НЕЙРОННЫЕ СЕТИ В ЭКОНОМИКЕ И ФИНАНСАХ

Системы предиктивной аналитики не являются достаточным условием эффективного принятия решений по торговле и инвестированию. На мой взгляд, всё работает в комплексе, когда вы взвешенно подходите к принятию решений на основании множества факторов.

Данная статья будет в большей степени интереса тем, кто занимается созданием автоматизированных инвестиционных систем, инвестиционных советников и иных подобных средств автоматизации, а также в некоторой степени для тех, кто создаёт торговых роботов и различных торговых советников.

За долгие годы своей истории человечество так и не научилось толком предсказывать рынок. Быть может, машине по зубам эта задача? Нейросети – это мощный инструмент, который может быть использован для анализа рынка. С их помощью можно получить ценные данные о тенденциях и прогнозах, которые могут помочь предпринимателям и инвесторам принимать более обоснованные решения.

Фундаментальные причины прогноза

Следует понимать почему всё, что описано выше работает. Главная причина того, что всё это можно использовать – инерционность рынка. Торговых и инвестиционных систем превеликое множество. И многие из них оторваны от фундаментальных факторов. Кто-то торгует и инвестирует по EMA. И имеет на это право. Как я показал в предыдущей статье
, стратегии на EMA имеют право на существование. А если и иные алгоритмы, в том числе основанные на системе предиктивной аналитики. И все они инерционны и взаимно тащат друг друга.

Ранее я уже писал статью по поводу применения нейронных сетей в торговле на фондовых рынках. Если кому-то интересно, то данную статью можно прочитать здесь
.

Эта статья (по прогнозированию), согласно моему плану должна быть одной из ряда статьей по применению нейронных сетей для различных целей и задач при создании универсальной автоматической торгово-инвестиционной системы. По ряду причин, данные статьи в определённой степени будут упрощены, однако, они должны сформировать представление о технологиях, перспективах, эффективности и ряде других вопросов при применении нейронных сетей.

Приветствуется здоровая критика, приправленная аргументами и доказательствами.

Финансовые инструменты были выбраны случайным образом. Вот перечень тикеров данных финансовых инструментов: UMPQ
, HRZN
, PENN
, SCVL, SIFY, SSYS, GIII, ASRT, AXON, KRNY, OESX, FULT, RIGL, CDXC, CHCI, SMSI, SBGI, TTEC, WTFC, LAMR, LPSN, MNSB. Всего 24 инструмента.

Данный портфель является сильно разнородным. Там есть как растущие акции (рис. 4).

Рис. 4. График котировок, EMA и расчётного вектора движения котировок для AXON

Есть падающие акции (рис. 5).

Рис. 5. График котировок, EMA и расчётного вектора движения котировок для SSYS

А есть акции с боковиком и сильной волатильностью (рис. 6).

Рис. 5. График котировок, EMA и расчётного вектора движения котировок для SCVL

Мне видится, что если и тестировать системы, то так, чтобы было интересно. На разнородных инструментах с непредсказуемым результатом. Что было больше адекватности и реализма.

Нейросеть Finprophet — это программный инструмент, разработанный для предсказания финансовых индикаторов, таких как курс валют, цены на акции и другие финансовые показатели. Она основывается на алгоритмах машинного обучения и использует большое количество исторических данных для создания прогнозов.

Finprophet состоит из нескольких модулей, каждый из которых отвечает за конкретный финансовый инструмент. Например, для предсказания курса валют используется модуль, который анализирует экономические и политические события, влияющие на курс, а также данные о торговле на валютных рынках.

Нейросеть Finprophet имеет высокую точность прогнозирования, благодаря использованию сложных алгоритмов машинного обучения и нейронных сетей. Она может быть полезна для инвесторов, трейдеров и аналитиков, которые хотят получать более точные прогнозы финансовых индикаторов и принимать более обоснованные инвестиционные решения.

Мы с вами живём в капиталистическом мире, и не будем друг друга обманывать. Каждый инвестор хочет заработать побольше, но при этом рисковать поменьше. Но как это сделать?? Как определить куда нужно вложить деньги??

Особенно с учетом того, в мире тысячи различных финансовых инструментов. И из всего этого огромного количества вам нужно выбрать то, что даст наибольшую доходность.

Рис. 1. Куда пойдут котировки? Тикер, ASRT

Есть такие инструменты анализа данных, которые обобщенно называются «предиктивной аналитикой». Приведу одно из определений из интернета:

«Предиктивная аналитика (от англ. predictive analytics — предсказательная аналитика) — методология анализа данных, используемая для прогнозирования будущих событий.» (с)

Есть множество подходов к решению данной задачи, но всю мощь математических методов в данной статье мы рассматривать не будет. В данной статье основным инструментарием будут нейронные сети.

