Э петерс фрактальный анализ финансовых рынков. Фрактальный анализ финансовых рынков. Лучшие брокеры Forex и бинарных опционов

Движение цены имеет фрактальную природу, потому что действия и реакции людей на рынке повторяются. Задача заключается в распознавании этих повторяющихся моделей на графике цены. В данной статье мы подробно рассмотрим один из способов нахождения таких моделей.

Законы гравитации, емкости, инерции и цикличности являются важными движущими силами финансовых рынков. Все модели, поведение и динамику рынка можно рассматривать в качестве симптомов или результата действия этих законов. Эти базовые силы легко поддаются пониманию и интуитивному восприятию. Доказать их наличие можно, используя простую, неопровержимую логику, опирающуюся на эмпирические доказательства. В данной статье мы рассмотрим фрактальную структуру рынков, ее проявления и последствия, а также возможности, которые она дает проницательному и, в конечном итоге, успешному трейдеру.

Фракталы на финансовых рынках

Фракталы представляют собой естественное явление и в то же время - математические множества. Общее для них - их повторяющаяся модель, которую можно наблюдать на любом масштабе времени и пространства. Чтобы представить это в финансовом контексте, взгляните на рисунок 1, где изображены три свечных графика. Один из них - дневной график (одна свеча представляет один день торговли), другой - 5-минутный (одна свеча объединяет 5 минут торговли), а третий - недельный (все движения за неделю сжаты в одну свечу). Каждый график представляет различный тип финансовых активов - , индекс и товар. Кроме того, каждый из них охватывает различный период времени.

Рисунок 1

Но даже с учетом всего этого, все равно невозможно сказать, какой график к чему относится. Не имея цен по вертикальной оси и/или временных меток по горизонтальной, отличить их не удастся. Фактически, поскольку эти три графика показаны рядом друг с другом, их можно принять за один непрерывный график. Для тех, кому интересно, скажем: левый график - недельный таймфрейм по золоту, средний - дневной по S&P 500, а правый - 5-минутка Google, Inc. (GOOG).

Хорошей аналогией здесь может служить концепция числовой бесконечности. Есть два подхода к числовой бесконечности. Один заключается в том, что для каждого числа существуют соседние числа - меньшее и большее, для которых, в свою очередь, также имеются меньшее и большее соседние числа; и так - до бесконечности; это есть бесконечность размера. Другой подход заключается в том, что между любыми двумя числами существует бесконечное множество других чисел - это есть бесконечность точности. То же самое можно сказать о данных на финансовых рынках. Непрерывно поступают новые котировки, которые можно рассматривать на таймфреймах различной степени точности. Единственное исключение в этом сравнении заключается в том, что масштаб (если мы говорим о движении цены) не является бесконечным. На практике, наименьшим масштабом является одиночная операция. Но концепцию бесконечности все же можно использовать, чтобы увидеть фрактальную природу ценовых данных на финансовых рынках.

Рисунок 1 является примером нескончаемого потока эмпирических доказательств. Можно ли выдвинуть здравое объяснение, или универсальный закон, которое учитывало бы это явление? Если да, то это могло бы объяснить, как работает . Мы полагаем, что сформулировать универсальный закон можно. Любой график, отображающий поведение финансовых рынков, независимо от его таймфрейма или расположения во времени, является результатом прошлых операций. Мы имеем в виду операции, выполненные людьми в качестве реакции на различные импульсы. На диаграмме на рисунке 2 можно увидеть представление внешнего взгляда на финансовый рынок. Финансовый рынок состоит из новых для данной системы внешних импульсов (новости, отчеты и другие фундаментальные данные), а также из выходного сигнала, который внутренне возвращается в систему (люди, реагирующие на движение цены).

Рисунок 2

Графики - это ничто иное, как совокупный результат прошлых действий всех трейдеров или исполненных ордеров. Поскольку люди действуют и реагируют на то, что делает рынок, одинаковым образом и одинаковыми методами на всех таймфреймах, то их поведение, в конечном счете, проявляется в одинаковых моделях, независимо от масштаба.

Человеческие эмоции неизменны, какой бы таймфрейм мы ни рассматривали. То же относится и к вытекающему из этих эмоций поведению.

Фокальные точки

Трейдеры применяют одинаковые методы и индикаторы для поиска однотипных сигналов, независимо от таймфрейма, на котором они работают. Зная это, стоит в процессе торговли следить за несколькими таймфреймами. Нечто подобное сделал Александр Элдер, разработавший свою систему торговли по трем экранам, предполагающую, что трейдеру необходимо смотреть на один таймфрейм ниже и один таймфрейм выше того, на котором он торгует.

Как идеальный шторм начинается с невинного бриза, который в конечном итоге перерастает в ураган, точно так же можно постараться с пользой для себя уловить точки, где сигналы на различных таймфреймах начинают согласоваться. Чем больше число сигналов (разных или одинаковых) на всех таймфреймах, тем большую важность приобретает данный конкретный момент времени.

Количество графиков, на которых одновременно присутствуют схожие сигналы, определяет важность и глубину понимания рыночной динамики. Подумайте, сколько людей в этот момент наблюдают за данным графиком и данным сигналом, глядя на разные таймфреймы. Компьютер - идеальное средство для обработки такого большого объема информации. Например, вы можете просмотреть 50 возможных формаций или сигналов на 20 различных таймфреймах для конкретной акции, а затем повторить это еще для нескольких тысяч акций.

Затем мы придем к пониманию, что будущее любого графика определяется накопительным исполнением ордеров, которые еще даже не размещены. Невозможно заранее знать, будет ли данная внутридневной, краткосрочной, продлится несколько дней или недель, или же станет долгосрочной, которую вы будете удерживать от нескольких недель до нескольких месяцев. Каждая сделка развивается с эмбриональной стадии - это самая мелкая форма на самом мелком масштабе времени. Вот почему фракталы играют важную роль в торговле.

Атомы торговли

Каждый тренд, независимо от его длины, начинается с самого нижнего Low (в случае восходящего тренда) или с самого высокого High (в случае нисходящего). Каждое дно, при достаточном приближении, имеет V-образную форму, состоящую из трех баров. Аналогично, каждая вершина должна будет выглядеть, как перевернутая буква V, если рассмотреть ее самую верхнюю точку при достаточном увеличении. Это означает, что на самом базовом уровне, независимо от рассматриваемого таймфрейма, всегда присутствуют три бара, которые составляют этот атом - строительный элемент любого графика. Тренды и развороты всегда будут заканчиваться или начинаться тремя барами, средний из которых представлет собой крайнюю верхнюю или крайнюю нижнюю точку. Взгляните на рисунок 3. На левом графике вы видите модель из трех баров, которая называется "фрактал вниз с одним баром". "С одним баром" означает, что с каждой стороны от среднего бара есть по одному бару с более высокими High.

Рисунок 3

Рядом с этой моделью на диаграмме приведен фрактал вверх с двумя барами, т.е. с каждой стороны от среднего бара есть по два бара. Необходимо знать некоторые нюансы этих определений, встречающиеся в литературе по торговле. Например, для фрактала вверх с пятью барами, в большинстве источников есть требование, что с каждой стороны от вершины или дна должны быть хотя бы два бара, чтобы эта формация называлась фракталом. Существует расхождение во мнениях, поскольку некоторые считают, что окружающие бары не обязательно должны демонстрировать устойчивый восходящий или нисходящий тренд, а некоторые полагают иначе. Пример такой ситуации вы можете увидеть на третьей диаграмме на рисунка 3. Красный бар - это фрактал вверх с тремя барами, потому что справа от красного бара в самом деле есть три бара с более низкими High, несмотря на то, что третий выше второго. В некоторой литературе это называется фракталом вверх с тремя барами, потому что четвертый бар справа снова имеет более низкий High. Аналогично, если посмотреть на бары слева от зеленого, можно заметить, что третий бар слева имеет более высокий Low, чем зеленый бар, хотя его Low ниже, чем у второго бара слева от зеленого. В литературе присутствует довольно много путаницы в отношении определений фрактальных моделей и того, как их использовать. Поэтому в данном вопросе нужно пойти на один шаг дальше.

Фрактальный континуум

Помимо всех классификаций, учитывающих соседние бары, каждому бару можно присвоить набор из четырех цифр. Количество баров слева и справа от рассматриваемого бара, которые демонстрируют более высокие Low, чем у рассматриваемого, называется числом Chartmill поддержки данного бара слева/справа (CLS и CRS, соответственно) . Аналогично, число Chartmill сопротивления данного бара слева/справа (CLR и CRR, соответственно) учитывает количество баров слева и справа от данного бара с более низкими High. Эти числа четкие и позволяют избежать путаницы. Таймфрейм, который вы используете для анализа, не должен влиять на то, как вы определяете и анализируете фрактальную природу рынка. Важно иметь объективные индикаторы и сигналы. Более того, эти индикаторы и сигналы должны игнорировать любые характеристики визуального восприятия, например: масштаб времени на горизонтальной оси или линейность/логарифмичность оси. Только после этого можно создать объективные, не зависящие от графика индикаторы, которые можно применять алгоритмически, сканируя на наличие фокальных точек.

