Прогнозирование котировок валютного курса евро и доллара c использованием искусственных нейронных сетей

Назарова Варвара Вадимовна; Ульзутуева Бальжина Дашинимаевна


	1		Эконометрика
	4		Рис. 1. Среднедневные обороты на рынке FOREX для каждой валюты
	5		Рис. 2. Среднедневные обороты на рынке FOREX для каждой валютной пары
	6		Рис. 3. Схема простой нейронной сети Рис. 4. Алгоритм построения нейронной сети
	7		Рис. 5. Торговая стратегия, реальный и прогнозный сигналы, построенные с помощью нейронной сети
	9		Рис. 6. Котировка валютного курса EUR / USD с 22 мая 2013 г. по 19 мая 2014 г.
	10		Таблица 1. Результаты нейропрогнозирования с выходом «Изменение цены открытия» и максимизацией прибыли
	11		Рис. 7. Прогнозный и реальный сигнал к открытию / закрытию короткой позиции
	12		Таблица 2. Результаты нейропрогнозирования с вычетом лишних входов, выходом «Изменение цены открытия» Таблица 3. Результаты нейропрогнозирования с выходом «Оптимальное изменение цены открытия» и максимизацией
	13		Таблица 3. Результаты нейропрогнозирования с выходом «Оптимальное изменение цены открытия» и максимизацией Таблица 4. Результаты нейропрогнозирования с выходом «Процентное изменение цены открытия» и максимизацией
	14		Таблица 5. Результаты нейропрогнозирования с критерием минимизации прогнозных ошибок
	15		Таблица 6. Результаты нейропрогнозирования с учетом технических индикаторов
	16		Литература

Банковские риски Валютные риски

Портфельные инвестиции Технический анализ

Ключевые слова: обменный курс, международный валютный рынок, фундаментальный и технический анализ, нейронные сети, эффективность рынка

Аннотация

В статье рассматривается относительно новый нелинейный подход в прогнозировании валютных курсов с использованием нейронных сетей. Авторы после проведенных исследований доказывают, что сеть с включенными финансовыми индикаторами и параметрами (цена открытия, максимальная цена, объем торговли) выдает самый высокий показатель по прогнозируемой прибыли.

Журнал: «Управление финансовыми рисками» — №1, 2016 (© Издательский дом Гребенников)

Объем в страницах: 16

Кол-во знаков: около 22,392

Библиографическая ссылка: печать / интернет

* Деятельность Meta (соцсети Facebook и Instagram) запрещена в России как экстремистская.

1. Круглов В.В. Основы международных валютно-финансовых и кредитных отношений. — М.: ИНФРА-М, 1998.

2. Zou H., Yang Y. (2004). «Combining time series models for forecasting». International Journal of Forecasting, Vol. 20, pp. 69–84.

3. Dornbusch R. (1976). «Expectations and exchange rate dynamics». Journal of Political Economy, December, No. 6, pp. 1161–1176.

4. Armstrong J.S., Fildes R. (2006). «Making progress in forecasting». International Journal of Forecasting, Elsevier, Vol. 22, No. 3, pp. 433–441.

5. Frankel J. (1979). «On the mark: a theory of floating exchange rate based on real interest differentials». American Economic Review, No. 4, pp. 610–622.

6. Моисеев С., Пантина И., Сарнычева М. и др. Валютные интервенции Центрального банка // Банки и деловой мир. — 2009. — №4. — С. 45–47.

7. Makridakis S., Hogarth R., Gaba A. (2009). «Forecasting and uncertainty in the economic and business world». International Journal of Forecasting, Vol. 25, pp. 794–812.

8. Triennial Central Bank Survey. Global Foreign Exchange Market Turnover in 2013. — Подробнее .

9. Exchange Rates and Interest Rates. — Подробнее .

10. Makridakis S., Hogarth R., Gaba A. (2009). «Forecasting and uncertainty in the economic and business world». International Journal of Forecasting, Vol. 25, pp. 794–812.

11. Gooijer J., Hyndman R. (2006). «25 years of time series forecasting». International Journal of Forecasting, Vol. 22, pp. 443–473.

12. Franke G., Olsen R., Pohlmeier W. (2002). Overview of Forecasting Models. University of Konstanz.

13. Sermpinis G. et al. (2012). «Forecasting and trading the EUR/USD exchange rate with stochastic Neural Network combination and time-varying leverage». Decision Support System, Vol. 54, No. 1, pp. 316–329.

14. Taleb N.N. (2010). The Black Swan: The Impact of the Highly Improbable Fragility. Random House Digital, Inc.

15. Mechgoug R., Titaouine A. (2012). «Exchange rate prediction using neural-genetic model». International Journal of Soft Computing, Vol. 7, No. 3, pp. 120–125.

16. Stergiou C., Siganos D. Neural Networks. — Подробнее .

17. Hansen B. Multi-step Forecast Model Selection. — Подробнее .

18. Hanke J.E., Wichern D.W., Reitsch A.G. Business Forecasting. New Delhi: PHI Publication.

19. Rim J., Chtourou N., Feki R. (2010). «Insurability challenges under uncertainty: an attempt to use the artificial neural network for the prediction of losses from natural disasters». Panoeconomicus, Vol. 1, pp. 43–60.

Назарова Варвара Вадимовна
к. э. н.
доцент

Доцент департамента финансов Санкт-Петербургской школы экономики и менеджмента Национального исследовательского университета «Высшая школа экономики».

г. Санкт-Петербург

Другие статьи автора 14

Ульзутуева Бальжина Дашинимаевна

магистр

Магистр направления «Финансы» НИУ ВШЭ.

г. Санкт-Петербу рг

Другие статьи автора 3

Электронная библиотека