10. Aduard Dadyan, A system for forecasting the efficiency of

Дадян Э.Г., Быцкевич А.В., dadyan60@yandex.ru
ФГОБУ ВПО Финансовый Университет при Правительстве РФ, Москва
Система прогнозирования эффективности вложений в паевые фонды как
приложение «1С:Предприятие»
Aduard Dadyan, Anna Bytskevich, dadyan60@yandex.ru
FGOBU HPE Financial University under the Government of the Russian Federation, Moscow
A system for forecasting the efficiency of investments in mutual funds as application
«1C:Enterprise»
Аннотация
Система разработана как Приложение “1С:Предприятие”. В качестве эксперта используется
специально обученная нейронная сеть. Данные для обучения (обучающая выборка), формируются
с помощью Приложения. Затем они поступают на вход аналитической платформы Deductor для
обучения нейронной сети. Работа нацелена на обучение нейронной сети на основе выборки из 147
европейских фондов и выявление зависимости между предполагаемым доходом и различными
факторами, отражающими риск вложений.
Abstract
The system is designed as an application "1С: Enterprise". As an expert uses specially trained neural
network. Data for training (training picks), are generated by the application. They then arrive at the
entrance of the analytical platform Deductor for neural network training. Work is aimed at the training of
a neural network based on a sample of 147 of the European funds and identify the dependencies between
the anticipated income and the various factors that reflect the risk of investments.
Ключевые слова: паевые фонды, предполагаемый доход, риски, «бета» коэффициент,
«альфа» коэффициент, модель оценивания финансовых вложений CAPM, нейронные сети.
Keywords: mutual funds, expected return, risks, beta, alpha, CAPM model, artificial neural
network.
Система разработана как Приложение “1С:Предприятие”. В качестве эксперта
прогнозирования эффективности вложений в паевые фонды использована аналитическая
платформа Deductor. В Приложении использованы такие объекты, как константы, перечисления,
справочники, регистры сведения и накопления, разработаны соответствующие формы,
интерфейсы и событийные процедуры. Определена методика сопряжения Приложения и
аналитической платформы Deductor.
В конечном итоге, целью данной работы являлось качественная оценка рисков
финансовых вложений и прогнозирование их эффективности на основе специально обученной
нейронной сети.
Для достижения поставленной цели необходимо было решить следующие задачи:
• определить факторы, имеющие возможное влияние на будущие доходы от финансовых
вложений в паевые фонды;
• определить имеющиеся показатели рисков;
• определить модель оценивания финансовых активов CAPM;
• провести анализ рисковых показателей и спрогнозировать предполагаемый доход от
вложений в паевые фонды с помощью инструментария нейронных сетей.
В качестве инструментария нейронных сетей, в силу ряда преимуществ, мы выбрали
аналитический пакет Deductor [1,2,3].
Структура работы определена с учетом степени разработанности темы, исходя из цели и
задач исследования [4].
Факторы, влияющие на выбор фонда
Чтобы выбрать фонд для вложений средств, инвестор должен рассмотреть ряд факторов:
• сферу деятельности, в которую он хочет вкладывать деньги;
• стратегию и категорию фонда в зависимости от ожиданий успешности фонда;
• рейтинги инвестиционных фондов,
• рисковые показатели,
• показатели доходности,
• эффективности вложений и все те факторы, которые, в той или иной степени, определяют
успешность выступления фонда на рынке.
Необходимые исходные данные для формирования таблицы «Обучающая выборка», были
заимствованы из трейдинговой системы Bloomberg.
Для формирования и хранения данных разработано специальное Приложение в системе
“1С:Предприятие”. Данные обучающей выборки, формируются с помощью Приложения.
Затем они поступают на вход аналитической платформы Deductor для обучения нейронной
сети.
Согласно теории основными рисковыми показателями считаются: стандартное отклонение,
волатильность, корреляция, «бета» коэффициент и «альфа» коэффициент. Все эти показатели
кроме волатильности имеют прямую линейную зависимость от дохода, то есть чем выше эти
показатели, тем выше доход от финансовых вложений. Так же не стоит исключать такие
характеристики, как стратегия и категория фонда. Анализ зарубежной литературы показывает, что
они тоже имеют влияние на будущие доходы. По мнению профессиональных управляющих
портфелями инвестиций наиболее важным фактором при оценке фондов является Модель
оценивания финансовых активов CAPM (САРМ model, далее CAPM), непосредственно связанная
с Бета и Альфа коэффициентами.
В ходе исследования были созданы 6 нейронных сетей с различным количеством слоев,
нейронов и входных параметров. Сети выявили закономерности относительно рисковых
показателей, подтверждающиеся теорией (Рисунок 1)
Рис.1. Зависимость САРМ относительно а) корреляции, б) стандартного отклонения,
в) волатильности.
Анализ этих зависимостей показывает соответствие теоретическим предпосылкам, однако
результаты исследования нельзя считать законченными. Они требуют дальнейшего осмысления и
более глубокого и разностороннего исследования.
Выводы
1.Существует множество факторов способных повлиять на доходность от вложений в
портфельные инвестиции, что делает выбор фонда невероятно сложным. Однако, помимо того,
что трудно определить каким показателям стоит уделить больше внимания, а какие следует
опустить, раздобыть эти данные не так просто. Некоторые из них находятся в общем доступе в
Интернете, другие можно найти только в трейдинговых системах, недоступных для людей,
несвязанных с этой сферой.
2.Обученная нейронная сеть, без труда находящая существующие закономерности между
риском и предполагаемым доходом от вложений, предоставляет возможность с помощью функции
«Что-если» базировать свой выбор на тех или иных факторах. Она предоставляет возможность
загрузить имеющиеся данные и рассчитывает предполагаемый доход и его изменения в
зависимости от тех или иных факторов риска.
3.Для практического применения мы рекомендуем сеть, обученную на общедоступных
данных. С ее помощью можно было бы рассчитать будущий доход для любого фонда, что
значительно упростит выбор фонда для неопытных инвесторов, повысит мотивацию
инвестирования в ПИФы
Литература
1.Дадян Э.Г. Анализ влияния основных экономических факторов на формирование курса
евро / Дадян Э.Г., Колотий Д.А. // Новые информационные технологии в образовании. Ч. 1 :
Сборник научных трудов двенадцатой Международной научно-практической конференции
"Формирование новой информационной среды образовательного учреждения с использованием
технологий "1С" (31 января-1 февраля 2012 г.) / УМО по образованию в области финансов, учета и
мировой экономики; Финуниверситет; Фирма "1С"; под общ. ред. Д.В. Чистова .— М., 2012 .—
С.495-499 .—
2.Дадян Э.Г. Анализ и расчет экономических показателей предприятия в условиях
ограниченности информации с помощью Deductor Studio / Дадян Э.Г., Птицын Н.А. // Новые
информационные технологии в образовании. Ч. 1 : Сборник научных трудов двенадцатой
Международной научно-практической конференции "Формирование новой информационной
среды образовательного учреждения с использованием технологий "1С" (31 января-1 февраля 2012
г.) / УМО по образованию в области финансов, учета и мировой экономики; Финуниверситет;
Фирма "1С"; под общ. ред. Д.В. Чистова .— М., 2012 .— С.501-505 .—
3.Дадян Э.Г. Анализ влияния факторов на стоимость АЗС как бизнеса / Дадян Э.Г., Птицын
Н.А. // Новые информационные технологии в образовании. Ч. 1 : Сборник научных трудов
двенадцатой Международной научно-практической конференции "Формирование новой
информационной среды образовательного учреждения с использованием технологий "1С" (31
января-1 февраля 2012 г.) / УМО по образованию в области финансов, учета и мировой
экономики; Финуниверситет; Фирма "1С"; под общ. ред. Д.В. Чистова .— М., 2012 .— С.499-501.
4. Э.Г.Дадян. Анализ рисков и прогнозирование эффективности вложений в паевые фонды с
помощью нейронных сетей”. Информационные технологии в Финансово-экономической сфере:
прошлое, настоящее, будущее. Международная научная конференция, Москва, 2013. С. 296-302с;
0,66 п.л.