Будьте в курсе всех важных событий United Traders - подписывайтесь на наш

Настоящая книга посвящена изложению гипотезы фрактального рынка, как альтернативе гипотезы эффективного рынка. Фракталы, как следствие геометрии Демиурга присутствуют повсеместно в нашем мире и играют существенную роль, в том числе, и в структуре финансовых рынков, которые локально случайны, но глобально детерминированы, по мнению автора. В книге будут рассмотрены методы фрактального анализа рынков акций, облигаций и валют, методы различения независимого процесса, нелинейного стохастического процесса и нелинейного детерминированного процесса и исследовано влияние этих различий на пользовательские инвестиционные стратегии и способности моделирования. Такие стратегии и способности моделирования тесно связаны с типом активов и инвестиционным горизонтом пользователя.

Для риск-менеджеров, финансистов, инвестиционных стратегов, технических аналитиков рынка, а также индивидуальных инвесторов и валютных спекулянтов самостоятельно выходящих на финансовые рынки мира, в том числе, и на рынок FOREX и рынки России.

В 1991 г. я закончил написание книги, озаглавленной «Хаос и порядок на рынках капитана». Она была опубликована осенью того года (Peters, 1991 а). Моя цель состояла в том, чтобы написать концептуальное введение для инвестиционного сообщества к теории хаоса и фрактальной статистике. Я также хотел представить некоторое предварительное свидетельство того, что вопреки принятой теории рынки не достаточно хорошо описываются моделью случайных блужданий, и широко представленная гипотеза эффективного рынка (Efficient Market Hypothesis - ЕМН) не достаточно хорошо подтверждается эмпирическими данными.

В общем, моя книга получила очень положительные отзывы. Многие читатели ее одобрили, хотя некоторые выразили свое неодобрение и задали подробные вопросы. Вопросы разделились на две категории:

(1) техническую и (2) концептуальную. В технической категории оказались вопросы с просьбой сообщить больше информации об анализе. Моя книга не была предназначена быть учебником и я пропустил многие технические подробности, задействованные в анализе. Такой подход улучшил удобочитаемость книги, но заставил многих читателей задаться вопросом: «Что же делать дальше?»

Во второй категории были вопросы, связанные с концептуальными проблемами. Если ЕМН имеет недостатки, то как можно ее исправить? Или, скорее, какова ее жизнеспособная замена? Как теория хаоса и фракталы сочетаются с торговыми стратегиями и с дихотомией технического и фундаментального анализов? Могут ли эти, казалось бы, несопоставимые теории быть объединены? Может ли традиционная теория стать нелинейной?

В этой книге я рассматриваю обе категории вопросов. Хотя книга отличается от предыдущей, тем не менее, она отражает многие схожие черты. Фрактальный анализ рынка - это попытка обобщить Теорию рынка капитала (Capital Market Theory - СМТ) и объяснить разнородность инвестиционного сообщества. Одна из неудач традиционной теории заключается в ее попытке упростить "рынок" до среднего прототипичного рационального инвестора. Причины для того, чтобы работать в этом направлении, были благородны. В традиции западной науки отцы-основатели СМТ попытались узнать что-что о целом, разделив проблему на ее основные составляющие. Попытка оказалась успешной. Благодаря дальновидной работе Марковица (Markowitz), Шарпа (Sharpe), Фамэ (Fama) и других мы добились огромных успехов за прошедшие 40 лет.

Однако, редукционистский подход имеет свои пределы и мы их достигли. Пришло время более целостно взглянуть на работу рынков. В частности, пришло время признать большую разнородность, лежащую в основе рынков. Участие всех инвесторов не обусловлено одной и той же причиной, при этом инвесторы не используют свои стратегии на одних и тех же инвестиционных горизонтах. Стабильность рынков неизбежно связана с разнородностью инвесторов. «Зрелый» рынок разнороден, так же как и стар. Если бы у всех участников был один и тот же горизонт инвестиций, если бы они одинаково реагировали на одну и ту же информацию и вкладывали бы капитал с одной и той же целью, повсюду правила бы нестабильность. Зрелые же рынки, напротив, обладают, в течение уже длительного времени, поразительной стабильностью. Дэйтрейдер может вести анонимную торговлю с пенсионным фондом: первый ведет частую торговлю ради краткосрочных прибылей; последний же торгует нечасто и ради долгосрочной финансовой безопасности. Дэйтрейдер реагирует на технические тенденции; инвестиции пенсионного фонда основываются на долгосрочном потенциале экономического роста. И все же, все действуют одновременно, и каждый диверсифицирует другого.

