ПОРІВНЯЛЬНИЙ АНАЛІЗ ЯКОСТІ ПРОГНОЗНИХ МОДЕЛЕЙ ДИНАМІКИ БІРЖОВИХ ІНВЕСТИЦІЙНИХ ФОНДІВ
Анотація
Стаття присвячена порівняльному аналізу прогнозних моделей динаміки біржових інвестиційних фондів. Для дослідження було обрано біржовий інвестиційний фонд як сучасний інвестиційний інструмент, якому вдалося поєднати в собі найкращі риси акцій та пайових інвестиційних фондів. Однак, незважаючи на переваги цього фінансового інструмента, основною задачею інвестора залишається можливість прогнозування його динаміки. На сьогоднішній день існує багато прогнозних моделей, але можливість створення достовірного та точного прогнозу залишається вкрай актуальним.
Для прогнозування було обрано два біржовий інвестиційних фонди: SPDR S&P 500 ETF TRUST (біржовий тікер SPY) та VanEck Vectors Gold Miners (біржовий тікер GDX). На підставі щоденних цін за період з січня 2016 року до січня 2020 року побудовано прогнозні моделі двох типів: лінійні та нелінійну. А саме, лінійні моделі – ковзного середнього та експоненційного згладжування (модель Хольта). В якості нелінійної моделі обрана нейромережева модель. Виявилося, що показники оцінки якості усіх моделей є достатньо високими. Однак побудовані прогнози показали, що, незважаючи на високу якість отриманих статистичних моделей, здійснення прогнозу за їх допомогою можливе лише для горизонту прогнозу, що становить один біржовий день. Модель, побудована на основі нейронної мережі, навпаки, показує гірший прогноз для першого прогнозного значення, однак вловлює динаміку і напрям зміни ціни як по біржовому інвестиційному фонду SPY, так і по GDX. Тобто, за допомогою навчання, нейронна мережа здатна встановлювати приховані нелінійні закономірності динаміки ціни. Але горизонт прогнозу нейронної мережі теж є обмеженим: в дослідженні встановлено, що прогноз на базі моделі нейронної мережі доцільно будувати не більше ніж на один біржовий тиждень.
Посилання
2. Boyko, M.S. (2016). Birzhevyie investitsionnyie fondyi: suschnost, predposyilki zarozhdeniya, faktoryi razvitiya, klassifikatsiya [Exchange Traded Funds: essence, prerequisites for origin, development factors, classification]. Biznes v zakone. Ekonomiko-yuridicheskii zhurnal – Business-in-law. Economics and Law Journal, 3, 55-60 [in Russian].
3. Tokic, D. (2020). The passive investment bubble. J Corp Acct Fin. (Vol. 31), (рр. 7-11).
4. Geyecz, V.M., Klebanova, T.S., Chernyak, O.I., Ivanov, V.V., Kyzym, M.O., & Dubrovina, N.A. (2008). Modeli i metody socialno-ekonomichnogo prognozuvannya [Models and methods of socio-economic forecasting]. Kharkiv: INZhEK [in Ukrainian].
5. Peters, E. (1994). Fractal Market Analysis. Applying Chaos Theory to Investment and Analysis. John Wiley & Sons, New York.
6. Maksyshko, N., & Vasylieva, O. (2017). Doslidzhennya dynamiky na rynku zolota: investyciinyi aspekt [Research of dynamics in the gold market: investment aspect]. Investyciyi: praktyka ta dosvid – Investment: Practice and Experience, 19, 8–15 [in Ukrainian].
7. Vasylieva, O. (2019) Comparative analysis of statistical characteristics for time-series of investment instrument prices. Bulletin of Zaporizhzhia National University. Economic Sciences, 3 (43), 49-54.
8. Maksyshko, N., & Vasylieva, O. (2019). Diagnostics of persistence for quotes dynamics in high-tech stock markets. CEUR Workshop Proceedings, 2422, (pp. 467-478).
9. Maksyshko, N., & Vasylieva, O. (2019). Investigation of the markets dynamics type for a comparative analysis of the investment instruments attractiveness. Advances in Economics, Business and Management Research, 95, (pp. 335–340).
10. Vasylieva, O.V., & Maksyshko, N.K. (2019). Porivnyalnyi analiz dynamiky investycijnyx instrumentiv u konteksti gipotezy efektyvnogo rynku [Comparative analysis of the dynamics of investment instruments in the context of the efficient market hypothesis]. Naukovi zapysky Nacionalnogo universytetu «Ostrozka akademiya». Seriya «Ekonomika» – Scientific notes of the National University «Ostroh Academy». Economics Series, 12(40), 200–206. [in Ukrainian].
11. Maksyshko, N., Vasylieva, O., Kozin, I., & Perepelitsa, V. (2020). Comparative analysis of the attractiveness of investment instruments based on the analysis of market dynamics. Machine Learning for Prediction of Emergent Economy Dynamics 2020. CEUR Workshop Proceedings, 2713, 219-238. Retrieved from http://ceur-ws.org/Vol-2713/paper18.pdf.
12. Soloviev, V., & Belinskij, A. (2018). Methods of nonlinear dynamics and the construction of cryptocurrency crisis phenomena precursors. CEUR Workshop Proceedings, 2104, 116–1270.
13. Soloviev, V., Serdiuk, O., Semerikov, S., & Kohut-Ferens, O. (2019). Recurrence entropy and financial crashes. Advances in Economics, Business and Management Research, 99, 385–388. Retrieved from doi:10.2991/mdsmes-19.2019.73.
14. Maksyshko, N., Vasylieva, O., Cheverda, S., & Basova, D. (2019). Porivnyalnyi analiz yakosti prognoznyh modelej dynamiky finansovyh instrumentiv z uraxuvannyam glybyny pamyati [Comparative analysis of the quality of predictive models of the dynamics of financial instruments, taking into account the depth of memory]. O. I. Chernyak, & P.V. Zakharchenko (Eds), Aktualni problemy prognozuvannya rozvytku socialno-ekonomichnyh system – Actual problems of forecasting the development of socio-economic systems, (pp. 127–133). Melitopol : Vyd. Dud. [in Ukrainian].
15. Cheverda, S., & Maksyshko, N. (2020). Forecast research of dynamics of world oil prices based on complex fractal analysis. Bulletin of Zaporizhzhia National University. Economic Sciences, 1 (45), 62-68.
16. Chernyak, O. I., & Zakharchenko, P. V. (2010). Intelektualnyi analiz danyh [Data mining]. Kyiv: Znannia [in Ukrainian].
17. Ryepka, V. B. (2010). Osnovni polozhennya shtuchnyh nejronnyh merezh [The main provisions of artificial neural networks]. Kharkiv: NURE. Retrieved from https://dl.nure.ua/pluginfile.php/634/mod_resource/content/2/001.pdf [in Ukrainian].
18. Maksyshko, N. K. (2009). Modelyuvannya ekonomiky metodamy dyskretnoyi neliniynoyi dynamiky [Modeling of
