автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Разработка моделей, алгоритмов и программных средств для повышения качества прогнозов биржевых показателей с применением мультиагентного подхода

На правах рукописи

484ВЭУО

ФЕДЕРЯКОВ АЛЕКСАНДР СЕРГЕЕВИЧ

РАЗРАБОТКА МОДЕЛЕЙ, АЛГОРИТМОВ И ПРОГРАММНЫХ СРЕДСТВ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ПРОГНОЗОВ БИРЖЕВЫХ ПОКАЗАТЕЛЕЙ С ПРИМЕНЕНИЕМ МУЛЬТИАГЕНТНОГО ПОДХОДА

Специальность 05.13.10 -Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 И ЮН 2011

Москва-2011

4848596

Работа выполнена в Российском новом университете.

Научный руководитель: доктор технических наук, профессор

Романов Виктор Петрович

Официальные оппоненты: доктор физико-математических наук, профессор

Петров Игорь Борисович

доктор технических наук, доцент Разинкин Константин Александрович

Ведущая организация: Институт проблем управления имени

В.А. Трапезникова Российской Академии наук

Защита состоится «22» июня 2011 г. в 16:00 часов на заседании Диссертационного совета ДМ 521.019.01 при Российском новом университете по адресу: 105005, г. Москва, ул. Радио, д.22.

С диссертацией можно ознакомиться в библиотеке Российского нового университета.

Автореферат разослан «20 » мая 2011г.

Ученый секретарь диссертационного совета кандидат физ-мат. наук, доцент

Растягаев Д.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Рынок ценных бумаг является незаменимым инструментом, позволяющим производить инвестиции в ценные бумаги и оценивать стоимость активов. Он способствует превращению денежных накоплений в инвестиции, увеличивает возможности роста сферы производства и обращения, используется государством в целях макроэкономического регулирования.

Активную роль на рынке ценных бумаг играют банки и инвестиционные компании. Для них очень важна проблема прогнозирования цен на рынке ценных бумаг, особенно в период кризисов, когда возрастает волатильность и увеличиваются риски. Улучшить качество прогнозов можно при помощи методов и алгоритмов, учитывающих фундаментальные показатели компаний-эмитентов, технические индикаторы, постоянно поступающие новости, настроения других трейдеров; также перспективным направлением является применение мультиагентных систем и сценарного подхода. Применение этих методов позволит повысить качество принимаемых инвестиционными компаниями решений, что укрепит их положение на рынке.

Степень разработанности проблемы. Существует ряд инструментов, призванных помочь инвесторам исследовать рыночные процессы и принимать решения о сделках на рынке ценных бумаг. Некоторые облегчают проведение технического и фундаментального анализа, некоторые работают в режиме советчиков, некоторые являются полноценными торговыми роботами, которые самостоятельно проводят операции покупки-продажи ценных бумаг.

Одним из подходов к совершенствованию систем поддержки принятия решений для трейдеров является применение технологии мультиагентного моделирования. Программные агенты могут имитировать действия реальных трейдеров, проводя операции на виртуальном рынке ценных бумаг. Такая социально-экономическая система позволяет повысить точность прогнозов

биржевых показателей и улучшить качество управления инвестиционными активами.

Этим вопросом занимались, начиная с конца 80-х годов, LeBaron В., Palmer R., Cohen, Maier, Kim, Markowitz, Beltratti, Margarita, Marengo, Rieck, Giansante S., Yue W., Marchesi M., Raberto M. и другие. В последнее время мультиагентными технологиями заинтересовались и российские исследователи: Романов В.П., Воронцов К.В. Несмотря на значительное количество теоретических исследований, в соответствующих работах всё ещё недостаточно отражены аспекты практического применения этой технологии.

Целью исследования является разработка математического и программного обеспечения для повышения качества прогнозов биржевых показателей с применением мультиагентного подхода, позволившего оптимизировать решение задач управления и принятия решений в системе биржевых торгов и обеспечивать учет человеческого фактора управляемой системы на процесс управления. В соответствии с поставленной целью в работе были определены и решались следующие задачи:

1) Проведены теоретические и прикладные исследования системных связей и закономерностей функционирования рынка ценных бумаг. На их основе разработан набор требований к новому, более совершенному инструменту для прогнозирования экономических показателей бирж и поддержки принятия инвестиционных решений.

2) Разработана новая мультиагентная математическая модель рынка ценных бумаг (далее - виртуальный рынок FIMAS), система обработки транзакций, новостная система, система управления активами, новые стратегии для трейдеров и других агентов.

3) Спроектировано и реализовано специализированное программное обеспечение, позволяющее управлять сложной социально-экономической системой - виртуальным рынком ценных бумаг. При реализации была использована визуальная среда разработки Borland Developer Studio и CASE-средство ModelMaker.

4) Разработана система критериев для оценки степени соответствия виртуального и реального рынков, а также методология проведения экспериментов над виртуальным рынком. Выполнена серия экспериментов с целью определения степени адекватности системы и её пригодности для решения практических задач повышения качества управления инвестиционными активами.

5) Выполнена интеграция программного комплекса в систему поддержки принятия решений двух организаций. Проведена оценка точности прогнозов биржевых показателей программного комплекса по набору статистических критериев.

6) Изучены другие варианты практического применения программного комплекса для повышения качества управления (автоматизация биржевого надзора, расчет экономического эффекта от инвестиционных решений), а также перспективы для дальнейших исследований и разработок.

Объектом исследования является рынок ценных бумаг и закономерности, которые проявляются на нём.

Предмет исследования - разработанные автором модель виртуального рынка ценных бумаг, программный комплекс и система поддержки принятия решений «FIMAS».

Теоретической основой исследования послужили труды российских и зарубежных специалистов по виртуальным рынкам ценных бумаг, а также книги, статьи и тезисы конференций по экономической теории, рынкам ценных бумаг, мультиагентным системам.

Методы исследования. В работе применялись методы системного, экономико-статистического, фрактального анализа, теории вероятностей, математической статистики, теории графов, теории принятия оптимальных решений, теории проектирования сложных информационных систем.

Информационной базой обоснования концептуальных положений исследования явились статистические данные по итогам работы различных

рынков ценных бумаг, эмпирические данные, материалы периодических изданий. Для обработки информации использовались общенаучные приёмы анализа, обобщения и сравнения, системный подход, абстрактно-логический, экономико-статистический и расчётно-конструктивный методы.

Научная новизна работы заключается в следующем.

• Проведёны комплексные исследования закономерностей функционирования и системных связей внутри рынка ценных бумаг с позиций оценки перспективности применения новых информационных технологий (информационных и экспертных систем, имитационного моделирования и др.) для решения сложной многокритериальной задачи экономического характера, характеризующейся большой степенью неопределенности, нечеткости и неполноты информации.

• Предложена новая математическая модель социально-экономической системы рынка ценных бумаг. Она отличается расширенной номенклатурой торговых стратегий, механизмом обработки поступающих ордеров в режиме реального времени и новой новостной системой.

• Разработана архитектура и принципы построения специального программного обеспечения систем управления виртуальным рынком, отличающиеся учётом человеческих факторов (стратегий реальных трейдеров), поддержкой подключаемых модулей, скриптовой системы, средств отображения и статистического анализа выходных данных.

• Предложены принципы построения системы поддержки принятия решений для трейдеров на основе мультиагентной модели предметной области. Её особенности включают нацеленность на обеспечение комплексности прогнозов биржевых показателей (цен акций, объёма торгов, доходов трейдеров, капитализации рынка и др.) и применение сценарного подхода при прогнозировании биржевых показателей.

Практическая значимость исследования: • Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. Получена

6

высокая точность прогнозов в среднесрочном периоде, что позволяет экспертам принимать более взвешенные управленческие решения.

• Разработанная имитационная модель рынка ценных бумаг как сложной социально-экономической системы позволяет «проигрывать» возможные управленческие решения на модели, анализировать последствия каждого решения и на основе обоснованных прогнозов, предоставляемых моделью, выбирать наиболее эффективные альтернативы при управлении инвестиционными ресурсами.

• Возможность практического применения разработок в целях повышения качества управления в других областях: расчет экономического эффекта от инвестиционных решений, обучение персонала стратегиям работы на рынках ценных бумаг, в качестве инструмента для определения и предотвращения инсайдерских операций на рынке.

На защиту выносятся

• Разработанная автором модель рынка ценных бумаг как сложной социально-экономической системы; алгоритмы принятия решений агентами, новостная система.