Данная книга не является рассказом, хотя основной акцент, все же, делается на концептуальных аспеюах. В рамках концептуальной структуры тщательно изучаются аналитические методы. Как и в предыдущей книге, я полагаю, каждый, кто обладает прочными знаниями в коммерческой статистике, найдет здесь много полезного. Основной акцент делается не на динамике, а на эмпирической статистике, т.е. на анализе временного ряда для определения того, с чем мы имеем дело.

Фрактальный анализ рынков — что это такое?

Статья про фрактальный анализ. Много теории. Мои комментарии отмечены зелёным цветом.

Фрактальный анализ рынков - относительно новое направление анализа валютного и фондового рынка. Родоначальником фрактального анализа рынков является Бенуа Мандельброт, описавший теорию в своей книге в соавторстве с Ричардом Л. Хадсоном «(Не)послушные рынки: фрактальная революция в финансах.» Следующим исследователем, внесшим вклад в развитие фрактальной теории рынка, является Эдгар Петерс.

Фрактальный анализ рынков (Форекс) указывает на зависимость будущих цен от их прошлых изменений. Таким образом, процесс ценообразования на рынках глобально детерминирован, зависим от «начальных условий», то есть прошлых значений. Локально же процесс ценообразования случаен, то есть в каждом конкретном случае цена имеет два варианта развития. Фрактальный анализ рынков напрямую исходит из фрактальной теории и заимствует свойства фракталов для получения прогнозов.

Основные свойства фракталов на рынке:
Рыночные диаграммы обладают фрактальной размерностью.Фрактальная размерность рыночной диаграммы всегда 1 Рыночные диаграммы обладают свойством масштабной инвариантности или скейлинга. Разные временные интервалы самоподобны.
Рыночные диаграммы всегда образуют определенную структуру, обладающую уникальными свойствами.
Рыночные фракталы обладают «памятью» о своих «начальных условиях».

Первым практиком, который применил фрактальную теорию при анализе финансово-сырьевых рынков, стал Билл Вильямс. Впоследствии, его метод фрактального анализа рынка широко распространился во многих странах. Этому способствовали такие его работы, как «Торговый Хаос», «Новые измерения в биржевой торговле», «Торговый Хаос второе издание».

Моё мнение — Билл Вильямс – прохиндей. В его книгах очень много воды и абстрактных рассуждений. Это не значит, что фрактальная теория неверна или не эффективна. Это значит, что конкретно Б. Вильям или не умеет излагать свои мысли кратко или до конца не понимает теорию или все его книги – это пиар самого себя и своих курсов.

Со временем, многие невнимательные трейдеры и аналитики посчитали, что за красивым названием кроется скорее грамотный пиар ход автора, чем реальное использование фракталов на рынке. Основная ошибка, которая приводит к искажению результатов анализа заключается неправильном толковании понятия «преодоления фрактала». Неоднозначность фрактального анализа прекращается, если слово «преодоление» понимать не как прокол ценой фрактального уровня, а как пробой подтвержденный закрытием цены выше или ниже фрактального уровня.

Это не так. Часто цена закрывается ниже фрактала, а пробой оказывается ложным. Мой практический опыт показывает, что цена закрытия не является критерием истинности (или ложности) ценового прорыва. Смотрите рисунок.

Цена пробила фрактал сверху вниз и цена закрытия целых двух свечей была ниже уровня. Тем не менее пробой вниз оказался ложным…

В России первым автором и последователем фрактальной теории, как стратегии на финансовых рынках, является Алмазов Алексей Александрович. Им была предложена фрактальная функция Вейерштрасса-Мандельброта (эта функция не разрабатывалась Мандельбротом, а является составляющей математической программы Fractan) в качестве реальной модели ценовых значений для выявления графических циклов (моделей).

На практических примерах автор в достаточно подробной форме раскрывает сложные математические понятия, такие как: начальные условия, аттрактор, непериодический цикл, размерность и многие другие, применительно к графической структуре рынка.

