Применение аппарата нейронных сетей для анализа финансовых рынков тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Самарин, Сергей Владимирович

  • Самарин, Сергей Владимирович
  • кандидат экономических науккандидат экономических наук
  • 2002, Москва
  • Специальность ВАК РФ08.00.13
  • Количество страниц 153
Самарин, Сергей Владимирович. Применение аппарата нейронных сетей для анализа финансовых рынков: дис. кандидат экономических наук: 08.00.13 - Математические и инструментальные методы экономики. Москва. 2002. 153 с.

Оглавление диссертации кандидат экономических наук Самарин, Сергей Владимирович

Введение

Глава 1. Исследование развития теории финансового инвестирования.

1.1. Эволюция мировой экономической мысли и ее влияние на современные теории управления финансами.

1.2. Анализ адекватности описания финансовых рынков средствами ^ неоклассических теорий и концепций.

1.3. Нелинейные технологии моделирования финансовых рынков

1.4. Исследование информационных массивов 48 Выводы по 1 главе.

Глава 2. Разработка методологических подходов к использованию нейронных сетей дд для анализа финансовых рынков

2.1. Нейросетевые модели в финансовой деятельности.

2.2. Разработка нейросетевого подхода к восстановлению пропущенных и выявлению неточных данных в финансовых рядах динамики.

2.3. Разработка алгоритмов создания сетей переменной структуры.

2.4. Разработка подхода к применению нейронных сетей для синтеза прогнозов, осуществляемых различными технологиями

Выводы по 2 главе.

Глава 3. Прикладные аспекты анализа финансовых рынков с помощью аппарата нейросетей

3.1. Применение методики нейросетевой классификации экономических субъектов для анализа коммерческих банков

3.2. Применение нейронных сетей для анализа операций на международном валютном рынке Форекс

Выводы по 3 главе. 139 Заключение

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Применение аппарата нейронных сетей для анализа финансовых рынков»

Актуальность темы. Эффективная деятельность на современных рынках капитала во многом определяется своевременностью и качеством управленческих решений, принимаемых в условиях постоянно растущей конкуренции, жестких временных ограничений, неполноты информации. В этой связи неслучаен огромный интерес к новым информационным технологиям, способствующим повышению качества, сокращению времени и снижению трудоемкости принятия управленческих решений.

Одним из актуальных направлений применения современных информационных технологий в финансово-кредитной сфере является автоматизация процессов анализа и прогнозирования поведения финансовых рынков, а также их участников. Решение подобных задач - сложный и трудоемкий процесс, результаты которого имеют приближенный, вероятностный характер. Несмотря на свою развитость, классические методы и модели (в основном статистические и эконометрические), используемые для прогнозирования курсовой динамики ценных бумаг и валют, анализа рисков, управления портфелем, классификации данных и т.п., все менее эффективно работают в условиях глобализации мирового финансового пространстса, расширения рынков, появления новых финансовых инструментов.

Число факторов на финансовых рынках измеряется десятками и сотнями тысяч; взаимосвязей же между факторами неизмеримо больше. Регрессионные уравнения позволяют эффективно использовать не более нескольких десятков переменных. При применении большего числа переменных их зашумленность, взаимная ковариация и т.п. делают практически невозможной корректную параметризацию модели, что приводит к неадекватным результатам моделирования. К важным особенностям задач анализа финансовых рынков следует также отнести наличие и существенное влияние на экономические процессы качественных факторов, что обусловливает трудность математической формализации модели. Сложность воспроизведения множества перекрестных связей между факторами на финансовых рынках, которые необходимо учесть и смоделировать, требует использования описательного аппарата, который не зависит от указанных количественных и качественных ограничений. Все это приводит к необходимости разработки специальных подходов моделирования к автоматизации решения подобных задач.

Одним из перспективных научных направлений автоматизации решения трудноформализуемых задач является применение технологий искусственного интеллекта (ИИ). Среди важнейших направлений в области ИИ следует особо выделить нейронные сети. Они обладают рядом уникальных качеств, позволяющих преодолеть трудности, возникающие при практическом использовании классических методов. К этим качествам относятся:

• приспособленность к работе с зашумленными и нерелевантными данными;

• возможность к обучению и адаптации в автоматическом режиме;

• учет качественных данных, плохо поддающихся формализации;

• способность учитывать произвольно большое количество факторов;

• универсальность (широкий класс задач решается с использованием, в большинстве случаев, 5-7 стандартных архитектур).

