Сопов И. С.

Харьковский национальный экономический университет

Адаптивные авторегрессионные модели цен на фондовом рынке в мультиагентных системах

При управлении портфелем ценных бумаг одной из наиболее критически важных функций управления является функция прогнозирования. При этом каждый агент, действующий на рынке, реализует эту функцию либо самостоятельно, либо с использованием общедоступной прогнозной информации. Таким образом, при моделировании фондового рынка, как совокупности торгуемых на рынке акций, трейдеров и внешних условий влияющих на изменение параметров акций и на характер принимаемых трейдерами решений, требуется реализовать столько же систем прогнозирования, как составных частей механизма принятия решений, сколько моделируется лиц, принимающих решения.

При прогнозировании цен на акции обычно рассматривают методы фундаментального и технического анализа. Последние предполагают, что «цена знает всё» и основываются, в частности, на аппарате адаптивного и авторегрессионного прогнозирования. При этом эти модели можно комбинировать, например, рассматривать временной ряд интересующих цен, как сумму двух составляющих — процесса авторегрессии по предшествующим значениям ряда и процесса скользящего среднего на случайной компоненте (ошибки модели)[1].

В данной работе предлагается применение описанных методов к моделированию изменения цены на акции «голубых фишек» фондового рынка США. Сложность анализа (и одновременно особый интерес) акций таких компаний состоит в том, что цены могут негласно контролироваться государственными и корпоративными структурами. Для апробирования подхода взят временной ряд за десятилетний промежуток одной из компаний. Исследование и моделирование временного ряда проводится за период, охватывающий бурный рост, как экономики страны базирования, так и отрасли, в которой действует компания (вместе с существенным кризисом в отрасли информационных технологий, произошедшем в 2001 году, известным, как «крах доткомов), так и кризис мировой экономической системы. Последнее могло существенным образом сказаться на деятельности этой компании, так как ее продукция позиционируется как технологические решения из верхнего ценового сегмента, которые урезаются при целенаправленном сокращении расходов. Такое исследование может быть полезным при выявлении тех моделей, которые оказываются устойчивыми к существенным конъюнктурным изменениям и обеспечивать возможность прогнозирования с известной удовлетворительной точностью (хотя бы из предшествующего опыта исследования таких моделей) в тех случаях, когда методы фундаментального анализа рынков оказываются несостоятельны.

Фактором, обеспечивающим применимость данных прогнозных моделей в имитационном моделировании, является наличие формальных критериев, определяющих их адекватность в каждом конкретном случае. Такими формальными критериями являются — средняя абсолютная процентная ошибка, позволяющая установить пороговое значение возможности применения результатов дальнейшего прогнозирования без учета масштабов цен, средняя абсолютная ошибка, позволяющая построить на ее основе какой-либо более сложный механизм отбора используемой в системе прогнозирования модели, средняя ошибка, дающая представление о возможной систематичной неадекватности прогноза[2].

Было построено несколько прогнозирующих моделей, базовая была выбрана по формальному критерию средней абсолютной процентной ошибки. Этой моделью стала авторегрессионная модель на первых разностях ряда. Адаптивная компонента модели оказалась несостоятельна, что можно объяснить длительностью рассматриваемого периода.

Кроме рассмотренных вопросов принципиальной спецификации и построения прогнозов в мультиагентном моделировании возникает проблема автоматизации многократного их повторения и построения множеством агентов. Среди всех средств, предоставляющих требуемые возможности, выделим три, обладающие свойствами переносимости, программируемости и достаточного быстродействия. Это GNU R [3], Gretl [4] и x12arima [5]. Первые два обладают достаточно большой общностью и универсальностью, и при этом управляются встроенным языком сценарием, который для R является также основным механизмом доступа, имеющим интерфейсы с большинством, используемых в научной среде универсальных языков программирования. x12arima является узкоспециализированным средством, достоинством которого является изначальная направленность на встраиваемость, а значит, может быть применено без больших усилий на освоение — недостатком указанного средства является невозможность работы с большими массивами данных при построении отдельных прогнозных моделей.

В работе были рассмотрены прогнозные адаптивные авторегрессионные модели, формальные критерии качества, позволяющие использовать их в мультиагентных системах, инструментарий для построения и использования моделей в программных симуляциях.

Литература

1. Геець В.М., Клебанова Т.С., Черняк О.І., Іванов В.В., Дубровіна

Н.А., Ставицький А.В. «Методи та моделі соціально-економічного прогнозування» — Х: ВД «ІНЖЕК», 2005. - 396с.

2. Суслов В.И, Ибрагимов Н.М., Талышева Л.П., Цыплаков А.А., «Эконометрия». — Новосибирск: Издательство СО РАН, 2005. — 744с.

3. R Development Core Team, R: A Language and Environment for Statistical Computing, Vienna, Austria, 2008, http://www.R-project.org

4. Allin Cottrell, Wake Forest University, Gnu Regression, Econometrics and Time-series Library, 2009, http://gretl.sf.net/

5. U. S. Census Bureau, The X-12-ARIMA Seasonal Adjustment Program, 2008, http://www.census.gov/srd/www/x12a/