Прогноз фондового рынка
Прогнозирование фондового рынка – это попытка определить будущую стоимость акций компании или другого финансового инструмента, торгуемого на бирже . Успешный прогноз будущей цены акции может принести значительную прибыль. Гипотеза эффективного рынка предполагает, что цены на акции отражают всю доступную на данный момент информацию, и любые изменения цен, которые не основаны на вновь полученной информации, таким образом, по своей сути непредсказуемы. Другие с этим не согласны, и сторонники этой точки зрения обладают множеством методов и технологий, которые якобы позволяют им получать информацию о будущих ценах.
Гипотеза эффективных рынков случайное блуждание и
Гипотеза эффективного рынка утверждает, что цены на акции являются функцией информации и рациональных ожиданий и что вновь раскрываемая информация о перспективах компании почти немедленно отражается на текущей цене акций. Это будет означать, что вся общеизвестная информация о компании, включая историю ее цен, уже будет отражена в текущей цене акций. Соответственно, изменения в цене акций отражают выпуск новой информации, изменения на рынке в целом или случайные движения вокруг стоимости, отражающей существующий набор информации.
Бертон Малкиел в своей влиятельной работе 1973 года «Случайная прогулка по Уолл-стрит » утверждал, что цены на акции поэтому невозможно точно предсказать, глядя на историю цен. В результате, утверждал Малкиел, цены на акции лучше всего описываются статистическим процессом, называемым «случайным блужданием», означающим, что ежедневные отклонения от центрального значения являются случайными и непредсказуемыми. Это привело Малкиела к выводу, что оплата услуг финансовых специалистов за прогнозирование рынка на самом деле вредит, а не помогает чистой доходности портфеля. Ряд эмпирических тестов подтверждают мнение о том, что теория применима в целом, поскольку большинство портфелей, управляемых профессиональными прогнозистами акций, не превосходят среднюю рыночную доходность после учета гонораров управляющих. [1]
Внутренняя ценность [ править ]
Внутренняя стоимость (истинная стоимость) — это воспринимаемая или рассчитанная стоимость компании, включая материальные и нематериальные факторы, с использованием фундаментального анализа. Ее также часто называют фундаментальной ценностью. Он используется для сравнения с рыночной стоимостью компании и выяснения, недооценена ли компания на фондовом рынке или нет. При его расчете инвестор смотрит как на качественные, так и на количественные аспекты бизнеса. Обычно он рассчитывается путем суммирования дисконтированного будущего дохода, полученного от актива, для получения текущей стоимости.
Методы прогнозирования [ править ]
Методологии прогнозирования делятся на три широкие категории, которые могут (и часто так и есть) пересекаться. Это фундаментальный анализ , технический анализ (графики) и машинное обучение .
анализ Фундаментальный
Фундаментальных аналитиков беспокоит компания, которая лежит в основе самих акций. Они оценивают прошлые результаты деятельности компании, а также надежность ее отчетности . Создано множество коэффициентов производительности, которые помогают фундаментальному аналитику оценить обоснованность акций, например коэффициент P/E . Уоррен Баффет, пожалуй, самый известный из всех фундаментальных аналитиков. Он использует соотношение общей рыночной капитализации к ВВП , чтобы указать относительную стоимость фондового рынка в целом, поэтому это соотношение стало известно как « индикатор Баффета ». [2] [3] [4]
Фундаментальный анализ на фондовом рынке пытается добиться выяснения истинной стоимости акции, которую затем можно сравнить со стоимостью, по которой она торгуется на фондовых рынках, и, следовательно, выяснить, недооценены ли акции на рынке. или нет. Узнать истинную стоимость можно разными методами, по сути, по одному и тому же принципу. Принцип заключается в том, что компания стоит всей своей будущей прибыли, сложенной вместе. Эту будущую прибыль также необходимо дисконтировать до ее текущей стоимости. Этот принцип хорошо согласуется с теорией, согласно которой цель бизнеса — это прибыль и ничего более.
В отличие от технического анализа, фундаментальный анализ рассматривается скорее как долгосрочная стратегия.