• Архитектура программного средства, позволяющего управлять виртуальным рынком и моделировать динамику биржевых показателей.

• Принципы работы системы поддержки принятия решений для трейдеров на основе мультиагентных систем.

Апробация работы. Основные результаты диссертационного исследования были представлены на четырёх научных конференциях: «Ситуационные центры: модели, технологии, опыт практической реализации» (Москва, 2006; Москва, 2007) и «Computational Finance and its Applications» (Лондон, 2006; Кадиз, 2008).

Материалы диссертационного исследования отражены в восьми публикациях (3 статьи в иностранных журналах, 5 в российских, 3 из которых входят в список ВАК) общим объёмом около 6 п.л.

Разработанный программный комплекс внедрён в систему поддержки принятия решений для трейдеров в ООО «ТК Фотон» и ООО «Таулинк», что подтверждают соответствующие акты о внедрении. Он также используется в Российском экономическом университете им. Г.В. Плеханова при проведении занятий по дисциплине «Когнитивная бизнес-аналитика».

Объем и структура работы. Поставленная в работе цель позволила сформировать следующую структуру исследования. Диссертация состоит из введения, трех глав, выводов, списка литературы и приложений. Диссертация содержит 216 страниц основного машинописного текста, 65 рисунков, 13 таблиц, 41 приложений. Библиография включает 89 наименований, из них 40 иностранных источника.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы исследования, степень ее разработанности, формируются цели и задачи диссертационной работы, приводятся положения научной новизны, теоретической и практической значимости результатов исследования.

Первая глава посвящена анализу существующих средств прогнозирования экономических показателей бирж.

Описаны модели и алгоритмы оценки стоимости ценных бумаг, управления активами и инвестициями. Проанализированы основные положения различных теорий функционирования рынка ценных бумаг: теория эффективного рынка, теория случайных блужданий, теория хаоса и адаптивного рынка. Проведён анализ применимости каждой из них для решения задач исследования.

Рассмотрены различные подходы к моделированию рынка ценных бумаг и прогнозированию экономических показателей. Приведён обзор моделей рынка ценных бумаг, использующих мультиагентный подход: Santa Fe, GASM, MoTor, A.T.O.M, Altreva adaptive modeler. Проанализированы

возможности программных реализаций этих моделей. Сформированы требования к функциональности проектируемого программного комплекса и системы поддержки принятия решений.

Идея заключается в применении мультиагентного подхода для повышения точности прогнозов биржевых показателей. В рамках этого подхода разработана новая имитационная модель рынка ценных бумаг: виртуальный мир FIMAS (Financial Market Simulation). Этот мир населяется виртуальными агентами: трейдерами, брокерами, биржей, компаниями. Взаимодействуя между собой, они совершают сделки на бирже, в результате чего мы может наблюдать те же явления и закономерности, что и на реальных рынках. Результаты таких симуляций можно использовать для повышения качества управления инвестициями в ценные бумаги.

Во второй главе подробно рассматриваются вопросы, связанные с разработкой архитектуры виртуального рынка, программного комплекса, управляющего процессами на виртуальном рынке, и системы поддержки принятия решений.

В начале главы представлена разработанная автором математическая модель виртуального рынка FIMAS. Обозначим понятие «виртуальный мир» буквой W. Состояние мира в момент i определяется состоянием населяющих его агентов А0..Аа . Каждую итерацию i под влиянием новостей /V" это состояние меняется на W'1:

W'1 =f(Wi~1,N'i), (!)

где Wl~l - состояние виртуального мира в предыдущий момент времени;

iV" - совокупность новостей и событий, произошедших за /-ую итерацию.

Для описания сферы деятельности компаний и классификации новостей была предложена двухуровневая система классификаторов. Для любой компании Л,- существует набор классификаторов Kl-.Kf, с которыми она связана с коэффициентам С*.. Cf' Е [—оо.. +оо].

Новость - это событие, которое произошло в определённый момент времени внутри модели или во внешней среде. Каждая новость ЛМ в системе характеризуется силой 0 < р' < +оо и временем возникновения t1. Она связана с совокупностью агентов At.. Ау е А с коэффициентами Aj . .Ау, где у - количество связей этой новости с конкретными агентами. Также новость N> связана с совокупностью классификаторов ^..К^, с коэффициентами П&!.. Kp, где <р - количество связей этой новости с конкретными классификаторами.

Если за период tbegin... tend произошло п внешних событий, то они повлияли на компанию С с силой Afei.. NCn, а новостной фон в момент tend за период {tbegin — tend) может быть рассчитан по формуле

^ = t * ^ * i1 - tj~^Cet/ade)jj' (2)

где Nej - совокупное влияниеу'-ой новости на компанию С;

Hj - скорость затухания новости;

t/ade - время, необходимое для полного затухания новости.

Агенты точно не знают, как новости повлияют котировки ценных бумаг компаний, но они могут строить предположения на этот счёт, руководствуясь своей стратегией принятия решений. Также они могут пользоваться другими алгоритмами для расчёта новостного фона, например с линейной или квадратичной скоростью затухания.

Существует ряд статистических показателей, характеризующих любой рынок. Например, отношение капитализации рынка к среднегодовому объёму торгов. Для виртуального рынка Wvlrt обозначим их как C[irt... C£irt, для реального рынка Wreal как C[eal... C^eal. Зададим критерий адекватности модели как функцию от динамики двух показателей Cjeal, CJirt и уровня значимости а:

Kj = /(Cjea!, Cjirt, a). (3)

Примером Kj может служить критерий Колмогорова, применимый к распределениям цен акций за определённый период времени. Или утверждение, что отношение капитализации рынка к среднегодовому объёму торгов должно быть в пределах определенного диапазона, границы которого зависят от а.

Соответственно, задача исследования будет заключаться в оптимизации начальных параметров симуляции W0 и сценария N с целью минимизации уровня значимости а, соответствуя набору введённых критериев Кг... Кп.

В разработанной автором модели FIMAS в роли агентов выступают экономические субъекты: трейдеры, брокеры, биржа, компании. Роль задаёт последовательность принятия решений экономическим субъектом. Непосредственно алгоритм принятия решений по каждому неоднозначному вопросу определяется стратегией принятия решений. Например, для роли трейдера были разработаны алгоритмы 10 различных стратегий, включая стратегии для маркет-мейкера, новичка, фундаментального трейдера, крупного инвестора, новостного трейдера, инсайдера.

Понятие стратегии принятия решений является новым для моделей подобного класса. Ранее каждый агент был привязан только к одному алгоритму принятия решений, и часто в качестве такого алгоритма использовался алгоритм «безрассудного трейдера» (zero intelligence trader).

Трейдеры могут либо использовать только одну фиксированную стратегию, либо применять рейтинговую систему и эволюционные алгоритмы для выбора наиболее оптимальной стратегии. Каждая стратегия определяет набор сигналов, в соответствии с которыми трейдер решает, продавать ли ему акции или покупать. Например, для стратегии фундаментального трейдера используется следующий алгоритм:

Обязательные условия для покупки ценных бумаг типа Т:

l)0Vr = 0)

2) {Мaccount Pstd_ord.er Pstd_comis)

3) (Wport/. .cur о) U ({Nportf cur < 3) П (Я > 0.5)) Цена покупки и количество:

®"new_order — ^asfc

Л/ — ^std.order

™new_order ~ p

"n ew_order

Обязательные условия для продажи ценных бумаг типа Т: \)(NT>0)

2) (Waccount ^ Pstd_comis)

Tportf.create > ^bef ore jell)

Цена продажи и количество:

^new_order = ^Т IP

^^ > FfundJllf, mo Pnew.order = Рш> если Я < krisk, mo

p _ Pbid+ Pfund p _ p

"•new.order ~ 2 ' ^new.order ~ "bid•

Обозначения:

P/und ~ фундаментальная цена ценной бумаги (цена, которую трейдер считает справедливой для этой бумаги).

Pfund dif ~ минимальное отношение между фундаментальной и реальной ценой, при котором трейдер сочтёт бумагу инвестиционно-привлекательной.

Pbid) Pask ~ текущий бид и аск (цена покупки и продажи бумаги на бирже). Рnew.order ~ лимит-цена нового ордера.

31 - псевдослучайное число в интервале [0. .1) (равномерное распределение).

krisk - склонность трейдера к риску, по умолчанию от 0% до 30%.

NT - количество ценных бумаг компании Т в портфеле трейдера.

Nstd - количество ценных бумаг компании Т для ордера на общую сумму Pstd order по текущей среднерыночной цене.

