Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Борздов, Сергей Юрьевич

• Борздов, Сергей Юрьевич
• кандидат экономических наук
• 2010

Оглавление диссертации кандидат экономических наук Борздов, Сергей Юрьевич

ВВЕДЕНИЕ.

ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ РЫНКА ЦЕННЫХ БУМАГ.

1.1 Основные принципы функционирования биржевых и внебиржевых торговых систем в России.

1.2 Понятия и определения проблемы предсказания курсов акций.

1.3. Классификация методов прогнозирования финансовых рынков.

1.4. Использование систем с искусственной «памятью» для решения задач прогнозирования.

ГЛАВА 2 АНАЛИЗ, ОЦЕНКА И МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННОЙ СТРАТЕГИИ НА РЫНКЕ ЦЕННЫХ БУМАГ.

2.1 Предмет и методы фундаментального анализа.;.

2.2 Технический анализ макроэкономической ситуации на рынке ценных бумаг.

2.3 Моделирование и прогнозирование инвестиционной стратегии.

ГЛАВА 3. ПРОГНОЗИРОВАНИЕ ВОЛАТИЛЬНОСТИ КУРСОВ АКЦИЙ НА НЕЙРОННЫХ СЕТЯХ.

3.1 Исследование динамики курсов акций «Ростелеком», «Лукойл» и «Сбербанк» в модуле STATISTICA Neural Networks.

3.2 Адаптация программных нейросетевых пакетов.

3.3 Обучение систем с искусственной «памятью» для решения задач прогнозирования волатильности курсов акций.

3.4 Анализ результатов и методов повышения качества предсказаний.

Введение диссертации (часть автореферата) на тему «Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках»

В результате глубоких институциональных реформ Россия, встав в начале 1990-х на путь формирования цивилизованной экономики рыночного типа, добилась к настоящему времени поразительных результатов. Несмотря на достаточно хаотическое развитие рынка в течение этого времени, на данном этапе уже сформировалась, хотя и неполноценная, но реально функционирующая классическая система трехуровневого финансирования экономики. Такая система, как известно, состоит из бюджетного финансирования, системы банковского кредитования и прямых инвестиций через механизмы рынка капиталов. При этом, системе прямого инвестирования следует уделить наибольшее внимание, так как первые две составляющие ограничены. Ресурсы государственного бюджета предельны исходя из самой сущности его формирования; бюджетное финансирование не должно и не может служить основным источником средств для развития экономики. Банковская система в этом смысле и более мобильна, и обладает большим потенциалом, однако, несмотря на огромные аккумулированные банками средства, даже их недостаточно для полноценного финансирования всего рыночного механизма. И только механизмы прямого и косвенного инвестирования с их поистине бескрайнем потенциалом могут выступить в качестве силы, двигающей развитие различных структур, действующих на рынке, а следовательно и всей российской экономики. Но механизмы такого инвестирования могут заработать в полной мере только при условии хорошо организованной и защищенной от нерыночных рисков инфраструктуры фондового рынка, являющегося той самой системой, которая позволяет перекачивать средства заинтересованных инвесторов из одних областей экономики в другие, тем самым, развивая экономику страны.

Государство, однако, не должно стоять в стороне от процессов инвестирования, и здесь, государству отводится роль организатора и регулятора системы сторонних инвестиций. Государственные структуры призваны выступать и в качестве структурообразующей силы, и в качестве регулирующих органов, прежде всего через механизмы законодательного регулирования.

Инфраструктура фондового рынка сложна и многообразна. Важной её составляющей является рынок ценных бумаг. На данном этапе рынок ценных бумаг в России в большой степени уже сформирован: есть и эмитенты ценных бумаг, многочисленные компании и предприятия, а также государство и муниципальные образования, есть и инвесторы, заинтересованные в наилучшем для себя размещении средств. Очевидным становится необходимость существования структур, которые позволяли бы с обоюдной выгодой для себя, безопасностью и удобством двум этим заинтересованным сторонам проводить операции с ценными бумагами. Здесь необходимо отметить и структуры, ведущие учет прав собственности на ценные бумаги и упрощающие процедуры перехода прав собственности при операциях с ними (реестродержатели, депозитарии и трансфер-агенты). Учитывая специфику рынка бумаг необходимо и наличие организаций, профессионально работающих на нём в качестве посредников (брокерские инвестиционные компании и банки). Важной составляющей рынка ценных бумаг является также и функционирование структур, непосредственно осуществляющих организацию торговли ценными бумагами (структуры биржевой и внебиржевой торговли).

Исторически сложилось, что, начиная с появления самих ценных бумаг, функцию организаторов торговли ценными бумагами всегда выполняли биржи, а также близкие к ним по сущности специализированные внебиржевые организованные системы. Наша страна не стала исключением, и на данный момент в России уже сформировался и реально функционирует ряд торговых систем, подавляющая часть которых это биржи.

Актуальность темы* исследования. В условиях мирового финансового кризиса и увеличения требований к масштабам и темпам роста экономики для выхода из него, а также достижения прибыльности на российском рынке (в частности на рынке ценных бумаг) становятся актуальными вопросы планирования и принятия оперативных управленческих решений на основе прогнозирования.