Фундаментальный анализ основан на убеждении, что человеческому обществу для достижения прогресса необходим капитал, и если компания работает хорошо, она должна быть вознаграждена дополнительным капиталом и привести к резкому росту цен на акции. Фундаментальный анализ широко используется управляющими фондами, поскольку он является наиболее разумным, объективным и основан на общедоступной информации, такой как анализ финансовой отчетности.
Другое значение фундаментального анализа выходит за рамки анализа компаний «снизу вверх». Он относится к анализу сверху вниз: сначала анализируется мировая экономика, затем следует анализ страны, затем анализ сектора и, наконец, анализ на уровне компании.
Технический анализ [ править ]
Технический анализ — это методология анализа и прогнозирования направления цен посредством изучения прошлых рыночных данных, в первую очередь цен и объемов. Эффективность технического анализа оспаривается гипотезой эффективного рынка , которая утверждает, что цены на фондовом рынке по существу непредсказуемы. [5] а исследования того, дает ли технический анализ какую-либо пользу, дали неоднозначные результаты. [6] [7] [8]
Технические аналитики или чартисты обычно меньше озабочены какими-либо фундаментальными показателями компании. Они стремятся определить возможности будущего движения цен на акции, в основном на основе тенденций прошлых цен (форма анализа временных рядов ). Используются многочисленные узоры, такие как голова и плечи или чашка и блюдце. Наряду с моделями используются такие методы, как экспоненциальная скользящая средняя (EMA), осцилляторы, уровни поддержки и сопротивления или индикаторы импульса и объема. Модели свечей, которые, как полагают, были впервые разработаны японскими торговцами рисом, в настоящее время широко используются техническими аналитиками. Технический анализ скорее используется для краткосрочных стратегий, чем для долгосрочных. И поэтому он гораздо более распространен на сырьевых рынках и рынках Форекс, где трейдеры сосредотачиваются на краткосрочных ценовых движениях. В этом анализе используются некоторые основные допущения: во-первых, все существенное в компании уже учтено в цене акций; во-вторых, цена движется в соответствии с тенденциями и, наконец, история (цен) имеет тенденцию повторяться, что происходит главным образом из-за рыночная психология.
Машинное обучение [ править ]
С появлением цифрового компьютера прогнозирование фондового рынка перешло в технологическую сферу. Было опубликовано несколько исследовательских работ с применением методов машинного обучения для прогнозирования фондовых рынков, включая, помимо прочего, искусственные нейронные сети. [9] (ИНС), случайные леса [10] и контролируемая статистическая классификация . [11]
Распространенной формой ИНС, используемой для прогнозирования фондового рынка, является сеть прямой связи, использующая алгоритм обратного распространения ошибок для обновления весов сети. Эти сети обычно называют сетями обратного распространения ошибки . Другой формой ИНС, которая более подходит для прогнозирования акций, является рекуррентная нейронная сеть (RNN) или нейронная сеть с задержкой по времени (TDNN). Примерами RNN и TDNN являются сети Элмана, Джордана и Элмана-Джордана. (См. « Сети Элмана и Джордана» .)
Для прогнозирования запасов с помощью ИНС обычно используются два подхода к прогнозированию различных временных горизонтов: независимый и совместный. Независимый подход использует одну ИНС для каждого временного горизонта, например, 1-дневного, 2-дневного или 5-дневного. Преимущество этого подхода заключается в том, что ошибка сетевого прогнозирования для одного горизонта не повлияет на ошибку для другого горизонта, поскольку каждый временной горизонт обычно представляет собой уникальную проблему. Однако совместный подход объединяет несколько временных горизонтов, поэтому они определяются одновременно. В этом подходе ошибка прогнозирования для одного временного горизонта может разделять ошибку прогнозирования с ошибкой другого горизонта, что может снизить производительность. Для совместной модели также требуется больше параметров, что увеличивает риск переобучения.
