Файл: Отчет по научноисследовательской работе разработка и исследование методов машинного обучения для составления оптимального портфеля ценных бумаг.docx

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФГБОУ ВО "ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ"

ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ

ФАКУЛЬТЕТ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ

	Утвержден на заседании кафедры «Вычислительная техника» "___" _______________ 20 г. Заведующий кафедрой М.А. Митрохин

ОТЧЕТ ПО НАУЧНО-ИССЛЕДОВАТЕЛЬСКОЙ РАБОТЕ

«РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ СОСТАВЛЕНИЯ ОПТИМАЛЬНОГО ПОРТФЕЛЯ ЦЕННЫХ БУМАГ»

(2022/2023 учебный год)

Дибин Андрей Юрьевич

Направление подготовки 09.04.01 «Информатика и вычислительная техника»

Наименование магистерской программы «Прикладной искусственный интеллект»

Форма обучения – очная Срок обучения в соответствии с ФГОС – 2 года

Год обучения 1семестр 1

Кафедра «Вычислительная техника»

Заведующий кафедрой д.т.н., Митрохин М.А.

(должность, ученая степень, ученое звание, Ф.И.О.)

Научный руководитель к.т.н., Попова Н.А.

(должность, ученая степень, ученое звание)


2022

ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Кафедра «Вычислительная техника»
ИНДИВИДУАЛЬНОЕ ЗАДАНИЕ

на выполнение научно-исследовательской работы

на тему Разработка и исследование методов машинного обучения для составления оптимального портфеля ценных бумаг

тема согласована с руководителем ВКР

1. 
   Подобрать и изучить научную литературу по выбранной теме исследований.
   
2. 
   Обосновать актуальность выбранной темы научно-исследовательской работы на основе анализа литературных источников.
   
3. 
   Сформулировать цель и задачи научного исследования.
   
4. 
   Изучить и обзорно представить методы машинного обучения для составления оптимального портфеля ценных бумаг.
   
5. 
   Выделить основные результаты научного исследования.
   
6. 
   Оформить отчет по научно-исследовательской работе в соответствии с требованиями, предъявляемыми к выпускной квалификационной работе магистра.
   

---

Дата выдачи задания    01.09.2022

Задание получил ________________ Дибин А.Ю.

Руководитель НИР ________________ к.т.н., Попова Н.А
Реферат

Отчет по НИР содержит 16 листов, 3 рисунка, 9 источников.
МАШИННОЕ ОБУЧЕНИЕ, ПОДБОР ОПТИМАЛЬНОГО ПОРТФЕЛЯ, НЕЙРОННЫЕ СЕТИ.
Целью НИР является обзор существующих методов для составления оптимального портфеля ценных бумаг.

К задачам исследования относятся следующие:

- подобрать и изучить научную литературу по выбранной теме исследования;

- обосновать актуальность выбранной темы научно-исследовательской работы на основе анализа литературных источников;

- изучить и обзорно представить методы машинного обучения для составления оптимального портфеля ценных бумаг.

Практическая значимость полученных результатов заключается в их конкретном применении в выпускной квалификационной работе.

СОДЕРЖАНИ

Введение 5

1 Анализ целевой аудитории и актуальность 6

2 Обзор существующих методов машинного обучения 8

2.1 Нейронные сети 8

2.2 Метод коррекции ошибки 10

2.3 Метод обратного распространения ошибки 11

2.4 Генетический алгоритм 12

Заключение 15

Список использованной литературы 16

Введение

В настоящее время наблюдается рост заинтересованности частных лиц в инвестициях в ценные бумаги. Бурное развитие интернет-технологий и мобильных приложений в сфере банковских и брокерских услуг упростили доступ рядовым пользователям к торговле на биржевых рынках. Цели у инвесторов могут быть разные. Одни люди хотят накопить крупную сумму денег для большой покупки. Другие, получить пассивный доход, который в будущем станет отличной прибавкой к пенсии или, возможно, основным источником доходов. Но у всех у них возникает потребность в выборе ценных бумаг, ведь от правильного выбора активов зависит будущая доходность и успех инвестиций.

---

Самостоятельный подбор инвестиционного портфеля для небольшого частного инвестора задача не из легких, особенно если он не обладает образованием и знаниями в области финансов. На помощь такому человеку могут прийти современные информационные технологии. С помощью алгоритмов машинного обучения, которые показывают высокую эффективность при прогнозировании цен акций и формировании оптимальных инвестиционных портфелей, можно упростить выбор активов и снизить риски финансовых потерь.

Алгоритмы машинного обучения и нейронные сети можно использовать для определения пропорции ценных бумаг, составляющих инвестиционный портфель, а также оценки эффективности инвестирования на основе спрогнозированных цен финансовых инструментов.

1 Анализ целевой аудитории и актуальность

Целевой аудиторией проекта являются частные инвесторы, то есть это физические лица, торгующие на финансовых рынках. В России на данный момент существуют 2 крупнейшие биржи. Самой крупной по количеству счетов и обороту денежных средств является «Московская биржа». По данным с официального сайта этой биржи число физических лиц, имеющих брокерские счета на Московской бирже, по итогам ноября 2022 года достигло 22,6 млн (+469,7 тыс. человек), ими открыто 37,9 млн счетов. Доля частных инвесторов в объеме торгов акциями в ноябре составила 80,2% [1]. Судя по этим данным, доля частных инвесторов занимает значительную роль в объеме торгов.

По данным одного из крупнейших брокеров на территории РФ в 2021 продолжался массовый выход инвесторов на фондовый рынок. Этому способствовали низкие процентные ставки в начале года, рост популярности фондового рынка, упрощение доступа к биржевым торгам — брокерский счет можно открыть онлайн, а сделки совершать через мобильное приложение. На рисунке 1 представлен прирост уникальных клиентов [2].



Рисунок 1 – Количество уникальных клиентов

Как видно по графику, прослеживается устойчивая тенденция к росту количества уникальных клиентов брокерской компании. Большинство этих клиентов являются новичками в биржевой торговле. Методы машинного обучения могут им помочь принять правильное торговое решение

---

, опираясь на данные прошлых торгов.

Актуальность проекта подтверждается не только повышенной активностью частных инвесторов и бурным развитием отрасли в последние годы, но и документами, например 9 мая 2017 года была утверждена «Стратегия развития информационного общества в Российской Федерации на 2017 – 2030 годы». В ней были поставлены основные цели и задачи политики Российской Федерации в сфере информационных технологий, а также объявлен курс на формирование национальной цифровой экономики [3]. С похожей целью в 2017 году была принята государственная программа «Цифровая экономика». Она призвана обеспечить «развитие цифровой экономики Российской Федерации, в которой данные в цифровой форме являются ключевым фактором производства во всех сферах экономической деятельности, что повышает конкурентоспособность страны, качество жизни граждан, обеспечивает экономический рост и экономический суверенитет» [4].

2 Обзор существующих методов машинного обучения

Применение методов машинного обучения позволит понизить порог вхождения для инвесторов, которые не хотят глубоко разбираться в механизмах фондового рынка и особенностях биржевой торговли. Модели, основанные на алгоритмах машинного обучения, помогут принимать обоснованные решения об инвестициях, предсказывать возможные риски, повысить доходность. Но чтобы понять, какие методы машинного обучения применять для составления оптимального портфеля, нужно ознакомится с самыми популярными.

2.1 Нейронные сети

Искусственные нейронные сети (ИНС) — это вычислительные системы, основанные на принципах биологических нейронных сетей, подобно мозгу. Такие системы учатся (постепенно улучшают свои способности) выполнять задачи, как правило, без программирования для решения конкретных задач. Наибольшее применение ИНС в программах, которые трудно выразить традиционным компьютерным алгоритмом, использующим программирование на основе последовательных и логических операций.

ИНС основаны на наборе связанных единиц, называемых искусственными нейронами. Каждый синапс между нейронами может передавать сигнал другому нейрону. Принимающий нейрон может обрабатывать сигнал (сигналы) и затем сигнализировать о подключенных к нему нейронах. Нейроны могут иметь состояние, представляемое действительными числами, обычно между 0 и 1. Нейроны и синапсы могут также иметь вес, который изменяется в процессе обучения, что может увеличивать или уменьшать силу сигнала, который он посылает далее.

---

Как правило, нейроны организованы в слои. Разные слои могут выполнять различные виды преобразований. Сигналы проходят от входного до выходного слоя, например, после многократного прохождения слоев.

Изначальная цель нейросетевого подхода заключалась в том, чтобы решать задачи подобно человеческому мозгу. Со временем внимание сосредоточилось на подборе конкретных интеллектуальных способностей, что привело к отклонениям от биологии, таким как передача информации в обратном направлении или настройка сети для отражения данной информации [5].

Персептрон – одна из самых простых архитектур искусственных нейронных сетей в машинном обучении. Ее разработал Фрэнк Розенблат в 1957 году. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными стимулами и необходимой реакцией на выходе. Логическая модель нейронной сети (рисунок 2).



Рисунок 2 – Логическая схема перцептрона

Перцептрон состоит из трёх типов элементов, а именно: поступающие от датчиков сигналы передаются ассоциативным элементам, а затем реагирующим элементам [6].

2.2 Метод коррекции ошибки

Метод коррекции ошибки представляет собой такой вид обучения с учителем, при котором вес связи не изменяется до тех пор, пока текущая реакция перцептрона остаётся верной. При появлении неправильной реакции вес изменяется на единицу, а знак становится противоположным от знака ошибки.

Допустим, мы хотим обучить перцептрон разделять два класса объектов так, чтобы при предъявлении объектов первого класса выход перцептрона был положителен, а при предъявлении объектов второго класса — отрицательным. Для этого выполним следующий алгоритм:

- случайным образом выбираем пороги для A-элементов и устанавливаем связи S—A (далее они изменяться не будут);

- начальные коэффициенты считаем равными нулю;

- предъявляем обучающую выборку с указанием класса, к которым они принадлежат;

- показываем перцептрону объект первого класса. При этом некоторые A-элементы возбудятся. Коэффициенты, соответствующие этим возбуждённым элементам, увеличиваем на 1;

-предъявляем объект второго класса и коэффициенты тех A-элементов, которые возбудятся при этом показе, уменьшаем на 1.

- повторяем для всей обучающей выборки.

В результате обучения сформируются значения весов связей.

---