Forex: просто о сложном Анализ рынка Форекс Торговля на Forex Технический анализ Форекс Forex-инвестиции Торговые стратегии Форекс Лучшие брокеры Форекс
В данной книге рассмотрены методы построения и обучения нейронных сетей. Описаны наиболее распространенные виды сетей и их применение к таким расчетам на финансовом рынке, как расчет цен опционов, оценка индексов акций и управление международным портфелем.
Лучший брокер бинарных опционов
Глава 9. Прогнозирование банкротства корпораций
Forex

В предыдущей главе были изложены результаты классификации "ex ante" (т.е. наперед) в задаче оценки привлекательности фирм с точки зрения размещения кредитов, которую выполняли несколько польских специалистов в области кредитного дела на материале гипотетических заявок на предоставление кредита; также были рассмотрены результаты классификации "ex post" (т.е. задним числом) на материале реального инвестиционного портфеля Голландского инвестиционного банка. В обеих задачах имеющихся данных было недостаточно для того, чтобы проанализировать цену ошибок классификации. В этой главе мы займемся оценкой ошибок классификации 1-го и 2-го родов в задаче прогнозирования банкротства корпораций и исследуем возможные результаты применения нейронных сетей. Материалом для конкретной задачи послужат данные по ряду британских компаний — производителей комплектующих для автомобилей. В основе конструкции сети лежат семь входных моделей, использующих показатели, которые входят в так называемое дзета Альтмана.


Для беспроблемного трейдинга рекомендую брокера Forex4you – здесь разрешен скальпинг, любые советники и стратегии; также можно иметь дело с Альпари; для инвесторов – однозначно Альпари с его множеством инвестиционных возможностей. – примеч. главного админа (актуально на 12.02.2018 г.).


ВОЗМОЖНОСТИ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА КОРПОРАЦИЙ

Во многих реальных задачах основной трудностью оказывается то. что нейронная сеть не может достаточно ясно показать причинно-следственные связи и выдает какое-то решение по принципу черного ящика. При этом в финансовом анализе для оценки состояния дел предприятий уже давно используются специально подобранные комбинации различных показателей, а качество модели оценивается с помощью критериев согласия без учета структуры модели. По существу, все сводится к выбору показателя (или комбинации показателей), соответствующего решающему правилу, которое позволяет включить (или не включать) данное предприятие в ту или иную группу (жизнеспособные, быстро растущие, высокоприбыльные).

В принципе, данные по компаниям могут служить основой для нейронных сетей — очевидно, что здесь задействованы процессы, близкие к случайному блужданию. Это не покажется удивительным, если посмотреть, как компании почти ежедневно взаимодействуют с рынком, конкурентами и постоянно меняющимися условиями работы, а также если учесть, что компания, способная сделать удачный прогноз на основе опережающей информации, имеет на финансовом рынке высокую ликвидность своих акций и большие возможности для усиления своих позиций.

При имеющемся уровне сложности и одновременности происходящих процессов модели, основанные на причинных связях, имеют ограниченные возможности для применения: вновь происходящие события постоянно меняют спецификации всех переменных (и включенных, и не включенных в модель), а значении априорных вероятностей и размеров выплат по различным стратегиям весьма неопределенны и резко меняются вместе с изменениями показателей экономического роста, процентных ставок, обменных курсов и прибыльностью сделок, не связанных с кредитованием (например, при изменении операционных и комиссионных сборов).

Традиционный подход к прогнозированию банкротств основан на множественном дискриминантом анализе. Методы такою тина используются в широко распространенных системах определения рейтинга кредитоспособности, где ищется гиперплоскость, наилучшим образом разделяющая "хороших" и "плохих" кандидатов. Хотя к настоящему времени разработано множество дискриминантных моделей, используется (в частности, в управлении кредитами) лишь небольшое число из них. В ряде случаев банки приходят к выводу, что методы MDA не дают ожидаемого улучшения точности по сравнению с традиционными методами.

Оценить качество моделей этого типа непросто, поскольку даже если погрешность вычисляется на материале новых наблюдений, данные но обанкротившимся компаниям (так же, как и по их выжившим партнерам) приходятся большей частью на периоды интенсивных банкротств, и количество наблюдений, соответствующих выжившим компаниям, как правило, очень мало и дает лишь поверхностное представление о пересечении множеств банкротов и небанкротов. Поэтому надежность моделей MDA в реальном времени остается под вопросом. В принципе, нейронные модели справляются с некоторыми из этих трудностей, потому что для обучения могут быть взяты данные, охватывающие периоды с различной ситуацией в экономике и степенью интенсивности банкротств, и обанкротившиеся и выжившие компании могут быть представлены в обучающем множестве в пропорции, соответствующей реальной вероятности того и другого.

Содержание Далее

К тому же сеть может учитывать большое количество разнотипных переменных и обучаться на них на всех, тогда как данный для множественного дискриминантного анализа редко включают в себя экономические и финансовые индикаторы. Alpari
Forex: просто о сложном
Яндекс.Метрика
Литература по биржевой торговле:

Бестенс Д. и др. Нейронные сети и финансовые рынки

Ван Тарп и др. Биржевые стратегии игры без риска

Грант К. Управление рисками в трейдинге

Пайпер Д. Дорога к трейдингу

Резго Г.Я., Кетова И.А. Биржевое дело

Рэдхэд К., Хьюс С. Управление финансовыми рисками

Сафонов В. Трейдинг. Дополнительное измерение принятия решений

Торговая система Woodies CCI

Торговая стратегия «Трейдинг без головной боли»

Тощаков И. Forex: игра на деньги. Стратегии победы

Хатсон Дж. Метод Вайкоффа

Черепков А. Теория длинных волн Н.Д. Кондратьева

Бинарные опционы Альпари