Несмотря на то, что нейронные сети хорошо зарекомендовали себя в решении задач во многих областях человеческой деятельности, вопросы их эффективного применения для обработки и анализа финансовой информации, создания нейросетевых моделей финансовых процессов, решения задач прогнозирования и классификации недостаточно изучены как у нас в стране, так и за рубежом.

Актуальность обозначенных проблем, их недостаточная теоретическая и практическая разработанность, обусловили выбор темы, цель и задачи диссертационного исследования.

Цель и задачи диссертационной работы. Целью диссертационной работы является совершенствование и развитие методологического аппарата теории искусственных нейронных сетей и разработка методик применения нейросетей в решении задач прогнозирования финансовых показателей, классификации и обработки данных.

Для реализации цели исследования в работе были поставлены следующие задачи:

• исследовать эволюцию концепций управления финансами на финансовых рынках; обосновать методологический аппарат нейросетевой классификации экономических субъектов и выявить возможности применения нейросетевого моделирования в решении задач финансового анализа провести сравнительный анализ возможностей использования различных методов и технологий нелинейного моделирования финансово-экономических процессов; сформулировать подходы к оптимизации размера нейронных сетей; выявить специфику функционирования различных типов нейронных сетей (многослойных перцептронов, ассоциативных сетей, сетей Кохонена, сетей радиально-базисных функций) с целью выявления наибольшей эффективности их использования для конкретных финансовых задач; разработать методику использования нейросетей для восстановления пропущенных и выявления неточных данных я рядах финансовых показателей; сформулировать подходы к применению нейронных сетей для прогнозирования рядов финансовых показателей.

Предмет и объект исследования. В качестве объекта исследования в диссертации избраны процессы анализа и прогнозирования финансовых рынков. Предметом исследования являются методы построения и обучения нейронных сетей как универсального аппарата нелинейного моделирования финансовых процессов и решения прикладных задач прогнозирования, классификации и восстановления данных.

Методология исследования. Методологическую основу исследования составили современная теория финансовых рынков, а также последние достижения в области искусственного интеллекта и экономической информатики. В процессе работы над диссертацией использовались труды российских и зарубежных ученых в области математического моделирования, искусственного интеллекта, теории вероятностей и математической статистики, финансового и инвестиционного менеджмента, материалы научных периодических изданий.

При проведении исследования широко использовались методы нейросетевого моделирования, эконометрического и статистического анализа.

Нейросетевое моделирование проводилось в программных пакетах Statisctica Neural Network (StatSoft), а также NeuroPro 1.0. и 2.5. (Институт вычислительного моделирования СО РАН).

Научная новизна настоящего диссертационного исследования состоит в следующем:

• выявлены недостатки существующих методов моделирования финансовых процессов и обоснован выбор методологического аппарата нейросетей в результате исследования эволюции концепций управления финансами на финансовых рынках;

• раскрыты особенности функционирования различных типов нейронных сетей в контексте их применения для решения поставленных в исследовании прикладных задач;

• разработан метод восстановления пропущенных и выявления неточных данных в рядах финансовых показателей на основе нейросетевых моделей нелинейной авторегрессии;

• предложены алгоритмы построения нейронных сетей переменной структуры на основе информации о ходе обучения;

• сформулированы рекомендации по применению сетей Кохонена для классификации экономических субъектов;

• разработана методика применения сетей Кохонена и многослойных перцептронов для краткосрочного прогнозирования котировок финансовых активов;

• реализован методический подход к нейросетевому объединению прогнозов, полученных с помощью разнообразных технологий анализа.

Практическая значимость исследования заключается в том, что реализация разработанных методических положений для решения широкого круга прикладных финансовых задач позволит:

S оптимизировать процедуры первичной обработки информации в массивах данных; повысить точность прогнозирования финансовых показателей, в том числе котировок ценных бумаг и валютных курсов;

S улучшить качество решения задач классификации в финансовой сфере с учетом возможности использования нечисловой информации; S снизить трудовые и временные затраты на создание конечных нейросетевых моделей для решения прикладных задач путем использования разработанных алгоритмов наращения нейронных сетей в ходе их обучения.

