Презентация на тему Сравнительный анализ точности краткосрочных прогнозов биржевых котировок

собой цель эмпирической проверки гипотезы эффективного рынка, а лишь более

ограниченную – сравнить точности прогнозов котировок трех финансовых активов с помощью семи современных методов прогнозирования, одним из которых является “наивный” прогноз, осуществляемый по последнему наблюдаемому значению.

ЦБ РФ
2) официальный курс белорусского рубля (BYR) ЦБ РФ

3) фондовый индекс Standard&Poor’s 500 (S&P500).

дневные значения (для SP500 цена закрытия) за период с

13 сентября 2015 г. по 30 марта 2016 г. включительно. Для дней, для которых котировки не обновлялись, были использованы значения за предыдущие дни, в результате чего длина каждого из рядов составила 200 наблюдений. Значения котировок были пересчитаны в относительную шкалу путем логарифмирования с последующим умножением на 100, поскольку для инвестора важны лишь относительные изменения котировок, а масштабирование позволяет интерпретировать изменения котировок в процентах

за период с 13.09.2015 по 30.03.2016, преобразованный с помощью

функции 100 × log(·).

сглаживание – модель пространства состояний
модель TBATS
Нейросетевая модель нелинейной авторегрессии

меру точности, которая, по нашему мнению, легче поддается интерпретации.

Эта мера вычисляется следующим образом:
• вычисляются разности наблюдаемых значений ряда (после описанного выше преобразования!) и соответствующих прогнозных значений;
• определяются 5-й и 95-й процентили распределения этих значений;
• если нулевое значение заключено между этими процентилями, в качестве меры точности прогнозов принимается максимум из абсолютных значений этих процентилей, в противном случае погрешность прогноза принимается равной бесконечности.

был написан небольшой интерфейс для более простого, с точки

зрения простого пользователя, использования данных методов.
Интегрировано использование Microsoft Excel в R, что позволяет расширить возможности прогнозирования.

имеют некоторую последовательность в падении и росте цен, в

связи с этим нейронные сети на длительных прогнозах показывают неплохой результат, а ARIMA справляется с краткосрочными прогнозами.
Однако постоянного результата ни тот ни другой не дают; требуется дальнейшее изучение и разработка более индивидуальных и точных моделей прогнозирования рядов. К этому относится и прогнозирование рядов, интегрированных с Excel. Относительно неплохие результаты дало прогнозирование рядов, взятых после проведения факторного анализа финансового отчета компании «Лукойл»