В последнее время большинство академических исследовательских групп, изучающих ИНС для прогнозирования акций, похоже, чаще и с большим успехом используют ансамбль независимых методов ИНС. Ансамбль ИНС будет использовать низкие цены и временные задержки для прогнозирования будущих минимумов, в то время как другая сеть будет использовать запаздывающие максимумы для прогнозирования будущих максимумов. Прогнозируемые минимумы и максимумы затем используются для формирования стоп-цен для покупки или продажи. Выходные данные отдельных «низких» и «высоких» сетей также могут быть введены в окончательную сеть, которая также будет включать в себя объемы, межрыночные данные или статистические сводки цен, что приведет к окончательному совокупному выходному сигналу, который будет инициировать покупку, продажу или направление рынка. изменять.
глубокого обучения В некоторой степени использовались методы Gated Three-Tower . Трансформатор (GT3) — это модель на основе трансформатора, предназначенная для интеграции числовых рыночных данных с текстовой информацией из социальных источников для повышения точности прогнозов фондового рынка. [12]
Поскольку NN требуют обучения и могут иметь большое пространство параметров; полезно оптимизировать сеть для достижения оптимальной прогнозирующей способности. Главный вывод, полученный при использовании ИНС и прогнозирования акций, заключается в том, что классификационный подход (по сравнению с аппроксимацией функций) с использованием выходных данных в форме покупки (y=+1) и продажи (y=-1) приводит к большей надежности прогнозирования, чем количественный результат, такой как как низкая или высокая цена. [13]
Реализации, использующие случайные леса и контролируемую статистическую классификацию, используют тот же подход прогнозирования движения запасов, что и задача бинарной классификации. Согласно этой формулировке, признаком будущей доходности является метка данных, при этом прогнозируемая доходность делится на отрицательную и неотрицательную, а наблюдаемые характеристики, используемые для питания модели классификации, могут быть запаздывающими доходами, лагированным знаком доходности или любые другие пояснительные экономические данные с запаздыванием.
Функция потерь, используемая для оценки качества модели классификации, может быть либо точностью прогноза (определяемой как количество раз, когда классификатор предсказал правильный знак, разделенное на общее количество сделанных прогнозов) [10] или общий доход торговой стратегии, которая покупала, когда классификатор предсказал положительный знак, и продавала, когда классификатор предсказывал отрицательную доходность. [11] Как правило, во всех задачах статистической классификации важно разделить доступные данные на обучающую и тестовую выборки и оценивать модель только на основе результатов тестовой выборки, поскольку обычно она считается более заслуживающей доверия, чем доказательства, основанные на производительности внутри выборки, которые могут быть более чувствительными к выбросам и интеллектуальному анализу данных. [14] Прогнозы вне выборки также лучше отражают информацию, доступную синоптику в «реальном времени».
рынка для прогнозирования Источники данных
Тобиас Прейс и др. представила метод определения онлайн-прекурсоров движений фондового рынка с использованием торговых стратегий, основанных на данных об объеме поиска, предоставленных Google Trends . [15] Их анализ объема поиска Google по 98 терминам различной финансовой значимости, опубликованный в журнале Scientific Reports , [16] предполагает, что увеличение объема поиска по финансово значимым поисковым запросам, как правило, предшествует крупным потерям на финансовых рынках. [17] [18] [15] [19] [20] [21] [22] [23] Из этих условий три были значимыми на уровне 5% (| z | > 1,96). Лучшим термином в отрицательном направлении был «долг», за которым следовал «цвет».
В исследовании, опубликованном в Scientific Reports в 2013 году, [24] Хелен Сюзанна Моат, Тобиас Прейс и коллеги продемонстрировали связь между изменениями количества просмотров статей английской Википедии, касающихся финансовых тем, и последующими крупными движениями фондового рынка. [25]
использованию Text Mining вместе с алгоритмами машинного обучения уделялось больше внимания. В последние годы [26] с использованием текстового контента из Интернета в качестве входных данных для прогнозирования изменений цен на акциях и других финансовых рынках.
Коллективное настроение сообщений в Твиттере связано с показателями фондового рынка. [27] Однако исследование подверглось критике за его методологию.
