Система призвана предоставить пользователю простой и понятный веб-интерфейс по управлению инвестиционным портфелем, чтобы сделать инвестирование на фондовой бирже удобным и надежным.

1. Система прогнозирования стоимости акций на
фондовом рынке «Пифия»
Никитин О.Ю. аспирант
Вычислительного центра ДВО РАН
науч. руководитель чл.-корр.
РАН, д. ф.-м. н. Смагин С. И.
2012

2. Общее описание проекта
Пифия - система автоматического
прогнозирования и формирования
инвестиционного портфеля, основанная на
инновационном научном подходе к анализу и
предсказаниям на фондовой бирже.
Пифия позволит строить наиболее
эффективные и предсказуемые финансовых
портфели, в зависимости от избранных
аналитиком ориентиров риска и надежности
портфеля
2

3. Проблемная ситуация
Современный фондовый рынок является
трудным для прогнозирования классическими
методами
Поведение трейдеров часто подвержено
эмоциональному фактору
Вход на фондовый рынок требует от
участников специальных знаний, умения
пользоваться сложными трейдинговыми
платформами.
Российский фондовый рынок малоразвит и
требует значительного увеличения количества
3
частных инвесторов

4. Цель проекта
Создать сервис, позволяющий средне- и
долгосрочное инвестирование на фондовой
бирже, максимально понятный и безопасный
для пользователя
Задачи проекта
Разработать интеллектуальную систему
анализа и прогнозирования цен на фондовой
бирже, базирующуюся на новейших
технологиях анализа
Разработать максимально простую модель
взаимодействия с конечным пользователем,
интуитивно понятный пользовательский
интерфейс
4

5. Объем рынка
 число частных фондовых инвесторов в России -
250 тысяч человек
Объем рынка акций РФ за 2012 составит около
13 трлн. рублей.
Потенциал роста
Только 0,2% населения России являются
участниками фондового рынка
Корея - 8,3% 25 % опрошенных
Япония - 26,6% москвичей хотят
Австралия - 36,5% стать участниками
США - 48,2% финансового рынка
5

6. Базовые технологии анализа
Нечеткая логика Нейронные сети
6

7. Процесс формирования портфеля
Информация о фирмах: Прогнозирование в Оценка показателей с использованием
нейронных сетях: нечеткой системы:
•Капитализация
•Число акций
•Балансовая стоимость
•Кредиторская
задолженность
•Прибыль.
Автоматизированная Формирование портфеля по Индексы перспективной
покупка акций методу Марковица-Шарпа инвестиционной
с учетом индексов ИП привлекательности акций
(ИП)
7

8. Работа с пользователем
Взаимодействие с
трейдинговой платформой
8

9. Результаты работы над проектом
 На данный момент разработан и апробирован
метод прогнозирования и формирования
инвестиционного портфеля
 Предложенный метод позволяет достигнуть
результатов, превосходящих уровень
доходности классических подходов на 20 и
более процентов при повышенном уровне
надежности
 Результаты научной работы по проекту были
представлены на 3 конференциях, выиграли в 2
конкурсах молодых ученых, опубликованы в
научных журналах
9

10. Инвестиционные показатели проекта
 Для разработки прототипа необходимо 200 тыс. рублей
 Полномасштабный запуск проекта потребует
привлечения около 20 млн. рублей
 Срок окупаемости проекта 2.2 года,
 Чистая стоимость проекта (NPV) через 5 лет 95 млн.
рублей.
 Внутренняя норма рентабельности (IRR) 70%
10

11. О команде проекта
Руководитель – Олег Никитин, образование: 2009
г. ХГАЭП, 2012 Университет Сассекса, Англия
Математик – аналитик – Ольга Лукьянова,
образование: 2009 г. ХГАЭП, 2012 Университет
Сассекса, Англия
В команду также входят программисты,
специалист по фондовым рынкам, дизайнер.
11

12. Спасибо за внимание!
Никитин О.Ю. аспирант Вычислительного центра ДВО РАН
email: olegioner@ya.ru
12 8 924 4116613

13. Алгоритм функционирования
модели
13

14. Методы управления долгосрочным и
среднесрочным портфелем
Метод Марковица-Шарпа
- оптимальное соотношение риска и доходности
Кибернетические методы управления
- Применение нейронных сетей, нечетких
множеств, моделей нелинейного хаоса, фракталов,
эконометрического прогнозирования
14

15. Метод Марковица-Шарпа
Ожидаемая доходность портфеля r находится
по формуле
(1)
Стандартное отклонение портфеля σ -
(2)
Задача управления таким портфелем:
определить вектор {xi}, максимизирующий
целевую функцию r вида (1) при заданном
ограничении на уровень риска σ, оцениваемый
(2):
15

16. Выбор индикаторов для оценки российских
корпораций в условиях кризиса
 P/E ratio – отношение рыночной цены акции
компании к чистой прибыли последней в
расчете на одну акцию за определенный
период.
 Cap – капитализация на рынке.
 ROE – рентабельность капитала.
 Debt/Equity ratio – коэффициент отношения
заемного капитала к собственному.
 Price/Book ratio – отношение рыночной цены
компании к ее балансовой стоимости.
16

17. Преимущества нейронных сетей
Позволяют эффективно строить
нелинейные зависимости
Не требуют ручного описания моделей
Нейронные сети предпочтительны там, где
имеется много входных данных, в которых
скрыты закономерности.
17

18. Прогнозирование с помощью
искусственных нейронных сетей
1. Подготовка данных – интеллектуальный ввод
данных из отчетности предприятий.
2. Построение специальной таблицы для
прогнозирования.
18

19. Прогнозирование с помощью
искусственных нейронных сетей
3. Нечетко-множественный анализ предприятий, с целью кластеризации по
размеру и отрасли
4. Выбор обученной нейронной сети, соответствующей типу предприятия.
5. Прогнозирование фундаментальных показателей деятельности предприятия
19

20. Прогнозирование с помощью
искусственных нейронных сетей
5. Получение прогнозных индексов на 1 квартал
вперед
Мы видим, что данные индексы трудно комплексно оценить.
Для этого используем нечеткие описания
20

21. Нечеткие множества, их преимущества и
применение
Нечеткий интервал  Нечеткое число
21

22. Нечетко-множественная оценка
инвестиционной привлекательности
Диапазон значений для факторов:
Оценка значений показателя Кап-ия, млрд. руб.
P/E ROE % D/Eq P/B
Очень Плохой(ОП) 100 - ∞ 0-500 <0 > 1,5 >8
ОП-П 100-87,1 500-1571 0 -3% 1,5 – 1,29 8-7
Плохой (П) 87,1-74,25 1571-2642 3 - 6% 1,29– 1,1 7-6
П-Ср 74,25-61,4 2642-3714 6-9% 1,1 – 0,91 6- 5
Средний (Ср) 61,4-48,55 3714-4786 9 - 12% 0.91 – 0.72 5-4
Ср-Х 48,55-35,7 4786-5857 12-15% 0.72 – 0.53 4-3
Хороший (Х) 35,7-22,85 5857-6908 15-18% 0.53 – 0.34 3-2
Х – ОХ 22,85-10 6908-8000 18-21% 0.34 - 0.15 2-1
Очень Хороший (ОХ) 1-10 Свыше 8000 >21% 0 – 0.15 <1
22 Нечетко-множественный классификатор

23. Нечетко-множественная оценка
инвестиционной привлекательности
 Ранжирование
P/E  Cap  ROE = D/E = P/B
 Определение весов
 Комплексная оценка где pi – вес показателя i – индекс
отдельного показателя для их общего
числа N=5, j – индекс уровня показателя
для общего числа уровней M=5, λij –
ранг i-го показателя по своему j-ому
уровню, определяемый таблицами
23

24. Нечетко-множественная оценка
инвестиционной привлекательности
Распределение факторов
Факторы ОП П С Х ОХ
Cap 48,30 35,04 16,67 0,00 0,00
PE 28,34 5,00 5,06 60,48 1,12
ROE 16,85 61,72 21,44 0,00 0,00
DE 0,00 44,25 16,80 15,47 23,48
PB 0,00 0,00 15,10 46,60 38,30
Сумма 24,57 25,14 13,24 28,44 8,61
24

25. Анализ эффективности управления
портфелем
Инвестирование осуществлялось 8 октября 2008 года,
сроком до 8 апреля 2009.
 Применения метода Марковица-Шарпа привело к вложению в
акции Газпром и Лукойл в соотношении 34,7%/65,3%, что
приумножило сектор ликвидных акций на 52, 16%
 Кибернетический подход выделил акции Лукойл, Газпромнефть,
Роснефть. Распределим их в соответствии с их инвестиционной
привлекательностью – 33,9%/37,5%/28,6% соответственно.
Совокупный рост данных акций составил бы 53,5 %
25

26. Анализ эффективности управления
портфелем
 Включение индекса инвестиционной привлекательности портфеля,
вычисляемого по формуле в модель
Марковица-Шарпа, как вектора
 Доходность портфеля по данной модели 56, 54 % за 2 квартала
26

27. Готовность математической
модели
предстоит разработать
частично готово
27

28. Агент-технический аналитик
Индекс Торгового Канала (CCI) Индикатор Чайкина (VA)
VA={[(C-L)-(H-C)]/(H-L)}*V
где:
C - цена закрытия;
L - минимальная цена;
H - максимальная цена;
V - объем.
Close - цена закрытия;
High - максимальная цена за анализируемый Осциллятор Чайкина (СНО)
период;
Low - минимальная цена за анализируемый период; CHO = SMA(VA,m) - SMA(VA,n)
где:
SMA(VA,m) - скользящая средняя с порядком
m - длинная;
n - длина анализируемого периода; SMA(VA,n) - скользящая средняя с порядком
X(i) - значение цены в момент времени i; n - короткая.
SMA(X,n) - скользящая средняя за период времени n.
28

29. Преимущества модели
Легко настраивается на реальные рыночные
показатели
Позволяет защитить искусственного инвестора
от издержек автоматической обработки данных
Позволяет более точно имитировать реальный
рынок
Помогает изучить влияние процессов
распространения информации на деятельность
рынков
29