Анализ и прогнозирование фондового рынка. Фондовый рынок и методы прогнозирования его состояния

Прогнозирование фондового рынка - это заманчивый «философский камень» для специалистов по анализу данных, которые мотивированы не столько стремлением к материальной выгоде, сколько самой задачей. Ежедневный рост и падение рынка наводят на мысль, что должны быть закономерности, которым мы или наши модели могут научиться , чтобы победить всех этих трейдеров с научными степенями по бизнесу.

Когда я начал использовать аддитивные модели для прогнозирования временных рядов, я протестировал метод на эмуляторе фондового рынка с имитируемыми (ненастоящими) акциями. Неизбежно я присоединился к другим несчастным, которые ежедневно терпят неудачу на рынке. Тем не менее, в процессе я узнал массу нового о Python, включая объектно-ориентированное программирование, манипулирование данными, построение моделей и визуализацию . Также выяснилось, почему не стоит рассчитывать на ежедневную рыночную игру без потери единой копейки (все, что я могу сказать — играть нужно долгосрочно)!

Один день против 30 лет: во что бы вы вложили свои деньги?

В любой задаче, не только в Data science, если не удалось достичь желаемого, есть три варианта:

Изменить результаты так, чтобы они выглядели в выгодном свете;
Скрыть результаты — никто не заметит провала;
Показать результаты и методы всем, чтобы люди могли чему-то научиться и, возможно, предложить улучшения.

В то время как третий вариант - оптимальный выбор на индивидуальном и общественном уровне, он требует наибольшего мужества. Ведь я могу специально демонстировать особые случаи, когда моя модель приносит прибыль. Или можно притвориться, что я не потратил десятки часов на работу, и просто выбросить её. Как глупо! На самом деле, только неоднократно потерпев неудачу и допустив сотню ошибок, мы двигаемся вперед. Более того, код Python, написанный для такой сложной задачи, не может быть написан напрасно!

Этот пост документирует возможности Stocker, инструмента прогнозирования рынка, разработанного мной на Python. я показал, как использовать Stocker для анализа, а для тех, кто хочет опробовать его самостоятельно или внести свой вклад в проект, полный код доступен на GitHub .

Stocker для прогнозирования

Stocker - инструмент Python для прогнозирования рынка. Как только будут установлены необходимые библиотеки (см. документацию), можно запустить Jupyter Notebook в той же папке, что и скрипт, и импортировать класс Stocker:

From stocker import Stocker

Класс теперь доступен для сеанса Jupyter. Создадим объект класса Stocker, передавая ему любой действительный тикер, например, ‘AMZN’ (вывод программы выделен жирным шрифтом):

Amazon = Stocker("AMZN") AMZN Stocker Initialized. Data covers 1997-05-16 to 2018-01-18.

Теперь к нам в распоряжение попали 20 лет ежедневных данных по акциям Amazon для исследований! Stocker построен на финансовой библиотеке Quandl и содержит более 3000 курсов акций для использования. Построим простой график курса, вызывая метод plot_stock:

Amazon.plot_stock() Maximum Adj. Close = 1305.20 on 2018-01-12. Minimum Adj. Close = 1.40 on 1997-05-22. Current Adj. Close = 1293.32.

Stocker применяют для обнаружения и анализа общих трендов и закономерностей, но сейчас сосредоточимся на прогнозировании будущей цены. Предсказания в Stocker производятся с использованием , которая рассматривает временные ряды как комбинацию тренда и сезонных изменений в разных временных масштабах (ежедневный, еженедельный и ежемесячный). Stocker использует «предсказательный» пакет, разработанный Facebook для аддитивного моделирования. Создание модели и прогнозирование можно выполнить в Stocker одной строкой:

# предсказать на дни вперед model, model_data = amazon.create_prophet_model(days=90) Predicted Price on 2018-04-18 = $1336.98

Обратите внимание, что прогноз (зеленая линия) содержит доверительный интервал. Он отражает «неуверенность» модели в предсказании. В данном случае ширина доверительного интервала устанавливается с уровнем доверия 80%. Доверительным называют интервал, который покрывает неизвестный параметр с заданной надёжностью. Он расширяется с течением времени, потому что оценка имеет большую неопределенность по мере того, как она удаляется от имеющихся данных. Каждый раз, делая прогноз, следует включать этот доверительный интервал. Хотя большинство людей, как правило, хотят получить простой численный ответ, прогноз отражает то, что мы живем в неопределенном мире!

Дать предсказание нетрудно: достаточно выбрать некоторое число, и это будет предположением о будущем (возможно, я ошибаюсь, но это всё, что делают люди с Уолл-стрит). Но этого мало. Чтобы доверять модели, нужно оценить ее точность. Для этого в Stocker существует ряд методов.

Оценка прогнозов

Чтобы вычислить точность прогнозов, нам нужен обучающий и тестовый наборы данных. Для тестового набора необходимо знать ответы - фактическую цену акций, поэтому мы будем использовать данные курса за прошлый год (2017, в нашем случае). Во время обучения мы не позволим модели видеть ответы тестового набора, поэтому используем наблюдения за предшествующие три года (2014-2016). Основная идея обучения с учителем (supervised learning) заключается в том, что модель изучает закономерности и отношения в данных из обучающего набора, а затем умеет правильно воспроизводить их на тестовой выборке.

Чтобы количественно оценить точность, на основе предсказанных и фактических значений вычисляются следующие показатели:

средняя численная ошибка в долларах на тестовом и обучающем наборе;
процент времени, когда мы правильно предсказали направление изменения цены;
процент времени, когда фактическая цена попала в пределы прогнозируемого доверительного интервала в 80%.

Все вычисления автоматически выполняются Stocker с приятным визуальным сопровождением:

Amazon.evaluate_prediction() Prediction Range: 2017-01-18 to 2018-01-18. Predicted price on 2018-01-17 = $814.77. Actual price on 2018-01-17 = $1295.00. Average Absolute Error on Training Data = $18.21. Average Absolute Error on Testing Data = $183.86. When the model predicted an increase, the price increased 57.66% of the time. When the model predicted a decrease, the price decreased 44.64% of the time. The actual value was within the 80% confidence interval 20.00% of the time.

Это ужасная статистика! С таким же успехом можно каждый раз подбрасывать монету. Если бы мы руководствовались полученными результатами для инвестиций, нам разумней было бы вложиться в лотерейные билеты. Однако пока не будем отказываться от модели. Изначально она ожидаемо будет довольно плохой, потому что использует некоторые настройки по умолчанию (называемые гиперпараметрами).

