Курсовая работа (т): Построение модели прогнозирования валютных курсов EUR/USD, GBP/USD и USD/RUB

Таблица 1 - Доходности стратегий

Рассматривая данные, включенные в Таблицу 1, можно отметить, что существуют значительные различия в доходностях стратегий для разных периодов, это еще раз подтверждает тот факт, что мировой финансовый кризис изменил характер движения валютных курсов. Также стоит отметить тот факт, что модель достаточно хорошо сработала для европейской, британской и американской валют, но в прогнозировании курса российского рубля к доллару она не преуспела. Одним из главных результатов можно считать то, что построенная торговая стратегия показала доходность выше, чем у пассивной стратегии даже с учетом спреда, что в рамках данной задачи выглядит достаточно весомо.

Заключение

В заключение, метод обратной свертки показал, как возможно прогнозировать валютные курсы, в рамках построения модели были получены ответы на то, каким образом наиболее эффективно построить прогноз с ее использованием. Сложность модели состоит в том, что существует достаточно обширное множество параметров для подгонки, со значительной частью которых это необходимо делать эмпирически.

Что касается подгонки модели, то можно выделить следующие важные результаты. Во-первых, для построения модели на основе метода развертки сигнала вслепую в качестве целевой функции для подбора этих параметров следует выбирать долю верно подобранных знаков на предыдущих периодах. Во-вторых, вид нелинейности незначительно влияет на качество прогноза. И в-третьих, параметры процесса обучения необходимо подбирать эмпирически для каждого нового ряда в отдельности для улучшения качества прогнозирования.

В ходе анализа результатов построенных стратегий было выявлено, что ценовой сигнал изменился значительным образом во время мирового финансового кризиса так, что модель, работающая достаточно плохо до 2008 года, стала давать более эффективные оценки валютных колебаний и, как следствие, стала формироваться более прибыльная финансовая стратегия. Данный эффект можно трактовать как предупреждение о том, что необходимо с вниманием относиться к тем стратегиям, которые показали себя как эффективные, так как описываемый рыночный сигнал может изменить свой привычный вид.

После тестирования торговой стратегии на различных валютных парах были выявлены значительные различия в показателях прибыльности стратегии для курса российского рубля к доллару США и курсов EUR/USD и GBP/USD. Для прогнозирования курса USD/RUB данная модель не подходит, вероятно, данный сигнал подчиняется иным законам, которые не описываются в рамках рассматриваемой модели.

Построенные стратегии не показали себя как прибыльные при приближении к условиям реального валютного рынка, но все же тот результат, что построенные торговые правила работают лучше пассивной стратегии, уже говорит о прикладном смысле проделанной работы.

Список литературы

1.       База данных Финам - <http://www.finam.ru/> (дата обращения 02.05.2016)

.        Вайнберг Д., Шумекер Д. Статистика. - Статистика, 1979. 390 с.

.        Доугерти К. Введение в эконометрику. - Б. М.: ИНФРА-М, 2001.

.        Хакен Г. Принципы работы головного мозга. - М: Per Se, 2001.

6.       Bell A. J., Sejnowski T. J. An information-maximization approach to blind separation and blind deconvolution //Neural computation. - 1995. - Т. 7. - №. 6. - p. 1129-1159.

.        Bronstein A. M., Bronstein M. M., Zibulevsky M. Blind deconvolution using the relative Newton method //Independent Component Analysis and Blind Signal Separation. - Springer Berlin Heidelberg, 2004. - p. 554-561.

.        Giua A., Seatzu C., Van Der Mee C. Optimal control of switched autonomous linear systems //Decision and Control, 2001. Proceedings of the 40th IEEE Conference on. - IEEE, 2001. - Т. 3. - p. 2472-2477.

.        Forex Histrorical Data - <http://www.fxhistoricaldata.com/index.html> (дата обращения 01.05.2016).

.        FXCM Official Web-site - <https://www.fxcm.com/> (дата обращения 02.05.2016).

.        Hyvarinen A. Survey on independent component analysis //Neural computing surveys. - 1999. - Т. 2. - №. 4. - p. 94-128.

.        Harmeling S. et al. Kernel feature spaces and nonlinear blind souce separation //Advances in neural information processing systems. - 2001. - p. 761-768.

.        Joho M., Mathis H., Moschytz G. S. An FFT-based algorithm for multichannel blind deconvolution //Circuits and Systems, 1999. ISCAS'99. Proceedings of the 1999 IEEE International Symposium on. - IEEE, 1999. - Т. 3. - p. 203-206.

.        Klein D., Manning C. D. Natural language grammar induction using a constituent-context model //Advances in neural information processing systems. - 2002. - Т. 1. - p. 35-42.

.        Kotz D. M. The financial and economic crisis of 2008: A systemic crisis of neoliberal capitalism //Review of Radical Political Economics. - 2009.

.        Rabiner L. R. A tutorial on hidden Markov models and selected applications in speech recognition //Proceedings of the IEEE. - 1989. - Т. 77. - №. 2. - p. 257-286.

.        Zibulevsky M. et al. Blind source separation via multinode sparse representation //Advances in Neural Information Processing Systems 14. - 2002. - p. 1049-1056.