Активность на досках объявлений по акциям была изучена с целью прогнозирования доходности активов. [28] Корпоративные заголовки Yahoo! Finance и Google Finance использовались в качестве источника новостей в процессе интеллектуального анализа текста для прогнозирования на акции движения цен на основе промышленного индекса Доу-Джонса . [29]
См. также [ править ]
Ссылки [ править ]
- ^ Мартин Дж. Грубер (1996). «Еще одна загадка: рост активно управляемых взаимных фондов». Журнал финансов . 51 (3): 783–810. дои : 10.1111/j.1540-6261.1996.tb02707.x .
- ^ «Индикатор Баффета: где мы находимся с рыночными оценками?» .
- ^ Мислински, Джилл (3 марта 2020 г.). «Рыночная капитализация по отношению к ВВП: обновленный взгляд на индикатор оценки Баффета» . www.advisorperspectives.com . Архивировано из оригинала 14 марта 2020 года.
Вероятно, это лучший показатель того, где находятся оценки в любой данный момент.
- ^ «Уоррен Баффет о фондовом рынке. Что ожидает инвесторов в будущем – еще один бурный бычий рынок или еще большее расстройство желудка? Удивительно, но ответ может сводиться к трем простым факторам. Здесь самый знаменитый инвестор в мире говорит о том, что на самом деле делает рынок тик — и должно ли это тиканье вас нервировать — 10 декабря 2001 года» . archive.fortune.com . Журнал Фортуна . 2001. Архивировано из оригинала 8 марта 2020 года.
- ^ Эндрю В. Ло ; Ясмина Хасанходжич (2010). Эволюция технического анализа: финансовые прогнозы от вавилонских скрижалей до терминалов Bloomberg . Блумберг Пресс . п. 150. ИСБН 978-1576603499 . Проверено 8 августа 2011 г.
- ^ Ирвин, Скотт Х.; Пак, Чхоль-Хо (2007). «Что мы знаем о прибыльности технического анализа?». Журнал экономических обзоров . 21 (4): 786–826. дои : 10.1111/j.1467-6419.2007.00519.x . S2CID 154488391 .
- ^ Ослер, Карен (июль 2000 г.). «Поддержка сопротивления: технический анализ и внутридневные обменные курсы», Обзор экономической политики FRBNY ( резюме и документ здесь ).
- ^ Ло, Эндрю В .; Мамайский, Гарри; Ван, Цзян (2000). «Основы технического анализа: вычислительные алгоритмы, статистические выводы и эмпирическая реализация». Журнал финансов . 55 (4): 1705–1765. CiteSeerX 10.1.1.134.1546 . дои : 10.1111/0022-1082.00265 .
- ^ Чжан, Ю.; Ву, Л. (2009). «Прогнозирование фондового рынка S&P 500 посредством сочетания улучшенного подхода BCO и нейронной сети BP». Экспертные системы с приложениями . 36 (5): 8849–8854. дои : 10.1016/j.eswa.2008.11.028 .
- ^ Jump up to: Перейти обратно: а б Авраам, Ребекка; Самад, Махмуд Эль; Бахач, Амер М.; Эль-Чарани, Хани; Сардук, Ахмад; Немар, Сэм Эл; Джабер, Далия (2022). «Прогнозирование тренда акций с использованием генетического алгоритма и случайного леса» . Журнал риска и финансового менеджмента . 15 (5): 188. doi : 10.3390/jrfm15050188 . HDL : 10419/274710 . ISSN 1911-8074 .
- ^ Jump up to: Перейти обратно: а б Диас, Ф.; Питерс, Гарет В. (2020). «Непараметрический тест и прогнозная модель зависимости от знакового пути» . Вычислительная экономика . 56 (2): 461–498. дои : 10.1007/s10614-019-09934-7 .
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Чен, Цзя; Чен, Тао; Шен, Мэнци; Ши, Юнхай; Ван, Дунцзин; Чжан, Синь (01 сентября 2022 г.). «Закрытый трехбашенный трансформатор для текстового прогнозирования фондового рынка» . Мультимедийные инструменты и приложения . 81 (21): 30093–30119. дои : 10.1007/s11042-022-11908-1 . ISSN 1573-7721 .
- ^ Таворнвонг, С.; Энке, Д. Прогнозирование доходности акций с помощью искусственных нейронных сетей, гл. 3. В: Нейронные сети в бизнес-прогнозировании, редактор: Чжан, GP IRM Press, 2004.