Апробация и внедрение результатов работы. Основные результаты исследования докладывались на конференциях профессорско-преподавательского состава Московского Университета Потребительской Кооперации в течение 1998 - 2000 гг.

Практическую апробацию в КБ «Соцгорбанк», ОАО «Мытищинская Инвестиционная Компания» прошли: методика применения сетей Кохонена и многослойных перцептронов для краткосрочного прогнозирования валютных курсов на рынке FOREX, методика нейросетевой классификации экономических субъектов, методика нейросетевого восстановления пропущенных и выявления неточных данных в финансовых рядах динамики (подтверждено справками о внедрении). Результаты диссертационного исследования находят применение во Всероссийском заочном финансово-экономическом институте (ВЗФЭИ) при разработке госбюджетной НИР по подтеме «Информационные системы в экономической деятельности России». Некоторые теоретические положения и рекомендации исследования используются в учебном процессе ряда экономических вузов в преподавании таких дисциплин, как «Автоматизированная обработка финансовой информации», «Интеллектуальные информационные системы».

Публикации. По теме диссертационного исследования опубликовано 5 работ, общим объемом 1,62 п.л.

Объем и структура работы. Диссертация состоит из введения, трех глав, выводов и предложений, списка использованной литературы, приложений.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Заключение диссертации по теме «Математические и инструментальные методы экономики», Самарин, Сергей Владимирович

ВЫВОДЫ ПО 3 ГЛАВЕ.

1. Классической задачей, играющей важное теоретическое и прикладное значение, является разработка и апробация методик классификации субъектов финансовых рынков по их надежности. Поскольку для России характерно доминирование на финансовых рынках банковских институтов, последние были выбраны в качестве объектов для исследования.

Показано, что на сегодняшний день классификация банков по степени надежности осуществляется целым рядом агентств. Вместе с тем, анализ свидетельствует, что основу их классификации зачастую представляет собой ранжирование банков по нескольким абсолютным показателям, таким как размер активов, собственного капитала, прибыли и т.п. Однако полезность этих рейтингов весьма сомнительна, т.к. они не дают возможности оценить финансовое положение банка и его динамику, сравнить его с другими банками.

Большое практическое значение задач классификации привело к возникновению множества эконометрических методик, базирующихся на составлении интегральных показателей. Среди распространенных в России рейтинговых систем оценки устойчивости банков наибольшее распространении получили методики АБИ «Экономика и жизнь», газеты «Коммерсантъ-Daily» и B.C. Кромонова, МБО «Оргбанк», ИЦ «Рейтинг», «Интерфакс-100». а также зарубежная система КЭМЕЛ.

2. Проведенные исследования выявили, что математическая база существующих методик основывается, чаще всего, на вычислении отдельных разноплановых показателей, характеризующих различные аспекты деятельности банка, и свертке этих показателей в итоговый, путем взвешивания на определенные коэффициенты и суммирование. Весовые коэффициенты, как правило, задаются на основе эмпирического подхода и часто не имеют строгого научного обоснования. Кроме того, возникают проблемы с включением в формулы экспертных оценок. Выходом из проблемы несопоставимости в отдельных методиках признается назначение баллов по каждому показателю или их системе и дальнейшее суммирование этих баллов. По нашему мнению, недостатком данного подхода является оценка разнородных банков, характеризуемых многомерной размерностью своих характеристик, методами, вычисляющими «среднюю температуру по больнице». При этом близкими могут оказаться банки, очень разные по своим характеристикам. Вследствие этого, большинство методик, за исключением использующих пороговые значения, не могут отследить «нестандартные» банки, которые должны анализироваться отдельно.

3. В рамках исследования нейросетевого подхода к классификации экономических субъектов была разработана методика применения самоорганизующихся карт Кохонена для классификации банков. Показано, что анализ кластеров нейросетевой классификации позволяет выявить содержательные аспекты финансового состояния банков. Приведены параметры архитектуры карт Кохонена и методов их обучения, реализующих обработку многомерных массивов информации, характеризующей деятельность банков. Проведено сравнение нейросетевой классификации с результатами одной из стандартных методик (методикой В.С.Кромонова). В качестве тестовой выборки при разработке и апробации методики нейросетевой классификации экономических субъектов по надежности была взята выборка 22 самых надежных банков России по состоянию на 01.01.2000 г.

