वित्तीय समय श्रृंखला का पूर्वानुमान

परिचय

सभी को नमस्कार, चूंकि तंत्रिका नेटवर्क के बारे में लेखों की एक श्रृंखला हब पर गई थी, इसलिए मैं वित्तीय समय श्रृंखला के पूर्वानुमान के कार्य में तंत्रिका नेटवर्क का उपयोग करने की संभावना के बारे में लिखूंगा।
शेयर बाजारों के पूर्वानुमान की संभावना के बारे में कई अलग-अलग सिद्धांत हैं। उनमें से एक प्रभावी बाजार की परिकल्पना है, इसके अनुसार, सभी उपलब्ध जानकारी स्टॉक मूल्य में पहले से ही ध्यान में रखी जाती है और यह पूर्वानुमान बनाने के लिए कोई मतलब नहीं है। इस परिकल्पना की निरंतरता को यादृच्छिक चलता का सिद्धांत कहा जा सकता है।
यादृच्छिक चलता के सिद्धांत में, जानकारी को दो श्रेणियों में विभाजित किया जाता है - पूर्वानुमान योग्य, ज्ञात और नया, अप्रत्याशित। यदि पूर्वानुमान योग्य है, और इससे भी अधिक, पहले से ही ज्ञात जानकारी पहले से ही बाजार की कीमतों में शामिल है, तो कीमत में नई अप्रत्याशित जानकारी अभी तक मौजूद नहीं है। अप्रत्याशित जानकारी के गुणों में से एक इसकी यादृच्छिकता है और, तदनुसार, कीमत में बाद के बदलाव की यादृच्छिकता। कुशल बाजार की परिकल्पना नई अप्रत्याशित जानकारी के आगमन के साथ कीमतों में बदलाव की व्याख्या करती है, और यादृच्छिक चलता का सिद्धांत मूल्य परिवर्तनों की यादृच्छिकता के बारे में एक राय के साथ इसे पूरक करता है।

यादृच्छिक चाल के सिद्धांत का एक संक्षिप्त व्यावहारिक निष्कर्ष - खिलाड़ियों को अपने काम में खरीद-और-पकड़ रणनीति का उपयोग करने के लिए प्रोत्साहित किया जाता है। यह ध्यान दिया जाना चाहिए कि रैंडम वॉक के सिद्धांत की हेय 70 के दशक में आई थी, जब अमेरिकी शेयर बाजार, जो परंपरागत रूप से सभी नए आर्थिक सिद्धांतों के उपयोग के लिए मुख्य परीक्षण का मैदान रहा है, का कोई स्पष्ट रुझान नहीं था, और बाजार खुद एक संकीर्ण गलियारे में था। कुशल बाजार परिकल्पना और यादृच्छिक चलना सिद्धांत के अनुसार, मूल्य पूर्वानुमान असंभव है। ^[1]
हालांकि, अधिकांश बाजार प्रतिभागी अभी भी पूर्वानुमान के लिए विभिन्न तरीकों का उपयोग करते हैं, यह मानते हुए कि श्रृंखला स्वयं छिपे हुए पैटर्न से भरी है।
तकनीकी विश्लेषण के संस्थापक इलियट (आर। इलियट) ने 30 के दशक में अपने लेखों की एक श्रृंखला में ऐसे छिपे हुए अनुभवजन्य पैटर्न की पहचान करने की कोशिश की थी।
80 के दशक में, इस दृष्टिकोण को गतिशील अराजकता के सिद्धांत में अप्रत्याशित समर्थन मिला जो कुछ समय पहले दिखाई दिया था। यह सिद्धांत यादृच्छिकता और स्टोचैस्टिसिटी (यादृच्छिकता) के विरोध पर आधारित है। अराजक श्रृंखला केवल यादृच्छिक दिखती है, लेकिन, एक नियतात्मक गतिशील प्रक्रिया की तरह, अल्पकालिक पूर्वानुमान काफी स्वीकार्य है। संभावित भविष्यवाणियों की सीमा पूर्वानुमान क्षितिज द्वारा समय में सीमित है, लेकिन यह भविष्यवाणियों (चोराफास, 1994) से वास्तविक आय उत्पन्न करने के लिए पर्याप्त हो सकती है। और जिसके पास शोर अराजक श्रृंखला से पैटर्न निकालने का सबसे अच्छा गणितीय तरीका है, वह अपने कम सुसज्जित भाइयों की कीमत पर - अधिक लाभ की दर की उम्मीद कर सकता है। ^[2]