Исследования обусловлены необходимостью развития нейросетевого прогнозирования волатильности курсов акций, как нового инструментального метода, позволяющего повысить точность предсказания и воспроизводить чрезвычайно сложные зависимости. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных, что обуславливается необходимостью использования на практике новых технологий. Существенными составными частями, которых являются нейронные сети и генетические алгоритмы, позволяющие прогнозировать структуру неоднородных временных рядов.

Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем - основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций, в том числе биржевых и небиржевых систем торговли ценными бумагами.

Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выполнение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм параллельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование высокопроизводительных инструментальных средств, основанных на аппарате модулярной арифметики.

Таким образом, в связи с тем, что в рамках классического подхода не удается получить существенного улучшения качества прогнозирования курсов акций на фондовом рынке, актуальным является совершенствование методик прогноза волатильности курсов акций, применение и адаптация инструментальных средств нейросетевого прогнозирования, что и явилось предметом нашего диссертационного исследования

Степень изученности проблемы. Большой вклад в развитие методологии прогнозирования внесли такие ученые, как Д. М. Гвишиани и В. А. Лисичкин. Некоторые авторы, например Э. Яныч, X. Тейль, А. Апполов и другие пытались классифицировать известные прогнозы.

Теоретические основы нейроматематики были заложены в 1943 году У. Маккалохом и У. Питтсом, которые сформулировали основные положения нейро-теории и разработали модель нейрона. Серьезное развитие нейрокибернетика получила в работах Ф. Розенблата, который в 1958 году он предложил свою модель нейронной сети. Новый виток быстрого развития моделей нейронных сетей связан с работами Амари, Андерсона, Карпентера, Кохена и особенно Хопфилда, положившего начало современному математическому моделированию нейронных вычислений в 1982 году, в которых была сформулирована математическая, модель ассоциативной памяти на нейронной сети с использованием правила Хеббиана для программирования сети. Развитием модели Хопфилда для решения комбинаторных оптимизационных задач и задач искусственного интеллекта является машина Больцмана; предложенная и исследованная Джефери Е. Хинтоном и Р. Зе-мелом.

Среди отечественных ученых можно выделить Барцева С. И., Охонина В. А., Гольцева А. Д., Иванченко А. Г., Картавцева В. В., Куссуль В. М., Масалови-ча А. И., Минского М., Червякова Н.И. и др.

Существует потребность в дальнейшем изучении данной проблемы, необходимость совершенствования инструментария оценки прогнозных расчетов и разработки нового программного обеспечения, что обусловило выбор темы исследования, его объект, предмет, цель и задачи.

Соответствие темы диссертации требованиям паспорта специальностей ВАК. Диссертация выполнена в рамках специальности 08.00.13 — Математические и инструментальные методы экономики, в соответствии с паспортом специальности п. 2.1. «Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления» и п. 2.8. «Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интеллекта при выработке управленческих решений».

Объектом исследования явились закономерности формирования, трансформации и динамики курсов акций на фондовых рынках.

Предметом исследования выступили в совокупности фундаментальный и технический анализ, как инструмент для принятия управленческих решений на основе прогнозирования курсов акций.

Цель диссертационного исследования заключается в выявлении фундаментальных факторов, влияющих на цену акций, а также повышении эффективности, надежности и практичности методов прогнозирования в результате использования нейронных сетей, как мощного самообучающегося инструмента для принятия инвестиционного решения.

Основные задачи исследования.

- описать природу, различные стороны и аспекты технического и фундаментального анализа;

- изучить теоретические особенности фундаментального и технического анализа;

- проанализировать фундаментальные факторы, влияющие на цену акций;

- изучить разнообразие методов технического анализа;

- провести обзор методов прогнозирования, выявить их достоинства и недостатки;

- исследовать финансово-экономическую структуру рынка ценных бумаг;

- адаптировать инструментальные средства и программные алгоритмы для прогнозирования волатильности курсов акций на фондовых рынках;

- определить, типы и структуры нейронных сетей, используемых для прогнозирования динамики курсов акций. Оценить точность и качество прогнозов;

- сделать сравнительную оценку качества прогнозирования классических методов и основанных на нейронных сетях.

Теоретико-методологическая основа исследования. Теоретической и методологической основой являются принципы научного познания, научные достижения, отражённые в публикациях отечественных и зарубежных учёных в области экономики, оценки и анализа управления рынком ценных бумаг, а также прогнозирования неоднородных финансовых временных рядов.

В работе использованы методы логического, статистического, сравнительного анализа. Кроме общетеоретических методов исследования, в работе, для построения экономико-математических моделей, использованы методы оценки прогнозных расчетов, сценарного моделирования, факторного и графического анализа.