Нейросетевая классификация составляется не в виде рейтинга, а посредством объединения сходных экономических субъектов в отдельные группы банков, близких в многомерном пространстве выбранных характеристик. При этом нейронная сеть естественным образом кластеризует банки в 1ч1-мерном пространстве по всей совокупности признаков, без их свертки, что позволяет использовать всю представленную в цифрах информацию. Богатство выбранных конфигураций сети позволяет не расширять кластеры искусственно, а выделять «непохожие» примеры в единичные кластеры. Анализ содержания различных кластеров позволил выявить скрытые структурные закономерности, обуславливающие сходство и различия банков.

4. Показано, что дополнительными экономическими эффектами внедрения методики является уменьшение времени моделирования при необходимости изменения состава переменных, используемых для классификации, а также выявление НС-методикой «нестандартных» банков на раннем этапе, что также приводит к экономию времени, затрачиваемого на анализ.

5. На базе разработанного подхода нейросетевой классификации решалась задача прогнозирования валютных курсов на рынке FOREX с использованием сетей Кохонена. Постановка этой задачи формулировалась следующим образом: необходимо для конкретного ряда котировок найти характерные для него области «определенности», уметь отделить их от областей «неопределенности», неэффективных для прогнозирования, и выдать качественный прогноз относительно направления и силы изменения котировок.

Для этого в диссертации разработана и апробирована методика применения сетей Кохонена и многослойных перцептронов для прогнозирования валютных курсов на рынке FOREX. Показано, что данная методика может применяться как для классификации рыночной ситуации с прогнозированием тенденции, так и непосредственного прогнозирования котировок валютных курсов. Настройка и обучение сети осуществлялась на тестовой выборки валютного курса евро/доллар.

Экспериментальные расчеты показали высокую эффективность использования данной методики, и целесообразность ее внедрения в деятельность участников фондового рынка.

ЗАКЛЮЧЕНИЕ.

В диссертации исследованы теоретические и прикладные вопросы нейросетевого моделирования и разработки нейросетевых приложений для автоматизации решения задач финансово-экономического анализа. Основное содержание исследования составляют разработанные автором методы и модели, позволяющие формализовать и автоматизировать на базе предложенного подхода процессы проведения предобработки финансовых данных, характеризующихся наличием пробелов, сомнительных и ошибочных значений, нелинейной структурой.

Предпринята попытка дать систематизированное изложение методов нейросетевой классификации экономических субъектов и рыночных ситуаций, предназначенных для решения конкретных практических задач, повседневно возникающих в условиях рыночных отношений: от постановки и анализа проблемы до реализации исследовательского алгоритма нейросетевой системы.

В соответствии с поставленными целями в процессе работы над диссертацией были решены следующие задачи: проведено исследование эволюции концепций управления финансами на финансовых рынках, которое выявило недостатки существующих технологий анализа и позволило обосновать необходимость применения методов нелинейного моделирования в решении задач финансового анализа: осуществлен сравнительный анализ возможностей использования различных методов и технологий нелинейного моделирования финансово-экономических процессов, исследованы предпосылки и прикладные аспекты использования аппарата нейросетей, нечеткой логики, генетических алгоритмов и др.; изучена отечественная и зарубежная практика применения нейросетевого моделирования для решения задач финансового анализа; выявлена специфика функционирования различных типов нейронных сетей (многослойных перцептронов, ассоциативных сетей, сетей Кохонена. сетей радиально-базисных функций) с целью определения наибольшей эффективности их использования для конкретных финансовых задач: сформулированы подходы к оптимизации размера нейронных сетей; разработана методика использования нейросетей для восстановления пропущенных и выявления неточных данных в рядах финансовых показателей; предложен методический подход к нейросетевой классификации экономических субъектов; сформулированы подходы к применению нейронных сетей для прогнозирования рядов финансовых показателей.

Изложенные в диссертационном исследовании подходы к нейросетевому проектированию рекомендуется использовать при автоматизации решения задач финансово-экономического анализа. Их применение позволит значительно сократить сроки проведения анализа, снизить трудоемкость предварительной обработки информации и ее дальнейшего анализа для принятия обоснованных и эффективных управленческих решений.

