Abstract
В представленной работе проведен анализ эффективности использования метода искусственных нейронных сетей в качестве инструмента для построения оптимального портфеля акций на российском фондовом рынке. В ходе исследования для каждой акции, входящей в базу расчета индекса ММВБ, строилась нейронная сеть, входной вектор данных которой состоял из факторов макроэкономического, фундаментального и технического анализа. На основе откликов каждой сети был построен портфель, который за период январь 2015 г. - январь 2016 г. показал доходность выше, не только чем доходность рыночного портфеля с таким же риском, но и портфель, построенный при помощи непараметрического метода дерева решений.
 Также использование метода нейронных сетей позволило явно выделить наиболее значимые факторы, определяющие доходность российских акций: momentum, bid-ask spread и цена на нефть. Полученные результаты свидетельствуют о наличии признаков спекулятивности российского рынка акций и полностью согласуются с выводами, полученными в работе, посвященной построению оптимального портфеля при помощи метода деревьев решений. При выборе момента для инвестирования в акции российских компаний инвесторы обращают внимание на цену на нефть, как основную макроэкономическую величину, определяющую общее состояние экономики России, и выбирают акции, показавшие себя лучше других в прошлых периодах и имеющие низкий bid-ask spread.
 В работе также было проведено сравнение двух непараметрических методов (искусственных нейронных сетей и деревьев решений) путем решения задачи максимизации полезности инвестора при различных уровнях несклонности к риску. По результатам метод искусственных нейронных сетей позволяет строить оптимальные портфели с доходностью, строго превышающей доходность портфелей, построенных при помощи деревьев решений. Эффективность метода нейронных сетей по сравнению с методом деревьев регрессий можно объяснить отсутствием необходимости увеличения количества наблюдений с увеличением количества регрессоров. При этом оба метода показали высокую эффективность, позволяя получать доходность выше рыночной в оптимуме для широкого диапазона коэффициента предельной несклонности к риску.
Highlights
В представленной работе проведен анализ эффективности использования метода искусственных нейронных сетей в качестве инструмента для построения оптимального портфеля акций на российском фондовом рынке
Авторы рассматривали четырехслойную нейронную сеть с 9 входными параметрами по каждой акции
Строились нейронные сети для каждой компании и происходил подбор оптимального количества скрытых слоев и нейронов в них
Summary
Формирование инвестиционного портфеля является одной из наиболее важных и популярных тем современной финансовой теории. В работе Юна и Сволеса [Yoon, Swales, 1991] был проведен сравнительный анализ классической модели множественной регрессии и метода нейронных сетей, как инструмента прогнозирования доходности акций на американском фондовом рынке. Крижановски с соавторами [Kryzanowski et al, 1992] использовали метод искусственных нейронных сетей для отбора ценных бумаг в портфель на американском фондовом рынке на основе 14 фундаментальных показателей деятельности компаний. Джанг и Лэй [Jang, Lai, 1994] в своей работе, напротив, использовали лишь показатели технического анализа, чтобы при помощи нейронных сетей прогнозировать цены акций на тайваньской бирже. Фрейтас [Freitas, 2001] использовал нейронные сети для прогнозирования цен акций на бразильском фондовом рынке. Данная работа открывает одну из проблем использования не только нейронных сетей, но и других непараметрических методов анализа – чувствительность к входным настройкам модели. Однако также следует иметь в виду и трудности, связанные с подбором оптимальных характеристик нейронной сети, которые задаются при ее построении
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
More From: Journal of Corporate Finance Research / Корпоративные Финансы | ISSN: 2073-0438
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.