РАЗРАБОТКА ИС ФОРМИРОВАНИЯ ИНВЕСТИЦИОННОГО ПОРТФЕЛЯ ДЛЯ ВНУТРИДНЕВНОЙ ТОРГОВЛИ

Данная статья является кратким очерком мероприятий проведённых в рамках работы над выпускной квалификационной работой по теме: разработка ИС формирования дейтрейдингового портфеля акций.

В современном мире людям часто приходится уходить от классических способов заработка, иногда просто необходимы дополнительные источники дохода, либо нужна возможность сохранять и приумножать накопленный ранее капитал. Одним из инструментариев, обеспечивающих достижение перечисленных выше целей, может стать инвестирование на фондовом рынке, а именно покупка и последующая перепродажа ценных бумаг (акции, облигации и т.д.) тех или иных компаний или даже государств.

Однако не всегда очевидно, что же выбирать объектом инвестиций. Существует множество методов технического анализа для определения подходящего объекта для будущих инвестиций, однако не все они доступны рядовым трейдерам или небольшим финансовым организациям, в силу своей сложности, объема трудозатрат при расчете, точности и неоднозначности трактовки результатов.

Вследствие чего возникает логичная потребность в разработке информационной системы, упрощающей процесс выбора объекта инвестиций.

В рамках ВКР была разработана такая система. Суть работы системы заключается в следующем: ежедневно в систему загружаются входные данные о ценах на акции компаний Х и влияющих факторах У на момент закрытия предыдущей и открытия текущей торговой сессий, после чего на основе изменений значений факторов У за предыдущий период строится прогноз направления движения цен для Х на текущую торговую сессию. В результате конечный пользователь получает прогноз направления движения цен «голубых фишек» на текущую торговую сессию, исходя из которого и собирается инвестиционный портфель для внутридневной торговли.

Для реализации данной ИС в качестве среды разработки был выбран MS Excel. Такой выбор обосновывался следующими факторами:

- наличие встроенных математических функций, необходимых для анализа и обработки исторических данных

- наличие встроенного языка VBA, позволяющего сделать более удобными пользовательский и отладочный интерфейсы, а так же реализовать возможность тестирования системы с использованием макросов

- структура таблиц позволяет хранить и обрабатывать большой объём исторических данных, необходимых для проведения исследования

- данное ПО имеет очень широкое распространение, вследствие чего от конечного пользователя потребуется минимум действий для использования системы: запуск книги, разрешение использования макросов.

В качестве входных данных использовались данные о ценах на акции 15 ключевых игроков российского фондового рынка Х, т.н. «голубые фишки» и влияющие факторы У. В качестве влияющих факторов были выбраны следующие показатели: основной и отраслевые индексы ММБВ, отраслевые индексы РТС, ключевые индексы зарубежных фондовых рынков, курсы валют, стоимости нефти, газа, бензина и др.

В качестве математического потребного аппарата использовалась связка корреляционного парного анализа и метода главных компонент. На рисунке 1 представлена блок-схема модели данной ИС.

Предварительно все входные данные были представлены как числовое изменение значения параметра за период, выраженное в процентах, что позволило избежать проблем с размерностью данных при дальнейшей обработке.

Рисунок 1. Блок-схема модели ИС формирования дейтрейдингового портфеля акций

Базовым шагом анализа входных данных было составление матрицы парных корреляций Х и У. Данный вид анализа является достаточно распространённым инструментом технического анализа, применяемого в данной проблемной области. Однако при его использовании возникает достаточно важный вопрос: что же выбрать в качестве фактора для сравнения?

Для решения поставленного вопроса был реализован отбор множества факторов У для каждого Х по минимальному значению корреляции, задаваемому в качестве изменяемого параметра системы, после чего к такому множеству применялся метод главных корреляций (МГК). И так для каждого Х.

МГК является одним из основных способов уменьшить размерность входных данных, с потерей наименьшего количества изначальной информации. На рисунке 2 иллюстрируется алгоритм работы МГК.

Рисунок 2. Графическая интерпретация процедуры применения МГК

Данный алгоритм можно интерпретировать следующим образом: для матрицы Х исходных данных n*m, представленной в системе координат X₁X₂ проводится центрирование данных к виду матрицы Z, представленной в новой системе координат Z₁Z₂, после чего выделяется система новых признаков F (главных компонент), наиболее существенно влияющих на процесс и обладающих максимальной дисперсией, относительно множества изначальных признаков. При этом количество новых признаков будет меньше, либо равно количеству изначальных признаков. На практике чаще всего используются только первые из новых признаков, в виду того что они обладают максимальной дисперсией и несут в себе 80-90% изначальной информации. Конкретно в данном исследовании использовалась только первая главная компонента (ГК).

Таким образом, в следующим шагом после применения парного корреляционного анализа стало центрирование значений отобранных факторов У для каждого Х, согласно следующей формуле 1:

X_j= A_j-Ā_j , (1)

Где:

Ā_j – среднее арифметическое j-го фактора

После этого была составлена ковариационная матрица для данных факторов У, рассчитаны её собственные значения и собственный вектор.

Далее первая ГК выражается как сумма произведений координат собственного вектора ковариационной матрицы и соответствующих им факторов.

Таким образом, рассчитанная первая ГК включает в себя набор исходных влияющих факторов и знак её последнего значения указывает на прогнозируемое направление движения цены на акции компании Х. Такая процедура проводится для всех 15 компаний и в конечном итоге выводится на листе отладки, для уточнения входных параметров и анализа точности работы системы, а так же на пользовательский интерфейс, который представлен на рисунке 3.

Рисунок 3. Пользовательский интерфейс системы

В результате тестирования системы за период от 04.01.17 до 21.05.18 при определённых входных параметрах точность системы достигает значения свыше 70%, что является хорошим показателем. Так же стоит отметить, что применение парного корреляционного анализа в купе с методом главных компонент не имеет распространения в данной области, что придаёт описанному способу анализа новизну.

Список литературы:

1. Балдин К.В., Информационные системы в экономике: Учебник. / Балдин К.В., Уткин В.Б. – М.: Издательско-торговая корпорация «Дашков и К^о», 2004. – 395 с.
2. Гарбер Г.З., Основы программирования на Visual Basic и VBA в Excel 2007. /  – М.: СОЛОН-ПРЕСС, 2008. – 192 с.
3. Майкл Н. Кан, Технический анализ. Просто и ясно / – СПб.: Питер, 2011. – 320 с.
4. Многомерный статистический анализ в экономике / Сошникова Л.А., Тамашевич В.Н., Уебе Г. и др.  – М. М.: Юнити, 1999. – 598 с.