Список литературы диссертационного исследования кандидат экономических наук Самарин, Сергей Владимирович, 2002 год

1. Абовский Н.П., Щемель АЛ. Проблема заполнения пробелов в таблицах данных// Нейрокомпьютеры: разработка, применение. №1, 2000 г.

2. Аверкин А.Н. «Непараметрические логики в системах мягких вычислений и измерений»// доклады VI Всероссийской конференции «Нейрокомпьютеры и их применение-2000»

3. Алгоритмы и программы восстановления зависимостей / ред. В.Н.Вапника. М.: Наука. 1984.

4. Ашманов С.А. Введение в математическую экономику. М.: Наука, 1984.

5. Балабанов И.Т. Финансовый менеджмент. М.: Финансы и статистика. 1997.

6. Букатова И.Л. Рощупкин О.М. Долгосрочное целостно-эволюционное прогнозирование нейрокомпьютерными средствами// Материалы VII Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2001

7. Буренин А.Н. Рынок ценных бумаг и производных финансовых инструментов. М.: Инфра-М, 1998.

8. Бычков А.В. Метод создания нейросетевой модели процессов с помощью с\ шествующей алгебраической модели// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2000

9. Бэстенс Д.-Э., Ван Ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.

10. Бюллетень банковской статистики. М.: Прайм-ТАСС. - 1999. - № 6.

11. Васютин C.B. Построение отображений с применением самоорганизующихся иерархических коллективов нейронных сетей // Материалы VII Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2001

12. Вороновский Г.К, Махотило К.В., Петрашев С. Н., Сергеев С.А. Генетические алгоритмы,искусственные нейронные сети и проблемы виртуальной реальности. X.: Основа. 1997.

13. Всемирная история экономической мысли, М.: Мысль, 1990, том 4, с. 431.

14. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990.17Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996 г.

15. Горбань А.Н., Россиев Д.А. Применение самообучающихся нейросетевых программ. -Красноярск, 1994 г.

16. Горяшко А. Самохин J1. Нейросетевая торговая система Fortel Trade на фьючерсных рынках//РЦБ. 1998. -№ 1.

17. Дунин-Барковский B.J1. Информационные процессы в нейронных структурах.-М.:Наука. 1978

18. Евстигнеев В.Р. Финансовый рынок в переходной экономике. М.: Эдиториал УРСС. 2000.

19. Есипов В.Е. Ценообразование на финансовом рынке. СПб.: Питер, 2000.

20. Еськов А.Л., Петрукевич С.Н. Взгляд в будущее: искусственные нейронные сети и эффективное управление// Материалы VII Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2001

21. Закарян И., Филатов И. Интернет как инструмент для финансовых инвестиций. СПб.: БХВ -Санкт-Петербург, 2000.

22. Зозуля Ю.И. Губайдуллин Г.Г. Арутюнян Э.С. Использование теоремы Колмогорова при преобразовании структур в задачах нейросетевого управления//Нейрокомпьютеры: разработка, применение. №1, 2000 г.

23. Клини С., Весли Р. Основание интуиционистской математики. М.: Наука. 1978.

24. Ковалевский C.B., Буряк В.В. Применение сетей с однородной структурой для исследования экономических систем // Доклады VI Всероссийской конферен ции «Нейрокомпьютеры и их применение-2000». М.: Радиотехника, 2000.

25. Козырь Ю. Инвестор и информация: темные воды, глубокие воды. // РЦБ, 1998. № 5(116).

26. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в видесуперпозиций непрерывных функций одного переменного и сложения. ДАН СССР. 1957, т. 114 №5

27. Кугаенко А.А. Синтез динамических моделей народного хозяйства и методы прогнозирования социально-экономических процессов. М.: Прометей, 1991.

28. Литтл Р. Рубин Д. Статистический анализ данных с пропусками. М.: ФиС. 199!

29. Лукасевич И.Я. Анализ долгосрочных финансовых операций с использованием персональных ЭВМ. //Финансы,-1992. №7

30. Лукасевич И.Я. Проектирование АСОЭИ с использованием элементов ИИ/ ВЗФЭИ М., 1991

31. Майминас Е.З., Вилкас Э.И. Решения: теория, информация, моделирование. М.: Радио и связь, 1981.

32. Махотило К.В., Сергеев С.А., Сушков А.В. Дискретная нейросетевая система управления нелинейным динамическим объектом // Вестник Харьковского государственного политехнического университета. 1997. - Вып. 10.

