Financial time series modelling: return on assets

Mykola Kushnir; Kateryna Tokarieva

doi:10.15587/2312-8372.2019.183868

Автор(и)

Mykola Kushnir Чернівецький національний університет ім. Ю. Федьковича, вул. Коцюбинського, 2, м. Чернівці, Україна, 58012, Україна https://orcid.org/0000-0001-9480-3856
Kateryna Tokarieva Чернівецький національний університет ім. Ю. Федьковича, вул. Коцюбинського, 2, м. Чернівці, Україна, 58012, Україна https://orcid.org/0000-0003-4007-8745

DOI:

https://doi.org/10.15587/2312-8372.2019.183868

Ключові слова:

фінансові часові ряди, рентабельність активів, математичне моделювання фондових індексів

Анотація

Робота присвячена дослідженню окремих аспектів часових рядів фінансових даних, зокрема моделюванню їх рентабельності. Об'єктом дослідження є система показників аналізу рентабельності фінансових часових рядів. Існує ключова особливість, яка відрізняє аналіз фінансових часових рядів від аналізу інших часових рядів, яка полягає в тому, що фінансова теорія та її емпіричні часові ряди містять елемент невизначеності. В результаті наявності цієї додаткової невизначеності статистична теорія та її методи і моделі відіграють важливу роль у аналізі фінансових часових рядів.

Одним з найбільш проблемних місць є використання цін активів та їх волатильності у аналізі та прогнозуванні фінансових часових рядів, що є хибним, оскільки такі ряди містять елемент невизначеності. Тому в задачах такого типу повинна використовуватись так звана рентабельність фінансових активів та інструментів.

В роботі детально розглянуто типи рентабельності фінансових активів, які можуть бути використанні у математичному моделюванні та прогнозуванні фондових індексів. В ході дослідження використовувалися статистичні методи, що дозволили усунути недоліки використання цін фінансових активів в аналізі та прогнозуванні фінансових часових рядів. Розглянуто емпіричні властивості фінансових часових рядів на прикладі індексів ПФТС (Першої фондової торгової системи) та S&P 500.

Отримано комплексну систему показників аналізу часових рядів фінансових активів. Запропонована система передбачає використання численних методів розрахунку рентабельності (прибутковості) активів з метою визначення значимих статистичних характеристик даних. Завдяки побудованій системі показників забезпечується можливість здійснення емпіричного прогнозування часових рядів фінансових даних. У порівнянні із аналогічними відомими методами використання цін (а не рентабельності) на активи, це забезпечує ключову перевагу, яка дозволяє враховувати елементи невизначеності фінансово-економічних даних.

Біографії авторів

Mykola Kushnir, Чернівецький національний університет ім. Ю. Федьковича, вул. Коцюбинського, 2, м. Чернівці, Україна, 58012

Кандидат фізико-математичних наук, доцент

Кафедра радіотехніки та інформаційної безпеки

Kateryna Tokarieva, Чернівецький національний університет ім. Ю. Федьковича, вул. Коцюбинського, 2, м. Чернівці, Україна, 58012

Кафедра радіотехніки та інформаційної безпеки

Посилання

Lin, C.-S., Chiu, S.-H., Lin, T.-Y. (2012). Empirical mode decomposition–based least squares support vector regression for foreign exchange rate forecasting. Economic Modelling, 29 (6), 2583–2590. doi: http://doi.org/10.1016/j.econmod.2012.07.018
Yoo, P. D., Kim, M. H., Jan, T. (2005). Machine learning techniques and use of event information for stock market prediction: A survey and evaluation. Computational intelligence for modelling, control and automation and international conference on intelligent agents, web technologies and internet commerce, 835–841. doi: http://doi.org/10.1109/cimca.2005.1631572
Tay, F. E., Cao, L. (2001). Application of support vector machines in financial time series forecasting. Omega, 29 (4), 309–317. doi: http://doi.org/10.1016/s0305-0483(01)00026-3
Giacomini, R., Gottschling, A., Haefke, C., White, H. (2008). Mixtures of t-distributions for finance and forecasting. Journal of Econometrics, 144 (1), 175–192. doi: http://doi.org/10.1016/j.jeconom.2008.01.004
Campbell, J. Y., Lo, A. W., MacKinlay, A. C. (1997). The Econometrics of Financial Markets. Princeton: Princeton University Press. doi: http://doi.org/10.1515/9781400830213
Kamaruzzaman, Z. A., Zaidi, I., Mohd Tahir, I. (2012). Mixtures of Normal Distributions: Application to Bursa Malaysia Stock Market Indices. World Applied Sciences Journal, 16, 781–790.
Tsay, R. S. (2010). Analysis of Financial Time Series. Wiley. doi: http://doi.org/10.1002/9780470644560
Murphy, J. J. (1999). Technical analysis of the financial markets. New York: New York Institute of Finance, 542.
Lam, M. (2004). Neural network techniques for financial performance prediction: integrating fundamental and technical analysis. Decision Support Systems, 37 (4), 567–581. doi: http://doi.org/10.1016/s0167-9236(03)00088-5
Vanstone, B., Finnie, G. (2010). Enhancing stockmarket trading performance with ANNs. Expert Systems with Applications, 37 (9), 6602–6610. doi: http://doi.org/10.1016/j.eswa.2010.02.124