Analysis of problems of forecasting of financial instruments in stock markets

Alexander Kruhlov; Mykola Pyroh

doi:10.15587/2312-8372.2019.180552

Автор(и)

Alexander Kruhlov Київський національний університет імені Тараса Шевченка, вул. Володимирська, 60, м. Київ, Україна, 01033, Україна https://orcid.org/0000-0003-4347-8584
Mykola Pyroh Київський національний університет імені Тараса Шевченка, вул. Володимирська, 60, м. Київ, Україна, 01033, Україна https://orcid.org/0000-0003-2588-6066

DOI:

https://doi.org/10.15587/2312-8372.2019.180552

Ключові слова:

моделі прогнозування, фондовий ринок, ланцюг Маркова, довгострокові інвестиційні рішення, мультиагентні технології

Анотація

Об'єктом дослідження є процеси прогнозування фінансових інструментів на фондових ринках в умовах невизначеності. Високий ступінь невизначеності на фондових ринках значно ускладнює процес прогнозування динаміки фінансових інструментів. Дана проблема має значення, як для держав, так і для інвестиційних компаній. А також для інших учасників ринку, яким необхідно приймати довгострокові інвестиційні рішення, засновані на превентивних заходах щодо зниження впливу ризиків фінансових криз на їх діяльність. У даній роботі автори аналізують ряд прогностичних моделей, які застосовуються в сфері розрахунків числових рядів. В контексті прогнозування цін на фондових ринках виявлені сильні і слабкі сторони популярних на практиці моделей. Наведено їх математичні функції, пояснені алгоритми розрахунку та дані авторські висновки про ступінь ефективності застосування окремих моделей в сфері фінансових інструментів.

В ході дослідження автори вивчили ряд різних наукових праць з даної проблеми і провели аналіз отриманих відомостей. Отриманий результат аналізу показав, що процеси прийняття рішень при прогнозуванні змін фінансових інструментів будуть ускладнені наявністю зовнішніх чинників, але також ці зовнішні чинники є результатом діяльності окремих учасників ринку. Це пов'язано з тим, що при прогнозуванні фінансових інструментів на фондових ринках можна нівелювати псевдо-випадкові події зовнішнього середовища. Багато існуючих рішень прогнозування допускають низьку точність при моделюванні прогнозу, тому раціональніше використовувати мультиагентні технології. Завдяки ним забезпечується більша точність показників, в порівнянні з аналогічними методами, такими як економетричні моделі (найбільш відомі з них : ARCH, GARCH, VAR).

Отримані у роботі результати досліджень можна використовувати для прогнозування фінансових криз, а також для розробки методів протидії ним.

Біографії авторів

Alexander Kruhlov, Київський національний університет імені Тараса Шевченка, вул. Володимирська, 60, м. Київ, Україна, 01033

Кафедра інтелектуальних технологій

Mykola Pyroh, Київський національний університет імені Тараса Шевченка, вул. Володимирська, 60, м. Київ, Україна, 01033