Nponf.cur- количество открытых позиций у трейдера.

Pstd comis ~ СТОИМОСТЬ КОМИССИИ брокера на сумму транзакции Pstd order-

Мaccount - размер денежных средств трейдера на счету брокера.

Тсиг - текущее значение виртуального времени.

Tbefore sell ~ минимальное время ожидания перед продажей любой акции.

Tportf.create ~ время открытия позиции (покупки ценных бумаг).

Далее в диссертации представлены ключевые аспекты построения мультиагентных программных комплексов. Рассмотрены критерии выбора языка описания знаний, архитектуры агентов, агентской платформы и языка программирования. Подробно рассмотрена архитектура разработанного автором программного комплекса.

Мультиагентные модели рынка ценных бумаг прошли путь от простого переноса математических моделей до создания объектно-ориентированных систем с множеством внутренних связей. Например, модель GASM состоит из 18 классов и нескольких вспомогательных структур. Однако эксперименты в рамках диссертационной работы показали, что этого недостаточно, чтобы разработать адекватную модель рынка при всей сложности его внутренних и внешних связей. В предложенной программной архитектуре более 150 классов, что позволило значительно расширить возможности виртуальной биржи.

Программное решение FIMAS разработано в среде Borland Developer Studio 2010 на языке программирования Delphi. UML диаграммы спроектированы в CASE-средстве ModelMaker.

Далее в работе представлена предложенная автором архитектура системы поддержки принятия решений, разработанная на основе рассмотренной ранее мультиагентной модели. К программному комплексу, добавлено три подключаемых модуля (рис. 1):

База данных, описывающая реальный рынок ценных бумаг

Подключаемый модуль, позволяющий использовать продвинутые стратегии трейдеров

Программный комш

Система I . | ""Г---------подключаемых»'

"".............."ifPm..,J модулей ш

д; /-•■л--.

I 4, " 4

1__,

I Ядро FIMAS, С ■ виртуальный мир |

Скриптовая система

i ; ! :

Средства анализа иг§У:Ш—] статистических данных

Анализ результатов

Интерфейс для ввода начальных параметров симуляции

Ввод данных

h

-- 4 Пользователь

Рис. 1. Архитектура системы поддержки принятия решений

• Модуль, добавляющий продвинутые стратегии трейдеров. Этот модуль расширяет состав стратегий, добавляя новые виды и модифицируя существующие. В результате состав участников виртуального рынка приблизился к составу участников реального, а система стала более точно прогнозировать динамику котировок.

• Модуль для импорта биржевых данных. С помощью него система связана с базой данных, содержащей данные о компаниях и акциях, которые они выпускают, историю изменения фундаментальных показателей компаний, историю изменения цен на выбранные акции. Она пополняется новостями в реальном режиме времени из нескольких

внешних информационных ресурсов. Новости поступают в формате «RSS» используя технологию Text Mining, проходят процедуру автоматизированной оценки с применением нечёткой логики, нейронной сети и генетического алгоритма, после чего добавляются в единую базу данных и становятся доступными для использования в программном комплексе «FIMAS». Подсистема автоматизированной оценки новостей создана отдельной командой разработчиков и не является предметом диссертационного исследования.

• Модуль для ввода начальных параметров. Программный комплекс «FIMAS» позволяет задавать начальные параметры симуляции только в текстовом виде через редактор сценариев, что не очень удобно (зато универсально). С помощью этого модуля пользователь может задавать все параметры в визуальном режиме, используя специальную форму.

Третья глава посвящена анализу работы программного комплекса. Рассмотрена функциональность программного комплекса, его входные и выходные данные, методология проведения экспериментов. Вводятся критерии оценки степени соответствия виртуального рынка реальному:

• Соблюдение пропорций. Виртуальный рынок должен быть уменьшенной копией реального рынка ценных бумаг.

• Наличие характерных трендов и фигур. На графиках изменения цен на виртуальном рынке должны отчётливо просматриваться тренды, фигуры и линии, характерные для реальных рынков.

• Сходство статистических характеристик динамики цен и объёма торгов. В качестве критериев сходства выбраны критерии согласия Пирсона, Колмогорова, Романовского, Ястремского.

• Фрактальность рыночных процессов. Экспонента Хёрста должна принимать схожие значения на реальных и виртуальном рынках.

• Реакция рынка на действия отдельных агентов. Она должна быть одинаковой на реальных и виртуальном рынках.

В рамках диссертационного исследования собран статистический материал по семи реальным биржам и двум виртуальным. Рассмотрено 49 параметров, из них 17 - исходные данные, и 32 расчётные характеристики. Краткие результаты представлены на таблице 1.

Таблица 1

Сравнительный анализ параметров семи реальных бирж и моделей FIMAS и GASM

Параметр Реальный мир (по данным семи бирж) Виртуальный мир FIMAS (Сценарий "FundamentalTradersEx.fmp") Виртуальный мир GASM

Кол-во типов акций 600...3000 (в средн. 1000) 10.00 1.00

Процент ликвидных акций 4-50% 100.0% 100.0%

Активных брокеров (у которых больше 100 клиентов) 20-1000 2.00 [11

Активных трейд. (на 1 брокера) 100-15000 250.50 [500]

Активных трейдеров (всего) Пропорц. обороту 501.00 500.00

Маркет-мейкеров = Число ликв. акций / 10 1.00 -

Ликв. акц. на 1 маркет-мейкера 8-15 10.00 -

Кол-во транзакций 5 040-35 480 9.70-31.90 примерно

на 1 ликвидную акцию в день (в среднем 15 060) (в среднем 16.52) 350.00

Транзакций (на 1 трейд. / день) 0.1-1000 (сред-5) 2.00 0.70

Оборот (на 1 трейд. / день) 60-110 тыс. $ 487.59 -

Цена одной акции $0.33-$53.85 (в среднем $12.32) 15.49-175.40 (в среднем 50.84) -

Объём одной транзакции $200 000-$20 000 000 (в среднем $4 000 000) 435.95-4 793.79 (в среднем 1478.35) -

Отношение годового объёма 0.17 -10.59 0.02 - 0.08

торгов к капитализации (в среднем 1.64) (в среднем 0.04)

После анализа графиков распределения курсов акций и объема торгов на реальном и виртуальных рынках ценных бумаг была выдвинута гипотеза о том, что процессы, происходящие на виртуальном и реальных рынках могут быть описаны одним и тем же законом распределения, параметры которого отличаются в зависимости от условий эксперимента (конкретной конъюнктуры рынка). По результатам 40 независимых экспериментов, было установлено, что в 95% случаях распределение реальных данных Dreal market и виртуальных данных Dtheoretic соответствовало распределению Коши. А это является одним из доказательств того, что процессы, происходящие на реальных рынках ценных бумаг и виртуальном рынке «FIMAS» имеют одинаковую природу.

Рынок ценных бумаг, как и многие другие нелинейные системы, отличаются высокой степенью фрактальности. В рамках диссертационного исследования было проанализировано 60 временных рядов следующих трёх типов: случайный ряд с равномерным распределением, данные с реального рынка ценных бумаг (NASDAQ) и данные с виртуального рынка в сценарии «FundamentalTradersExperiment.fmp». Исходя из данных таблицы 2, можно сделать вывод, что динамика цены на виртуальном рынке гораздо ближе к реальному рынку, чем к случайным процессам.

Таблица 2

Расчёт показателя Хёрста для различных временных рядов

Временной ряд Диапазон ско Среднее значение

Случайные значения с равномерным распределением [0.18...0.70] 0.25 0.41

Реальный рынок (NASDAQ) [0.45..0.72] 0.15 0.55

Виртуальный рынок «FIMAS» [0.35..0.58] 0.19 0.51

Далее рассмотрены три эксперимента, проведенные с помощью программного комплекса. На них протестированы стратегии трейдеров, впоследствии использованные в системе поддержки принятия решений.

Заключительная часть главы посвящена анализу аспектов практического применения результатов исследования.

Интерфейс программной оболочки и разработанного модуля поддержки принятия решений «FIMAS» представлен на рисунке 2. Особенностью системы поддержки принятия решений является то, что она позволяет прогнозировать целый комплекс экономических показателей рынка ценных бумаг и моделировать различные сценарии поведения его участников.