Все, кто активно интересуется/интересовался инвестициями в финансовые инструменты знают, что ну никак нельзя 100% спрогнозировать куда пойдет та или иная акция. Ученые же с помощью нейросетей еще в 1995 году чуть-чуть увеличили вероятность верного прогноза.

Нейронные сети тогда рекламировались как всемогущие инструменты прогнозирования фондового рынка.

Такие компании, как MJ Futures, заявляли об удивительной доходности в 199,2% за 2-летний период, используя свои методы прогнозирования на основе нейронных сетей. Они также претендуют на простоту использования их методик.

Как сказал технический редактор Джон Суини в выпуске журнала «Технический анализ акций и товаров» за 1995 год:

«Теперь вы можете не разрабатывать новые сложные правила и переделывать их по мере того, как их эффективность снижается! Посто определите ценовые коридоры и индикаторы, которые вы предпочитаете использовать, а все остальное сделает нейронная сеть».

Это утверждение, возможно, преувеличено, но действительно, нейронные сети могут быть просты в использовании после настройки сети. Но все же сама настройка и обучение сети требуют навыков, опыта и терпения.

В данной статье решение задачи предиктивной аналитики было выполнено с применением MLP нейронных сетей. Хотя решить данную задачу можно и на LSTM нейронных сетях. Для получения обобщенной модели и уменьшения переобучаемости использовали регуляризацию и дропаут. В процессе обучения контролировали точность по среднеквадратическому отклонению (рис. 3).

Рис. 3. Пример показателей среднеквадратического отклонения для обучающей и тестовой выборок

В данной статье предиктивный анализ будет вестись только по данным биржевых котировок. Однако, я здесь же хочу заметить, что делать данный анализ можно и комплексно на основании технико-фундаментальных факторов.

Объем датасета: 10 лет биржевых данных для каждого инструмента.

Датасет делился на 3 части:

— Тестовая выборка: порядка 1 года.

— Обучающая выборка: порядка 8 лет.

— Предиктивная выборка: порядка 1 года.

Все данные выборки были жёстко разделены, данные не пересекались.

Для каждого инструмента получали результаты расчёта для обучающей и предиктивной выборки. Тестовая выборка в расчёте не участвовала и использовалась только для контроля процесса обучения.

Для каждого расчёта получали расчётные вектора движения котировок, а также медленное EMA и ATR для расчёта канала.

1. Системы предиктивной аналитики могут стать как поддержкой и опорой в принятии решений, так и источником инвестиционных сигналов.

2. Прогнозы на длительном промежутке весьма не точны, и если есть возможность, то лучше снизить дальность обозримого промежутка.

3. Нейронные сети очень чувствительны к данным. Их должно быть достаточно для качественного обучения.

4. Системы предиктивной аналитики не являются достаточным условием, но являются необходимым. Эффективное принятие решений в инвестициях невозможно без фундаментального анализа, но тем не менее технический анализ очень важен, особенно в условиях отрыва рынка от финансовых показателей.

5. Системы предиктивной аналитики имею значительные перспективы во всём. И в торговых и инвестиционных алгоритмах, и во всех сферах жизни. Бизнес, маркетинг, инженерия, производство и все остальные отрасли во всём их многообразии.

Два слова о себе. Я являюсь основателем стартапа по предиктивной аналитике международных финансовых рынков на базе нейронных сетей finprophet.com
. Мне интересна тематика автоматизированного принятия решений по торговле и инвестированию, в том числе с применением нейронных сетей. Считаю, что за этой технологией будущее. Если у кого то будет желание пообщаться, можно писать мне здесь или по контактам, указанным ниже.

Всех благ, побед и

успехов на фондовых

BloombergGPT (Generative Pre-training Transformer) — это нейросеть, которая была разработана компанией Bloomberg. Эта нейросеть использует методы глубокого обучения для генерации текста, который может быть использован для создания новостных статей, аналитических отчетов и других текстовых материалов.

BloombergGPT также имеет возможность генерировать тексты на нескольких языках, включая английский, китайский и испанский. Это делает ее удобной для использования в международных компаниях, которые работают с клиентами по всему миру.

Однако, как и любая нейросеть, BloombergGPT не без своих ограничений. Например, она может создавать тексты, которые звучат формально и неестественно, что может быть проблемой при создании материалов для широкой аудитории. Кроме того, нейросеть может иметь трудности с пониманием сложных финансовых терминов и концепций, что может привести к ошибкам в создании текстов. В целом BloombergGPT неплохой инструмент для создания финансовых текстов.

ИИ обладает своими своими специфическими преимуществами перед человеком, однако есть серъёзные основания считать, что и он не сможет относительно надёжно прогнозировать рынок, независимо от объёма вычислительных мощностей. И вот почемуL

Представьте, что всё таки появилась нейрсоеть, которая может идеально прогнозировать рынок. Тогда, если известна её методология, возможно будет сделать нейрсоеть, которая будет отталкиваться от этого уже известного алгоритма, чтобы переиграть на рынке первую, так как будет известно поведение акторов на рынке, где торгуют согалсно её предсказаниям. А затем то же самое будет применительно к третьей, четвёртой — т.е такая гонка вооружений может продолжаться бесконечно. Но если нейросети дойдут до такого развития, останется ли рынок существовать в привычном понимании?