В отличие от других авторов, Алмазов постоянно развивает направление фрактального анализа как самостоятельного инструмента для анализа рыночных цен, об этом свидетельствуют новые разработки и многолетний успешный стаж работы в качестве аналитика финансовых рынков.

Аналитик, по-простому — это болтун. Он получает зарплату не за эффективность своих прогнозов, а за умение завернуть в красивую упаковку свои прогнозы. Если бы он был практиком «трейдером», то это был бы другой разговор.

Из недостатков теории, разработанной Алмазовым, можно указать на то, что в данном подходе пока слабо используется математический аппарат для прогнозирования цен.

То есть мало математики и статистики и много «угадывания».

В российской форумной среде можно найти попытки применения фрактальной теории на рынке. В основном, используется наследие Бенуа Мандельброта и его математический аппарат.

М.В. Прудский. ФРАКТАЛЬНЫЙ АНАЛИЗ ФИНАНСОВЫХ РЫНКОВ. Рассмотрены основные свойства и природа фракталов, возможности их применения в повседневной жизни, а также преимущества фрактального подхода при моделировании финансовых рынков. Будут разобраны основные стохастические модели временных рядов и на примере курса доллара будет построена фрактальная ARIMA лог-приростов, определение которой будет основано на фрактальном R/S-анализе размерности графика курса доллара. Будет дана также интерпретация показателя Хёрста – результата R/S-анализа, позволяющего судить о возможности прогнозирования исследуемого финансового инструмента.

Изложение основного материала

В современном мире финансовые рынки привлекают довольно широкий общественный интерес. Круг людей, которые имеют дело с финансовой аналитикой, разнится от рядовых трейдеров, до аналитиков глобальных корпораций и государственных органов. Человечество давно интересуют законы поведения таких практически непредсказуемых объектов. Котировки акций, валютные курсы, цены на фьючерсы, опционы и прочие финансовые инструменты – это лишь малая часть того, на чём может заработать деньги квалифицированный человек. Существует множество способов анализа событий, происходящих на рынках. Это и технический анализ, и фундаментальный, и теория волн Эллиота, а также много различных менее известных методик. Но одна методика выделяется среди них своей простотой и оригинальностью – фрактальный анализ. Многие слышали о том, что такое фрактал, изучали в школах и университетах, видели простейшие одномерные и сложные дифференциальные многомерные фракталы, но мало кто знает об их истинной пользе. Изобретённые Мандельбротом, они нашли применение практически во всех сферах повседневной жизни. Фрактальную природу имеют форма раковины моллюска, турбулентные завихрения в воздухе, человеческие сосуды, крона дерева, форма листа, волны, береговая линия, трещины, молнии и многие другие всем знакомые объекты реального мира. Фрактальную природу имеют и графики котировок акций и валют. Если вычислить фрактальные свойства времени и пространства финансовых инструментов, становится возможным осуществлять точечные и интервальные прогнозы будущих значений с высокой точностью. Фракта?л (лат. fractus - дроблёный, сломанный, разбитый) - геометрическая фигура, обладающая свойством самоподобия, т.е. составленная из нескольких частей, каждая из которых подобна всей фигуре целиком. Фактически не существует точного определения термина «фрактал». Бенуа Мандельброт, отец фрактальной геометрии, тоже не сформулировал точного определения. Фракталы имеют определенные особенности, которые измеримы, и свойства, которые являются желательными для целей моделирования. Первое свойство – самоподобие. Оно означает, что части в некотором роде связаны с целым. Это свойство самоподобия делает фрактал масштабно-инвариантным. Фрактальные зависимости имеют вид прямой на графиках, где обе оси имеют логарифмический масштаб. Модели, описываемые таким образом должны использовать степенную зависимость (вещественное число, возведенное в степень). Эта особенность масштабирования по степенному закону является вторым свойством фракталов, фрактальной размерностью, которая может описывать либо физическую структуру, такую как легкое, либо временной ряд . Слово «фрактал» может употребляться не только как математический термин. Фракталом в прессе и научно-популярной литературе могут называть фигуры, обладающие какими-либо из перечисленных ниже свойств:

1. Обладает нетривиальной структурой на всех масштабах. В этом отличие от регулярных фигур (таких как окружность, эллипс, график гладкой функции): если мы рассмотрим небольшой фрагмент регулярной фигуры в очень крупном масштабе, он будет похож на фрагмент прямой. Для фрактала увеличение масштаба не ведёт к упрощению структуры, на всех шкалах мы увидим одинаково сложную картину.
2. Является самоподобной или приближённо самоподобной.
3. Обладает дробной метрической размерностью или метрической размерностью, превосходящей топологическую.