Для оценки качества прогнозов была проведена серия экспериментов, при которых двухнедельные прогнозы экспертов по нескольким акциям сравнивались с аналогичными прогнозами разработанной в рамках диссертационного исследования системы поддержки принятия решений «FIMAS». В качестве статистических критериев были использованы показатели

17

МАРЕ (средняя относительная ошибка прогноза), К2 (коэффициент детерминации), v (коэффициент несоответствия Тейла).

Рис. 2. Интерфейс программной оболочки и модуля поддержки принятия решений

Апробация разработанной системы поддержки принятия решений в двух организациях показала, что в среднесрочной перспективе прогнозы программного комплекса совпадали с прогнозами экспертов или были чуть хуже их (табл.).

Результаты сравнения среднесрочных прогнозов экспертов и

разработанной системы поддержки принятия решений «FIMAS»

Показатель Модель Среднее значение Диапазон

МАРЕ Эксперты 8,6% 2%-32%

Система «FIMAS» 10,8 % 3%-40%

т.2 Эксперты 0,53 0,31-0.82

Система «FIMAS» 0,59 0,27-0.88

V Эксперты 0,08 0,01-0,26

Система «FIMAS» 0,10 0,01-0,33

Система поддержки принятия решений позволяет: • Прогнозировать динамику цен акций, объёмов торгов, капитализации, и других показателей.

• Моделировать кризисные и новостные явления.

• Тестировать торговые стратегии при различной рыночной конъюнктуре.

Также комплекс способен помочь инвесторам принять правильное решение, например, при моделировании следующих сценариев:

• Покупка / продажа крупного портфеля ценных бумаг. Насколько плавно это надо делать, чтобы не сбить цену?

• Известно, что в компании есть люди, обладающие инсайдерской информацией и способные её использовать. Какое потенциальное влияние могут эти люди оказать на цену акций, насколько опасно инвестировать в такую компанию?

• Известно, что акции компании сейчас серьёзно недооценены, но они малоликвидные. Какие существуют потенциальные риски?

Из других возможных применений результатов исследования в диссертации отмечены автоматизация биржевого надзора и обучение начинающих трейдеров различным стратегиям работы на бирже.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1) Проведена серия теоретических и прикладных исследований системных связей рынка ценных бумаг, а также методов моделирования рыночных процессов. На их основе разработан набор требований к новому инструменту для прогнозирования экономических показателей бирж и поддержки принятия инвестиционных решений.

2) Разработана новая математическая модель сложной социально-экономической системы - рынка ценных бумаг. Она отличается расширенной номенклатурой торговых стратегий, возможностью агентов к самообучению, механизмом обработки поступающих ордеров в режиме реального времени.

3) Предложена и реализована новая новостная модель, позволяющая оценивать уровень новостного фона системы и учитывающая эффект затухания новостей с течением времени.

4) Предложены и обоснованы методы разработки специального математического и программного обеспечения, позволяющего управлять виртуальным рынком и моделировать динамику биржевых показателей во времени. Программное средство поддерживает подключаемые модули, скриптовую систему, содержит средства визуального отображения и статистического анализа временных рядов.

5) Разработаны подходы к созданию системы поддержки принятия решений для трейдеров нового типа. Такая система позволяет прогнозировать не только изменение цен, но и динамику всех ключевых показателей рынка, включая капитализацию, объёмы торгов, доходы трейдеров.

6) Предложена методология применения сценарного анализа в рамках системы поддержки принятия решений. Её применение позволяет моделировать поведение социально-экономической системы рынка ценных бумаг и оценивать потенциальные риски при различных сценариях развития событий (например, при инвестициях в малоликвидные бумаги или продаже крупного портфеля акций).

7) Разработанная система поддержки принятия решений внедрена в две организации, в которых продемонстрировала высокую точность прогнозов в среднесрочном периоде (ошибка прогноза около 10%). Это позволяет экспертам принимать более взвешенные решения при управлении инвестиционными активами.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В изданиях, рекомендованных ВАК:

1. Федеряков А. С. Влияние фундаментальных трейдеров на процесс ценообразования на искусственном рынке ценных бумаг // Управление большими системами / Сборник трудов. - Выпуск 21. - 2008. - 107-130 с. -ISBN 1819-2440.

2. Федеряков А. С. Моделирование рынка ценных бумаг на основе мультиагентного подхода// Нелинейный мир. -2008. -№ 9, т.6. -515-520с. -ISSN 2070-0970.

3. Романов В.П., Налетова О. А., Пантилеева Е. А., Федеряков А. С. Фрактальная модель оценки влияния новостной и инсайдерской информации на волатильность рынка // Научно-техническая информация. Сер.2. Информационные процессы и системы. - 2007. - № 7. - 14-2lc. - ISBN 05480027.

В прочих изданиях:

4. Romanov V., Naletova О., Pantileeva Е., Federyakov A. The simulation of news and insiders' influence on stock-market prices dynamics in non-linear model // Computational Finance and its Applications II. - 2006 - Pages 309-318. - ISBN 184564-174-4.

5. Romanov V. P., Naletova O. A., Panteleeva E. A., Federyakov A. S. Fractal model of estimating news and insider influence on market volatility // Automatic Documentation and Mathematical Linguistics. - 2007. - № 41. - Number 4 (August). - Pages 141-149. - ISBN 0005-1055.

6. Romanov V., Slepov V., Badrina M., Federyakov A. Multifractal analysis and multiagent simulation for market crash prediction // Computational Finance and Its Applications III. - 2008. - Pages 256-266. - ISBN 978-184564-111-5.

7. Романов В.П., Безкоровайная E.A., Федеряков A.C. Модель взаимодействия агентов на финансовом рынке // Ситуационные центры: модели, технологии, опыт практической реализации. Материалы научно-практической конференции РАГС 18-19 апреля 2006 года. - 2007 - 194-201 с.

8. Романов В.П., Федеряков А.С., Безкоровайная Е.А. Предсказание кризисных ситуаций на финансовых рынках с применением мультифрактального анализа и вейвлет-анализа // Ситуационные центры и перспективные информационно-аналитические средства поддержки принятия решений. Материалы научно-практической конференции РАГС 25-27 апреля 2007 года.-2008- 161-167 с.

Заказ № 97-а/05/2011 Подписано в печать 17.05.2011 Тираж 120 экз. Усл. п.л. 1

—ч\ ООО "Цифровичок" г.Москва, ул.Азовская 13

тел. (495) 649-83-30 www.cfr.ru; e-mail:info@cfr.ru

ВВЕДЕНИЕ.

ГЛАВА I. АНАЛИЗ СУЩЕСТВУЮЩИХ СРЕДСТВ ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ БИРЖ.

1.1. Модели и алгоритмы оценки стоимости ценных бумаг и управления инвестиционными активами.

1.1.1. Роль рынка ценных бумаг в финансовой системе страны.

1.1.2. Фундаментальный анализ.

1.1.3. Технический анализ.

1.2. Теории функционирования рынка ценных бумаг.

1.2.1. Теория эффективного рынка.

1.2.2. Теория случайных блужданий.

1.2.3. Теория хаоса.

1.2.1. Теория адаптивного рынка.

1.3. Методы и модели для прогнозирования экономических показателей.

1.3.1. Математическо-статистические методы.

1.3.2. Поведенческие модели.

1.3.3. Мультиагентные системы.

1.4. Разработки, использующие мультиагсн гный подход для прогнозирования экономических показателей.

1.4.1. Модель «Santa Fe» и её вариации.

1.4.2. Модель «Genoa Artificial Stock Market».

1.4.3. Библиотека «MoTor» и система «Имитрейд».

1.4.4. Платформа «ArTifícial Open Market».

1.4.5. Комплекс «Altreva adaptive modeler».

1.5. Требования к функциональности проектируемого программного комплекса.

ГЛАВА II. РАЗРАБОТКА АРХИТЕКТУРЫ

ВИРТУАЛЬНОГО РЫНКА ЦЕННЫХ БУМАГ И

СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

2.1. Математическая модель виртуального рынка.

2.1.1. Виртуальный мир и виртуальные агенты.

2.1.2. Классификаторы.

2.1.3. Новостная среда.

2.1.4. Роли и стратегии.

2.1.5. Активы агентов.

2.1.6. Компании.

2.1.7. Трейдеры.

2.1.8. Стратегии трейдеров.

2.1.9. Ордера и транзакции.

2.1.10. Система обработки ордеров.

2.1.11. Движение денежных средств при совершении транзакций.

2.1.12. Расчёт статистических характеристик рынка ценных бумаг.

2.1.13. Математическая формулировка задачи исследования.

2.2. Архитектура программного комплекса.

2.2.1. Выбор платформы для мультиагентной системы.

2.2.2. Взаимосвязь приложения, пакетов и компонентов.

2.2.3. Виртуальный мир.

2.2.4. Стандартные классы системы.

2.2.5. Планы и стратегии.

2.2.6. Запросы и транзакции.

2.2.7. Механизм формирования цен.

2.3. Архитектура системы поддержки> принятия решений.

2.3.1. Общая схема архитектуры.

2.3.2. Подключаемые модули.

2.3.3. Алгоритм работы.

ГЛАВА П1. АНАЛИЗ РАБОТЫ СИСТЕМЫ.

3.1 Описание работы программного комплекса.

3.1.1. Функциональность.

3.1.2. Редакторы.

3.1.3. Организация экспериментов.

3.2. Оценка степени соответствия виртуального рынка реальному.

3.2.1. Соблюдение пропорций.

3.2.2. Наличие трендов и фигур.

3.2.3. Сходство статистических характеристик изменения цен и объёма торгов.

3.2.4. Фрактальность рыночных процессов.

3.2.5. Реакция рынка на действия отдельных агентов.

3.3. Эксперименты, проведенные над виртуальным рынком.

3.3.1. Зависимость размера спрэда от склонности к риску трейдеров.

3.3.2. Влияние фундаментальных трейдеров на динамику котировок акций.

3.3.3. Влияние новостного фона на котировки ценных бумаг при различном составе участников рынка.

3.4. Практическое применение программного комплекса в качестве системы поддержки принятия решений.

3.4.1. Математические критерии оценки качества прогнозов.

3.4.2. Анализ работы системы поддержки принятия решений.

3.4.3. Технико-экономическое обоснование.

3.4.4. Преимущества и недостатки программного комплекса, выявленные в процессе эксплуатации.

3.4.5. Другие перспективы практического применения.

3.4.6. Перспективы для дальнейших исследований и разработок.

Актуальность темы исследования. Рынок ценных бумаг является незаменимым инструментом, позволяющим производить инвестиции в ценные бумаги и оценивать стоимость активов. Он способствует превращению денежных накоплений в инвестиции, увеличивает возможности роста сферы производства и обращения, используется государством в целях макроэкономического регулирования.

Активную роль на рынке ценных бумаг играют банки и инвестиционные компании. Для них очень важна проблема прогнозирования цен на рынке ценных бумаг, особенно в период кризисов, когда возрастает волатильность и увеличиваются риски. Улучшить качество прогнозов можно при помощи методов и алгоритмов, учитывающих фундаментальные показатели компаний-эмитентов, технические индикаторы, постоянно поступающие новости, настроения других трейдеров; также перспективным направлением является применение мультиагентных систем и сценарного подхода. Применение этих методов позволит повысить качество принимаемых, инвестиционными компаниями решений, что. укрепит их положение на рынке.

Степень разработанности проблемы. Существует ряд инструментов, призванных помочь инвесторам исследовать рыночные процессы и принимать решения о сделках на рынке ценных бумаг. Некоторые облегчают проведение технического и фундаментального анализа, некоторые работают в режиме советчиков, некоторые являются полноценными торговыми роботами, которые самостоятельно проводят операции покупки-продажи ценных бумаг.

Одним из подходов к совершенствованию систем поддержки принятия решений для трейдеров является применение технологии мулътиагентного моделирования. Программные агенты могут имитировать действия реальных трейдеров, проводя операции на виртуальном рынке ценных бумаг. Такая социально-экономическая система позволяет повысить точность прогнозов биржевых показателей и улучшить качество управления инвестиционными активами.

Этим вопросом занимались, начиная с конца 80-х годов, LeBaron В., Palmer R., Cohen, Maier, Kim, Markowitz, Beltratti, Margarita, Marengo, Rieck, Giansante S., Yue W., Marchesi M., Raberto M. и другие. В последнее время мультиагентными технологиями заинтересовались и российские исследователи: Романов В.П., Воронцов К.В. Несмотря на значительное количество теоретических исследований, в соответствующих работах всё ещё недостаточно отражены аспекты практического применения этой технологии.

Целью исследования является разработка математического и программного обеспечения для повышения качества прогнозов биржевых показателей с применением мультиагентного подхода, позволившего оптимизировать решение задач управления и принятия решений в системе биржевых торгов и обеспечивать учет человеческого фактора управляемой системы на процесс управления. В соответствии с поставленной целью в работе были определены и решались следующие задачи:

1) Проведены теоретические и прикладные исследования системных связей и закономерностей функционирования рынка ценных бумаг. На их основе разработан набор требований к новому, более совершенному инструменту для прогнозирования экономических показателей бирж и поддержки принятия инвестиционных решений.

2) Разработана новая мультиагентная математическая модель рынка ценных бумаг (далее - виртуальный рынок FIMAS), система обработки транзакций, новостная система, система управления активами, новые стратегии для трейдеров и других агентов.

-83) Спроектировано и реализовано специализированное программное обеспечение, позволяющее управлять сложной социально-экономической системой - виртуальным рынком ценных бумаг. При реализации была использована визуальная среда разработки Borland Developer Studio и CASE-средство ModelMaker.

4) Разработана система критериев для оценки степени соответствия виртуального и реального рынков, а также методология проведения экспериментов над виртуальным рынком. Выполнена серия экспериментов с целью определения степени адекватности системы и её пригодности для решения практических задач повышения качества управления инвестиционными активами.

5) Выполнена интеграция программного комплекса в систему поддержки принятия решений двух организаций. Проведена оценка точности прогнозов биржевых показателей программного комплекса по набору статистических критериев.

6) Изучены другие варианты практического применения программного комплекса для повышения качества управления (автоматизация биржевого надзора, расчет экономического эффекта от инвестиционных решений), а также перспективы для дальнейших исследований и разработок.

Объектом исследования является рынок ценных бумаг и закономерности, которые проявляются на нём.

Предмет исследования - разработанные автором модель виртуального рынка ценных бумаг, программный комплекс и система поддержки принятия решений «FIMAS».

Теоретической основой исследования послужили труды российских и зарубежных специалистов по виртуальным рынкам ценных бумаг, а также книги, статьи и тезисы конференций по экономической теории, рынкам ценных бумаг, мультиагентным системам.

Методы исследования. В работе применялись методы системного^ экономико-статистического,- фрактального анализа, теории- вероятностей, математической статистики, теории графов, теории принятия оптимальных решений, теории проектирования сложных информационных систем.

Информационной базой обоснования концептуальных положений исследования явились статистические данные по итогам работы различных рынков ценных бумаг, эмпирические данные, материалы периодических изданий. Для обработки информации использовались общенаучные приёмы анализа, обобщения и сравнения, системный подход, абстрактно-логический, экономико-статистический и расчётно-конструктивный методы.

Научная новизна работы заключается в следующем;

• Проведёны комплексные исследования, закономерностей функционирования и системных связей внутри рынка ценных бумаг с позиций оценки перспективности применения новых информационных технологий (информационных и экспертных систем, имитационного моделирования, и др.)- для решения сложной многокритериальной задачи экономического характера, характеризующейся большой степенью неопределенности, нечеткостей неполноты информации.

• Предложена' новая математическая модель социально-экономической системы рынка ценных бумаг. Она отличается расширенной номенклатурой торговых стратегий, механизмом обработки поступающих ордеров в режиме реального времени и новой новостной системой.

• Разработана архитектура и принципы построения специального программного обеспечения систем управления виртуальным рынком, отличающиеся учётом человеческих факторов (стратегий реальных трейдеров), поддержкой подключаемых модулей, скриптовой системы, средств отображения и статистического анализа выходных данных. Предложены принципы построения * системы поддержки принятия решений для трейдеров на основе мультиагентной модели предметной области. Её особенности включают нацеленность на обеспечение комплексности прогнозов биржевых показателей (цен акций, объёма торгов, доходов трейдеров, капитализации рынка и др.) и применение сценарного подхода при прогнозировании биржевых показателей.

Практическая значимость исследования:

Впервые мультиагентный программный комплекс данного класса был использован как инструмент поддержки принятия решений. Получена высокая точность прогнозов в среднесрочном периоде, что позволяет экспертам принимать более взвешенные управленческие решения. Разработанная имитационная модель рынка ценных бумаг как сложной социально-экономической системы позволяет «проигрывать» возможные управленческие решения на модели, анализировать последствия каждого решения и на основе обоснованных прогнозов, предоставляемых моделью, выбирать наиболее эффективные альтернативы при управлении инвестиционными ресурсами. Возможность практического применения разработок в целях повышения качества управления в других областях: расчет экономического эффекта от инвестиционных решений, обучение персонала стратегиям работы на рынках ценных бумаг, в качестве инструмента для определения и предотвращения инсайдерских операций на рынке.