Читать также:  СИСТЕМА ГОСУДАРСТВЕННЫХ ОРГАНОВ В СИСТЕМЕ УПРАВЛЕНИЯ ФИНАНСАМИ В РФ

ПРИЛОЖЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭКОНОМИКЕ

 Комментарии


Текст работы размещён без изображений и формул.

Полная версия работы доступна во вкладке «Файлы работы» в формате PDF

 

Интеллектуальные системы, основанные на искусственных нейронных сетях, позволяют  успешно решать такие проблемы как распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Стандартные решения этих проблем не всегда дают необходимый результат, и многие приложения выигрывают за счет использования нейросетей.

Достижение в области нейрофизиологии дают начальное понимание механизма естественного мышления, где хранение информации происходит в виде сложных образов. Процесс хранения информации как образов, использование образов и решение поставленной проблемы определяют новую область в обработке данных, которая, не используя традиционного программирования, обеспечивает создание параллельных сетей и их обучение.

Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности. На рынке появляется огромное количество как универсальных нейропакетов, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных и трудно формализуемых задач из финансовой области.

Нейросетевое предсказание банкротств основано на статистической обработке конкретных примеров банкротств. Задача нейросети — самой стать экспертом, определяющим финансовую стабильность корпорации, основываясь исключительно на объективной информации — показателях финансовой отчетности. В качестве входов используют финансовые индикаторы — отношения балансовых статей, наиболее полно отражающие определенные стороны финансового положения фирмы.

В зависимости от конкретной практической задачи «подозрительность» сети можно произвольно регулировать.

Банкротства можно уверенно предсказывать за несколько лет до их фактического наступления, причем точность предсказания за два года практически не отличается от точности предсказания за год. Таким образом, неявные сигналы неблагополучия присутствуют в финансовой отчетности фирмы задолго до ее краха.

Рис. 13. Результаты расчёта

Взгляните на потенциальные и реальные доходности при прогнозе на 6 и 12 месяцев. В прогнозах на длительном промежутке времени очень много ошибок. Потенциально доходные инструменты показывают убыток и наоборот. Казалось бы потенциально убыточные активы показывают рост. Тем не менее, точность увеличивается с уменьшением дальности прогноза.

В качестве примера доходности возьмём инвестицию в лонг со stoploss и без.

Рис. 14. Доходность в лонг без стоп лосс на прогнозе в 130 дней

Рис. 14. Доходность в лонг со стоп лосс = 10% на прогнозе в 130 дней

Сравнивая доходность портфеля при прогнозе до полугода без предиктивной системы и с предиктивной системы то мы получаем следующее. Реальная доходность в боевых условиях на данном промежутке времени составляет -1,12% (то есть, мы имеем убыток). Но при этом, мы можем повысить доходность до +5,44 и +8,42% без стоп лосс и со стоп лосс соответственно. Опять же замечу, что это доходность за пол года. Приводя к годовому выражению, доходность может быть порядка +11% и +17%, что в случае со стоп лосс является весьма неплохим результатом на таком ужасном портфеле.

Теперь 2 слова о рисках.

Если на длительном промежутке система прогнозирования не уменьшала, а увеличивала риски, то совершенно иная картина при прогноза на более короткой дистанции. Взгляните сами.

Рис. 15. Потенциально и реально убыточные позиции в прогнозе на 130 дней

Из 24 инструментов были детектированы 4 убыточные позиции, они и оказались таковыми в реальности. Справедливости ради стоит отметить, что не все убыточные позиции были определены.

Лишь 12 из 18 позиций при торговле в лонг были доходными (67% точность), и соответственно 6 убыточных позиции не были детектированы.

Рис. 16. Убыточная позиция CDXC при прогнозе на 130 дней

Давайте взглянем на рис. 16 и самую убыточную позицию при торговле лонг на данном портфеле при прогнозе на 130 дней. Как мы видим рисунка. Где-то треть времени прогноз был верен. В данном случае следует понимать, что если вы постоянно адаптируете ваши нейронные сети к изменяющимся условиям, то у вас нейронная сеть покажет изменение тренда (рис. 17).

Рис. 17. Изменение тренда на убыточной позиции CDXC при прогнозе на 130 дней

Да, вы может быть не закроетесь со значительной прибылью, но вас по крайней мере не будет убытка в 30+ %.

Первое, что я хотел бы сказать, это дальность прогноза.

Взгляните на картинку ниже.

Рис. 10. Прогноз движения котировок на срок до года, тикер UMPQ

Очень низкие показатели точности. А теперь взгляните на картинку ниже.

Рис. 11. Прогноз движения котировок на срок до года, тикер UMPQ

Нейронная сеть очень чувствительна к количеству данных. Если мы берём датасет, и из него выкидываем большие куски данных, то нейронная сеть не может толком обучиться и адаптироваться к текущей ситуации. Подобное наблюдается на всех исследуемых финансовых инструментах.

Если брать консолидированные показатели точности прогноза, то для шестимесячного прогноза средний показатель точности оставляет 71,49%, а для годового прогноза этот показатель уже 27,93%.

В результатах экспериментальных исследований есть данные по обоим видам прогноза, однако как вы видите из данных, к сожалению нейронная сеть не позволяет делать статистически значимые прогнозы на большом промежутке. Однако, для наших целей и пол года тоже не плохо.

Следует понимать, что для длительных целей нужен непрерывный контроль и предиктивный анализ инструмента с учётом постоянной адаптации нейронных сетей к изменяющимся условиям.

Также следует сказать и о причинах. Если мы в статье рассматриваем предиктивную аналитику только с точки зрения технического анализа, то сами принимаемые решения многообразны. Значительную часть из инструментов принятия решения занимает фундаментальный анализ. Банально, вышла слабая отчётность и инструмент ушёл в коррекцию. Это не спрогнозировать никакими техническими анализами. Поэтому, единственный вариант это комплексное принятие решений, но в данной статье мы рассматриваем лишь небольшой кусочек этого решения. Другой стороной вопроса могут быть и иные процессы, суды, хайпы и разгон на новостях, кризисы и много чего еще. Ранее я писал статью об использовании сентиментного анализа. С идеями этого анализа вы можете ознакомиться здесь
.

Также я бы хотел обратить внимание на другой момент. Взгляните на рисунок ниже.

Рис. 12. Расчёт вектора движения (оранжевая линия) и EMA 200 (зелёная линия) для тикера UMPQ

Как вы видите из рисунка, вектор движения рассчитанный нейронной сетью являются опережающим по отношению к EMA, и в этом плане он является более предпочтительным в качестве фильтра тренда. Да, есть рассогласование на дальних прогнозах на предиктивной выборке, однако оно незначительно на близких прогнозах, и с учётом постоянной адаптации всегда будет весьма релевантным.

Также обратите внимание, что используется EMAбольших периодов, так как мы здесь рассматриваем именно инвестиционные процессы, а не отработку волатильности.

Спиридонов Д. В. , Коробкова К. Р.


Сибирский Федеральный Университет Институт управления бизнес-процессами и экономики


Текст работы размещён без изображений и формул.

Полная версия работы доступна во вкладке «Файлы работы» в формате PDF

В начале 2000-х годов, человечество шагнуло в новую эпоху обработки и анализа информации на основе машинного обучения. Благодаря техническим прорывам в скорости обработки информации и в огромном количестве генерируемой информации человечеством ежедневно, стало возможным обучать компьютерные алгоритмы выполнять нелинейные задачи. Одним из прорывных алгоритмов машинного обучения, на сегодняшний день, являются искусственные нейронные сети. В 2016 году о нейронных сетях услышал мир благодаря наработкам Google, Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.

Рассмотрим часть достижений в области нейросетей:

  1. Распознавание естественного языка
    (письменного и голосового). Примеры: голосовой ассистент Siri от Apple; распознавание текста с помощью программы Fine Reader от Abby и другие.

  2. Распознавание образов из изображений
    . Благодаря большому массиву изображений в сети Интернет, машины уже умеют распознавать что нарисовано на изображении и может обработать его в соответствии с определенным стилем. Примеры: встроенная система Яндекса на сайт Авто.ру, которая распознает модели и марки автомобиля по фотографии; подбор похожих товаров по фото в сервисе Яндекс. Маркет.

  3. Распознавание диагноза пациента на основе истории болезни и симптомов
    . Пример: когнитивная облачная система Doctor Watson от IBM.

  4. Выдача релевантных и персонифицированных поисковых запросов по смыслу
    . Пример: поисковая система Google, Yandex.

  • системы распознавания и классификации объектов на изображениях;

  • голосовые интерфейсы взаимодействия для интернета вещей;

  • системы мониторинга качества обслуживания в колл-центрах;

  • системы выявления неполадок (в том числе, предсказывающие время технического обслуживания), аномалий, кибер-физических угроз;

  • системы интеллектуальной безопасности и мониторинга;

  • самообучающиеся системы, оптимизирующие управление материальными потоками или расположение объектов (на складах, транспорте);

  • интеллектуальные, самообучающиеся системы управления производственными процессами и устройствами (в том числе, робототехнические);

  • появление систем универсального перевода «на лету» для конференций и персонального использования;

  • появление ботов-консультантов технической поддержки или персональных ассистентов, по функциям близким к человеку.