Информационно-эмпирическая база исследования включает данные динамики курсов акций российских компаний на ММВБ (Московской межбанковской валютной бирже), РТС. Нормативно-правовую базу диссертации составили Указы Президента РФ, постановления Правительства РФ, законодательные и нормативные документы и положения ФСФР (Федеральной службы по финансовым рынкам), регулирующие сферу финансовой деятельности на фондовом рынке, информационные ресурсы INTERNET, оригинальные материалы автора.

Концептуальная логика исследования заключается в том, что у инвестора есть два инструмента прогнозирования рынка ценных бумаг: технический и фундаментальный анализ, которые в совокупности являются мощным инструментарием для принятия инвестиционного решения. Фундаментальный анализ позволяет прогнозировать, когда рынок или отдельная акция переоценена или недооценена, а технический анализ, в свою очередь, позволяет предсказать рост, падение отдельной акции или всего индекса, вне его связи с остальными инструментами. Однако современные финансовые рынки меняются очень быстро, и технический анализ уже не позволяет в полной мере охватить основные характеристики рынка, что порождает необходимость поиска других, более современных подходов к анализу финансового рынка, способны находить оптимальные для данного инструмента индикаторы и строить по ним эффективную стратегию предсказания.

Рабочая гипотеза диссертационного исследования базируется на системе следующих взаимоувязанных теоретических положений, согласно которым рынки ценных бумаг непрерывно развиваются и представляют собой не окончательно сформированные и застывшие структуры, а постоянно развивающиеся организмы. Существующие методы прогнозирования курсов акций в недостаточной степени учитывают их волатильность, что позволило применить нейросетевую методологию, в основе которой заложена теория нелинейных адаптивных систем и ней-ронно-модулярный аппарат для решения задач предсказания финансовых временных рядов. На основании этого автор выносит на защиту ряд положений диссертации.

Основные положения диссертации, выносимые на защиту.

1. В диссертации исследованы методы фундаментального и технического анализа экономических параметров рынка ценных бумаг. Выявлено, что фундаментальный анализ изучает движение цен на макроэкономическом уровне и может способствовать определению главного рыночного тренда, что зачастую бывает недостаточно. В этой области применяется технический анализ, основанный на следующей гипотезе — рыночные цены являются отражением желаний и действий всех участников рынка, в результате чего, цена и объем отражают каждую сделку на рынке.

2. Суть противоречий между сторонниками технического и фундаментального анализа состоит в эффективности применения методов той или иной теории, что не совсем корректно, так как причины реакции рынка, изучаемые данными теориями, имеют разную природу и использование методов фундаментального анализа более целесообразно для определения долгосрочной тенденции движения рынка и изучения внешних причин воздействия на него, а технического - для кратко и среднесрочных тенденций.

3. Для построения эффективной стратегии на финансовом рынке, необходимо учитывать его подчиненность определенным закономерностям. Если не известны статистические законы функционирования рынка, то невозможно получить достоверные прогнозы и, соответственно, заранее включать наиболее перспективные акции в инвестиционный портфель. Следовательно, необходимо разработать инструмент для получения достоверных прогнозов и использования их для выработки инвестиционных стратегий.

4. Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выполнение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм параллельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование инструментальных средств, основанных на аппарате модулярной арифметики.

5. Применительно к области финансов на основе теории хаоса впервые был разработан принципиально новый подход к анализу рынка, отличный от «портфельной теории», которая скомпрометировала себя в финансовом кризисе 2008 года. Данный подход базируется на положении о том, что рынок представляет собой сложную нелинейную систему с обратной связью, а характер группового взаимодействия участников рынка порождает хаотическую динамику цен вследствие спорадического использования инвесторами информационного потока и, как следствие, возникновение квазистохастических временных интервалов их действия на рынках.

Научная новизна исследования состоит в том, что были выявлены основные фундаментальные факторы, влияющие на цену акций и систематизированы методы технического анализа по критерию используемых индикаторов, а также усовершенствованна методика прогнозирования волатильности курсов акций на базе нейронных сетей и включает в себя следующие элементы приращения- научного знания:

- исследована практика работы профессиональных участников рынка, на базе чего адаптирована методика управления активами, основанная на строгой формализации процедур принятия инвестиционных решений. Существенными составными частями таких технологий являются нейронные сети, позволяющие прогнозировать поведение показателей финансовых рынков, как нелинейных динамических систем;

- предложена классификация методов прогнозирования для существенного улучшения качества прогнозирования и совершенствования методик прогноза курсов акций на фондовом рынке, сочетающая достоинства теории хаоса, нейронных сетей и модулярной арифметики;

- проведен анализ динамики курсов акций российских компаний, позволивший выявить факторы, влияющие на их волатильность и установить нецелесообразность применения процедуры перемешивания данных при обучении нейронных сетей;

- разработана и обучена многослойная нейронная сеть, входными данными для прогнозирования неоднородных временных рядов в которой, явились сигналы индикаторов технического анализа, что позволило повысить точность прогнозирования до 98%;

- выявлены недостатки нейросетевого прогнозирования, заключающиеся в невозможности оптимизации входного (обучающего и тестового) множества и архитектуры искусственной нейронной сети (ИНС), преодоление которых, позволило получить более точные прогнозы и готовые для практического применения финансовые стратегии;

- построена структурная модульная схема программного комплекса, использующего нейросетевые методы прогнозирования финансовых рынков. Технологическая цепочка предложенной системы состоит из: создания проекта (торговой системы, стратегии) и описания ее ключевых параметров - настраивания параметров модулей, связанных с процессом обучения нейроэкспертов и получения результатов - запуска процессов оптимизации торговой системы (проекта) - поиска оптимальной архитектуры нейронных сетей - генерирования сигналов-приказов на вход/выход (торговлю).