На защиту выносятся

• Разработанная автором модель рынка ценных бумаг как сложной социально-экономической системы; алгоритмы принятия решений агентами, новостная система.

• Архитектура программного средства, позволяющего управлять виртуальным рынком и моделировать динамику биржевых показателей.

• Принципы работы системы поддержки принятия решений для трейдеров на основе мультиагентных систем.

Апробация работы. Основные результаты диссертационного исследования были представлены на четырёх научных конференциях: «Ситуационные центры: модели, технологии, опыт практической реализации» (Москва, 2006; Москва, 2007) и «Computational Finance and its Applications» (Лондон, 2006; Кадиз, 2008).

Материалы диссертационного исследования отражены в восьми публикациях (3 статьи в иностранных журналах, 5 в российских, 3 из которых входят в список ВАК) общим объёмом около 6 п.л.

Разработанный программный комплекс внедрён в систему поддержки принятия решений для трейдеров в ООО «ТК Фотон» и ООО «Таулинк», что подтверждают соответствующие акты о внедрении. Он также используется в Российском экономическом университете им. Г.В. Плеханова при проведении занятий по дисциплине «Когнитивная бизнес-аналитика».

Объем и структура работы. Поставленная в работе цель позволила сформировать следующую структуру исследования. Диссертация состоит из введения, трех глав, выводов, списка литературы и приложений. Диссертация содержит 216 страниц основного машинописного текста, 65

Выводы по итогам эксперимента

На динамику цен акций довольно существенно влияют обе группы трейдеров: как новостные, так и фундаментальные. Ни одна из групп не доминирует, их соотношение близко к 1:1. Активность новостных трейдеров приводит к возникновению первоначальных новостных всплесков; фундаментальные трейдеры постепенно уравновешивают цену, приводя её к справедливому, по их мнению, уровню. Ни одна из этих стратегий не является прибыльной, на реальных рынках успешные трейдеры используют более сложные алгоритмы, учитывающие потенциальное влияние этих двух групп трейдеров на динамику цен.

3.4. Практическое применение программного комплекса в качестве системы поддержки принятия решений

Архитектура разработанной системы поддержки принятия решений была разобрана в предыдущей главе. Эта часть работы посвящена анализу работы системы.

3.4.1. Математические критерии оценки качества прогнозов

Для оценки качества прогнозов необходимо выделить ряд количественных и статистических критериев. Чамкина Елена в своей статье «Сравнение моделей временных рядов» предложила использовать следующий набор показателей [44]:

1. Модельная погрешность (модельный остаток):

ЗИП сь=УьУь (з.зо) где уг — фактическое значение показателя на t -й момент времени; уБпп — значение показателя, полученное с помощью модели на t -й момент времени;

2. Абсолютная ошибка прогноза:

А, = t yt-yt aim

3.31)

3. Средняя абсолютная ошибка прогноза МАЕ (mean absolute error):

П. 1 где 71 — число ретроспективных наблюдений. 4. Среднеквадратичное отклонение RMSE (root mean squared error):

RMSE= t= L

3.33)

Однако у этого способа есть несколько особенностей, например, большая чувствительность к большим отклонениям прогнозируемого значения от реального. Пусть построенная модель в целом довольно хорошо повторяет реальные данные о продажах, но имеются несколько точек, где отклонение от реальных данных большое. Рассчитывая для модели среднеквадратическую ошибку, в таком случае оценка качества модели может быть неудовлетворительной, и в результате принимается неправильное решение при выборе модели. Для устранения этого недостатка необходимо компенсировать величину ошибки значимостью этой ошибки. В таком случае возможность перевеса множества мелких ошибок одной крупной удастся избежать.

5. Средний процент ошибки МРЕ (mean percentage error):

МРЕ характеризует относительную степень смещённости прогноза. При условии, что потери при прогнозировании, связанные с завышением фактического будущего значения, уравновешиваются занижением, идеальный прогноз должен быть несмещенным, и обе меры должны стремиться к нулю. Средняя процентная ошибка не определена при нулевых данных и не должна превышать 5%. п

3.34)

6. Относительная ошибка прогноза: е

3.35) t у ift

7. МАРЕ — mean absolute percentage error, средний абсолютный процент ошибки (средняя относительная ошибка прогноза):

1 к

МАРЕ=- У (3.36) ¿=1 '

Отрицательные и положительные ошибки подавляют друг друга, поэтому для оценки качества построенной модели необходимо использовать среднюю абсолютную относительную ошибку.

8. Абсолютное отклонение от средней:

AD=

Г»*

3.37)

9. Среднее абсолютное отклонение MAD (mean absolute deviation): n i V^i

MAD— n t=1 vt-vt (3.38)

10. М2 — коэффициент детерминации. Характеризует степень сходства исходных данных и предсказанных. Не зависит от единиц измерения данных, поэтому поддается сравнению: *

2 ТыГ , т^г л =—-=1--5--(3.39)

1 ¿=1

Если Е2 = 0, это означает, что регрессия ничего не дает, т.е. знание х не улучшает предсказания для у по сравнению с тривиальным уБпт у ДруГОй крайний случай М2 = 1 означает точную подгонку: все точки наблюдений лежат на регрессионной прямой. Чем ближе к 1 значение М2, тем лучше качество подгонки.

11. Коэффициент несоответствия Тейла:

3.40)

Индекс Тейла показывает степень схожести временных рядов ус и Уятг чем ближе он к нулю, тем ближе сравниваемые ряды.

Алгоритм вычисления критериев:

1) Вычислить модельную погрешность по формуле (3.30).

2) Вычислить абсолютную ошибку прогноза по формуле (3.31).

3) Вычислить среднюю абсолютную ошибку прогноза МАЕ по формуле (3.32).

4) Вычислить среднеквадратичное отклонение ЫМБЕ по формуле (3.33).

5) Вычислить относительную ошибку прогноза по формуле (3.35).

6) Вычислить среднюю относительную ошибку прогноза МАРЕ по формуле (3.36). Показатель МАРЕ, как правило, используется для сравнения точности прогнозов разнородных объектов прогнозирования, поскольку он характеризует относительную точность прогноза. Для прогнозов высокой точности МАРЕ < 10%, хорошей - (10% < МАРЕ < 20%), удовлетворительной -(МАРЕ > 50%). Целесообразно пропускать значения ряда, для которых ус =0.

7) Вычислить абсолютное отклонение от средней по формуле (3.37).

8) Вычислить коэффициент детерминации по формуле (3.39).

9) Вычислить коэффициент несоответствия Тейла по формуле (3.40).

Из всех вычисленных показателей только средний абсолютный процент ошибки (МАРЕ), коэффициент детерминации (П&2) и коэффициент несоответствия Тейла- (у) являются относительными и не зависят от абсолютных показателей анализируемых временных рядов. Поэтому, именно они были выбраны в качестве критериев оценки качества прогнозов.

3.4.2. Анализ работы системы поддержки принятия решений

В рамках исследовательской работы была проведена серия экспериментов над модулем поддержки принятия решений. Суть экспериментов заключалась в следующем.

Группа экспертов периодически прогнозировала динамику нескольких ключевых акций на две недели вперёд. Оценка всех экспертов усреднялась и записывалась.

Одновременно программный комплекс для тех же акций тоже прогнозировал динамику котировок. Использовались 5 разных базовых числа для генератора псевдослучайных чисел, после чего оценка усреднялась и записывалась.

Через две недели собирались показания реального рынка ценных бумаг для этих акций и сравнивались с прогнозами экспертов и программного комплекса. В качестве критериев использовались показатели, описанные в параграфе 3.4.1 этой работы. Расчёты производились при помощи ПО «Deductor Academic» версии 5.2 по сценарию «timeseriesmodel.ded» [44].

ЗАКЛЮЧЕНИЕ

Основными результатами диссертационного исследования являются:

1) Проведена серия теоретических и прикладных исследований системных связей рынка ценных бумаг, а также методов моделирования рыночных процессов. На их основе разработан набор требований к новому инструменту для прогнозирования экономических показателей бирж и поддержки принятия инвестиционных решений.

2) Разработана новая математическая модель сложной социально-экономической системы - рынка ценных бумаг. Она отличается расширенной номенклатурой торговых стратегий, возможностью агентов к самообучению, механизмом обработки поступающих ордеров в режиме реального времени.

3) Предложена и реализована новая новостная модель, позволяющая оценивать, уровень новостного фона системы и учитывающая эффект затухания новостей с течением времени.

4) Предложены и обоснованы методы разработки специального-математического и программного обеспечения, позволяющего управлять виртуальным рынком и моделировать динамику биржевых показателей*'во времени. Программное средство поддерживает подключаемые модули, скриптовую систему, содержит средства визуального отображения и статистического анализа временных рядов.

5) Разработаны подходы, к созданию системы поддержки принятия решений для трейдеров нового типа. Такая система позволяет прогнозировать не только изменение цен, но и динамику всех ключевых показателей рынка, включая капитализацию, объёмы торгов, доходы трейдеров.

6) Предложена1 методология применения сценарного анализа в рамках системы < поддержки принятия решений. Её применение позволяет моделировать поведение социально-экономической системы рынка ценных бумаг и оценивать потенциальные риски при различных сценариях развития событий (например, при инвестициях в малоликвидные бумаги или продаже крупного портфеля акций).

7) Разработанная система поддержки принятия решений внедрена в две организации, в которых продемонстрировала высокую точность прогнозов в среднесрочном периоде (ошибка прогноза около 10%). Это позволяет экспертам принимать более взвешенные решения при управлении инвестиционными активами.

По результатам проведенного исследования можно сделать следующие выводы и рекомендации:

1) Несмотря на то, что виртуальная биржа не соблюдет все пропорции реальных бирж и виртуальные агенты используют очень примитивные стратегии, благодаря эффекту синергии модель способна генерировать результаты, пригодные для применения в системах управления инвестиционными активами. Это подтверждает, что применение методов мультиагентного моделирования позволяет существенно улучшить средства поддержки' принятия решений, разработанные с применением более традиционных подходов.

2) В рамках выбранного подхода не удалось имитировать взлёты и обвалы на рынке ценных бумаг кроме как через манипулирование новостями. Одно из возможных объяснений этого факта состоит, что на рынке нет «эффекта бабочки», и он отражает лишь процессы в реальном секторе экономики, а также страхи и надежды инвесторов. Считаю, что ключ к исследованию проблем управления биржевыми инвестициями в пост-кризисное время лежит в области исследования нерациональных мотивов поведения трейдеров.

3) Выявлено, что разработанная социально-экономическая модель биржы по своим характеристикам относится скорее к умеренным и слабо эффективным рынкам. Именно такие рынки, а не эффективные являются наиболее распространенными в реальном мире. Дальнейшие исследования в этом направлении могли бы помочь найти причину этой и других закономерностей. Это позволит контролирующим органам более эффективно управлять биржей, вовремя пресекать случаи инсайдерской торговли и не допускать деструктивных для экономики страны попыток манипулирования ценами.

1. Арженовский C.B., Молчанов И.Н. Статистические методы прогнозирования: Учебное пособие для аспирантов. - Ростов-на-Дону: Издательсто РГЭУ «РИНХ», 2001. - 74 с. - 1.BN 5-7972-0379-0.

2. Аскинадзи В.М. Инвестиционные стратегии на рынке ценных бумаг. -М.: Маркет ДС, 2004. 106 с. - ISBN 5-7958-0091-0.

3. Бердникова Т. Акционерное общество на рынке ценных бумаг. М.: Финстатинформ, 1997. - 142 с. - ISBN 5-7866-0014-9.

4. Бережная Е., Бережной В. Математические методы моделирования экономических систем. — М.: Финансы и статистика, 2005. — 432 с. — ISBN 5-279-02940-8.

5. Бретт М. Как читать финансовую информацию. М.: Проспект, 2004. — 464 с. - ISBN 5-7986-0085-8.

6. Вериженко И. Artificial Open Market // http://atom.univ-lillel.fr/

7. Вильяме Б., Грегори-Вильяме Дж. Торговый хаос II. М.: ИК "Аналитика", 2005. - 208 с. - ISBN 5-93855-032-7.

8. Воронцов К. В. МоТог Библиотека имитационного моделирования биржевых торгов // http://www.forecsys.com/ru/site/tech/MoTor/

9. Воронцов К. В. «Имитационное моделирование реальных биржевых торгов»// ИММОД-2003: 1-ая Всеросс. конф.: Докл. — Спб., 2003. — С. 25-29.

10. Воронцов К. В., Пшеничников С. Б. «Имитационное моделирование торгов: новая технология биржевых тренажеров»// Индикатор. — 2002, — No. 2(42).

11. П.Воронцов К. В. ММВБ: учебная имитационная торговая система «Имитрейд» // http://www.forecsys.com/ru/site/projects/imitreid/

12. Гайсарян С.С. Объектно-ориентированные технологии проектирования прикладных программных систем // Центр

13. Информационных Технологий. 2001.http://www.citforum.ru/programming/ooprsis/.

14. Грачева М. Моделирование экономических процессов. Учебник. — М.: Юнити, 2005. 352 с. - ISBN 5-238-00856-2.

15. Голякова Е. Инсайдеры снимают сливки. На фондовом рынке процветают правила нечестной игры // "Российская Бизнес-газета" №446 от 10 февраля 2004 г. // http://www.rg.ru/2004/02/10/reiting.html

16. Гуревич JL, Вахитов А. Мультиагентные системы // Доклады семинара «Введение в Computer Science» // http://www.cs-seminar.spb.ru/reports/49.pdf

17. Дорси В. Анатомия биржевого рынка. Методы оценки уверенности и ожиданий трейдеров и рыночных тенденций. СПб. : Питер, 2005. -395 с. - ISBN 5-469-00645-Х.

18. Жуков Е. Рынок ценных бумаг. Учебник. Второе издание. — М: Юнити, 2007. 463 с. - ISBN 5-238-00907-0.

19. Закарян И. Практический интернет-трейдинг. — М: СмартБук, 2008. -384 с. ISBN 978-5-9791-0043-2.

20. Иванов Ю. Скрипт-процессор для игрового движка. // http://www.mirgames.ru/articles/base/scriptprocessor.html

21. Израйлевич С., Цудикман В. Опционы: системный подход к инвестициям. Критерии оценки и методы анализа торговых возможностей. М.: Альпина Бизнес Букс, 2008. — 280 с. — ISBN 9785-9614-0823-2.

22. Каратуев А.Г. Ценные бумаги: виды и разновидности. М.: КНОРУС, 1996. - 256 с. - ISBN 5-89247-005-9.

23. Касимов Ю. Введение в теорию оптимального портфеля ценных бумаг. М.: Анкил, 2005. - 144 с. - ISBN 5-8647-6222-9.

24. Кац Дж. О., МакКормик Д. JI. Энциклопедия торговых стратегий (3-е издание). М.: Альпина Бизнес Букс, 2007. - 400 с. - ISBN 978-59614-0609-2.

25. Колби Р. Энциклопедия технических , индикаторов рынка (2-ое издание). М.: Альпина Бизнес Букс, 2007. - 837 с. - ISBN 978-59614-0628-3.

26. Колмыкова JI. Фундаментальный анализ финансовых рынков. — СПб.: Питер, 2006. 288 с. - ISBN 5-469-01542-4.

27. Коробов П. Математическое программирование и моделирование экономических процессов. 3-е издание. — Киев: ДНК, 2006. — 376 с. — ISBN 5-901562-60-7.

28. Лялин В.А., Воробьев П.В. Рынок ценных бумаг. — М.: Проспект,2006. 383 с. - ISBN 978-5-482-01410-3.

29. Моррис Г. Японские свечи: метод анализа акций и фьючерсов, проверенный временем (3-е издание). — М.: Альпина Бизнес Букс, 2008. 312 с. - ISBN 978-5-9614-0785-3.

30. Мультиагентные технологии // http://www.kg.ru/technology/multiagent/ 30; Мэтсон Э. Введение в Lua; Пер. с англ. Федотовских А. //http://www.gamedev.ru/articles/7icH70112

31. Натенберг Ш. Опционы: Волатильность и оценка стоимости. Стратегии и методы опционной торговли. — М.: Альпина Бизнес Букс,2007. 544 е. -ISBN 978-5-9614-0625-2.

32. Некоторые подходы к прогнозированию экономических показателей; М.: ИЭПП, 2005. - 195 с.

