Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Зайченко, Дмитрий Николаевич

• Зайченко, Дмитрий Николаевич
• кандидат экономических наук
• 2000

Оглавление диссертации кандидат экономических наук Зайченко, Дмитрий Николаевич

ВВЕДЕНИЕ

1. ПРОБЛЕМА УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ И АНАЛИЗ МЕТОДОВ ЕЕ РЕШЕНИЯ

1.1 Анализ российского рынка ценных бумаг

1.2 Проблема прогнозирования на рынке ценных бумаг

1.3 Анализ существующих методов управления портфелем ценных бумаг

1.4 Классификация систем интеллектуального анализа данных, применяемых в бизнесе и финансах

2. РАЗРАБОТКА МЕТОДИКИ СОЗДАНИЯ ПРОГНОЗИРУЮЩИХ СИСТЕМ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ

2.1 Нейронные технологии на финансовых рынках

2.2 Структура искусственной нейронной сети

2.3 Методика создания прогнозирующих систем на базе нейросетевых технологий для управления портфелем ценных бумаг

3. УПРАВЛЕНИЕ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ

3.1 Критерии выбора программно-аппаратного обеспечения для создания нейронных сетей

3.2 Постановка задачи и подготовка входных данных

3.3 Создание и обучение нейросети

3.4 Практический результат использования нейросети.

Введение диссертации (часть автореферата) на тему «Управление портфелем ценных бумаг коммерческого банка с использованием нейронных компьютерных технологий»

Переход к рыночным отношениям в экономике и научно-технический прогресс чрезвычайно ускорили темпы внедрения во все сферы социально-экономической жизни российского общества последних достижений в области информационных технологий. Достижение Россией высоких результатов в экономике и социальной области и завоевание места полноправного партнера в мировой экономической системе в значительной степени зависит от того, каковы будут масштабы использования современных информационных технологий во всех аспектах человеческой деятельности, а также от того, какую роль будут играть эти технологии в повышении эффективности общественного труда.

Большинство проблем, возникающих перед финансовыми менеджерами верхнего уровня, и, в первую очередь, проблемы принятия эффективных инвестиционных решений на фондовых, товарных и финансовых рынках, являются по самой своей природе плохо структурированными и, как следствие, не приспособленными для решения стандартными методами. Одной из основных таких проблем является задача повышения эффективности управления портфелем ценных бумаг. Это перманентная проблемная задача любого коммерческого банка, работающего на рынке ценных бумаг. В процессе решения этой задачи менеджеры вынуждены учитывать большое количество противоречивых и неоднозначных данных, важность которых невозможно оценить объективно. Во всех подобных ситуациях принимаемые решения носят весьма субъективный характер и, как все интуитивные решения, не могут быть корректно объяснены.

Необходимость финансового анализа в коммерческих банках сегодня не вызывает сомнений. Практически в любом банке есть своя аналитическая служба. Но работники этих служб являются во многом первопроходцами. Финансовые рынки в России еще не завершили своего формирования, и аналитикам приходится работать в условиях, когда собственный опыт не всегда помогает. Большинство универсальных методик, особенно зарубежных, нуждается в адаптации к российским условиям и к требованиям конкретного банка. Зачастую и уровень подготовленности аналитиков накладывает ограничения на выбор методики. Отечественные производители программного обеспечения в большей степени нацелены на автоматизацию бухгалтерского учета и операционной работы в банке При этом простейшие подсистемы анализа являются желательным, но необязательным придатком [10].

В таких условиях остро встает необходимость разработки методики применения наиболее эффективных технологий управления портфелем ценных бумаг на российском рынке.

Игнорирование проблем управления портфелем ценных бумаг банка и отсутствие системы, позволяющей такое управление поддерживать, приводят к ухудшению качества управления, что в конечном счете отрицательно сказывается на финансовых результатах работы банка. Немало банков в период получения сверхприбылей начинали реализацию дорогостоящих проектов, исходя из текущей ситуации и не затрудняя себя попытками просчитать варианты развития в будущем. Результатом явился длинный список разорившихся банков.

Традиционный финансовый анализ заключается в расчете одного или нескольких показателей и в последующем их рассмотрении. Но, сводя все многообразие банковских операций к нескольким интегрированным показателям, не всегда можно оценить ситуацию в конкретный момент времени. Существует риск упустить некоторые важные детали.