Если наши первоначальные попытки не увенчались успехом, мы можем нажимать эти своеобразные рычаги и кнопки, чтобы заставить модель работать лучше. В Prophet можно настроить множество параметров, причем наиболее важным является коэффициент масштаба распределения весов для контрольных точек (changepoint prior scale). Он отвечает за набор весов, который накладывается на развороты и флуктуации тренда.

Настройка выбора контрольных точек

Контрольные точки (changepoints) - это места, где временные ряды значительно меняют направление или скорость изменения цены (от медленно возрастающего до все более быстрого или наоборот). Коэффициент масштаба распределения весов для контрольных точек (changepoint prior scale) отражает количество «уделенного внимания» точкам изменения курса акций. Это используется для контроля над недообучением и переобучением модели (также известный как bias-variance tradeoff).

Проще говоря, чем выше этот коэффициент, тем сильнее учитываются контрольные точки и достигается более гибкая подгонка. Это может привести к переобучению, поскольку модель будет тесно привязываться к обучающим данным и терять способность к обобщению. Снижение этого значения уменьшает гибкость и вызывает противоположную проблему - недообучение.

Модель в таком случае недостаточно «внимательно» следит за обучающими данными и не выявляет основные закономерности. Как правильно подобрать этот параметр - вопрос скорее практический, нежели теоретический, и здесь будем полагаться на эмпирические результаты. Класс Stocker содержит два разных метода для выбора соответствующего значения: визуальный и количественный. Начнем с визуального метода.

# changepoint priors is the list of changepoints to evaluate amazon.changepoint_prior_analysis(changepoint_priors=)

Здесь мы обучаемся на данных за три года, а затем показываем прогноз на шесть следующих месяцев. Сейчас мы не оцениваем прогнозы количественно, а лишь пытаемся понять роль распределения контрольных точек. Этот график отлично демонстрирует проблему недо- и переобучения!

При самом низком значении prior scale (синяя линия) значения недостаточно близко накладывается на обучающие данные (черная линия). Они словно живут своей жизнью, лишь немного приближаясь возрастающему тренду истинных данных. Напротив, самый высокий prior (желтая линия) сильнее приближает модель к учебным наблюдениям . Значение по умолчанию составляет 0.05, которое находится где-то между двумя крайностями.

Обратите внимание также на разницу в неопределенности (закрашенные интервалы) для разных коэффициентов масштаба:

Самое маленькое из prior дает наибольшую неопределенность в обучающих данных и наименьшую в тестовом наборе.
Напротив, наивысший prior scale имеет наименьшую неопределенность в тренировочном и наибольшую в тестовом.

Чем выше prior, тем точнее совпадают значения, поскольку он “внимательней” следит за каждым шагом. Однако, когда дело доходит до тестовых данных, модель быстро теряется без привязки к реальным значениям. Поскольку рынок изменчив, нужна более гибкая модель, чем заданная по умолчанию, чтобы она могла обрабатывать как можно больше шаблонов.

Теперь, когда у нас есть представление о влиянии prior, мы можем численно оценить разные значения с помощью набора для обучения и проверки:

Amazon.changepoint_prior_validation(start_date="2016-01-04", end_date="2017-01-03", changepoint_priors=) Validation Range 2016-01-04 to 2017-01-03. cps train_err train_range test_err test_range 0.001 44.507495 152.673436 149.443609 153.341861 0.050 11.207666 35.840138 151.735924 141.033870 0.100 10.717128 34.537544 153.260198 166.390896 0.200 9.653979 31.735506 129.227310 342.205583

Мы должны быть осторожны — данные валидации не должны совпадать с тестовой выборкой. Если бы это было так, мы бы создали модель, лучше «подготовленную» для тестовых данных, что ведет к переобучению и невозможности работать в реальных условиях. В общей сложности, как это обычно делается в , используются три набора: для обучения (2013-2015), для валидации (2016) и тестовый набор (2017).

Мы оценили четыре priors с четырьмя показателями:

ошибка обучения;
доверительный интервал при обучении;
ошибка тестирования;
доверительный интервал при тестировании, все значения в долларах.

На графике видно, что чем выше prior, тем ниже ошибка обучения и тем ниже неопределенность на данных для обучения. Видно, что повышение уровеня prior снижает ошибку тестирования, подкрепляя интуицию, что близко приближаться к данным — хорошая идея для рынка. В обмен на бóльшую точность в тестовом наборе получаем больший диапазон неопределенности в данных теста с увеличением prior.

Валидационная проверка Stocker выдает два графика, иллюстрирующие эти идеи:

Так как наивысшее значение prior дало самую низкую ошибку тестирования, следует увеличить prior scale еще сильнее, чтобы попытаться улучшить результаты. Поиск можно уточнить, передав дополнительные параметры методу валидации:

# test more changepoint priors on same validation range amazon.changepoint_prior_validation(start_date="2016-01-04", end_date="2017-01-03", changepoint_priors=)

Ошибка тестового набора сводится к минимуму при prior = 0,5. Установим атрибут объекта Stocker соответствующим образом:

Amazon.changepoint_prior_scale = 0.5

Есть и другие изменяемые настройки модели. Например, паттерны, которые ожидается увидеть, или количество используемых лет в обучающих данных. Поиск наилучшей комбинации требует повторения описанной выше процедуры с несколькими разными значениями. Не стесняйтесь экспериментировать!

Оценка усовершенствованной модели

Теперь, когда наша модель оптимизирована, оценим ее еще раз:

Amazon.evaluate_prediction() Prediction Range: 2017-01-18 to 2018-01-18. Predicted price on 2018-01-17 = $1164.10. Actual price on 2018-01-17 = $1295.00. Average Absolute Error on Training Data = $10.22. Average Absolute Error on Testing Data = $101.19. When the model predicted an increase, the price increased 57.99% of the time. When the model predicted a decrease, the price decreased 46.25% of the time. The actual value was within the 80% confidence interval 95.20% of the time.

Выглядит гораздо лучше! Это показывает важность оптимизации модели. Использование значений по умолчанию дает разумное первое приближение. Но нужно быть уверенным, что используются правильные настройки, так же как мы пытаемся оптимизировать звук стерео, регулируя Balance и Fade (извините за устаревший пример).

«Входим в рынок»

Прогнозирование, безусловно, увлекательное занятие. Но настоящее удовольствие — наблюдать, как эти прогнозы будут отыгрывать на реальном рынке. Используя метод evaluate_prediction, мы можем «играть» на фондовом рынке, используя нашу модель за период оценки. Будем использовать описанную стратегию и сравним с простой стратегией buy and hold в течение всего периода.

