В статье исследована эффективность прогнозирования динамики финансовых инструментов на примере Российских отраслевых индексов (машиностроение; металлургия; нефть и газ; страхование; телекоммуникации, IT; уголь; финансовый сектор) методом анализа временных рядов. В результате исследования установлено, что данный метод прогнозирования недостаточно эффективен в процессе принятия краткосрочных инвестиционных решений на фондовом рынке, однако эффективен для выявления долгосрочных трендов.
Ключевые слова: анализ временных рядов, прогнозирование, фондовый рынок, фондовый индекс, рынок ценных бумаг, эффективность прогнозирования.
Благодаря интернет-технологиям вложение средств в различные финансовые инструменты доступно сегодня всем желающим, при этом в современных условиях развития интернет-трейдинга наиболее перспективным является реализация индивидуальных систем, стратегий и подходов в области фундаментального и технического анализа котировок [1].
В настоящее время для эффективного ведения торгов на финансовом рынке инвесторы зачастую прибегают к попытке спрогнозировать будущее, которое основывается на исследовании исторических значений [2]. Для подобного рода деятельности используется метод анализа временных рядов. Задача, поставленная в данном исследовании — выяснить, эффективен ли данный метод для прогнозирования цен отраслевых индексов.
Анализ временных рядов — совокупность математико-статистических методов анализа, предназначенных для выявления структуры временных рядов и для их прогнозирования. Выявление структуры временного ряда необходимо для того, чтобы построить математическую модель того явления, которое является источником анализируемого временного ряда. Прогноз будущих значений временного ряда используется для эффективного принятия решений.
В данной статье для прогнозирования котировок использовался метод анализа временных рядов, так как он легок в использовании. Простота — необходимое условие для современного интернет-трейдинга [3]. Главное преимущество метода заключается в том, что от трейдера не требуется учет факторов, таких как настроения среди населения, политическая обстановка, состояние экономики и прочие.
Анализ временных рядов проводился в программном пакете SPSS (Statistical Package for the Social Sciences). IBM SPSS Statistics Base — это программное обеспечение для статистического анализа, которое обеспечивает необходимые базовые функции для проведения анализа от начала до конца. Его легко использовать для проведения исследований, составления прогноза и выявления зависимостей среди используемых данных. Одна из функций SPSS — анализ временных рядов.
В исследовании эффективности применения анализа временных рядов для составления прогнозных значений были использованы котировки российского рынка. Все данные были взяты с официального сайта холдинга ФИНАМ.
Для проверки эффективности прогнозирования использовались котировки отраслевых индексов: машиностроение; металлургия; нефть и газ; страхование; телекоммуникации, IT; уголь; финансовый сектор. По каждому индексу составлен прогноз на три таймфрейма: D1, W1 и MN1. Сравнивалась спрогнозированная цена с фактической. Результат исследования для краткосрочных торгов представлен в таблице 1.
Таблица 1
Прогноз цен отраслевых индексов (D1)
Индекс |
Цена (руб.) |
Спрогнозированное изменение цены (%) |
Фактическое изменение цены (%) |
Машиностроение |
1550,92 |
0,67 |
0,20 |
Металлургия |
4304,51 |
0,19 |
0,01 |
Нефть и газ |
4569,37 |
0,42 |
0,33 |
Страхование |
5560,89 |
0,51 |
0,86 |
Телекоммуникации, IT |
1742,10 |
0,04 |
0,08 |
Уголь |
4291,51 |
0,72 |
0,86 |
Финансовый сектор |
5565,47 |
-1,54 |
-2,31 |
Исходя из данных таблицы формируется вывод, что используемый метод прогнозирования неэффективен для краткосрочных операций, поскольку для половины исследуемых индексов прогнозное значение превышает фактическое.
Теперь рассмотрим результаты исследования для среднесрочных торгов. Обратимся к таблице 2.
Таблица 2
Прогноз цен отраслевых индексов (W1)
Индекс |
Цена (руб) |
Спрогнозированное изменение цены (%) |
Фактическое изменение цены (%) |
Машиностроение |
1470,29 |
0,43 |
2,63 |
Металлургия |
4377,77 |
-0,67 |
-0,48 |
Нефть и газ |
4570,64 |
0,22 |
0,86 |
Страхование |
5542,07 |
0,31 |
0,03 |
Телекоммуникации, IT |
1679,53 |
0,07 |
1,19 |
Уголь |
4340,04 |
-0,45 |
-1,47 |
Финансовый сектор |
5367,21 |
1,04 |
2,90 |
Аналогичный результат, как и в случае с краткосрочным прогнозом. Данный метод прогнозирования не подходит для составления среднесрочного прогноза.
Рассмотрим результаты исследования для долгосрочных торгов, представленных в таблице 3.
Таблица 3
Прогноз цен отраслевых индексов (MN1)
Индекс |
Цена (руб.) |
Спрогнозированное изменение цены (%) |
Фактическое изменение цены (%) |
Машиностроение |
1348,34 |
2,07 |
2,41 |
Металлургия |
4273,64 |
2,82 |
2,63 |
Нефть и газ |
4355,96 |
0,71 |
4,51 |
Страхование |
5025,53 |
2,33 |
6,59 |
Телекоммуникации, IT |
1672,66 |
1,12 |
2,05 |
Уголь |
4273,64 |
2,82 |
2,63 |
Финансовый сектор |
5446,51 |
-1,51 |
-0,26 |
Тот же результат. Для долгосрочных прогнозов данный метод прогнозирования не подходит.
Из полученных результатов следует вывод, что прогнозирование методом анализа временных рядов неэффективно для прогнозирования цены. Однако обратим внимание на следующее. Прогноз для краткосрочных, среднесрочных и долгосрочных торгов в 100 % случаев верно устанавливал направление цены: если фактическая цена на следующий период поднималась, то и прогноз предсказывал повышение цены индекса. И наоборот — если фактическая цена на следующий период понижалась, то и прогноз предсказывал понижение цены.
В результате проведенного исследования установлено, что прогнозирование методом анализа временных рядов неэффективно для прогнозирования цен индексов. Но при использовании этого метода верно прогнозируется направление цены. Несмотря на то, что данный метод прогнозирования позволяет не учитывать различные экономические и политические факторы, необходимо понимать, что всегда есть возможность возникновения форс-мажорных ситуаций, вследствие чего трейдер может нести убытки. Прогнозирование методом анализа временных рядов следует использовать как помощь при выборе торговой стратегии.
Литература:
- Уринцов А. И. Электронный обмен данными в условиях информационного общества: учебное пособие // А. И. Уринцов, М. С. Гаспариан. — М.: Московский государственный университет экономики, статистики и информатики, 2009. — с. 132
- Электронные ориентиры. Горожанин Д.А, Хасаншин И. А. Креативная экономика. 2012. № 1. С. 112.
- Перспективы интеграции систем интернет-трейдинга и онлайн-банкинга. Кудряшов А.А, Кузьмин Е. В. Наука и Мир. 2015. Т. 3. № 4 (20). С. 31–33.