Теоретическая • значимость исследования состоит в демонстрации необходимости пересмотра некоторых допущений, используемых в стандартных моделях зарубежной финансовой экономики при разработке технологий поддержки принятия решений по управлению портфелем ценных бумаг на нестабильных развивающихся финансовых рынках. Основные положения и выводы, содержащиеся в диссертации, могут быть использованы для дальнейшего развития методологии прогнозирования временных рядов в условиях резких изменений основных параметров внешней среды.

Практическая значимость исследования заключается в возможности применения выявленных фундаментальных факторов и методов аналитиками, непосредственно на российском рынке акций и состоит в том, что полученные результаты могут быть применены в процессе управления фондовыми портфелями операторов российского рынка. Целесообразность практического использования полученных решений подтверждена при помощи тестов, доказавших их эффективность, а в ряде случаев - превосходство над имеющимися аналогами.

Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на международных, всероссийских и межрегиональных научно-практических конференциях «Проблемы развития мировых информационных ресурсов электронного бизнеса и инфотелекоммуникационных систем и технологий» (Ставрополь, СГУ, 2006 г.), «Информационные системы, технологии и модели управления производством» (Ставрополь, СГАУ, 2007 г.), «Ломоносов - 2007» (Москва, МГУ, 2007 г.), «Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство» (Ставрополь, СГУ , 2007 г.), «Экономика России в условиях глобализации и вступления в ВТО» (Краснодар, 2007 г.). «Проблемы управления экономикой в трансформируемом обществе» (Пенза, 2007), «Проблемы формирования и развития инновационного потенциала региона: опыт и перспективы» (Ставрополь, СГУ, 2007 г.), «Ломоносов - 2008» (Москва, МГУ, 2008 г.), «Актуальные проблемы экономического развития Ставрополья» (Ставрополь, СГУ, 2009 г.) и опубликованы в форме докладов и научных статей.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Борздов, Сергей Юрьевич

Основные результаты диссертационной работы состоят в следующем.

1. Обобщены и систематизированы модели прогнозирования. Проведен критический анализ алгоритмов и методов прогнозирования, позволивший выявить ряд существенных ограничений и недостатков. Показано, что в рамках традиционных методов прогнозирования, значительных улучшений качества прогноза достигнуть очень сложно.

2. Разработана усовершенствованная методика анализа и прогнозирования временных рядов, используя преимущества методов прогнозирования на базе нейронных сетей, арифметики системы остаточных классов и теории хаоса.

3. Доказано, что рыночные временные ряды, несмотря на кажущуюся сто-хастичность, предсказуемы. Доказательством является теория динамического хаоса и проведенные вычислительные эксперименты, из которых сделаны следующие выводы: изучаемые временные ряды имеют лептоэксцессное распределение (распределение с толстыми хвостами); временные.ряды фондовошбиржи являются фрактальными;

4. Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. С уверенностью можно полагать, что появление столь мощного и эффективного инструмента не перевернет финансовый рынок, и не «отменит» традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети приходят и используются, теми людьми, которые их понимают, которые-в них нуждаются и которым они помогают решать многие профессиональные проблемы

5. В диссертации доказана целесообразность практического использования полученных решений подтверждена при помощи тестов, доказавших их эффективность, а в ряде случаев - превосходство над имеющимися аналогами. Предложенная структурная модульная схема программного комплекса, использующего нейросетевую технологию прогнозирования финансовых рынков, построена на базе автоматизированной информационной системе, генерирующей сигналы на торговлю акциями через интерфейс пользователя - посредством сообщений, аудио и видеоэффектов, через локальные сети и Интернет — посредством сервиса ICQ, передачи сообщения на мобильный телефон или передачи непосредственного приказа брокеру, рассчитана на частного инвестора и может использоваться на всех фондовых площадках мировой экономической системы.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат экономических наук Борздов, Сергей Юрьевич, 2010 год

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

2. Айвазян С.А., Мхитарян B.C. Практикум по прикладной статистике и эконометрике: Учебн. пособие. М.: МГУ Экономики и Информатики. 1998. -159с.

3. Акушский И.Я. Машинная арифметика в остаточных классах. М: Советское радио, 1968. - 440 с.

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

5. Амербаев В.М. Теоретические основы машинной арифметики. Алма-Ата: Наука КазССР, 1976. - 324 с.

6. Андерсон Т. Статистический анализ временных рядов. — М.: Наука,1976.

7. Аркин В. И, Евстигнеев И.В. Вероятностные модели управления экономической динамики. М.: Наука, 1979. - 176с.

8. Ашманов С.А. Математические модели и методы в экономике. М.: Изд. МГУ, 1981.-158 с.

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

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

11. Белим C.B. Математическое моделирование квантового нейронам/Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб.докл., 2002. С. 899 - 900.

12. Берже П., Помо И., Видаль К. Порядок в хаосе. О детерминированном подходе к турбулентности: Пер. с франц. М.: Мир, 1991. - 368 с.

13. Бирман Э.Г. Сравнительный анализ методов прогнозирования //НТИ. Сер.2 -1986.-№1.-С. 11-16.

14. 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.

15. Бокс Дж., Дженкинс Г. Анализ временных рядов прогнозирование и управление. Пер. с англ. А.Л.Левшина. М.: Мир, 1974. - 362 с.

16. Болн Б., Хуань К. Дж. Многомерные статистические методы для экономики. М.: Наука, 1979. 348 с.

17. Большее Л.Н., Смирнов Н.В. Таблицы математической статистики. -М.: Наука, 1965.-35 с.

18. Боярский А.Я., и др. Математическая статистика для экономистов. -М.: Статистика, 1979. -253 с.

19. Бурдо А.И., Тихонов Э.Е. К вопросу систематизации методов и алгоритмов прогнозирования//Материалы межрегиональной конференции "Студенческая наука экономике научно-технического прогресса". Ставрополь: Сев-Кав ГТУ, 2001. - С. 33 - 34.

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

21. Бухштаб A.A. Теория чисел. М.: Государственное учебно-методическое издательство мин. Просвящения РСФСР, 1960. - 375 с.

22. Бытачевский Е.А., Козуб В.В. Использование нейронных сетей для распознавания визуальных образов//Материалы IV РНТ конференции «Вузовская наука Северо-Кавказскому региону» Ставрополь, 2000. - С. 52-54.i f

23. Васильев В.И. Распознающие системы. Киев: Навукова думка, -1969. -354с.

24. Виноградов И.М. Основы теории чисел. М.: Издательство «Наука», Гл. ред. физ.-мат.лит., 1965.- 173 с.

25. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: Учебное пособие. М.: Издательский дом «Дашков и К», 2000. - 308 с.

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

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

28. Гвишиани Д.М., Лисичкин В.А. Прогностика. М., «Знание», 1968. 421с.

29. Гельфан И.М., Фомин C.B. Вариационное исчисление. М.: Мир, 1961.-321с.

30. Гладыщевский А.И. Методы и модели отраслевого экономического прогнозирования. -М.: «Экономика», 1997. 143 с.

31. Гласе Л., Мэки М. От часов к хаосу: ритмы жизни. М.: Мир, 1991.153с.

32. Глущенко В.В. Прогнозирование. 3-е издание. М.: Вузовская книга, 2000. -208с.

33. Голованова Н.Б., Кривов Ю.Г. Методические вопросы использования межотраслевого баланса в прогнозных расчетах//Взаимосвязи НТП и экономического развития: Сб.науч.тр./АН СССР. СО, ИЭиОПП. Новосибирск, 1987.-С. 62-77.

34. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4:Учеб.пособие для вузов/Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001.256 с.

35. Горбань А.Н.Обучение нейронных сетей.-М.:СП"ПараГраф", 1990.159с.

36. Горелик Е.С. и др. Об одном подходе к задаче формализации процесса прогнозирования //Автоматика и телемеханика. 1987. - №2. - С.129-136.

37. Гренандер У. Случайные процессы и статистические выводы, (пер. с нем.) ИЛ. 1961.-167с.

38. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. Пер.с англ. М.: Статистика., 1972. - 312 с.

39. Грень Е. Статистические игры и их применение. М.: Наука, 1975.

40. 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.

41. Давидович Б.Я. и др. Методы прогнозирования спроса. М., 1972. -193с.

42. Добров Г.М., Ершов Ю.В. и др. Экспертные оценки в научно-техническом прогнозировании Киев: Наукова Думка, 1974. - 159 с.

43. Еремин Д.М. Система управления с применением нейронных се-тей//Приборы и системы. Управление, контроль, диагностика. 2001. -№9 -С. 811.

44. Заенцев И.В. Нейронные сети: основные модели/Учебное пособие к курсу «Нейронные сети» Воронеж: ВГУ, 1999. - 76 с.

45. Зайкин B.C. Применение простых цепей Маркова для прогнозирования расходов населения/Шроблемы моделирования народного хозяйства, 4IV. Новосибирск, 1973. С. 45-41.

46. Занг В.Б. Синергитическая экономика. Время и перемены в нелинейной экономической теории. М.: Мир, 1999. - 216с.

47. Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. С. 745 - 755.

48. Иванов М.Н. Анализ роста курса акций с применением нейронных сетей. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002 г. С. 756 - 772.

49. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Наукова думка, 1975. - 340 с.

50. Ивахненко А.Г., Лапа Р.Г., Предсказание случайных процессов. Киев: Наукова думка, 1971. - 416с.