Правила нашей стратегии просты:

Каждый день, когда модель предсказывает рост акций, покупаем акции в начале дня и продаем в конце дня. Когда прогнозируется снижение цены, мы не покупаем акции.
Если покупаем акции, и цены увеличиваются в течение дня, мы получаем соответствующую прибыль кратно количеству акций, которые у нас есть.
Если покупаем акции, а цены уменьшаются, мы теряем кратно количеству акций.

Эту стратегию будем применять каждый день на весь период оценки, который в данном случае составляет весь 2017 год. Чтобы играть, нужно передать количество акций в вызов метода. Stocker покажет процесс разыгрывания стратегии в цифрах и графиках:

# Going big amazon.evaluate_prediction(nshares=1000) You played the stock market in AMZN from 2017-01-18 to 2018-01-18 with 1000 shares. When the model predicted an increase, the price increased 57.99% of the time. When the model predicted a decrease, the price decreased 46.25% of the time. The total profit using the Prophet model = $299580.00. The Buy and Hold strategy profit = $487520.00. Thanks for playing the stock market!

Мы получили ценный урок: покупайте и удерживайте! Несмотря на то, что удалось выручить значительную сумму, играя по нашей стратегии, лучше просто инвестировать и держать акции.

Попробуем другие тестовые периоды, чтобы увидеть, есть ли случаи, когда наша модельная стратегия превосходит метод buy and hold. Описанный подход довольно консервативен, потому что мы не играем, когда прогнозируется снижение рынка. Следовательно, когда акции начнут падать, он может работать лучше, чем стратегия buy and hold .

Играйте только на ненастоящих деньгах!

Я знал, что наша модель может это сделать! Тем не менее, она побила рынок только когда у нас была возможность выбрать период тестирования.

Прогнозы на будущее

Теперь, когда у нас есть достойная модель, можно делать предсказания на будущее, используя метод predict_future():

Amazon.predict_future(days=10) amazon.predict_future(days=100)
Прогноз на 10 дней
Прогноз на 100 дней
Прогноз популярного сервиса Tipranks.com — найдите 10 отличий от предсказания со Stocker

Неопределенность увеличивается с течением времени, как и ожидается. В действительности, если бы мы использовали описанный подход для настоящей торговли, мы бы каждый день обучали новую модель и делали прогнозы на срок не более одного дня.

Всем, кто хочет опробовать код, или поэкспериментировать со Stocker, добро пожаловать на GitHub .

Ученые факультета вычислительной техники из исламского университета Азад, расположенного в ОАЭ, опубликовали работу , посвященную прогнозированию поведения фондовых индексов на основе технологий нейронных сетей, генетических алгоритмов и data mining с использованием опорных векторов. Мы представляем вашему вниманию главные мысли этого документа.

Введение

Одним из популярных направлений финансово анализа в последние годы является прогнозирование цен акций и поведения фондовых индексов на основе данных о предыдущих торговых периодах. Для получения сколько-нибудь релевантных результатов необходимо использование подходящих инструментов и корректных алгоритмов.

Ученые поставили своей целью разработку специального софта, который бы мог генерировать прогнозы поведения фондовых индексов с помощью предиктивных алгоритмов и математических правил.

Фондовые индексы сами по себе непредсказуемы, поскольку зависят не только от экономических событий, но на них также влияет и политическая обстановка в разных частях света. Поэтому разработать математическую модель для обработки таких непредсказуемых, нелинейных и непараметрических временных рядов крайне сложно.

При работе на фондовом рынке используют два вида анализа.

1) Технический анализ

Применяется для краткосрочных финансовых стратегий. Он используется для прогнозирования изменения цен на основе закономерностей и изменении цен схожим образом в прошлом. Как правило, анализируются графики цен, на которых выделяются паттерны определенных закономерности в ценовой динамике. Помимо изучения динамики изменения цены, в техническом анализе используется информация об объёмах торгов и другие статистические данные.

2) Фундаментальный анализ

Для долгосрочных стратегий инвестирования используется фундаментальный анализ. Он подразумевает использования для прогнозирования цены акций определенной компании, информацию о финансовых и прозводственных показателях ее деятельности.

Также, при прогнозировании возможных движений цен необходимо понимать существующие на финансовом рынке риски для действующих на нем игроков:

Торговый риск - объём средств, которым рискует трейдер. К примеру, если он покупает финансовый актив на тысячу долларов, то торговый риск будет равняться этой сумме.
Рыночный риск - что может случиться на рынке под влиянием в том числе глобальных экономических событий или событий в конкретной стране, где расположен финансовый рынок или акции компаний из которой торгуются на бирже.
Маржинальный риск - если для совершения сделок используются заемные средства, возникает маржинальный риск. Взятые «в долг», к примеру, у брокера, деньги в конечном итоге придется вернуть, и если у трейдера будет недостаточно свободных средств на счете для этого, то его позиции будут принудительно закрыты даже если это не подразумевалось его торговой стратегией.
Риск ликвидности - не из каждого финансового инструмента можно быстро «выйти».
Риск переноса позиций «овернайт» - сохранение позиций в промежуток между торговыми днями или на протяжении нескольких торговых дней несет в себе риск, поскольку трейдер не может знать, что случится в то время, когда биржа не работает. Возможно на открытие торгового дня повлияет какое-то событие, и цена акций сразу сместится невыгодным для инвестора образом.
Риск волатильности - цена акций колеблется в определенных диапазонах. Чем шире диапазон колебания цены, тем выше волатильность конкретного финансового инструмента.

Прогнозирование поведения фондовых индексов

Одним из популярных инструментов, использующихся для решения задач прогнозирования цен акций, является дерево принятия решений. В свою очередь, наиболее эффективным методом сбора и анализа данных является data mining. Существует несколько моделей использования data mining, которые реализуют различные подходы к сбору и анализу полученной информации.

В нашем случае исследователи выбрали модель CRISP-DM (Cross-Identity Standard Process for Data Mining). Данный метод был разработан консорциумом европейских компаний в середине девяностых годов прошлого века. Модель включает семь основных шагов:

Определение целей для поиска информации (данные о каких акциях нужны).
Поиск нужных данных.
Упорядочивание данных в модели классификации.
Выбор техники для реализации модели.
Оценка модели с помощью известных методов.
Применение модели в текущих рыночных условиях для генерации рекомендации о целевом действии - к примеру, покупка или продажа акции.
Оценка полученных результатов.

После сбора данных для принятия решений используется дерево классификации. У такого подхода есть три основных преимущества: он быстрый, простой и позволяет добиваться высокой точности. В качестве параметров модели в данном случае были выбраны предыдущая цена, цена открытия, максимум, минимум, закрытие и целевое действие (previous, open, max, min, last, action).

Также для прогнозирования используются генетические алгоритмы. Они применяются для решения сложных проблем, в тех случаях, когда точные отношения между задействованными элементами неизвестны и могут в принципе отсутствовать.

