Система анализа и прогнозирования состояния рынка ценных бумаг тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Чеканов, Алексей Николаевич

• Чеканов, Алексей Николаевич
• кандидат технических наук
• 1999

Оглавление диссертации кандидат технических наук Чеканов, Алексей Николаевич

ВВЕДЕНИЕ.

1. ОБЗОР СИСТЕМ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ РЫНКОВ

1.1 Обзор существующих подходов к анализу и прогнозированию рынка ценных бумаг

1.1.1 Классификация подходов к анализу рынка ценных бумаг.

1.1.2 Принципы фундаментального анализа.

1.1.3 Принципы технического анализа.

1.1.4 Сравнительный анализ двух подходов.

1.2 Технический анализ.

1.2.1 Нейросетевые системы.

1.2.2 Системы на базе нечеткой логики.

1.2.3 Системы с удаленным доступом.

1.3 Выводы.

2. МАТЕМАТИЧЕСКИЙ АППАРАТ, ИСПОЛЬЗОВАННЫЙ В РАБОТЕ.

2.1 Разработка методов формализации правил технического анализа.

2.1.1 Принципы построения индикаторов тенденций.

2.1.2Принципы построения осцилляторов.

2.2 Применение искусственных нейронных сетей.

2.2.1 Основы искусственных нейронных сетей.

2.2.2 Однослойные искусственные нейронные сети.

2.2.3 Многослойные искусственные нейронные сети.

2.2.4 Сети с обратными связями.

2.2.5 Подходы к обучению искусственных нейронных сетей.

2.2.6 Реализация процедуры обратного распространения.

2.2.7 Выводы.

3. ОБЩИЕ ПРИНЦИПЫ ПРОЕКТИРОВАНИЯ СИСТЕМЫ.

3.1 Методы информационного наполнения системы.

3.1.1 Требования к информации метасловаря.

3.1.2 Принцип функционирования модулей загрузки данных.

3.2 Методы аналитической обработки данных.

3.2.1 Построение индикаторов технического анализа.

3.2.2 Построение стратегии поведения.

3.2.3 Построение смешанной стратегии.

3.2.4 Оценка стратегии поведения.

3.3 Выводы.

4. ОПИСАНИЕ РЕАЛИЗАЦИИ РАЗРАБОТАННОГО ПОДХОДА.

4.1 Реализация блока информационного обеспечения системы.

4.1.1 Загрузка данных из Oracle.

4.1.2 Загрузка данных из Reuters.

4.2 Реализация аналитического блока системы.

4.3 Оценка работы системы.

Введение диссертации (часть автореферата) на тему «Система анализа и прогнозирования состояния рынка ценных бумаг»

Задача предсказания поведения финансовых рынков возникла практически одновременно с возникновением рынков, которые стали использоваться в инвестиционных и спекулятивных целях - рынков ценных бумаг, валют и т.п. [11, 46] С тех пор возникло целое направление - технический анализ финансовых рынков [29], посвященное поиску закономерностей в поведении цен. Вокруг этого направления собирались все новейшие достижения математической науки - искусственные нейронные сети, нечеткая логика и т.п.

Несмотря на то, что эти исследования ведутся уже многие десятилетия [62, 65], данная тема не перестает быть актуальной. Ведь любая закономерность, будучи однажды обнаруженной, неизбежно через некоторое время становится достоянием широких масс. Следовательно, знание, доступное всем участникам рынка, не может послужить источником прибыли для них всех - если кто-то выигрывает от сделки, кто-то должен и проиграть. Более того, чем дальше, тем меньше становится прибыль, которая может быть извлечена одним из участников за счет какого-то дополнительного знания механизмов функционирования рынка (исключая владение инсайдерской информацией). Тем не менее, хотя сверхприбылей дополнительное знание принести уже не может, в некоторых случаях какое-то время оно способно давать небольшой, но стабильный доход.

Целью работы являлась разработка методологии создания систем, позволяющих на основе постоянно поступающих неструктурированных данных из различных информационных систем выдавать участнику рынка ценных бумаг сигналы к продаже и покупке.