33. Мельников А.В. О стохастическом анализе в современной математике финансов и страхования/Юбозрение прикладной и промышленной математики. 1995. - Том 2. вып.4.

34. Меньшикова К. Как рынок раскрывает информацию // РЦБ. 1998, №5( 116)

35. Миркин Я.М. Финансовый инжиниринг в России / материалы семинара Мирового Банка. -М.: ГФА, 1997.

36. Миркин Я.М. Ценные бумаги и фондовый рынок. М.: Перспектива, 1995.

37. Монин С. Экономические показатели прогнозирования валютных курсов// Рынок ценных бумаг. 1998. -№ 9.

38. Муромский М.Ю. Применение нейронных сетей для финансового рынка// Материалы VII Всероссийской конференции «Нейрокомпьютеры и их применение», М„ 2001

39. Мэрфи Дж.Дж. Технический анализ фьючерсных рынков: теория и практика М.:Сокол, 1996

40. Нейман Дж., "Синтез надежных организмов из ненадежных компонент"

41. Нейроинформатика / А.Н. Горбань, ВЛ.Дунин-Барковский, А.Н.Кидрин и др., под ред. А.Н.Горбаня. Новосибирск: Наука, 1998.

42. Непомнящих И.А. Обработка сейсмических сигналов на основе применения нейрокомпьютеров// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2000.

43. Одинцов Б.Е. Интеллектуализация искусственных систем. Хмельницкий: ТУП, 1997

44. Одинцов Б.Е. Проектирование экономических экспертных систем. М.ЮНИТИ. 1996.

45. Панфилов П. Прогнозирование российского рынка акций с использованием нейронных технологий // Банки и технологии. 2000. - № 3

46. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. М.: Мир, 2000, с.30.

47. Пятковский О.И. Рубцов Д.В. Применение нейрокомпьютеров в экономических информационных систем// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2000

48. Пятковский О.И., Рубцов Д.В. Применение нейрокомпьютеров в экономических информационных систем// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2000

49. Рабочая книга по прогнозированию/отв. ред. И.В.Бестужев-Лада. М.: Мысль. 1982.

50. Романов А.Н., Лукасевич И.Я. Искуственный интеллект в финансово-банковской сфере.//Финансы СССР. 1991.-№12

51. Романов А.Н., Одинцов Б.Е. Советующие информационные системы в экономике. М.: Юнити, 2000

52. Романов А.Н., Титоренко Г.А., Лукасевич И.Я. К вопросу автоматизации анализа финансового положения рыночных предприятий.// Рынок программных продуктов для банков, бирж и финансовой системы, Тез.докл. Международного научного семннара.-Дагомыс. 1991.

53. Савицкий К., Перцев А., Капитан М. Паевые инвестиционные фонды: жизнь и судьба//РЦБ -2000. №4.

54. Сальков А. Глобализация и фондовые индексы// РЦБ. 2000. - № 2.

55. Самарин С.В. Использование нейронных сетей для анализа хозяйственной деятельности нафинансовых рынках //Научно-технический сборник «Экономика и коммерция» ЦНИИ экономики, систем управления и информации «Электроника», серия 9, выпуск 2, 2000 г.

56. Самарин C.B. Моделирование социально-экономических процессов //Научно-технический сборник «Экономика и коммерция» при ЦНИИ экономики, систем управления и информа-ции «Электроника», серия 9, выпуск 1, 1997 г., С. 109-115

57. Самарин C.B. Нейронные сети в финансах: многослойный персептрон //Сборник научных статей МУПК, часть 2, 2000 г., С. 166-167

58. Самарин C.B. Нейросетевые технологии на финансовых рынках //Сборник научных статей МУПК, часть 2, 1999 г., С. 62-64

59. Самарин C.B. Современные методы анализа финансовых рынков //Сборник научных тру-дов МУПК, часть IV, 1998 г., С. 146-147

60. Синицын Е.В., Лаптев В.М. Использование нейросетевых алгоритмов для анализа динамики финансовых рынков в программном комплексе FOREX-94 //Доклады VI Всероссийской конференции «Нейрокомпьютеры и их применение-2000». М.: Радиотехника. 2000.

61. Сорос Дж. Алхимия финансов. М.: ИНФРА-М, 1996.

