Научный архив: статьи

Актуальность и цели. Выделена необходимость модификации традиционных статистических методов, которые основываются на предположении о нормальности распределения котировок и не учитывают более сложные динамические характеристики финансовых активов. Предложена новая методология, включающая бинарный подход к выбору активов в портфель, где основанием для принятия решения служат отклики, полученные от многопрофильных методов прогнозирования. Цель исследования - повышение эффективности инвестиционных решений за счет разработки комплексной методологии поддержки принятия решений на основе трансформации, комбинирования и синтеза статистических и спектральных методов прогнозирования временных рядов.

Материалы и методы. Комплексная методология включает в себя методы прогнозирования ARIMA/ARMA, ARIMA/GARCH и разложение Фурье, модифицированные автором. Для принятия решений на основе разработана общая модель и ее частные случаи - алгоритмы модифицированного случайного леса и Adaboost.

Результаты. Валидация моделей, входящих в методологию, была осуществлена в сравнении с классической моделью Марковитца на четырех мировых индексах за разные временные промежутки. В подавляющем большинстве случаев предложенные модели показали лучший результат, чем классическая модель.

Выводы. Комплексная методология поддержки принятия инвестиционных решений является более гибкой в сравнении с существующими за счет адаптации к характеру временных рядов и позволяет повысить эффективность инвестиций, что было показано при валидации. В дальнейшем планируется апробация методологии на российском рынке с расчетом экономического эффекта.

В работе рассматривается применение статистических методов авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего к прогнозированию финансовых временных рядов. Данные модели отличаются тем, что в интегрированной модели в целях обеспечения стационарности берутся не фактические уровни ряда, а разности. Финансовые ряды могут быть как случайными, так и персистентными - зависящими от прошлых значений. Цель работы - обоснование использования моделей авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего для прогнозирования финансовых временных рядов, исходя из того, зависят ли текущие значения временных рядов от прошлых, иными словами, являются ли временные ряды персистентными. Для осуществления прогнозов в работе использованы методы авторегрессии - скользящего среднего и интегрированной авторегрессии - скользящего среднего, а для определения персистентности временного ряда - метод R/S анализа. Результаты апробированы на четырех индексах крупнейших бирж, метрикой качества прогноза выступила средняя абсолютная ошибка в процентах. Для случайных временных рядов модель авторегрессии - скользящего среднего, в которой не осуществляется взятие разностей, показала лучший результат, чем модель интегрированной авторегрессии - скользящего среднего, которую целесообразно применять для персистентных временных рядов.