Цель работы состояла в проверке гипотезы эффективности финансовых рынков и гипотезы возможности прогнозирования динамики рынков путем технического анализа. Использовались методы искусственного интеллекта и данные дневных цен закрытия всех акций, входящих в S&P 500, с момента их размещения — 3 242 204 цен закрытия. «Обучалась» модель признаков, используемых в техническом анализе, с использованием данных 400 случайно выбранных акций, проверялась модель с использованием оставшихся акций, входящих в S&P 500, за весь период котировки акций. Количество объектов технического анализа в исследуемом множестве составили 20 000. Точности оценок, основанных на методах технического анализа, реализуемых методом искусственного интеллекта оказалась близка к 50%. Полученные результаты ставят под сомнение возможность технического анализа определять, повысится или понизится цена акции, и подтверждают теорию эффективности финансовых рынков, по крайне мере для рынка акций, входящих в S&P 500.
эффективность финансовых рынков, технический анализ, модель, искусственный интеллект, S&P 500.
Теория эффективности финансовых рынков предполагает, что вся имеющаяся и доступная участникам рынка информация отражена в цене актива (акции, облигации или иного финансового актива) [1, 2]. Движение цен случайно, инвесторы не могут добиться доходности, превышающей общую доходность рынка. Некоторые экономисты, специализирующиеся в работе с финансовыми рынками, предполагают, что эффективность финансовых рынков — лишь гипотеза. Они предполагают, что с помощью анализа, называемого техническим, возможно прогнозировать направление изменений цен финансовых рынков. Технический анализ предполагает, что цены активов имеют тенденцию изменяться в определенном направлении. Соответственно, определив это направление, можно предсказать, будет ли увеличиваться или уменьшаться цена актива в ближайшем будущем, и, таким образом, получить доходность, выше общей доходности рынка [3].
1. Efficient Capital Markets: A Review of Theory and Empirical Work. Eugene F. Fama. The Journal of Finance. Vol. 25, No. 2, Papers and Proceedings of the Twenty-Eighth Annual Meeting of the American Finance Association New York, N.Y. December, 28-30, 1969 (May, 1970), pp. 383-417.
2. Ivo Welch. Corporate Finance. 2nd edition, 2011. - 768 p.
3. Charles D. Technical Analysis. Kirkpatrick II. Pearson Education Inc., 2011. - 320 p.
4. William O´Neil. The How to Make Money in Stocks Complete Investing System: Your Ultimate Guide to Winning in Good Times and Bad Paperback. Au McGraw-Hill Education, 2010. - 500 p.
5. Marco Taboga. Lectures on Probability Theory and Mathematical Statistics. - 2nd Edition. CreateSpace Independent Publishing Platform, 2012. - 656 p.
6. Corinna Cortes, Vladimir Vapnik. Support-vector networks. Journal of Machine Learning. September 1995, Vol. 20, Issue 3, pp. 273-297.
7. The MNIST database of handwritten digits. YannLeCun, Corinna Cortes, Christopher J.C. Burges. URL: http://yann.lecun.com/exdb/mnist/
