التنبؤ بسوق الأوراق المالية باستخدام الشبكات العصبية

في العالم الحديث ، يزداد الاهتمام بالتنبؤ النوعي للأسواق المالية بشكل متزايد. ويرجع ذلك إلى التطور السريع للتقنيات العالية ، وبالتالي مع ظهور أدوات جديدة لتحليل البيانات. ومع ذلك ، فإن التحليل الفني الذي اعتاد معظم المشاركين في السوق على استخدامه غير فعال. لا تستند التوقعات المستندة إلى المتوسطات المتحركة الأسية والمذبذبات والمؤشرات الأخرى إلى نتيجة ملموسة ، لأنه غالبًا ما يكون الاقتصاد غير عقلاني لأنه مدفوعًا بدوافع غير عقلانية للناس.

في السنوات الأخيرة ، أصبح المحللون الماليون مهتمين جدًا بما يسمى الشبكات العصبية الاصطناعية - وهي نماذج رياضية ، بالإضافة إلى تطبيقات البرامج أو الأجهزة ، المبنية على مبدأ تنظيم وعمل الشبكات العصبية البيولوجية - شبكات الخلايا العصبية للكائن الحي. نشأ هذا المفهوم عند دراسة العمليات التي تحدث في الدماغ أثناء التفكير ، وعند محاولة محاكاة هذه العمليات. في وقت لاحق ، بدأ استخدام هذه النماذج لأغراض عملية ، كقاعدة ، في التنبؤ بالمشاكل.الشبكات العصبية ليست مبرمجة بالمعنى المعتاد للكلمة ، فهي مدربة. القدرة على التعلم هي واحدة من المزايا الرئيسية للشبكات العصبية على الخوارزميات التقليدية. من الناحية الفنية ، يتكون التدريب من إيجاد معاملات الروابط بين الخلايا العصبية. في عملية التعلم ، تكون الشبكة العصبية قادرة على تحديد العلاقات المعقدة بين المدخلات والمخرجات ، وكذلك إجراء التعميم. إن قدرة الشبكة العصبية على التنبؤ تأتي مباشرة من قدرتها على تعميم وإبراز العلاقات الخفية بين بيانات المدخلات والمخرجات. بعد التدريب ، تستطيع الشبكة التنبؤ بالقيمة المستقبلية لتسلسل معين بناءً على عدة قيم سابقة و / أو بعض العوامل الموجودة حاليًا. وتجدر الإشارة إلى أن التنبؤ ممكن فقط إذاعندما تحدد التغييرات السابقة بالفعل التغييرات المستقبلية مسبقًا إلى حد ما. على سبيل المثال ، قد يكون توقع أسعار الأسهم استنادًا إلى عروض الأسعار خلال الأسبوع الماضي ناجحًا ، في حين أن توقع نتائج اليانصيب غدًا استنادًا إلى بيانات من الخمسين عامًا الماضية لن ينتج عنها أي نتائج.

دعونا نفكر عمليا في تطبيق طريقة التنبؤ باستخدام الشبكات العصبية. على سبيل المثال ، خذ بيانات مؤشر MICEX من 01.10.2008 إلى 04.03.2009. المهمة هي أنه بناءً على المعلومات الإحصائية المقدمة ، من الضروري عمل توقعات لمدة 10 أيام. كما يتبين من الرسم البياني (الشكل 1) ، من 01.10.08 إلى 10.28.08 ، "غرق" مؤشر MICEX بنحو 534 نقطة. ثم اتبعت زيادة إلى أقصى علامة 871 نقطة. علاوة على ذلك ، لبعض الوقت ، كان السوق في اتجاه جانبي ، ثم تم تحديد الاتجاه الصعودي. في هذا المثال ، سننشئ توقعات لمتغير واحد (الآخرون متشابهان) ، ولكن من أجل اختيار أحد المتغيرات الأربعة التي ستساعدنا على التنبؤ بالمتغيرات الأخرى ، سنقوم ببناء مصفوفة ارتباط.



لذا ، بعد بناء مصفوفة من الارتباطات الزوجية (الجدول 1) ، نستنتج أن المتغير LOW يرتبط ارتباطًا وثيقًا بالآخرين. دعونا نلقي نظرة على توقعات هذا المتغير.



