На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

2
Ожидается:
16 Июня 2024

В Национальном исследовательском университете «Высшая школа экономики» в г. Перми проведен сравнительный анализ нейросетевого моделирования и регрессионного анализа для целей прогнозирования индекса S&P 500

20.02.2013

Биржевое ценообразование является наиболее эффективным способом распределения ограниченных ресурсов, в частности капитала. Поэтому ценообразование на финансовых рынках представляется актуальным направлением изучения как учеными-фундаменталистами, так и трейдерами. И если первых интересуют механизмы функционирования финансовых рынков, то цель вторых – получение прибыли путем прогнозирования цены акций либо их доходности. Наиболее популярным методом прогнозирования среди трейдеров является технический анализ, однако он описывает поведение финансового инструмента в ближайшем будущем и не объясняет причины изменения цен. Для стабильного извлечения прибыли в долгосрочном периоде необходимы иные статистические инструменты, позволяющие найти экономические закономерности, сохраняющиеся долгое время. В последние десятилетия для этих целей используется регрессионный аппарат, существенными недостатками которого являются выявление только линейных закономерностей и необходимость сбора данных за длительные промежутки времени, что в России в принципе невозможно. (Отметим, что регрессионный аппарат позволяет строить и нелинейные модели, однако вид функции, спецификацию модели необходимо выбрать до оценки параметров.) От этих недостатков избавлены методы искусственного интеллекта, которые, однако, мало применяются для прогнозирования цены и доходности акций. Кроме того, остается дискуссионным вопрос о сопоставлении преимуществ и недостатков этих двух математических аппаратов. В статье проводится сравнительный анализ эффективности методов нейросетевого моделирования и регрессионного анализа для прогнозирования цены и доходности акций. Каждый из них позволяет выявлять закономерности между изменениями цены и различными факторами, а также использовать саму цену в качестве единственного фактора.

Подробное описание дается в статье «Возможности прогнозирования динамики фондового индекса S&P 500 с помощью нейросетевых и регрессионных моделей», авторы: Осколкова М.А., Паршаков П.А. (Национальный исследовательский университет «Высшая школа экономики» в г. Перми).