Задача формализуется так, чтобы ее решение могло был закодировано в виде вектора генов («генотип»), где каждый ген может представлять бит, число или какой-либо другой объект. Далее случайным образом создается множество генотипов начальной «популяции», которые оцениваются с помощью специальной функции приспособленности. В итоге каждому генотипу присваивается значение «приспособленности» - именно оно определяет, насколько хорошо он решает задачу.

Для постоянной оптимизации параметров, задействованных в торговой стратегии, используются методы оптимизации. К примеру, ген может быть представлен в виде вектора, а соответствующий алгоритм оптимизации применяет к нему механизм промежуточной рекомбинации.

Одним из методов генерирования предсказаний о будущих движениях цен является машинное обучение. В данном случае исследователи использовали метод опорных векторов. Исследователи собрали финансовые данные с биржи NASDAQ, а также о некоторых финансовых инструментах и индексах. В резульате для NASDAQ точность предсказаний, сгенерированных системой, составила 74.4%, 77,6% для индекса DJIA и 76% для S&P500.

Для машинного обучения использовались следующие формулы:

Прежде всего, определялось x i (t), где i ∈ {1, 2, …}.

F = (X 1 , X 2 , … X n) T , где

Для оценки используемой модели использовался метод вычисления среднеквадратичной ошибки (RMSE, Root of Mean Square Error):

Мультиклассовая классификация

Для минимизации рисков и повышения прибыли используется модель опорных векторов. Она подразумевает классификацию данных в три категорий: позитивную, негативную и нейтральную. Это помогает выявлять наиболее рискованные прогнозы и отклонять их. Для создания такого мультиклассового классификатора, неободимо определить ширину центральной зоны:

tp: true positive
fp: false positive
fn: false negative

Предложенная модель

Как было отмечено выше, собираемые данные имели шесть атрибутов. Для использования в дереве принятия решений данные должны быть конвертированы в дискретные значения. Для этого можно использовать критерий, основанный на цене закрытия рынка. В случае, если величина open, max, min и last превышает предыдущее значение атрибута в ходе текущего торгового дня, то позитивное значение должно быть заменено на предыдущий атрибут. Напротив, негативное значение устанавливается вместо предыдущего атрибута, а если значения равны, то устанавливается соответствующий атрибут.

Вот так выглядит набор данных по шести атрибутам до их перевода в дискретные значения:

А вот так после перевода:

После получения такого набора дискретных значений необходимо построить модель классификации с помощью дерева принятия решения.

В данном исследовании рассматривается два возможных сценария действий.

Сценарий #1

Необходимо проделать следующие действия:

Собрать финансовые данные о торгах за 30 дней.
Выделить данные по шести атрибутам в 9 моментов времени в течение одного торгового дня.
Для каждого набора сформировать матрицу.
Вычислить XX^T и применить метод опорных векторов для генерирования собственного значения.
Вычисление среднего объёма продаж и покупок.
Вычисление среднего значения каждого торгового дня.
Присвоение разных весов для первого дня, седьмого и тридцатого дня, а также среднего значения месяца.
Для генерирования рекомендации о действии необходимо сравнить текущее значение с первым, седьмым, тридцатым днем, а также средним значением за весь месяц.
Если результат предсказания за 4 торговых дня одинаковый, то следует осуществить покупку, если присутствует совпадение для трех торговых дней, то покупка будет иметь риск в 25%, для двух дней риск составит 50%.

Для каждого торгового дня из тридцати необходимо сгенерировать матрицу, в которой Xi представляет девять разных моментов в течение одного дня:

После этого вычисляется R = XX T - каждую матрицу нужно умножить на транспонированную версию. Затем подсчитывается опорный вектор и его собственное значение.

Сценарий 2

В данном случае выполняются все те же шаги, однако метод опорных векторов применяется не к «сырым» данным, а к матрице, полученной после автокорреляции. Для каждого торгового дня генерируется матрица автокорреляции:

Здесь используется следующая формула:

После автокорреляции мы получаем новую матрицу (матрицу Теплица):

И уже для нее подсчитывается опорный вектор и собственное значение. Для сравнения отклонения от среднего значения среди различных торговых дней, вычисляется среднее значение, дисперсия и стандартное отклонение, которые хранятся в векторе.

Заключение

Для получения наилучших результатов исследователи применили все описанные методы шаг за шагом: начиная с фундаментального анализа, использования генетического алгоритма, нейронных сетей, машинного обучения и метода опорных векторов.

При этом добиться стопроцентной точности прогнозов изменения значений фондовых индексов добиться не удалось. Для различных финансовых инструментов точность предсказания поведения индексов на промежутке в один торговый день довольно сильно отличается:

Наилучшим результатом стала точность в 70,8% для немецкого индекса DAX. Для достижения большей точности при долгосрочных прогнозах (период больше 30 дней), использовалась следующая формула:

Pr {v t+1 – v t > c t }, где c t = -(v t-ts – v t)

В этом случае наилучший результат точности прогноза составил 85,0%.

Благодаря стремительному развитию информационных технологий, появилась возможность за считанные секунды проводить анализ большого объёма информации, строить сложные математические модели, решать задачи многокритериальной оптимизации. Учёные, занимающиеся вопросами циклического развития экономики, стали разрабатывать теории, полагая, что отслеживание тенденций ряда экономических переменных позволит прояснить и предсказать периоды подъёма и спада. Одним из объектов для изучения был выбран фондовый рынок. Предпринимались многократные попытки построить такую математическую модель, которая успешно бы решала задачу прогнозирования приращения цены акций. В частности, широкое распространение получил «технический анализ».

Технический анализ (тех. анализ) – это совокупность методик исследования динамики рынка, чаще всего посредством графиков, с целью прогнозирования будущего направления движения цен. На сегодняшний день, данный аналитический метод является одним из самых популярных. Но можно ли считать тех. анализ пригодным для генерации прибыли? Для начала рассмотрим теории ценообразования на фондовом рынке.

Одной из базовых концепций начиная с 1960-х гг. считается гипотеза эффективного рынка (efficient market hypothesis, EMH), согласно которой, информация о ценах и объёмах купли-продажи за прошедший период общедоступна. Следовательно, любые данные, которые можно было когда-либо извлечь из анализа прошлых котировок, уже нашли своё отражение в цене акций. Когда трейдеры конкурируют между собой за более успешное использование этих общедоступных знаний, они обязательно приводят цены к уровням, при которых ожидаемые ставки доходности полностью соответствуют риску. На этих уровнях невозможно говорить о том, является ли покупка акций хорошей или плохой сделкой, т.е. текущая цена объективна, а это означает, что ожидать получения сверх рыночной доходности не приходится. Таким образом, на эффективном рынке, цены активов отражают их истинные стоимости, а проведение тех. анализа теряет всяческий смысл.