Для достижения поставленной цели были определены и успешно решены следующие задачи:

- Разработка методологии получения данных из различных неструктурированных информационных источников;

- Проектирование правил формализации методов технического анализа;

- Выработка принципов построения объектно-ориентированной системы, моделирующей индикаторы технического анализа и строящиеся на их основе правила поведения;

- Разработка методологии создания смешанной стратегии поведения на базе набора чистых стратегий;

- Реализация разработанных принципов и правил в виде функционирующей системы.

При работе над диссертацией был произведен тщательный анализ уже существующих систем. Как показал этот анализ, основными подходами к решению ставящейся задачи являются:

1. экстраполяция показателей финансовых рынков (в первую очередь, цен) на ближайшее будущее с использованием различных математических методов анализа временных рядов, нейронных сетей и т.п.;

2. расчет индикаторов технического анализа и, реже, выдача рекомендаций к действию.

Новизна предложенного подхода заключается в отказе от прогнозирования значений конкретных показателей. Вместо этого в системе делается акцент на расчете значительного числа индикаторов технического анализа (не менее 10), автоматическом построении правил поведения на ближайшее будущее для каждого из индикаторов, и последующем построении смешанной стратегии поведения, базирующейся на наборе чистых стратегий. Для построения смешанной стратегии была использована искусственная нейронная сеть, которая позволила при обучении на значительных объемах исторических данных выявить необходимые закономерности между отдельными чистыми стратегиями поведения. Насколько известно автору, на настоящий момент не существует систем, использующих подобный подход для решения ставящейся задачи.

Практическое значение проделанной работы заключается в:

- разработке методологии создания системы, позволяющей в реальном режиме времени обрабатывать информацию, приходящую из информационных систем и выдавать рекомендации трейдеру, ведущему биржевую игру;

- создании принципов сбора информации из разнообразных неструктурированных источников данных;

- реализации основных методов, выработанных в процессе исследования, в действующей системе. Система была успешно внедрена и находится в опытной эксплуатации в компании, занимающейся биржевой игрой на рынке FOREX.

Диссертация состоит из введения, четырех глав, заключения и списка использованной научной литературы.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Чеканов, Алексей Николаевич

3.3 Выводы

В данной главе был описан общий подход к проектированию системы. Были сформированы основные требования к структуре и составляющим частям системы, которые стали основой технического задания при переходе к конкретной реализации. Далее, в главе 4, на основе сформулированных требований и концепции архитектуры, приводится описание реализации системы.

4. Описание реализации разработанного подхода

4.1 Реализация блока информационного обеспечения системы

Для реализации принципов информационного обеспечения системы, изложенных в 3 главе, было выбрано два источника данных: SQL-совместимая база данных (на примере СУБД Oracle) и информационная система Reuters.

4.1.1 Загрузка данных из Oracle

В системе реализован модуль конструирования запросов (МКЗ), позволяющий пользователю конструировать SQL-запросы к базе данных Oracle любой степени сложности с помощью визуальных средств. Пользователю предлагается выбрать из списка доступных ему таблиц те, которые содержат необходимые ему данные, определить все необходимые связи между таблицами, ограничения на выборку и т.п. На основе сделанного пользователем выбора автоматически генерируется SQL-запрос, который уже обрабатывается сервером Oracle. При необходимости, система может быть легко адаптирована к любому другому SQL-серверу (Sybase, Informix, MS SQL Server и т.п.). Если пользователю необходимо создать запрос, более сложный, чем позволяют данные визуальные средства, он может вручную ввести весь текст SQL-предложения.

К создаваемому запросу предъявляются определенные требования. В запросе может участвовать произвольное число таблиц, функций, связей и т.п., но результирующий набор полей должен подчиняться следующим правилам:

- Первым полем запроса является поле типа "дата+время", которое содержит время проведения сделки. Это поле должно быть уникальным.

- Вторым полем запроса является поле, содержащее цену сделки.