51. Ивахненко А.Г., Степаненко B.C. Особенности применения метода группового учета аргументов в задачах прогнозирования случайных процес-сов//Автоматика. -1986. №5. - С. 3-14.

52. Ивахненко А.Г., Юрачков Ю.П. Моделирование сложных систем по экспертным данным. М.: Радио и связь, 1987. - 119 с.

53. Калан, Роберт. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом «Вильяме», 2001.- 288 с.

54. Капица С. П., Курдюмов С. П., Малинецкий Г. Г. Синергетика и прогнозы будущего. М.: Наука, 1997. 236с.

55. Касти Дж. Связность, сложность и катастрофы: Пер. с англ. М.: Мир, 1982,-216 с.

56. Кейн Э. Экономическая статистика и эконометрия. М.: Наука, 1977, Вып. 1,2.

57. Кемени Дж., Снелл Дж. Конечные цепи Маркова. М.: Наука, 1970.136 с.

58. Кендэл М. Временные ряды. Пер. с англ. Ю.П. Лукашина. М.: «Финансы и статистика», 1979. - 198 с.

59. Кильдинов Г.С., Френкель A.A. Анализ временных рядов и прогнозирование. М. Статистика. 1973.

60. Клеопатров Д.И., Френкель A.A. Прогнозирование экономических показателей с помощью метода простого экспоненциального сглаживания. -Статистический анализ экономических временных рядов и прогнозирование. -М.: Наука, 1973.

61. Кобринский Н.Е., и др. Экономическая кибернетика: Учебник для студентов вузов и фак., обучающихся по спец. «Экономическая кибернетика». -М.: Экономика, 1982. 408 с.

62. Колмогоров А.Н. Об энтропии на единицу времени как метрическом инварианте автоморфизмов. ДАН СССР, 1959. Т. 124 - С.754-755

63. Кондратьев А.И. Теоретико-игровые распознающие алгоритмы. М.: Наука, 1990.-272 с.

64. Кульбак С. Теория информации и статистика. М.:, Наука, 1967.408с.

65. Кучин Б.Л., Якушева Е.В. Управление развитием экономических систем: технический прогресс, устойчивость. — М.: Экономика, 1990. 156с.

66. Лащев А.Я., Глушич Д.В. Синтез алгоритмов обучения нейронных сетей. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. С. 997 - 999.

67. Левин В.Л. Выпуклый анализ в пространстве измеримых функций и его применение в математике и экономике. М.: Наука, 1985.-352с.

68. Легостаева И.Л., Ширяев А.Н. Минимальные веса в задаче выделения тренда случайного процесса. «Теория вероятностей и ее применение», 1971, -Т. XVI,--№2.

69. Лизер С. Эконометрические методы и задачи. М.: Статистика, 1971.-141с.

70. Лисичкин В.А. Теория и практика прогностики. М.: Наука, 1972.223с.

71. Литовченко Ц.Г. Нейрокомпьютер для обнаружения и распознавания сложных динамических образов//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. С. 69-72.

72. Лопатников Л.И. Экономико-математический словарь /АНССР. ЦЭМИ, -М.: Наука, 1987.-506с.

73. Лоскутов А.Ю., Михайлов A.C. Введение в синергетику: Учеб. Руководство. -М.: Наука, гл. ред. физ.-мат.лит., 1990.- 272 с.

74. Льюис К.Д. Методы прогнозирования экономических показате-лей./Пер. с англ. Демиденко Е.З. М.: Финансы и статистика, 1986 г. - 132 с.

75. Ляпунов A.M. Собр. соч. Т. 1,2. -М.:Изд-во АН СССР, 1954-1956.

76. Максимов В.А. Прогнозирование доходности инвестиций на фондовом рынке. Экономика и математические методы, 2001. Т. 37—№1. С. 37 - 46.

77. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики М.: Эдиториал УРСС, 2000.- 336с.

78. Математическая энциклопедия: Гл.ред. И.М. Виноградов, т.З Коо-Од М.: Советская энциклопедия, 1982. - 1184 с.

79. Махортых С.А., Сычев В.В. Алгоритм вычисления размерности стохастического аттрактора и его применение к анализу электрофизиологических данных.- Пущино, 1998. 34с.

80. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ. ред. к.т.н, В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

81. Минский М., Пайперт С. Персептроньт. М.: Мир, 1971.

82. Михайлов Ю.Б. Алгоритм выбора прогнозирующей зависимости, обеспечивающей наилучшую точность прогноза //Приборы и системы. Управление, контроль, диагностика., 2000. №12. - С. 11 - 19.

83. Моделирование функционирования развивающихся систем с изменяющейся структурой. Сб. науч. тр./АН УССР. Ин-т кибернетики им. В.М. Глуша-кова. Киев: 1989.-140 с.

84. Моришма М. Равновесие, устойчивость, рост. М.: Наука, 1972.314с.i

85. Морозова Т.Г., Пикулькин A.B., Тихонов В.Ф., и др. Прогнозироваs ' ние и планирование в условиях рынка. Учеб. Пособие для вузов. Под ред. Т.Г.

86. Морозовой, A.B. Пикулысина. М.: ЮНИТИ-ДАНА, 1999. - 318 с.ь >

87. Нейронные сети. STSTISTICA Neural Networks: Пер. с англ. М.: Горячая линия - Телеком. 2001. - 182 с.

88. Никайдо X. Выпуклые структуры и математическая экономика. М.: Мир. 1972. - 127с.

89. Новиков A.B., и др. Метод поиска экстремума функционала оптимизации для нейронной сети с полными последовательными связями //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002 г.-С. 1000 1006.

90. Оуэн Г. Теория игр. М.: Наука, 1971. - 359 с.

91. Песин Я.Б. Характеристические показатели Ляпунова и гладкая эр-годиче-ская теория. УМН, 1977.- Т.32. С.55-112.

92. Петере Э. Хаос и порядок на рынке капитала. М.: Мир, 2000.\- 333с.

93. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. - 236 с.

94. Де Марк Т. Технический анализ новая наука. - М.: Диаграмма,1997.

95. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. 224 с.

96. Змиртович А.И. Интеллектуальные информационные системы. -Мн.: НТООО «ТетраСистемс», 1997. 368 с.97. , Лиховидов В.Н. Практический, курс распознавания образов. Владивосток, Изд-во ДВГУ, 1983.

97. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.

98. Меладзе В. Курс технического анализа М.: Серебряные нити, 1997.-272 с.

99. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. М.: Инфра-М, 1995. - 176 с.

100. Пискулов Д.Ю. Теория и практика валютного дилинга = Foreign Exchange and Money Market Operations: Прикладное пособие. 3-е изд., испр. и доп. - М.: Диаграмма, 1998. - 256 с.

101. Сорос Дж. Алхимия финансов/ Пер. с англ. Аристова Т.С. М.: ИНФРА-М, 1999. - 416 с.

102. Уошем Т. Дж., Паррамоу К. Количественные методы в финансах: Учебное пособие для ВУЗов/ Пер. с англ. под редакцией М. Р. Ефимовой. М: Финансы, Юнити, 1999. - 527 с.

103. Элдер А. Как играть и выигрывать на бирже/ Пер. с англ. М. Волковой, А. Волкова. М.: Крон-Пресс, 1996. - 336 с.

104. Эрлих А. Технический анализ товарных и фондовых рынков: М.: Юнити, 1996.

105. Анил К. Джейн, Жианчанг Мао, Моиуддин К М. Введение в искусственные нейронные сети. http://www.osp.ru/os/1997/04/index.htm.

106. Борисов Ю., Виталий К., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. -http://www.osp.ru/os/1997/04/index.htm.

107. Власов A.M. Обзор российского рынка нейросетевых технологий. -http://www.chat.ru/~vlasov.

108. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности: http://www.user.citvline.ru/~neurnews/primer/finance.htm.

109. Галушкин А.И. Современные направления развития нейрокомпью-терных технологий в России. http://www.osp.ru/os/1997/04/index.htm.

110. Гроссберг С. Внимательный мозг. -http://www.osp.ru/os/1997/04/index.htm.

111. Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. http://www.orc.ru/~stasson/fann.zip.

112. Емельянов-Ярославский Л.Б. Интеллектуальная квазибиологическая система. http://www.aha.ru/~pvad/.

113. Короткий С. Введение в теорию нейронных сетей и программная реализация их основных конфигураций. http://www.orc.ru/~stasson/index.htm.

114. Короткий С. Нейронные сети: основные положения. -http://www.orc.ru/~stasson/nl .zip.

115. Короткий С. Нейронные сети: алгоритм обратного распространения. http://www.orc.ru/~stasson/n2.zip.

116. Короткий С. Нейронные сети: обучение без учителя. -http://www.orc.ru/~stasson/n3 .zip.

117. Короткий С. Нейронные сети Хопфилда и Хэмминга. -http://www.orc.ru/~stasson/n4.zip.

118. Кук А. Обзор условно-бесплатных и бесплатных программ для моделирования нейронных сетей. http://homepage.techno.ru/alexkuck.

119. Малинин Д. Введение в нейросетевое моделирование. Программный пакет BrainMaker Pro 3.11.- http://win.aha.ru/~mdo/office/nnintro.htm.

120. Митья Перус Нейронные сети, квантовые системы и сознание. -http://www.tribunes.com/tribune/art97/perul.htm.

121. Назаренко М. Курс лекций. Теория и практика формальных нейронных сетей. http://nuweb.jinr.ru/~nazaren/unc/nn ru.html.

122. Пономарев С. Нейронные сети, «iNFUSED BYTES OnLine». -http://www.enlight.ru/ib/tech/neural/index.htm.

123. Практикум применения пакета Brainmaker для прогнозирования на финансовых рынках/ Перевод и редакция Сергея Блинова. http://win.aha.ru/~mdo/office/bm fin.htm. .

