Анализ подходов к прогнозированию динамики фондового рынка

Финансовые рынки являются отражением состояния мировой и национальных экономик, демонстрируя эффективность их развития или, наоборот, замедление экономического роста. Поэтому, ключевой задачей инвесторов и исследователей на протяжении многих лет была разработка и тестирование моделей для выявления направления курса акций и других финансовых инструментов на фондовых рынках. Однако анализ движения и поведения цен на фондовом рынке является чрезвычайно сложным в силу ряда экономических, политических, психологических и специфических для компании факторов. Более того, высокая волатильность фондовых рынков в периоды кризиса обуславливает необходимость поиска наиболее оптимальных методов прогнозирования динамики финансовых инструментов, что и актуализировало тему исследования.

Исследование теоретических и практических наработок ученых, посвященных классификации методов анализа и прогнозирования динамики фондового рынка, свидетельствует об эволюции научной мысли касательно данного вопроса. Так, большинство авторов в качестве главных подходов для анализа финансовых рынков, отмечают технический и фундаментальный анализ [1; 2]. В последующих научных работах добавляются: теория форми- рования инвестиционного портфеля и теория хаоса [3; 4]. Каждый из указанных подходов базируется на собственных положениях и гипотезах, включает разнообразные количественные и качественные методы и имеет свою область применения [3]. В тоже время Малышенко К.А. и др. в своем исследовании обосновали, что теория инвестиционного портфеля не является классификационным элементом подходов к анализу динамики фондового рынка, поскольку ее цель - изучение доходности портфеля инвестиций, а не фондового рынка в целом [2].

Концепция технического анализа базируется на исследовании прошлых статистических данных финансовых инструментов (цена, объем, спрос и предложение) для прогнозирования их изменений в ближайшем будущем [3].

Наиболее популярными методами технического анализа для прогнозирования динамики фондового рынка являются экономико-статистические методы, направленные на исследование временных рядов, в частности модели:

• -    авторегрессивная скользящая средняя (ARMA), авторегрессивная интегрированная скользящая средняя (ARIMA);

• -    волатильность обобщенной авторегрессионной условно-гетероскедастической (GARCH);

  – модель авторегрессии с плавным переходом (STAR) [5].

Модель ARMA объединяет модели авторегрессии (AR), которые применяются для объяснения эффектов импульса и возврата к среднему, часто наблюдаемых на торговых рынках и модели скользящего среднего (MA), которая пытается уловить шоковые эффекты, наблюдаемые во временных рядах. Ключевое ограничение модели ARMA заключается в том, что она не учитывает кластеризацию волатильности, базовый эмпирический феномен во многих финансовых временных рядах. Модель ARIMA является продолжением класса моделей ARMA, сводит нестационарные ряды к стационарным и используется для прогнозирования будущих точек [6].

Модели семейства GARCH являются более сложными и используются для анализа волатильности цен акций. К ним относятся модели: авторегрессионная условная гетероскедастичность (Autoregressive Conditional Heteroscadasticity – ARCH), показывающая трансформацию в рассматриваемом периоде изменения доходностей и ее кластеризацию, а также тяжелые хвосты распределения; обобщенная авторегрессионная условная гетероскедастичность (Generalized Autoregressive Conditional Heteroscadasticity – GARCH), в которой текущая условная дисперсия случайной ошибки имеет зависимость не только от квадратов случайных ошибок, а также и от предшествующих значений их дисперсий; вариации GARCH-моделей, отражающих асимметричные эффекты, когда позитивные и негативные возмущения одной и той же величины по-разному воздействуют на волатильность финансовых инструментов в будущем (асимметричная GARCH-модель – AGARCH, пороговая GARCH-модель – TGARCH, EGARCH-модель, нелинейная GARCH-модель – NGARCH, квадратичная GARCH-модель – QGARCH, GJR-GARCH, FIGARCH, FIEGARCH и другие модели) [7].

Также для прогноза динамики фондового рынка используют линейный дискриминантный анализ (LDA), квадратичный дискриминантный анализ (QDA) и регрессионный анализ [5].

Задачей графических (визуальных) методов технического анализа является изучение графиков динамики цен финансовых инструментов, объемов их продаж путем использования специальных «фигур». Наиболее популярными методами являются: анализ индикаторов; свечной; график «крестики-нолики», графические фигуры, распознавание образов (паттерны) и др. [2].