62. Тезисы докладов III ежегодного рабочего семинара-совещания "Искусственные нейронные сети в информационных технологиях" http://delta.ch70.chel.su/-nimfa/conf/nnit98 abstracts.html# 19

63. Томашевич Д.С., Галушкин А.И. и др. Применение нейронных сетей в Са11-центрах// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М„ 2000

64. Томашевич Н.С., Томашевич Д.С. Решение задачи экстраполяции неотрицательной фу нкции на нейронной сети переменной структуры// Материалы VI Всероссийской конференции «Нейрокомпьютеры и их применение», М., 2000

65. Уотшем Т.Дж., Паррамоу К. Количественные методы в финансах. М.: Юнити. 1999.

66. Фетисов Г.Г. Устойчивость коммерческого банка и рейтинговые системы ее оценки, М.: «Финансы и статистика», 1999.

67. Фридмен М. Количественная теория денег. М.: Эльф пресс, 1996.

68. Фролов Ю.В. Интеллектуальные системы и управленческие решения. М.: «Инженер». 2000.

69. Хикс Дж. Стоимость и капитал. М.: Прогресс, 1993, с.278.

70. Хорн Дж.К. Основы управления финансами. М.: Финансы и статистика, 1996.

71. Шарп У.Ф., Гордон А.Дж., Бэйли Дж.В. Инвестиции. М.: ИНФРА-М. 1997.

72. Широков Ф.В. Нейрон и доллар. Нейротехнология в сфере финансовых услуг//Деловой партнер. Ценные бумаги + банковское дело. 1995. - пилотный выпуск.

73. Ширяев А.Н. Вероятностно-статистические модели эволюции финансовых индексов/Юбозрение прикладной и промышленной математики. 1995. - Том 2. вып.4.77 Шумский С.А. и Яровой А.В

74. Шумский. В.В. Нейрокомпьютинг и его применение в экономике и бизнесе. М.: МИФИ. 1999.

75. Экономический анализ деятельности банка/под ред. Мамоновой И.Д. М.: ИНФРА-М. 1996.

76. Эрлих А. Технический анализ товарных и финансовых рынков. М.: ИНФРА-М. 1996.

77. Яковлев В.Л., Яковлева Г. Л., Власов А.И. Нейросетевые методы и модели при прогнозировании краткосрочных и долгосрочных тенденций финансовых рынков // Доклады VI Всероссийской конференции «Нейрокомпьютеры и их применение-2000». М.: Радиотехника, 2000.

78. Altman E.I. Financial ratios. Discriminant analysis and the prediction of corporate bancruptcy//Financial Analyst Journal, 23, No 6. 1968

79. Arbel A., Strebel P. Pay Attention to Neglected Firms! // Journal of Portfolio Management 1983. Vol. 9 № 2.

80. Athanasios Episcopos, References on Neural Net Applications to Finance and Economics: http://www.compulink.gr/users/episcopo/neurofin.html

81. Bachelier L. Theory of Speculation , France, 1900.

82. Black F. Scholes M. The Pricing of Options and Corporate Liabilities//Journal of Political Economy.May-June 1973

83. Callan E„ Shapiro D. A Theory of Social Imitation // Physics Today № 27. 1974.

84. DeBondt W., Thaler R. Does the Stock Market Overreact?// Journal of Finance № 60. 1986.

85. Dhrymes P., Friend 1., Gultecin B. A critical reexamination of the empirical evidence on the arbitrage pricing theory, USA// Journal of Finance, June 1984.

86. Diacogiannis G. Arbitrage pricing model : a critical examination of its empirical applicability for the London Stock Exchange, USA// Journal of Business Finance and Accountancy, 1986

87. Eberlein E., Keller U. Hyperbolic Distributions in Finance, Wiley Finance Edition. 1985.

88. Fahlman S.E., Lebiere C. The Cascade-Correlation Learning Architecture. AN1PS vol.2. 1990.

89. Fama E.F. Mandelbrot and the Stable Paretian Hypothesis (опубликовано в сборнике P.Cootner, The Random Character of Stock Market Prices). Cambridge: MIT Press, 1964.

90. Fama E.F. Portfolio Analysis in a Stable Paretian Market // Management Science №11, 1965.

91. Fielitz B.D., Rozelle J.P. "Stable distributions and the mixtures of distributions hypotesis for common stock returns", Wiley Finance Edition, 1987.

