ИСПОЛЬЗОВАНИЕ ИНСТРУМЕНТОВ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ФАКТОРОВ, ВЛИЯЮЩИХ НА ВОЛАТИЛЬНОСТЬ ЦЕННЫХ БУМАГ

USING NEURAL NETWORK MODELING TOOLS OF FACTORS AFFECTING THE VOLATILITY OF SECURITIES

Dmitry Shutov

Student, Branch of Udmurt State University in Votkinsk,

Russia, Votkinsk

Galina Ardasheva

Candidate of Economic Sciences, Associate Professor, Department of Economics, management and law, senior researcher, Branch of Udmurt State University in Votkinsk,

Russia, Votkinsk

АННОТАЦИЯ

Использование инструментов нейросетевого моделирования факторов, влияющих на волатильность ценных бумаг, является актуальной темой для изучения в области финансового анализа и прогнозирования. В данной статье рассматриваются методы и подходы к анализу и оценке влияния различных экономических и рыночных индикаторов на динамику цен акций и облигаций с помощью современных нейросетевых технологий.

Основное внимание в статье уделяется анализу применения нейросетевых моделей для прогнозирования волатильности ценных бумаг, важность развития и совершенствования нейросетевых методов в сфере анализа финансовых рынков, так как они позволяют более точно и оперативно оценивать факторы, влияющие на динамику ценных бумаг, и прогнозировать их волатильность. Это, в свою очередь, способстввует принятию более обоснованных и эффективных решений в сфере инвестирования и управления рисками на финансовых рынках.

ABSTRACT

The use of neural network modeling tools for factors influencing the volatility of securities is a relevant topic for study in the field of financial analysis and forecasting. This article discusses methods and approaches to analyzing and assessing the influence of various economic and market indicators on the dynamics of stock and bond prices using modern neural network technologies.

The main focus of the article is on the analysis of the use of neural network models for predicting the volatility of securities, the importance of developing and improving neural network methods in the field of analysis of financial markets, as they allow more accurately and quickly assessing the factors influencing the dynamics of securities and predicting their volatility. This, in turn, contributes to making more informed and effective decisions in the field of investment and risk management in financial markets.

Ключевые слова: волатильность, нейронные сети, ценные бумаги, фондовый рынок.

Keywords: volatility, neural networks, securities, stock market.

Прогнозирование и оценка факторов, влияющих на цены акций и облигаций, являются важными задачами в области финансов и экономики. Волатильность цен на бумаги может быть обусловлена различными факторами, такими как экономические условия, финансовые показатели компаний, рыночные настроения и политические события [3]. Определение и оценка этих факторов позволяет инвесторам принимать обоснованные решения при выборе активов для инвестирования и управлении портфелями.

Традиционные модели прогнозирования, такие как модели авторегрессии-скользящего среднего (ARMA), не всегда способны корректно оценить влияние множества факторов на цены ценных бумаг [2]. В связи с этим, существует потребность в разработке новых методов анализа и прогнозирования, которые могут более точно учитывать различные факторы и их взаимосвязи. Одним из таких методов является нейросетевое моделирование, которое позволяет создавать сложные нелинейные модели на основе большого количества данных.

Существует несколько видов нейросетей, которые можно использовать для анализа и прогнозирования цен ценных бумаг:

• искусственные нейронные сети (ANN) — это математические модели, имитирующие работу нейронов в мозге. Они могут быть использованы для анализа сложных нелинейных зависимостей между входными и выходными данными.
• глубокие нейронные сети (DNN) — это разновидность ANN, которая состоит из нескольких слоев нейронов. DNN позволяют создавать более сложные и точные модели, чем традиционные ANN.
• сверхточные нейронные сети (CNN) — это тип DNN, который используется для обработки изображений и текста. CNN позволяют анализировать взаимосвязи между различными факторами, влияющими на цены ценных бумаг, на основе больших объемов данных [4, 5].

Нейросетевое моделирование может быть интегрировано с традиционными методами прогнозирования, такими как ARMA, для создания более точных и гибких моделей. Например, можно использовать ARMA для определения основных зависимостей между факторами и ценами ценных бумаг, а затем добавить нейронную сеть для учета более сложных взаимосвязей и зависимостей.

