проблемы и достижения. Academic

Дадян Э.Г.
к.т.н., доцент, профессор Финансового университета
при Правительстве РФ, dadyan60@yandex.ru
ПРОГНОЗИРОВАНИЕ ЭФФЕКТИВНОСТИ ВЛОЖЕНИЙ В
ПАЕВЫЕ ФОНДЫ
Целью данной работы является качественная оценка рисков
финансовых вложений и прогнозирование их эффективности с
помощью инструментария нейронных сетей.
Для достижения поставленной цели необходимо было решить
следующие задачи:

определить факторы, имеющие возможное влияние на будущие
доходы от финансовых вложений в паевые фонды;

определить имеющиеся показатели рисков;

определить модель оценивания финансовых активов CAPM;

провести анализ рисковых показателей и спрогнозировать
предполагаемый доход от вложений в паевые фонды с помощью
инструментария нейронных сетей.
В качестве инструментария нейронных сетей, в силу ряда
преимуществ, мы выбрали аналитический пакет Deductor
Структура работы определена с учетом степени разработанности
темы, исходя из цели и задач исследования.
Факторы, влияющие на выбор фонда
Чтобы выбрать фонд для вложений средств, инвестор должен
рассмотреть ряд факторов:

сферу деятельности, в которую он хочет вкладывать деньги;

стратегию и категорию фонда в зависимости от ожиданий
успешности фонда;

рейтинги инвестиционных фондов,

рисковые показатели,

показатели доходности,

эффективности вложений и все те факторы, которые, в той или
иной степени, определяют успешность выступления фонда на рынке.
По мнению профессиональных управляющих портфелями
инвестиций наиболее важными факторами при оценке фондов являются:

Стандартное отклонение;

Волатильность;

Корреляция;



Бета коэффициент;
Альфа коэффициент;
Модель оценивания финансовых активов CAPM (САРМ model,
далее CAPM),
непосредственно связанная с Бета и Альфа
коэффициентами.
Необходимые исходные данные для формирования таблицы
«Обучающая выборка», были заимствованы из трейдинговой системы
Bloomberg.
При формировании топологии сети исходили из следующих
предпосылок. Не существует точного правила по тому, каким количеством
слоев и нейронов должна обладать сеть для хорошего обучения.
Тадеусевич [1,28; 2,344; 3,398] пишет, что нейронов не должно быть
слишком много, иначе это приведет к плохому функционированию сети –
она будет запоминать значения, вместо нахождения закономерностей.
Однако и слишком маленькое количество нейронов отрицательно скажется
на сети. Тадеусевич [1,122] и соавторы рекомендуют выбирать из
диапазона от 5 до 17 нейронов.
Диаграмма рассеяния обученной нейронной сети представлена на
рис.1. Диагональная линия на рисунке – это линия идеальных значений.
Точками рассеянными вдоль линии идеальных значений, обозначены
выходные значения модели.
Рис.1. Диаграмма рассеяния обученной нейронной сети
Смысл диаграммы рассеивания следующий. Если все точки (или
хотя бы основная масса), представляющие реальные выходные значения
модели, сосредоточены вблизи линии идеальных значений, как в нашем
случае, то модель работает хорошо.
Теперь можно заняться анализом результатов, полученных с
помощью
хорошо
обученной
нейронной
сети,
использовать
«нейросетевого эксперта» для прогнозирования интересующих нас
процессов с целью дальнейшего принятия соответствующих решений.
Определенный интерес представляет граф нейросети (Рис.2). С его
помощью по цветовым связям и весовым коэффициентам можно судить о
значимости того или иного фактора на выходной параметр.
Рис.2. Граф нейросети
Исключительно полезные и интересные графики зависимости
модели оценивания финансовых активов САРМ от таких параметров, как:

Категория (рис.3а),

Рыночный доход (рис.3б),

Без рисковая ставка (рис.3в),

Доход за предыдущий год по цене закрытия (рис.3г),

Доход за предыдущие три года по цене закрытия (рис.3д),

Альфа коэффициент (рис.3е),

Бета коэффициент (рис.3ж),


Корреляция (рис.3з),
Волатильность (рис.3и) и др.
Рис.3а
Рис.3б
Рис.3в
Рис.3г
Рис.3д
Рис.3е
Рис.3ж
Рис.3з
Рис.3и
Анализ этих зависимостей показывает соответствие теоретическим
предпосылкам, однако результаты исследования нельзя считать
законченными. Они требуют дальнейшего осмысления и более глубокого и
разностороннего исследования.
Выводы
Существует множество факторов способных повлиять на доходность
от вложений в портфельные инвестиции, что делает выбор фонда
невероятно сложным. Однако, помимо того, что трудно определить каким
показателям стоит уделить больше внимания, а какие следует опустить,
раздобыть эти данные не так просто. Некоторые из них находятся в общем
доступе в Интернете, другие можно найти только в трейдинговых
системах, недоступных для людей, несвязанных с этой сферой.
Обученная нейронная сеть, без труда находящая существующие
закономерности между риском и предполагаемым доходом от вложений,
предоставляет возможность с помощью функции «Что-если» базировать
свой выбор на тех или иных факторах. Она предоставляет возможность
загрузить имеющиеся данные и рассчитывает предполагаемый доход и его
изменения в зависимости от тех или иных факторов риска.
Для практического применения мы рекомендуем сеть, обученную на
общедоступных данных. С ее помощью можно было бы рассчитать
будущий доход для любого фонда, что значительно упростит выбор фонда
для неопытных инвесторов, повысит мотивацию инвестирования в ПИФы
Литература (источники)
1.
Тадеусевич Р., Элементарное введение в технологию
нейронных сетей с примерами программ // Тадеусевич Р., Боровик Б.,
Гончаж Т., Леппер Б.; перевод с польск. И.Д.Рудинского – М.: Горячая
линия – Телеком, 2011.
2.
Дадян Э.Г., Быцкевич А.В., Система прогнозирования
эффективности вложений в паевые фонды как приложение
«1С:Предприятие». Новые информационные технологии в образовании.
Сборник научных трудов Четырнадцатой международной научно-
практической конференции «Применение технологий «1С» для повышения
эффективности деятельности организаций образования», стр.344-348, 1С –
Паблишинг, 2014, Москва
3.
Э.Г. Дадян, Анализ рисков и прогнозирование
эффективности вложений в паевые фонды с помощью нейронных сетей.
Информационные технологии в Финансово-экономической сфере:
прошлое, настоящее, будущее. Международная научная конференция,
Москва, 2013. С. 296-302с.