Кафедра прикладних інформаційних систем

Посилання

Astakhova, N. N., Demidova, L. A. (2015). The method of time series forecasting groups using algorithms of cluster analysis. Prikaspiyskiy zhurnal: upravlenie i vysokie tehnologii, 2, 59–79.
Keskin, M., Deviren, B., Kocakaplan, Y. (2011). Topology of the correlation networks among major currencies using hierarchical structure methods. Physica A: Statistical Mechanics and Its Applications, 390 (4), 719–730. doi: https://doi.org/10.1016/j.physa.2010.10.041
Nobi, A., Lee, S., Kim, D. H., Lee, J. W. (2014). Correlation and network topologies in global and local stock indices. Physics Letters A, 378 (34), 2482–2489. doi: https://doi.org/10.1016/j.physleta.2014.07.009
Roy, R. B., Sarkar, U. K. (2011). Identifying influential stock indices from global stock markets: A social network analysis approach. Procedia Computer Science, 5, 442–449. doi: https://doi.org/10.1016/j.procs.2011.07.057
Lü, L., Zhou, T. (2011). Link prediction in complex networks: A survey. Physica A: Statistical Mechanics and Its Applications, 390 (6), 1150–1170. doi: https://doi.org/10.1016/j.physa.2010.11.027
Armstrong, J. S., Brodie, R. J. (1999). Forecasting for Marketing. Quantitative Methods in Marketing, 92–120.
Andreas, J., Rohrbach, M., Darrell, T., Klein, D. (2016). Neural Module Networks. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr.2016.12
Tihonov, E. E. (2006). Metody prognozirovaniya v usloviyah rynka. Nevinnomyssk, 221.
Tumminello, M., Lillo, F., Mantegna, R. N. (2010). Correlation, hierarchies, and networks in financial markets. Journal of Economic Behavior & Organization, 75 (1), 40–58. doi: https://doi.org/10.1016/j.jebo.2010.01.004
Bessec, M., Fouquau, J., Meritet, S. (2015). Forecasting electricity spot prices using time-series models with a double temporal segmentation. Applied Economics, 48 (5), 361–378. doi: https://doi.org/10.1080/00036846.2015.1080801
Aue, A., Horváth, L., F. Pellatt, D. (2016). Functional Generalized Autoregressive Conditional Heteroskedasticity. Journal of Time Series Analysis, 38 (1), 3–21. doi: https://doi.org/10.1111/jtsa.12192
Slovar' sovremennoy ekonomicheskoy teorii Makmillana (2003). Moscow: Infra-M, 21.
Ben Taieb, S., Huser, R., Hyndman, R. J., Genton, M. G. (2016). Forecasting Uncertainty in Electricity Smart Meter Data by Boosting Additive Quantile Regression. IEEE Transactions on Smart Grid, 7 (5), 2448–2455. doi: https://doi.org/10.1109/tsg.2016.2527820
Beran, J., Feng, Y., Ghosh, S., Kulik, R. (2013). Long-Memory Processes. Springer, 884. doi: https://doi.org/10.1007/978-3-642-35512-7
Nowotarski, J., Weron, R. (2014). Computing electricity spot price prediction intervals using quantile regression and forecast averaging. Computational Statistics, 30 (3), 791–803. doi: https://doi.org/10.1007/s00180-014-0523-0
Gontis, V., Havlin, S., Kononovicius, A., Podobnik, B., Stanley, H. E. (2016). Stochastic model of financial markets reproducing scaling and memory in volatility return intervals. Physica A: Statistical Mechanics and Its Applications, 462, 1091–1102. doi: https://doi.org/10.1016/j.physa.2016.06.143
Hu, R., Wen, S., Zeng, Z., Huang, T. (2017). A short-term power load forecasting model based on the generalized regression neural network with decreasing step fruit fly optimization algorithm. Neurocomputing, 221, 24–31. doi: https://doi.org/10.1016/j.neucom.2016.09.027
Vandewalle, N., Brisbois, F., Tordoir, X. (2018). Non-random topology of stock markets. Quantitative finance, 1, 372–374.
Mantegna, R. N. (1999). Hierarchical structure in financial markets. The European Physical Journal B, 11 (1), 193–197. doi: https://doi.org/10.1007/s100510050929
Rahman, M. H., Salma, U., Hossain, M. M., Khan, M. T. F. (2016). Revenue forecasting using holt–winters exponential smoothing. Research & Reviews: Journal of Statistics, 5, 19–25.
Levin, D., Peres, Y. (2017). Markov chains and mixing times. American Mathematical Society. doi: https://doi.org/10.1090/mbk/107
Wang, L., Zeng, Y., Chen, T. (2015). Back propagation neural network with adaptive differential evolution algorithm for time series forecasting. Expert Systems with Applications, 42 (2), 855–863. doi: https://doi.org/10.1016/j.eswa.2014.08.018
Zhang, Z., Brand, M. (2017). Convergent block coordinate descent for training tikhonov regularized deep neural networks. 31st Conference on Neural Information Processing Systems (NIPS 2017). Available at: https://papers.nips.cc/paper/6769-convergent-block-coordinate-descent-for-training-tikhonov-regularized-deep-neural-networks.pdf