|
В самое последнее время мы становимся свидетелями возникновения и первых испытаний на практике инвестиционных технологий нового поколения. Узкоспециализированные брокерские фирмы с экзотическими названиями вроде «Компания по предсказаниям» или «Пророческие системы» объединили свои усилия с такими финансовыми учреждениями, как Швейцарский банк, для проведения испытаний этих новых систем в условиях реального рынка.
Технологии, о которых идет речь, основываются на нелинейных методах анализа экономической и финансовой информации. В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные (читай, линейные) методы все чаще оказываются неспособными распознать ключевые переломы в тенденциях рынка. Так было, например, в случаях с крахом фондового рынка в 1987 году или началом глубокого спада в экономике Велико6ритании. Разочарование в этих методах заставило вспомнить о некогда казавшейся невероятной идее, согласно которой изменение рыночных показателей во времени не есть чисто случайное блуждание, а размеры ожидаемых доходов и/или характеристики неустойчивости (волатильности) можно пытаться находить при помощи более мощных методов. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Существенными составными частями нового подхода являются: нейронные сети (сети компьютерных процессоров, взаимодействие которых построено по образцу процессов обучения, происходящих в человеческом мозге) и генетические алгоритмы (методы, в которых исходя из большого набора первоначальных предположений, вырабатывают все более правильные представления о поведении рынка и. в конечном счете, более содержательные рабочие гипотезы). Про методы обоих видов говорят, что они управляются данными, в противоположность подходу, основанному на применении правил, который принят в экспертных системах. Системы, основанные на знаниях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими. Наконец, совершенно новый взгляд на мир предлагает теория динамических систем, или теория хаоса. С се помощью в явлениях, ранее считавшихся случайными, удается обнаружить порядок или некоторую структуру. Основное предположение здесь состоит в том, что поведение системы есть результат множества нелинейных взаимодействий, вследствие чего даже небольшое изменение начальных данных может привести к совершенно другому дальнейшему поведению системы. Благодаря достижениям этой теории, в некоторых ситуациях удается обнаружить «дополнительные» доходы, которые нельзя было бы увидеть, действуя в предположениях гипотезы эффективного рынка (Efficient Market Hypothesis).
|
|
Эта книга посвящена нейронным сетям — мощному, хотя и не всегда (правильно понимаемому методу. Говоря более конкретно, мы будем иметь дело с многослойными системами с алгоритмом обучения на основе обратного распространения ошибки (MBPN, Multilayer BackPropagation Network). Этот алгоритм наиболее широко распространен и наименее уязвим с точки зрения математики. Благодаря экспоненциально подрастающему в последние несколько лет количеству конференций но финансовым применениям нейронных сетей, эта методика завоевывает вое большее доверие в финансовых кругах. Она имеет самые разные применении: от оптических устройств распознавания символов (OCR, Optical Character Recognition), основанных на нейронных моделях различения настоящих и поддельных подписей, до таких собственно финансовых приложений, как оценка кредитоспособности, процедуры рассмотрения заявок на ссуды, наилучшее распределение активов, оценка волатильности, управление валютными активами, технический анализ. Все эти темы будут предметом нашего рассмотрения в этой книге.
Данное направление исследований получило признание у практиков, так как оно согласуется с их интуитивными представлениями (а нередко и с выводами, которые делаются задним числом) о том, что в совокупной картине изменений показателей финансового рынка могут присутствовать определенные закономерности, которые можно распознать и на основе которых можно строить свою инвестиционную или торговую деятельность. Такие закономерности можно обнаруживать путем анализа временных рядов или анализа сечений В любом случае применение нейронных моделей приносит ощутимую выгоду, и это прекрасно согласуется с тезисом Саймона об «ограниченной разумности», согласно которому на эффективности рынка сказывается ограниченность возможностей человека в работе с информацией. Более того, нейронные сети идеально приспособлены для обнаружения нелинейных зависимостей в отсутствие априорных знаний об основной модели. Нейронные спи можно использовать везде, где обычно применялись линейные методы (возможно, с предварительным преобразованием) и оценивание при помощи стандартных статистических методов.
Существуют и другие, более практические причины возрастания интереса к нелинейным методам анализа финансовых рынков. За последние несколько лет структура операций на рынках изменилась в сторону ее интернационализации; вместе с разнобоем в ставках комиссионных пришли в беспорядок размеры сборов за совершение сделок; сроки расчетов по совершенным сделкам сильно сократились; применение таких производных финансовых инструментов, как опционы, снизило ограничения но стоимости и капиталу при арбитражных сделках.