पूर्वानुमान के तरीके

वर्तमान में, पेशेवर बाजार प्रतिभागी वित्तीय समय श्रृंखला के पूर्वानुमान के लिए विभिन्न तरीकों का उपयोग करते हैं, जिनमें से मुख्य हैं:
1) विशेषज्ञ पूर्वानुमान के तरीके।
विशेषज्ञ विधियों के समूह से सबसे आम विधि डेल्फी विधि है। विधि का सार विभिन्न विशेषज्ञों की राय और उनके सामान्यीकरण को एक मूल्यांकन में इकट्ठा करना है। यदि हम इस पद्धति का उपयोग करके वित्तीय बाजारों की भविष्यवाणी कर रहे हैं, तो हमें ऐसे विशेषज्ञ समूह का चयन करने की आवश्यकता है जो इस विषय क्षेत्र के जानकार हों (यह विश्लेषक, पेशेवर व्यापारी, निवेशक, बैंक आदि) हो सकते हैं, एक सर्वेक्षण या सर्वेक्षण कर सकते हैं और मौजूदा आर्थिक स्थिति के बारे में सामान्यीकरण कर सकते हैं।
2) तार्किक मॉडलिंग के तरीके।
लंबी अवधि में बाजार के पैटर्न की खोज और पहचान के आधार पर।
इसमें विधियाँ शामिल हैं:
- एक स्क्रिप्टिंग विधि ("अगर - तो"), एक घटना के परिणामों के अनुक्रम का विवरण, एक ज्ञान आधार के निर्माण के साथ;
- छवि पूर्वानुमान के तरीके;
- उपमाओं की विधि।
3) आर्थिक और गणितीय तरीके।
इस समूह के तरीके अध्ययन के तहत वस्तु के मॉडल बनाने पर आधारित हैं। आर्थिक-गणितीय मॉडल एक निश्चित योजना है, जो दी गई शर्तों के तहत प्रतिभूति बाजार के विकास का मार्ग है। वित्तीय समय श्रृंखला की भविष्यवाणी करते समय, सांख्यिकीय, गतिशील, माइक्रो-मैक्रो, रैखिक, गैर-रैखिक, वैश्विक, स्थानीय, उद्योग, अनुकूलन और वर्णनात्मक का उपयोग किया जाता है। ऑप्टिमाइज़ेशन मॉडल वित्तीय विज्ञानों के लिए बहुत महत्वपूर्ण हैं; वे समीकरणों की एक प्रणाली हैं, जिसमें विभिन्न बाधाएं शामिल हैं, साथ ही एक विशेष समीकरण जिसे इष्टतमता कार्यात्मक (या इष्टतमता मानदंड) कहा जाता है। इसके साथ, वे किसी भी संकेतक के लिए इष्टतम, सबसे अच्छा समाधान पाते हैं।
4) सांख्यिकीय तरीके।
वित्तीय समय श्रृंखला के लिए सांख्यिकीय पूर्वानुमान विधियां विभिन्न सूचकांकों (फैलाना, मिश्रित) के निर्माण पर आधारित हैं, विचरण की गणना, अपेक्षा, भिन्नता, सहसंयोजक, प्रक्षेप, एक्सट्रपलेशन।
5) तकनीकी विश्लेषण।
पिछले मूल्य परिवर्तनों के विश्लेषण के आधार पर भविष्य के मूल्य परिवर्तनों का पूर्वानुमान। यह कीमतों की समय श्रृंखला के विश्लेषण पर आधारित है - "चार्ट" (अंग्रेजी चार्ट से)। मूल्य श्रृंखला के अलावा, तकनीकी विश्लेषण ट्रेडिंग वॉल्यूम और अन्य सांख्यिकीय डेटा की जानकारी का उपयोग करता है। ज्यादातर, तकनीकी विश्लेषण विधियों का उपयोग कीमतों का विश्लेषण करने के लिए किया जाता है जो कि स्वतंत्र रूप से बदलते हैं, उदाहरण के लिए, एक्सचेंजों पर। तकनीकी विश्लेषण में कई उपकरण और विधियां हैं, लेकिन उनमें से सभी एक धारणा पर आधारित हैं: समय श्रृंखला के विश्लेषण से, रुझानों को उजागर करते हुए, हम कीमतों के व्यवहार की भविष्यवाणी कर सकते हैं।
6) मौलिक विश्लेषण।
अपने वित्तीय और उत्पादन प्रदर्शन के विश्लेषण के आधार पर किसी कंपनी के बाजार (स्टॉक) मूल्य की भविष्यवाणी करने की विधि।
फंडामेंटल विश्लेषण का उपयोग निवेशकों द्वारा कंपनी (या उसके शेयरों) के मूल्य का आकलन करने के लिए किया जाता है, जो कंपनी में मामलों की स्थिति, इसकी गतिविधियों की लाभप्रदता को दर्शाता है। इसी समय, कंपनी के वित्तीय संकेतकों का विश्लेषण किया जाता है: राजस्व, ईबीआईटीडीए (आय से पहले की कमाई कर, अवमूल्यन और परिशोधन), शुद्ध लाभ, शुद्ध मूल्य, देनदारियों, नकदी प्रवाह, भुगतान किए गए लाभांश की राशि और कंपनी के प्रदर्शन।
^{[३] [४] [५]}

वित्तीय समय श्रृंखला की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क का उपयोग करना

तंत्रिका नेटवर्क को तकनीकी विश्लेषण के तरीकों के लिए जिम्मेदार ठहराया जा सकता है, क्योंकि वे अपने ऐतिहासिक डेटा से सीखते हुए, श्रृंखला के विकास में पैटर्न की पहचान करने का भी प्रयास करते हैं।
वित्तीय समय श्रृंखला काफी शोर है और इसलिए डेटा प्रीप्रोसेसिंग और चर कोडिंग पर विशेष ध्यान दिया जाना चाहिए।

अंजीर। 1 - आरटीएस सूचकांक के कैंडलस्टिक्स के रूप में अंतराल चार्ट। अवधि दिन है।

संदर्भ के लिए: चार्ट पर प्रत्येक आंकड़ा हमें एक निश्चित अवधि (इस मामले में, एक दिन) और इस अवधि के लिए मूल्य आंदोलन दिखाता है। हम उनका वर्णन करते हैं:
- इस अवधि की शुरुआत में शुरुआती मूल्य कीमत है
- समापन मूल्य इस अवधि के अंत में मूल्य है
- अधिकतम मूल्य इस पूरी अवधि के लिए अधिकतम मूल्य है
- न्यूनतम मूल्य - यह इस पूरी अवधि के लिए न्यूनतम मूल्य है
- यदि इस अवधि के लिए कीमत बढ़ गई है (तेजी की प्रवृत्ति), मोमबत्ती का शरीर सफेद (या पारदर्शी) होगा
- यदि इस अवधि के लिए मूल्य कम हो गया (मंदी की प्रवृत्ति), तो मोमबत्ती का शरीर काला (या छायांकित) होगा ^[6]

अंजीर। 2 - जापानी मोमबत्तियाँ।

भविष्यवाणियों के लिए वास्तव में महत्वपूर्ण उद्धरणों में परिवर्तन हैं। इसलिए, प्रारंभिक प्रसंस्करण के बाद, हम तंत्रिका नेटवर्क के इनपुट को सूत्र X [t] / X [t-1], जहां X [t] और X [t-1] सूत्र के अनुसार गणना किए गए उद्धरणों की प्रतिशत वृद्धि की एक श्रृंखला प्रस्तुत करेंगे।

अंजीर। 3 - सूत्र X [t] / X [t-1] के अनुसार गणना किए गए उद्धरणों में प्रतिशत वृद्धि की एक श्रृंखला।

लेकिन, क्योंकि चूँकि प्रतिशत वृद्धि में एक गौसियन वितरण होता है, और परिमित अंतराल पर परिभाषित सभी सांख्यिकीय वितरण कार्यों में, वितरण अधिकतम एन्ट्रॉपी होता है, तो हम इनपुट चर को सांकेतिक शब्दों में बदलना करते हैं ताकि प्रशिक्षण नमूने में सभी उदाहरण लगभग एक ही जानकारी लोड करें।

अंजीर। 4 - उद्धरण चिह्नों के प्रतिशत वृद्धि का वितरण।

यहाँ एल्गोरिथ्म निम्नलिखित है - न्यूनतम प्रतिशत वृद्धि से लेकर अधिकतम तक के खंड को एन खंडों में विभाजित किया गया है, ताकि प्रत्येक खंड के मूल्यों की श्रेणी में उद्धरणों की समान प्रतिशत वृद्धि शामिल हो।

अंजीर। 5 - 6 खंडों की सीमाएं, प्रत्येक खंड में प्रतिशत वृद्धि की संख्या बराबर है।

अगला, हम प्रत्येक खंड की पहचान करने वाली कक्षाओं में प्रतिशत वृद्धि को फिर से दोहराते हैं।