Рисунок 1 – Пример фрактала

Фракталы – безусловно красивые математические причуды природы. Если взглянуть на график функции Вейерштрасса, то можно увидеть сходство с графиками курсов валют или котировок акций. Этот фрактал описывается функцией

где a – нечётное число, а b – число, меньшее единицы. Эта функция непрерывная и нигде не дифференцируемая. Применяется для моделирования временных рядов методом Монте-Карло .

Стохастические модели временных рядов Существует несколько процессов с кратковременной памятью, которыми обычно пользуются при прогнозировании цен на финансовых рынках. В их числе:
1. AR.
2. MA.
3. ARMA.
4. ARIMA.
5. ARFIMA.
Остановлюсь более подробно на фрактальной авторегрессии.

ARIMA ARIMA (англ. autoregressive integrated moving average) – интегрированная модель авторегрессии - скользящего среднего – модель и методология анализа временных рядов, иногда называемые моделями (или методологией) Бокса-Дженкинса. Модель ARIMA(p,d,q) означает, что разности временного ряда порядка подчиняются модели ARMA(p,q) .

С использованием лагового оператора модель можно записать в таком виде:

Модели ARFIMA Данные модели предполагают использование дробных порядков разностей, поскольку теоретически порядок интегрированности d временного ряда может быть не целой величиной, а дробной. В этом случае говорят о дробно-интегрированных моделях авторегрессии –скользящего среднего (ARFIMA, AutoRegressive Fractional Integrated Moving Average). Для понимания сущности дробного интегрирования необходимо рассмотреть разложение оператора взятия d-ой разности в степенной ряд по степеням лагового оператора для дробных d (разложение в ряд Тейлора):

Кроме коэффициент при k-м члене ряда Тейлора = Гk-dГk+1Г-d. К полученным разностям применяется модель ARIMA. Таким образом, последняя модель является более точной в силу её фрактальных свойств .

R/S-анализ курса доллара к рублю. Прежде чем моделировать ряд курсов доллара, необходимо вычислить его фрактальную размерность. Для этого следует воспользоваться методикой R/S-анализа и вычислить показатель Хёрста. Для выполнения всех необходимых вычислений автором были использованы пакет статистического анализа «R 2.5.1», а также аналитический комплекс «Прогноз 5.26». Первым шагом станет преобразование исходного ряда в ряд лог-приростов, в дальнейшем все операции по моделированию будут происходить именно в отношении преобразованного ряда. На Рис. 2 можно увидеть преобразованный ряд.

На этом рисунке особенно видна хаотичность показателя в кризисный и послекризисный периоды. Однако на данном этапе при применении R/S-анализа можно столкнуться с серьёзной трудностью – данная методика требует независимости данных во времени. Известен факт, что дневные данные по курсам финансовых инструментов обладают очень высокой автокорреляцией первых порядков. Коррелированно может быть до 7-10 значений. Для устранения этой проблемы применяется методика вычисления AR(1)- разностей. Конечно, метод разностей первого порядка не устраняет всю линейную авторегрессионную зависимость и не учитывает разности более высоких порядков, но он позволяет свести её к минимуму, достаточному для применения анализа с начальным условием независимости. Внешне ряд лог-приростов, скорректированный на AR(1)-разности, почти ничем не отличается от исходного ряда, однако его автокорреляция значительно ниже. Для вычисления фрактальной размерности ряда было использовано 4500 значений курса рубля к доллару с начала его публикации Центральным банком России. С имеющимся в распоряжении рядом связано несколько трудностей: 1. До 2002 года (включительно) Центральный банк Российской Федерации фиксировал значения курса только до 2-го знака после запятой, что создавало ошибки и неточности округления. 2. Курс доллара динамически изменяется в течение дня и иногда округление создаёт фиксацию на одинаковом курсе в течение нескольких дней. (особенно актуально для предыдущего недостатка). Вследствие перечисленных проблем возникают целые последовательности нулевых лог-приростов в ряду значений. Наибольшая такая цепочка была обнаружена ближе к концу исследуемого периода – она составила 10 значений. Для проведения анализа необходимо было разбить ряд скорректированных лог-приростов на несколько групп рядов меньшей длины. Далее посчитать в каждой группе рядов R/S-статистику и усреднить на количество элементов. Длину необходимо постоянно увеличивать до половины начального ряда. Авторы советуют не брать длину меньше 10, поскольку она может исказить значение RS-статистики . В Таблица представлены результаты R/S-анализа курса доллара.

Таблица 1 - Результаты R/S-анализа/

Таким образом, первоначальными данными для регрессии и определения фрактальной размерности станут 2-й и 4-й столбцы Таблица. Для того чтобы узнать размерность ряда, необходимо решить уравнение, прологарифмировав его: RS=nH ec В итоге искомая регрессия будет иметь вид lnRS=c+H lnn. Решением этой регрессии будут следующие значения: С = -0.4617; H = 0.6294; R 2 полученной регрессии составляет 0.997529, что свидетельствует о высокой точности и правдоподобности полученных результатов. На Рис. 3 представлен график R/S-статистик и регрессии по шкале у. По шкале х показан логарифм длины подпериода (n).

Рисунок 3 – Результат R/S-анализа

Исходя из полученного значения показателя Хёрста, можно сделать вывод о персистентности ряда. Хотя уровень персистентности ряда низок (значение показателя ближе к 0.5, чем к 1, тем не менее лог-приросты курса доллара поддаются моделированию. Они обладают долговременной памятью и выводятся и прогнозируются из своих предыдущих значений. Это оказалось вполне естественным, поскольку персистентные временные ряды очень распространены в природе.

Построение фрактальной модели ARFIMA

Вычисление показателя Хёрста требовалось для определения параметра оператора дробного дифференцирования в модели ARFIMA. Дробно-интегрированные авторегрессионные модели скользящего среднего являются фрактальными и поэтому очень подходят для моделирования курса доллара. Параметр d для такой модели будет равен H-0,5 = 0,1294. Для построения такой модели сначала необходимо дробно дифференцировать исходный ряд курсов доллара по степени d. Далее моделирование будет происходить уже относительно этих разностей.

Для начала необходимо написать разложение разностного оператора 1+L0,1294 в ряд Тейлора. Данная разность будет учитывать значения в несколькие предыдущие периоды. Перед использованием коэффициентов ряда Тейлора необходимо доказать, что при степени d числовая последовательность коэффициентов при лаговых операторах сходится. Для этого воспользуемся признаком Лейбница: 1) докажем, что a1>a2>a3>…>an; 2) докажем, что an стремится к 0.

Доказательство:

1. limk>?-1k+1 j=0kd-j k!-1k j=0k-1d-j k+1!=k-dk=1-dk. При всех конечных значениях k отношение (k+1)-го и k-го членов ряда

2. Далее нужно сравнить его с рядом 1k, который превосходит его по значению, и при этом стремится к 0. Таким образом, можно сделать вывод, что числовая последовательность коэффициентов при ряде Тейлора также стремится к 0 по признаку Лейбница. Несмотря на то что курс доллара обладает бесконечной долговременной памятью, на мой взгляд, наиболее логичным и оптимальным решением будет ограничить количество членов ряда Тейлора для вычисления разностей, поскольку было бы неправильно оценивать завтрашний курс с учётом курса десятилетней давности.

Таким образом, решено ограничиться 30 предыдущими днями для вычисления каждой из разностей (месяц). В Таблица приведены результаты вычислений значений коэффициентов для каждого лага

Таблица 2 - Коэффициенты при лагах для фрактальных разностей

На Рис.4 приведены результаты вычисления разностей на всём исследуемом периоде.

Этот график почти не отличается от исходного по курсам доллара, однако модель этих разностей будет гораздо точнее, чем простая или целая интегрированная модель дневного курса доллара. Для моделирования предпочтительно взять последние 40 значений разностей, поскольку это не слишком превышает месячную динамику и в то же время делает модель значимой. Путём длительного перебора нескольких вариаций был установлен оптимальный вид авторегрессионной модели скользящего среднего (ARMA) для разностей. Ею оказалась модель ARMA(4,7). В Таблица представлены основные характеристики модели.

Таблица 3 - Статистика модели разностей ARMA(4,7)

Коэффициент детерминации говорит о том, что модель в целом, несмотря на некоторую пилообразность, хорошо объясняет динамику фрактальных разностей во времени. На Рис. 5 изображён график, показывающий модельный, исходный и прогнозный ряды

После моделирования и прогнозирования разностей наступает этап, когда требуется восстановить исходный ряд, имея в распоряжении значения разностей.

