Прогнозирование конъюнктуры инвестиционного рынка включает: Прогнозирование конъюнктуры инвестиционного рынка включает:

Разное

Содержание

1 Оценка и прогнозирование инвестиционного рынка

Тема 1. Оценка и прогнозирование инвестиционного рынка.

План темы

1. Понятие и основные элементы инвестиционного рынка (ИР) и анализ его состояния.

2. Макроэкономические показатели развития ИР. Оценка инвестиционной привлекательности рынка на макроэкономическом уровне.

3. Инвестиционная привлекательность отраслей и регионов.

4. Инвестиционная привлекательность предприятий

1. Понятие и основные элементы инвестиционного рынка (ИР) и анализ его состояния.

Рекомендуемые файлы

Любое предприятие в рыночной экономике осуществляет свою деятельность в неком поле свободного экономического поведения. Можно выделить инвестиционный рынок (ИР).

ИР охватывает систему экономических отношений свободной конкуренции партнерства между всеми субъектами ИД.

Сегментация ИР

Для того чтобы изучать, оценивать и т.д. необходимого сегментировать по различным параметрам в зависимости от целей, задач анализа; целей и задач оценки состояния ИР. Например, ИР можно сегментировать в соответствии с направлением, содержанием ИД и ее обеспечения.

Соответственно сегментация будет состоять из след элементов:

1. Рынок инвестиционных ресурсов

2. Рынок инвестиционных услуг

3. Рынок объектов реального инвестирования

4. Рынок объектов финансового инвестирования

Рынок инвестиционных ресурсов определяется их составом и номенклатурой ресурсов. В общем виде он включает:

1) Земельный рынок – рынок продаж владения (пользования) земельными участками

2) Рынок финансовых средств, участниками которого является: КБ, страх компании, финансовые и другие институциональные инвесторы, кредитодатели.

3) Рынок патентов, изобретений на различного рода разработки (конструирования), а также другие виды интеллектуальной собственности.

4) Рынок прочих активов.

Рынок инвестиционных услуг включает в себя:

1) Рынок услуг по производству СМР и организаций строительства

2) Рынок проектных работ и проектной продукции

3) Рынок услуг, связанных с инженерным, инженерно-геологическим изысканием

4) Рынки строительных материалов, конструкций и деталей

5) Рынки строит машин, механизмов, оборудования, инструмента, а также строит техники

6) Рынок работ, связанных с опробованием различного оборудования (технологического, энергетического) и пуско-наладочных работ

Рынок объектов реального инвестирования.

Тесно связан с предыдущими 2-мя рынками, т.к., с 1-ной стороны, данный рынок является рынком конечной продукции ИД по вложению средств в капиталообразующие инвестиции, а, с другой стороны, он в качестве источника инвестиций может использовать уже существующую недвижимость, ранее приобретенное оборудование и другие активы. В свою очередь, этот рынок весьма емок и включает след самостоятельные сегменты:

1) Рынок прямых КВ

Самый значимый сегмент. Формы инвестирования здесь:

§ КВ на новое строительство

§ КВ на реконструкцию

§ КВ на расширение

§ КВ на техническое перевооружение

2) Рынок приватизированных объектов

Получил широкое развитие в ходе приватизации. Но предметом инвестирования здесь являются только те предприятия, которые целиком продаются на аукционах либо полностью выкупаются трудовыми коллективами.

3) Рынок объектов предприятия

Является самостоятельным элементом ИР. Это связано с существующими перспективами его развития.

Рынок объектов финансового инвестирования включает:

1) Финансовый рынок

Его основная функция – мобилизация финансовых ресурсов предприятиями и другие хозяйственными субъектами с помощью ценных бумаг для целей организации и расширения хозяйственной деятельности. Также важна информационная функция – та ситуация, которая существует на рынке, дает инвесторам сигналы экономической конъюнктуры рынка, которые учитываются при инвестировании.

2) Рынок объектов тезаврации

Тезаврация – инвестирование в драгоценные металлы, предметы коллекционирования и т.д. Сейчас рынок в РФ только складываются, не играет пока существенной роли.

3) Денежный рынок

Это отдельный сегмент, т.к. определенная его часть формируется за счет финансовых инструментов: банковские депозитные вклады и ин валюта.

Сегментация инвестиционного рынка может быть и другой. Например, по отраслевому признаку, по региональному и т.д.

Состояние ИР характеризуют след элементы:

1. Спрос

2. Предложение

3. Цена

4. Конкуренция

Соотношение этих 4-х элементов постоянно меняется под влиянием различных факторов. Каждый инвестор должен знать состояние рынка, чтобы уметь его спрогнозировать. Эти знания ложатся в основу разработки любой инвестиционной стратегии (т.е. знания, сегментация, анализ ИР определяют эффективную стратегию).

Степень активности ИР определяется путем изучения рыночной конъюнктуры. Конъюнктура ИР рыночной цикличностью. Выделяют 4 стадии рыночной конъюнктуры:

Подъем

Связан с оживлением экономики в целом. Характерен рост объема спроса на объекты инвестирования, инвестиционные ресурсы, увеличение уровня цен на них, развитие конкуренции между субъектами ИР.

2)  Конъюнктурный бум

Характеризуется резким возрастанием спроса на все объекты инвестирования и инвестиционные ресурсы. При этом спрос уже не м.б. полностью удовлетворен существующим предложением, одновременно растут цены на объекты и ресурсы, соответственно растут доходы как самих инвесторов, так и иных субъектов инвестирования.

3) Ослабление рыночной конъюнктуры

Стадия связана со снижением экономической активности из-за спада в экономике в целом. Здесь происходит практически полное насыщение спроса и наблюдается некоторый избыток предложения. Вначале происходит стабилизация уровня на объекты инвестирования и инвестиционные ресурсы, а затем их медленное постепенное снижение. Соответственно падают доходы инвесторов и других субъектов ИД.

4) Спад рыночной конъюнктуры

Признаком его является самый низкий уровень спроса и резкое сокращение на рынке как объектов инвестирования, так и ресурсов, хотя уровень предложения больше спроса. Характерно существенное падение цен, за исключением цен на финансовые ресурсы (как правило, кредитные ставки даже завышены). Доходы падают, многие фирмы получают убытки, могут даже обанкротиться.

Чтобы правильно спрогнозировать и изучить конъюнктуру, необходимо изучать ее на каждой стадии.

Изучение конъюнктуры ИР включает:

1) Мониторинг

Текущее наблюдение за инвестиционной активностью. В ходе его особое внимание следует уделять сегментам рынка, на которые имеются надежды.

Показатели, характеризующие спрос, предложение, условные факторы и уровень конкуренции, лежат в основе мониторинга. Результаты – в виде графиков, диаграмм, таблиц и т.д.

2) Анализ

Подразумевает анализ текущей конъюнктуры ИР. Основной целью имеет выявление тенденций развития конъюнктуры на основе изучения особенностей отдельных сегментов ИР и тех изменений, которые происходят на рынке в момент наблюдения по сравнению с предшествующими периодами.

В ходе анализа осуществляется расчеты определенной системы аналитических показателей, в основе которых лежат первичные показатели, которые наблюдаются в ходе мониторинга.

3) Прогнозирование конъюнктуры

Цель – выбор основных направлений стратегии ИД и формирования инвестиционного портфеля. Основные задачи прогноза состоят в определении так называемых точек роста экономики и связанных с этим направлений инвестиционной активности.

Все это ложится в основу подготовки данных для определения инвестиционной политики предприятия и обоснования принятия решений. Чтобы правильно составить прогноз, необходимо определить:

1) Горизонт прогнозирования

2) Методы прогнозирования

3) Осуществить прогнозный расчет

1. Горизонт прогнозирования

Горизонт м.б. долгосрочным, среднесрочным и краткосрочным. При этом выбор периода разный для всех уровней анализа ИД и предприятий.

§ Для предприятий:

Краткосрочный прогноз – 1 год

Среднесрочный – 1-3 года

Долгосрочный – более 3 лет

§ Для экономики в целом:

Краткосрочный – более 2 лет

Среднесрочный – 2-5 лет

Долгосрочный – более 5 лет.

Примерно такие же горизонты – для отраслей и регионов.

Долгосрочный прогноз – связан с выработкой инвестиционной политики и выработки стратегии инвестирования. Используется для формирования инвестиционного портфеля. Прежде всего, это относится к решению инвестировать в крупном масштабе программы, капиталоемкие проекты с длительными сроками реализации, а также, безусловно, в реальном секторе экономики.

Среднесрочные прогнозы – необходимы для корректировки ранее разработанной инвестиционной стратегии, а также для внесения корректировок в уже принятые проекты исходя из долгосрочной. Данные среднесрочного прогноза служат основой для формирования инвестиционного портфеля за счет отдельных, не слишком кап/ем, некрупных проектов, а также включение долгосрочных финансовых инструментов, за счет развития капитала, вложенного в неэффективные проекты.

Краткосрочный прогноз – необходим для выработки тактики инвестирования и реализации инвестиционных проектов. При принятии решений учитывается только возможные краткосрочные изменения конъюнктуры рынка. Следовательно, при формировании инвестиционного портфеля учитываются и используются различные краткосрочные финансовые инструменты.

Известно, что в современных условиях прогнозирование конъюнктуры осуществляется 2-мя методами:

1) Фундаментальный анализ

Основан на изучении общеэкономических и рыночных факторов, влияющих на 4 элемента (S, D, P, конкуренция)

2) Технический анализ

Основан на расширении выявленной тенденции (в процессе изучения и анализа конъюнктуры) на прогнозный период.

Чаще всего фундаментальный анализ используется при долгосрочном и среднесрочном прогнозировании, соответственно, технический – при краткосрочном.

3) В дополнение к этим 2-м методам прибегают к методу экспериментальных оценок.

Анализ конъюнктуры ИР должен быть выполнен:

— Полно и комплексно

— Систематически по времени осуществления

Исходной информацией для осуществления анализа является статистические данные по экономике в целом, а также данные публикуемых отчетов по большей части экономических субъектов (КБ, страх компаний и т.д.). Также это данные бухучета предприятий и организаций.

Процесс изучения ИР осуществляется, как правило, сверху-вниз, т.е. по цепочке «анализ экономики – анализ отраслей и секторов экономики, оценка и прогнозирование регионов – анализ самого предприятия».

2. Макроэкономические показатели развития ИР. Оценка инвестиционной привлекательности рынка на макроэкономическом уровне.

Цель: определить инвестиционный климат в стране и определить эффективность условий инвестиционной деятельности на определенных этапах экономического развития.

Выделяется 3 этапа оценки и прогнозирования:

1) Сбор информации о состоянии рынка

2)  Изучение и анализ собранных данных и определение тенденций изменения состояния рынка

3) Прогнозирование состояния рынка

I. Сбор информации о состоянии рынка

Начинается работа с определения круга первично наблюдаемых показателей. Они должны отражать состояние инвестиционного климата и показателей конъюнктуры рынка. Данные показатели встраиваются в систему мониторинга и охватывают показатели, характеризующие:

Эффективность инвестиционной политики государства и инвестиционной деятельности по экономике в целом

Состояние рынков КВ, предприятия и приватизируемых объектов

Состояние фонд рынка

Состояние денежного рынка

Первый круг показателей охватывает:

ВВП

Произведенный НД

Объем произведенных товаров

Чистые налоги на производство и импорт

Индекс цен

Расход средств на з/п

Валовая прибыль экономики

Валовые национальные накопления

Денежные доходы населения

Сводный индекс инфляции

Ко второй группе относятся:

НД, используемый на накопления

Объем КВ, в т. ч. по объектам производственного назначения

Объем СМР, в т.ч. по объектам производственного назначения

Объем финансирования КВ, в т.ч. за счет средств ФБ

Ввод в действие ОФ, в т.ч. ввод в действие по объектам производственного назначения

Индекс цен по КВ, в т.ч. по СМР

Кол-во действующих бирж и компаний, реализующих недвижимость

Кол-во сделок купли/продажи, связанных с недвижимостью, объем зарегистрированных сделок

Кол-во приватизированных объектов

Фактическая цена продажи приватизированных объектов

Третья группа включает показатели, характеризующие состояние фондового рынка:

Кол-во лицензированных фондовых бирж

Кол-во заключенных биржевых сделок

Число эмитентов ц/б

Объем выпущенных ц/б

Объем проданных ц/б и т.п.

К четвертой группе относят:

V продажи денежных ресурсов, в т.ч. депозиты, комм кредиты, межбанковские кредиты

V поступлений страховых взносов

Сумма поступлений страх выплат

Сумма вкладов населения в банках

Ставки ЦБ по пользованию межбанковскими кредитами

Среднедепозитная ставка КБ и другие.

Основной информационной базой для мониторинга служат статистические данные. Они характеризуют периодичность системы мониторинга 1 раз в квартал (по наиб важным показателям может быть ежемесячно).

II. Изучение и анализ собранных данных и определение тенденций изменения состояния рынка

Этап связан с анализом конъюнктуры рынка, целиком построен на аналитических показателях динамики, индексов, коэффициентов, характеризующих рынок:

1) К экономической эффективности инвестиций в целом по экономике

= Прирост НД страны / объем КВ в экономику

2) К эффективности КВ в объекты производственного назначения

= Прирост объема производства промышленной продукции / объем КВ в объекты производственного назначения

3) Темп прироста КВ в развитие национальной экономики

= КВ в анализируемом периоде / КВ в периоде сравнения

4) К реализации КВ

= Ввод в действие ОФ / КВ

Характеризует в какой мере КВ обеспечивают прирост ОФ

5) Темп роста долгосрочных кредитов в развитие национальной экономики

= Сумма долгосрочных кредитов в анализ периоде / сумма долгосрочных кредитов в развитие экономики в периоде сравнения

Увеличение темпа роста КВ и долгосрочных кредитов в развитие экономики свидетельствует о росте инвестиционной активности и о подъеме экономики страны.

6) Показатель соотношения собственных и заемных средств

= Собственные средства на финансирование КВ / Заемные средства на цели инвестирования

Он косвенно свидетельствует о спаде или падении экономики. Стадии подъема соответствует показатель = 40:60, а стадии спада = 60:40 (сигнал о застое и упадке экономики).

Помимо показателей, необходимо учитывать цикл экономического развития экономики.

Цикл экономического развития имеет 4 фазы:

1) Кризис

2) Депрессия

3) Оживление

4) Подъем

При анализе текущей конъюнктуры инвестиционного рынка важным является выявление общей тенденции динамики и ее связи с фазами экономического развития страны. Известно, что наиболее существенные изменения конъюнктуры происходят при смене фаз циклического развития экономики. Экономический цикл развития включает фазы, характер которых определяет длительные колебания конъюнктуры инвестиционного рынка:

1. фаза кризиса в первую очередь затрагивает инвестиционную сферу и в наибольшей степени проявляется в ней, так как сжатие объемов производства приводит к резкому сокращению объемов инвестиций. Эта фаза вызывает ослабление конъюнктуры инвестиционного рынка.

2. депрессия является нижней точкой кризиса и означает застой в экономике, снижение производства многих видов продукции, остановку отдельных производств, банкротство предприятий. Для этой фазы характерен резкий конъюнктурный спад на инвестиционном рынке.

3. фаза оживления начинается с увеличения спроса на инвестиционные товары, постепенного обновления ОК и роста реальных КВ. В результате восстанавливается докризисный объем ИД и начинается подъем конъюнктуры инвестиционного рынка.

4. подъем экономики как наиболее благоприятная фаза экономического цикла развития характеризуется масштабным обновлением ОК, резким увеличением активной части ОПФ, что вызывает значительное увеличение объема ИД. С началом подъема в экономике наступает конъюнктурный бум на инвестиционном рынке.

Фазы имеют различную продолжительность. В странах с развитой рыночной экономикой продолжительность экономических циклов постоянно снижается и в настоящее время достигает 4-5 лет. В РФ в связи с крайне низкими темпами НТП, неэффективной структурой производства, обвалом инвестиционной сферы, ограниченностью инвестиционных ресурсов продолжительность фаз значительно больше.

III. Прогнозирование состояния рынка

Завершает процесс изучения макроэкономических показателей инвестиционного рынка разработка прогноза развития на основе предстоящих изменений условий, влияющих на его деятельность. Информационной базой таких исследований могут являться значительные государственные программы развития экономики страны в целом и отдельных сфер экономической деятельности.

Факторы и условия, влияющие на развитие инвестиционного рынка: прогнозируемая динамика ВВП, НД и объема производства продукции, изменение доли НД, расходуемого на накопление, изменение налогового регулирования инвестиционной и других видов ПД, изменение ставки рефинансирования БР, развитие приватизационных процессов, развитие фондового рынка, изменение условий получения кредитов, изменения на денежном рынке и т. п.

Оценка и прогнозирование макроэкономических показателей развития инвестиционного рынка являются основой для формирования инвестиционной привлекательности отраслей и подотраслей экономики, а также отдельных регионов.

3.Инвестиционной привлекательность отраслей и регионов.

Оценка инвестиционной привлекательности отраслей

Осн цель изучения инвестиционной привлекательности отраслей экономики и регионов состоит в обеспечении  диверсификации их деятельности, особенно в сфере реального инвестирования.

С позиции рядового инвестора, эта цель: вложить средства в наиболее привлекательные и доходные ИП и программы в тех отраслях, которые обесп-т желаемый доход на вложенный капитал.

Основные задачи:

I. Оценка факт состояния и динамики развития отраслей

Факт состояние отраслей определяется показателями:

-рентабельность

-прибыльность

-финансовая обеспеченность

Они, в свою очередь, оцениваются на основе след показателей:

А) К капиталоотдачи:

= ВД, полученный в отрасли / балансовая стоимость ОФ и сумм ОбС, используемых для производства профильной продукции

= Прибыль от производства основной продукции / балансовая стоимость ОФ и сумм ОбС, использующихся для производства профильной продукции

Б) Показатель коэффициента рентабельности инвестиций

Характеризует степень отдачи вложений в воспроизводственное развитие отрасли

= Прирост ВД (прибыли) / Инвестиционные вложения

Это два – основные показатели. Вторые два – дополняющие.