Для хранения описаний запросов создается метасловарь, состоящий из трех таблиц, логическая модель которого приведена на рис. 4.1 рис. 4.1. Логическая модель метасловаря модуля конструирования запросов

Для проектирования модели базы данных было использовано средство Power Data Architect компании Sybase. После выбора СУБД (в данном случае Oracle) автоматически была произведена генерация физической модели БД метасловаря (см. рис. 4.2) и скрипта для создания всех необходимых таблиц, последовательностей, ограничений ссылочной целостности и т.п. Аналогичные действия могут быть проделаны для любой базы данных, поддерживаемой данным CASE-средством (Sybase Adaptive Server, MS SQL Server, Informix Dynamic Server) без каких-либо изменений структуры метасловаря.

QPARTS

QLIST QP ID NUMBERÎ10)

QL ID NUMBERÎ10) QL ID NUMBER(10)

QL CREDATE DATE QP USAGE CHAR(1)

QL CANUSE NUMBER(1) QPTABNAME VARCHAR2(40)

QL OWNER VARCHAR2(50) QP COLNAME VARCHAR2(40)

QL NAME VARCHAR2(100) QLJD = QLJD QP TYPE VARCHAR2(20)

QL SQL VARCHAR2(2000) QP VALUE1 VARCHAR2(20)

QL USESQL NUMBER(1) QPVALUE2 VARCHAR2(20)

A QPCOND VARCHAR2(10)

QLJD QLJD

QRELS

QR ID NUMBERÎ10)

QL ID NUMBER(10)

QR TYPE CHAR(1)

QR TABLE1 VARCHAR2(40)

QR FIELD1 VARCHAR2(40)

QR TABLE2 VARCHAR2(40)

QRFIELD2 VARCHAR2(40) рис. 4.2. Физическая модель репозитория модуля конструирования запросов

При формировании запроса с помощью визуальных средств, предлагаемых системой, пользователь должен выполнить несколько последовательных шагов:

Шаг 1. Определить 2 поля, первое из которых будет содержать в себе значение даты/времени, а второе - цены актива, который планируется изучать. Эти данные могут находиться как в одной таблице, так и в двух разных. Для удобства пользователя, ему предлагается перечень всех доступных ему таблиц, а для выбранных таблиц - перечень содержащихся в ней полей. Данная информация выбирается из служебных таблиц Oracle [40, 44] и не требует специальных действий по ее заведению. Экранная форма, позволяющая выполнить действия шага 1, изображена на рис. 4.3. рис. 4.3. 1-й шаг формирования запроса

Шаг 2. Определить связи между таблицами, участвующими в запросе. В запросе может участвовать сколь угодно много таблиц, единственным условием является присутствие каждой таблицы б двух связях, а для двух таблиц, из которых непосредственно выбираются данные - в одной связи, что позволяет создать однозначную цепь связей, соединяющую две целевые таблицы. Аналогично шагу 1, вся информация об объектах БД выбирается из служебных таблиц Oraclc. i Связи между таблицами

Щ " 1|§§:

• ' Щк :: : Й:| cats fr frpafi т1 frpart2 fr part3 isdexl;st

INDICES ISSUELOG I nn 3 J

Поля bo code bqcupn0 bqcurcup bo discfact bo.finish в0frpapers 30 5r0up 30 1c0ijnt еящее пределеи i j

Заключение

Результатом работы над диссертацией явилась методология проектирования систем, позволяющих на основе постоянно поступающих неструктурированных данных из различных информационных систем выдавать участнику рынка ценных бумаг сигналы к продаже и покупке.

Разработанная методология была подтверждена конкретной реализацией, показавшей как применимость предложенных методов проектирования, так и правильность исходных предпосылок.

Таким образом, была предложена архитектура системы, допускающей неограниченное расширение в сторону улучшения построения чистых стратегий, создания новых индикаторов и реализации уже существующих, и каждое такое улучшение будет служить повышению качества прогнозирования системой в целом.

Перечень использованных сокращений

SQL Structured Query Language, Язык структурированных запросов

МКЗ Модуль конструирования запросов

МПД Модуль подкачки данных

МПЗ Модуль первичной загрузки

МПЧС Модуль построения чистых стратегий

МПСС Модуль построения смешанной стратегии

СС Скользящая средняя

Список литературы диссертационного исследования кандидат технических наук Чеканов, Алексей Николаевич, 1999 год

1. , Акелис С. Технический анализ от А до Я. М.: Визави, 1999. 376 с.