Построенная модель обладает способностью делать краткосрочные прогнозы курса доллара.

Выводы

После проведённого анализа и моделирования хочется заметить высокие перспективы применения фрактального анализа в изучении свойств финансовых рынков, поскольку, несмотря на то, что данные модели являются высокоточными и эффективными, они не являются вершиной достижений фрактального анализа. В данный момент существуют мультифрактальные модели, применяемые не только для имитации и прогнозирования финансовых рынков, но и в таких сферах, как предсказание землетрясений. Такие модели очень распространены в научных лабораториях Европы, поскольку смысл подобных моделей предполагает проникновение в саму суть и структуру того показателя, который подвергается изучению.

Список использованной литературы

1. Кроновер Р. М. Фракталы и хаос в динамических системах. Основы теории. М.: Постмаркет, 2000. 353с.
2) Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.
3) Мандельброт Бенуа, Ричард Л. Хадсон (Не)послушные рынки: фрактальная революция в финансах The Misbehavior of Markets. М.: Вильямс, 2006. 400с.
4) Морозов А.Д. Введение в теорию фракталов. М.; Ижевск: Ин. компьютерных иссл., 2002. 160с.
5) Петерс Э. Фрактальный анализ финансовых рынков: применение теории хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004. 304с.
6) http://ru.wikipedia.org
7) http://www.nsu.ru/phpBB/viewtopic.php?t=19201
8) http://www.cbr.ru/
9) http://fraktals.ucoz.ru/publ/12-1-0-54

Практика показывает, что динамика экономических процессов и явлений носит нелинейный и, зачастую, хаотичный (непредсказуемый) характер. Это обуславливает необходимость поиска альтернативных методов моделирования с применением нестандартных математических аппаратов. На сегодняшний день существует достаточно много направлений в данной сфере экономико-математической науки. При анализе социально-экономических процессов все чаще применяются такие математические средства, как нечеткие методы, нейронные сети, генетические алгоритмы и т.п. Однако при анализе рыночной динамики ни один из этих методов не может учесть такое свойство рынка, как самоорганизация. Данную проблему, в определенной мере, позволяет решить теория фракталов.

Внедрением теории фракталов в экономику, еще с 80-х годов ХХ в., активно занимались многие западные ученые, в то время как отечественные исследователи стали рассматривать данную теорию сравнительно недавно. Применение фрактального анализа в экономике описано в трудах таких выдающиеся исследователей, как Б.Мандельброт, Э.Петерс, В. Арнольд, П. Берже, И. Помо, К. Видаль, Г. Шустер, Р. Мантень, Х. Стенли, В. Чоу, Д. Сорнетт, А.Ю. Лоскутов, А.С. Михайлов, Н.В. Чумаченко, А.И. Лысенко и др.

Использование математического аппарата теории фракталов открывает новые возможности в моделировании рыночных процессов. Ключевым моментом, способствующим этому, является саморазвитие фрактала. Данное свойство характеризует фрактал, как математический объект, наиболее соответствующий системной природе социальных и экономических процессов, протекающих в условиях нелинейной динамики множества факторов внешней и внутренней сред.
В реальном мире чистых, упорядоченных фракталов, как правило, не существует, и можно говорить лишь о фрактальных явлениях. Их следует рассматривать только как модели, которые приближенно являются фракталами в статистическом смысле. Однако грамотно построенная статистическая фрактальная модель позволяет получить достаточно точные и адекватные прогнозы.

Примером одного из наиболее эффективных применений теории фракталов при моделировании рыночных процессов является фрактальная модель фондового рынка . Ввиду особенностей функционирования рынка ценных бумаг, достаточно тяжело спрогнозировать динамику цен на нем. Существует множество рекомендаций и стратегий, однако лишь применение фракталов, позволяет построить адекватную модель поведения фондового рынка. В пользу эффективности применения такого подхода говорит то, что многие участники фондовых бирж тратят немалые деньги на оплату услуг специалистов в данной области.

Фрактальный анализ рынков, в отличие от теории эффективных рынков, постулирует зависимость будущих цен от их прошлых изменений. Таким образом, процесс ценообразования на рынках глобально детерминирован, зависим от "начальных условий", то есть прошлых значений. Локально же процесс ценообразования случаен, то есть в каждом конкретном случае цена имеет два варианта развития. Фрактальный анализ рынков напрямую исходит из фрактальной теории и заимствует свойства фракталов для получения прогнозов.