Когда мы рассматриваем сектор рынка, соответствующий долгосрочным сделкам, вероятно, следует признать, что определяющее влияние на цены оказывают здесь такие экзогенные факторы, как обменные курсы и процентные ставки, показатели экономического роста, тенденции (тренды) цен и показателей прибыли. Поведение рынка здесь удовлетворительно описывается так называемой гипотезой эффективного рынка, согласно которой в каждый момент вся доступная информация о текущих и будущих событиях дисконтируется в текущие цены рынка, так что изменения цен бывают вызваны только поступающей свежей информацией. Напротив, в краткосрочной перспективе появляются новые возможности для прогнозов, связанные с учетом регулирования платежей, обратных связей и многочисленных технических и структурных факторов. Старые парадигмы финансовой науки типа модели случайного блуждания или гипотезы эффективного рынка внушают нам представление о том, что финансовые рынки склонны относительно плавно и разумно приспосабливаться к поступающей информации. В этом круге идей вполне убедительно выглядят описания поведения рынка на основе линейных зависимостей и законов обращения трендов (стационарности). Однако драматические обвалы рынка при отсутствии существенных изменений информации, резкие изменения условий доступа и сроков при пересечении компанией какого-то невидимого порога в кредитной сфере— все это проявления нелинейности. Действительность показывает, что поведение финансовых рынков едва ли может быть описано линейными трендами.
Здесь, правда, необходимо некоторое предостережение. Преувеличенные претензии на сверхэффективностъ могут подорвать доверие к новейшим научным разработкам. На конференции "Нейронные сети и рынок долгосрочного ссудного капитала», организованной отделом нейропрогнозов Лондонской Школы бизнеса, вниманию участников были представлены нейронно-сетевые системы, якобы предсказывающие доходы по акциям с точностью 85%. При этом многое оставалось неясным, в частности: делается все это в рамках определенной модели или без каких-либо предположений; в расчете на доллары или в местной валюте; учитываются ли расходы на совершение сделок и т.д. Из-за недостатка информации такие результаты невозможно воспроизвести, и они не соответствуют уровню требований, сложившемуся к настоящему времени в эмпирической эконометрике. Быть может, все «восходящие звезды» финансовой науки — не более, чем кладоискатели. Вопреки заявлениям энтузиастов, имеющийся пока опыт носит двойственный характер. Даже узкие специалисты не сходятся во мнениях относительно того, иуда приведут эти новые идеи — в тупик или, наоборот, к заветной чаше инвестиционного менеджмента — более высоким доходам без увеличения риска. Настоящую книгу не следует рассматривать как однозначную рекламу нейронных сетей. Чтобы правильно оценить результаты, полученные на основе нейронно-сетевого подхода, мы будем сравнивать их с тем, что дают в этом плане традиционные методы статистики — дискриминантный анализ, ARCH и регрессия.
Для проведения расчетов мы использовали несколько программных пакетов. Там, где требовались большие вычислительные мощности, применялся свободно распространяемый пакет Nevada Quickpropagalion, разработанный Скоттом Фальманом в Университете Невады. Этот пакет без особых сложностей был откомпилирован для мэйнфрэйм-компьютера Convex, установленного в Университете Эразма. Для менее громоздких задач использовался пакет ExploreNet 3000, разработанный Хехт-Нильсеном для среды Windows, а также транслятор С++ фирмы Symantech. Интересующиеся читатели могут обратиться к книге Блюма [44], которая представляет собой понятно написанное руководство по программированию нейронно-сетевых приложений на C++.
Книга написана таким образом, чтобы удовлетворить запросы как новичков, так и специалистов с опытом работы в области нейронных сетей. Мы всякий раз точно описываем финансовые принципы, лежащие в основе очередного приложения, при этом даются сведения из основ управлении финансами, необходимые для полного понимания данного примера.