تسمح الشبكات العصبية غير الخطية بشكل أساسي بتقريب وظيفة مستمرة تعسفية بأي درجة من الدقة ، على الرغم من غياب أو وجود أي دورية أو دورية. نظرًا لأن السلاسل الزمنية هي وظيفة مستمرة (في الواقع ، نحن نعرف قيمة هذه الوظيفة فقط في عدد محدود من النقاط ، ولكن يمكن استمرارها بسهولة باستمرار طوال الفترة المحددة) ، فإن استخدام الشبكات العصبية له ما يبرره وصحيح تمامًا.

سنقوم ببناء ألف شبكة عصبية من تكوينات مختلفة في حزمة STATISTICA ، وتدريبها ، ثم اختيار أفضل عشرة.

نتيجة لتحديد عملية بناء الشبكات ، حصلنا على النتائج التالية: الشبكات المحددة ، كما ترون ، لها تكوينات مختلفة (الجدول 2).



نتيجة للتدريب ، تم العثور على شبكة عصبية تتوافق مع النموذج 7 (الشكل 2) مع أداء جيد (نسبة الانحدار: 0.253628 ، الخطأ: 0.003302). من السهل أن نرى أن أداء الشبكات ذات بنية وظيفة الأساس الشعاعي (RBF) أسوأ في المتوسط ​​من أداء الشبكات ذات البنية متعددة الطبقات Perceptron. ويرجع ذلك إلى حد كبير إلى حقيقة أن الشبكات ذات بنية RBF بيانات ضعيفة الاستقراء (وهذا بسبب تشبع عناصر الهيكل المخفية). لتقييم احتمالية النموذج 7 ، نقوم ببناء رسم بياني للترددات (الشكل 3). هذا الرسم البياني هو الأكثر تناسقًا مقارنة بالنماذج الأخرى. هذا يؤكد الافتراضات المعيارية حول طبيعية المخلفات. لذلك ، النموذج 7 هو الأنسب لهذه السلسلة الزمنية.



نقوم بتنفيذ إسقاط للتنبؤ بالسلسلة الزمنية. ونتيجة لذلك ، لدينا توقعات (الشكل 4 ، الجدول 3). كما يتبين من الرسم البياني ، تنبأت الشبكة العصبية بشكل صحيح باتجاه الاتجاه. ومع ذلك ، فإن طلب بيانات أكثر دقة من طريقة التحليل هذه ، خاصة خلال الأزمة الاقتصادية العالمية ، هو أمر غير صحيح على الأقل.



كما هو متوقع ، أعطت الشبكات العصبية نتيجة جيدة. ويرجع ذلك إلى حد كبير إلى التعقيد وعدم الخطية في بنية هذه السلسلة ، في حين تم تصميم الطرق الكلاسيكية ليتم تطبيقها على السلسلة بقوانين هيكلية ملحوظة وأكثر وضوحًا. ولكن حتى على الرغم من كل الصفات الإيجابية الظاهرة للشبكات العصبية ، لا يجب أن تعتبرها نوعًا من "الدواء الشافي". أولاً ، الشبكات العصبية هي "صندوق أسود" ، لا يسمح بتحديد نوع التبعيات بشكل صريح بين أعضاء السلسلة. وبالتالي ، يمكن "تعليم" شبكة عصبية محددة للتنبؤ فقط بعدد ثابت من الخطوات إلى الأمام (والتي نشير إليها في مواصفات هذه الشبكة) ، وبالتالي ، هناك اعتماد قوي على نوع المهمة. ثانياً ، في وجود خطية صريحة ، بساطة البنية في المشكلة ،قدرة الشبكات العصبية على التعميم أضعف فيما يتعلق بالأساليب الكلاسيكية. ويفسر ذلك عدم الخطية للشبكات في جوهرها.

في الحالة العامة ، لتحقيق أفضل نتيجة ، من الضروري استخدام الشبكات العصبية ، إلى جانب إستراتيجية مختصة لإدارة الأموال.

---

قائمة المؤلفات المستخدمة:

1. E. Vukolov. أساسيات التحليل الإحصائي. دار فوروم للنشر ، موسكو
2008
2. ف. بوروفنيكوف. إحصائيات: فن تحليل بيانات الكمبيوتر. 2003
3. Nedosekin A.O. تحليل المخاطر المتعددة الضبابية لاستثمارات الأسهم. إد.
السمسم ، 2002
سابقًا ، تم نشر المقالة في مواد المؤتمر العلمي الإقليمي الثالث لجامعة فولجوجراد الفنية الحكومية في عام 2009 (المجلد 3).

Source: https://habr.com/ru/post/ar396505/