Математическая модель прогнозирования цен на акции

Содержание

Введение

Глава 1. Литературный обзор по теме работы

Глава 2. Практическая реализация и апробация модели прогнозирования стоимости акций X5 Retail Group

2.1. Описание данных, их источников и способов их получения

2.2. Организационно-экономическая характеристика X5 Retail Group

2.3. Эконометрический инструментарий исследования: от множественной регрессии до моделей интегрированной авторегрессии

2.4. Построение и итеративная оптимизация модели ARIMA для данных X5 Retail Group

2.5. Интерпретация полученных результатов, оценка адекватности модели и верификация прогнозных значений

Заключение

Список использованной литературы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

Математическая модель прогнозирования цен на акции

Специальность: 01.03.02 Прикладная математика и информатика

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена стремительным развитием финансовых рынков и возрастающей потребностью в точных инструментах прогнозирования динамики стоимости ценных бумаг. Современные фондовые рынки представляют собой сложные нелинейные системы, характеризующующиеся высокой степенью волатильности и подверженные влиянию множества взаимосвязанных факторов — от макроэкономических показателей до поведенческих паттернов участников торгов. В этих условиях разработка математических моделей, способных с достаточной степенью достоверности прогнозировать ценовую динамику, становится критически важной задачей как для институциональных инвесторов, так и для частных трейдеров [1, c. 15].

Теория эффективного рынка, предложенная Юджином Фамой в середине XX века, постулирует, что цены активов полностью отражают всю доступную информацию, делая систематическое получение сверхприбыли невозможным. Однако многочисленные эмпирические исследования последних десятилетий выявили значительные отклонения от гипотезы эффективного рынка, обнаружив устойчивые паттерны и аномалии в ценовой динамике [5, c. 42]. Эти наблюдения стимулировали развитие альтернативных подходов к моделированию финансовых временных рядов, основанных на признании их нелинейности, неоднородности и способности к самоорганизации. Применение методов эконометрического анализа и машинного обучения открывает новые возможности для выявления скрытых зависимостей в исторических данных и построения прогностических моделей с улучшенными характеристиками точности.

Прогнозирование цен на акции представляет собой задачу анализа временных рядов с характерными особенностями: наличием трендовых компонент, сезонности, автокорреляции различных порядков и стохастической природы флуктуаций. Классические статистические методы, такие как модели авторегрессии и скользящего среднего (ARMA), интегрированные модели авторегрессии и скользящего среднего (ARIMA), а также их обобщения на случай сезонности (SARIMA), продемонстрировали свою эффективность для краткосрочного прогнозирования в условиях относительно стабильных рыночных режимов [12, c. 78]. Тем не менее, их применимость ограничивается предположениями о линейности зависимостей и стационарности временных рядов, что не всегда соответствует реальным характеристикам финансовых данных [18, c. 134].

Современные исследования в области финансовой эконометрики все чаще обращаются к гибридным подходам, комбинирующим традиционные статистические модели с методами машинного обучения. Нейронные сети, в частности рекуррентные архитектуры типа LSTM (Long Short-Term Memory) и GRU (Gated Recurrent Unit), демонстрируют способность к выявлению сложных нелинейных паттернов во временных рядах и учету долговременных зависимостей [23, c. 201]. Однако их применение требует значительных вычислительных ресурсов, тщательной настройки гиперпараметров и больших объемов обучающих данных. Кроме того, интерпретируемость результатов, получаемых с помощью глубоких нейронных сетей, остается предметом дискуссий в научном сообществе, что ограничивает их использование в некоторых практических приложениях, требующих объяснимости прогнозов.

В контексте российского фондового рынка актуальность разработки специализированных моделей прогнозирования возрастает в связи со спецификой отечественной экономики, характеризующейся высокой зависимостью от цен на сырьевые товары, геополитических факторов и особенностей корпоративного управления. X5 Retail Group, являясь одним из крупнейших операторов продуктовой розничной торговли в России, представляет особый интерес для моделирования благодаря относительной стабильности бизнес-модели, регулярности финансовой отчетности и значительным торговым объемам акций на Московской бирже [7, c. 56]. Анализ динамики котировок данной компании позволяет не только решить практическую задачу построения прогностической модели, но и исследовать особенности поведения акций компаний сектора потребительских товаров в условиях макроэкономической нестабильности.

Степень разработанности проблемы в научной литературе является высокой, однако большинство исследований сосредоточено на анализе зарубежных рынков, преимущественно американского и европейского. Работы, посвященные специфике российского фондового рынка, часто ограничиваются дескриптивным анализом или применением стандартных эконометрических методов без их адаптации к особенностям отечественных финансовых данных. Кроме того, недостаточно изученными остаются вопросы сравнительной эффективности различных классов моделей при прогнозировании цен на акции конкретных российских эмитентов, что обосновывает необходимость проведения настоящего исследования [29, c. 167].

Цель исследования заключается в разработке и апробации математической модели прогнозирования цен на акции X5 Retail Group на основе эконометрических методов анализа временных рядов с последующей оценкой ее точности и практической применимости.

Для достижения поставленной цели необходимо решить следующие задачи:

• Провести анализ теоретических основ функционирования фондового рынка и механизмов ценообразования на финансовые активы;
• Выполнить обзор существующих подходов к математическому моделированию и прогнозированию динамики цен на акции, включая классические статистические методы и современные алгоритмы машинного обучения;
• Осуществить сбор, предварительную обработку и статистический анализ исторических данных о котировках акций X5 Retail Group;
• Изучить эконометрический инструментарий, включающий методы множественной регрессии, модели ARMA и ARIMA, и обосновать их применимость к задаче прогнозирования;
• Построить модель ARIMA для данных X5 Retail Group с идентификацией оптимальных параметров на основе информационных критериев и диагностики остатков;
• Провести верификацию разработанной модели на тестовой выборке с оценко

…