Первые две главы нe содержат финансовых приложений и целиком посвящены основам нейронных сетей. В гл. 1 рассматриваются основные структуры и назначение нейронно-сетевых моделей. Описаны принципы разработки, обучения и оценки эффективности. Показано, каким образом множество задач, сильно различающихся параметрами сложности и устойчивости, может быть охвачено единой концепцией сети. В гл. 2 выясняется, насколько хорошо нейронные сети приспособлены для решения задач классификации и анализа временных рядов. Задача классификации понимается как задача отнесения предъявленною объекта к одному из нескольких попарно непересекающихся множеств. При этом наиболее важным случаем здесь является бинарная классификация — примерами ее могут служить распознавание доходных и недоходных инвестиций или различение компаний, имеющих хорошие шансы выжить, от тех, которые должны обанкротиться. В свою очередь, анализ временных рядов имеет целью определить будущие значения некоторой величины при знании текущих и прошлых показателей ряда связанных с ней факторов.
В гл. 3 мы переходим к финансовым приложениям. Исследуется такой вопрос: обладают ли финансовые рынки внутренним механизмом нелинейной обратной связи? Если такой механизм, проявляющийся во внешне случайном, хаотическом поведении цен, действительно, существует, то это было бы серьезным ударом но таким известным теориям, как теория случайного.блуждания или гипотеза эффективного рынка. При помощи ряда простых и хорошо известных статистических моделей мы исследуем некоторые временные ряды, а затем они же используются для определения возможностей нейронно-сетевого подхода в обнаружении (и предсказании) детерминированных связей в исследуемом ряде. В гл. 4 рассматриваются результаты управления активами и пассивами министерства финансов Голландии и, особенно подробно, ежемесячная оценка валовых поступлений от налогов. Оценивается эффективность различных методов, в том числе — модели ARIMA (собственной разработки министерства). Новые методы, такие, как нейронные сети, позволяют исследовать процесс без предварительной спецификации нелинейной модели, и, по-видимому, традиционные модели образований цен уступают им именно из-за отсутствия спецификации, а не из-за неучета свойств эффективности рынка.
В гл. 5 на примере Европейской биржи опционов (ЕОЕ, Амстердам) исследуется вопрос о том, дают ли нейронные сети существенные возможности для получения прибыли в течение одного торгового дня. Гл.6 посвящена результатам определения макроэкономических показателей (так называемых глобальных (pervasive) факторов), влияющих на доходы от общего индекса акций на Нью-Йоркской и Амстердамской фондовых биржах. В гл. 7 показано, что нейронные сети являются вполне жизнеспособным инструментом отбора в международном распределении активов, поскольку они позволяют выбрать среди всех портфелей тот, который имеет наивысший доход и наименьший риск. Гл. 8 посвящена оценке кредитного риска посредством данных нефинансового характера. До сих пор очень мало было сделано для того, чтобы в моделях предсказания банкротств учитывать качественные показатели. В то же время, нейронные сети могут работать как с числовыми, так и с нечисловыми данными. В гл. 9, напротив, чисто экономические числовые показатели используются для оценки возможности банкротства корпорации на примере английских производителей комплектующих для автомобилей. В последней, десятой, главе построена нейронная сеть для обнаружения критических точек при изменении показателей доходов по акциям. Результаты показывают, что простое техническое правило торговли, реализованное нейронно-сетевой системой с прямой связью, способно сигнализировать о начинающемся росте доходности. В конце книги приведен довольно большой, но далеко не исчерпывающий, список литературы.
В заключение мы хотели бы поблагодарить тех, кто принимал активное участие в осуществлении этою проекта. В первую очередь, это — Эрве Водрей (факультет финансов Университета Эразма), внесший значительный вклад в содержание глав 1. 2 и 10. Его знания и опыт оказали неоценимую помощь в нашей работе. Бхаскар Дасгулта (Манчестерская Школа бизнеса) разработал описанную в гл. 7 нейронную сеть для предсказания национальных фондовых индексов- Кроме этого, финансовые факультеты Университета Эразма и Манчестерской Школы бизнеса предоставили нам все возможности для проведения исследований. Содержательные методы должны опираться на достоверные данные, и в этой связи мы хотели бы поблагодарить руководство Европейской биржи опционен в Амстердаме и Монику Доплере за возможность доступа к базе биржевых данных по опционам. Мы благодарны Министерству финансов Голландии и, в особенности, Хану ван дер Кнопу и Франсу Хоймансу за данные о налоговых поступлениях и Хансу Рийнбергу из Нидерландского Инвестиционного банка (NIB) за сведения о качественных показателях оценки финансовой состоятельности инвесторов.
Мы получили доступ к известной базе данных Чена, Ролла и Росса исключительно благодаря Вернеру де Бондту (Университет Висконсина).
Роттердам/Манчестер, январь 1994 г.
|
