+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Финансы и кредит»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
LCCN Permalink
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Современные методы интеллектуального анализа данных: применимость на рынке ценных бумаг

т. 28, вып. 5, май 2022

PDF  PDF-версия статьи

Получена: 09.03.2022

Получена в доработанном виде: 23.03.2022

Одобрена: 06.04.2022

Доступна онлайн: 30.05.2022

Рубрика: Рынок ценных бумаг

Коды JEL: C45, C53, C88, G11, G12

Страницы: 1178–1196

https://doi.org/10.24891/fc.28.5.1178

Дмитриев А.С. аспирант департамента банковского дела и финансовых рынков, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация 
alex.inc2015@yandex.ru

ORCID id: отсутствует
SPIN-код: 9721-7046

Предмет. Методы интеллектуального анализа данных и их применимость на рынке ценных бумаг.
Цели. Выявить особенности применения на фондовом рынке современных методов интеллектуального анализа данных, обозначить основные постулаты для построения комбинированной модели интеллектуального анализа данных.
Методология. Использованы логический и системный подходы, общенаучные методы анализа и синтеза, сравнительного анализа.
Результаты. На основе анализа научных работ и моделей, предложенных авторами этих исследований, выявлены особенности применения на фондовом рынке современных методов интеллектуального анализа данных. В соответствии с результатами, которых добились авторы рассматриваемых работ, обозначены основные постулаты для построения модели интеллектуального анализа данных.
Область применения. Результаты могут быть использованы участниками финансового рынка, органами государственной власти, а также научно-исследовательскими и образовательными организациями.
Выводы. Совмещение нескольких методов, практикуемых в различных моделях интеллектуального анализа данных, и использование при этом инструментария фундаментального и технического анализа и механизма идентификации волатильности активов дает возможность создать принципиально новую комбинированную систему анализа стоимости и доходности активов и портфельного управления.

Ключевые слова: интеллектуальный анализ данных, рынок ценных бумаг, эконометрические модели, управление портфелем, машинное обучение

Список литературы:

  1. López-Robles J.R., Rodríguez-Salvador M., Gamboa-Rosales N.K. et al. The Last Five Years of Big Data Research in Economics. Econometrics and Finance: Identification and Conceptual Analysis. Procedia Computer Science, 2019, vol. 162, pp. 729–736. URL: Link
  2. Hayakawa K. Recent Development of Covariance Structure Analysis in Economics. Econometrics and Statistics, 2021. URL: Link
  3. Henrique B.M., Sobreiro V.A., Kimura H. Literature Review: Machine Learning Techniques Applied to Financial Market Prediction. Expert Systems with Applications, 2019, vol. 124, pp. 226–251. URL: Link
  4. Берзон Н.И., Буянова Е.А., Газман В.Д. и др. Инновации на финансовых рынках. М.: ВШЭ, 2013. 424 с.
  5. Semenkova E.V., Andrianova L.N., Krinichansky K.V. The Concept of Fair Pricing in the Regulation Framework of the Russian Securities Market. Journal of Reviews on Global Economics, 2018, vol. 7, pp. 562–571.
  6. Криничанский К.В., Безруков А.В. Некоторые практические задачи модели оптимизации портфеля // Журнал экономической теории. 2012. № 3. С. 142—147. URL: Link
  7. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 2019, vol. 1, pp. 206–215. URL: Link
  8. Zolfaghari M., Gholami S. A Hybrid Approach of Adaptive Wavelet Transform, Long Short-Term Memory and ARIMA-GARCH Family Models for the Stock Index Prediction. Expert Systems with Applications, 2021, vol. 182. URL: Link
  9. Pagach D.P., Warr R.S. Analysts Versus Time-Series Forecasts of Quarterly Earnings: A Maintained Hypothesis Revisited. Advances in Accounting, 2020, vol. 51, no. 100497. URL: Link
  10. Floros C., Gkillas K., Konstantatos C., Tsagkanos A. Realized Measures to Explain Volatility Changes over Time. Journal of Risk and Financial Management, 2020, vol. 13, iss. 6, p. 125. URL: Link
  11. Christina Dan Wang, Zhao Chen, Yimin Lian, Min Chen. Asset Selection Based on High Frequency Sharpe Ratio. Journal of Econometrics, 2022, vol. 227, iss. 1, pp. 168–188. URL: Link
  12. Zheng J., Wang Y., Li S., Chen H. The Stock Index Prediction Based on SVR Model with Bat Optimization Algorithm. Algorithms, 2021, vol. 14, iss. 10, p. 299. URL: Link
  13. Barak S., Arjmand A., Ortobelli S. Fusion of Multiple Diverse Predictors in Stock Market. Information Fusion, 2017, vol. 36, pp. 90–102. URL: Link
  14. Vijh M., Chandola D., Tikkiwal V.A., Kumar A. Stock Closing Price Prediction using Machine Learning Techniques. Procedia Computer Science, 2020, vol. 167, pp. 599–606. URL: Link
  15. Ghosh P., Neufeld A., Sahoo J.K. Forecasting Directional Movements of Stock Prices for Intraday Trading using LSTM and Random Forests. Finance Research Letters, 2022, vol. 46, part A, no. 102280. URL: Link
  16. Chen Y., Liu K., Xie Y., Hu M. Financial Trading Strategy System Based on Machine Learning. Mathematical Problems in Engineering, 2020, pp. 10–23. URL: Link
  17. Kumar A., Lei Z., Zhang C. Dividend Sentiment, Catering Incentives, and Return Predictability. Journal of Corporate Finance, 2022, vol. 72, no. 102128. URL: Link
  18. Chang J., Tu W., Yu C., Qin C. Assessing Dynamic Qualities of Investor Sentiments for Stock Recommendation. Information Processing & Management, 2021, vol. 58, iss. 2, no. 102452. URL: Link
  19. Hung H.-C., Chuang Y.-J., Wu M.-C. Customizable and Committee Data Mining Framework for Stock Trading. Applied Soft Computing, 2021, vol. 105, no. 102277. URL: Link
  20. Koratamaddi P., Wadhwani K., Gupta M., Sanjeevi S. Market Sentiment-Aware Deep Reinforcement Learning Approach for Stock Portfolio Allocation. Engineering Science and Technology, an International Journal, 2021, vol. 24, iss. 4, pp. 848–859. URL: Link
  21. Ahmadi E., Jasemi M., Monplaisir L. et al. New Efficient Hybrid Candlestick Technical Analysis Model for Stock Market Timing on the Basis of the Support Vector Machine and Heuristic Algorithms of Imperialist Competition and Genetic. Expert Systems with Applications, 2018, vol. 94, pp. 21–31. URL: Link

Посмотреть другие статьи номера »

 

ISSN 2311-8709 (Online)
ISSN 2071-4688 (Print)

Свежий номер журнала

т. 28, вып. 5, май 2022

Другие номера журнала