Часть полного текста документа:МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МОДЕЛЬ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ФИНАНСОВЫХ РЫНКОВ И ОПТИМАЛЬНОГО УПРАВЛЕНИЯ ИНВЕСТИЦИОННЫМ ПОРТФЕЛЕМ. Выполнил: Проверил: г.Пермь 2000. Построение математической модели прогнозирования поведения является трудной задачей в связи с сильным влиянием политических и других проблем (выборы, природные катаклизмы, спекуляции крупных участников рынка...). В основе модели лежит анализ некоторых критериев с последующим выводом о поведении доходности и ценовых показателей. В набор критериев входят различные макро- и микроэкономические показатели, информация с торговых площадок, экспертные оценки специалистов. Процедура прогнозирования состоит из этапов: 1. Подготовка и предварительная фильтрация данных; 2. Аппроксимация искомой зависимости линейной функцией; 3. Моделирование погрешности с помощью линейной сети. Но для повышения точности модели практикуется нелинейный анализ с использованием многослойной однородной нейронной сети. Этапы проведения нелинейного анализа в системе совпадают со стандартными шагами при работе с нейросетями. 1-й этап. Подготовка выходных данных. Выходными данными являются zi = yi-pi, где yi - реальное значение прогнозируемой величины на некоторую дату, pi - рассчитанное на эту дату с помощью линейного анализа. 2-й этап. Нормирование входных сигналов. (1) где xij - j-я координата некоторого критерия Xi, M[Xi] - выборочная оценка среднего квадратичного отклонения. 3-й этап. Выбор функции активации и архитектуры нейронной сети. Используются функции активации стандартного вида (сигмоидная, ступенчатая), а также следующего вида: (2) (3) (4) (5) Архитектура нейронной сети представлена на рисунке: вектор входных сигналов вектор выходн. Вектор сигналов входных сигналов Введены следующие обозначения: ?j - линейные сумматоры; fj - нелинейные функции; используемые для аппроксимации; ? - итоговый сумматор. 4-й этап. Выбор алгоритма обучения нейронной сети, основанного на одном из следующих методов: обратного распространения ошибки, градиентного спуска, метода сопряженных градиентов, методе Ньютона, квазиньютоновском. Методы оцениваются по времени, затрачиваемому на обучение и по величине погрешности. 5-й этап. Итоговые вычисления границ прогнозируемого значения: P=Pлин+Рнелин?Енелин где Р - итоговое прогнозируемое значение, Рлин и Рнелин значение линейного и нелинейного анализов. Енелин - погрешность полученная на этапе нелинейного анализа. Результаты задачи прогнозирования используются в построенной на ее основе задаче оптимального управления инвестиционным портфелем. В основе разработанной задачи управления идея минимизации трансакционных издержек по переводу портфеля в класс оптимальных. Используемый поход основан на предположениях, что эффективность инвестирования в некий набор активов является реализацией многомерной случайной величины, математическое ожидание которой характеризует доходность (m={mi}i=1..n, где mi=M[Ri], i=1..n), матрица ковариаций - риск (V=(Vij), i,j=1..n, где Vij=M[(Ri-mi)(Rj-mj)],i,j=1..n). ............ |