В научной статье представлены результаты исследования методов интеллектуального анализа данных при управлении портфелем ценных бумаг. Актуальность работы на выбранную проблематику обусловлена тем, что фондовый рынок и ценные бумаги является одним из наиболее популярных и востребованных инструментов накопления и капитализации финансовых активов для частных инвесторов и корпоративных институтов. Автором выявлены и раскрыты тенденции использования методов data mining при принятии решений брокером в лице банка. Рассмотрены характеристики каждого приведенного метода data mining. Описаны принципы работы алгоритмов действий при анализе данных по ценным бумагам. Результатом данной работы является рассмотрение всех методов интеллектуального анализа данных и их текущее состояние. Выдвинуты проблемы и перспективы развития данной области.
Ключевые слова: ценные бумаги, портфель ценных бумаг, data mining, методы интеллектуального анализа данных, фондовый рынок, рынок ценных бумаг, финансовые инвестиции, стратегии управления портфелем, стратегии инвестирования, методы по принятию решений.
The scientific article presents the results of a study of data mining methods for managing a securities portfolio. The relevance of the work on the chosen issue is due to the fact that the stock market and securities is one of the most popular and sought-after instruments for the accumulation and capitalization of financial assets for private investors and corporate institutions. The author identifies and reveals trends in the use of data mining methods in decision-making by a broker represented by a bank. The characteristics of each given data mining method are considered. The principles of operation of algorithms for actions in the analysis of securities data are described. The result of this work is a review of all data mining methods and their current state. The problems and prospects for the development of this area are put forward.
Keywords: securities, securities portfolio, data mining, data mining methods, stock market, securities market, financial investments, portfolio management strategies, investment strategies, decision-making methods.
Использование методов интеллектуального анализа данных (Data Mining) при управлении портфелем ценных бумаг в банках имеет огромную актуальность и важность. Например, методы data mining позволяют банкам анализировать исторические данные рынка, выявлять паттерны и тренды, а также прогнозировать вероятные направления движения ценных бумаг. Это помогает управляющим портфелем на основе полученных данных принимать обоснованные решения о покупке, продаже или удержании акций в портфеле. Также немало важным является возможность составление оценки риска и доходности, что помогает банкам оценить риски и потенциальную доходность инвестиционных портфелей. Анализ данных позволяет выявить оптимальное распределение активов в портфеле с целью достижения максимальной диверсификации и снижения риска. Это включает в себя оптимизацию ассет-аллокации и выбор оптимального соотношения между акциями, облигациями, наличностью и другими активами. С помощью алгоритмов методов data mining создаются персонализированные предложения по портфелям ценных бумаг для клиентов, учитывая их инвестиционные цели, риск-профиль, финансовое положение и другие факторы. Это помогает банкам предложить клиентам индивидуальные инвестиционные решения, которые соответствуют их потребностям. Также благодаря мониторингу производительности инвестиционных портфелей в реальном времени можно адаптировать свои стратегии управления портфелем в соответствии с изменяющимися рыночными условиями и требованиями клиентов.
Актуальность данного исследования приводится и в публикации других авторов. Например, фондовый рынок и ценные бумаги становятся одним из наиболее популярных способов накопления и капитализации финансовых средств для частных инвесторов и юридических лиц, что означает повышение спроса на данные инструменты при аккумуляции и сбережениях [1, с.10]. Также отмечается, перспективами оптимизации любого портфеля ценных бумаг является формирование такого портфеля ценных бумаг, который бы соответствовал требованиям коммерческого банка, как по доходности, так и по рискованности, а также постоянно изменяющимся экономическим условиям страны [2, с.10].
На основе выше сказанного, анализ данных предоставляет управляющим портфелем фактические данные и статистическую информацию, на основе которых они могут принимать обоснованные инвестиционные решения. Это помогает уменьшить влияние эмоций и субъективных предпочтений на принятие решений. Использование методов интеллектуального анализа данных при управлении портфелем ценных бумаг в банках помогает улучшить качество инвестиционных решений, повысить эффективность управления рисками и добиться более высокой доходности для клиентов и банка.
Целью данной работы является анализ методов интеллектуального анализа данных, текущего состояния, проблем и перспектив использования этих методов в банковском секторе при управлении портфелем ценных бумаг.
Многие банки и финансовые институты в разных странах разрабатывают и применяют различные методы анализа данных и прогнозирования для оценки будущих цен на ценные бумаги. Эти методы включают в себя технический и фундаментальный анализ. Технический анализ помогает изучить и проанализировать исторические данные о ценах и объемах торгов для выявления паттернов и трендов на графиках ценных бумаг. Технический анализ обычно использует индикаторы, графики и другие инструменты для прогнозирования будущих цен. Фундаментальный анализ помогает исследовать финансовые показатели компании, рыночную конъюнктуру, макроэкономические факторы и другие фундаментальные аспекты, которые могут влиять на цены акций и других ценных бумаг. На базе знаний из этих областей применяются алгоритмы машинного обучения для анализа больших объемов данных и поиска сложных паттернов, которые могут быть неочевидными для человека.
Брокеры в банках также прибегают к сентимент-анализу, который исследует общественное мнение, выражаемое в социальных медиа пространствах, новостных источниках, относительно конкретных активов или рыночных событий. Сентимент-анализ может помочь трейдерам оценить настроения рынка и принять решение о торговле на основе этой информации.
Также не стоит исключать, что при всём этом многообразии методов анализа брокеры и трейдеры прибегают к выработанным ассоциативным правилам. Этот метод используется для выявления ассоциаций и взаимосвязей между различными активами или событиями на рынке. Например, можно выявить, что определенные события или новости имеют сильное воздействие на цены акций определенных компаний.
Давайте рассмотрим это всё поподробнее.
Технический анализ в трейдинге — это метод анализа финансовых рынков, который основан на изучении и анализе. Вот некоторые из основных методов технического анализа:
— Графический анализ. Этот метод включает изучение и анализ графиков ценных бумаг для выявления паттернов и трендов. Трейдеры могут использовать различные типы графиков, такие как линейные, свечные или точечные и фигуры на графиках, такие как голова и плечи, двойные вершины и дни внутреннего дня, для прогнозирования будущих ценовых движений.
— Индикаторы технического анализа. Это математические вычисления, основанные на цене и объеме торгов, которые помогают трейдерам выявлять тренды, перекупленность или перепроданность рынка, а также другие сигналы покупки или продажи. Примеры индикаторов включают в себя скользящие средние, относительную силу индекса (RSI), стохастический осциллятор и др.
— Объемный анализ. Этот метод анализирует объем торгов, чтобы определить силу и направление тренда. Высокий объем при подъеме цен может указывать на подтверждение тренда, в то время как низкий объем может свидетельствовать о потенциальной слабости тренда.
— Теория Эллиотта. Это метод анализа, основанный на предположении о том, что рынок движется в определенных циклах и волнах. Теория Эллиотта идентифицирует различные фазы цикла и попытки предсказать будущие ценовые движения на основе этих циклов.
— Трейдинг по гармоникам. Это метод анализа, который использует геометрические фигуры, такие как «бабочки», «коррекции ABCD», «гартли» и др., для прогнозирования будущих ценовых движений. Трейдеры ищут соответствия между историческими паттернами и текущими ценовыми движениями.
Помимо технического анализа, применятся фундаментальный анализ и сентимент-анализ. Фундаментальный анализ ориентирован на изучение фундаментальных аспектов компаний и рынков, таких как финансовые показатели компаний, макроэкономические данные, политические события и другие факторы, которые могут влиять на цены акций и других финансовых инструментов. Фундаментальный анализ включает в себя изучение отчетов о прибылях и убытках, балансовых отчетов, отчетов о денежных потоках, анализ конкурентов, оценку рыночного потенциала и других аспектов, которые могут помочь в принятии решений о покупке или продаже активов. Сентимент-анализ оценивает общественное мнение и настроения относительно определенных активов или рыночных событий. Сентимент-анализ может включать в себя мониторинг новостей, социальных сетей, форумов и других онлайн-платформ для выявления трендов и настроений рынка. Трейдеры изучают отчеты и рекомендации финансовых аналитиков и инвестиционных банков о компаниях и рыночных трендах. Оценивая мнения и прогнозы экспертов, трейдеры могут получить представление о том, как инвестиционное сообщество оценивает конкретные активы или рыночные события. Трейдеры могут применять методы текстового анализа и обработки естественного языка (Natural Language Processing, NLP) для автоматизированной оценки настроений и сентимента в новостных статьях, обзорах компаний, финансовых отчетах и других текстовых данных. Трейдеры используют сентимент-анализ для определения степени оптимизма или пессимизма на рынке и принятия решений о торговле на основе этих данных.
Эти методы анализа, вместе с техническим анализом, являются основными инструментами, которые трейдеры используют для анализа рынка и принятия решений о торговле. Каждый метод имеет свои преимущества и недостатки, и многие трейдеры комбинируют несколько методов для получения более полной картины рынка и повышения вероятности успешных сделок.
Машинное обучение в трейдинге используется для анализа данных и принятия решений о покупке, продаже или управлении портфелем на финансовых рынках. Эти методы используют различные алгоритмы и модели для выявления паттернов, прогнозирования ценовых движений и оптимизации стратегий торговли. Вот некоторые из основных методов машинного обучения в трейдинге:
— Линейная регрессия. Это один из простейших методов машинного обучения, который используется для прогнозирования значений переменной на основе линейной комбинации ее признаков. В трейдинге линейная регрессия может быть использована для прогнозирования ценовых движений или оценки влияния фундаментальных факторов на цены акций.
— Логистическая регрессия. Этот метод используется для решения задач классификации, таких как прогнозирование направления ценового движения (например, повышение или понижение). Логистическая регрессия оценивает вероятность принадлежности объекта к определенному классу на основе его характеристик.
— Деревья решений и случайные леса. Деревья решений разбивают данные на более мелкие подгруппы, основываясь на характеристиках объектов, и используются для прогнозирования ценовых движений или классификации активов. Случайные леса объединяют несколько деревьев решений для улучшения точности прогнозов и снижения переобучения.
— Нейронные сети. Это комплексные математические модели, которые имитируют работу человеческого мозга. В трейдинге нейронные сети могут использоваться для прогнозирования ценовых движений, распознавания паттернов и выявления торговых сигналов.
— Метод опорных векторов (Support Vector Machines, SVM). Этот метод используется для задач классификации и регрессии. SVM ищет оптимальную гиперплоскость, которая разделяет два класса данных в пространстве признаков, и может быть применен для прогнозирования ценовых движений или классификации активов.
— Кластерный анализ
Кластерный анализ — это метод машинного обучения, который используется для разделения набора данных на группы, или кластеры, таким образом, чтобы объекты внутри одного кластера были более похожи друг на друга, чем на объекты из других кластеров. Существует несколько методов кластерного анализа, каждый из которых имеет свои особенности. Вот краткое описание некоторых из них:
— K-средних (k-means). Это один из наиболее распространенных методов кластеризации. Алгоритм k-средних разбивает набор данных на k кластеров, где k — это заданное число. Он итеративно перераспределяет объекты по кластерам таким образом, чтобы минимизировать сумму квадратов расстояний между объектами и центрами кластеров.
— Иерархическая кластеризация. Этот метод строит иерархию кластеров, начиная с того, что каждый объект начинает как отдельный кластер, а затем объединяет близкие кластеры на каждом шаге. Иерархическая кластеризация может быть агломеративной, когда объекты последовательно объединяются в кластеры, или дивизивной, когда кластеры последовательно разделяются на более мелкие.
— DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Этот метод основан на плотности данных. DBSCAN ищет области высокой плотности точек, разделяемых областями низкой плотности. Он способен обнаруживать кластеры произвольной формы и может автоматически определять количество кластеров.
— OPTICS (Ordering Points To Identify the Clustering Structure). Это расширение метода DBSCAN, которое строит упорядоченный список всех объектов на основе их «доступности» (reachability distance) и «расстояния кластеризации» (core distance). OPTICS может работать с данными любой формы и распознавать кластеры различных размеров и плотностей.
— Mean Shift. Этот метод ищет пики в плотности данных и использует их для определения кластеров. Mean Shift переносит центр кластера на точку, где плотность данных является максимальной. Он не требует задания числа кластеров и может обрабатывать кластеры произвольной формы и размера.
Каждый из этих методов имеет свои преимущества и недостатки и может быть более или менее подходящим в зависимости от характеристик данных и целей анализа.
Рассмотрев некоторые методы data mining при управлении портфелем ценных бумаг в банках, можно сказать, что текущее состояние использования Data Mining в банках на фондовых рынках отражает внедрение инновационных подходов к анализу данных для принятия инвестиционных решений и управления рисками.
Текущее состояние выражается в:
— Широкий спектр применений. Банки используют Data Mining для анализа данных о рыночной активности, клиентских предпочтениях, транзакциях и других финансовых параметрах для принятия инвестиционных решений, прогнозирования рыночных трендов и управления рисками.
— Развитие алгоритмов и технологий. Банки активно развивают и применяют различные алгоритмы и технологии Data Mining, включая машинное обучение, анализ временных рядов, кластерный анализ и другие, для извлечения ценной информации из больших объемов данных.
— Автоматизация процессов. Использование Data Mining позволяет банкам автоматизировать многие процессы, связанные с анализом рыночной информации, прогнозированием рисков и принятием решений об инвестировании, что повышает эффективность и снижает затраты.
Проблемы, связанные с применением методов data mining, можно выделить следующие:
— Качество данных. Одной из основных проблем является качество данных. Данные могут быть неоднородными, неполными или содержать ошибки, что может привести к искажению результатов анализа и принятия неправильных решений.
— Недостаток экспертизы. Развитие и применение сложных алгоритмов Data Mining требует высококвалифицированных специалистов, которых может не хватать в некоторых банках.
— Соблюдение регулятивных требований. Банки должны соблюдать строгие регулятивные требования в отношении защиты конфиденциальности данных и предотвращения мошенничества при использовании данных клиентов для анализа и прогнозирования.
Перспективы, которые можно выделить:
— Развитие новых методов и технологий. Перспективы использования Data Mining в банковском секторе на фондовых рынках связаны с развитием новых методов и технологий, таких как глубокое обучение, нейронные сети и алгоритмы обработки естественного языка, которые могут повысить точность анализа и прогнозирования.
— Улучшение качества данных. Банки работают над улучшением качества данных, используя современные методы и технологии для очистки, структуризации и анализа данных, чтобы обеспечить точность и достоверность результатов.
— Повышение экспертизы персонала. Банки инвестируют в обучение и развитие персонала, чтобы повысить экспертизу в области Data Mining и машинного обучения, что позволит им эффективнее использовать данные для принятия инвестиционных решений.
В целом, использование Data Mining в банковском секторе на фондовых рынках имеет значительные перспективы, но требует решения проблем с качеством данных, недостатком экспертизы и соблюдением регулятивных требований.
Литература:
- Стратегии управления портфелем ценных бумаг / Д. Я. Родин, А. Б. Паршин, К. И. Терпицкая // Вестник академии знаний. — 2022. — 50(3) — С.455–464.
- Перспективы оптимизации портфеля ценных бумаг коммерческого банка/ Л. А. Куликова // Новая наука: стратегии и векторы развития. — 2015. — 6–1 — С.162–164.
- Методы оценки портфеля ценных бумаг в современных условиях: теоретический аспект / М. В. Елистратов, Н. Н. Мухаметшин // Научный форум: экономика и менеджмент. — 2017. — 8(10) — С.71–76.
- Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян, М. С. Куприянов, В. В. Степаненко, И. И. Холод // 2004. — С. 336.