33. Плюммер Дж. Гибкая и масштабируемая архитектура для компьютерных игр, часть первая; Пер. с англ. Петров А. // http:// ww w. dtf.ru/articles/print. php?id=40757

34. Постулаты технического анализа // http://www.bull-n-bear.ru/technic/?tanalysis=postulates

35. Продажа инвестбанка Bear Stearns спровоцировала обвал мировых фондовых рынков // http://rus.newsru.ua/finance/17mar2008/bear.html

36. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. Второе издание. М.: Вильяме, 2007. - 1407 с. - ISBN 978-58459-0887-2.

37. Рынок ценных бумаг: Учебник. / Под ред. В.А. Галанова, А.И. Басова. — 2-е изд., перераб. и доп. М.: Финансы и статистика, 2006. — 448 с. — ISBN 5-279-02170-9.

38. Сорнетте Д. Как предсказывать крахи финансовых рынков. М.: СмартБук, 2007. - 400 с. - ISBN 978-5-9791-0042-5.

39. Стукалов Д. Теория волн Эллиотта. — СПб.: Питер, 2007. 304 с. — ISBN 978-5-91180-222-6.

40. Тарп.В., Бартон Д.Р. Биржевые стратегии игры без риска. — СПб.: Питер, 2007. 398 с. - ISBN 5-469-00646-8.

41. Федеряков A.C. Влияние фундаментальных трейдеров на процесс ценообразования на искусственном рынке ценных бумаг // Управление большими системами / Сборник трудов. — Выпуск 21. — 2008.- 107-130 с. -ISBN 1819-2440.

42. Фёдоров А. Основы финансовых инвестиций. СПб.: Питер, 2008. -320 с. - ISBN 978-5-469-01680-9.

43. Хаертфельдер М., Лозовская Е. С., Хануш Е. Фундаментальный и технический анализ рынка ценных бумаг. СПб.: Питер, 2004. — 352 с. -ISBN 5-94723-788-1.

44. Чамкина Е. Сравнение моделей временных рядов. // http://www.basegroup.ru/solutions/scripts/details/comparemodel/

45. Ческидов Б. М. Модели рынков ценных бумаг. СПб. : Питер, 2005. — 416 с. - ISBN 5-469-00855-Х.

46. Цисарь И. Ф., Нейман В. Г. Компьютерное моделирование экономики. М.: Диалог МИФИ, 2002. - 304 с. - ISBN 5-86404-172-6.

47. Шапиро Дж. Моделирование цепи поставок. СПб.: Питер, 2006. — 720 с.-ISBN 5-272-00183-4.

48. Швагер Д. Технический анализ. Полный курс (4-е издание). М.: Альпина Бизнес Букс, 2007. - 806 с. - ISBN 5-9614-0376-9:

49. Эрлих А. Технический анализ товарных и финансовых рынков. — Киев: Финансист, 2003 176 с. - ISBN 5-90008-206-7.

50. Altreva Adaptive Modeler // http://www.altreva.com/technology.html

51. Arai К., Deguchi H., Matsui H. Agent-Based Modeling Meets Gaming Simulation. New York: Springer, 2005. - 180 p. - ISBN 4431294260.

52. Arthur B. W, Durlauf S.N., Lane D.A. The Economy as an Evolving Complex System II. Boulder, Colorado: Addison-Wesley, 1997. — 400 p. - ISBN 978-0201959888.

53. Arthur B. W, LeBaron В., Palmer R. The time series properties of an artificial stock market // Journal of Economic Dynamics and Control. — 1999.-№23.-Pages 1487-1516.-ISSN 0165-1889.

54. Bellifemine F.L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE. USA:. Wiley, 2007 - 300 p. - ISBN 978-0-47005747-6.

55. Ehrentreich N. Agent-Based Modeling / The Santa Fe Institute Artificial Stock Market Model Revisited. New York: Springer, 20071 - 230 p. -ISBN 3540738789.

56. Fama E.F. Efficient Capital Markets: A Review of Theory and Empirical Work // Journal of Finance. 1970. - № 2 (May). - Pages. 383-417.

57. Fama E.F. Efficient Capital Markets II // Journal of Finance. 1991. - № 5 (December).-Pages 1575-1617.

58. Fedeiyakov A. Financial Market Simulation // http://fimas.sourceforge.net

59. Geert B, Campbell R. H. Emerging equity market volatility // Journal of Financial Economics. 1997. - № 43. - Issue 1. - Pages 29-77. - ISSN 0304-405X.

60. Grossman S.J., Stiglitz J.E. On the Impossibility of Informationally Efficient Market // The American Economic Review. 1980. - № 3 (June). - Pages 393-408.

61. Hogan J. Statistical physics predicts stock market gloom // NewScientist.com news service. 2002. — http://www.newscientist.com/article.ns?id=dn3124

62. Johnson P. E. Agent-Based Modeling: What I learned from the Artificial Stock Market // Social Science Computer Review. 2002. - № 20. - Issue 2. - Pages 174-186. - ISSN 0894-4393.

63. Johnson P. E. Artificial Stock Market // http://artstkmkt.sf.net

64. Kerr D. Artificial Planet//http://aiplanet.sourceforge.net/

65. Krouglov A. Mathematical Model of Stock Market Fluctuations in the Absence of Economic Growth. // http://ideas.repec.Org/p/wpa/wuwpma/0402022.html

66. Lo A. W. Reconciling Efficient Markets with Behavioral Finance: The Adaptive Markets Hypothesis // Journal of Investment Consulting. 2005. -Vol. 7.-Pages 21-44.

67. Lo A. W. The Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective // Journal of Portfolio Management. 2004. -Vol. 30.-Pages 15-29.

68. Lucas, Robert E., Jr. Models of Business Cycles. Oxford: Basil Blackwell, 1987. - 120p. - ISBN 0631147918.

69. Muth J. Rational Expectations and the Theory of Price Movements // Econometrica. 1961. - № 3 (July). - Pages 315-35.

70. Naiburg E. J., Maksimchuk R. A. UML for Database Design. Boulder, Colorado : Addison-Wesley, 2001. - 320p. - ISBN 978-0201721638.

71. Palmer R.G, Arthur B. W., Holland J. H., LeBaron B., Taylor P. Artificial economic life: a simple model of a stock market // Physica D. 1994. - № 75. - Issue 1-3. - Pages 264-274. - ISSN 0167-2789.

72. Palmer R.G, Arthur B. W., Holland J. H., LeBaron B. Asset pricing under endogenous expectations in an artificial stock market // Economic Notes. — 1997. № 26. - Pages 297-330. - ISSN 0391-5026.

73. Raberto M., Cincotti S., Focardi S.M., Marchesi M. Agent-basedisimulation of a financial market // Physica A. 2001. - Volume 299. - No. 1-2. - Pages 320-328. - ISSN 0927-7099.

74. Rollings A., Morris D. Game Architecture and Design. Scottsdale, AZ, ! USA: The Coriolis Group, 1999. - 742p. - ISBN 1576104257.

75. Romanov V., Naletova O., Pantileeva E., Federyakov A. The simulation of news and insiders' influence on stock-market prices dynamics in non-lineari imodel // Computational Finance and its Applications II. 2006 - Pages 309-318.-ISBN 1-84564-174-4.

76. Romanov V., Slepov V., Badrina M., Federyakov A. Multifractal analysis and multiagent simulation for market crash prediction // Computational Finance and Its Applications III. 2008. - Pages 256-266. - ISBN 978184564-111-5.

77. Rumbaugh J., Jacobson I., Booch G. The Unified Modeling Language Reference Manual, Second Edition. Boulder, Colorado: Addison-Wesley, 2004. - 752 p. - ISBN 978-0321245625.

78. Sargent, Thomas J. Rational Expectations and Inflation. New York: HarperCollins College Div, 1986. - 224 p. - ISBN: 978-0060457419.

79. Sellin P. Monetary Policy and the Stock Market: Theory and Empirical Evidence // Journal of Economic Surveys. 2001. - № 15. - Issue 4. -Pages 491-541. - ISSN 0950-0804.

80. Statistical significance analysis of the chaos-based prediction model. // http://www.tradingpro.com/papers/SSATradingPro.pdf

81. Thorsten H., Schenk-Hoppe K. R. Survival of the Fittest on Wall Street // http://ideas.repec.Org/p/kud/kuiedp/0403.html

82. Using the RemObjects Pascal Script // http://www.remobjects.com/7ps01

83. Wooldridge M. Introduction to MultiAgent* Systems. Chichester: John Wiley & Sons, 2002. - 348 p. - ISBN 978-0471496915.