Но следует отметить тот факт, что на сегодняшний день ни один из существующих фондовых рынков в мире не может быть назван полностью информационно эффективным. Более того, принимая во внимание современные эмпирические исследования, можно сделать вывод, что теория эффективного рынка является скорее утопией, т.к. не способна в полной мере рационально объяснить реальные процессы, протекающие на финансовых рынках.

В частности, профессором Йельского университета Робертом Шиллером был обнаружен феномен, который он в последующем назвал чрезмерной изменчивостью цен фондовых активов. Суть феномена заключается в частом изменении котировок, которое не поддаётся рациональному объяснению, а именно, отсутствует возможность интерпретировать данное явление соответствующими изменениями в фундаментальных факторах .

В конце 1980-х гг. были сделаны первые шаги к созданию модели, которая в отличие от концепции эффективного рынка, позволила бы точнее объяснить реальное поведение фондовых рынков. В 1986 г. Фишер Блэк в своей публикации вводит новый термин – «шумовая торговля».

«Шумовая торговля – это торговля на шуме, воспринимаемом так, как если бы шум был бы информацией. Люди, торгующие на шуме, будут торговать даже тогда, когда объективно они должны были бы воздерживаться от этого. Возможно, они считают, что шум, на основе которого они торгуют, является информацией. Или, возможно, им просто нравится торговать ». Хотя Ф. Блэк не указывает, каких операторов следует относить к категории «шумовых трейдеров», в работе Де Лонга, Шляйфера, Саммерса и Вальдмана можно найти описание таких участников рынка. Шумовые трейдеры ошибочно полагают, что у них есть уникальная информация о будущих ценах на активы. Источниками такой информации могут быть ложные сигналы о несуществующих трендах, подаваемые индикаторами тех. анализа, слухи, рекомендации финансовых «гуру». Шумовые трейдеры сильно переоценивают значение имеющейся информации и готовы принимать на себя необоснованно большой риск. Проведённые эмпирические исследования также указывают на то, что к шумовым трейдерам в первую очередь следует отнести индивидуальных инвесторов, т.е. физических лиц. Более того, именно эта группа трейдеров несёт систематические убытки от торговли из-за иррациональности своих действий. Для западных фондовых рынков эмпирическое подтверждение этого явления можно найти в исследованиях Барбера и Одина, а для операторов российского фондового рынка – в работе И.С. Нилова. Теория шумовой торговли позволяет объяснить и феномен Р. Шиллера. Именно иррациональные действия трейдеров вызывают чрезмерную изменчивость цен.

Обобщая современные исследования в области теорий ценообразования на фондовом рынке, можно сделать вывод о неэффективности использования технического анализа для получения прибыли. Более того, трейдеры, использующие тех. анализ пытаются выделять повторяющиеся графические паттерны (от англ. pattern - модель, образец). Стремление найти различные модели поведения цен является очень сильным, а способность человеческого глаза выделять очевидные тренды удивительна. Однако выделенные закономерности могут вовсе не существовать. На графике представлены смоделированные и фактические данные индекса Dow Jones Industrial Average на протяжении 1956 года, взятые из исследования Гарри Робертса.

График (B) представляет собой классическую модель «голова-плечи». График (А) также выглядит как «типичная» схема поведения рынка. Какой из двух графиков построен на основе фактических значений биржевого индекса, а какой – с помощью смоделированных данных? График (А) построен на основе фактических данных. График (B) создан с помощью значений, выданных генератором случайных чисел. Проблема, связанная с выявлением моделей там, где их на самом деле не существует, заключается в отсутствии необходимых данных. Анализируя предыдущую динамику, всегда можно выявить схемы и методы торговли, которые могли дать прибыль. Иными словами, существует совокупность бесконечного количества стратегий основанных на тех. анализе. Часть стратегий из общей совокупности демонстрируют на исторических данных положительный результат, другие – отрицательный. Но в будущем, мы не можем знать, какая группа систем позволит стабильно получать прибыль.

Также, одним из способов определения наличия закономерностей во временных рядах, является измерение сериальной корреляции . Существование сериальной корреляции в котировках, может свидетельствовать об определенной взаимосвязи между прошлой и текущей доходностью акций. Положительная сериальная корреляция означает, что положительные ставки доходности, как правило, сопровождаются положительными ставками (свойство инерционности). Отрицательная сериальная корреляция означает, что положительные ставки доходности, сопровождаются отрицательными ставками (свойство реверсии или свойство «коррекции»). Применяя данный метод к биржевым котировкам, Кендалл и Робертс (Kendall and Roberts, 1959), доказали, что закономерностей обнаружить не удаётся.

Наряду с техническим анализом, достаточно широкое распространение получил фундаментальный анализ . Его цель – анализ стоимости акций, опирающийся на такие факторы, как перспективы получения прибыли и дивидендов, ожидания будущих процентных ставок и риск фирмы. Но, как и в случае технического анализа, если все аналитики полагаются на общедоступную информацию о прибылях компании и её положении в отрасли, то трудно ожидать, что оценка перспектив, полученная каким-то одним аналитиком, намного точнее оценок других специалистов. Подобные исследования рынка выполняются множеством хорошо информированных и щедро финансируемых фирм. Учитывая столь жёсткую конкуренцию, трудно отыскать данные, которыми ещё не располагают другие аналитики. Следовательно, если информация о конкретной компании общедоступна, то ставка доходности, на которую сможет рассчитывать инвестор, будет самой обычной.

Помимо вышеописанных методов, для прогнозирования рынка пытаются применять нейронные сети, генетические алгоритмы и т.д. Но попытка использовать прогностические методы применительно к финансовым рынкам превращает их в самоликвидирующиеся модели . Например, предположим, что с помощью одного из методов спрогнозирована базовая тенденция роста рынка. Если теория широко признана, многие инвесторы сразу же начнут скупать акции в ожидании роста цен. В результате, рост окажется намного резче и стремительнее, чем это предсказывалось. Или же рост может вообще не состояться из-за того, что крупный институциональный участник, обнаружив чрезмерную ликвидность, начнёт распродавать свои активы.