В еще большей степени эти замечания относятся к прогнозированию на основе экономических показателей. Российские банки в настоящее время 4 работают в условиях нестабильной внешней среды, и построение даже краткосрочных прогнозов затруднено. Поэтому одним из путей дальнейшего совершенствования финансового анализа и прогнозирования является использование инструментов, позволяющих строить модели на основе большого количества разнообразных входных данных (то есть позволяющих устанавливать зависимость между входными данными и прогнозируемой величиной).

Одновременно с развитием новых теоретических подходов для создания адекватной модели поведения рынка, в западных странах и США происходило активное внедрение новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений: вначале в виде экспертных систем и баз знаний, а затем с конца 80-х -нейросетевых технологий.

Начало исследованиям методов обработки информации, называемых сегодня нейросетевыми было положено несколько десятилетий назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований.

На российском финансовом рынке нейросетевые компьютерные технологии появились всего несколько лет назад. Изучение литературы за этот период показало, что ни в одном из источников не содержится подробного описания (с указанием достигнутых результатов) эффективного применения нейросетевых компьютерных технологий для управления портфелем ценных бумаг на российском рынке. Все публикации (подавляющее большинство из них - в периодической печати) сводятся к описанию возможностей нейронных сетей и их потенциальных преимуществ перед другими компьютерными технологиями. Причем все выводы в этих работах сделаны на основе результатов применения нейросетей на западных рынках. Большинство работ являются рекламными материалами фирм, продающих в России нейронные сети. [13, 20, 26, 28, 37, 45].

Все это определило тему настоящего исследования, в центре которого находятся проблемы совершенствования управления портфелем ценных бумаг коммерческого банка с помощью нейросетевых компьютерных технологий.

Цель и задачи исследования. Целью исследования является разработка методики управления портфелем ценных бумаг на базе нейронных компьютерных технологий.

В соответствии с поставленной целью в работе решаются следующие задачи:

• Исследование проблемы современного российского рынка ценных бумаг и роли операций с ценными бумагами в активных операциях коммерческих банков в России.

• Проведение сравнительного анализа существующих технологий управления портфелем ценных бумаг коммерческого банка.

• Выявление проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка.

• Изучение проблемы прогнозирования на рынке ценных бумаг.

• Классификация технологий интеллектуального анализа данных в бизнесе и финансах.

• Проведение анализа существующих нейросетевых компьютерных информационных технологий в финансовой сфере, возможности их применения на российском рынке ценных бумаг.

• Разработка методики создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.

• Формирование критериев выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.

• Создание и внедрение системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.

• Проведение оценки эффективности созданной системы прогнозирования для управления портфелем ценных бумаг коммерческого банка.

Объект и предмет исследования. Объектом исследования является рынок ценных бумаг Российской федерации. Предметом исследования выступает задача управления портфелем ценных бумаг коммерческого банка.

Метод исследования. Для проведения научного исследования использовались как методы эмпирического исследования, такие как сравнение, эксперимент, так и методы научного исследования: анализ, синтез, моделирование, метод статистического анализа, метод экспертных оценок. Кроме того, работа опирается на новейшие разработки в области использования нейросетевых компьютерных технологий на финансовых рынках. Особое внимание уделено опыту применения нейросетевых компьютерных технологий на западных финансовых рынках.

Научная новизна исследования состоит в достижении следующих результатов:

• классифицированы существующие интеллектуальные компьютерные технологии, используемые на финансовых рынках;

• определена возможность использования нейронных компьютерных технологий для управления портфелем ценных бумаг на российском рынке;

• разработана методика создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг коммерческого банка; 7

• сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг.

Практическая ценность. Практическая ценность работы заключается в том, что созданная система управления портфелем ценных бумаг может быть использована в реальной практике как инструмент выработки решений при управлении портфелем ценных бумаг коммерческого банка, а так же любого другого участника рынка ценных бумаг.

Управление портфелем ценных бумаг с использованием созданной системы позволяет существенно увеличить эффективность управления портфелем по сравнению со среднерыночными показателями.

Реализация и апробация работы. Разработанная система управления портфелем ценных бумаг внедрена и используется в практической деятельности в фондовом отделе акционерного коммерческого Промышленно-торгового банка.

Структура работы. Диссертация состоит из введения, трех глав, заключения и списка литературы.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Зайченко, Дмитрий Николаевич

Основные результаты данной работы заключаются в следующем:

1. В диссертационной работе исследованы проблемы современного российского рынка ценных бумаг. Показана важная роль операций с ценными бумагами в активных операциях коммерческих банков в России и выявлена проблема эффективного управления портфелем ценных бумаг коммерческого банка.