Читать также:  Первая тема исследует природу организаций и их роль в финансовой системе страны, а также важность финансов организаций (предприятий) для общего финансового здоровья страны

В настоящее время мы пришли к тому, что происходит 4 научно-техническая революция, которая заключается в массовой доступности машинного обучения. Это приведет к переходу из информационных технологий в операционные технологии. Операционные технологии подразумевают делегирование принятия решений машине и самостоятельное выполнение действий на основе принятого решения.

СПИСОК ИСПОЛЬЗОВАНОЙ ЛИТЕРАТУРЫ

Как использовать нейросети в финансах и аналитике

Время на прочтение

Представьте, что вы хотите купить акции компании, которая обещает высокий доход. Вы смотрите на графики, анализируете тренды и решаете, что это хорошая инвестиция. Но через неделю вы узнаете, что компания обанкротилась из-за финансового скандала. Вы теряете все свои деньги и остаетесь в шоке. Как такое могло случиться?

Возможно, вы могли бы избежать этого, если бы использовали нейросети, ведь их работу можно увидеть даже в финансах и аналитике. По прогнозам Next Move Strategy Consulting

, к концу 2023 года рынок искусственного интеллекта достигнет 208 млрд долларов, а к 2030 году – 1,8 трлн долларов. Финансы — это не просто деньги, это еще и сложные расчеты, риски, клиенты. Нейросети помогают с этим всем справляться быстрее и лучше.

В этой статье рассказываем, как используют нейросети в финансах и аналитике, какие преимущества и недостатки они имеют, и какие перспективы развития они открывают для финансовой отрасли.

НЕЙРОННЫЕ СЕТИ В ЭКОНОМИКЕ И ФИНАНСАХ

Как нейросети используют в финансах

  • Скоринг с помощью ИИ
    используют в банковских системах для проверки кредитоспособности клиентов. Нейросеть анализирует кредитную историю и решает, выдавать кредит или нет. Скоринг клиентов с помощью ИИ снижает время одобрения заявки с нескольких дней до минут.

    Универсальной системы кредитного скоринга нет, каждый банк самостоятельно создает ИИ-модели для выполнения этой задачи. Например, скоринг-система, которую разработал Сбербанк, принимает решение по всем кредитным запросам от физических лиц.

  • Голосовые помощники и чат-боты
    помогают сократить затраты на поддержку клиентов. Нейросети распознают голос или текст клиента, понимают его запрос и отвечают. Или переводят к нужному специалисту.

    Например, голосовой помощник Олег от банка Тинькофф банка самостоятельно обрабатывает 80% запросов клиентов.

  • Антифрод-системы на основе ИИ
    предотвращают мошеннические действия. Нейросети анализируют поведение клиентов, транзакции, события в системе и выявляют необычные действия. Системы, которые выявляют подозрительные активности, предотвращают до 7 млрд попыток мошенничества в год, и тем самым сохраняют деньги и банков, и клиентов.

    Машинное обучение используют в антифрод-системе платежного провайдера ЮKassa.

  • Нейросети помогают анализировать рынок.
    Они обрабатывают большие объемы данных о рыночной ситуации, спросе, предложении, конкуренции и других факторах, которые влияют на бизнес. Нейросети выявляют закономерности, тренды и корреляции в данных. А потом строят модели для прогнозирования будущих цен.

    Например, модель BloombergGPT обрабатывает финансовые новости, пресс-релизы, отчёты компаний и проводит финансовую аналитику на основе этих данных.

    Другой сервис, SAP AI, может проанализировать всю цепочку производства товаров компании: от поставок до маркетинга. На основе анализа, нейросеть предлагает способы повышения эффективности бизнеса.

  • Биометрические данные
    распознают с помощью ИИ. Уже сейчас банки, например HSBC, используют биометрические данные, чтобы идентифицировать пользователя. Это значительно ускоряет процедуру подтверждения личности, так как не нужно вводить паспортные данные или вспоминать кодовое слово.

  • Оптимизация инвестиций и управление рисками —
    еще одна область применения нейросетей в финансах. И И помогает инвесторам выбирать выгодные и безопасные активы для своих портфелей. При этом учитываются доходность, риски, диверсификации, ликвидность и другие показатели.

    Одним из таких сервисов стал Finprophet. Он умеет прогнозировать изменения в акциях, фьючерсах, валютах и индексах инвестиционных фондов крупнейших международных финансовых рынков.

  • Визуализацию и анализ данных
    тоже можно делать с помощью нейросетей. Например, сервис Tableau использует ИИ, чтобы создавать интерактивные дашборды, графики, карты и другие виды отчётов. Tableau также поддерживает естественный язык, то есть можно задавать вопросы о данных в текстовом или голосовом формате.

