное управление. Методологические основания. М., 2003.

68. Месарович М. Теория иерархических многоуровневых систем, М.: Мир, 1973.

69. Садовский В.Н. Системные исследования: некоторые принципиальные проблемы построения общей теории систем, М.: Наука, 1971.

70. Котлер Ф. Основы маркетинга, СПб.: КОРУНА, 1994.

71. Друкер П.Ф. Задачи менеджмента в XXI веке, М., 2001.

72. Мильнер .3. Системный подход к организации управления, М.: Экономика, 1983.

73. Robert S. Pindyck, Daniel L. Rubinfeld. Econometric models and economic forecasts. -McGRAW-HILL,INC, 1991. 596p.

74. Москвин В. А. Управление качеством в бизнесе: Рекомендации для руководителей предприятий, бан-ков и риск-менеджеров. М.: Финансы и статистика, 2006. - 384 с.

75. Бухгалтерское приложение к газете «Экономика и жизнь», 2005,1. N33.80. «Финансовая газета», 2005, N 45

76. Бухгалтерское издание «Новая бухгалтерия», 2005, N 12

77. Лиховидов В.Н. Фундаментальный анализ мировых валютных рынков СПб.: 2005, 288 с.

78. Brockwell, Р.J., Davis, R.A. г Introduction to Time Series and Forecasting. 2nd edn. Springer-Verlag (2002)

79. Sharpe, W.F. Portfolio Theory and Capital Markets. New York: MgGraw-Hill, 1970.

80. Официальный сайт холдинга «Финнам» (http://www.finam.ru: Retrieved on 25.06.2009).

81. Программа «500 пунктов». Газета «Коммерсантъ» № 12 от 24 января 2009.

82. Бронников В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде WINDOWS. M.: Финансы и статистика, 2000.

83. Пытьев Ю.М. Возможность: элементы теории и применения. М.:УРСС, 2000.

84. Дюбуа Д., Прад А. Теория возможностей: приложения к представлению знаний в информатике. М.: Радио и связь, 1990.

85. Фишберн П. Теория полезности для принятия решений. М.: Наука,1978.

86. Трухаев Р.И. Модели принятия решений в условиях неопределенности.-М.: Наука, 1981.

87. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб.: Сезам, 2002.

88. Горбацевич В. В. Анализ и прогнозирование ваременных рядов -М.: 2000

89. Щеголева Н.Г. Валютный рынок и валютные операции М.: 2005,157 с.

90. Сергиенко А. Г. Оценка силы влияния событий на рынок ценных бумаг // Вестник ИНЖЭКОНа, Сер. Экономика. 2009. Вып. 6 (33). Стр. -265-271.

91. Статьи опубликованные в прочих изданиях

92. Сергиенко А. Г., Бугорский В. Н. Использование нейронных сетей для моделирования прогноза котировок ценных бумаг // Прикладная информатика, Вып. 3 , Изд.: М., 2008. - Стр. 3-11.

93. Сергиенко А. Г. Анализ методов и моделей прогнозирования л котировок ценных бумаг // Современные проблемы экономики, социологии и права: Сб. науч. ст. асп. СПбГИЭУ, Вып. 5 / редкол.: Е. Б. Смирнов (отв. ред.)Iи др.. СПб.: СПбГИЭУ, 2008. - Стр. 57 - 62.

94. Сергиенко А. Г., Бугорский В. Н. Нейросетевое моделирование факторов, влияющих на волатильность ценных бумаг // Прикладная информатика, Вып. 5, Изд.: М., 2009. - Стр. 3 - 12.