2. Анализ проблем, возникающих при управлении портфелем ценных бумаг коммерческого банка позволил определить, что необходимым условием успешного управления портфелем является получение качественного прогноза динамики цен активов, составляющих портфель.

3. На основе изучения проблемы прогнозирования на рынке ценных бумаг сделан вывод о принципиальной возможности получения прогноза динамики цен, вопреки положениям теории эффективного рынка.

4. Рассмотрены существующие технологии прогнозирования при управлении портфелем ценных бумаг коммерческого банка.

5. Обоснована возможность и необходимость использования нейросетевых компьютерных технологий для моделирования процесса принятия управленческого решения при управлении портфелем ценных бумаг.

6. Произведена классификация современных технологий интеллектуального анализа данных в бизнесе и финансах.

7. В работе проанализированы существующие на сегодняшний день нейросетевые компьютерные информационные технологии в финансовой сфере, и показана возможность их успешного применения на российском рынке ценных бумаг.

8. Разработана методика создания на базе нейронных компьютерных технологий прогнозирующей системы для управления портфелем ценных бумаг.

9. Сформированы критерии выбора программного обеспечения для создания прогнозирующей системы с использованием нейросетевых компьютерных технологий для управления портфелем ценных бумаг

10. На основе разработанной методики реализована информационная система управления портфелем ценных бумаг.

11. Созданная на базе нейросетевой компьютерной технологии система прогнозирования внедрена и успешно используется при управлении портфелем ценных бумаг Промышленно-торгового банка.

12. Проведена оценка эффективности внедрения и практического применения созданной системы прогнозирования, которая подтвердила ее экономическую эффективность.

Список работ, опубликованных по теме диссертации:

1. Зайченко Д.Н. Технический анализ на рынке ценных бумаг. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 97", вып.З - М.: ГАУ, 1997.

2. Зайченко Д.Н. Информационное обеспечение российского фондового рынка. /Материалы научной конференции молодых ученых и студентов ГАУ "Реформы в России и проблемы управления - 98", вып.З - М.: ГАУ, 1998.

3. Зайченко Д.Н. Применение нейронных сетей в финансовой деятельности. /Тезисы докладов 7-го всероссийского студенческого семинара "Проблемы управления", вып.1 - М.: ГУУ, 1999.

Заключение

Повышение эффективности управления портфелем облигаций является перманентной задачей для всех профессиональных участников рынка ценных бумаг, в том числе и для банков, как наиболее активных его участников. Причем основной проблемой при управлении портфелем является получение качественного прогноза изменения цен на облигации. Сама возможность такого прогнозирования до сих пор подвергается сомнению (теория эффективного рынка). Однако на основе проанализированных материалов можно выдвинуть гипотезу о том, что финансовый рынок в целом и рынок облигаций в частности не являются полностью эффективными и существует возможность делать как минимум краткосрочные прогнозы изменения цен на них.

При управлении портфелем ценных бумаг стандартные методы прогнозирования цен облигаций (фундаментальный анализ, технический анализ, статистический анализ) не могут дать желаемых результатов. Для качественного решения поставленной задачи необходимо применение интеллектуальных средств анализа данных. В данной ситуации наиболее эффективным таким средством являются нейронные сети.

Главная трудность продвижения технологии НС в России связана с такой отличительной чертой большинства отечественных предприятий как сравнительно небольшой срок существования. И, как показывает опыт, накопленной информации оказывается недостаточно для выработки на ее основе эффективной стратегии принятия решений с помощью НС. Опасность тут состоит не столько в невозможности обнаружения интересующих взаимосвязей в малочисленных данных и построения моделей на их основе, сколько в получении статистически незначимых моделей и принятии на их основе неверных решений. Если данных мало, а описывающая их модель сложна и включает много степеней свободы, то всегда можно подогнать эту модель под данные, даже если это целиком случайные числа. Тот факт, что метод отлично работает, когда нужно объяснить то, что было в прошлом, но совершенно непригоден для принятия решений "на будущее", рождает сомнения в способности НС решать реальные задачи из сферы бизнеса и финансов. Таким образом, главная проблема применения НС для России -это немногочисленность анализируемых данных, а одно из главных требований к этим системам - наличие жесткого контроля статистической значимости получаемых результатов.