- ^ «Глоссарий: прогнозы внутри выборки и прогнозы вне выборки» . ec.europa.eu . Проверено 22 марта 2024 г.
- ^ Jump up to: Перейти обратно: а б Филип Болл (26 апреля 2013 г.). «Подсчет поисковых запросов в Google предсказывает движения рынка» . Природа . дои : 10.1038/nature.2013.12879 . S2CID 167357427 . Проверено 10 августа 2013 г.
- ^ Тобиас Прейс , Хелен Сюзанна Моут и Х. Юджин Стэнли (2013). «Количественная оценка торгового поведения на финансовых рынках с использованием Google Trends» . Научные отчеты . 3 : 1684. Бибкод : 2013NatSR...3E1684P . дои : 10.1038/srep01684 . ПМЦ 3635219 . ПМИД 23619126 .
- ^ Ник Билтон (26 апреля 2013 г.). «Поисковые запросы Google могут предсказывать фондовый рынок, результаты исследования» . Нью-Йорк Таймс . Проверено 10 августа 2013 г.
- ^ Кристофер Мэтьюз (26 апреля 2013 г.). «Проблемы с вашим инвестиционным портфелем? Погуглите!» . Журнал ТАЙМ . Проверено 10 августа 2013 г.
- ^ Бернхард Уорнер (25 апреля 2013 г.). « Исследователи больших данных обращаются к Google, чтобы победить рынки» . Блумберг Бизнесуик . Архивировано из оригинала 26 апреля 2013 года . Проверено 10 августа 2013 г.
- ^ Хэмиш Макрей (28 апреля 2013 г.). «Хэмиш Макрей: Нужна ценная информация о настроениях инвесторов? Погуглите» . Независимый . Архивировано из оригинала 25 мая 2022 г. Проверено 10 августа 2013 г.
- ^ Ричард Уотерс (25 апреля 2013 г.). «Поиск Google оказался новым словом в прогнозировании фондового рынка» . Файнэншл Таймс . Проверено 10 августа 2013 г.
- ^ Дэвид Лейнвебер (26 апреля 2013 г.). «Большие данные становятся больше: теперь Google Trends может предсказывать рынок» . Форбс . Проверено 10 августа 2013 г.
- ^ Джейсон Палмер (25 апреля 2013 г.). «Поисковые запросы Google предсказывают движения рынка» . Би-би-си . Проверено 9 августа 2013 г.
- ^ Хелен Сюзанна Моут, Честер Керм, Адам Авакян, Дрор Ю. Кенетт, Х. Юджин Стэнли и Тобиас Прейс (2013). «Количественная оценка моделей использования Википедии до движения фондового рынка» . Научные отчеты . 3 : 1801. Бибкод : 2013NatSR...3E1801M . дои : 10.1038/srep01801 . ПМЦ 3647164 .
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ «Хрустальный шар Википедии» . Файнэншл Таймс . 10 мая 2013 года . Проверено 10 августа 2013 г.
- ^ Хадже Насиртусси, Арман; Агабозорги, Саид; Ин Вау, Тэ; Нго, Дэвид Чек Линг (15 ноября 2014 г.). «Интеллектуальный анализ текста для прогнозирования рынка: систематический обзор». Экспертные системы с приложениями . 41 (16): 7653–7670. дои : 10.1016/j.eswa.2014.06.009 .
- ^ Боллен, Йохан; Хуина, Мао; Цзэн, Сяо-Цзюнь. « Настроение Twitter предсказывает фондовый рынок ». Корнеллский университет . 14 октября 2010 г. Проверено 7 ноября 2013 г.
- ^ Рамиро Х. Гальвес; Агустин Гравано (2017). «Оценка полезности онлайн-анализа досок объявлений в автоматических системах прогнозирования запасов». Журнал вычислительной науки . 19 : 1877–7503. дои : 10.1016/j.jocs.2017.01.001 .
- ↑ Бекманн, М. (24 января 2017 г.). Докторская диссертация: Прогнозирование изменения цен на акции с использованием анализа текста новостей. COPPE/Федеральный университет Рио-де-Жанейро