  • Анализ потребительского поведения помогает
    бизнесу лучше понимать своих клиентов и предлагать им персонализированные продукты и услуги. Нейросети здесь используют для того, чтобы проанализировать большие объемы данных о потребительском поведении, предпочтениях, интересах, потребностях, целях и проблемах клиентов. На основе этого анализа нейросети могут разделить клиентов по разным критериям, а также попробовать предсказать их будущее поведение и реакцию на различные предложения.

    В 2020 году компания Mastercard запустила сервис Brighterion, который анализирует данные о транзакциях, платежах, покупках, лояльности и других аспектах поведения клиентов, чтобы выявлять их индивидуальные особенности и потребности.

Преимущества и недостатки нейросетей в финансах

Выделяют существенные преимущества использования нейросетей в работе бизнеса:

  • Ускорение и оптимизация процессов.
    Нейросети помогают автоматизировать не только рутинные, но и трудоемкие задачи. Это значительно сокращает время и затраты на обработку и анализ данных.

  • Повышение качества обслуживания клиентов.
    Нейросети помогают улучшить взаимодействие с клиентами, предлагают им решения на основе индивидуальных потребностей и предпочтений. Искусственный интеллект работает круглосуточно, что позволяет получить информацию в любое время и в любом месте.

  • Снижение рисков и расходов.
    Сервисы на основе ИИ помогают снизить риски, которые связаны с мошенничеством или ошибками в данных.

В качестве обратной стороны медали выделяют:

  • Сложность разработки и обучения.
    Чтобы обучить нейронную сеть, нужно большое количество данных и высокая квалификация специалистов. А чтобы внедрить ИИ, придется заплатить много денег и потратить кучу времени.

  • Необходимость больших объемов данных.
    Нейросети зависят от качества и количества данных, на которых они обучаются. В их работе могут возникать ошибки, если данных мало, они некорректны или неактуальны.

  • Проблемы с интерпретацией данных и этикой.
    Не всегда можно точно сказать, почему нейронная сеть приняла то или иное решение в конкретной ситуации. Человеку важно критически оценивать полученные рекомендации, ведь ответственность за принятое решение будет на нас.

Перспективы развития нейросетей в финансах

Нейросети представляют собой мощный и перспективный инструмент для финансовой сферы, который может помочь повысить эффективность, безопасность, качество и доступность финансовых услуг. Однако нейросети также требуют знаний, опыта и ответственности при их использовании, так как они не могут гарантировать абсолютную точность и надежность своих результатов. Поэтому важно развивать компетенции в области нейросетей и других сопутствующих технологий, а также следить за этическими и правовыми аспектами их применения.

Как это работает?

При использовании нейронных сетей в финансовых инвестициях вы обычно создаете несколько различных нейронных сетей на основе ваших целей, а затем используете ручной анализ, чтобы разработать торговые стратегии на основе прогноза каждой сети и ее отношения к вашей общей стратегии, будь то высокорискованная, но направленная на рост для краткосрочных сделок, или стратегия на более длительный срок, основанная на более консервативном подходе.

Нейронные сети не делают прогнозы по акциям, вместо этого они помогают трейдерам оценить новые возможности, которые они могут использовать для разработки своих торговых стратегий. Например, если вы ищете компании, которые, вероятно, смогут повторить высокий рост, какой наблюдался у одной из существующих компаний в вашем портфеле, нейронная сеть может выделить несколько других компаний с похожими фундаментальными данными, которые, кажется, могут следовать похожему пути.

Как индивидуальные, так и институциональные инвесторы могут использовать программное обеспечение нейронных сетей для финансовой торговли. Вы должны использовать его, чтобы ввести свою собственную торговую идею, а затем получить данные, которые помогут вам оценить, насколько эффективна ваша идея. Вы сможете постоянно изменять свою торговую идею, меняя параметры для данных, которые вы хотите рассмотреть.

Это также не заменяет человеческий анализ. Вам все еще нужна человеческая экспертиза, чтобы понимать анализ нейронных сетей и понимать, как он соотносится с вашей торговой стратегией. Но, интегрируя машинное обучение в свою торговую стратегию, вы сможете быстро анализировать огромные объемы данных, чтобы выявлять общие черты в вашей модели и находить новые возможности, которые могут улучшить вашу торговую производительность. Рассмотрим два примера применения нейросетей в финансах:

Подход к решению задачи

Логика решения данной задачи следующая. Для каждого финансового инструмента нам нужно получить прогноз канала движения котировок на достаточно значительном промежутке (всё таки мы рассматриваем инвестиционные процессы, а не торговлю, поэтому в качестве цели поставим прогноз до 1 года.)

Рис. 2. Условное обозначение прогнозируемого канала, который нам нужно получить.

Основа канала – прогнозируемый вектор движения котировок (рис. 2, жёлтая линия). Относительно вектора движения сами границы канала можно строить по разному. В нашей статье мы будем рассматривать ATR каналы. Хотя, я здесь сделаю замечание, что вы можете руководствовать своей логикой и выбрать другие виды каналов.

