Ανάπτυξη και αξιολόγηση νευρωνικών μεθόδων πρόβλεψης και ταξινόμησης με κύρια έμφαση στις χρηματοικονομικές εφαρμογές

Abstract

Τα τελευταία χρόνια, τα νευρωνικά δίκτυα καθιερώνονται όλο και περισσότερο στο χώρο της ακαδημαϊκής έρευνας αλλά και της εμπορικής εκμετάλλευσης. Το κύριο χαρακτηριστικό τους είναι η ικανότητά τους να προσεγγίζουν μη γραμμικές σχέσεις χωρίς να κάνουν εκ των προτέρων υποθέσεις αναφορικά με τη φύση της διαδικασίας που δημιουργεί το υπό εξέταση φαινόμενο. Αυτό είναι ιδιαίτερα χρήσιμο στις χρηματοοικονομικές εφαρμογές όπου γίνονται πολλές υποθέσεις αλλά λίγα είναι πραγματικά γνωστά. Για τον προσδιορισμό του πλαισίου έρευνάς μας ασχοληθήκαμε αρχικά με τους αλγορίθμους εκπαίδευσης νευρωνικών δικτύων. Επικεντρώσαμε το ενδιαφέρον μας αποκλειστικά στα νευρωνικά δίκτυα πολλαπλών στρωμάτων απλής τροφοδότησης καθώς όπως προέκυψε από την ανασκόπηση της σχετικής βιβλιογραφίας αυτά είναι τα πιο δημοφιλή στις χρηματοοικονομικές εφαρμογές των νευρωνικών δικτύων. Στη συνέχεια εξετάσαμε τις μεθοδολογίες που αναφέρονται στην διεθνή βιβλιογραφία για την επιλογή νευρωνικού υποδείγματος. Ωστόσο, οι μεθοδολογίες που αναφέρονται στην βιβλιογραφία της επιλογής υποδείγματος, παρά την πληθώρα τους παραβλέπουν στην πλειοψηφία τους την ανάπτυξη συνεπών εκτιμητριών. Την αποτελεσματικότητα των μεθοδολογιών αυτών αξιολογήσαμε χρησιμοποιώντας συνθετικά δεδομένα. Έχοντας πλέον καταλήξει στη μεθοδολογία επιλογής νευρωνικού υποδείγματος προχωρήσαμε στην υλοποίηση των προτάσεων της διατριβής. Χρησιμοποιώντας λοιπόν, τα νευρωνικά δίκτυα και κάποιες βασικές χρηματοοικονομικές πληροφορίες των εταιριών που εισήχθησαν στο ελληνικό χρηματιστήριο την περίοδο 1995 - 2002, αναπτύξαμε ένα υπόδειγμα τιμολόγησης της τιμής της μετοχής της εκδότριας εταιρίας. Η ικανότητα γενίκευσης του υποδείγματός μας εξετάστηκε χρησιμοποιώντας τα δεδομένα του δείγματος ελέγχου, δηλαδή δεδομένα που για πρώτη φορά παρουσιάζονταν στο νευρωνικό δίκτυο. Τα αποτελέσματα μας υποδεικνύουν ότι τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν ως μια εναλλακτική μεθοδολογία ανάλυσης και αποτίμησης της αξίας των εταιριών τόσο για την περίπτωση των δημόσιων εγγραφών όσο και για άλλες περιπτώσεις όπως συγχωνεύσεις και εξαγορές. Καθώς οι προβλέψεις των νευρωνικών δικτύων χαρακτηρίζονται από αβεβαιότητα που οφείλεται κυρίως σε ανακρίβειες στα δεδομένα εκπαίδευσης και σε περιορισμούς του μοντέλου η κατασκευή διαστημάτων πρόβλεψης μπορεί να χρησιμοποιηθεί ως ένας τρόπος μέτρησης εμπιστοσύνης, με την στατιστική της έννοια, της πρόβλεψης του νευρωνικού δικτύου. Για το λόγο αυτό επεκτείναμε το υπόδειγμά μας με τη χρήση διαστημάτων πρόβλεψης γύρω από την εκτιμηθείσα τιμή της νεοεισαγόμενης μετοχής. Τέλος, αξιοποιώντας πάλι την τεχνολογία των νευρωνικών δικτύων και χρησιμοποιώντας κάποιους βασικούς δείκτες της τεχνικής ανάλυσης, αναπτύξαμε ένα υπόδειγμα εκτίμησης της μελλοντικής πενθήμερης απόδοσης για τον δείκτη Dow Jones Ind. Προκειμένου να αξιολογήσουμε την αποδοτικότητα του νευρωνικού μας μοντέλου με το δείγμα ελέγχου χρησιμοποιήσαμε ως στρατηγική αναφοράς αυτή της ‘αγοράς και διακράτησης’. Η απόδοση του νευρωνικού μας μοντέλου ήταν κατά πολύ υψηλότερη από την απόδοση της στρατηγικής αναφοράς. Προκειμένου να κάνουμε πιο σύνθετη τη στρατηγική συναλλαγών μας εκτιμήσαμε για τις σημειακές εκτιμήσεις των αποδόσεων του Dow Jones Ind. διαστήματα πρόβλεψης. Το ποσοστό των κερδοφόρων συναλλαγών εμφανίζεται ιδιαίτερα υψηλό στην περίπτωση που τα διαστήματα πρόβλεψης έχουν εκτιμηθεί από τον συνδυασμό του bootstrap και της προσέγγισης μέγιστης πιθανοφάνειας. Τα ενθαρρυντικά αποτελέσματα των νευρωνικών μας μοντέλων μας δημιουργούν προσδοκίες για το ότι τα νευρωνικά δίκτυα μπορούν να αποτελέσουν ένα πολύτιμο εργαλείο στη φαρέτρα της χρηματοοικονομικής ανάλυσης και αποτίμησης της αξίας των εταιριών καθώς και στη διαχείριση χαρτοφυλακίου.