Самоликвидация прогностических моделей возникает из-за применения их в конкурентной среде, а именно в среде, в которой каждый агент старается извлечь собственную выгоду, определённым образом влияя на систему в целом. Влияние отдельного агента на всю систему не значительно (на достаточно развитом рынке), однако наличие эффекта суперпозиции провоцирует самоликвидацию конкретной модели. Т.е. если в основе торгового алгоритма лежат прогностические методы, стратегия приобретает свойство неустойчивости, а в долгосрочной перспективе происходит самоликвидация модели. Если же стратегия является параметрической и прогностически нейтральной, то это обеспечивает конкурентное преимущество по сравнению с торговыми системами, в которых для принятия решения используется прогноз. Но стоит учитывать, что поиск стратегий, удовлетворяющих таким параметрам как, например, прибыль/риск происходит одновременно с поиском подобных систем другими трейдерами и крупными финансовыми компаниями на основе одних и тех же исторических данных и практически по одним и тем же критериям. Из этого следует необходимость использовать системы, основанные не только на общепринятых основных параметрах, но и на таких показателях, как надежность, стабильность, живучесть, гетероскедастичность и т. д. Особый интерес представляют торговые стратегии, базирующиеся на так называемых «дополнительных информационных измерениях» . Они проявляются в других, обычно смежных областях деятельности и по разным причинам редко используются широким кругом лиц на рынке акций.

Вышеизложенные рассуждения позволяют сделать следующие выводы:

Теория шумовой торговли, в отличие от концепции эффективного рынка, позволяет более точно объяснить реальное поведение фондовых активов.
В изменениях котировок торговых инструментов отсутствует закономерность, т.е. рынок предсказать невозможно.
Применение прогностических методов, в частности технического анализа, приводит к неизбежному разорению трейдера в среднесрочной перспективе.
Для успешной торговли на фондовом рынке, необходимо применять прогностически нейтральные стратегии, базирующиеся на «дополнительных информационных измерениях».

Список использованной литературы:

Shiller R. Irrational Exuberance. Princeton: Princeton University Press, 2000.
Black F. Noise // Journal of Finance. 1986. Vol. 41. Р. 529-543.
De Long J. B., Shleifer A. M., Summers L. H., Waldmann R. J. Noise Trader Risk in Financial Markets // Journal of Political Economy. 1990. Vol. 98. Р. 703-738.
Barber B. M., Odean T. Trading is hazardous to your wealth: The common stock investment performance of individual investors // Journal of Finance. 2000. Vol. 55. № 2. P. 773-806.
Barber B. M., Odean T. Boys will be boys: Gender, overconfidence, and common stock investment // Quarterly Journal of Economics. 2001. Vol. 116. Р. 261-292.
Odean T. Do investors trade too much? // American Economic Review. 1999. Vol. 89. Р. 1279-1298.
Нилов И. С. Кто теряет свои деньги при торговле на фондовом рынке? // Финансовый менеджмент. 2006. № 4.
Нилов И. С. Шумовая торговля. Современные эмпирические исследования // РЦБ. 2006. № 24.
Harry Roberts. Stock Market Patterns and Financial Analysis: Methodological Suggestions // Journal of Finance. Marth 1959. P. 5-6.

Прогнозирование фондового рынка

В связи с нестабильностью фондового рынка возрастает роль экономического прогнозирования.

Прогнозирование - это научно обоснованные суждения о возможном состоянии и будущем развитии того или иного объекта или отдельных его элементов, а также об альтернативных путях, методах, сроках достижения определённого состояния этого объекта.

К функциям прогнозирования относятся:

научный анализ, который включает ретроспекцию (историю развития объекта, идеи или события), диагноз (систематическое описание объекта, идеи или события), проспекцию (разработка прогноза и оценка его достоверности, точности и обоснованности);

оценка сложившейся ситуации и выявление узловых проблем социально-экономического развития;

установление причинно-следственных связей, их повторяемости в определённых условиях и учёт неопределённости;

мониторинг мирового опыта;

оценка действия определённых тенденций и закономерностей в будущем;

предвидение, то есть опережающее отображение действительности, основанное на познании действия экономических законов и теорий (с учетом новых социально-экономических ситуаций и проблем развития рынка ценных бумаг) в форме гипотез и предположений;

разработка концепций развития рынка ценных бумаг.

Целью прогнозирования рынка ценных бумаг является исследование вариантов развития и определение возможных перспектив с учётом факторов объективного и субъективного характера. Задачи прогнозирования развития рынка ценных бумаг следующие:

определить будущее рынка ценных бумаг на основе научного анализа;

выявить главные направления развития рынка ценных бумаг с позиции научного предвидения;

учесть различные факторы и обосновать конкретные способы их регулирования.

Основные виды прогнозов развития рынка ценных бумаг классифицируются по следующим критериям:

по масштабу прогнозирования - мировой, национальный и региональный;

по характеру прогнозируемых процессов - развития фондовых операций, поведения отдельных участников рынка ценных бумаг и операций с отдельными видами ценных бумаг;

по функциональному признаку - поисковый (основан на условном продолжении в будущее тенденций развития в прошлом и настоящем) и нормативный (разрабатывается на базе заранее определённых целей, т.е. от заданного состояния в будущем к существующим тенденциям его изменения в свете определённой цели);

по способам представления результатов - точечный (предполагает единственное сочетание показателей) и интервальный (предполагает набор показателей в заданных интервалах);

по степени пространственной и временной согласованности результатов прогнозов одномерный (по отдельным объектам без последующего согласования результатов), многомерный (по отдельным объектам с последующим согласованием результатов), перекрёстный (с установлением причинно-следственных связей и зависимостей и имитацией возможного взаимодействия) и сквозной (с имитацией поведения совокупности объектов);

по срокам - краткосрочный, или текущий (на срок менее 1 года), среднесрочный (на срок 1-3 года) и долгосрочный (на срок более 3 лет). Для построения краткосрочного, или текущего, прогноза применяется технический анализ. Для разработки среднесрочного и долгосрочного прогнозов эффективен фундаментальный анализ;

Методика прогнозирования фондового рынка включает совокупность различных методов и приёмов разработки прогнозов. Существуют, по крайней мере, две группы факторов, влияющих на качество прогнозов:

связанные с подготовкой, обработкой и анализом информации;

связанные с качеством построения модели, ее соответствием прогнозируемому процессу.

Кроме того, при прогнозировании необходимо учитывать ошибки исходных данных, модели прогноза, согласования, стратегии, которые заключаются в расхождении данных прогноза и фактических данных. Ошибки исходных данных связаны главным образом с неточностью измерений, некорректностью выборки, недостоверностью показателей. Ошибки модели возникают из-за неправильного подбора целевой функции и системы ограничений, из-за низкого качества экспертизы. Ошибки согласования вызваны несопоставимостью методик расчёта отдельных показателей в разных отраслях и регионах. Ошибки стратегии предопределены неправильным выбором концепции прогноза.

Основными методами прогнозирования являются:

технический анализ,

фундаментальный анализ,

эконометрические модели,

нейронные сети.

Фундаментальный анализ - это традиционный экономический анализ. Он основан на следующем принципе: любой экономический фактор, снижающий предложение или увеличивающий спрос на товар, ведёт к повышению цены, и, наоборот, любой фактор, увеличивающий предложение и уменьшающий спрос на товар, как правило, приводит к накоплению запасов и снижению цены. На этой основе прогнозируется цена, которая, исходя из прошлого опыта, соответствует данному соотношению спроса и предложения. В последнее время фундаментальный анализ осуществляется с применением моделей развития рынка, которые могут включать в себя до нескольких тысяч показателей. Кроме анализа положения дел на самом предприятии аналитику, занимающемуся фундаментальным анализом, необходимо изучать факторы макроэкономического характера и рынок, на котором действует интересующее его предприятие. Это открывает инвестору понимание долгосрочной и краткосрочной конъюнктуры.

Технический анализ - специфический экономический внутренний анализ, наиболее широко используемый на биржах. Он применяется для наиболее всестороннего исследования колебания цен. Технический анализ изучает динамику соотношения спроса и предложения, то есть прежде всего сами ценовые изменения. Его часто называют графическим анализом, поскольку он основан на построении различных видов графиков, диаграмм, изучении показателей открытых позиций и объема торговли, а также других факторов. Существует три типа графиков движения рынка, на основании которых строится технический анализ: график движения цены, объёма торговли и открытого интереса. Основные типы графиков - это линейный, гистограмма и японские свечи.

Технический анализ имеет сильного союзника в лице теоретической математики и имеет возможность сформулировать то, что уже давно пытался, а именно: можно прогнозировать цены для всех рынков и любых периодов времени, от минуты до нескольких лет. При этом можно использовать одни и те же методики, поскольку и законы поведения, и структура ценового графика всегда одни и те же. Технический анализ может быть использован для:

установления основных тенденций развития биржевого рынка ценных бумаг на основе изучения динамики цен, зафиксированной на графиках;

прогнозирования изменения цен;

определения времени открытия и закрытия позиции.

Технический анализ базируется на трех аксиомах:

Рынок учитывает все;

Движение цен подчинено тенденциям4

История повторяется.

Движение цен можно образно представить как исход схватки между быком (покупателем) и медведем (продавцом). Быки толкают цены вверх, а медведи - вниз. Направление движений цен и называется трендом. Существуют три типа трендов:

Бычий - движение цен вверх;

Медвежий - движение цен вниз;

Боковой - цены практически не двигаются.

Тренды различаются по времени действия. На рынках существуют долгосрочные (более 1 года), среднесрочные (от 1 до 3 месяцев) и краткосрочные (от 1 дня до 3 недель) ценовые тренды.

Если тренды существуют, то к ним можно применить ньютоновские законы движения и получить следующие утверждения:

действующий тренд с большей вероятностью продлится, чем изменит направление;

тренд будет двигаться в одном и том же направлении, пока не ослабнет.

В сущности, все теории и методики технического анализа основаны на том, что тренд движется в одном и том же направлении, пока не подаст особых знаков о развороте. В зависимости от того, какой тренд определён на нужный срок, будет изменяться и стратегия. А поскольку цена движется зигзагами, то нужно определить насколько тот или иной спад (подъём) серьёзен. Простейший способ - следить за преодолением уровней сопротивления и поддержки.

При возрастании цен, то есть при бычьем тренде, в тот или иной момент цена наталкивается на препятствие - это уровень сопротивления. Достигнув его, цена либо начинает падать, либо останавливает свой рост. По тем или иным причинам на рынке начинает преобладать давление медведей. Аналогично при спаде цен, то есть медвежьем тренде, в какой-то момент давление быков начинает усиливаться, и цена поднимается, натолкнувшись на уровень поддержки.

Уровни сопротивления и поддержки могут возникать неожиданно, а могут быть предсказаны заранее. Например, на рубежах круглых чисел существует психологический барьер: уровень 1 для курса доллар/евро, 100 для курса доллар/йена. Вокруг таких чисел почти всегда возникают уровни сопротивления и поддержки.

Если уровень сопротивления успешно прорван, он становится поддержкой. Причина состоит в появлении нового «поколения» быков, которые отказывались от покупки, когда цены были ниже сопротивления (не имея тогда бычьих ожиданий), теперь же они начинают активно покупать при всяком возврате цен к новому уровню поддержки. По той же логике, когда цены падают за уровень поддержки, он нередко становится сопротивлением, которое ценам трудно преодолеть. С приближением к предыдущему уровню поддержки инвесторы начинают продавать, стремясь ограничить свои потери.

Обычно после прорыва уровня поддержки/сопротивления трейдеры начинают задаваться вопросом о том, насколько новые цены соответствуют реальности. Так, если после прорыва уровня сопротивления продавцы и покупатели усомнятся в обоснованности новой цены, то они начнут проводить обратные сделки. В результате произойдёт «раскаяние трейдеров»: после прорыва цены возвращаются к уровню поддержки/сопротивления.

Динамика цен после периода «раскаяния» имеет решающее значение. Возможно одно из двух: либо трейдеры сойдутся в своих ожиданиях на том, что новая цена неоправданна - и тогда она вернётся к прежнему уровню; либо трейдеры примут новую цену - тогда она продолжит движение в направлении прорыва.

Линию тренда проводят через две опорные точки, но для подтверждения правильности линии нужно иметь ещё и третью, подстраховочную, точку. Для бычьего тренда эта линия будет располагаться ниже ценового графика, являясь для него линией поддержки. Она показывает, до какого уровня может упасть цена, не изменяя при этом своего основного направления. Для медвежьего рынка линия тренда рисуется сверху и представляет собой сопротивление. Хорошее подтверждение изменения тренда можно получить в случае, если линия сопротивления превратилась в линию поддержки и наоборот.

Линию канала можно нарисовать, если движения тренда, то есть подъёмы и спады, равномерны. В таком случае визуально он как бы двигается между двумя параллельными. Линия канала рисуется параллельно линии тренда и располагается выше графика цены при бычьем тренде и ниже - при медвежьем. Таким образом, она будет определять сопротивление для бычьего и поддержку для медвежьего тренда. Линии тренда и канала подчиняются общим правилам сопротивления и поддержки, поэтому с их помощью можно определять границы действия тренда. При торговле в реальном времени трейдера интересует, что случилось сразу после изменения тренда: коррекция или полный разворот. Коррекция - временное изменение тренда, а разворот - глобальное.

Одним из традиционных подходов к исследованию макроэкономических процессов является подход, основанный на использовании эконометрических моделей. Эконометрические модели позволяют решать достаточно широкий круг задач исследования: анализ причинно-следственных связей между экономическими переменными; прогнозирование значений экономических переменных; построение и выбор вариантов (сценариев) экономической политики на основе имитационных экспериментов с моделью.