После того, как нейронные сети получат каналы для всех финансовых инструментов и оценят относительно амплитуды каналов их доходность, можно приступать к выбору наиболее доходных из них.

А что сейчас, а не в 1995?

Сейчас одной из самых используемых для этих задач является нейросеть типов LSTM (Long short-term memory).

Основанная на классической рекуррентной нейронной сети RNN, сеть LSTM может выборочно забывать неважную информацию и усиливать ранее важную информацию, добавляя нелинейную структуру «ворот» внутри нейронов сети. Таким образом, LSTM позволяет избежать неизбежной проблемы исчезновения градиента, когда RNN обучается на длинных последовательностях. В частности, структура ворот LSTM определяется следующим образом:

Читать также:  Экзамены в Таловской средней школе по дисциплине "Стратегический менеджмент"

В ней есть разные подмодели. Ниже сравнение их эффективности:

Результаты показывают, что точность модели прогнозирования последовательности сначала увеличивается, а затем снижается с течением времени прогнозирования.

Более того, сравнивая тенденцию изменения ошибок прогнозирования четырех методов, можно обнаружить, что ошибка модели MALSTM-L имеет наименьший диапазон изменения во времени, что дополнительно подтверждает надежность модели макрорыночного прогноза и демонстрирует эффективность введенного ограничения устойчивости рынка.

PS
. лайк, пожалуйста, он помогает продвижению статьи, а значит дает мотивацию писать дальше

Ну и как положено на VC, канал телеграм))) Канал и чатик

Туда выкладываю статьи VC и то, что нет в VC. Мысли, идеи, опыт.

В закрепленных канале всегда телеграм боты Kolersky для доступа в ChatGPT
, GPT-4 без VPN,

а так же генераторы изображений Midjourney
, Dall-e, Stable Diffusion

(проект KolerskyAI
).

Прогнозирование фондового рынка с использованием нейронных сетей

Время на прочтение

image

В современном мире всё с большей остротой проявляется интерес к качественному прогнозированию финансовых рынков. Это связано с быстрым развитием высоких технологий и, соответственно, с появлением новых инструментов анализа данных. Однако тот технический анализ, которым привыкли пользоваться большинство участников рынка, не эффективен. Прогнозы на основе экспоненциальных скользящих средних, осцилляторах и прочих индикаторах не дают ощутимый результат, т.к. экономика часто бывает иррациональна, потому что движима иррациональными мотивациями людей.

В последние годы, у финансовых аналитиков стали вызывать большой интерес так называемые искусственные нейронные сети – это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным, тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

Рассмотрим на практике применение метода прогнозирования с помощью нейронных сетей. Для примера возьмём данные индекса ММВБ в период с 01.10.2008 по 03.04.2009. Задача состоит в том, что на основе представленной статистической информации необходимо сделать прогноз на 10 дней. Как видно из графика (рис.1), с 01.10.08 по 28.10.08 индекс ММВБ «просел» примерно на 534 пункта. После чего последовал рост до максимальной отметки в 871 пункт. Далее, некоторое время, рынок находился в боковом тренде, затем наметилась восходящая тенденция. В данном примере будем строить прогноз для одной переменной (остальные аналогично), но для того, чтобы выбрать ту из четырех переменных, которая наиболее сильно поможет спрогнозировать остальные, построим корреляционную матрицу.

image

Итак, построив матрицу парных корреляций (табл.1), делаем вывод о том, что переменная LOW наиболее сильно коррелирует с остальными. Займёмся прогнозом данной переменной.

image

Нелинейные по своей сути нейронные сети, позволяют с любой степенью точности аппроксимировать произвольную непрерывную функцию, не взирая на отсутствие или наличие какой-либо периодичности или цикличности. Поскольку временной ряд представляет собой непрерывную функцию (на самом деле нам известно значение этой функции лишь в конечном числе точек, но её можно легко непрерывно продолжить на весь рассматриваемый отрезок), то применение нейронных сетей вполне оправдано и корректно.

Построим тысячу нейронных сетей различной конфигурации в пакете STATISTICA, обучим их, а затем выберем десять наилучших.

