Новые подходы к мониторингу систем финансовых рынков

Современные финансовые рынки характеризуется значительной сложностью и нестабильностью процессов, происходящих на них. Для эффективного наблюдения за состоянием рынка с позиции каждого ее участника нужен инструмент его мониторинга.

Поведение современных финансовых рынков требует новейших методов для ее анализа. Одним из таких методов является метод рекуррентных диаграмм и рекуррентный количественный анализ.

При ежедневном мониторинге для анализа динамики рынка в режиме реального времени используется конечный отрезок значений ряда входных данных.

Для эффективного обучения нейронной сети и получения достоверных моделей существенное значение имеет общая степень сглаженности входных данных.

Для начала необходимо выделить критерии оптимальности метода сглаживания. К ним следует отнести:

— универсальность;

— степень общей сглаженности и правильная сглаженность конечных отрезков;

— удобство метода в программном обеспечении.

Есть три основных способа сглаживания ряда данных:

— эконометрические;

— сглаживание сплайнами;

— вейвлетами.

Наиболее простыми являются эконометрические методы. Основными в этой группе являются методы скользящей средней и локальной полиномиальной регрессии. Сравнив их на практике, мы считаем, что оптимальным является метод локальной полиномиальной линейной регрессии. В общем, эконометрические методы сглаживания имеют как преимущества, так и недостатки. Они дают удовлетворительные результаты общего сглаживания, но принцип их работы не дает четких результатов на концах рядов данных, а их неуниверсальность требует выбора оптимального метода путем проб и ошибок.

Сглаживание вейвлет-функциями имеет значительные преимущества по сравнению с предыдущими методами, поскольку оно предполагает анализ и сглаживание графика не частями, а полностью. Именно поэтому при использовании вейвлетов не возникает проблемы с конечными отрезками. Кроме того, достигается высокая степень оптимальной сглаженности в целом на всей ширине окна. Еще одна важная характеристика данного метода — универсальность, ведь для всех рядов данных финансовых рынков является единая система настроек, которую нужно менять, анализируя различные по длине и частоте колебаний ряды.

Обработка рядов исходных данных (в частности их сглаживания) является объективной необходимостью для системы мониторинга финансовых рынков на основе нейронных сетей из-за особенностей функционирования последних.

Эконометрические методы и методы сглаживания рядов данных сплайн-функциями дают высокую степень общей сглаженности ряда, однако они неуниверсальные и недостаточно эффективны для сглаживания важных конечных отрезков.

Метод сглаживания рядов финансовых данных вейвлет-функциями позволяет достичь высокой степени общей сглаженности, одновременно он отмечается относительной универсальностью и качественным сглаживанием конечных отрезков рассматриваемого ряда.

Итак, метод обработки вейвлетами входных данных для системы мониторинга финансовых рынков является наиболее эффективным и имеет значительные перспективы для широкого применения в экономике.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *