Магистерская диссертация на тему "ТЮМГУ | Система поддержки инвестиционных решений на финансовом рынке"

Работа на тему: Система поддержки инвестиционных решений на финансовом рынке
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра программной и системной инженерии

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистра
СИСТЕМА ПОДДЕРЖКИ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ НА ФИНАНСОВОМ РЫНКЕ

09.04.03 Прикладная информатика
Магистерская программа «Информационные системы анализа данных»

г. Тюмень 2023

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 4
ГЛАВА 1. ПРЕДМЕТНАЯ ОБЛАСТЬ И ПОСТАНОВКА ЗАДАЧИ 7
1.1 Описание предметной области и терминологическая база 7
1.2 Постановка задачи 9
1.3 Формализация задачи для цели автоматизации 10
ГЛАВА 2. ОБЗОР МОДЕЛЕЙ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ НА ФИНАНСОВОМ РЫНКЕ 12
2.1 Обзор методов инвестиционного анализа на финансовом рынке 12
2.2 Обзор методов прогнозирования цен на финансовом рынке 22
2.3 Выбор методов машинного обучения для прогнозирования цен и методов инвестиционного анализа на финансовом рынке 34
ГЛАВА 3. ПРОГНОЗИРОВАНИЕ ЦЕН НА ФИНАНСОВОМ РЫНКЕ ПРИ ПОМОЩИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 36
3.1 Описание исходных данных и способ их получения 36
3.2 Подготовка данных для модели прогнозирования 39
3.3 Описание архитектуры модели прогнозирования 44
3.4 Вычислительные эксперименты и их результаты 48
ГЛАВА 4. ПОСТРОЕНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ 57
4.1 Система поддержки принятия инвестиционных решений на основе модели LSTM, оценка ее качества (LSTM-IR) 57
4.2 Система поддержки принятия инвестиционных решений на основе модели DMI, оценка ее качества (DMI-IR) 61
4.3 Система поддержки принятия инвестиционных решений на основе прогноза нейронной сети LSTM и модели DMI, оценка ее качества (LSTM- DMI-IR) 66
ГЛАВА 5. ОЦЕНКА УСТОЙЧИВОСТИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ 71
5.1 Оценка качества LSTM-DMI-IR на разных инвестиционных горизонтах 71
5.2 Оценка качества LSTM-DMI-IR с разными начальными точками инвестирования при трехлетнем инвестиционном горизонте 73
ЗАКЛЮЧЕНИЕ 77
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 79

ВВЕДЕНИЕ
Финансовый рынок является важным элементом экономической системы. Он представляет собой совокупность отношений, при которых финансовые активы обеспечивают обмен различных ценностей на рыночных принципах.
Ключевой функцией финансовых рынков является перераспределение капитала. Компании получают доступ к капиталу, а инвесторы могут вложить свой капитал в компанию и получить часть результата ее деятельности. Таким образом, порог входа в инвестиционную деятельность существенно снижается и в экономике задействован капитал все большего количества частных лиц.
Также активная деятельность по реализации одного из приоритетных направлений государственной политики – повышение инвестиционной грамотности, приводит к тому, что на финансовом рынке появляется много частных инвесторов. Не только недостаток знаний, т.е. низкая инвестиционная грамотность, а также психологические искажения и отсутствие дисциплины приводят к отрицательным результатам и разочарованию в инвестициях.
Решение указанной проблемы может быть связано с реализацией автоматизированной системы поддержки принятия инвестиционных решений на основе прогнозирования цен финансовых активов (акций) и их интерпретации, результатом работы которой будет инвестиционная рекомендация: включить акцию в инвестиционный портфель (купить) / исключить акцию из инвестиционного портфеля (продать).
Стимулом для частного инвестора выступает прибыль, как положительная разница между ценой продажи и ценой покупки финансовых активов (акций), возникающая из-за изменения рыночной цены при удерживании акций определенный период времени. Еще одним источником дохода инвесторов в акции (акционеров) могут быть дивиденды – часть прибыли компании, выплачиваемая один или несколько раз в год. Не все компании выплачивают дивиденды, но при реинвестировании прибыли внутри компании стоимость ее акций возрастает. Поэтому оценка эффективности инвестирования в акции может базироваться на динамике рыночной стоимости акций компании.
Динамика рыночной цены акций разнонаправленная. Поэтому возможности инвестора получить прибыль при повышении курса акций противостоит опасность получить убыток при снижении курса акций. Реальную прибыль инвестор фиксирует своевременными сделками покупки или продажи акций. Таким образом, залогом положительного финансового результата являются правильные инвестиционные решения – решение купить или продать ценную бумагу в определенный момент времени по рыночной цене.
Обладая информацией о возможной будущей стоимости акции, инвестор может принять инвестиционное решение с положительным финансовым результатам (прибылью), которое обеспечивает рост капитала на длительном инвестиционном горизонте.
Таким образом, модели принятия правильных инвестиционных решений, основанных на прогнозе цен акций востребованы частными инвесторами.
Целью данной работы является повышение эффективности портфельного инвестирования на российском фондовом рынке путем разработки системы поддержки принятия инвестиционных решений.
Для достижения поставленной цели сформулирован комплекс задач, подлежащих решению:
• разработка общей архитектуры системы;
• построение и обучение модели прогнозирования цен акций;
• реализация алгоритма интерпретации полученного результата в инвестиционную рекомендацию: включить акцию в инвестиционный портфель (купить) / исключить акцию из инвестиционного портфеля (продать).
В качестве показателей эффективности/качества системы поддержки инвестиционных решений рассматриваются: а) прирост инвестированного капитала в течение анализируемого периода; б) средняя годовая доходность инвестиционного портфеля; в) риск инвестиционного портфеля; г) значение коэффициента Шарпа.
Указанные показатели сравниваются с такими же показателями эталонного индексного инвестиционного портфеля; в качестве эталона выступает индекс Московской биржи (MOEX10).
Для успешной подготовки и защиты выпускной квалификационной работы обучающимся использовались средства и методы физической культуры и спорта с целью поддержания должного уровня физической подготовленности, обеспечивающую высокую умственную и физической работоспособность. В режим рабочего дня включались различные формы организации занятий физической культурой (физкультпаузы, физкультминутки, занятия избранным видом спорта) с целью профилактики утомления, появления хронических заболеваний и нормализации деятельности различных систем организма.
В рамках подготовки к защите выпускной квалификационной работы автором созданы и поддерживались безопасные условия жизнедеятельности, учитывающие возможность возникновении чрезвычайных ситуаций.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Antonacci G. Dual Momentum Investing: An Innovative Strategy for Higher Returns with Lower Risk 1st Edition. - Pu lisher : McGraw Hill, 2014. – 240 р.
2. Baccouche M., F. Mamalet, C Wolf, C. Garcia, A. Baskurt. Sequential Deep Learning for Human Action Recognition. 2nd International Workshop on Human Behavior Understanding (HBU), A.A. Salah, B. Lepri ed. Amsterdam, Netherlands. pp. 29-39. Lecture Notes in Computer Science 7065. Springer. 2011
3. Box G.E.-P., Jenkins G.M., Reinsel G.C., Ljung G.M. (2016). Time series analysis : forecasting and control (5th ed.). Hoboken, New Jersey: John Wiley & Sons, Incorporated. p. 53.
4. Chung, Junyoung; Gulcehre, Caglar; Cho, KyungHyun & Bengio, Yoshua (2014), Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, ar?iv:1412.3555 (дата обращения: 17.05.2023)
5. Cruse, Holk; Neural Networks as Cybernetic Systems Архивная копия от 20 октября 2016 на Wayback Machine, 2nd and revised edition.
6. Dwivedi, S.A.; Attry, A.; Parekh, D.; Singla, K. Analysis and forecasting of Time-Series data using S-ARIMA, CNN and LSTM. In Proceedings of the 2021 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida, India, 19–20 February 2021; pp. 131–136;
7. Eck D.and J. Schmidhuber. Learning The Long-Term Structure of the Blues. In J. Dorronsoro, ed., Proceedings of Int. Conf. on Artificial Neural Networks ICANN’02, Madrid, pages 284—289, Springer, Berlin, 2002.
8. Elman, Jeffrey L. Finding Structure in Time (неопр.) // Cognitive Science. — 1990. — Т. 14, № 2. — С. 179—211. — doi:10.1016/0364- 0213(90)90002-E (дата обращения: 17.05.2023)
9. Felix A. Gers; Jurgen Schmidhu er; Fred Cummins. Learning to Forget: Continual Prediction with LSTM // Neural Computation : journal. — 2000. — Vol. 12, no. 10. — P. 2451—2471. — doi:10.1162/089976600300015015.
10. Fernandez S., A. Graves, J. Schmidhuber. An application of recurrent neural networks to discriminative keyword spotting. Intl. Conf. on Artificial Neural Networks ICANN’07, 2007.
11. Gers, F. A.; Schmidhuber, J. LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive Languages (англ.) // IEEE Transactions on Neural Networks : journal. — 2001. — Vol. 12, no. 6. — P. 1333—1340. — doi:10.1109/72.963769.
12. Gers, F.; Schraudolph, N.; Schmidhuber, J. Learning precise timing with LSTM recurrent networks (англ.) // Journal of Machine Learning Research : journal. — 2002. — Vol. 3. — P. 115—143.
13. Graves A., J. Schmidhuber. Offline Handwriting Recognition with Multidimensional Recurrent Neural Networks. Advances in Neural Information Processing Systems 22, NIPS’22, pp 545—552, Vancouver, MIT Press, 2009.
14. Graves A., M. Liwicki, S. Fernandez, R. Bertolami, H. Bunke, J. Schmidhuber. A Novel Connectionist System for Improved Unconstrained Handwriting Recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, no. 5, 2009.
15. Graves A., S. Fernandez,M. Liwicki, H. Bunke, J. Schmidhuber. Unconstrained online handwriting recognition with recurrent neural networks. Advances in Neural Information Processing Systems 21, NIPS’21, pp 577—584, 2008, MIT Press, Cambridge, MA, 2008
16. Graves, A.; Schmidhuber, J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures // Neural Networks : journal. — 2005. — Vol. 18, no. 5—6. — P. 602—610. — doi:10.1016/j.neunet.2005.06.042.
17. Graves, Alex; Mohamed, Abdel-rahman; Hinton, Geoffrey. Speech Recognition with Deep Recurrent Neural Networks (англ.) // Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on : journal. — 2013. — P. 6645—6649.
18. Hochreiter S. Untersuchungen zu dynamischen neuronalen Netzen. Diploma thesis, Institut f. Informatik, Technische Univ. Munich, 1991.
19. Hochreiter S., Y. Bengio, P. Frasconi, and J. Schmidhuber. Gradient flow in recurrent nets: the difficulty of learning long-term dependencies. In S. C. Kremer and J. F. Kolen, editors, A Field Guide to Dynamical Recurrent Neural Networks. IEEE Press, 2001.
20. Hochreiter, S.; Heusel, M.; Obermayer, K. Fast model-based protein homology detection without alignment // Bioinformatics : journal. - 2007. - Vol. 23, no. 14. - P. 1728-1736. doi:10.1093/bioinformatics/btm247. — PMID 17488755.
21. Hochreiter, S.; Schmidhuber, J. Long Short-Term Memory. Neural Comput. 1997, 9, 1735–1780.
22. Ince, H.; Trafalis, T.B. Kernel principal component analysis and support vector machines for stock price prediction. In Proceedings of the 2004 IEEE International Joint Conference on Neural Networks, Budapest, Hungary, 25–29 July 2004; IEEE Cat. No. 04CH37541; Volume 3, pp. 2053–2058.
23. Jordan, Michael I. Serial Order: A Parallel Distributed Processing Approach (англ.) // Advances in Psychology : journal. — 1997. — 1 January (vol. 121). — P. 471—495.
24. Klaus Greff; Rupesh Kumar Srivastava; Jan Koutnik; Bas R. Steune rink & Jurgen Schmidhu er (2015), LSTM: A Search Space Odyssey, ar?iv:1503.04069.
25. Lu, W.; Li, J.; Li, Y.; Sun, A.; Wang, J. A cnn-lstm-based model to forecast stock prices. Complexity 2020, 2020, 1–10
26. Mayer H., F. Gomez, D. Wierstra, I. Nagy, A. Knoll, and J. Schmidhuber. A System for Robotic Heart Surgery that Learns to Tie Knots Using Recurrent Neural Networks. Advanced Robotics, 22/13-14, pp. 1521—1537, 2008.
27. Moghar, A.; Hamiche, M. Stock market prediction using LSTM recurrent neural network. Procedia Comput. Sci. 2020, 170, 1168–1173.
28. Moghar, A.; Hamiche, M. Stock market prediction using LSTM recurrent neural network. Procedia Comput. Sci. 2020, 170, 1168–1173]
29. Parmar, K.; Singh, S.; Kumar, J. Soft computing models coupled with statistical models estimate the future of the stock market. Neural Comput. Appl. 2021, 33, 7629–7647;
30. Perez-Ortiz, J. A.; Gers, F. A.; Eck, D.; Schmidhuber, J. Kalman filters improve LSTM network performance in problems unsolvable by traditional recurrent nets // Neural Networks : journal. — 2003. — Vol. 16, no. 2. — P. 241—250. — doi:10.1016/s0893-6080(02)00219-8.
31. Recurrent Neural Network Tutorial, Part 4 – Implementing a GRU/LSTM RNN with Python and Theano – WildML. Дата обращения: 18 мая 2016. Архивировано 27 октября 2015 года.
