Основные модели прогнозирования на фондовом рынке россии

Журавлева К. С.

Магистрант 1 курса экономического факультета,

Кубанский государственный университет (КубГУ), Россия, г. Краснодар

Аннотация: Динамичность и сложность фондового рынка требуют от инвесторов знаний методов его оценки, а также навыков в сфере анализа, проводимого при выборе инвестиционных инструментов для формирования портфелей. В данной статье рассмотрены наиболее распространённые модели прогнозирования на фондовом рынке.

Ключевые слова: прогнозирование, фондовый рынок, регрессионная модель, временной ряд, технический анализ, фундаментальный анализ.

Summary: Dynamism and complexity of the stock market demand from investors of knowledge of methods of his assessment, and also skills in the sphere of the analysis which is carried out at the choice of investment tools for formation of portfolios. In this article the most widespread models of forecasting in the stock market are considered.

Keywords: forecasting, stock market, regression model, time row, technical analysis, fundamental analysis.

Модель прогнозирования — формализованный способ описания исследуемого процесса (объекта прогнозирования), являющийся основой для получения его будущих значений, который опирается на использование методов прогнозирования. Набор методов в каждой модели различается, определяет ее принадлежность к тому или иному классу прогнозных моделей.

Модели прогнозирования мировых цен на финансовых рынках относятся к категории «сверхсложных»[1]. В их описании необходимо учитывать взаимосвязи между большим количеством факторов (показателей). Множественны функции, которыми описываются связи. Множественны и сами модели прогнозирования в силу различий в понимании природы моделируемых объектов.

Раньше, еще до появления графических интерпретаций цен, люди прогнозировали динамику показателей финансового рынка исходя исключительно из фундаментальных факторов, таких как политические события, природные явления и т. д. Когда, на протяжении некоторого количества времени, была собрана определенная историческая статистика, появилась возможность применения методов графического и технического анализа. Рассмотрим пути их совершенствования с момента создания до сегодняшнего дня.

Самым первым инструментом для предсказания цен являются японские свечи и метод Сакаты. Название метод получил от портового городка, где Мунехиса Хонма торговал рисом, вел статистику дневных цен и фиксировал динамику на следующий день. Данный метод применяется по сей день, как профессиональными трейдерами, так и новичками. Также свечные формации являются целью для распознавания нейронной сетью. Многие из свечных фигур совпадают с формой западных графических моделей. В совокупности они составляют набор геометрических фигур, который стал неотъемлемой частью существующего технического анализа.

Следующим этапом развития изучения ценовых диаграмм можно считать попытку свести рыночные флуктуации к математической модели. При изучении создавали большое число математических задач, целью которых был просчет следующих значений числовой последовательности, к которой можно свести весь рынок. Открытые тогда методики сейчас также можно найти практически в каждом классическом учебнике по техническому анализу: числовая сеть Фибоначчи, линии Ганна и волны Эллиота. Эти инструменты популярны и по сей день, за исключением корректировки под мировую финансовую ситуацию.

Далее рассмотрим неструктурные или, как их еще называют, эконометрические методы, основанные на использовании статистических методов для поиска статистических закономерностей, объясняющих поведение переменных модели, без существенной привязки к положениям экономической теории. Из них можно выделить модели анализа временных рядов, регрессионные модели и технический анализ.

Анализ временных рядов основывается на предположении, что последовательность значений в ряде данных повторяется через определенные промежутки времени. Предполагает проведение анализа на основе ретроспективных данных.

«Из-за разнообразия методов прогнозирования временных рядов, трендовых моделей (аддитивных, мультипликативных, смешанных), критериев выбора оптимальных показателей, возникает необходимость комбинации прогнозов, учитывающих специфику различных методов прогнозирования». Анализ временных рядов можно совместить с регрессионными моделями.

Что касается регрессионных моделей, широкое распространение они в практических целях получили в связи с экономическими причинами: при наличии больших совокупностей информационных данных дешевле и быстрее будет произвести оценку объектов, образующих выборку и в дальнейшем пользоваться этой моделью для составления прогнозов по данному направлению, нежели пересчитывать каждый раз исходные данные.

В основе регрессионных моделей лежит анализ, целью которого является определение зависимости между исходной переменной и множеством внешних факторов, так называемых, регрессоров. При построении модели выбираются факторы, влияющие на объект прогнозирования. Ограничивающим критерием в данном случае является то, что добавление в модель большего количества факторов неоправданно, корректнее произвести выборку из сравнительно небольшого числа базовых факторов. В процессе тестирования выявляются наиболее надежные и подходящие из них. Базовые факторы находятся в корреляционной связи с выбранным функциональным показателем. Для уравнения регрессии важно определить доверительные интервалы, которые возможно использовать в прогнозировании. В итоге мы получает многофакторную регрессионную модель для прогнозирования.

К построению моделей данного типа нужно подходить системно: в процесс должен быть включен план эксперимента, алгоритм выбора структуры модели, оценка коэффициентов модели.

Что касается технического анализа, он изучает, прежде всего, сами ценовые изменения, основан на построении графиков, технических индикаторов, изучении показателей открытых позиций и объема торговли и предполагает, что в цене содержится вся имеющаяся на рынке информация. Однако при построении прогнозов возникает ряд проблем. Институциональные факторы не описываются статистически, а значит, невозможно построить соответствующие количественные временные ряды.

Гипотеза эффективности рынка утверждает, что вся новая информация моментально отражается в рыночных ценах, поэтому на эффективном рынке никто не может прогнозировать динамику рыночных цен, и все рыночные цены являются справедливыми для данных активов.

Существует три разновидности эффективного рынка: слабая, средняя и сильная фирма эффективности. При слабой форме, стоимость рыночного инструмента полностью отражает прошлую информацию, относящуюся к нему, прежде всего, это динамика курсовой стоимости и объемов торгов.

Средняя форма эффективности отражает на только прошлую информацию о состоянии рыночного актива, но и публичную информации, находящуюся в свободном доступе (отчеты компаний, проведение собраний ,выплаты дивидендов и т. д.)

Сильная форма эффективности помимо перечисленных выше факторов отражает также влияние инсайдерской информации, известной узкому кругу лиц. Технические аналитики склоняются к данной форме и считают, что фундаментальный анализ не поможет в оценке будущей стоимости, так как все данные, что могли повлиять на нее, уже оказали влияние.

Согласно теории случайных блужданий, изменения стоимости ценных бумаг колеблются случайным образом, то есть рынок практически непредсказуем. Данные теории могут быть подвержены критике, однако особенности отечественного фондового рынка, такие как использование инсайдерской информации, недостаток информации и манипуляции на рынке ценных бумаг, также осложняют прогнозирование цен.

Таким образом, знание моделей прогнозирования на фондовом рынке очень важно, учитывая изменчивость российского фондового рынка. Развитие прогнозирования и повышения точности прогнозов будет повышать эффективность работы фондового рынка, а, следовательно, его привлекательность для инвесторов.

Список использованных источников:

1. Миркин Я. М. Международная практика прогнозирования цен на мировых рынках. — М.: Магистр, 2014. 456 с.

2. Налобин А. М. Моделирование и прогнозирование волатильности финансовых показателей фондового рынка // Актуальные проблемы гуманитарных и естественных наук, № 2-1. 2014.