अंजीर। 6 - प्रतिशत वेतन वृद्धि का ट्रांसकोडिंग।

और हमें एक समान वितरण मिलता है।

अंजीर। 7 - समान वितरण।

समय श्रृंखला के पूर्वानुमान के कार्यों में प्रशिक्षण सेट के गठन के लिए इनपुट चित्र प्राप्त करने के कार्य में "विंडो" विधि का उपयोग शामिल है। इस पद्धति में एक निश्चित आकार के साथ "विंडो" का उपयोग शामिल है, जो ऐतिहासिक डेटा के समय अनुक्रम के माध्यम से नेविगेट करने में सक्षम है, जो पहले तत्व से शुरू होता है, और इस तरह के डेटा होने, आकार एन के एक "विंडो" एक्सेस करने के लिए समय-श्रृंखला डेटा, इसके अलावा, डिज़ाइन किया गया है। 1 से N-1, और Nth तत्व का उपयोग आउटपुट के रूप में किया जाता है।

अंजीर। 8 - "विंडो" विधि।

प्रशिक्षण नमूने की गुणवत्ता अधिक है, इसकी असंगतता कम है और अधिक पुनरावृत्ति है। वित्तीय समय श्रृंखला के पूर्वानुमान के कार्यों के लिए, प्रशिक्षण नमूने की उच्च असंगति एक संकेत है कि विवरण विधि असफल है। असंगति और दोहराव को प्रभावित करने वाले कारक:
1) प्रशिक्षण नमूने के तत्वों की संख्या - अधिक तत्व, असंगतता और पुनरावृत्ति अधिक से अधिक;
2) वर्गों की संख्या जिसके लिए प्रतिशत वृद्धि हुई थी, ट्रांसकोड किया गया था - वृद्धि, असंगति और पुनरावृत्ति में कमी के साथ;
3) वित्तीय समय श्रृंखला ("विंडो") में विसर्जन की गहराई - अधिक से अधिक गहराई, कम असंगति और कम पुनरावृत्ति।
एक प्रशिक्षण नमूना बनाते समय, इन मापदंडों को बदलते हुए, एक संतुलन खोजना आवश्यक है, जिस पर असंगति का स्तर न्यूनतम हो और दोहराव अधिकतम हो।

एक व्यावहारिक उदाहरण के लिए, हम 16 जनवरी 2012 से 17 अप्रैल 2012 तक आरटीएस सूचकांक की वृद्धि की दिशा की भविष्यवाणी करते हैं, यह अवधि एक दिन है।

अंजीर। 9 - आरटीएस इंडेक्स चार्ट 8.01.2012 से 04.18.2012, अवधि - दिन।

हम परीक्षण सेट (पिछले 50 अवधियों) पर सबसे अच्छे परिणाम (सूचकांक मूल्य में परिवर्तन की सही दिशा के 70% से अधिक) दिखाने वाले तंत्रिका नेटवर्क का एक संग्रह बनाएंगे। प्रत्येक 5 अवधि, संग्रह को फिर से बनाया गया है, पहले से ही पूर्वानुमान की गई अवधि को परीक्षण सेट में शामिल किया गया है। संग्रह में शामिल तंत्रिका नेटवर्क एक ही प्रकार के नहीं हैं - प्रत्येक का एक प्रशिक्षण नमूना आकार है, उन वर्गों की संख्या जिनके लिए प्रतिशत वृद्धि, विसर्जन की गहराई ("खिड़की") और छिपी हुई परत में न्यूरॉन्स की संख्या को ट्रांसकोड किया गया है जो वर्तमान बाजार की स्थिति की सबसे सटीक रूप से भविष्यवाणी करता है (पिछले 50 अवधि) )।
उपयोग किए गए तंत्रिका नेटवर्क की मूल वास्तुकला एक बहु-परत अवधारणात्मक है जिसमें एक छिपी हुई परत है। ALGLIB लाइब्रेरी ^[7] में एक अद्भुत रेडीमेड कार्यान्वयन है। सीखने के एल्गोरिथ्म के रूप में, हम एल-बीएफजीएस एल्गोरिथ्म (सीमित मेमोरी बीएफजीएस), एक क्वैसी-न्यूटनियन पद्धति का उपयोग करते हैं, जिसमें एक पुनरावृत्ति जटिलता है जो कि WCount वेटिंग कारकों और प्रशिक्षण सेट के आकार, और मध्यम अतिरिक्त मेमोरी आवश्यकताओं - O (WCount) की संख्या में रैखिक है।

संग्रह उदाहरण:

से पूर्वानुमान: 01/16/2012 से 01/20/2012
नेटवर्क की संख्या: 16
नेटवर्क सेटिंग्स:
इनपुट: 3 छिपी परत: 18 वर्गों की संख्या: प्रशिक्षण नमूने की 4 लंबाई: 200 परिणाम के बारे में। आउट: 74.6 टेस्ट आउट परिणाम: 72.5
इनपुट: 3 छिपी परत: 19 वर्गों की संख्या: प्रशिक्षण नमूने की 4 लंबाई: 200 परिणाम। आउट: 74.6 टेस्ट आउट परिणाम: 72.5
इनपुट: 3 छिपी परत: 20 वर्गों की संख्या: 4 प्रशिक्षण नमूने की लंबाई: 200 परिणाम। आउट: 74.6 टेस्ट आउट परिणाम: 72.5
इनपुट: ४ छिपी परत: १ classes वर्गों की संख्या: ४ प्रशिक्षण नमूने की लंबाई: २०० परिणाम। आउट: 75.6 टेस्ट आउट परिणाम: 74.5
इनपुट: 4 छिपी परत: 20 वर्गों की संख्या: प्रशिक्षण नमूने की लंबाई 4: 200 परिणाम। आउट: 74.1 टेस्ट आउट के परिणाम: 72.5
इनपुट: 5 छिपी हुई परत: 19 वर्गों की संख्या: प्रशिक्षण नमूने की 4 लंबाई: 200 परिणाम। vyb।: 74,6 परीक्षण vyb पर परिणाम।: 70,6
इनपुट: 5 छिपी हुई परत: 20 वर्गों की संख्या: प्रशिक्षण नमूने की 4 लंबाई: 200 परिणाम। आउट: 76.1 टेस्ट आउट परिणाम: 72.5
इनपुट: ४ छिपी परत: १ classes वर्गों की संख्या: ५ प्रशिक्षण नमूने की लंबाई: २०० परिणाम। vyb।: 67,2 परीक्षण vyb पर परिणाम।: 74,5
इनपुट: 5 छिपी परत: 18 वर्गों की संख्या: प्रशिक्षण नमूने की लंबाई 5: 200 परिणाम। आउट: 70.6 टेस्ट आउट परिणाम: 74.5
इनपुट: 5 छिपी परत: 19 वर्गों की संख्या: प्रशिक्षण नमूने की लंबाई 5: 200 परिणाम। vyb।: 76,6 परीक्षण vbb पर परिणाम।: 74,5
इनपुट: 5 छिपी परत: 20 वर्गों की संख्या: प्रशिक्षण नमूने की लंबाई 5: 200 परिणाम। आउट: 76.1 टेस्ट आउट परिणाम: 74.5
इनपुट: 3 छिपी परत: 18 वर्गों की संख्या: प्रशिक्षण नमूने की 4 लंबाई: 270 परिणाम के बारे में। आउट: 74.9 टेस्ट आउट के परिणाम: 70.6
इनपुट: 3 छिपी परत: 19 वर्गों की संख्या: 4 प्रशिक्षण नमूने की लंबाई: 270 परिणाम के बारे में। आउट: 74.9 टेस्ट आउट के परिणाम: 70.6
इनपुट: 3 छिपी परत: 20 वर्गों की संख्या: 4 प्रशिक्षण नमूने की लंबाई: 270 परिणाम के बारे में। आउट: 74.9 टेस्ट आउट के परिणाम: 70.6
इनपुट: 5 छिपी परत: 18 वर्गों की संख्या: 4 प्रशिक्षण नमूने की लंबाई: 340 परिणाम के बारे में। आउट: 78.0 टेस्ट आउट परिणाम: 70.6
इनपुट: 5 छिपी परत: 19 वर्गों की संख्या: 4 प्रशिक्षण नमूने की लंबाई: 340 परिणाम के बारे में। vyb।: 79,5 एक परीक्षण vyb पर परिणाम।: 74,5


सभी उपयोग किए गए संग्रह के मापदंडों को फ़ाइल में देखा जा सकता है

चूंकि हम आरटीएस सूचकांक परिवर्तन की दिशा का अनुमान लगाते हैं, इसलिए हम सबसे सरल रणनीति का उपयोग करते हैं - वर्तमान अवधि के समापन मूल्य पर एक स्थिति खोलें और लाभ या हानि को ठीक करते हुए पूर्वानुमान अवधि के समापन मूल्य पर बंद करें।

अंजीर। 10 - कार्य का परिणाम।

16 जनवरी, 2012 से 17 अप्रैल, 2012 तक काम का परिणाम: सूचकांक मूल्य में परिवर्तनों की सही ढंग से अनुमानित दिशाओं का 77%।