В) Показатель уровня рентабельности

= Общая полученная прибыль / стоимость всех активов

Если он выше, чем К кап/отдачи, то это означает расширение финансовых возможностей отрасли по инвестированию своего развития

Г) Показатель уровня рентабельности затрат на производство продукции

= Прибыль от реализации продукции / Затраты на нее

Достоинство: при сравнении его с К кап/отдачи можно судить о степени загруженности производственного потенциала отрасли. След-но, если темпы роста (снижения) уровня рент-ти затрат на пр-во продукции ниже или выше темпов роста кап/отдачи, то это означает уменьшение физ загрузки осн капитала, т.е. избыток производственных мощностей.

Динамика развития отраслей экономики оценивается индексом роста (темп прироста):

Индекс роста = V произведенной продукции в тек году /V произведенной продукции в предшествующем году

Для сравнит оценки развития отраслей используется коэффициенты эластичности развития:

К эластичности развития отрасли по отношению к развитию экономики определяется:

= Темп прироста V произведенной продукции за анализ период в отрасли / Темп прироста V произведенной продукции в том же периоде в экономике в целом

Аналогично можно рассчитать другие Коэффициенты эластичности. Коэффициенты эластичности показывают инвестиционную привлекательность в различных сферах экономики. В наст время в РФ наиб важные отрасли – ТЭК и металлургия. Чем выше показатели эластичности, тем более привлекательны отрасли в плане инвестирования в них.

 II. Оценка перспективности развития отраслей

Оценка определяется значимостью отрасли и ее приоритетностью для экономики в целом. К ним относят отрасли, динамично развивающиеся сейчас и в будущем.

Сейчас в РФ – это добывающие отрасли, в особенности добыча углеводородного сырья.

Перспективность отраслей промышленности в большей степени определяется имеющимся научно-техническим потенциалом, т.е. техническими прорывами на отдельных участках.

В РФ – это атомная энергетика, авиакосмическая промышленность, авиастроение и ряд отраслей, связанных с производством вооружения и оборонной техники.

Также следует учитывать:

1) Социальная значимость отрасли, характеризуется численностью и долей занятых в ней работников

2) Стратег значимость отрасли (можно судить косвенно по степени господдержки, налоговым льготам и т. п.)

3) Устойчивость отрасли по отношению к возможному общему спаду национальной экономики. Она может характеризоваться соотношением темпа спада производства в отрасли к темпу спада ВНП в стране в целом.

III. Оценка происходящих внутриотраслевых структурных изменений и возможной трансформации отраслей и подотраслей экономики

Такая оценка возможна в результате выявления сейчас направлений развития отрасли и зарождения новых предприятий, на основе которых определяются новые подотрасли, т.е. отрасли, связанные с выпуском новой продукции.

При оценке трансформационных изменений важно анализировать возможности совершенствования технологий в отраслях, способов производства продукции, качества продукции, конкурентоспособности продукции на рынке. Именно эти факторы важны по качественным изменениям характеристик производства и по определению возможностей зарождения новых отраслей в экономике.

IV. Оценка рискованности инвестиционных вложений в соответствующие отрасли

Она определяется рядом факторов:

1) Монополизированность производства и сбыта продукции, работ, услуг.

Чем выше степень монополизированности, тем выше степень рискованности инвестиций в соответствующую отрасль.

Необходимо учитывать число предприятий, представляющих отрасль, долю объема сбыта продукции в общем объеме производства и другие показатели.

2) Конкурентоспособность предприятий соответствующих отраслей как на отечественном, так и на зарубежных рынках

Достаточный уровень конкурентоспособности предприятий снижает уровень рискованности инвестиций.

Уровень конкурентоспособности предприятий рыночной след показателями:

— Удельная стоимость продукции

— Удельная энергоемкость продукции (кол-во потребляемой энергии на единицу полезных свойств в продукте

— Рыночная рентабельность продукции = (Цена продажи – С/с производства) / Цена продажи (С/с производства)

— Уровень рентабельности хозяйственного предприятия = Прибыль от производства продукции / Стоимость использованного ОснК и ОбС

 3) Инфляционная устойчивость продукции отрасли

Характеризует отношение темпов (индексов) цен на эту продукцию и темпов роста цен по национальной экономике в целом. Если это соотношение = 1 или < 1, то считается, что инфляционная устойчивость продукции отрасли либо нормальная, либо повышенная. Если оно > 1 , то инфляционная устойчивость пониженная, т.е. риск инвестирования  либо выше, либо ниже.

4) Стабильность сырьевого, энергетического и другого мат обеспечения предприятий отрасли.

Рыночной К покрытия (сырьевой, энергетической и другие мат потребности):

= Факт поставки соответствующих ресурсов в срок (установленный) / Заявленная (расчетная) потребность

Помимо 4-х задач, также важно при анализе учитывать жизненный цикл отрасли, кот делится на 5 фаз:

1) Рождение

2) Рост

3) Расширение

4) Зрелость

5) Спад

I. Рождение отрасли

Характеризует разработку и внедрение на рынок принципиально новых Т, Р, У.

(См по учебнику)

Фаза рождения характеризует разработку и внедрение принципиально новых видов Т, Р, У, потребность в которых вызывает строительство новых предприятий, составляющих в дальнейшем самостоятельную подотрасль, а затем и отрасль. Для данной фазы характерны значительные объемы инвестиций, минимальная прибыль и отсутствие дивидендных выплат по акциям.

Фаза роста связана с признанием потребителями новых видов товаров, быстрым ростом спроса на них. На этой фазе инвестирование ведется высокими темпами, растут прибыли предприятия, осуществляются выпуски акций, а дивиденды зачастую выплачиваются в виде дополнительных акций.

Фаза расширения является периодом между высокими темпами роста числа новых предприятий в отрасли и стабилизацией этого роста. На этой стадии продолжается инвестирование в новое строительство, но основной объем инвестиций направляется на расширение имеющихся производственных объектов, стабилизируется рост числа новых предприятий, продолжается эмиссия новых выпусков акций, начинается выплата дивидендов наличными деньгами. Однако основное направление в дивидендной политике на этом этапе предполагает выплату дивидендов в виде дополнительных акций или дробление уже имеющихся акций.

Фаза зрелости определяет период наибольшего объема спроса на товары отрасли, совершенствования качественных характеристик выпускаемой продукции. Основной объем инвестиций направляется на модернизацию оборудования и техническое перевооружение производства. Эта одна из самых продолжительных стадий. Для товаров постоянного спроса, не подверженных влиянию НТП, фаза зрелости является последней в ЖЦ (с/х, сырьевая промышленность). Предприятия отраслей, находящихся в фазе зрелости, получают максимальные размеры прибыли, выплачивают высокие дивиденды наличными деньгами.

Фаза спада завершает ЖЦ отрасли и характеризует период резкого уменьшения спроса на продукцию в связи с развитием новых отраслей, товары которых заменяют устаревшие. Обычно эта стадия характерна для отраслей, продукция которых в значительной степени подвержена влиянию НТП.

Смена стадий ЖЦ отрасли связана с политикой структурной перестройки экономики, направленной на внедрение новейших достижений науки и техники, обеспечение конкурентоспособности собственного производства на мировом рынке, повышение сбалансированности экономики, ускоренное развитие отраслей, увеличивающих экспортный потенциал, повышение социальной ориентации производства, уменьшение энергоемкости, развитие межотраслевой кооперации и т. д.

Оценка инвестиционной привлекательности регионов

Основная цель: определение в рамках политики территориального разделения и кооперации труда наиболее эффективных путей экономического и социального развития регионов и рационального использования всех их экономических возможностей, экономических условий и имеющихся инвестиционных ресурсов.

Цель конкретных инвесторов: такой анализ важен для инвестирования в конкретные проекты в данные регионы, обеспечивающие возврат и увеличение капитала инвестора.

Задачи аналитиков:

1) Определение путей и возможностей реконструкции и развития действующих предприятий в регионах, а также создания новых предприятий.

2) Реструктуризация производства с целью лучшего использования всех сырьевых, энергетических, трудовых и иных ресурсов территорий

Анализ, оценка, прогнозирование инвестиционной привлекательности регионов осуществляется с помощью след экономических показателей:

1) Показатели оценки общего экономического развития региона:

уд вес региона в ВВП и в производственных НД страны

V произведенной промышленной продукции на душу населения

Средний уровень з/п работников в регионе и его отношение к уровню з/п по стране

V и динамика КВ в регионе, приходится на одного жителя

Число предприятий всех форм собственности в регионе

Уд вес убыточных предприятий в общем числе функционирующих

Уровень самообеспеченности региона основными продуктами питания

V производства важнейших видов с/х продукции на душу населения в регионе и другие

2) Показатели оценки развития инвестиционной инфраструктуры региона:

число подрядных строит организаций всех форм собственности

V производства местных строительных мат-лов

Производство энергетических ресурсов на душу населения

Плотность ж/д путей сообщения и автодорог с твердым покрытием (рассчитывается на 100 кв м территории)

Число финансовых и страх компаний, бирж в регионе

Их активы и другие

3) Показатели состояния экономики региона:

V произведенной продукции и ВД на одного работающего в производственных сфере

Численность трудоспособного населения (занятого и незанятого в мат производстве)

Соотношение V-ов ввозимой и вывозимой продукции из региона

Производство и потребление эл/эн на одного жителя

Т. о. методической основой оценки и прогнозирования ИР является:

1) Анализ экономического положения и динамики развития региона

2) Анализ инвестиционных возможностей и выявление тенденций изменений инвестиционного климата в регионе

Кроме того, важно оценивать уровень экономического и криминогенной обстановки в регионе.

4. Инвестиционная привлекательность предприятий

Для инвестора такая оценка важна в след случаях:

1) При определении целесообразности осуществления инвестиций, КВ в новое строительство, расширение, реконструкцию и техническое перевооружение действующих предприятий

2) Для оценки возможности привлечения сторонних инвесторов для осуществления

3) При выборе альтернативных объектов приватизации, поиске приемлемых инвестиционных проектов в сфере предприятия, покупке акций, предприятий и других инвестиционных решений, которые в тактическом плане реализуют инвестиционную стратегию предприятия

Методической основой здесь является:

1) Рассмотрение жизненного цикла предприятия

2)  Рассмотрение жизненного цикла произведенной или намечаемой к выпуску продукции

3) Оценка финансового состояния, финансовой устойчивости и надежности предприятия

I. Рассмотрение жизненного цикла предприятия

Развитие каждого предприятия происходит по циклу, происходящего по периодам:

1) Детство (появление предприятия) – небольшие темпы роста, обороты, обычно отрицательные финансовые результаты

2) Юность – быстрый рост оборота и появление новых прибылей предприятия

3) Зрелость (ранняя и поздняя) – замедляется рост оборотов, прибыли максимальны

4) Старость – замедление оборотов, уменьшение прибылей.

Общий период ЖЦ предприятия составляет 20-25 лет.

Эти сроки характерны для предприятий в традиционных отраслях промышленности. С ростом НТП срок уменьшается.

Период ЖЦ предприятия не равен фактическому сроку существования. Предприятие видоизменяется, модернизируется и ЖЦ начинается снова.

ЖЦ предприятия зависит от отрасли, где оно существует (речь идет о предприятиях материального производства).

Сроки ЖЦ по отдельным периодам:

1) Детство:

Срок = 1-2 года.

Связана с проблемами выживания предприятия. Основные проблемы предприятия возникают в финансовой сфере – нехватка денежных ресурсов. Поэтому основная задача – нахождение краткосрочных финансовых ресурсов для финансирования текущей деятельности и поиск источников финансирования инвестиций для будущей деятельности.

2) Юность:

Срок равен 3 года. Предприятие получает первые прибыли, следовательно может сместить свои цели с текущей рентабельности на экономический рост.

На данной фазе уже необходимы среднесрочные и долгосрочные источники финансирования, которые позволят предприятию обеспечить его экономический рост.

3) Зрелость:

Срок равен 15 лет. Здесь предприятие старается извлечь максимум прибыли, кот позволяет ему сделать потенциал. Здесь самый высокий уровень самофинансирования.

На этой фазе менеджерам пора задуматься над новыми возможностями по производству товаров, исследованию рынков, учитывая старение товара, рост конкуренции. Следовательно на предприятии осуществляется самый большой объем промышленных инвестиций, либо путем косвенного участия в других предприятиях, оно постепенно преобразуется в холдинг (т.е. основная цель управляется портфелем ценных бумаг)

Наибольшая привлекательность с точки зрения инвестиционной привлекательности – предприятия – «дети» и «юноши». Относительно 3-ей стадии – предприятия привлекательны в период ранней зрелости, пока не достигнута высшая точка экономического развития предприятия.

На более поздних стадиях инвестирование целесообразно, если его продукция имеет достаточно высокие маркетинговые перспективы, а объем инвестиций, связанный с максимальным перевооружением, модернизацией относительно невелик, а следовательно окупаемость затрат невысокая.

4) Старость:

Срок равен около 5 лет.

Инвестирование, как правило, нецелесообразно. Исключение – предприятия, на которых намечается масштабная диверсификация производства, перепрофилирование.

Определение стадий ЖЦ предприятия проходит путем динамического анализа, в ходе которого анализируется ряд важных технико-экономических показателей. К ним относятся:

— Рост объема производства продукции

— Рост общей суммы активов

— Рост собственного капитала

— Рост суммы получаемой прибыли

— Степень износа ОФ

— Темп обновления ОФ

Наибольшие темпы прироста показателей характерны для стадий юности и зрелости (ранней). На стадии полной зрелости – стабилизация показателей, а в старости – их падение.

II. Рассмотрение жизненного цикла произведенной или намечаемой к выпуску продукции

Определение: ЖЦ продукции – совокупность временных периодов от начала разработки продукции до момента снятия ее с производства и продажи.

Фазы:

1. Начальный выпуск продукции и первое появление на рынке (не более полугода) – завершает НИОКР на предприятии.

Характеристика: очень высокая степень товаров, незначительный сбыт, следовательно невысокая прибыль.

2. Рыночной стремительным ростом выпуска продукции и ее сбыта. Начинается с момента уменьшения стоимости продукции и оценки покупателем потребляемых свойств продукции. Характерно, что в ее конце прибыль от производства продукции равна максимуму.

3. Рыночной уменьшением объема продаж в связи с насыщением рынка данным товаром и появлением на рынке нового товара, лучшего по своим характеристикам.

4. Постепенное снятие с производства продукции и уход с рынка. Тем не менее, производство еще осуществляется в тех объемах, которые необходимы рынку, чтобы покрыть спрос, необеспечиваемый новой продукцией.

Инвестиционно привлекательными считаются предприятия на первых двух фазах. Определяются точки качественного обновления продукции.

III. Оценка финансового состояния, финансовой устойчивости и надежности предприятия (по учебнику)

Оценка финансового состояния предприятия

1. Коэффициент оборачиваемости всех используемых активов (КОа) рассчитывают как соотношение объема реализации продукции к средней стоимости используемых активов. Средняя стоимость используемых активов рассчитывается за тот же период, что и объем реализации продукции (по средней арифметической или средней арифметической взвешенной).

2. Коэффициент оборачиваемости текущих активов (KO

TJ) рас­считывают как соотношение объема реализации продукции (това­ров, услуг) к средней стоимости текущих активов.

3. Продолжительность оборота используемых активов (ПОа) рас­считывают как соотношение числа дней в периоде к коэффициенту оборачиваемости всех используемых активов (число дней в периоде берется равным 360 в году или 90 в квартале).

4. Продолжительность оборота текущих активов (ПОТЗ) рас­считывают как соотношение числа дней в периоде к коэффициенту оборачиваемости текущих активов (число дней в периоде берется равным 90).

Снижение в динамике коэффициента оборачиваемости активов (или рост продолжительности их оборота) свидетельствует о негатив­ных тенденциях в развитии предприятия, так как вызывает необходи­мость дополнительного привлечения средств для текущей деятельности.

Объем дополнительно инвестируемых средств (ОИд) рассчиты­вают как произведение объема реализации продукции на разницу между продолжительностью оборота активов в отчетном и предше­ствующем периодах, деленное на число дней в периоде.

Одной из главных целей инвестирования является получение максимальной прибыли при использовании вложенных средств. Для выявления потенциальных возможностей формирования прибыли в сопоставлении с вложенным капиталом используют ряд показателей.

1. Прибыльность всех используемых активов (Па) рассчитывают, как соотношение суммы чистой прибыли (после уплаты налогов) к средней сумме используемых активов.

2. Прибыльность текущих активов (Пта) рассчитывают как соот­ношение суммы чистой прибыли к средней сумме текущих активов.

3. Рентабельность основных фондов (РОФ) рассчитывают как со­отношение суммы чистой прибыли к средней стоимости основных фондов.

4. Прибыльность реализации продукции (ПР) рассчитывают как соотношение суммы чистой прибыли к объему реализованной про­дукции.

5. Показатель прибыльности (П) рассчитывают как соотноше­ние суммы валовой (балансовой) прибыли (до уплаты налогов и про­центов за кредит) к разнице между средней суммой используемых активов и суммой нематериальных активов. Показатель прибыльности используется для сравнения инвестиционных объектов с различным уровнем налогообложения прибыли (доходов).

6. Рентабельность собственного капитала (РСК) рассчитывают как соотношение суммы чистой прибыли к сумме собственного капита­ла. Показатель рентабельности собственного капитала характеризует эффективность его использования в составе совокупных активов предприятия.

Анализ финансовой устойчивости дает возможность оценить инвестиционный риск, связанный со структурой формирования инвестиционных ресурсов предприятия, и обеспечить оптимальность источников финансирования текущей производственной деятельно­сти. Для оценки финансовой устойчивости предприятия используют ряд показателей.

1. Коэффициент автономии (КА) рассчитывают как соотноше­ние суммы собственного капитала к сумме всех используемых акти­вов. Коэффициент автономии показывает, в какой степени исполь­зуемые предприятием активы сформированы за счет собственного капитала.