Другой отличительной чертой российской экономики, как на макроуровне, так и на уровне отдельных предприятий, является ее нестабильность; кроме того, она подвержена и действию многочисленных, неожиданно возникающих факторов. В то время как на Западе предприятия в основном работают в рамках уже устоявшейся законодательной базы, в сложившихся структурах товарных, финансовых и информационных потоков, российские предприятия вынуждены подстраиваться под постоянно меняющиеся правила игры. Это же касается российских финансовых рынков, где примерно раз в полгода происходит существенная корректировка правил работы. Итак, исследователь должен обязательно контролировать и анализировать результаты, получаемые НС. Это нужно, чтобы гарантировать учет всех влияющих на решение факторов.

В России естественные проблемы переходного периода в экономике (отсутствие статистических данных за длительный период времени, частая изменчивость нормативной базы, нестабильность экономики) не позволяли с должным успехом использовать нейронные сети для управления портфелем ценных бумаг. В настоящее же время на рынке облигаций накоплена достаточная статистическая база, практически сформирована и регулирующая нормативная база. Это открывает возможность применения нейронных технологий для управления портфелем ценных бумаг на российском рынке.

Полученные результаты подтверждают, что нейросетевые прогнозирующие системы являются эффективным инструментом анализа и прогнозирования поведения финансовых рынков, в том числе и для задач управления портфелем ценных бумаг. Можно ожидать, что в недалеком будущем, реализованные на их основе системы анализа и прогноза займут достойное место в составе аналитических отделов крупнейших российских банков и информационных АСУ корпораций.

Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Не следует опасаться, того, что появление столь мощных и эффективных средств перевернет финансовый рынок, или отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов - говорить об этом, преждевременно. В качестве нового эффективного средства для решения самых различных задач нейронные сети используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети, или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

Есть все основания полагать, что компьютерные технологии и системы подобные той, которая была описана выше, в ближайшее время станут таким же обычным и необходимым инструментом в российской финансовой и банковской сферах, как, скажем, компьютерные программы учета ценных бумаг. И дело здесь не только (и может быть даже не столько) в быстрой возможности получения прибыли, сколько в необходимости сбора

163 полноценной статистики для анализа рынков и моделирования поведения трейдера на рынке для достоверной оценки выбранной торговой стратегии. Кроме того, после появления российских ценных бумаг на мировых рынках ценных бумаг, выход крупных российских инвесторов на мировые фьючерсные и опционные рынки является по-видимому делом весьма недалекого будущего.

И, наконец, последнее, но весьма немаловажное обстоятельство - это появление спроса на подобные технологии со стороны частных инвесторов. В России уже начал формироваться круг частных инвесторов, осуществляющих операции как на товарных западных рынках так и на валютных рынках. Этот круг будет расти очень быстро, особенно после того, как стоимость и надежность получения данных в режиме реального времени будут приближаться к западным стандартам. Приход на рынок достаточно большого числа непрофессиональных игроков будет означать конечно, резкое оживление спроса на достаточно продвинутые торговые системы, позволяющие как моделировать рынок, так и принимать решения в режиме реальных торгов.

Развитие НС вызвало немало энтузиазма и критики. Некоторые сравнительные исследования оказались оптимистичными, другие пессимистичными. Выбор лучшей технологии должен диктоваться природой задачи. Нужно пытаться понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Подобные усилия могут привести к комплексному подходу, который объединяет НС с другими технологиями для существенного прорыва в решении актуальных проблем. Взаимодействие и совместные работы исследователей в области НС и других дисциплин позволят не только избежать повторений, но и (что более важно) стимулируют и придают новые качества развитию отдельных направлений.

164

Список литературы диссертационного исследования кандидат экономических наук Зайченко, Дмитрий Николаевич, 2000 год

1. Гражданский кодекс Российской Федерации. М.:Юридическая литература, 1996.2. "О новации по государственным ценным бумагам" Распоряжение Правительства Российской Федерации №1787-р от 12 декабря 1998г.

2. О рынке ценных бумаг Федеральный Закон

3. О порядке эмиссии облигаций Банка России Положение Банка России №52-П от 28.08.98

4. Об обращении выпусков облигаций Банка России Положение Банка России №53-П от 28.08.98

5. Об утверждении Положения об акционерных обществах.- Постановления Правительства №601

6. Адекенов Т.М. Банки и фондовый рынок. М.: Ось-89, 1997г. - 160с.