Сентимент анализ (анализ настроений) в последнее время получил широкое распространение для прогноза динамики фондового рынка. Он представляет собой процесс прогнозирования рыночных тенденций с помощью автоматического анализа текстовых данных, например, новостных лент или твитов, относящихся к фондовым рынкам и публичным компаниям. Настроения могут приводить к краткосрочным колебаниям рынка, что, в свою очередь, вызывает разрыв между ценой акций и реальной стоимостью акций компании [5]. Так, например, Шумакер и Чен [8] определили влияние последних новостей на цены акций во временном интервале 20 мин после их выхода и предложили производную модель SVM на основе трех различных текстовых представлений, а именно: модели мешка слов (BoW), модели словосочетаний существительных (Noun Phrases model), модели «Именованные сущности» (Named Entities model). Также различные модели сентимент анализа были предложены в работах других авторов [5].

Возможности машинного обучения (Machine learning) для прогнозирования динамики фондовых рынков детально рассмотрены в работе [9]. В общем виде, задачи машинного обучения подразделяются на контролируемое и неконтролируемое обучение. Для прогнозирования направления курса акций используются такие алгоритмы как: «случайный лес» (Random forest), логистическая регрессия и нейронные сети. Все большую популярность в анализе фондового рынка в последнее время приобретает многомерный анализ с использованием глубоких искусственных нейронных сетей (ИНС) [5].

Следует отметить, что машинное обучение, является более широкой категорией и относится как к техническому, так и фундаментальному анализу [5].

Основателями фундаментального анализа считаются Дэвид Додд и Бенджамин Грэхэм, которые первыми описали данный метод прогноза в своей книге «Анализ ценных бумаг» [10], опубликованной впервые в 1934 году. Данный вид анализа позволяет оценить стоимость акций предприятия, а также его финансовое положение на основании его бухгалтерской отчетности и других данных. За последние 80 лет фундаментальный анализ был расширен рядом методов, направленных на определение реальной стоимости предприятия. Фундаментальный анализ проводится в ряд этапов:

• 1)    макроэкономический анализ внешней среды (используется индикаторный метод; PEST-анализ; метод эконометрического

моделирования; метод прогнозирования «сверху-вниз»; метод прогнозирования «внизу-вверх»);

• 2)    отраслевой анализ (метод эконометрического моделирования; интегральный метод экономического анализа; корреляционно-регрессионный метод);

• 3)    анализ конкурентной среды (SWOT-анализ, модель Портера, матрица БКГ);

• 4)    финансовый анализ (балансовый метод, метод коэффициентов);

• 5)    оценка реальной стоимости (транзакционный метод; метод сравнительного анализа; метод дисконтирования денежных потоков; метод оценки финансируемым выкупом; затратный метод; метод чистых активов; затратный метод) [2; 10; 11].

В соответствии с теорией хаоса, основными методами прогноза динамики фондового рынка являются: волны Элиота; нелинейная динамика; специальные методы фрактальной математики. К методам нелинейной динамики, описывающей хаотические системы с помощью количественных показателей относятся: рекурсивное измерение аттрактора; функция Ляпунова; графики рекуррентного соотношения; диаграммы удвоения, оператор сдвига; отражение Пуанкаре [4]. Среди методов фрактальной математики чаще всего отмечают фрактальную геометрию, с помощью которой анализируют закономерности, обнаруживаемые в строении природных объектов, процессов, имеющих явно выявленную фрагментарность, изломанность, а также искривленность [12].

Таким образом, анализ и прогнозирование фондового рынка продолжают оставаться интересной и сложной задачей. Ак- тивное развитие таких современных технологий, как машинное обучение, большие данные, искусственный интеллект позволяют более взвешенно подходить к анализу и прогнозированию фондовых рынков и получить более точные оценки. В тоже время глобальное использование сети Интернет вызывает новые риски для фондовых рынков и делает их уязвимыми от настроения клиентов, вследствие значительного числа новостей и преднамеренных атак. Очевидно, что дальнейшие исследования должны быть посвящены формированию гибридных подходов, сочетающих статистические методы и методы машинного обучения, для обоснования динамики фондового рынка в будущем.