2. Коэффициент соотношения заемных и собственных средств (КС) рассчитывают как соотношение суммы используемых заемных средств к сумме собственных активов.

3. Коэффициент долгосрочной задолженности (КД) рассчитыва­ют как соотношение суммы долгосрочной задолженности (свыше одного года) к сумме всех используемых активов.

Информация в лекции «Европейская конфедерация по связям с общественностью — серп » поможет Вам.

Оценка ликвидности позволяет определить способность пред­приятия платить по краткосрочным обязательствам текущими актива­ми, предотвращая возможное банкротство. Состояние ликвидности активов характеризует уровень инвестиционных рисков в кратко­срочном периоде. В качестве базового показателя можно использо­вать коэффициент текущей ликвидности (КТЛ), который рассчиты­вается как соотношение суммы текущих активов к сумме текущей (краткосрочной) задолженности.

Для анализа ликвидности активов используют ряд показателей.

1. Коэффициент абсолютной ликвидности (КАЛ) определяется как соотношение суммы денежных средств и краткосрочных финансовых вложений к сумме текущей (краткосрочной) задолженности.

2. Коэффициент срочной ликвидности (КСЛ) определяется как соотношение сумм денежных средств, краткосрочных финансовых вложений и дебиторской задолженности к сумме текущей (краткосрочной) задолженности.

3. Коэффициент оборачиваемости дебиторской задолженности (Код) определяется как соотношение объема реализации продукции с последующей оплатой к средней сумме дебиторской задолженности.

4. Период оборота дебиторской задолженности (Под) определяется как соотношение числа дней в периоде к коэффициенту оборачиваемости ДЗ.

Инвестиционная стратегия контрольная по экономике

негосударственное образовательное учреждение высшего профессионального образования Кузбасский ИНСТИТУТ экономики и права ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ Кафедра «ФИНАНСЫ и кредит» Инвестиционная стратегия Контрольная работа вариант № 1, 8 КЕМЕРОВО 2008 План 1. Прогнозирование инвестиционного рынка . Сегменты инвестиционного рынка . Основные элементы инвестиционного рынка . Коньюнктура инвестиционного рынка 2. План маркетинга в инвестиционном проекте . Исследование рынка продукции . Стратегия сбыта продукции . Ценовая стратегия на выбранных сегментах рынка Список использованной литературы определяющей соотношение спроса, предложения, цен и уровня конкуренции. Конъюнктура инвестиционного рынка Конъюнктура инвестиционного рынка характеризуется цикличностью. Обычно выделяют четыре основные стадии изменения рыночной конъюнктуры: подъем, бум, ослабление и спад1. Подъем конъюнктуры связан с оживлением экономики в целом. Характерными для него являются рост объема спроса на объекты инвестирования, повышение уровня цен на них, развитие конкуренции среди инвестиционных посредников. Конъюнктурный бум характеризуется резким возрастанием спроса на все объекты инвестирования. При этом спрос не полностью удовлетворен предложением, имеющимся на рынке, растут цены на объекты инвестирования, повышаются доходы инвесторов и посредников. Ослабление конъюнктуры связано со снижением инвестиционной активности в результате спада в экономике в целом. Происходит практически полное насыщение спроса на объекты инвестирования с некоторым избытком их предложения. Сначала стабилизируется уровень цен на большинство объектов инвестирования, затем они медленно снижаются вместе с доходами инвесторов и инвестиционных посредников. Признаком конъюнктурного спада инвестиционного рынка является низкий уровень спроса и предложения объектов инвестирования, хотя уровень предложения превышает спрос. При этом существенно снижаются цены на объекты инвестирования, доходы участников рынка падают до самого низкого уровня, возможны даже убытки в отдельных сферах инвестиционной деятельности. Изучение конъюнктуры инвестиционного рынка включает мониторинг, анализ и прогнозирование конъюнктуры. 1 Шохин Е.И. Финансовый менеджмент [текст]: Учебное пособие / Е.И. Шохин. – http://saninteh.ru/ Мониторинг предусматривает текущее наблюдение за инвестиционной активностью. Основное внимание уделяется тем сегментам рынка, в которых осуществляется инвестиционная деятельность. В основе мониторинга лежит постоянное наблюдение за изменением системы показателей, характеризующих спрос, предложение, цены и уровень конкуренции, результаты которого отражаются на графиках, в таблицах, диаграммах и других формах наблюдений. Анализ текущей конъюнктуры инвестиционного рынка обеспечивает выявление тенденций ее развития на основе исследования особенностей отдельных сегментов и тех изменений, которые происходят на рынке по сравнению с предшествующим периодом. Анализ текущей конъюнктуры рынка предполагает расчет аналитических показателей, характеризующих текущую конъюнктуру на основе информации, собранной в процессе мониторинга, а затем определение предпосылок к изменению текущего конъюнктурного цикла. Прогнозирование конъюнктуры инвестиционного рынка необходимо для выбора основных направлений стратегии инвестиционной деятельности и формирования инвестиционного портфеля. Основная цель прогноза состоит в определении факторов, в перспективе определяющих конъюнктуру рынка. Для составления прогноза необходимо определить горизонт прогнозирования, выбрать методы и провести прогнозные расчеты. Горизонт прогнозирования может быть долгосрочным, среднесрочным и краткосрочным. Долгосрочный прогноз связан с выработкой инвестиционной стратегии и формированием инвестиционного портфеля, включающего крупномасштабные капиталоемкие объекты реального инвестирования. Долгосрочный прогноз может разрабатываться на срок свыше трех лет. Среднесрочный прогноз необходим для корректировки инвестиционной стратегии предприятия, формирования инвестиционного портфеля за счет отдельных не слишком капиталоемких реальных инвестиционных проектов, долгосрочных финансовых инструментов, побуждения воздействуют на покупателей при принятии решений о покупках и в процессе выработки отношения к брэндам, торговым маркам, имиджу продукта или предприятия. Большинство опросов этого вида проводится с помощью проведения фокус-групп или глубинных интервью, а предпочтения отдаются изучению: * узнавания марок; * потребительского поведения и отношения; * сегментации рынка; * качества рекламы по всем параметрам; * цен; * ассортимента. Стратегия сбыта продукции Стратегия сбыта продукции — это целенаправленная деятельность, принципы и методы, осуществления которых призваны организовать движение потока товаров к конечному потребителю. Основной задачей является создание условий для превращения потребностей потенциального покупателя в реальный спрос на конкретный товар. К числу таких условий относятся элементы сбытовой политики, капиталы распределения (сбыта, товародвижения) вместе с функциями, которыми они наделены. Основными элементами сбытовой политики являются следующие: — транспортировка продукции — её физическое перемещение от производителя к потребителю; — доработка продукции — подбор, сортировка, сборка готового изделия и прочее, что повышает степень доступности и готовности продукции к потреблению, а так же удовлетворяет индивидуальные требования заказчика; — хранение продукции — организация временного хранения не распределенной продукции до востребования на безвозмездных условиях; — контакты с потребителями — действия по физической передаче товара, оформлению заказов, организации платёжно-расчетных операций, юридическому оформлению передачи прав собственности на товар, информированию потребителя о товаре и фирме, а также сбор информации о рынке. Ценовая стратегия на выбранных сегментах рынка Финансовый план реализации проекта готовится после того, как подготовлены план маркетинга и производственный план. Он должен включать краткий обзор условий, в которых будет действовать предприятие, данные по объему продаж, валовой прибыли, затратам на оборудование, оплату труда и другим затратам, а также подробный анализ доходов и расходов, формирования чистой прибыли и рентабельности предприятия. Этот раздел бизнес-плана может быть составлен только после того, как определены рамки (границы) проекта с учетом непредвиденных расходов и инфляции. Рамки (границы) проекта подразумевают определение; • всех видов деятельности, которые должны быть представлены на заводской площадке; • дополнительных операций, связанных с производством, использованием природных ресурсов, очисткой сточных вод и выбросов; • внешнего транспорта, складов для сырья и материалов и готовой продукции; • дополнительных видов деятельности (профессиональной подготовки, общеобразовательных программ, сооружения рекреационных объектов). Непредвиденные расходы бывают материальные и финансовые. Материальные расходы связаны с точностью прогнозирования продаж, проектных требований, материалов и услуг и составляют от 5 до 10% сметной себестоимости объекта. Финансовые расходы связаны с инфляцией, изменением базовой ставки ссудного процента и другими факторами. Для учета инфляции используют: • общий индекс внутренней инфляции, определяемый на основе систематически корректируемого рабочего прогноза; • прогноз валютного курса рубля; • прогноз внешней инфляции; • прогноз изменения цен на продукцию и ресурсы (газ, нефть, энергоресурсы, оборудование, строительно-монтажные работы, сырье, материалы), а также прогноз изменении уровня средней заработной платы и других показателей на перспективу; • прогноз ставок налога, пошлин, ставок рефинансирования Банка России и других финансовых нормативов государственного регулирования. С помощью этих данных необходимо исследовать влияние инфляции на ценовые показатели, потребность в финансировании и оборотном капитале. Составление маркетингового плана проходит в несколько этапов. 1. Прогноз объема продаж на рынках для каждого года. 2. Расчет затрат на реализуемую продукцию и услуги на основе прогноза объемов продаж, действующих нормативов, ценовой политики и условий реализации, 3. Описание контрагентов, их надежности, распределение контрактов по времени, затраты по контрагентам. 4. Расчет обеспеченности сырьем, энергией, водой (технической и питьевой), запасными частями и эксплуатационными материалами на ближайшие 5 лет, обеспеченность трудовыми ресурсами.

2.3. конъюнктура инвестиционного рынка • Инвестиционная стратегия предприятия, Наталия Ивановна Лахметкина, 2006

2.3. конъюнктура инвестиционного рынка

Состояние инвестиционного рынка характеризуют такие его элементы, как спрос, предложение, цена и конкуренция. Соотношение этих элементов рынка постоянно меняется под влиянием множества различных факторов как общеэкономического, так и внутрирыночного характера.

Степень активности инвестиционного рынка, соотношение отдельных его элементов определяются путем изучения рыночной конъюнктуры. Конъюнктура инвестиционного рынка — совокупность факторов, определяющих сложившееся соотношение спроса, предложения, уровня цен, конкуренции и объемов реализации на инвестиционном рынке или его сегменте.

Конъюнктура инвестиционного рынка циклична. Этот цикл включает четыре основные стадии: подъем, конъюнктурный бум, ослабление и спад конъюнктуры.

Подъем конъюнктуры связан с оживлением экономики в целом. Характерными для нее являются: рост объема спроса на объекты инвестирования, повышение уровня цен на них, развитие конкуренции среди инвестиционных посредников.

Конъюнктурный бум характеризуется резким возрастанием спроса на все объекты инвестирования. При этом спрос уже не может быть полностью удовлетворен предложением, имеющимся на рынке. Одновременно растут цены на объекты инвестирования, повышаются доходы инвесторов и инвестиционных посредников.

Ослабление конъюнктуры связано со снижением инвестиционной активности в результате общеэкономического спада. Происходит практически полное насыщение спроса на объекты инвестирования и наблюдается некоторый избыток их предложения. Сначала стабилизируются цены на большинство объектов инвестирования, затем происходит их медленное снижение. Одновременно снижаются доходы инвесторов и инвестиционных посредников.

Признаком конъюнктурного спада инвестиционного рынка является критически низкий уровень инвестиционной активности, самый низкий уровень спроса и резкое сокращение объема предложения объектов инвестирования, хотя уровень предложения превышает спрос. При этом существенно снижаются цены на объекты инвестирования, доходы участников рынка падают до самого низкого уровня, возможны даже убытки в отдельных сферах инвестиционной деятельности.

Циклическое развитие и постоянная изменчивость инвестиционного рынка обусловливают необходимость постоянного изучения и выявления основных тенденций развития текущей конъюнктуры, а также прогнозирования будущей конъюнктуры. Каждый инвестор должен знать состояние рынка, правильно его оценивать, уметь прогнозировать изменение ситуации для того, чтобы выживать и развиваться в условиях рынка. Без знания степени развития и активности инвестиционного рынка невозможно принятие грамотных, экономически’обоснованных инвестиционных решений. Именно эти знания ложатся в основу разработки эффективной инвестиционной стратегии бизнеса. Ошибки и просчеты инвестора в оценке инвестиционного рынка могут повлечь за собой снижение уровня доходов, увеличить риск полной потери не только доходов, но и инвестируемого капитала.

Изучение конъюнктуры инвестиционного рынка включает: мониторинг, анализ и прогнозирование конъюнктуры.

Мониторинг предусматривает текущее наблюдение за инвестиционной активностью: за изменением системы показателей, характеризующих спрос, предложение, цены и уровень конкуренции. Основное внимание уделяется тем сегментам рынка, в которых ведется или предполагается инвестиционная деятельность. Результаты мониторинга отражаются на графиках изменения конъюнктуры, представляются в виде таблиц, диаграмм и других форм наблюдений.

Анализ текущей конъюнктуры инвестиционного рынка имеет целью выявление тенденций ее развития на основе исследования особенностей отдельных сегментов инвестиционного рынка и тех изменений, которые происходят на рынке по сравнению с предшествующим периодом. Анализ предполагает в первую очередь проведение расчетов системы аналитических показателей, характеризующих текущую конъюнктуру на основе информации, собранной в процессе мониторинга, а затем определение предпосылок к изменению текущего конъюнктурного цикла инвестиционногорынка.

Прогнозирование конъюнктуры инвестиционного рынка необходимо для выбора основных направлений стратегии инвестиционной деятельности и формирования инвестиционного портфеля. Основная цель прогноза — выявление тенденции развития факторов, определяющих в перспективе конъюнктуру рынка. Для составления прогноза необходимо определить горизонт прогнозирования, выбрать методы и сделать прогнозные расчеты.

Горизонт прогнозирования может быть долгосрочным, среднесрочным и краткосрочным. Долгосрочный прогноз связан с выработкой инвестиционной стратегии и формированием инвестиционного портфеля, включающего крупномасштабные капиталоемкие объекты реального инвестирования. Может разрабатываться на срок свыше трех лет. Среднесрочный прогноз необходим для корректировки инвестиционной стратегии предприятия; формирования инвестиционного портфеля за счет отдельных не слишком реальных капиталоемких инвестиционных проектов, долгосрочных финансовых инструментов; реинвестирования капитала, вложенного в неэффективные проекты. Разрабатывается на срок от одного года до трех лет. Краткосрочный прогноз необходим для выработки тактики инвестирования и формирования инвестиционного портфеля за счет различных краткосрочных финансовых инструментов. Такой прогноз составляется на основе учета влияния на конъюнктуру инвестиционного рынка факторов, имеющих кратковременный, случайный характер. Период составления краткосрочного прогноза не превышает одного года.

В современных условиях прогнозирование конъюнктуры инвестиционного рынка осуществляется двумя основными методами: фундаментальным и техническим. Фундаментальный метод основан на изучении общеэкономических и внутрирыночных факторов, влияющих на спрос, предложение, цены и уровень конкуренции, и на определении возможного изменения этих факторов в прогнозируемом периоде. Технический метод основан на распространении выявленной в процессе анализа конъюнктурной тенденции на прогнозируемый период. Фундаментальный метод в большей степени используется для долгосрочного и среднесрочного прогнозирования, технический — для построения краткосрочных прогнозов. Часто на практике эти методы дополняются методом экспертных оценок.

Прогнозирование фондового рынка с использованием анализа временных рядов

«Фондовый рынок предназначен для перевода денег от активных к терпеливым». ― Уоррен Баффет


 

Общие исследования, связанные с фондовым рынком или рынком акций, в значительной степени не сосредоточены ни на покупке, ни на продаже, но не учитывают размерность и ожидания нового инвестора. Общая тенденция в отношении фондового рынка в обществе заключается в том, что он очень рискован для инвестиций или не подходит для торговли, поэтому большинство людей даже не заинтересованы. Сезонная изменчивость и постоянный поток любого индекса помогут как существующим, так и наивным инвесторам понять и принять решение об инвестировании в рынок акций/акций.

Для решения таких проблем анализ временных рядов будет лучшим инструментом для прогнозирования тренда или даже будущего. График тренда будет служить адекватным руководством для инвестора.

Итак, давайте разберемся с этой концепцией в мельчайших деталях и воспользуемся методом машинного обучения для прогнозирования запасов.

 

Фондовый рынок

 

Акции или акции (также известные как «капитал компании») — это финансовый инструмент, который представляет собой право собственности на компанию или корпорацию и представляет собой пропорциональное право требования на ее активы (то, чем она владеет) и прибыль (то, что она генерирует в виде прибыли).— Инвестопедия

Фондовый рынок — это рынок, обеспечивающий беспрепятственный обмен куплей и продажей акций компаний. Каждая фондовая биржа имеет собственное значение фондового индекса. Индекс представляет собой среднее значение, которое рассчитывается путем объединения нескольких акций. Это помогает представлять весь фондовый рынок и прогнозировать движение рынка с течением времени. Фондовый рынок может оказать огромное влияние на людей и экономику страны в целом. Таким образом, эффективное прогнозирование трендов акций может свести к минимуму риск убытков и максимизировать прибыль.

Как работает фондовый рынок?

Принцип работы фондового рынка довольно прост. Работая подобно аукционному дому, фондовый рынок позволяет покупателям и продавцам договариваться о ценах и заключать сделки.

Фондовый рынок работает через сеть бирж — возможно, вы слышали о Нью-Йоркской фондовой бирже, Nasdaq или Sensex. Компании размещают свои акции на бирже с помощью процесса, называемого первичным публичным предложением или IPO.Инвесторы покупают эти акции, что позволяет компании привлекать деньги для развития своего бизнеса. Затем инвесторы могут покупать и продавать эти акции между собой, а биржа отслеживает спрос и предложение на каждую торгуемую акцию.