Нейросетевое моделирование можно применять для решения различных задач в области анализа и прогнозирования цен акций и облигаций:

• оценка рисков - нейросети могут использоваться для определения рисков, связанных с инвестированием в различные активы. Например, можно создать модель, которая будет анализировать экономические показатели компаний и рыночные настроения для определения вероятности возникновения кризисных ситуаций.
• прогнозирование цен - нейросеть можно использовать для прогнозирования цен на акции и облигации на основе исторических данных и текущих рыночных условий. Это может помочь инвесторам принять более обоснованные решения о покупке или продаже активов.
• управление портфелем - нейросетевое моделирование может использоваться для оптимизации портфелей ценных бумаг с учетом различных рисков и целей инвесторов. Например, модель может учитывать корреляцию между активами, чтобы снизить риски портфеля.

Несмотря на все возможные плюсы нейросетевая модель имеет и ряд недостатков:

• сложность интерпретации результатов: нейросетевые модели могут быть сложными для понимания, особенно для тех, кто не знаком с принципами работы нейросетей.
• требование большого количества данных для обучения: Нейросети требуют большого количества данных для успешного обучения, что может быть недоступно для некоторых отраслей или компаний.
• высокая стоимость внедрения: нейросети требуют значительных вычислительных ресурсов и специализированного программного обеспечения, что может привести к высоким затратам на внедрение.
• риск переобучения: нейросети склонны к переобучению, когда они запоминают данные, а не обобщают их. Это может привести к низкой точности прогнозов на новых данных.
• невозможность объяснения причин принятия решения: нейросети часто считаются “черным ящиком”, поскольку их решения сложно объяснить и обосновать.

Однако, эти недостатки могут быть компенсированы преимуществами нейросетевого подхода, такими как высокая точность прогнозов, способность обрабатывать большие объемы данных и возможность интеграции с другими моделями.

В качестве возможных путей улучшения предложенной модели нейросетевого прогнозирования волатильности цен ценных бумаг можно предложить следующие подходы:

• улучшение архитектуры сети: можно увеличить количество слоев или нейронов в каждом слое, чтобы модель могла обучаться более сложным зависимостям.
• увеличение объема обучающих данных: чем больше данных используется для обучения модели, тем более точной она может быть.
• использование различных типов входных данных: можно использовать не только исторические данные о ценах, но и другие факторы, которые могут влиять на волатильность, например, экономические показатели или новости.
• интеграция с традиционными методами анализа: можно попробовать интегрировать нейросетевой подход с классическими методами анализа, такими как регрессионный анализ или модели ARIMA, чтобы получить более точные результаты.
• применение методов регуляризации: регуляризация может помочь предотвратить переобучение модели и улучшить ее обобщающую способность.
• использование ансамблевых методов: объединение нескольких моделей в один ансамбль может улучшить точность прогноза [1].

В результате исследования были предложены несколько подходов для улучшения нейросетевой модели прогнозирования волатильности цен ценных бумаг. Каждый из этих подходов может существенно повысить точность и эффективность модели, что в конечном итоге приведет к более обоснованным решениям в области инвестиций и финансового анализа.

Таким образом, нейросетевое моделирование является перспективным направлением для анализа и прогнозирования факторов, влияющих на волатильность цен ценных бумаг. Этот подход позволяет создавать более точные и гибкие модели, которые учитывают множество различных факторов и их взаимосвязей. Однако, для успешного применения нейросетей в финансовой сфере необходимо продолжать исследования по улучшению алгоритмов обучения и обработки данных.

Список литературы:

1. Достоинства и недостатки нейронных сетей [электронный ресурс] — Режим доступа. — URL: https://bewave.ru/blog/dostoinstva-i-nedostatki-neyronnykh-setey/ (дата обращения 04.12.2023)
2. Модель авторегрессии скользящего среднего (ARIMA) [электронный ресурс] — Режим доступа. — URL: https://wiki.loginom.ru/articles/arima.html (дата обращения 04.12.2023)
3. Показатели волатильности. Чем они полезны для трейдеров и инвесторов [электронный ресурс] — Режим доступа. — URL: https://bcs-express.ru/novosti-i-analitika/pokazateli-volatil-nosti-chem-oni-polezny-dlia-treiderov-i-investorov (дата обращения 04.12.2023)
4. Что такое нейронные сети (ANN) [электронный ресурс] — Режим доступа. — URL: ttps://artismedia.by/blog/chto-takoe-nejronnye-seti-ann/ (дата обращения 04.12.2023)
5. Что такое нейронные сети и как они работают [электронный ресурс] — Режим доступа. — URL: https://sky.pro/media/neyronnye-seti/ (дата обращения 04.12.2023)