Предисловие

Повседневная практика финансовых рынков находится в интересном противоречии с академической точкой зрения, согласно которой изменения пен финансовых активов происходят мгновенно, без каких-либо усилий эффективно отражая всю доступную информацию. В действительности же. само существование сотен маркет-мейкеров, трейдеров и фондовых менеджеров, работа которых состоит в том, чтобы делать прибыль, говорит о том, что участники рынка вносят определенный вклад в общую информацию. Более того, так как эта работа стоит дорого, то и объем привнесенной информации должен быть значительным.

Труднее ответить на вопрос о том, как конкретно на финансовых рынках возникает и используется информация, которая может приносить прибыль. Исследования почти всегда показывают, что никакая устойчивая стратегии торговли не дает постоянной прибыли, и это, во всяком случае, так, сети учитывать еще и расходы на совершение сделок. Хорошо известно также, что участники рынка (и весь рынок в целом) могут принимать совершенно различные решения, исходя из сходной или лаже неизменной информации. Выход Великобритании из механизма валютных курсов европейской валютной системы (ERM) и октябрьский кризис 1987 г. — примеры ситуаций, когда трудно найти разумную объективную причину того, что данное событие произошло именно тогда, когда произошло, а не месяцем раньше или позже.

События такого рода свидетельствуют о том, что участники рынка в своей работе не ограничиваются линейными состоятельными правилами принятия решений, а имеют в запасе несколько сценариев действий, и то, какой из них пускается в ход, зависит подчас от внешне незаметных признаков.

Один из возможных подходов к многомерным и зачастую нелинейным информационным рядам финансового рынка заключается в том, чтобы по возможности подражать образцам поведения участников рынка, используя такие методы искусственного интеллекта, как экспертные системы или нейронные сети.

На моделирование процессов принятии решений этими методами было потрачено много усилий. Оказалось, однако, что экспертные системы в сложных ситуациях хорошо работают лишь тогда, когда системе присуща внутренняя стационарность (т.е. когда на каждый входной вектор имеется единственный не меняющийся со временем ответ). Под такое описание в какой-то степени подходят задачи комплексной классификации или распределения кредитов, но оно представляется совершенно неубедительным для финансовых рынков с их непрерывными структурными изменениями. В случае с финансовыми рынками едва ли можно утверждать, что можно достичь полного или хотя бы в определенной степени адекватного знания о данной предметной области, в то время как для экспертных систем с алгоритмами, основанными на правилах, это — обычное требование.

Нейронные сети предлагают совершенно новые многообещающие возможности для банков и других финансовых институтов, которым но роду своей деятельности приходится решать задачи в условиях небольших априорных знаний о среде. Характер финансовых рынков драматическим образом меняется с тех пор, как вследствие ослабления контроля, приватизации и появления новых финансовых инструментов национальные рынки слились в общемировые, а в большинстве секторов рынка возросла свобода финансовых операций. Очевидно, что сами основы управления риском и доходом не могли не претерпеть изменений, коль скоро возможности диверсификации и стратегии защиты от риска изменились до неузнаваемости.

Стационарные линейные модели с большим трудом держатся на плаву в этом бурном морс. Напротив, должным образом сконструированные нейронные сети, позволяющие определять по данным не только параметры, но и структуру системы, представляют собой весьма общую схему для описания развивающихся взаимосвязей.

Естественно, что различные области финансового дела вызывают к себе различный интерес. Так, например, одной из сфер применения нейронных сетей для ряда ведущих банков стала проблема изменений позиции доллара США на валютном рынке при большом числе неизменных объективных показателей. Возможности такого применения облегчаются тем, что имеются огромные базы экономических данных, — ведь сложные модели всегда прожорливы в отношении информации.

Котировки облигаций и арбитраж — еще одна область, где задачи расширения и сужения риска, разницы в процентных ставках и ликвидности, глубины и ликвидности рынка являются благоприятным материалом для мощных вычислительных методов.

Еще одной проблемой, значение которой в последнее время возрастает, является моделирование потоков средств между институциональными инвесторами. Падение процентных ставок сыграло решающую роль в повышении привлекательности инвестиционных фондов открытого типа и индексных фондов, а наличие опционов и фьючерсов на их акции позволяет приобретать их с полной или частичной гарантией. Неудивительно, что волатильность (изменчивость) потоков наличности возросла и стратегии, основанные на правиле «занимай ненадолго, ссужай надолго», сделались более рискованными, а это, в свою очередь, привело к уменьшению денежных потоков через традиционные сберегательные институты. В итоге институты соревнуются за право вложить деньги, и все большее число менеджеров фондов и финансовых посредников имеет дело с международными рынками, в том числе и с такими их секторами, инвестирование в которые еще не так давно выглядело бы очень странно.

Очевидно, что задача оптимизации в условиях, когда число частичных ограничений равновесия бесконечно (например, на фьючерсном и наличном рынке любого товара в любом секторе рынка играют роль перекрестные разности процентных ставок), становится проблемой чрезвычайной сложности, все более выходящей за рамки возможностей любою трейдера.

В таких обстоятельствах трейдеры и, следовательно, любые системы, стремящиеся описать их поведение, в каждый момент времени должны будут сосредоточивать внимание на уменьшении размерности задачи. Хорошо известно такое явление, как ценная бумага повышенного спроса. Как показывают результаты анализа, проведенного Джеймсом Кейллом, весь прирост индекса FTA за последние 32 года был на самом деле достигнут за счет его повышений в течение только 25 месяцев из всего периода. Чем же так отличаются эти месяцы от остальных трехсот шестидесяти? Надо полагать, что линейная модель объяснить все это будет не в состоянии, да и в отношении нелинейной модели вопрос тоже остается открытым.

В любом случае приведенные далее результаты ряда независимых исследований подтверждают априорное предположение о том, что во временных рядах финансовых показателей присутствуют существенные нелинейности, и что нейронные сети — сами по себе или вместе с другими методами — могут сильно помочь к их распознавании.

Когда речь идет о финансовом секторе, можно с уверенностью утверждать, что первые результаты, полученные при применении нейронных сетей, являются весьма обнадеживающими, и исследования в этой области нужно развивать. Как это уже было с экспертными системами, может потребоваться несколько лет, прежде чем финансовые институты достаточно уверятся в возможностях нейронных сетей и станут использовать их на полную мощность. Финансовый мир очень сильно изменился за последнее десятилетне,

Др. Анна Папаиоанну
Отдел рынка долгосрочного ссудного капитала
Barclays de Zoete Wedd

Содержание

Далее

И любые структурные подходы к моделированию неизбежно будут быстро устаревать, что делает бессмысленным их развитие, тогда как обучаемые системы типа нейронных сетей всегда будут приспосабливаться к переменам.