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям , которые успешно применяются в самых различных областях Нейронные сети уже можно выделить в отдельный метод прогнозирования. Среди его преимуществ нелинейность и простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Упрощая, технику применения нейронных сетей для прогнозов на фондовом рынке можно условно разбить на следующие этапы:

подбор базы данных,

выделение «входов» (исходные данные) и «выходов» (результаты прогноза). Входами можно сделать цены открытия, закрытия, максимумы, минимумы за какой-то период времени, статистика значений различных индикаторов (например, индексы Доу Джонса, Никкей, комбинации курсов валют, доходность государственных ценных бумаг, отношения фундаментальных и технических индикаторов и др.), обычно выбирается от 6 до 30 различных параметров. Количество выходов рекомендуется делать как можно меньше, но это могут быть цены открытия, закрытия, максимумы, минимумы следующего дня,

выделение в массиве данных тренировочных и экзаменационных участков,

обучение нейросети: на этом этапе нейронная сеть обрабатывает тренировочные примеры, пытается дать прогноз на экзаменационных участках базы данных, сравнивает полученную ошибку с ответом, имеющимся в примере (базе данных), а также с ошибкой предыдущего этапа обучения и изменяет свои параметры так, чтобы это изменение приводило к постоянному уменьшению ошибки.

введение срока прогноза,

получение значения прогнозируемых данных на выходе нейросети.

Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров.

прогнозирование фондовый индекс

Каждой страны напрямую зависит от уровня развития национальной экономики и событий, происходящих в данный момент времени на мировой арене финансового рынка. Из-за влияния, оказываемого различными политическими и экономическими условиями, поскольку эти рынки очень чувствительны к различным политическим событиям, а так же с учетом влияния внешне и внутриэкономических факторов, фондовый попеременно то взлетает, то падает в бездну кризиса. Учитывая взаимосвязь всех фондовых рынков, которая выражается в вопросах международного переплетения различных капиталов, колебания, возникающие на фондовом рынке рассматриваемой страны, могут вызвать существенные изменения на фондовых рынках другой страны, а может быть и нескольких. , как и множества иных стран, находится лишь на стадии своего развития, несмотря на набираемые в течение последних лет обороты скорости развития. Но порой складывается мнение, что дальнейшее развитие просто не осуществимо, поскольку имеется ряд значительных проблем в развитии фондового рынка. Одной из наиболее важных проблем является плохое понимание участниками торгов всех потенциальных возможностей заключать сделки. При этом они еще достаточно слабо разбираются в вопросе видов имеющихся на фондовом рынке операций. Еще одна характерная черта – низкий уровень инвестиционной культуры, благодаря чему рынка возрастает меньшими темпами, чем это могло бы быть. Кроме невежества участников рынка можно выделить в отдельную проблему законодательство, не отражающее всех положений и трудностей каждодневного труда трейдеров и инвесторов. Неоспорим тот факт, что законодательная база постоянно совершенствуется, но пока сам факт спекулянтства на фондовой бирже не искоренен и периодически проявляется во всей своей красе. Еще один пункт в нашем списке – отсутствие возможности управления финансовыми рисками. Европейские фондовые биржи отличаются тем, что у них на фондовом рынке присутствуют страховые компании, благодаря которым риски, связанные с процессом ведения сделок минимизируются. Еще одним гарантом отсутствия риска является применение особого механизма заключения сделок, который благодаря уровню образования народа Европейских стран с каждым годом становится все более отлаженным. Однако уровень образованности российских инвесторов порой становится причиной возникновения серьёзных проблем развития на фондовом рынке. Не стоит принижать способности Российского фондового рынка, поскольку с каждым годом его роль в вопросе привлечения инвестиций становится все более весомой, но целый ряд нерешенных проблем продолжают препятствовать развитию инвестиционных процессов. Главная из них – отсутствие долгосрочной политики государства относительно рынка ценных бумаг, позволяющей превращать в эффективные инвестиции. В 2008 году были сделаны первые шаги, благодаря исследованиям, проведенным различными специалистами в и инвестиций, при помощи зарубежных консультантов. Итогом данного исследования стала модель дальнейшего развития фондового рынка РФ в ближайшей перспективе, благодаря которой объем капитализации рынка России в мировой экономике должен с 11 места переместиться на 4-е. Второй проблемой является ряд проблем собранных воедино - не справедливость ценообразования, отсутствие свободного доступа и процедуры защиты инвесторов на фондовом рынке. Все это проявляется в ущемлении крупными держателями акций прав более мелких инвесторов, в наличии высоких издержек при осуществлении купли-продажи акций, а также в наличии процедуры переоформления прав, несмотря на небольшой объем сделки неликвидных акций. Третий пункт в этом списке – отсутствие более-менее долгой истории акционерных обществ, созданных во времена приватизации. Из-за чего большинство предприятий не могут похвастаться четко выработанной дивидендной политикой. Многими эмитентами проценты либо не выплачиваются вовсе, либо настолько малы, что попросту начинают терять свою привлекательность в глазах инвесторов. Акции приобретаются не в расчете на выплату хороших дивидендов, а в надежде на курсовой рост их стоимости. Поэтому сделки являются спекулятивными, а не инвестиционными. Регулярность выплаты дивидендов вкупе с высоким дивидендным процентом могли бы вернуть акциям начальную привлекательность, а предприятия могли бы привлекать дополнительно средства путем выпуска новых пакетов акций. Важным значением в вопросе развития фондового рынка обладает степень доверия населения страны к процессам на фондовом рынке. Опыт, полученный в развитых странах, показывает, что то, насколько устойчив фондовый рынок, по многим показателям зависит от наличия на рынке . Реальность участия мелких и средних инвесторов обеспечивается возможностью вложения ими своих сбережений в паевые и акционерные фонды. Однако если сравнивать объемы вложений в подобные фонды в России и в развитых странах, то статистика неумолимо констатирует тот факт, что наши сограждане не доверяют данным фондам, почему и объем вложений неприлично мал. Невелик и круг людей, инвестирующих свои средства в фондовый рынок. Обсуждать тему – «Проблемы фондового рынка» - в целом или в России в частности можно практически бесконечно, и тот перечень проблем, приведенных выше лишь малая толика огромного списка, куда входят самые различные причины торможения развития фондового рынка. Если все-таки найти возможность решения (пусть не всех сразу, а путем постепенного подхода к проблеме) проблем финансового рынка, то мы получим в итоге сильную Россию и конкурентоспособный фондовый рынок.

Будьте в курсе всех важных событий United Traders - подписывайтесь на наш