Спрос и предложение помогают определить цену каждой ценной бумаги или уровни, на которых участники фондового рынка — инвесторы и трейдеры — готовы покупать или продавать.

Как устанавливаются цены на акции

Чтобы фактически купить акции на фондовой бирже, инвесторы обращаются к брокерам — посредникам, обученным науке о торговле акциями, которые могут в любой момент получить инвестору акции по справедливой цене.Инвесторы просто сообщают своему брокеру, какие акции им нужны, сколько акций они хотят и обычно в общем ценовом диапазоне. Это называется «заявкой» и подготавливает почву для совершения сделки. Если инвестор хочет продать акции, он сообщает своему брокеру, какие акции продавать, сколько акций и по какой цене. Этот процесс называется «предложением» или «ценой спроса».

Предсказать поведение фондового рынка — одна из самых сложных задач. В предсказании задействовано так много факторов — физические факторы и физические факторы.физиологическое, рациональное и иррациональное поведение и т. д. Все эти аспекты в совокупности делают цены на акции неустойчивыми и очень трудно предсказуемыми с высокой степенью точности.

 

Машинное обучение на фондовом рынке

 
Фондовые и финансовые рынки, как правило, непредсказуемы и даже нелогичны, как и результаты голосования по Brexit или последних выборов в США. В силу этих особенностей финансовые данные обязательно должны иметь довольно турбулентную структуру, что часто затрудняет поиск надежных закономерностей.Для моделирования турбулентных структур требуются алгоритмы машинного обучения, способные находить скрытые структуры в данных и предсказывать, как они повлияют на них в будущем. Наиболее эффективной методологией для достижения этого является машинное обучение и глубокое обучение. Глубокое обучение может легко работать со сложными структурами и извлекать взаимосвязи, что еще больше повышает точность генерируемых результатов.

Машинное обучение может упростить весь процесс за счет анализа больших блоков данных, выявления важных закономерностей и создания единого результата, который направляет трейдеров к конкретному решению на основе прогнозируемых цен на активы.


 

Цены на акции не являются случайно генерируемыми значениями, их можно рассматривать как модель дискретных временных рядов, основанную на наборе четко определенных числовых элементов данных, собранных в последовательных точках через равные промежутки времени. Поскольку важно определить модель для анализа тенденций цен на акции с адекватной информацией для принятия решений, рекомендуется, чтобы преобразование временных рядов с использованием ARIMA было лучшим алгоритмическим подходом, чем прямое прогнозирование, поскольку оно дает более достоверные и надежные результаты.

Модель авторегрессионного интегрированного скользящего среднего (ARIMA) преобразует нестационарные данные в стационарные перед обработкой. Это одна из самых популярных моделей для прогнозирования данных линейных временных рядов.

Модель

ARIMA широко используется в области финансов и экономики, поскольку она известна своей надежностью, эффективностью и большим потенциалом для краткосрочного прогнозирования рынка акций.

 

Внедрение прогнозирования цен на акции

 
Набор данных состоит из данных фондового рынка  Altaba Inc .и его можно скачать отсюда.

Данные показывают цену акций Altaba Inc с 1996–04–12 по 2017–11–10 . Цель состоит в том, чтобы обучить модель ARIMA с оптимальными параметрами, которые будут прогнозировать цену закрытия акций на тестовых данных.

Если вы хотите больше узнать об анализе временных рядов, я бы порекомендовал вам прочитать эту статью, чтобы лучше понять, как работает анализ временных рядов.

Итак, начнем с загрузки всех необходимых библиотек:

 импорт ОС
предупреждения об импорте
предупреждения. Предупреждения фильтра('игнорировать')
импортировать numpy как np
импортировать панд как pd
импортировать matplotlib.pyplot как plt
plt.style.use('пять тридцать восемь')
из pylab импортировать rcParams
rcParams['figure.figsize'] = 10, 6
из statsmodels.tsa.stattools импортировать adfuller
из statsmodels.tsa.seasonal импорта Season_decompose
из statsmodels.tsa.arima_model импортировать ARIMA
из pmdarima.arima импортировать auto_arima
из sklearn.metrics импортировать mean_squared_error, mean_absolute_error
импортировать математику
импортировать numpy как np

Загрузить набор данных.

 dateparse = лямбда-даты: pd.datetime.strptime(даты, '%Y-%m-%d')
data = pd.read_csv('/Users/nageshsinghchauhan/Downloads/ML/time_series/stock-market/aaba.us.txt',sep=',', index_col='Дата', parse_dates=['Дата'], date_parser =dateparse).fillna(0)

набор данных

 

Визуализируйте цену закрытия акции за день.

 #цена закрытия участка
plt. figure(figsize=(10,6))
plt.grid(Истина)
plt.xlabel('Даты')
plt.ylabel('Цены закрытия')
пл.график (данные ['Закрыть'])
plt.title('Цена закрытия Altaba Inc.')
plt.show()

Цена закрытия Altaba Inc.

 

Построим диаграмму рассеяния:

 df_close = данные['Закрыть']
df_close.plot (стиль = 'к.')
plt.title('График рассеяния цены закрытия')
plt.show()

Точечная диаграмма цены акции на момент закрытия

 

Мы также можем визуализировать данные в нашей серии с помощью распределения вероятностей.


Распределение цены акций на конец периода

 

Кроме того, считается, что данный временной ряд состоит из трех систематических компонентов, включая уровень, тренд, сезонность, и одного несистематического компонента, называемого шумом.

Эти компоненты определяются следующим образом:

  • Уровень : Среднее значение в ряду.
  • Тренд : Увеличение или уменьшение значения в ряду.
  • Сезонность : Повторяющийся краткосрочный цикл в ряду.
  • Шум : Случайное изменение в ряду.

Во-первых, нам нужно проверить, является ли ряд стационарным или нет, потому что анализ временных рядов работает только со стационарными данными.

ADF (расширенный тест Дики-Фуллера)

Тест Дики-Фуллера — один из самых популярных статистических тестов. Его можно использовать для определения наличия единичного корня в ряду и, следовательно, помочь нам понять, является ли ряд стационарным или нет. Нулевая и альтернативная гипотеза этого теста:

Нулевая гипотеза:  Ряд имеет единичный корень (значение a = 1)

Альтернативная гипотеза:  Ряд не имеет единичного корня.

Если мы не можем отвергнуть нулевую гипотезу, мы можем сказать, что ряд нестационарен. Это означает, что ряд может быть линейным или разностно-стационарным.

Если и среднее значение, и стандартное отклонение представляют собой плоские линии (постоянное среднее значение и постоянная дисперсия), ряд становится стационарным.

Итак, проверим стационарность:

 #Тест на стационарность
def test_stationarity (временной ряд):
    #Определение скользящей статистики
    rolmean = timeseries.rolling(12).значит()
    rolstd = timeseries.rolling(12).std()
    # График скользящей статистики:
    plt.plot(timeseries, color='blue',label='Original')
    plt.plot(rolmean, color='red', label='Rolling Mean')
    plt.plot(rolstd, color='black', label = 'Rolling Std')
    plt.legend(loc='лучший')
    plt.title('Скользящее среднее и стандартное отклонение')
    plt.show (блок = ложь)
    
    print("Результаты теста Дики Фуллера")
    adft = adfuller (timeseries, autolag = 'AIC')
    # вывод для dft даст нам, не определяя, что это за значения.#поэтому мы вручную пишем, какие значения это объясняет, используя цикл for
    output = pd.Series(adft[0:4],index=['Статистика теста','p-значение','Количество используемых задержек','Количество использованных наблюдений'])
    для ключа, значения в adft[4]. items():
        output['критическое значение (%s)'%key] = значения
    печать (вывод)
    
test_stationarity (df_close)

На приведенном выше графике мы можем видеть увеличение среднего значения и стандартного отклонения, и, следовательно, наш ряд не является стационарным.


Результаты теста Дики-Фуллера

 

Мы видим, что значение p больше 0,05, поэтому мы не можем отвергнуть нулевую гипотезу . Кроме того, тестовая статистика превышает критические значения. поэтому данные нестационарны.

Чтобы выполнить анализ временных рядов, нам может потребоваться отделить сезонность и тренд от нашего ряда. Результирующий ряд станет стационарным в результате этого процесса.

Итак, давайте отделим Тренд и Сезонность от временного ряда.

 результат = сезонное_разложение (df_close, модель = 'мультипликативный', частота = 30)
рис = plt.figure()
рис = результат.участок()
fig.set_size_inches(16, 9)

мы начинаем с логарифмирования ряда, чтобы уменьшить величину значений и уменьшить восходящий тренд в ряду. Затем, получив логарифм ряда, мы находим скользящее среднее ряда. Скользящее среднее рассчитывается путем ввода данных за последние 12 месяцев и предоставления среднего значения потребления в каждой точке, расположенной дальше по ряду.

 из pylab import rcParams
rcParams['figure.figsize'] = 10, 6
df_log = np.log (df_close)
moving_avg = df_log.rolling(12).mean()
std_dev = df_log.rolling(12).std()
plt.legend(loc='лучший')
plt.title('Скользящее среднее')
plt.plot(std_dev, color="black", label="Стандартное отклонение")
plt.plot(moving_avg, color="red", label="Среднее")
plt.legend()
plt.show()

Теперь мы создадим модель ARIMA и будем обучать ее цене закрытия акции на данных поезда.Итак, давайте разделим данные на обучающий и тестовый наборы и визуализируем их.

 # разделить данные на поезд и обучающий набор
train_data, test_data = df_log[3:int(len(df_log)*0.9)], df_log[int(len(df_log)*0.9):]
plt.figure(figsize=(10,6))
plt.grid(Истина)
plt. xlabel('Даты')
plt.ylabel('Цены закрытия')
plt.plot(df_log, 'зеленый', label='Обучить данные')
plt.plot(test_data, 'синий', label='Тестовые данные')
plt.legend()

Пришло время выбрать параметры p,q,d для модели ARIMA.В прошлый раз мы выбирали значения p, d и q, наблюдая за графиками ACF и PACF, но теперь мы собираемся использовать Auto ARIMA, чтобы получить наилучшие параметры, даже не строя графики ACF и PACF.

Auto ARIMA: Автоматическое определение оптимального порядка для модели ARIMA.
Функция  auto_arima  ищет наиболее оптимальные параметры для модели ARIMA и возвращает подобранную модель ARIMA. Эта функция основана на часто используемой функции R, , прогноз::авто.арима .
Функция auro_arima  работает путем проведения дифференциальных тестов (например, Квятковского–Филлипса–Шмидта–Шина, расширенного Дики-Фуллера или Филлипса–Перрона) для определения порядка дифференцирования, d , и в пределах определенных диапазонов start_p , max_p , start_q , max_q  Если сезонный необязательно включен, AUTO_ARIMA 9004 AUTO_ARIMA также стремится определить оптимальные P и Q Hyper-Paraments после проведения Canova-Hansen, чтобы определить оптимальный порядок сезонного различия , Д .

 model_autoARIMA = auto_arima(train_data, start_p=0, start_q=0,
                      test='adf', # используйте adftest для поиска оптимального 'd'
                      max_p=3, max_q=3, # максимум p и q
                      m=1, # частота серии
                      d=Нет, # позволить модели определить 'd'
                      сезонный = False, # нет сезонности
                      старт_P=0,
                      Д=0,
                      трассировка = Верно,
                      error_action = 'игнорировать',
                      подавлять_предупреждения = Верно,
                      stepwise = True) печать (model_autoARIMA.резюме())

Таким образом, модель Auto ARIMA предоставила значения p, d и q как 3, 1 и 2 соответственно.

Прежде чем двигаться дальше, давайте рассмотрим остаточные графики из автоматического ARIMA.

 model_autoARIMA.plot_diagnostics (figsize = (15,8))
plt.show()

Итак, как интерпретировать диагностику сюжета?

Вверху слева:  Похоже, остаточные ошибки колеблются вокруг среднего значения, равного нулю, и имеют равномерную дисперсию.

Вверху справа:  График плотности указывает на нормальное распределение с нулевым средним значением.

Внизу слева:  Все точки должны точно совпадать с красной линией. Любые значительные отклонения будут означать, что распределение асимметрично.

Внизу справа:  Коррелограмма, также известная как график ACF, показывает, что остаточные ошибки не автокоррелированы. Любая автокорреляция будет означать, что в остаточных ошибках есть какая-то закономерность, которая не объясняется в модели. Поэтому вам нужно будет искать больше X (предикторов) для модели.

В целом, он подходит.Начнем прогнозировать цены акций.

Затем создайте модель ARIMA с заданными оптимальными параметрами p, d и q.

Модель
 = ARIMA (данные_поезда, порядок = (3, 1, 2))
приспособлено = модель.подгонка (дисп = -1)
печать (установлено.summary())

Теперь давайте начнем прогнозировать цены акций на тестовом наборе данных, сохраняя уровень достоверности 95%.

 # Прогноз
fc, se, conf = fit.forecast(544, alpha=0.05) # 95% достоверность
fc_series = pd.Series(fc, index=test_data.показатель)
Lower_series = pd.Series(conf[:, 0], index=test_data.index)
upper_series = pd.Series(conf[:, 1], index=test_data.index)
plt.figure(figsize=(12,5), dpi=100)
plt.plot(train_data, метка='обучение')
plt.plot(test_data, color = 'синий', label='Фактическая цена акции')
plt.plot(fc_series, color = 'оранжевый', label='Прогнозируемая цена акции')
plt.fill_between (нижняя_серия.индекс, нижняя_серия, верхняя_серия,
                 цвет='k', альфа=.10)
plt.title('Altaba Inc.Прогноз цен на акции')
plt.xlabel('Время')
plt.ylabel('Фактическая цена акции')
plt.legend(loc='верхний левый', размер шрифта=8)
plt.show()

Как видите, наша модель справилась довольно неплохо. Давайте также проверим часто используемые показатели точности для оценки результатов прогноза:

 # отчет о производительности
mse = среднеквадратическая_ошибка (тестовые_данные, fc)
print('MSE: '+str(mse))
mae = mean_absolute_error(test_data, fc)
print('MAE: '+str(mae))
rmse = математика. sqrt (mean_squared_error (test_data, fc))
print('RMSE: '+str(rmse))
mape = np.mean (np.abs (fc - test_data)/np.abs (test_data))
print('MAPE: '+str(mape))

Выход:

  СКО: 0,03330921053066402
МАЭ: 0,13801238336759786
СКО: 0,18250811086267923
КАРТА: 0,035328833278944705

Около 3,5% MAPE (средняя абсолютная ошибка в процентах) означает, что модель примерно 96,5%  точна в прогнозировании наблюдений тестового набора.


 

Поздравляю.Теперь вы знаете, как построить модель ARIMA для прогнозирования цен на акции.

 

Заключение

 
В этой статье данные были получены с сайта kaggle.com. Для анализа были взяты исторические данные с 1996 по 2017 год. Методология BoxJenkins (модель ARIMA) обучена и прогнозирует цены акций на тестовом наборе данных.

Что ж, это все, что касается этой статьи. Надеюсь, вам понравилось ее читать. Не стесняйтесь делиться своими комментариями/мыслями/отзывами в разделе комментариев.


 

 
Биография: Нагеш Сингх Чаухан — энтузиаст науки о данных. Интересуюсь большими данными, Python, машинным обучением.

Оригинал. Перепечатано с разрешения.

Родственный:

Прогнозирование фондового рынка с использованием вычислительного интеллекта: обзор

  • 1.

    Lin CS, Chiu SH, Lin TY (2012) Метод наименьших квадратов на основе декомпозиции эмпирического режима поддерживает векторную регрессию для прогнозирования валютного курса.Эконом Модель 29(6):2583–2590

    Google Scholar

  • 2.

    Tay FE, Cao L (2001) Применение машин опорных векторов в прогнозировании финансовых временных рядов. Омега 29(4):309–317

    Google Scholar

  • 3.

    Lam M (2004) Методы нейронных сетей для прогнозирования финансовых результатов: интеграция фундаментального и технического анализа. Система поддержки Decis 37(4):567–581

    Google Scholar

  • 4.

    Мерфи Дж. Дж. (1999) Технический анализ финансовых рынков. Нью-Йоркский институт финансов, Нью-Йорк

    Google Scholar

  • 5.

    Miao K, Chen F, Zhao ZG (2007) Прогноз цен на акции на основе нейронной сети RBF бактериальных колоний. J Qingdao Univ (Nat Sci Ed) 2(11):2–11

    Google Scholar

  • 6.

    Nassirtoussi AK, Wah TY, Ling DNC (2011) Новая методология прогнозирования FOREX, основанная на фундаментальных данных.Afr J Bus Manag 5(20):8322–8330

    Google Scholar

  • 7.

    Haleh H, Moghaddam BA, Ebrahimijam S (2011) Новый подход к прогнозированию цен на акции с использованием данных EKF. Int J Trade Econ Finance 2(2):109–114

    Google Scholar

  • 8.

    Wang JZ, Wang JJ, Zhang ZG, Guo SP (2011) Прогнозирование фондовых индексов с помощью нейронной сети обратного распространения. Приложение Expert Syst 38(11):14346–14355

    Google Scholar

  • 9.

    Box GE, Jenkins GM, Reinsel GC, Ljung GM (2015) Анализ временных рядов: прогнозирование и контроль. Wiley, Нью-Йорк

    МАТЕМАТИКА Google Scholar

  • 10.

    Кумар Д., Муруган С. (2013) Анализ эффективности индекса индийского фондового рынка с использованием модели временных рядов нейронной сети. В кн.: Международная конференция по распознаванию образов, информатике и мобильной инженерии. IEEE, стр. 72–78

  • 11.

    Si YW, Yin J (2013) Подход к сегментации финансовых временных рядов на основе OBST.Eng Appl Artif Intell 26(10):2581–2596

    Google Scholar

  • 12.

    Адебии А.А., Айо К.К., Адебии М.О., Отокити С.О. (2012) Прогнозирование цен на акции с использованием нейронной сети с гибридными рыночными индикаторами. J Emerg Trends Comput Inf Sci 3(1):1–9

    Google Scholar

  • 13.

    Cortes C, Vapnik V (1995) Сети опорных векторов. Mach Learn 20(3):273–297

    МАТЕМАТИКА Google Scholar

  • 14.

    Bone R, Crucianu M (2002) Прогнозирование на несколько шагов вперед с помощью нейронных сетей: обзор. 9emes rencontres internationales: Approches Connexionnistes en Sciences 2:97–106

    Google Scholar

  • 15.

    Атсалакис С., Валаванис К.П. (2009) Исследование методов прогнозирования фондового рынка — часть II: методы мягких вычислений. Приложение Expert Syst 36(3):5932–5941

    Google Scholar

  • 16.

    Cavalcante RC, Brasileiro RC, Souza VL, Nobrega JP, Oliveira AL (2016) Вычислительный интеллект и финансовые рынки: обзор и будущие направления. Приложение Expert Syst 55:194–211

    Google Scholar

  • 17.

    Никфарджам А., Эмадзаде Э., Мутайя С. (2010) Методы анализа текста для прогнозирования фондового рынка. В: Международная конференция по вычислительной технике и автоматизации. IEEE, стр. 256–260

  • 18.

    Li Y, Ma W (2010) Применение искусственных нейронных сетей в финансовой экономике: обзор.В: Международный симпозиум по вычислительному интеллекту и дизайну. IEEE, стр. 211–214

  • 19.

    Ривера Р.А., Рендон М.В., Ортис Дж.Р. (2015) Генетические алгоритмы и дарвиновские подходы в финансовых приложениях: обзор. Приложение Expert Syst 42(21):7684–7697

    Google Scholar

  • 20.

    Agrawal JG, Chourasia VS, Mittra AK (2013) Современные методы прогнозирования запасов. Int J Adv Res Electr Electron Instrum Eng 2(4):1360–1366

    Google Scholar

  • 21.

    Кумар Б.С., Рави В. (2016) Обзор приложений интеллектуального анализа текста в финансовой сфере. Система знаний 114:128–147

    Google Scholar

  • 22.

    Сони С. (2011) Применение ИНС в прогнозировании фондового рынка: обзор. Int J Comput Sci Eng Technol 2(3):71–83

    Google Scholar

  • 23.

    Border J, Evan JH (2014) Фондовый рынок для начинающих. Независимая издательская платформа CreateSpace, Скоттс-Вэлли

    Google Scholar

  • 24.

    Сетти Д.В., Рангасвами Т.М., Субраманья К.Н. (2010) Обзор приложений интеллектуального анализа данных для повышения эффективности фондового маркетинга. Приложение Int J Comput 1(3):24–34

    Google Scholar

  • 25.

    Sarwar G (2012) Является ли VIX индикатором страха инвесторов на фондовых рынках стран БРИК? J Multinatl Finance Manag 22(3):55–65

    MathSciNet Google Scholar

  • 26.

    Чандра А., Тенможи М. (2015) Об асимметричной связи индийского индекса волатильности (Индия VIX) с доходностью фондового рынка и управлением рисками. Решение 42(1):33–55

    Google Scholar

  • 27.

    https://www.investopedia.com/terms/t/totalreturn.asp

  • 28.

    https://www.investopedia.com/terms/a/averagereturn.asp

  • 29.

    Броквелл П.Дж., Дэвис Р.А., Колдер М.В. (2002) Введение во временные ряды и прогнозирование. Springer, Берлин

    МАТЕМАТИКА Google Scholar

  • 30.

    Metcalfe AV, Cowpertwait PS (2009) Вводный временной ряд с Р. Спрингером, Берлин, стр. 2–5

    MATH Google Scholar

  • 31.

    Leigh W, Purvis R, Ragusa JM (2002) Прогнозирование составного индекса NYSE с помощью технического анализа, распознавателя образов, нейронной сети и генетического алгоритма: тематическое исследование поддержки принятия романтических решений. Система поддержки Decis 32(4):361–377

    Google Scholar

  • 32.

    Tsinaslanidis PE, Kugiumtzis D (2014) Схема прогнозирования с использованием важных для восприятия точек и динамического искажения времени. Приложение Expert Syst 41(6):848–860

    Google Scholar

  • 33.

    Ибрагим Д. (2016) Обзор мягких вычислений. Procedia Comput Sci 102:34–38

    Google Scholar

  • 34.

    Karray O, Silva CD (2004) Мягкие вычисления и проектирование интеллектуальных систем: теория, инструменты и приложения.Pearson Education, Лондон

    Google Scholar

  • 35.

    Pedrycz W (1990) Нечеткие множества в распознавании образов: методология и методы. Распознавание образов 23(1):121–146

    Google Scholar

  • 36.

    Юхас Б., Ансари Н. (2012) Нейронные сети в телекоммуникациях. Springer, Берлин

    МАТЕМАТИКА Google Scholar

  • 37.

    Dote Y, Hoft RG (1998) Интеллектуальное управление: силовые электронные системы. Издательство Оксфордского университета, Оксфорд

    МАТЕМАТИКА Google Scholar

  • 38.

    Комори Ю.А. (1992) Нейронно-нечеткий подход к обучению для постоянного улучшения распознавания речи. В: Материалы международной конференции IEEE по акустике, речи и обработке сигналов, том 1, стр. 405–408

  • 39.

    Cichocki A, Unbehauen R (1993) Нейронные сети для оптимизации и обработки сигналов.Уайли, Хобокен

    МАТЕМАТИКА Google Scholar

  • 40.

    Рой Р., Фурухаши Т., Чаудхри П.К. (1998) Достижения в области мягких вычислений: проектирование и производство. Springer, Берлин

    Google Scholar

  • 41.

    Хайкин С. (1999) Нейронная сеть: всеобъемлющая основа. Прентис-холл, река Аппер-Сэдл

    МАТЕМАТИКА Google Scholar

  • 42.

    Goh AT (1995) Нейронные сети с обратным распространением для моделирования сложных систем. Артиф Интелл Eng 9(3):143–151

    Google Scholar

  • 43.

    Saerens M (2002) Нейронный контроллер на основе алгоритма обратного распространения. IEE Proc Radar Signal Process 138(1):55–62

    Google Scholar

  • 44.

    Заде Л.А. (1994) Нечеткая логика, нейронные сети и мягкие вычисления. Коммуна АСМ 37(3):77–84

    Google Scholar

  • 45.

    Holland JH (1992) Адаптация в естественных и искусственных системах: вводный анализ с приложениями к биологии, контролю и искусственному интеллекту. MIT Press, Кембридж

    Google Scholar

  • 46.

    Coley DA (2003) Введение в генетические алгоритмы для ученых и инженеров. World Scientific Publishing Co, Сингапур

    Google Scholar

  • 47.

    Реза Х., Шахраби Дж., Хадаванди Э. (2015) Мультиагентная система с нейронной сетью летучих мышей (BNNMAS) для прогнозирования цен на акции: тематическое исследование цены акций DAX.Appl Soft Comput 29:196–210

    Google Scholar

  • 48.

    Кумар Д., Мегвани С.С., Такур М. (2016)Гибридные модели прогнозирования на основе проксимальных опорных векторов для прогнозирования тенденций на финансовых рынках. J Comput Sci 17:1–13

    MathSciNet Google Scholar

  • 49.

    Wang J, Wang J (2017) Прогнозирование стохастической нейронной сети на основе декомпозиции финансового эмпирического режима.Нейронная сеть 90:8–20

    Google Scholar

  • 50.

    Lu CJ (2010) Интеграция схемы шумоподавления на основе анализа независимых компонентов с нейронной сетью для прогнозирования цен на акции. Приложение Expert Syst 37(10):7056–7064

    Google Scholar

  • 51.

    Асади С., Хадаванди Э., Мехманпазир Ф., Нахостин М.М. (2012) Гибридизация эволюционных нейронных сетей Левенберга-Марквардта и предварительная обработка данных для прогнозирования фондового рынка.Система знаний 35:245–258

    Google Scholar

  • 52.

    Chang PC, Liu CH (2008) Система на основе нечетких правил типа TSK для прогнозирования цен на акции. Приложение Expert Syst 34(1):135–144

    Google Scholar

  • 53.

    Эсфаханипур А., Агамири В. (2010) Адаптированная нейро-нечеткая система вывода на базе нечетких правил косвенного подхода TSK для анализа фондового рынка. Приложение Expert Syst 37(7):4742–4748

    Google Scholar

  • 54.

    Dai W, Wu JY, Lu CJ (2012) Сочетание нелинейного анализа независимых компонентов и нейронной сети для прогнозирования индексов азиатского фондового рынка. Приложение Expert Syst 39(4):4444–4452

    Google Scholar

  • 55.

    Qiu MY, Song Y (2016) Прогнозирование направления движения индекса фондового рынка с использованием оптимизированной модели искусственной нейронной сети. PLoS ONE 11(5):1–11

    Google Scholar

  • 56.

    Qiu MY, Song Y, Akagi F (2016) Применение искусственной нейронной сети для прогнозирования доходности фондового рынка: случай японского фондового рынка. Солитоны Хаоса Фракталы 85:1–7

    MathSciNet Google Scholar

  • 57.

    Liu CF, Yeh CY, Lee SJ (2012) Применение нейро-нечеткого моделирования типа 2 в прогнозировании цен на акции. Appl Soft Comput 12(4):1348–1358

    Google Scholar

  • 58.

    Cheng CH, Yang JH (2018) Модель нечетких временных рядов, основанная на индукции правила грубого набора для прогнозирования цены акций. Нейрокомпьютинг 302:33–45

    Google Scholar

  • 59.

    Лей Л. (2018) Вейвлет-нейронный сетевой метод прогнозирования тренда цен на акции, основанный на уменьшении грубых заданных атрибутов. Appl Soft Comput 62:923–932

    Google Scholar

  • 60.

    Kara Y, Boyacioglu MA, Baykan OK (2011) Прогнозирование направления движения индекса цен на акции с использованием искусственных нейронных сетей и машин опорных векторов: пример Стамбульской фондовой биржи.Приложение Expert Syst 38(5):5311–5319

    Google Scholar

  • 61.

    Boyacioglu MA, Avci D (2010) Адаптивная система нечеткого вывода на основе сети (ANFIS) для прогнозирования доходности фондового рынка: случай Стамбульской фондовой биржи. Приложение Expert Syst 37(12):7908–7912

    Google Scholar

  • 62.

    Yolcu OC, Lam HK (2017) Комбинированный надежный метод нечетких временных рядов для прогнозирования временных рядов.Нейрокомпьютинг 247:87–101

    Google Scholar

  • 63.

    Патель Дж., Шах С., Таккар П., Котеча К. (2015) Прогнозирование индекса фондового рынка с использованием слияния методов машинного обучения. Приложение Expert Syst 42(4):2162–2172

    Google Scholar

  • 64.

    Патхак А., Шетти Н.П. (2019) Прогнозирование индийского фондового рынка с использованием машинного обучения и анализа настроений. Вычисление данных Intell Min 711:595–603

    Google Scholar

  • 65.

    Сенапати М.Р., Дас С., Мишра С. (2018) Новая модель прогнозирования цен на акции с использованием гибридной нейронной сети. J Inst Eng (Индия) Ser B 99(6):555–563

    Google Scholar

  • 66.

    Чопра С., Ядав Д., Чопра А.Н. (2019) Прогнозирование цен на индийском фондовом рынке на основе искусственных нейронных сетей: до и после демонетизации. Int J Swarm Intel Evol Comput 8(174):1–7

    Google Scholar

  • 67.

    Ратер А.М., Агарвал А., Састри В.Н. (2015) Рекуррентная нейронная сеть и гибридная модель для прогнозирования доходности акций. Приложение Expert Syst 42(6):3234–3241

    Google Scholar

  • 68.

    Патель Дж., Шах С., Таккар П., Котеча К. (2015) Прогнозирование движения акций и индексов цен на акции с использованием детерминированных тенденций подготовки данных и методов машинного обучения. Приложение Expert Syst 42(1):259–268

    Google Scholar

  • 69.

    Dash R, Dash P (2016) Эффективное прогнозирование цен на акции с использованием саморазвивающейся рекуррентной нейро-нечеткой системы вывода, оптимизированной с помощью модифицированного метода поиска дифференциальной гармонии. Приложение Expert Syst 52:75–90

    Google Scholar

  • 70.

    Dash R, Dash PK (2016) Гибридная платформа для торговли акциями, объединяющая технический анализ с методами машинного обучения. J Finance Data Sci 2(1):42–57

    Google Scholar

  • 71.

    Rout AK, Dash PK, Dash R, Bisoi R (2017) Прогнозирование финансовых временных рядов с использованием рекуррентной нейронной сети низкой сложности и подхода к эволюционному обучению. J King Saud Univ Comput Inf Sci 29(4):536–552

    Google Scholar

  • 72.

    Прадипкумар Д., Рави В. (2017) Прогнозирование волатильности финансовых временных рядов с использованием нейронной сети квантильной регрессии, обученной оптимизации роя частиц. Appl Soft Comput 58:35–52

    Google Scholar

  • 73.

    Пал С.С., Кар С. (2019) Модель нечетких временных рядов для интервалов разной длины с использованием генетического алгоритма. В: Информационные технологии и прикладная математика, том 699. Springer, стр. 205–216

  • 74.

    Раджаб С., Шарма В. (2019) Интерпретируемый нейро-нечеткий подход к прогнозированию цен на акции. Мягкие вычисления 23(3):921–936

    Google Scholar

  • 75.

    Найл О., Мэдден М.Г. (2006) Нейросетевой подход к прогнозированию движения фондовой биржи с использованием внешних факторов.Система знаний 19:371–378

    Google Scholar

  • 76.

    Wang J, Wang J (2015) Прогнозирование индексов фондового рынка с использованием анализа основных компонентов и стохастических нейронных сетей с временной эффективностью. Нейрокомпьютинг 156:68–78

    Google Scholar

  • 77.

    Liu F, Wang J (2012) Прогнозы колебаний индекса фондового рынка с помощью нейронной сети Лежандра со случайной функцией силы времени.Нейрокомпьютинг 83:12–21

    Google Scholar

  • 78.

    Chien YWC, Chen YL (2010) Правила ассоциативной классификации горнодобывающей промышленности с данными о торговле акциями — метод на основе ГА. Система знаний 23:605–614

    Google Scholar

  • 79.

    Zhang Y, Wu L (2009) Прогноз фондового рынка S&P 500 с помощью комбинации улучшенного подхода BCO и нейронной сети BP. Приложение Expert Syst 36:8849–8854

    Google Scholar

  • 80.

    Niaki STA, Hoseinzade S (2013) Прогнозирование индекса S&P 500 с использованием искусственных нейронных сетей и планирования экспериментов. J Ind Eng Int 9(1):1–9

    Google Scholar

  • 81.

    Hu H, Tang L, Zhang S, Wang H (2018) Прогнозирование направления фондовых рынков с использованием оптимизированных нейронных сетей с помощью Google Trends. Нейрокомпьютинг 285:188–195

    Google Scholar

  • 82.

    Казем А., Шарифи Э., Хуссейн Ф.К., Сабери М., Хуссейн О.К. (2013) Поддержка векторной регрессии с помощью алгоритма светлячка на основе хаоса для прогнозирования цен на фондовом рынке. Appl Soft Comput 13(2):947–958

    Google Scholar

  • 83.

    Chien YWC, Chen YL (2010) Правила ассоциативной классификации горнодобывающей промышленности с данными о торговле акциями — метод на основе ГА. Система знаний 23(6):605–614

    Google Scholar

  • 84.

    Zhong X, Enke D (2017) Прогнозирование ежедневной доходности фондового рынка с использованием уменьшения размерности. Приложение Expert Syst 67:126–139

    Google Scholar

  • 85.

    Чианг В.К., Энке Д., Ву Т., Ван Р. (2016) Адаптивная система поддержки принятия решений по торговле фондовыми индексами. Приложение Expert Syst 59:195–207

    Google Scholar

  • 86.

    Sheta AF, Ahmed SEM, Faris H (2015) Сравнение регрессии, искусственных нейронных сетей и машин опорных векторов для прогнозирования индекса фондового рынка. Мягкие вычисления 7:8

    Google Scholar

  • 87.

    Sadaei HJ, Enayatifar R, Lee MH, Mahmud M (2016) Гибридная модель, основанная на дифференциальных нечетких логических соотношениях и империалистическом конкурентном алгоритме для прогнозирования фондового рынка.Appl Soft Comput 40:132–149

    Google Scholar

  • 88.

    Jiang JA, Syue CH, Wang CH, Wang JC, Shieh JS (2018) Нечеткая логическая система интервального типа 2 для прогнозирования фондовых индексов на основе нечетких временных рядов и карты нечетких логических отношений. Доступ IEEE 6:69107–69119

    Google Scholar

  • 89.

    Chang PC, Wu JL, Lin JJ (2016) Нечеткая модель Такаги-Сугено в сочетании с регрессией опорного вектора для прогнозирования торговли акциями.Appl Soft Comput 38: 831–842

    Google Scholar

  • 90.

    Fischer T, Krauss C (2018)Глубокое обучение с долговременными сетями кратковременной памяти для прогнозов финансового рынка. Eur J Oper Res 270(2):654–669

    MathSciNet МАТЕМАТИКА Google Scholar

  • 91.

    Nayak SC, Misra BB, Behera HS (2017) Оптимизация искусственных химических реакций нейронных сетей для эффективного прогнозирования индексов фондового рынка.Айн Шамс Eng J 8 (3): 371–390

    Google Scholar

  • 92.

    Xiong T, Bao Y, Hu Z, Chiong R (2015) Прогнозирование интервальных временных рядов с использованием полностью комплексной нейронной сети RBF с алгоритмами DPSO и PSO. Inf Sci 305: 77–92

    Google Scholar

  • 93.

    Seo M, Lee S, Kim G (2019) Прогнозирование волатильности индекса фондового рынка с использованием гибридных моделей с внутренними трендами Google.Fluct Noise Lett 18(01):1950006, 1–17

  • 94.

    Zhou F, Zhou HM, Yang Z, Yang L (2019) Стратегия, сочетающая декомпозицию эмпирического режима и факторизацию, основанную на машинной нейронной сети для прогнозирования тенденций фондового рынка. . Приложение Expert Syst 115:136–151

    Google Scholar

  • 95.

    de Oliveira FA, Nobre CN, Zarate LE (2013) Применение искусственных нейронных сетей для прогнозирования цены акций и улучшения индекса прогнозирования направления — тематическое исследование PETR4, Petrobras, Бразилия.Приложение Expert Syst 40(18):596–7606

    Google Scholar

  • 96.

    Brasileiro RC, Souza VL, Fernandes B, Oliveira AL (2013) Автоматический метод торговли акциями, сочетающий технический анализ и алгоритм искусственной пчелиной колонии. В: Конгресс IEEE по эволюционным вычислениям. IEEE, стр. 1810–1817

  • 97.

    Хадаванди Э., Ганбари А., Аббасиан-Нагнех С. (2010) Разработка модели эволюционной нейронной сети для прогнозирования фондовых индексов. В: Huang DS, McGinnity M, Heutte L, Zhang XP (eds) Теории и приложения передовых интеллектуальных вычислений. ICIC 2010. Коммуникации в области компьютерных и информационных наук, том 93. Springer, Берлин, стр. 407–415

    . Google Scholar

  • 98.

    Rezaee MJ, Jozmaleki M, Valipour M (2018) Интеграция динамических нечетких C-средних, анализа оболочки данных и искусственной нейронной сети для онлайн-прогнозирования эффективности компаний на фондовой бирже.Phys A 489:78–93

    Google Scholar

  • 99.

    Ghasemiyeh R, Moghdani R, Sana SS (2017) Гибридная искусственная нейронная сеть с метаэвристическими алгоритмами для прогнозирования цены акций. Кибер Сист 48(4):365–392

    Google Scholar

  • 100.

    Wang J, Wang J, Fang W, Niu H (2016) Прогнозирование финансовых временных рядов с использованием повторяющихся случайных нейронных сетей Элмана. Вычислительная техника Intel Neurosci 2016:1–14

    Google Scholar

  • 101.

    Pang X, Zhou Y, Wang P, Lin W, Chang V (2018) Инновационный нейросетевой подход к прогнозированию фондового рынка. J Суперкомпьютер 74:1–21

    Google Scholar

  • 102.

    Тан Л., Ван С., Ван К. (2017) Новая адаптивная система нечеткого вывода на основе сети с адаптивными правилами корректировки для прогнозирования волатильности фондового рынка. Inf Process Lett 127:32–36

    MathSciNet МАТЕМАТИКА Google Scholar

  • 103.

    Mo H, Wang J, Niu H (2016) Экспоненциальное прогнозирование нейронной сети с обратным распространением для финансовой взаимной корреляции. Приложение Expert Syst 53:106–116

    Google Scholar

  • 104.

    Ян Ф., Чен З., Ли Дж., Тан Л. (2019) Новый гибридный метод отбора запасов с прогнозированием запасов. Appl Soft Comput 80:820–831

    Google Scholar

  • 105.

    Vanstone B, Finnie G, Hahn T (2012) Создание торговых систем с фундаментальными переменными и нейронными сетями: тематическое исследование Aby.Math Comput Simul 86: 78–91

    MathSciNet МАТЕМАТИКА Google Scholar

  • 106.

    Пулидо М., Мелин П., Кастильо О. (2014) Оптимизация роя частиц ансамблевых нейронных сетей с нечеткой агрегацией для прогнозирования временных рядов Мексиканской фондовой биржи. Inf Sci 280: 188–204

    MathSciNet МАТЕМАТИКА Google Scholar

  • 107.

    Inthachot M, Boonjing V, Intakosum S (2016) Гибридный интеллект искусственной нейронной сети и генетического алгоритма для прогнозирования тренда тайского индекса цен на акции.Вычислительная техника Intel Neurosci 2016:1–8

    Google Scholar

  • 108.

    Гоккен М., Озкаличи М., Бору А., Досдогру А.Т. (2016) Интеграция метаэвристики и искусственных нейронных сетей для улучшения прогнозирования цен на акции. Приложение Expert Syst 44:320–331

    Google Scholar

  • 109.

    Kim Y, Ahn W, Oh KJ, Enke D (2017) Интеллектуальная гибридная торговая система для определения правил торговли на фьючерсном рынке с использованием приблизительных наборов и генетических алгоритмов.Appl Soft Comput 55:127–140

    Google Scholar

  • 110.

    Chung H, Shin KS (2018) Оптимизированная генетическим алгоритмом сеть долгой краткосрочной памяти для прогнозирования фондового рынка. Устойчивое развитие 10(10):1–18

    Google Scholar

  • 111.

    Свалина И., Галзина В., Луйич Р., Симунович Г. (2013) Адаптивная сетевая система нечеткого вывода (ANFIS) для прогнозирования: случай близких индексов цен.Приложение Expert Syst 40(15):6055–6063

    Google Scholar

  • 112.

    Чурмузиадис К., Чацоглу П.Д. (2016) Интеллектуальная нечеткая система краткосрочной торговли акциями для помощи инвесторам в управлении портфелем. Приложение Expert Syst 43:298–311

    Google Scholar

  • 113.

    Feng HM, Chou HC (2011) Создание систем прогнозирования эволюционных RBFN в приложениях данных финансовых временных рядов.Приложение Expert Syst 38(7):8285–8292

    Google Scholar

  • 114.

    Hsu CM (2011) Гибридная процедура прогнозирования цен на акции путем интеграции самоорганизующейся карты и генетического программирования. Приложение Expert Syst 38(11):14026–14036

    Google Scholar

  • 115.

    Чанг Ю. Х., Ли М. С. (2017) Включение марковского процесса принятия решений в генетические алгоритмы для формулирования торговых стратегий для фондовых рынков.Appl Soft Comput 52:1143–1153

    Google Scholar

  • 116.

    Su CH, Cheng CH (2016) Гибридная модель нечетких временных рядов, основанная на ANFIS и интегрированном нелинейном методе выбора признаков для прогнозирования запасов. Нейрокомпьютинг 205:264–273

    Google Scholar

  • 117.

    Cai Q, Zhang D, Wu B, Leung SC (2013) Новая модель прогнозирования акций, основанная на нечетких временных рядах и генетическом алгоритме.Procedia Comput Sci 18:1155–1162

    Google Scholar

  • 118.

    Zhang R, Ashuri B, Deng Y (2017) Новый метод прогнозирования временных рядов на основе нечеткой логики и графика видимости. Adv Data Anal Classif 11(4):759–783

    MathSciNet МАТЕМАТИКА Google Scholar

  • 119.

    Yolcu OC, Alpaslan F (2018) Прогнозирование TAIEX на основе модели гибридных нечетких временных рядов с единым процессом оптимизации.Appl Soft Comput 66:18–33

    Google Scholar

  • 120.

    Kristjanpoller W, Minutolo MC (2018) Гибридная структура прогнозирования волатильности, объединяющая GARCH, искусственную нейронную сеть, технический анализ и анализ основных компонентов. Приложение Expert Syst 109:1–11

    Google Scholar

  • 121.

    Ticknor JL (2013) Байесовская регуляризованная искусственная нейронная сеть для прогнозирования фондового рынка.Приложение Expert Syst 40(14):5501–5506

    Google Scholar

  • 122.

    Мабу С., Обаяши М., Куремото Т. (2015) Изучение ансамбля основанного на правилах эволюционного алгоритма с использованием многослойного персептрона для поддержки решений в задачах торговли акциями. Appl Soft Comput 36: 357–367

    Google Scholar

  • 123.

    Zarandi MF, Hadavandi E, Turksen IB (2012)Гибридная нечеткая интеллектуальная агентная система для прогнозирования цен на акции.Int J Intelll Syst 27(11):947–969

    Google Scholar

  • 124.

    Шынкевич Ю., МакГиннити Т.М., Коулман С.А., Белатреш А., Ли Ю. (2017) Прогнозирование движения цен с использованием технических индикаторов: инвестирование влияния различной длины окна. Нейрокомпьютинг 264:71–88

    Google Scholar

  • 125.

    Лабуасьер Л.А., Фернандес Р.А., Лаге Г.Г. (2015) Прогнозирование максимальной и минимальной цены акций бразильских энергораспределительных компаний на основе искусственных нейронных сетей.Appl Soft Comput 35:66–74

    Google Scholar

  • 126.

    Пимента А., Наметала К.А., Гимарайнш Ф.Г., Каррано Э.Г. (2018) Автоматизированный метод инвестирования на фондовом рынке, основанный на многоцелевом генетическом программировании. Вычислительная экономика 52(1):125–144

    Google Scholar

  • 127.

    Weng B, Lu L, Wang X, Megahed FM, Martinez W (2018) Прогнозирование краткосрочных цен на акции с использованием ансамблевых методов и онлайн-источников данных. Приложение Expert Syst 112:258–273

    Google Scholar

  • 128.

    Гоккен М., Озкаличи М., Бору А., Досдогру А.Т. (2019) Прогнозирование цен на акции с использованием гибридных моделей мягких вычислений, включающих настройку параметров и выбор входной переменной. Приложение Neural Comput 31(2):577–592

    Google Scholar

  • 129.

    Zhang J, Teng YF, Chen W (2019) Поддержка векторной регрессии с модифицированным алгоритмом светлячка для прогнозирования цен на акции.ApplIntell 49(5):1658–1674

    Google Scholar

  • 130.

    Шах Х., Тайран Н., Гарг Х., Газали Р. (2018) Алгоритм быстрой искусственной пчелиной колонии, управляемый gbest, для прогнозирования цен на фондовом рынке. Симметрия 10(7):1–15

    Google Scholar

  • 131.

    Чандар С.К. (2019) Модель слияния вейвлет-преобразования и адаптивной нейро-нечеткой системы вывода для прогнозирования фондового рынка. J Ambient Intel Humaniz Comput 10:1–9

    Google Scholar

  • 132.

    Vanstone B, Finnie G (2009) Эмпирическая методология разработки систем торговли на фондовом рынке с использованием искусственных нейронных сетей. Приложение Expert Syst 36(3):6668–6680

    Google Scholar

  • 133.

    Тейшейра Л.А., Оливейра А. (2010) Метод автоматической торговли акциями, сочетающий технический анализ и классификацию ближайших соседей. Приложение Expert Syst 37(10):6885–6890

    Google Scholar

  • 134.

    Tsinaslanidis PE, Kugiumtzis D (2014) Схема прогнозирования с использованием важных для восприятия точек и динамического искажения времени. Приложение Expert Syst 41:6848–6860

    Google Scholar

  • 135.

    Bisoi R, Dash PK (2014) Гибридная эволюционная динамическая нейронная сеть для анализа и прогнозирования тенденций фондового рынка с использованием фильтра Калмана без запаха. Appl Soft Comput 19:41–56

    Google Scholar

  • 136.

    Zarandi MF, Rezaee B, Turksen IB, Neshat E (2009) Модель нечеткой экспертной системы типа 2, основанная на правилах, для анализа цен на акции. Приложение Expert Syst 36(1):139–154

    Google Scholar

  • 137.

    Абдул-Сал М.Э., Абдул-Каде Х.М., Абдель-Вахед В.Ф. (2010) Сравнительное исследование дифференциальной эволюции и алгоритмов оптимизации роя частиц при обучении нейронной сети с прямой связью для прогнозирования цен на акции. В кн.: 7-я международная конференция по информатике и системам.IEEE, стр. 1–8

  • 138.

    Алпайдин Э. (2009) Введение в машинное обучение. MIT Press, Кембридж, стр. 30

    Google Scholar

  • 139.

    Хан Дж., Пей Дж., Камбер М. (2011) Интеллектуальный анализ данных: концепции и методы. Elsevier, Амстердам, стр. 30

    МАТЕМАТИКА Google Scholar

  • 140.

    Азаде А., Сабери М., Гадери С., Гитифоруз А., Эбрахимипур В. (2008) Улучшенная оценка функции спроса на электроэнергию путем интеграции нечеткой системы и подхода интеллектуального анализа данных.Energy Convers Manag 49(8):2165–2177

    Google Scholar

  • 141.

    Азаде А., Асадзаде С.М., Ганбари А. (2010) Адаптивная система нечеткого вывода на основе сети для краткосрочной оценки спроса на природный газ: неопределенные и сложные условия. Энергетическая политика 38:1529–1536

    Google Scholar

  • 142.

    Yu L, Liu H (2003) Выбор признаков для многомерных данных: решение быстрого фильтра на основе корреляции.В: Материалы 20-й международной конференции по машинному обучению, стр. 856–863

  • 143.

    Lee MC (2009) Использование метода опорных векторов с методом выбора гибридных признаков для прогнозирования тренда акций. Приложение Expert Syst 36(8):10896–10904

    Google Scholar

  • 144.

    Webb AR (2003) Статистическое распознавание образов. Уайли, Хобокен

    МАТЕМАТИКА Google Scholar

  • 145.

    Lin F, Liang D, Yeh CC, Huang JC (2014) Новые методы выбора признаков для прогнозирования финансовых затруднений. Приложение Expert Syst 41(5):2472–2483

    Google Scholar

  • 146.

    Kao LJ, Chiu CC, Lu CJ, Yang JL (2013) Интеграция нелинейного анализа независимых компонентов и регрессии опорных векторов для прогнозирования цен на акции. Нейрокомпьютинг 99:534–542

    Google Scholar

  • 147.

    Хадаванди Э., Шаванди Х., Ганбари А. (2010) Интеграция генетических нечетких систем и искусственных нейронных сетей для прогнозирования цен на акции. Система знаний 23:800–808

    Google Scholar

  • 148.

    Hsieh TJ, Hsiao HF, Yeh WC (2011) Прогнозирование фондовых рынков с использованием вейвлет-преобразований и рекуррентных нейронных сетей: интегрированная система, основанная на алгоритме искусственной пчелиной колонии. Appl Softcomput 11(2):2510–2525

    Google Scholar

  • 149.

    Захеди Дж., Рунаги М. (2015) Применение моделей искусственных нейронных сетей и метода анализа главных компонентов для прогнозирования цен на акции на Тегеранской фондовой бирже. Phys A 438:178–187

    MathSciNet Google Scholar

  • 150.

    Guresen E, Gulgun K, Daim TU (2011) Использование моделей искусственных нейронных сетей в прогнозировании индексов фондового рынка. Приложение Expert Syst 38(8):10389–10397

    Google Scholar

  • 151.

    Lu CJ, Lee TS, Chiu CC (2009) Прогнозирование финансовых временных рядов с использованием анализа независимых компонентов и поддержки векторной регрессии. Система поддержки Decis 47(2):115–125

    Google Scholar

  • 152.

    Дхар С., Мукерджи Т., Гошал А.К. (2010) Оценка эффективности нейросетевого подхода в финансовом прогнозировании: данные индийского рынка. В: Международная конференция по связи и вычислительной технике t National Intelligence (INCOCCI).IEEE, стр. 597–602

  • 153.

    Адебийи А.А., Адевуми А.О., Айо К.К. (2014) Сравнение моделей ARIMA и искусственных нейронных сетей для прогнозирования цен на акции. J Appl Math 2014: 1–7

    MathSciNet Google Scholar

  • 154.

    Lee YS, Tong LI (2011) Прогнозирование временных рядов с использованием методологии, основанной на авторегрессионном интегрированном скользящем среднем и генетическом программировании. Система знаний 24(1):66–72

    Google Scholar

  • 155.

    Chang PC, Wang DD, Zhou CL (2012) Новая модель, основанная на развитии частично связанной нейронной сети для прогнозирования тренда цен на акции. Приложение Expert Syst 39(1):611–620

    Google Scholar

  • 156.

    Huang CF (2012) Гибридная модель отбора акций с использованием генетических алгоритмов и регрессии опорных векторов. Appl Soft Comput 12(2):807–818

    Google Scholar

  • 157.

    Cheng C, Xu W, Wang J (2012) Сравнение ансамблевых методов прогнозирования финансового рынка.В: 2012 Пятая международная совместная конференция по вычислительным наукам и оптимизации. IEEE, стр. 755–759

  • 158.

    Shen W, Guo X, Wu C, Wu D (2011) Прогнозирование индексов запасов с использованием нейронных сетей с радиальной базисной функцией, оптимизированных алгоритмом искусственного роя рыбы. Система, основанная на знаниях 24:378–385

    Google Scholar

  • 159.

    Хан К., Сахай А. (2012) Сравнение BA, GA, PSO, BP и LM для обучения нейронных сетей с прямой связью в контексте электронного обучения.Int J Intell Syst Appl 4(7):23–29

    Google Scholar

  • 160.

    Хассан М.Р., Нат Б., Кирли М. (2007) Модель слияния HMM, ANN и GA для прогнозирования фондового рынка. Приложение Expert Syst 33(1):171–180

    Google Scholar

  • 161.

    Ferreira TAE, Germano CV, Adeodato PJL (2008) Новая методология интеллектуальной системы для прогнозирования временных рядов с помощью искусственных нейронных сетей.Neural Process Lett 28(2):113–129

    Google Scholar

  • 162.

    Ахмади Э., Джасеми М., Монплезир Л., Набави М.А., Махмуди А., Джем П.А. (2018) Новая эффективная модель технического анализа гибридных свечей для определения времени фондового рынка на основе машины опорных векторов и эвристических алгоритмов Imperialist Конкуренция и генетика. Приложение Expert Syst 94:21–31

    Google Scholar

    • Почему рыночные прогнозы важны для долгосрочных инвесторов

    Почему долгосрочные инвесторы должны заботиться о рыночных прогнозах? Vanguard, в конце концов, уже давно советует инвесторам выработать стратегию, основанную на их инвестиционных целях, и придерживаться ее, не отвлекаясь по ходу дела.

    Вкратце ответ заключается в том, что рыночные условия меняются, иногда с долгосрочными последствиями. Отключение шума — повседневной болтовни на рынке, которая может привести к импульсивным, неоптимальным решениям, — по-прежнему важно. Но то же самое происходит и с переоценкой инвестиционных стратегий, чтобы убедиться, что они основаны на разумных ожиданиях. Например, для инвестора было бы неразумно ожидать 5% годового дохода от портфеля облигаций, что близко к среднему историческому значению, в наших нынешних условиях низких процентных ставок.

    «Относитесь к истории с уважением, которого она заслуживает», — сказал покойный основатель Vanguard Джон С. «Джек» Богл. «Ни слишком много, ни слишком мало». 1

    На самом деле, наша модель Vanguard Capital Markets Model® (VCMM), строгая и продуманная система прогнозирования, которую мы оттачивали годами, предполагает, что инвесторам следует подготовиться к десятилетию доходности ниже исторических средних значений как для акций, так и для облигаций.

    Ценность рыночных прогнозов основывается на разумных ожиданиях

    Мы в Vanguard считаем, что роль прогноза заключается в установлении разумных ожиданий неопределенных результатов, от которых зависят текущие решения.С практической точки зрения, прогнозы отдела глобальной экономики и рынков Vanguard информируют о распределениях наших активных менеджеров и долгосрочных решениях о распределении в наших предложениях по мультиактивам и консультациях. Мы надеемся, что они также помогут клиентам установить свои разумные ожидания.

    Быть правым чаще, чем другие, — это, безусловно, цель. Но за исключением такой серебряной пули, мы считаем, что хороший прогноз объективно учитывает самый широкий диапазон возможных результатов, четко учитывает неопределенность и дополняет строгую структуру, которая позволяет обновлять наши взгляды по мере подтверждения фактов.

    Итак, как обстоят дела с нашими рыночными прогнозами и какие уроки они извлекают?

    На рисунке показано, что 10-летняя годовая доходность портфеля 60% акций/40% облигаций за последнее десятилетие в значительной степени соответствовала нашим ожиданиям, как сообщает VCMM. Доходность американских акций превзошла наши ожидания, в то время как доходность акций экс-американских компаний превзошла наши ожидания. акции оказались ниже, чем мы ожидали.

    Данные укрепляют нашу веру в баланс и диверсификацию. Мы считаем, что инвесторы должны иметь набор акций и облигаций, соответствующих их целям, и должны широко диверсифицировать эти активы, в том числе глобально.

    Вы можете заметить, что наши долгосрочные прогнозы для диверсифицированного портфеля 60/40 не были постоянными в течение последнего десятилетия, равно как и рыночная доходность 60/40. Оба выросли к концу десятилетия, или через 10 лет после того, как рынки достигли своего пика, когда разразился мировой финансовый кризис. В нашей модели учитывалось, что, хотя экономические и финансовые условия во время кризиса были плохими, будущие доходы могут быть на выше среднего уровня на . В этом смысле наши прогнозы были правильными, поскольку мы отложили в сторону тяжелые эмоциональные напряжения того периода и сосредоточились на том, чего можно было ожидать.

    В то время наш взгляд был основан на осторожном оптимизме, прогнозе, который оказался довольно точным. Сегодня финансовые условия довольно свободны, некоторые даже могут сказать, что они изобилуют. Наша структура прогнозирует более мягкую доходность, основанную на сегодняшних сверхнизких процентных ставках и повышенных оценках фондового рынка США. Это может иметь важные последствия для того, сколько мы сбережем и что мы ожидаем заработать на наших инвестициях.

    Почему сегодняшнее расширение оценки ограничивает будущую доходность акций США

    Расширение оценки составило большую часть U.Более высокая, чем ожидалось, доходность акций S. за десятилетие характеризовалась низкими темпами роста и низкими процентными ставками. То есть инвесторы были готовы, особенно в последние несколько лет, покупать будущие доллары доходов американских компаний по более высоким ценам, чем те, которые они заплатили бы за доходы бывших американских компаний. компании.

    Точно так же, как низкие оценки во время мирового финансового кризиса поддерживали уверенный рост акций США в последующее десятилетие, сегодняшние высокие оценки предполагают гораздо более трудный подъем в предстоящем десятилетии. Большие успехи последних лет делают аналогичные успехи завтра гораздо более трудными, если только фундаментальные факторы не изменятся. Чтобы недавний оптимизм инвесторов был вознагражден аналогичным образом, американским компаниям необходимо будет получить богатые доходы в ближайшие годы.

    Более вероятно, согласно нашему прогнозу VCMM, акций компаний за пределами Соединенных Штатов будут сильно опережать американские акции (PDF) — примерно на 3 процентных пункта в год — в течение следующего десятилетия.

    Мы рекомендуем инвесторам смотреть за пределы медианы на более широкий набор между 25-м и 75-м процентилями потенциальных результатов, полученных с помощью нашей модели.В нижней части этой шкалы годовая доходность акций США будет мизерной по сравнению с высокими двузначными годовыми доходами последних лет.

    Чего ожидать в предстоящем десятилетии

    Это возвращает меня к ценности прогнозирования: наши сегодняшние прогнозы говорят нам о том, что инвесторы не должны ожидать, что следующее десятилетие будет похоже на прошлое, и им необходимо стратегически планировать, чтобы преодолеть среду с низкой доходностью. Зная это, они могут планировать откладывать больше, сокращать расходы, откладывать достижение целей (возможно, включая выход на пенсию) и брать на себя некоторый активный риск, где это уместно.

    И они, возможно, будут мудры, если напомнят кое-что еще, что Джек Богл сказал: «На протяжении всей истории инвестиции подчинялись своего рода закону гравитации: то, что растет, должно падать, и, как ни странно, то, что падает, должно расти. » 2

     

    1 Джон К. Богл, 2015 г. Богл о взаимных фондах: новые перспективы для разумного инвестора . Хобокен, Нью-Джерси: John Wiley & Sons, Inc.

    2 Филип Дженкс и Стивен Экетт, 2002 г. Книга правил инвестирования для глобальных инвесторов: бесценные советы от 150 мастеров-инвесторов. Река Аппер-Сэдл, Нью-Джерси: Prentice Hall PTR.

     

    Я хотел бы поблагодарить Яна Креснака, CFA, за его неоценимый вклад в этот комментарий.

    Forecastingquotes — Investment Masters Class

    «Трудно делать прогнозы, особенно о будущем». Йоги Берра

    «Идея о непредсказуемости будущего каждый день подрывается той легкостью, с которой объясняется прошлое». Даниэль Канеман

    «Я никогда не специализировался ни на экономическом прогнозировании , ни на рыночном прогнозировании .Мой собственный бизнес в значительной степени основывался на том принципе, что если вы можете сделать свои результаты независимыми от каких-либо взглядов на будущее, вы станете намного лучше». Бенджамин Грэм 1955

    предсказателей для того, чтобы предсказатели выглядели хорошо». Уоррен Баффет

    «Я не позволяю людям делать прогнозов для меня, потому что я не люблю, когда меня тошнит на столе». Чарли Мангер

    «Я никогда не заявлял, что обладаю хрустальным шаром, который предсказывает направление рынка.” Daniel Loeb

    «Абсурдно думать, что широкая публика может когда-либо делать деньги на рынке прогнозов ». Бенджамин Грэм

    « Прогнозы не очень много стоят, и большинство людей, которые их делают, не зарабатывают на рынках». Рэй Далио

    «Большинство прогнозов  не допускают альтернативных результатов.» Говард Маркс

    «В прогнозировании предубеждение задним числом является смертным грехом». Филип Тетлок

    «Разницы между  прогнозами  тривиальны по сравнению с разницей между всеми прогнозами  и тем, что происходит.” Джон Кей

    «У нас есть два вида прогнозистов , те, кто не знает, и те, кто не знает, что они не знают». Джон Кеннет Гэлбрейт

    «Я по-прежнему считаю, что краткосрочные рыночные прогнозы являются ядом и должны храниться в надежном месте, подальше от детей, а также от взрослых, которые ведут себя на рынке как дети.» Уоррен Баффет

    «Если вы решите обмануть себя, приняв экстремальных прогнозов , вам будет хорошо, если вы осознаете свое баловство. Дэниел Канеман

    «Люди всегда жаждали, чтобы кто-нибудь рассказал им будущее . Давным-давно короли нанимали людей, чтобы читать бараньи кишки. Всегда был рынок для людей, которые притворялись, что знают будущее . Слушать сегодняшних синоптиков  – такое же сумасшествие, как и тогда, когда король нанял парня, чтобы он смотрел на бараньи кишки. Это происходит снова, и снова, и снова». Чарли Мангер

    «Мой финансовый успех резко контрастирует с моей способностью прогнозировать событий.Джордж Сорос

    «У меня не всегда есть представление о том, куда движется рынок, но обычно я знаю. Я обнаружил, что иногда я прав, а иногда ошибаюсь. В общем, мои звонки бесполезны». Ральф Вангер

    «Мы не умели предсказывать путь рынка». Джон Нефф

    «Когда дело доходит до макрособытий, вы можете либо предсказать  , либо отреагировать. Я снова и снова доказывал, что мой хрустальный шар ужасен, поэтому я должен сосредоточиться на реагировании на крайности в отдельных ценных бумагах, продавая по высокой оценке и покупая по низкой оценке. Брюс Берковиц

    «Я никогда не мог точно предсказать . Я не зарабатываю , точно предсказывая . Мы просто склонны заниматься хорошим бизнесом и оставаться там». Чарли Мангер

    «На рынках ходит поговорка, что тому, кто живет хрустальным шаром , суждено съесть матовое стекло. ’» Рэй Далио

    «Я отказался от профессионального подбрасывания монеты. Я изучаю неопределенность.Я понятия не имею, где будет фондовый рынок. Поэтому, когда я создаю сделки для своего портфеля и своих клиентов, я агностик. Я просто хочу увеличить вероятность того, что я заработаю деньги во что бы то ни стало». Хью Хендри

    «Ни у кого нет привилегированного доступа к будущему, и рыночные прогнозы , как правило, так же точны, как подбрасывание монеты». Билл Миллер

    «Если бы мне пришлось судить о любом из лучших управляющих капиталом, включая меня самого, просто по качеству их долгосрочных прогнозов,  включая меня, как микро-, так и макроэкономических, оценка была бы в лучшем случае средней. ” Майкл Стейнхардт

    «Мы не любим делать экономические или рыночные прогнозы , поскольку наш послужной список в этом незавиден». Чак Акре

    «Моя собственная инвестиционная философия развилась вокруг теории о том, что пророчество раскрывает гораздо больше слабостей пророка , чем раскрывает будущее». Уоррен Баффет

    «Мы не верим, что кто-то может точно предсказать куда пойдут процентные ставки, где будет рост ВВП, что будет делать Федеральная резервная система.Старая поговорка: «Если собираешься делать прогнозы, делай их много, потому что один из них обязательно сбудется». Но правда в том, что очень, очень редко люди получают предсказания верных». Пол Блэк

    «Я бы посоветовал вам подойти ко всей теме прогнозов и прогнозистов с крайним недоверием». Говард Маркс

    «После почти трех десятилетий инвестирования в фондовый рынок я убежден, что самая большая ошибка, которую совершают инвесторы, — это склонность предсказывать финансовых рынков. » Франсуа Рошон

    «Попытка предсказать направление рынка в течение одного года или даже двух лет невозможна». Питер Линч

    «Единственная функция экономического прогнозирования  — придать астрологии респектабельный вид.» Джон Кеннет Гэлбрейт

    «Я не могу предсказать рынков, и вы тоже не можете. Нет, серьезно, вы не можете. Нет. Вы не можете». Джон Бурман

    «У меня действительно нет возможности прогнозировать цены на золото . Я занимаюсь этим бизнесом уже 30 лет, и он занимает мои мысли день и ночь.” Питер Мунк [председатель Barrick Gold]

    «Удивительно, но инвесторы часто полагаются на процентную ставку  прогнозы  и фондовый рынок прогнозы  несмотря на неопровержимые доказательства того, что они мало или вообще не имеют значения для прогнозирования движения цен на акции». Крис Дэвис

    «Мы игнорируем  прогнозы и  прогнозы … мы паршивы в этом, и мы это признаем… все остальные тоже паршивы, но большинство людей этого не признают». Марти Уитмен

    «Каждый год я разговариваю с руководителями тысячи компаний, и я не могу не услышать от различных золотых жуков, сторонников процентных ставок, наблюдателей за Федеральным резервом и фискальных мистиков, которых цитируют в газетах.Тысячи экспертов изучают индикаторы перекупленности, индикаторы перепроданности, модели головы и плеча, коэффициенты пут-колл, политику ФРС в отношении денежной массы, иностранные инвестиции, движение всех созвездий по небу и мох на дубах, и они могут. t предсказывает  рынков с какой-либо полезной последовательностью, так же как выжиматели желудка не могли сказать римским императорам, когда нападут гунны». Питер Линч

    «Мы довольно плохо делаем предсказания , особенно о будущем.Но это нас не смущает. Мы страдаем от того, что Нассим Талеб называет « эпистемическим высокомерием » — говоря простым языком, мы думаем, что делаем прогнозы лучше, чем на самом деле . В результате у нас появляется неуместное чувство уверенности в наших прогнозах . Инвесторам нравится моделирование, потому что оно выглядит научно (чем больше вкладок в электронной таблице, тем сильнее эффект)». Marathon Asset Management

    «Когда кто-то инвестирует, он имеет дело с  будущим. Никто из нас, вне зависимости от интеллекта, на самом деле не был в будущем, поэтому мы не знаем, о чем говорим. Хью Хендри

    Они создают иллюзию кажущейся точности. Чем дотошнее они, тем больше вы должны быть обеспокоены. Мы никогда не смотрим на прогнозы , но мы очень заботимся о послужном списке и очень внимательно изучаем его. Если у компании паршивый послужной список, но очень светлое будущее, мы упустим возможность…» Уоррен Баффет

      «[Прогнозы]  составляются людьми, которые заинтересованы в конкретном результате, имеют подсознательные предубеждения, и их кажущаяся точность делает их ошибочными. Они напоминают мне высказывание Марка Твена: « Мина — это дыра в земле, принадлежащая лжецу ». Прогнозы  в Америке часто являются ложью, хотя и непреднамеренной, но наихудшей, потому что прогнозист  часто сам в них верит». Чарли Мангер

    обычно есть кто-то, кто делает это совершенно правильно… но это редко один и тот же человек дважды.» Говард Маркс

    «Принятие инвестиционных решений на основе рыночных прогнозов и предсказаний — игра дураков». Крис Дэвис

    «Самый большой урок, который я усвоил, заключался в том, что очень трудно предсказать будущие рыночные тенденции.» Джон Полсен

    «Мы не делаем много прогнозов  как таковых о том, куда движутся рынки. Я достаточно обжегся, пытаясь.» Питер Кандилл

    «Знатоки прогнозируют не потому, что они знают, а потому, что их спрашивают.Джон Кеннет Гэлбрейт

    «Первая подсказка, которая должна заставить вас заподозрить, что предсказывать будущее рынка будет не так-то просто, заключается в том, что все прогнозисты начинают с одного и того же материала, но заканчивают совершенно разными сценариями». Ральф Вангер

    «Я не занимаюсь прогнозированием общего фондового рынка или колебаний деловой активности. Если вы думаете, что я могу это сделать, или считаете, что это необходимо для инвестиционной программы, вам не следует участвовать в партнерстве.» Уоррен Баффет 1966

    «Я не верю в предсказание рынков. Я верю в покупку великих компаний, особенно компаний, которые недооценены и/или недооценены». Питер Линч

    «Я часто утверждал, что точное  прогнозирование в любом случае бесполезно; Мало того, что предсказания абсолютно неверны, но что действительно важно, так это то, сколько вы выиграете, если окажетесь правы, и сколько потеряете, если ошибетесь». Франсуа Сикар

    «Все сводится к следующему; выясняя, являются ли наши просчеты или ошибочных прогноза более вредными, чем полезными, и насколько ускоряется ущерб.» Нассим Николас Талеб

    «Признание того, что мы не можем  предсказать  будущее — то есть всегда будут неожиданные и весьма важные события — является первым шагом к тому, чтобы стать менее хрупким и более адаптируемым. Люди должны очень скептически относиться к чьей-либо, включая свою собственную, способности предсказывать  будущее и вместо этого следовать стратегиям, которые помогут выжить, что бы ни случилось». прогнозы для экономики — отчасти потому, что прогнозистам, по крайней мере в краткосрочной перспективе, не платят в зависимости от точности их прогнозов.Если бы они были, не было бы экономистов». Фрэнк Мартин

    «Старые прогнозы похожи на старые новости — быстро забываются — и ученых мужей почти никогда не просят согласовать то, что они сказали, с тем, что произошло на самом деле». Филип Тетлок

    » Одна из моих самых больших претензий к прогнозистам заключается в том, что они, кажется, игнорируют свои собственные записи. Меня поражает то, что эти люди будут продолжать делать предсказания с невозмутимым видом, а средства массовой информации будут продолжать их публиковать.» Говард Маркс

    «Что удивительно, так это то, что даже самые искушенные инвесторы, трейдеры и комментаторы продолжают полагаться на прогнозов , сделанных теми, кто не имеет успеха в таких прогнозах «. Пол Сингер

    «Почему мы попадаемся на такие уловки и слушаем прогнозистов рынка которые ничем не лучше астрологов. Потому что человеческий разум — это ум, ищущий шаблоны. Мы все произошли от людей, которые хорошо находят закономерности». Ральф Вангер

    «Мы всегда читаем «». Я думаю, что фондовый рынок поднимется на ».Мы никогда не читали: « Я думаю, фондовый рынок пойдет вверх (и 8 из моих последних 30 прогнозов были верны) » или « Я думаю, что фондовый рынок пойдет вверх (и, кстати, я сказал то же самое в прошлом году и был неправ) .» Можете ли вы представить себе решение, каких бейсболистов нанять, не зная их средних показателей? Когда вы когда-либо видели послужной список прогнозиста рынка ?» Говард Маркс

    «Все предсказания по своей сути неопределенны, и мы обязаны рассказать людям о неопределенности наших предсказаний и наших прошлых коэффициентах ошибок.«Питер Бевелин

    «Во всем мире год за годом экономические прогнозисты всех национальностей вносят свой экономический вклад в то, что можно назвать иначе как концертом прогнозов неудач. В 1993 г. ОЭСР проанализировала прогнозы, сделанные в период с 1987 по 1992 г. правительствами США, Японии, Германии, Франции, Италии, Канады, а также МВФ и самой ОЭСР. Мало того, что каждый из прогнозов этих организаций был ужасно неточным, они также могли бы сделать более точные прогнозы инфляции и ВВП, если бы отказались от своих «сложных» экономических моделей и просто предположили, что цифры в каждом году не изменятся по сравнению с прошлым.” Марк Бьюкенен [ Вездесущность – Почему случаются катастрофы] ​​

    «Я не утруждал себя чтением большинства экономистов (особенно тех, кто настаивает на том, чтобы их называли доктором Сэмом или доктором Эриком) и стратегов, потому что они рассказывают вам только о том, что уже произошло. произошло, а не то, что произойдет. Они не прогнозируют , они просто экстраполируют недавние события в будущее. Они в основном являются последователями, которые пересматривают свои прогнозы на будущее, основываясь на последних экономических показателях или на том, что сделали рынки. в последнее время.Бартон Биггс

    «Стратеги с Уолл-стрит уже давно поняли: ключ к прогнозам — делать их часто. Как вы могли догадаться, сильная маркетинговая команда затем отвечает за полеты шаров для этих прогнозов. , которые сбылись. Мы в Живерни Капитал придерживаемся противоположного подхода, редко делая прогнозы и оценивая наши прогнозы независимо от их результата». Франсуа Рошон

    «Если бы я попытался предсказать краткосрочные цены почти любого другого товара, любой валюты или любого рынка, я, вероятно, ошибался бы так же часто, как и был бы прав.Эд Вахенхейм

    «Попытка предсказать рыночные котировки — для акции, сектора или всего рынка — бесполезна. Поразительно видеть, как много инвестиционных «профессионалов» продолжают тратить свое время и талант на деятельность, которая так много раз доказывала свою бесполезность. И что самое удивительное, многие инвесторы до сих пор продолжают читать почти религиозно рыночные прогнозы . В греческой мифологии Аполлон приговорил Кассандру к знанию будущего, но к неверию, когда она его предсказала.Отсюда агония предвидения в сочетании с бессилием что-либо с этим поделать. Гуру с Уолл-стрит находятся в обратной ситуации: они не знают будущего, но им часто слепо верят, когда они его предсказывают». Франсуа Рошон

    Я не знаю, как предсказать процентные ставки , я не знаю, как предсказать бизнес . Все, что я знаю, это то, что если я куплю правильный бизнес по правильной цене с нужными людьми, со временем у меня все будет хорошо.В случае с акциями очень трудно понять, когда что-то произойдет, и очень легко узнать, что произойдет». Уоррен Баффет

    «Можно было бы ожидать, что успешный метод даст твердые прогнозы , но все мои прогнозы крайне предварительны и подлежат постоянному пересмотру в свете развития рынка. выигрыш может быть существенным, но даже в этом случае всегда существует опасность, что ход событий не оправдает моих ожиданий. » Джордж Сорос

    «Очевидно, что вам не нужно уметь предсказывать фондовый рынок, чтобы делать деньги на акциях, иначе я бы не заработал никаких денег. Я сидел прямо здесь, за своим Quotron, во время некоторых из самых ужасных падений, и я не смог бы предугадать их заранее, даже если бы от этого зависела моя жизнь». Питер Линч

    «Я думаю, что финансовое сообщество уделяет слишком много время и умственные ресурсы на его постоянные усилия по прогнозированию экономического будущего и последующего поведения фондового рынка с использованием разрозненного и почти наверняка неполного набора статистических переменных.Это заставляет меня задаться вопросом, чего можно было бы достичь, если бы все это время, энергия и деньги были направлены на усилия с большей вероятностью, что они окажутся надежными и практически полезными. становятся еще более неточными, чем когда их слишком мало. Исследования гандикаперов лошадей и другие исследования показывают, что только ранняя информация влияет на решения. Как только решение принято, дополнительная информация, даже если она противоречива, не заставит человека передумать.» Беннетт Гудспид

    «Рыночные прогнозисты наполнят ваши уши, но никогда не наполнят ваш кошелек.» Уоррен Баффет

    «Плата кому-то за то, чтобы он делал направленные прогнозы фондового рынка или экономики , автоматически снижает результаты портфеля.» Билл Смид

    » Чарли и я, я думаю, будет справедливо сказать, что мы никогда не смотрели на прогноз ни в связи с ценными бумагами, которые мы купили, ни с бизнесом, который мы купили. Нам их предлагали в больших количествах.Уоррен Баффет

    Почему фондовым инвесторам нужно смотреть на десятилетие вперед, в Lea

    Это потому, что математика показывает, что не только прибыль со временем увеличивается. Затраты тоже. К сожалению, инвесторам приходится следить за собой. Г-н Богл предупредил, что расходы на торговлю акциями и инвестиционные сборы могут легко разрушить ваши перспективы на комфортную пенсию

    Хотя прошлое не дает никаких гарантий на будущее, оно предлагает курс действий: держать фонды фондовых индексов для получения более высокой прибыли. и фонды облигаций для надежности и для компенсации взлетов и падений портфеля акций.Сколько и каких видов каждого — причудливое название для этого — распределение активов — являются критическими и индивидуальными вопросами.

    Инвестор в возрасте 20 лет, который вполне мог бы работать до 2072 года, может захотеть вложить 100 процентов своих инвестиционных денег в широкий индексный фонд фондового рынка и просто увеличивать его год за годом. Учтите, что с начала 1976 года (когда Vanguard начал продавать свой первый индексный фонд) доходность S&P 500, включая дивиденды, составила более 18 000 процентов.

    Я бы также инвестировал за пределами США.Экономическая власть становится все более рассеянной. До конца этого века глобальные инвестиции, включая вложения в развивающиеся рынки, кажутся необходимыми для действительно диверсифицированного портфеля.

    В предстоящее десятилетие, согласно прогнозам Vanguard, доходность ни акций, ни облигаций вряд ли превысит однозначную цифру, в основном потому, что большинство ценных бумаг уже дороги. Vanguard ожидает, что акции за пределами США, скорее всего, будут демонстрировать более высокие результаты, чем акции внутри США, а облигации, как ожидается, будут отставать от доходности акций на два-три процентных пункта в год.

    Если у вас узкий горизонт, возможно, вам придется снизить инвестиционные риски, урезав акции. Решение личное. Распределение моего собственного своеобразного портфеля где-то близко к 60 процентам акций и 40 процентам облигаций.

    Поскольку мне, возможно, понадобится достать часть этих денег до 2032 года, я держу приличную порцию облигаций, хотя для них это было посредственным испытанием. iShares Core US Aggregate Bond ETF, который отслеживает рынок облигаций США инвестиционного уровня, потерял 1.8 процентов в прошлом году — отставая от доходности Vanguard S&P 500 ETF, который отслеживает фондовый индекс S&P 500, на колоссальные 27 процентных пунктов.

    (PDF) Обзор методов прогнозирования фондового рынка

    Обзор методов прогнозирования фондового рынка – Часть I

    [91] Кирикос, Д. , и Терзакис, Д. (1999). «Политика обменного курса и прогнозирование цен на акции

    доказательства из Греции». Темы финансовой экономики и анализа рисков, 247-257.

    [92] Кустас З.и Серлетис А. (2004). «Хаос, рациональные пузыри или постоянные отклонения

    от основ рынка»? Исследования в области экономики, 51 (4), 359-385.

    [93] Крольциг, Х-М., и Торо, Дж. (2004). «Многопериодное прогнозирование на фондовых рынках: парадокс

    разрешен». Системы поддержки принятия решений, 37, 531-542.

    [94] Ли, С.-Дж., Ли, Д.-Дж., и О, Х.-С. (2005). «Технологическое прогнозирование на корейском фондовом рынке

    : анализ динамической конкуренции с использованием модели Лотки – Вольтерры».

    Технологическое прогнозирование и социальные изменения, 72, 1044-1057.

    [95] Ли, Дж., Ким, Т.С., и Ли, Х.К. (2000). «Долгая память о волатильности корейских акций

    рыночная доходность». Труды ИНФОРМ и КОРМС, Сеул, (стр. 540-546).

    [96] Лин, К. -Т., и Ван, Ю.-Х. (2005). «Анализ политических изменений доходности и волатильности акций Nikkei 225

    ». Анналы экономики и финансов, 6, 169-183.

    [97] Лью, К., С., Лим, К.П.и Чунг, К., К. (2003). «О способности прогнозирования доходности фондовых рынков Asian-5

    с использованием моделей временных рядов». ICFAI Journal of Applied Finance,

    10, 17-29.

    [98] Лилло, Ф., и Фармер, Д. (2004). «Долгая память эффективного рынка». Исследования по нелинейной динамике и эконометрике

    , 8(3), статья 1.

    [99] Лю, Н., и Ли, К. (1997). «Интеллектуальная система бизнес-консультанта для инвестиций в акции

    ». Экспертные системы, 14(3), 129-139.

    [100] Ловатт, Д. (2000). «Время индекса с использованием рыночных прогнозов на основе моделей». Европейский

    Финансовый журнал, 6, 280-297.

    [101] Ловатт Д. и Парих А. (2000). «Доходность акций и экономическая деятельность: пример Великобритании».

    Европейский журнал финансов, 6, 280-297.

    [102] Люкс, Т., и Кайдзодзи, Т. (2004). «Прогнозирование волатильности и объема на токийском фондовом рынке

    : преимущество моделей с долгой памятью». Рабочий документ кафедры экономики

    Кильского университета (Германия) и Института социальных наук Международного

    Христианского университета (Япония).

    [103] Марис, К., Панту, Г., Николопулос, К., Пагурци, Э., и Ассимакопулос, В. (2004).

    «Исследование методов прогнозирования финансовой волатильности в индексе FTSE/ASE 20».

    Письма по прикладной экономике, 11, 453-457.

    [104] Манзан, С. (2005). «Нелинейный возврат к среднему в ценах акций». CeNDEF Working

    paper 03-02, Университет Амстердама.

    [105] Маркуччи, Дж. (2003). «Прогнозирование волатильности фондового рынка с помощью моделей переключения режимов

    GARCH».Одиннадцатый ежегодный симпозиум Общества нелинейной динамики

    ,

    и эконометрики, проходивший во Флоренции.

    [106] Мэттс, Дж. (2004). «Выбор модели без предубеждений задним числом и прогнозирование фондового рынка

    с использованием отраслевых портфелей». 18-й семинар Австрийской рабочей группы по банковскому делу

    и финансам, Университет Инсбрука, 18-19 июня.

    [107] МакКиббен, В. (1971). «Эконометрическое прогнозирование доходности инвестиций в обыкновенные акции:

    Новая методология с использованием фундаментальных операционных данных».Финансовый журнал, 27(2),

    371-389.

    [108] Макмиллан, Д. (2003). «Нелинейная предсказуемость доходности фондового рынка Великобритании». Оксфорд

    Бюллетень экономики и статистики, 65 (5). 557-563

    [109] Мияхара Ю. и Новиков М. (2002). «Геометрическая модель ценообразования процесса сбора». Asia-

    Pacific Financial Markets, 8(1), 45-60.

    Обзор, методы и функции, шаги

    Что такое прогнозирование?

    Прогнозирование относится к практике предсказания того, что произойдет в будущем, принимая во внимание события в прошлом и настоящем. По сути, это инструмент для принятия решений, который помогает компаниям справиться с влиянием неопределенности будущего путем изучения исторических данных. Источники данных в финансовом моделировании. Сбор и использование правильных источников данных в финансовом моделировании имеет решающее значение для успеха бизнеса. Финансовое моделирование требует сбора данных и тенденций. Это инструмент планирования, который позволяет предприятиям планировать свои следующие шаги и создавать бюджеты, которые, как мы надеемся, покроют любые неопределенности, которые могут возникнуть.

     

     

    Бюджетирование по сравнению сПрогнозирование

    Одна вещь, которая определенно верна, заключается в том, что составление бюджета и прогнозирование — это инструменты, которые помогают предприятиям планировать свое будущее. Тем не менее, они во многом отличаются друг от друга. Давайте рассмотрим следующие моменты:

    • Бюджетирование включает в себя создание отчета, который состоит из многочисленных финансовых операций компании за определенный период, таких как прогнозируемый доход Доход Доход — это стоимость всех продаж товаров и услуг, признанных компанией за период. Доход (также называемый продажами или доходом), расходы, движение денежных средств и инвестиции. Обычно он не проводится исключительно одним отделом, скажем, финансовым отделом, поскольку для составления целостного и подробного отчета требуется участие других отделов. Таким образом, процесс составления бюджета требует времени. Компания использует бюджет для руководства своей финансовой деятельностью.
    • Хотя бюджеты обычно составляются на весь год, прогнозы обычно обновляются ежемесячно или ежеквартально.Благодаря прогнозированию компания может корректировать свой бюджет и выделять больше средств отделу по мере необходимости, в зависимости от того, что предвидится. Таким образом, бюджеты зависят от прогноза.

     

    Методы прогнозирования

    Компании выбирают один из двух основных методов, когда хотят предсказать, что может произойти в будущем, а именно качественный и количественный методы.

     

    1. Качественный метод

    Качественное прогнозирование, также известное как оценочный метод, дает субъективные результаты, поскольку оно состоит из личных суждений экспертов или прогнозистов. Прогнозы часто необъективны, потому что они основаны на знаниях, интуиции и опыте эксперта и редко на данных, что делает процесс нематематическим.

    Например, когда человек прогнозирует исход финальной игры в НБА, что, конечно, больше основано на личной мотивации и интересе. Слабость такого метода в том, что он может быть неточным.

     

    2. Количественный метод

    Количественный метод прогнозирования представляет собой математический процесс, что делает его последовательным и объективным.Он избегает основывать результаты на мнениях и интуиции, вместо этого используя большие объемы данных и цифр, которые интерпретируются.

     

    Особенности прогнозирования

    Вот некоторые особенности прогнозирования:

     

    1. Учитывает будущие события

    Прогнозы создаются для предсказания будущего, что делает их важными для планирования.

     

    2. На основе прошлых и настоящих событий

    Прогнозы основаны на мнениях, интуиции, догадках, а также на фактах, цифрах и других соответствующих данных. Все факторы, которые учитываются при составлении прогноза, в некоторой степени отражают то, что произошло с бизнесом в прошлом, и то, что, как считается, может произойти в будущем.

     

    3. Использует методы прогнозирования

    Большинство предприятий используют количественный метод, особенно при планировании и составлении бюджета Бюджетирование Бюджетирование — это тактическая реализация бизнес-плана. Чтобы достичь целей в стратегическом плане бизнеса, нам нужен какой-то тип бюджета.

     

    Процесс прогнозирования

    Чтобы получить точные результаты, прогнозисты должны следовать тщательному процессу.Вот несколько шагов в этом процессе:

     

    1. Разработка основы прогнозирования

    Первым шагом в этом процессе является разработка основы для исследования состояния компании и определение текущего положения бизнеса на рынке.

     

    2. Оценка будущей деятельности предприятия

    На основе исследования, проведенного на первом этапе, вторая часть прогнозирования включает оценку будущих условий отрасли, в которой работает предприятие, а также прогнозирование и анализ того, как компания будет транспортные расходы.

     

    3. Регулирование прогноза

    Это включает просмотр различных прогнозов в прошлом и сравнение их с реальными событиями, которые произошли в бизнесе. Анализируются различия предыдущих результатов и текущих прогнозов, рассматриваются причины отклонений.

     

    4. Обзор процесса

    Проверяется каждый шаг, вносятся уточнения и модификации.

     

    Источники данных для прогнозирования

     

    1.Первоисточники

    Для сбора информации из первоисточников требуется время, потому что это информация из первых рук, которая также считается наиболее надежной и достоверной информацией. Прогнозист сам собирает данные и может делать это с помощью таких вещей, как интервью. Ознакомьтесь с руководствами по прохождению собеседований CFI с наиболее распространенными вопросами и лучшими ответами на любую должность в корпоративных финансах. Интервью вопросы и ответы по финансам, бухгалтерскому учету, инвестиционно-банковской деятельности, анализу капитала, коммерческому банковскому делу, плану и анализу и многому другому! Бесплатные руководства и практика, чтобы пройти интервью, анкеты и фокус-группы.

     

    2. Вторичные источники

    Вторичные источники предоставляют информацию, которая была собрана и опубликована другими организациями. Примером такого типа информации могут быть отраслевые отчеты. Поскольку эта информация уже собрана и проанализирована, это ускоряет процесс.

     

    Дополнительные ресурсы

    Спасибо, что прочитали руководство CFI по прогнозированию. CFI предлагает аналитика по финансовому моделированию и оценке (FMVA)™ Стать сертифицированным аналитиком по финансовому моделированию и оценке (FMVA)® Сертификация аналитика по финансовому моделированию и оценке (FMVA)® от CFI поможет вам обрести уверенность, необходимую в вашей финансовой карьере.Зарегистрируйтесь сегодня! Сертификационная программа для тех, кто хочет поднять свою карьеру на новый уровень. Чтобы продолжать учиться и продвигаться по карьерной лестнице, вам будут полезны следующие ресурсы CFI:

    • Руководство по моделированию DCF Бесплатное руководство по обучению модели DCFМодель DCF — это особый тип финансовой модели, используемой для оценки бизнеса.

      Добавить комментарий

      Ваш адрес email не будет опубликован. Обязательные поля помечены *