32. Schmidhuber J.and D. Wierstra and F. J. Gomez. Evolino: Hybrid Neuroevolution / Optimal Linear Search for Sequence Learning. Proceedings of the 19th International Joint Conference on Artificial Intelligence (IJCAI), Edinburgh, pp. 853—858, 2005.
33. Schmidhuber, J.; Gers, F.; Eck, D.; Schmidhuber, J.; Gers, F. Learning nonregular languages: A comparison of simple recurrent networks and
LSTM (англ.) // Neural Computation : journal. — 2002. — Vol. 14, no. 9. — P. 2039—2041. — doi:10.1162/089976602320263980.
34. Schmidhuber, J.; Wierstra, D.; Gagliolo, M.; Gomez, F. Training Recurrent Networks by Evolino // Neural Computation — 2007. — Vol. 19, no. 3. — P. 757—779. — doi:10.1162/neco.2007.19.3.757.
35. Sepp Hochreiter; Jurgen Schmidhu er. Long short-term memory (англ.) // Neural Computation : journal. — 1997. — Vol. 9, no. 8. — P. 1735—1780. — doi:10.1162/neco.1997.9.8.1735.
36. Shumway R.H. (2000). Time series analysis and its applications. David S. Stoffer. New York: Springer. pp. 90–91.
37. Statsmodels.tsa.ar_model.AutoReg – Statsmodels 0.12.2 documentation.
38. Sun, L.; Xu, W.; Liu, J. Two-channel attention mechanism fusion model of stock price prediction based on cnn-lstm. ACM Trans. Asian -Low- Resour. Lang. Inf. Process. 2021, 20, 1–12.
39. Sun, Y.; Sun, Q.; Zhu, S. Prediction of Shanghai stock index based on investor sentiment and cnn-lstm model. J. Syst. Sci. Inf. Technol. Engl. Ed. 2022, 10, 620–632
40. Wu, Q.; Guan, F.; Lv, C.; Huang, Y. Ultra-short-term multi-step wind power forecasting based on cnn-lstm. IET Renew. Power Gener. 2021, 15, 1019–1029
41. Xiang, Y. Using the ARIMA-GARCH model to analyze the fluctuation law of international oil prices. Math. Probl. Eng. 2022, 2022, 3936414.
42. Xingjian Shi; Zhourong Chen; Hao Wang; Dit-Yan Yeung; Wai-kin Wong; Wang-chun Woo. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting // Proceedings of the 28th International Conference on Neural Information Processing Systems : journal. — 2015. — P. 802—810.
43. Yin, L.; Li, B.; Li, P.; Zhang, R. Research on stock trend prediction method based on optimized random forest. CAAI Trans. Intell. Technol. 2021, 8, 274–284.
44. Zhang, J.; Ye, L.; Lai, Y. Stock Price Prediction Using CNN-BiLSTM- Attention Model. Mathematics 2023, 11, 1985.
45. Библиотека Pandas
46. Грегори-Вильямс Джастин, Вильямс Билл Торговый хаос. Увеличение прибыли методами технического анализа. М.: Альпина PRO, 2021. – 310 с.
47. Далио Р. Большие долговые кризисы. Принципы преодоления. Изд- во: Манн, Иванов и Фербер, 2020. – 496 с.
48. Джон Дж. Мэрфи Технический анализ фьючерсных рынков: теория и практика. М.: Сокол, 1996.- 592 с.
49. Линч П. Метод Питера Линча: Стратегия и тактика индивидуального инвестора. – М.: АЛЬПИНА ПАБЛИШЕР, 2011.
50. Мерфи Дж. Технический анализ финансовых рынков. — М.: Вильямс, 2012.
51. Платоформа с открытым исходным кодом Keras
52. Твид Л. Психология финансов. – М.: "ИК "Аналитика'', 2002. – 376 с.
53. Число частных инвесторов на Московской бирже достигло 24 млн человек
54. Шарп У. Инвестиции : Учебник / У.Ф. Шарп, Г.Дж. Александер, Дж.В. Бэйли. - М.: Инфра-М, 2014. - 1028 с. - Текст : непосредственный.
55. Элдер А. Как играть и выигрывать на бирже: Психология. Технический анализ. Контроль над капиталом. — М.: АЛЬПИНА ПАБЛИШЕР, 2013.
56. Элдер А. Трейдинг. Первые шаги. — М.: АЛЬПИНА ПАБЛИШЕР, 2013.
57. Энциклопедия кибернетики / Ред. коллегия: В.М. Глушков (отв. ред.) [и др.] ; АН УССР. - Киев : Укр. сов. энциклопедия, 1974.