2. Беляев И. Краткосрочные инвестиции: новые ориентиры. Банковские технологии, №5, 1998

3. Беляев И. Краткосрочные инвестиции: методология и практика. Банковские технологии, №7,1998

4. Блинов С. BrainMaker прогнозирование на финансовых рынках. Открытые Системы, №4-5, 1998

5. Борисов Ю., Кашкаров В., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. Открытые Системы, №4, 1997

6. Брейли Р., Майерс С. Принципы корпоративных финансов. М.: Олимп-Бизнес, 1997. 1088 с.

7. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. Бином, Невский диалект, 1998, 560 с.

8. Бэстенс Д.-Э. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997г.- 236с.

9. Галушкин А. Современные направления развития нейрокомпьютерных технологий в России. Открытые Системы, №4, 1997

10. Гущин О. Технический анализ математика и интуиция. Банковские технологии, №3, 1996

11. Демарк Т. Технический анализ новая наука. М.: Диаграмма, 1999. -280 с.

12. Дьюхарст С., Старк К. Программирование на С++. К.: НИПФ «Диасофт», 1993. 272 с.

13. Замковой С. Прогнозируем движение финансового рынка. Банковские технологии, №8, 1997

14. Идрисов А. Инвестиционный анализ в банке. Банковские технологии, №10, 1996

15. Идрисов А., Картышев С., Постников А. Стратегическое планирование и анализ эффективности инвестиций. М.: Информационно-издательский дом ФИЛИНЪ, 1998 272 с.

16. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

17. Калашян А. Перспектива финансового прогноза. Банковские технологии, №8, 1996

18. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые Системы, №4, 1997

19. Киселев М. Data Mining в управлении портфелем ГКО-ОФЗ. Банковские технологии, №10, 1996

20. Клычков А. Информационные системы на финансовом рынке. Банковские технологии, №3, 1998

21. Клычков А. Рынок финансовой информации в России. Банковские технологии, №2, 1998

22. Колби Р., Мейерс Т. Энциклопедия технических индикаторов рынка М.: Альпина, 1998 581 с.

23. Короткий С. Нейронные сети: основные положения. Интернет: http://www.91 .ru/Edu/Books/Neural%20Net/Korotki/Nl/Nl .htm

24. Короткий С. Нейронные сети: алгоритм обратного распространения. Интернет: http://www.91 .ru/Edu/Books/Neura1%20Net/Korotki/N2/N2.htm

25. МакЛафлин Д. Ценные бумаги: как добиться высоких доходов. М.: Дело, 1999-208 с.

26. Масалович А. Зарубежные программы финансового анализа и прогнозирования. Internet, http://www.tora-center.ru

27. Масалович. А. Нейронная сеть оружие финансиста. Internet, http ://www. tora-center.ru

28. Масалович. А. Этот нечеткий, нечеткий, нечеткий мир. Internet, http://www.tora-center.ru29,30,31.34,35,36,37,38,39,40,41,42,43,44,

29. Масалович А. Нечеткая логика в бизнесе и финансах. Internet, http ://www. tora-center.ru

30. Масалович А. Нечеткая логика: на гребне "третьей волны". Internet, http ://www. tora-center.ru

31. Меладзе В. Э. Курс технического анализа. М.: Серебряные нити, 1997. -270 с.

32. Мэрфи Дж. Технический анализ фьючерсных рынков: теория и практика. М.: Диаграмма, 1998 592стр.

33. Минский М., Пейперт С. Персептроны. М.: Мир, 1971

34. Михайлов А. Эффективность инвестиционных решений. Банковские технологии, №9, 1997

35. Молодцов Д. Стратегический подход к управлению портфелем Банковские технологии, №7, 1998

36. Нортон М. Навигация в море данных. Банковские технологии, №1, 1996

37. Пейдж В., Хьюз Н., Остин Д. и др. Использование Oracle 8. К.; М.;СПб.: Издательский дом «Вильяме», 1998. 752 с.

38. Пирогова Н. Время собирать и анализировать данные. Открытые Системы, №4-5, 1998

39. ПРЕМА-Инвест. Технология управления портфелем ценных бумаг. Банковские технологии, №1,1997

40. Ричарде М. и др. Oracle 7.3. Энциклопедия пользователя. К.: Диасофт, 1997.- 830 с.

41. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965

42. Сажин А., Баранов А. Источники и содержание информации по рынку ценных бумаг в России. Банковские технологии, №9, 1996

43. Серебряков А., Уайф М. Платформа для инвестиционного банка. Банковские технологии, №6, 1997

44. Сингх JL, Лей К., Сафьян Д. Oracle 7.3. Руководство разработчика. К.: Диасофт, 1998. 728 с.

45. Синицын Е. Нейронные сети и финансы. Банковские технологии, №1, 1996

46. Соболев Д. Технический анализ рынка ценных бумаг. Возможности применения методов технического анализа к российскому фондовому рынку. Специализированный межрегиональный хеджевый фонд, Интернет: http://sihf.spb.ru/lib/lib t.htm

47. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика М.: Мир, 1992. -240 с.

48. Уткин А. Технологии на фондовом рынке. Банковские технологии, №7, 1996

49. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы. Открытые Системы, №4-5,1998

50. Ходукин В. Фондовый рынок в России и Internet. Банковские технологии, №9, 1996

51. Шарп У., Александер Г., Бейли Дж. Инвестиции. М.: ИНФРА-М, 1998. -1028 с.

52. Чеканов А. Нейросетевые системы в техническом анализе финансовых рынков: подходы, методологии, средства. // Автоматизация и современные технологии. 1999 г., №4, стр. 30-36.

53. Элдер А. Как играть и выигрывать на бирже. М.: КРОН-ПРЕСС, 1996. -332 с.

54. Эрлих А. Прогнозы цен: технический анализ, или история повторяется. Банковские технологии, №2, 1996

55. Эрлих А. Технический анализ товарных и финансовых рынков. М.: Инфра-М, 1996. 176 с.

56. Artificial Neural Networks: Concepts and Theory. IEEE Computer Society Press, 1992.

57. Detlef Nauck. Beyond neuro-fuzzy: perspectives and directions. The Third European Congress on Intelligent Techniques and Soft Computing (EUFIT'95), Aachen, August 28-31, 1995, стр. 1159-1164

58. Grossberg S. Classical and instrumental learning by neural networks. Progress in theoretical biology, vol. 3, pp. 51-141. New York: Academic Press, 1974.

59. Kosko B. Fuzzy thinking./ Hyperion, 1993

60. Kosko B. Neural Networks and Fuzzy Systems. Englewood Cliffs, NJ: Prentice-Hall, 1991

61. Lippmann R. An Introduction to Computing with Neural Nets. IEEE Acoustics, Speech, and Signal Processing Magazine, April 1987

62. Neill H. Tape Reading and Market Tactics. New York, Forbes Publishing, 1931

63. Neural Bench Development. Сравнительный анализ коммерческих пакетов нейросетевого моделирования. Йнтернет: http://www.neuralbench.ru/rus/info/nb soft.htm, 1997

64. Neural Bench Development. Теория по нейронным сетям. Интернет: http://www.neuralbench.ru/rus/theory/theory.htm. 1997

65. Rhea R. The Dow Theory. New York, Barron's, 1932

66. Werbos P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences Masters thesis, Harward University, 1974

67. Zadeh Lotfi. Fuzzy Sets / Information and Control, 8(3), June 1965

68. Источники информации в сети Internet

69. Ward Systems Group, Inc http://www.wardsvstems.com

70. NeuralWare, Inc. http://www,neuralware.com

71. НейроПроект http ://www.neuroproj ect.ru

72. Тора Центр http://www.tora-centre.ru

73. California Scientific Software http://www.brainmaker.com

74. NeuroDimension Inc. http://www.nd.com