7. Алехин Б.А. Рынок ценных бумаг. Введение в фондовые операции. М., 1991.

8. Барцев С.И. Некоторые свойства адаптивных сетей (программная реализация).-Красноярск:Институт физики СО АН СССР, 1986

9. Бекренев B.JI. Принципы построения автоматизированной внутренней информационно-аналитической системы банка.//Бизнес и банки. 1997.-№8.

10. Блуш Ф., Лейзерсон А., Хофстедтер J1. Мозг, разум, поведение. М.:Мир, 1988г

11. Богатырев С.В. Стратегия и тактика управляющей компании на рынке ГКО//Рынок ценных бумаг. 1997 - №10 - с.44-47

12. Болдырев М. Нейросети: современное оружие финансовых баталий // Рынок ценных бумаг 1996 - №19 с.50-51.

13. Бондарев А.Б. Прогнозирование биржевых сделок предприятий. М.: "Экономика и финансы", 1999, 240 с.

14. Бочаров А.В , Грошев А.С., Захватов М.В. и др. Аппаратная реализация ускорителя нейровычислений // Известия вузов. Приборостроение. 1995. # 1-2.

15. Буренин А.Н. Рынок ценных бумаг и производных финансовых инструментов. М.: Федеративная книготорговая компания, 1998. - 352 с.

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

17. Виксне П.Е., Фомин Д.В., Черников В.М. Однокристальный цифровой процессор с переменной разрядностью операндов. Известия вузов. Приборостроение. 1997. # 7

18. Владиславлев Д., Макарычев Д., Стоянский А., Судаков Д. Перспективы развития фондового рынка России. Аналитический доклад. / Под. ред. Тушунова. М., 1997. С. 14

19. Галушкин А. Современные направления развития нейрокомпьютерных технологий в России //Открытые системы №4 1997г с.25-28

20. Горбань А.Н. Возможности нейронных сетей. Новосибирск: Наука (Сиб. отделение), 1996. 176 с.

21. Горяшко А.П. Возможности моделирования поведения инвесторов на фондовых рынках: проблемы, решения, новые компьютерные технологии: Доклад. Научно-практический семинар "Аналитика в государственных учреждениях". М.: ИТМВТ, 1998 - 24 с.

22. Клещев Н.Т., Федулов А.А, Симонов В.А. и др. Рынок ценных бумаг -М.:Экономика, 1997. 559 с.

23. Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчетности. М., 1996

24. Кохонен Т. Ассоциативная память. М.: Мир, 1980

25. Кулик А.Н., Черный А.Г., Нейронные технологии на финансовом рынке//Рынок ценных бумаг 1996 - №23 - с.60-62.

26. Кулик А.Н., Черный А.Г., Нейросети в кости не играют//Рынок ценных бумаг 1996-№17-с.57-59.

27. Масалович А.И. Пять шагов к вершине (портрет российского рынка аналитических систем)// Рынок ценных бумаг 1996 - №14 - С.41-44.

28. Миркин Я.М. "Ценные бумаги и фондовый рынок". Москва, "Перспектива", 1995г.

29. Мэрфи Д.Д. Технический анализ фьючерсных рынков: теория и практика. М.:Сокол, 1996.-592 с.

30. Погорилый А.И. Многопроцессорные наращиваемые вычислительные модули на базе микропроцессоров TMS320C40. Известия вузов. Приборостроение. 1997. # 7.

31. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965.

32. Рынок ценных бумаг: Учебник/Под ред. Галанова, А.И. Басова.- М.: Финансы и статистика, 1996.

33. Соколов Е.Н., Вайтнявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру .-М. :Наука, 1989.-283с.

34. Солянкин А. А. Компьютеризация финансового анализа и прогнозирования в банке. М.: Финстатинформ, 1998. - 96 с.

35. Сорос Дж. Алхимия финансов М.: Инфра-М, 1998.-416с.

36. Степанов B.C. Фондовый рынок и нейросети. МИР ПК, 1998, №12 с.40-46.

37. Суворов С.В., Матихина Н.Ю. Программное моделирование нейроподобных структур.//Распределенная обработка информации.-Улан-Уде, 1989, с.28

38. Тихонов А. Становление рынка ценных бумаг. //Рынок ценных бумаг. -1995 -№1

39. Тьюлз Р.Д., Бредли Э.С., Тьюлз Т.М. Фондовый рынок. М., 1997.

40. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М:Мир, 1992.

41. Шарп У., АлександерГ.,Бэйли Дж. Инвестиции М.: ИНФРА-М, 1997.-1024с.

42. Ширинская Е.Б., Пономарева Н.А., Купчинский В.А. Финансово-аналитическая служба в банке: Практическое пособие. М.: ФБК-ПРЕСС, 1998. - 144с.

43. Элдер А. Как играть и выигрывать на бирже М.: КРОН-ПРЕСС, 1996. -336с.

44. Яковлев B.JI., Яковлева Г.Л., Малиевский Д.А. Нейросетевая экспертнаясистема управления портфелем банка: Сборник докладов. V Всероссийскаяконференция "Нейрокомпьютеры и их применение" М: "Радио и связь",1999 с.291.

45. Aleksander, I., Morton, Н., An Introduction to Neural Computing, London:1. Chapman&Hall, 1990

46. Concepts for Neural Networks: A Survey (Perspectives in Neural Computing), by L.J. Landau, June 1998, Springer Verlag.

47. Cybenko. Approximation by Superpositions of a Sigmoidal Function. Mathematical Control Signals Systems, 1989.

48. Dayhoff J. Neural networks, state of the art, neural computing. London:IBC Technical Services? 1991

49. Deboeck G.J. The Trading edge: Neural, Genetic, and Fuzzy Systems for Chaotic Financial Markets, NY: John Wiley&Sons, 1994

50. Fama E.F. Efficient Capital Markets: A Review of Theory and Empirical Work, Journal of Finance, 25, May 1970, pp. 383-417

51. Financial Prediction Using Neural Networks, by Joseph S Zirilli, Desember 1996, International Thomson Publishing.

52. Fortune P., Stock Market Efficiency: An Autopsy?, New England Economic Review, March/April 1991, pp. 17-40.

53. Fox G.C., Koller J.G. Code generation by a generalized neural networks: general principles and elementary examples.//J.Parallel Distributed Comput. 1989 N2 p. 388-410

54. Francis J.C. Investments:Analysis and management, McGraw-Hill Inc. 1991

55. Grabbe J.O. International Financial Market. New York. Elsevier Science, 1991

56. Hawley D.D., Johnson J.D., Raina D. Artificial neural systems: A new tool for financial decision-making, Financial Analist Journal, 1990 Nov/Dec. 63-72

57. Hop field J.J. Neural Networks and Physical systems with emergent collective computational abilities. Proc. National Academy of Sciencies. USA. 1982

58. Hornick, Stinchcombe, White. Multilayer Feedforward Networks are Universal Approximators. Neural Networks, 1989, v. 2, 5.

59. Kohonen Т., SelfOrganization and Associative Memory, Third Edition, -Springer-Verlag, New York, 1989

60. Kosko, B. Neural Networks and Fuzzy Systems, London: Prentice Hall 1992

61. Larrian M Empirical Tests of Chaotic Bechavior in Nonlinear Interest Rate Model, Financial Analist Journal, 1991

62. LeRoy S.F.Efficient Capital Markets and Martingales, Jornal of Economic Literature, 27, Dec 1989, pp. 1583-1621.

63. Lin F.C., Lin M. Analysis of financial data using neural nets, 1993, A1 Expert

64. Moody J.E. The effective number of parameters: An analysis of generalization and regularization in nonlinear learning systems ANIPS, 1992,

65. Neural Computing. London:IBE Technical Services, 1991.

66. Neural Networks for Financial Forecasting by Edward Gately, Ed Gately, November 1995, John Wiley&Sons;

67. Neural Networks for Pattern Recognition Christofer M.Bishop, November 1995, Oxford Univ Press.

68. NeuroShell 2. Manual. Ward Systems Group, Inc.

69. Peters, E.E., Chaos and Order in the Capital Markets, A New View of Cycles, Prices and Market Volatility, New York: John Wiley&Sons.

70. Porter G. The Rise of Big Business. 1860-1910. Arlington Heights, 1973

71. Pusateri C.J. A History of American Business. Arlington Heights, 1988.

72. Ripley B.D. Statistical aspects of neural networks, SemStat, 1992

73. Smith M., Neural Networks for Statistical Modelling, NY: VNR, 1993

74. Trippi R.R., DeSieno D., Trading equity index futures with neural network, The Jornal of portfolio management, 1992

75. Wasserman P.D. Neural Computing: Theory and Practice, NY: VNR