124. Стариков А. Нейронные сети математический аппарат. -http://www.basegroup.rvazan.ru/tech/neural-4.htm.

125. Стариков А. Практическое применение нейронных сетей. -http://www.basegroup.ryazan.ru/tech/neural3.htm.

126. Степанов B.C. Фондовый рынок и нейросети: Использование ней-росетевых технологий (на базе пакета программ Brain Maker Pro) для анализа ситуации на российском фондовом рынке.http ://www.user. cityline.ru/~neurnews/univer/ stepanov.htm.

127. Струнков Т. Думал ли Гильберт о нейронных сетях? -http://www.neuroproject.ru/papers.htm.

128. Шумский С.А. Избранные лекции по нейрокомпьютингу. -http://www. com2com.ru/dav/.

129. Шумский С.А. Нейросетевые агенты в Интернете. -http://www.computerra.rU/2000/4/.

130. Шумский С.А. Обнаружение скрытых знаний, улучшение имеющихся знаний, дата-майнинг. http://www.com2com.ru~dav/som.htm.

131. Шумский С.А. Современный технический анализ: самоорганизующиеся карты Кохонена на фондовом рынке. www.com2com.ru~dav/practika2.htm.

132. BrainMaker Professional. User's Guide and Reference Manual, 4th Edition, California Scientific Software, Nevada City, July, 1993. http://www.calsci.com/.

133. Лукашевич В. Дискреционные методы торговли. Часть 1. Проблемы волатильности // Валютный спекулянт, 2003, № 9, с. 57-61.

134. Лукашевич В. Дискреционные методы торговли. Часть 2. Метод Гринспена// Валютный спекулянт, 2003, № 10, с. 60-63.

135. Джон Дж. Мэрфи «Технический анализ фьючерсных рынков: теория и практика», «Диаграмма», Москва, 2000 г.

136. Стивен Б. Акелис «Технический анализ от А до Я», «Диаграмма», Москва, 2000 г.

137. Р. Колби, Т. Мейерс «Энциклопедия технических индикаторов рынка», «Альпина», Москва, 2000 г.

138. И.Я. Лукасевич «Анализ финансовых операций», «Финансы», Москва, 1998 г.

139. А. Эрлих «Технический анализ товарных и финансовых рынков», «ИНФРА-М», Москва, 1996 г.

140. Ю. Жваколюк «Внутридневная торговля на рынке ФОРЕКС», «Питер», С-Петербург, 2000 г.

141. Я.М. Миркин «Волатильность», журнал «Рынок ценных бумаг» №6 2001 г.

142. A.B. Захаров «Экономические реформы и фондовый рынок», журнал «Рынок ценных бумаг» №3 2001 г.

143. А. Лобанов, П. Кирюхов, В. Миронов «Особенности национального технического анализа», журнал «Рынок ценных бумаг» №4 1998 г.

144. Коттл С., Мюррей Р.Ф., Блок Ф.Е. Анализ ценных бумаг Грэма и Додда. -М.: Олимп Бизнес, 2000

145. Б.Б. Рубцов. Мировые фондовые рынки: современное состояние и закономерности развития. М: ФА 2000

146. Мэрфи Д. Дж. «Технический анализ фьючерсных рынков» М: «Сокол», 1996

147. Элдер А. «Как играть и выигрывать на бирже» М.: «Диаграмма»,2001

148. Найман Э.Л. «Малая энциклопедия трейдера» К.: «Вира-Р Альфа-Капитал», 1999

149. Даль В.И. толковый словарь живого великорусского языка, том I.-М.: Русский язык, 1981

150. Graham В., Dodd D. Security Analysis. The Classic 1934 Edition. -McGraw-Hill Companies, 1996

151. Thomsett M. Mastering Fundamental Analysis. 1998

152. Ritchie J. Fundamental Analysis: A Back-to-the-Basics Investment Guide to Selecting Quality Stocks. Irwin Professional Pub., 1996163. www.rcb.ru

153. Джон Дж. Мэрфи Технический анализ фьючерсных рынков: теория и практика. М.: Диаграмма, 2000 г.

154. Эрлих А. Технический анализ товарных и финансовых рынков. — М.: ИНФРА М, 1996 г.

155. Бердникова Т.Б. Рынок ценных бумаг и биржевое дело. М.: ИН-ФРА-М, 2002.

156. Бердникова Т.Б. Прогнозирование экономического и социального развития. Белгород, 1991.

157. Бердникова Т.Б. Рынок ценных бумаг. М.: ИНФРА-М, 2002

158. Бланк И. Финансовый рынок. Т.1 Киев, 2000

159. Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition.// IEEE 1st. Conf. Neural Networks, San Diego, (Calif) , 1987 p. 417-425.

160. Montgomery, Douglas C. Forecasting and time series analysis./Douglas C. Montgomery, Lynwood A. Johnson, John S. Gard iner. 2nd ed. - ISBN 0-07-0428581.

161. Neural Computing.// London: IBE Technical Services, 1991.

162. Rosenblatt F. Principles of neurodynamics. Spartan., Washington, D. C.,1962.