В результате идентификации процесса построения сетей мы получили следующие результаты: выбранные сети, как можно заметить, имеют различные конфигурации (табл.2).

image

В результате обучения была найдена нейронная сеть, соответствующая модели 7 (рис.2) с хорошей производительностью (регрессионное отношение: 0,253628, ошибка: 0,003302). Нетрудно заметить, что производительность сетей с архитектурой Радиально Базисной Функции (РБФ) в среднем хуже производительности сетей с архитектурой Многослойно персептрона. Во многом это объясняется тем, что сети с архитектурой РБФ плохо экстраполируют данные (это связано с насыщением элементов скрытой структуры). Для оценки правдоподобности модели 7 построим гистограмму частот (рис.3). Данная гистограмма является самой симметричной по сравнению с другими моделями. Это подтверждает стандартные предположения о нормальности остатков. Следовательно, модель 7 больше всего подходит для данного временного ряда.

image

Осуществим проекцию для прогнозирования временного ряда. В результате имеем прогноз (рис.4, табл.3). Как видно из графика, нейронная сеть верно спрогнозировала направление тренда. Однако, требовать от этого метода анализа более точных данных, особенно в период мирового экономического кризиса как минимум некорректно.

image

Как и предполагалось, нейронные сети дали хороший результат. Во многом это обусловлено сложностью и нелинейностью структуры данного ряда, тогда как классические методы рассчитаны на применение к рядам с более заметными и очевидными структурными закономерностями. Но даже, несмотря на все видимые положительные качества нейронных сетей не стоит считать их некоей «панацеей». Во-первых, нейронные сети являются «черным ящиком», который не позволяет в явном виде определить вид зависимостей между членами ряда. Таким образом, конкретную нейронную сеть можно «научить» строить прогноз лишь на строго фиксированное количество шагов вперед (которое мы указываем в спецификации этой сети), следовательно, имеет место сильная зависимость от вида задачи. Во-вторых, при наличии явной линейности, простоты структуры в задаче, способность нейронных сетей к обобщению оказывается более слабой по отношению к классическим методам. Объясняется это как раз нелинейностью сетей по своей сути.

В общем случае для достижения наилучшего результата необходимо использовать нейронные сети вкупе с грамотной стратегией управления капиталом.


Список использованной литературы:

1. Э.А. Вуколов. Основы статистического анализа. Издательство «Форум», Москва

2008г.

2. В. Боровников. S TATISTICA: искусство анализа данных на компьютере. 2003г.

3. Недосекин А. О. Нечетко-множественный анализ риска фондовых инвестиций. Изд.

Сезам, 2002г.

Ранее статья публиковалась в материалах 3-ей региональной научной конференции ВолгГТУ в 2009 году (Том 3).

Какой был результат?

Однако, не все из этого шумиха. Нейронные сети продемонстрировали успех в прогнозировании рыночных тенденций.

Идея предсказания фондового рынка, конечно, не нова. Деловые люди часто пытаются предвидеть рынок, интерпретируя внешние параметры, такие как экономические показатели, общественное мнение и текущий политический климат.

Однако, вопрос заключается в том, могут ли нейронные сети обнаруживать тенденции в данных, которые люди могут не заметить, и успешно использовать эти тенденции в своих прогнозах.

Здесь хороших результатов добились Дин Барр и Уолтер Лойк из LBS Capital Management, используя относительно простую нейронную сеть с всего 6 финансовыми индикаторами в качестве входных данных.

Эти входные данные включают ADX, который показывает среднее направленное движение за предыдущие 18 дней, текущее значение S&P 500 и чистое изменение значения S&P 500 по сравнению с пятью предыдущими днями (см. книгу Дэвида Скапуры «Building Neural Networks»).

Это простая сеть обратного распространения из трех слоев. Она обучена и протестирована на большом объеме исторических рыночных данных.

В чем же проблема?

Проблема здесь не в самой сетевой архитектуре, а в выборе переменных и информации, используемой для обучения. Если же выбрать верные переменные, результаты весьма хороши. Еще лучшие результаты были достигнуты с помощью нейронной сети с обратным распространением с 2 скрытыми слоями и более чем 6 переменными.

К сожалению, в сети нет подробной информации об этих сетевых архитектурах; компании, которые с ними работают, похоже, хотят сохранить свои данные в секрете.

Исследование Стендфордского университета.

Методика оценки результатов

В ходе исследований контролировали следующие показатели:

— Точность определения тренда исходя из времени прогноза.

Рис. 6. Пример верного определения тренда на всём промежутке, тикер UMPQ, 130 дней прогноза

Рис. 7. Пример неверно определённого тренда, тикер WTFC, 263 дня прогноза

На рисунках 6 и 7 показаны два разнородных прогноза. В одном случае прогноз верен на 100%, а в другом случае его точность стремиться к 0. Разумеется есть частично верные прогнозы, их точность оценивали по доле времени верного определения тренда.

— Точность прогноза исходя из доли инструментов с положительной доходностью.

Рис. 8. Пример результатов расчёта доходности.

Как видно из рис. 8, не все прогнозируемые инструменты в боевых условиях показали положительную доходность. В данном случае доходность оценивали как отношению прибыльных инструментов к общему числу инструментов.

— Потенциальная максимальная доходность прогноза.

— Реальная текущая доходность расчётного периода.

Рис. 9. Потенциальный убыток (красные линии) и реальный убыток (зеленые линии), тикер PENN, прогноз 263 дня

К слову говоря, на данном рисунке также видно, как вектор движения котировок частично верно определён.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *