Оценка величины финансового риска в торговле фьючерсом SiU8 нейросетью на основе SaR-метода
Представлена сформированная нейросетевая модель оценки потерь от финансового риска в ходе биржевой торговли. Полученная нейросеть позволяет прогнозировать финансовые потери от риска изменения цены фьючерсного контракта SiU8 во временном ряду SaR-методом.
В условиях значительной волатильности инструментов биржевого рынка, а также усиления всех видов риска важное значение имеет применение систем искусственного интеллекта в целях прогноза финансовых потерь от риска изменения цены фьючерсного контракта SiU8 временного ряда, в том числе SaR-методом.
За основу количественной оценки финансовых рисков на практике принят SaR-метод.
Довольно часто для оценки рисков инвестора интересует не столько вероятность получения убытков, сколько сама ожидаемая величина убытка. Это объясняется тем, что в некоторых случаях вероятность получения убытка может быть очень мала, но размер убытка настолько большим, что последствия неблагоприятного исхода можно считать катастрофическими.
Иногда в таких ситуациях инвестор пренебрегает самим риском в силу малой вероятности его появления и тем самым совершает ошибку, поскольку сам риск в силу катастрофических последствий представляет собой достаточную опасность для финансового состояния компании. Поэтому для управляющего компании необходима оценка риска, учитывающая и величину возможных убытков. Таким методом оценки финансового риска является так называемый SaR-метод (Shortfall-at-Risk – средняя величина убытка).
SaR-метод используется помимо Value at Risk (VaR), в основе которого лежит определение функциональной связи вероятности наступления риска. Этот метод широко используется коммерческими банками. Представляется целесообразным выдвинуть и доказать гипотезу, что с помощью нейросети «карта Кохонена» можно прогнозировать финансовые потери от риска изменения цены фьючерсного контракта SiU8 временного ряда SaR-методом.
Для разработки программы для оценки финансовых рисков на основе нейронной сети SaR-методом исходные данные были взяты на бирже MOEX с использованием терминала QUIK по финансовому инструменту SiU8 (рис. 19).
Параметры свечей SiU8 на 15-минутном таймфрейме сведены приведены в таблицу. В XL были проведены расчеты необходимых параметров: математическое ожидание, стандартное отклонение, квантиль, SaR (табл 10).
На основе рассчитанных данных был сформирован входной файл для нейронной риск-модели по финансовому инструменту SiU8 (табл. 11).
Полученные данные целесообразно представить в виде карты Кохонена (рис. 20).
Использование функции «что-если» позволяет получить прогнозные значения абсолютных величин во возможных финансовых потерь (рис. 21).
Важно отметить, что полученный результат можно широко применять, базируясь на достижениях, которые нашли свое отражение в трудах современных ученых.
- Исследование динамики инвестиционных портфелей российских банков нейросетью
- Разработка нейросети для снижения финансового риска с помощью опционной стратегии купленный стрэдл
- Прогнозирование курса криптовалюты BITCOIN с помощью системы искусственного интеллекта
- Разработка нейросетевого биржевого торгового робота в современных условиях
- AI-ROB ADVISOR для торговли финансовым инструментом SIH8 на основе нейросети
- Система искусственного интеллекта для исследования финансовых инструментов московской биржи
- Стратегия плавающей пропорции
- Стратегия постоянной пропорции и плавающего диапазона
- Активная стратегия выбора портфеля ценных бумаг
- Оформление отчета по практике по ГОСТу 2021/2022
- Оформление ВКР по ГОСТу
- Как составить бизнес-план своими силами
- Оформление эссе по ГОСТу
- Оформление презентации по ГОСТу
- Оформление статьи по ГОСТу
- Оформление дипломной работы по ГОСТ 2021/2022
- Оформление курсовой работы по ГОСТу
- Оформление контрольной работы по ГОСТу