Автоматизация применения теории Г. Марковица для мониторинга рынка валют

Размещено на http://www.allbest.ru/

Тема

Автоматизация применения теории Г. Марковица для мониторинга рынка валют

Дулин А.Н. д.т.н , профессор ЮРГПУ им. М.И. Платова

Рыбалкин А.Д., к.т.н, доцент ЮРГПУ им. М.И. Платова

Рыбалкин Д.А. ООО «СГК-Трубопроводстрой-2» инженер ПТО

Теоретические основы

Известные методы страхования таких рисков (хеджирование) приводят к потере премий, уплаченных за страхование. По этому, целесообразно с целью снижения расходов на страхование валютных рисков рассмотреть возможность применения новых методов прогнозирования [2], отличающихся от известных более высокой точностью прогноза.

Под прогнозом цены финансового инструмента для целей дальнейшего изложения будем понимать количественное значение цены. Такое определение прогноза отличается от принятого на валютном и фондовом рынках [3], где в качестве прогноза обычно указывают только предполагаемое направление движения цены на некоторую временную перспективу. Различают краткосрочный, среднесрочный и долгосрочный прогнозы [2]. Для оценки валютных рисков, предприятиями реального сектора экономики краткосрочные риски не представляют интереса. Оценка этих рисков представляет интерес только для спекулянтов.

Согласно [2] все методы прогнозирования можно разделить на 3 группы:

1. Анализ временных рядов. Эти методы получили широкое развитие и применение при торговле на рынке Форекс под общим названием «Технический анализ». [3]

2. Каузальные методы прогнозирования. Эти методы распадаются на 3 большие группы, а именно: многомерные регрессионные модели, эконометрические модели и компьютерная имитация. Практическое применение этих методов невозможное без применения ЭВМ и возможно только при наличии соответствующего программного обеспечения.

3. Качественные методы прогнозирования. Как следует из самого названия, эти методы не применимы для прогнозирования цены, а могут только указывать наиболее вероятное направление движения цены.

В работе предлагается метод прогнозирования использующей в своей основе портфельную теорию Г. Марковица.

Как известно при определении состава оптимального портфеля в качестве исходных данных для расчета используется таблица, в которой собрана информация о финансовых инструментах. Эта таблица в дальнейшем используется в расчетах в форме матрицы.

Таблица 1 - Вид базы данных

Имея такую базу данных можно построить функциональную взаимосвязь между переменной, выбранной в качестве эндогенной (Y) и одной или несколькими экзогенными переменными X1,X2,...XN.

С помощью таблицы значений прошлых наблюдений можно подобрать (например, методом наименьших квадратов) коэффициенты регрессии, настроив тем самым модель [2].

При работе с регрессией надо соблюдать определенную осторожность и обязательно проверить на адекватность найденные модели. Однако для практического применения таких моделей для прогнозирования цены недостаточно определить адекватность модели один раз на исторических данных и затем применять неограниченно долго. Дело в том, что при выходе фундаментальных данных [4], существенно отличающихся от ожиданий рынка, происходит резкое движение и даже возможно изменение движения рынка на противоположное (разворот тренда). В этих условиях применение модели рассчитанной по историческим данным, которые имели место до выхода новости, которая привела к развороту рынка недопустимо, так как прогноз будет ошибочным. В свою очередь ошибка прогноза явилась следствием того, что применяемая модель перестала быть адекватной изменившемуся рынку.

С целью повышения точности прогноза предложено в режиме реального времени отслеживать разность между реальной ценой инструмента и прогноза и применяя методы теории автоматического управления вводить корректирующие воздействие.

Для реализации этого алгоритма необходимо решать одновременно две задачи:

-контролировать адекватность применяемой модели существующим в данный момент на рынке условиям;

-выполнять прогноз, рассчитывая значения цены с применением полученной модели.

Понятно, что решение этой задачи в режиме реального времени возможно только при наличии программного обеспечения и современного персонального компьютера [5].

Выбор экзогенных переменных для прогнозирования курса финансового инструмента.

Идея о применении корреляционных зависимостей для прогнозирования курсов валют может быть применена, только после всестороннего анализа их наличия и устойчивости на продолжительных интервалах времени.

Этот факт может служить основанием для проверки. Вычислим коэффициент корреляции для различных тайм - фреймов и для разного радиуса(n).