92. Frean M. The Upstart Algorithm: a method for constructing and training feed-forward neural networks. Neural computation № 2. 1990.

93. Goldberg D. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley, MA, 1989

94. Gorban A.M. Waxman C. How many neurons are sufficient to elect the U.S.A. President? //AMSE Transaction. Scientific Siberian, A. 1993, vol. 6.

95. Graham B. The Intelligent Investor, a Book of Practical Council. -N.Y.: Harper & Brothers. 1959.

96. Hassiby В., Stork D.G., Second Order Derivatives For Network Pruning: Optimal Brain Surgeon. AN1PS vol.5.-1993.

97. Holland J. Adaptation in Natural and Artificial Systems, University of Michigan Press. 1975.

98. Jordan М.1. Jacobs R.A. Hierarchies of adaptive experts. In J.E.Moody. S.J.Hanson & R.P.Lippmann, Advances in neural information processing systems, San Mateo, CA: Morgan Kaufmann, 1992.

99. Kendall M.G. The Analysis of Economic Time Series / in P.Cootner, The Random Character of Stock Market Prices, Cambridge: MIT Press, 1964.

100. Keynes J.M. The general theory of employment interest and money. L., 1936, p.202106Kosko B. Neural Networks and Fuzzy Systems : a Dynamical Systems Approach To Machine Intelligence. Prentice-Hall, 1992

101. Koza J. Genetic Programming: on the Programming of Computers by Means of Natural Selection, MIT Press, Cambridge, 1992.

102. Le Cun, J.S., Denker and S.A.Solla Optimal Brain Damage. In NIPS 2, D.S.Touretzkv (ed.)

103. Les Ciewbow, Chris Strickland Implementing Derivatives Models: Numerical Methods. USA// John Wiley & Sons, 1998.

104. Lorie J. Hamilton M. The Stock Market: Theories and Evidence.- Homewood, JL: R.D.Irwin. 1973.

105. Mandelbrot B. The Pareto-Levy Law and the Distribution of Income // International Economic Review 1, 1960

106. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Math. Bio. 5, 1943.

107. Michael S.Bowman Applied Economic Analysis for Technologists, Engineers and Managers. USA// Prentice Hall, 1998

108. Miihlenbein H., Scomisch M. Born J. The parallel genetic algorithm as function optimizer, Materials of the 4-th international conference on genetic algorithms, San Mateo. С A. 1991.

109. Moody J., Utans J. Architecture Selection Strategies for Neural Networks: Application to Corporate Bond Rating Prediction //Neural Networks in the Capital Markets, J.Wiley&Sons. 1993.

110. Patinkin D. Money, interest and prices. An integration of monetary and value theory. N.-Y. 1965.

111. Perry H. Beamont Fixed-Income Synthetic Assets : Packing, Pricing and Trading Strategies for Financial Professionals, USA// John Wiley & Sons, 1992.

112. Posner M. Profiting from Emerging Market Stocks. Paramus: Prentice Hall. 1998.

113. Riccardo Rebonato Interest-Rate Option Models : Understanding, Analysing and Using Models for Exotic Interest-Rate Options, USA//John Wiley & Sons, 1998.

114. Robertson D.H. Essays in monetary theory. L. 1940, p.25

115. Roll R., Ross S.A. An empirical investigation of the arbitrage pricing theory. USA/' Journal of Finance, December 1984.

116. Simkowitz M.A., Beedles W.L. Asymmetric Stable Distributed Security Returns// Journal of the American Statistical Association 75, 1980.

117. Simon H. Models of Bounded Rationality. Cambridge: MIT Press, 1982.

118. Tobin D. Liquidity preference as behavior toward risk. Rev. of Econ. Studies, v.25. N1. 1958.

119. Weigend A.S., Zimmerman H.G., Neuneier R. Clearning. In Neural Networks in Financial Engineering. Singapore: World Scientific, 1996.

120. Zemankova-Leech M., Kandel A. Fuzzy Relational Data Bases: A Key to Expert Systems, Cologne: Verlag TUV Rheinland, 1984.

121. Oi Internet, сервер Лаборатории Искусственных Нейронных Сетей, Российского Федерального

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.