Тел.факс: +7(831)437-66-01
Факторинг  Рынок капитала 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 [ 77 ] 78 79 80 81 82 83 84 85 86

Применение теории хаоса и нелинейных методов

Со времени первого издания этой книги у нее нашлись настоящие последователи-практики. Большинство не полностью обнародовали свои приложения теории. Как можно ожидать, верящим в слабость формы рыночной эффективности не понравилось бы, если б другие стали копировать их методы и тем самым разрушили возможности оперирования с ценными бумагами. В этой главе мы кратко опишем ряд практикующих компаний, которые управляют реальными активами, используя некоторые формы нелинейного анализа.

Никто из этих приверженцев теории хаоса не использовал исключительно ее для выработки своей инвестиционной стратегии. Сама по себе теория хаоса не может помочь нам предсказывать рынки, она только способствует их пониманию. Следовательно, теория хаоса используется в больщинстве случаев как основа для понимания рьшков. Сама же технология, применяемая для рьшочных предсказаний, представляет собой сочетание стандартных линейных методов, нечеткой логики, нейронных сетей или генетических алгоритмов. В то время как первые две области были нами рассмотрены, последние две не упоминались и поэтому заслуживают краткого введения.

Нейронные сети -это математические моде;ш, которые Имитируют работу мозга. Это означает, что они пытаются подражать параллельным методам вычислений, которые, по нашим предположениям, лежат в основе функционирования озга. Нейронные сети в действительности не имитируют Мозг, они лишь являются некоторыми моделями его работы. Подобно любым моделям нейронные сети - это огрубляющее Упрощение действительности. Однако нейронные сети обладают умением приспосабливаться. Это значит, что они могут обучаться (или перестраивать свои параметры) при получении новой информации. При наличии достаточной обучающей 1борки они становятся способны к распознаванию образов. Однако в итоге нейронные сети - это в основном некоторая



новая форма нелинейной непараметрической регресии. Они многообещающи, но требуют большого внимания, поскольку методы их диагностики незрелы и неполны. Оценить эффективность нейросетевых моделей чезвычайно сложно. Это настоящий черный ящик. Входы транформируются в выходы. Распутывание того, что происходит внутри нейронной сети очень трудная задача. Тот кто интересуется более полным обсуждением проблемы может обратиться к Рефнесу (Refness 1995) и Дебоку (Deboek, 1994). В этих книгах оцениваются исследования в области нейронных сетей применительно к рынкам капитала.

Генетические алгоритмы имитируют эволюцию. Здесь опять мы используем модель, а не реальный процесс. Генетические алгоритмы могут тестировать правила и находить множество правил, которые оптимизируют конкретную целевую функцию посредством конкуренции. Только наилучшие правила (т. е. самые приспособленные ) выживают при окончательном решении. Больше того. Не только достигается преобладание сильных правил над слабыми, - генетические алгоритмы могут формировать другие правила посредством кроссовера и мутации. Это означает, что части правил могут изменяться случайным образом и складываться с целью получения смеси потенциальных правил. Два успешных правила могут быть объединены в новое правило. Если эти новые правила выживают, они могут преобладать над родительскими правилами. Кроссовер и мутация предохраняют процесс оптимизации от попадания в локальный максимум. Когда мы оптимизируем функцию, мы проверяем, действительно тти мы находимся на вершине горы. Например, максимум двумерной параболы есть ее пик. Однажды достигнув пика, большинство оптимизационных алгоритмов останавливаются, что должно говорить о достижении максимального уровня. В многомерных проблемах мы можем иметь много возвышенностей. Только один из них является предельным пиком, или глобальным максимумом. Однако большинство оптимизационных алгоритмов останавливаются при достижении пика, даже если он всего лишь локальный максимум. Мы не можем быть уверены в том, что это наивысший пик. Функции кроссовера и мутации выбрасывают процесс с текущей возвышенности в том случае, если не достигнут глобальный максимум. Если же это глобальный максимум, алгоритм просто поддерживается на вершине. Если этого нет, поиски проДоЛ-



Lbs Capital Manag. (Клервотер, штат Флорида) 249

жаются. Таким образом, генетический алгоритм становится эффективным методом поиска для максимизационных проблем. Однако это требует существенного количества данных. Тому, кто заинтересован в более полном обсуждении проблемы, рекомендуем прочесть Дебока (Deboek, 1994) и Бауэра (Bauer, 1994). В этих книгах рассматриваются генетические алгоритмы в применении к рынкам капитала.

Практики часто используют названные методы в комбинации. Это значит, что они создают гибридные системы. Генетические алгоритмы могут быть использованы для оптимизации нечетких правил или параметров нейронных сетей. Нечеткие правила могут определять параметры нейронной сети. Существует много комбинаций такого рода.

За пять лет, истекшие со времени первого издания этой книги, многие заявили о том, что применили эти инновации к рынкам. Остается неясным, каковы были их действительные успехи. Многие фирмы создали шумиху только для того, чтобы предать забвению тот факт, что однажды им доверили в управление деньги. В этой главе мы рассмотрим четыре фирмы, которые выглядят убедительно. По необходимости эта глава будет краткой. Как я сказал раньше, инвестиционные менеджеры не любят распространяться о своих технологиях . Поэтому никаких секретов здесь раскрыто не будет. Я должен добавить, что не могу подтвердить данные какой-либо фирмы, названной здесь (за исключение PanAgora). Вся информация получена из опубликованных источников, однако я не гарантирую ее точности. Читатели, заинтересованные в дополнительной информации, могут связаться с этими фирмами тюпогррдстврппо.

LBS CAPITAL MANAGEMENT (КЛЕРВОТЕР, ШТАТ ФЛОРИДА)

Lbs является фирмой, которая использует нейронные сети, генетические алгоритмы и гибридные системы. Под управлением доктора Ганеш Мани (Ganesh Mani), руководителя научно-исследовательских работ, фирма предложила методику выбора времени для операций на рынках и одновременно стратегию сортировки акций. Это средних размеров инвести-Дионная фирма, в управлении которой находится 600 миллионов долларов. LBS необычна в том смысле, что она установи- а настоящий рекорд продолжительности жизни. Ее модель



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 [ 77 ] 78 79 80 81 82 83 84 85 86