каузальный прогноз валютный риск

Рисунок 1 - График корреляционной зависимости между EURUSD и USDCHF на тайм фрейме D1 для n=55 для временного интервала с 21.12.2009 по 26.08.2010

На данном графике коэффициент корреляции постоянно отрицательный. С помощью разработанной программы были проведены исследования, которые показали, что коэффициент корреляции не остаётся постоянным и даже в некоторые моменты времени становится положительным. При увеличении радиуса наблюдения характер изменения коэффициента корреляции становится более ровным и большее время находится в окрестности точки -1.

Следовательно, валютная пара USDCHF может рассматриваться как претендент на роль экзогенной переменной при прогнозировании курса валютной пары EURUSD.

Рассмотрим и других возможных претендентов.

Ожидаем, что GBPUSD и EURUSD связаны прямой зависимостью. Исследования показали, что в большинстве случаев это действительно так, Следовательно, и пара GBPUSD так же может рассматриваться как претендент на роль экзогенной переменной при прогнозировании курса валютной пары EURUSD.

Как показали дальнейшие исследования, в качестве экзогенной переменной при прогнозировании курса валютной пары EURUSD может рассматриваться цена золота в долларах США и цена нефти так же в долларах США.

Программное обеспечение для прогнозирования

На практике можно добиться повышения качества прогноза за счёт применения прогноза, который строиться на нескольких инструментах [6]. При этом в качестве наиболее вероятного принимать тот, у которого коэффициент корреляции по модулю больше некоторого наперед заданного. В приведенных ниже расчетах этот уровень выбран равным 0,8 по модулю.

Рисунок 2 - График прогноз между EURUSD, USDCHF(красно-зеленый), XAUUSD (желто-серый), _ QMUSD (черно синий) и GBPUSD (аква-светлозеленый ) на тайм фрейме m5 для n=55 для временного интервала с 10.01.2011 по 11.01.2011

На рисунке 2 приведен прогноз значения EURUSD при использовании в качестве экзогенных переменных USDCHF, XAUUSD, _QMUSD,GBPUSD. На пересечении зеленой и синей линий прогноза мы видим сигнал к входу в рынок, стоимость инструмента составит примерно 1.2960. Прогнозируемая цена закрытия 1.2930. Мы видим, что это имеет место быть перед ростом вверх.

При открытии данной позиции рекомендую поставить стоп-лосс (ордер, ограничивающий величину убытка) равным тейк-профиту (ордер, задающий величину прибыли) так как 30 пипсов очень маленький ход. Но очень интересный для работы, так как на 5 минутах можно открывать и закрывать позицию много раз в день.

Рисунок 3- График прогноз между EURUSD, USDCHF(красно-зеленый), XAUUSD (желто-серый), _ QMUSD (черно синий) и GBPUSD (аква - светлозеленый) на тайм фрейме m15 для n=55 для временного интервала с 11.11.2010 по 12.11.2010

На рисунке 3 приведен прогноз EURUSD по отношению к USDCHF, XAUUSD, _QMUSD,GBPUSD. Синяя линия дала сигнал на покупку, который оправдался. При использовании консервативных стратегий входить по сигналу только от одного инструмента не рекомендуется. В данном случае, если трейдер войдет в рынок будет использована агрессивная стратегия и соответственно рост рисков неизбежен.

Выводы

1. Теоретические основы теории Г. Марковица могут быть применены для построения не только портфельной, но и других моделей рынка.

2. Точность прогноза цены финансового инструмента можно повысить за счёт мониторинга рынка в режиме реального времени.

3. Для практической реализации мониторинга рынка в режиме реального времени разработано соответствующее программное обеспечение.

Литература

1. Сычев В.А. Экономико-математические модели оценки и прогнозирования валютных рисков во внешнеэкономической деятельности хозяйствующих субъектов./ Под общ. Ред. Проф. Е.Б. Колбачева.- Ростов н/ Д: Академцентр, 2009, -с.302.

2. Шикин Е.В., Чхартишвили А.Г. Математические методы и модели в управлении: Учеб. пособие .-М.: Дело, 2000. - 440 с.

3. Стивен Б. Акелис. Технический анализ от А до Я.-М.: Диаграмма, 2000. -376 с.

4. Основные экономические индикаторы.; учеб. пособие./ Ричард Ямароне ;пер. с англ. -М.: СмартБук.,2010.-320 с.

5. Дулин А.Н. Рыбалкин Д.А. Свидетельство о государственной регистрации программы для ЭВМ №2011611538, «Фазовая плоскость»

6. Рыбалкин Д.А. Поливалютный индикатор анализа рынка Форекс. Terraeconomicus, №2, том 9, 2011 год.-с.72-75.

Размещено на Allbest.ur