Принципы моделирования причинно-следственных связей в финансовых временных рядах на примере фондовых индексов
DOI:
https://doi.org/10.22213/2410-9304-2023-3-105-114Ключевые слова:
временной ряд, причинно-следственные связи, моделирование, авторегрессионная модельАннотация
В статье авторами рассмотрены вопросы моделирования причинно-следственных связей на примере финансовых временных рядов. Любая сложная динамическая система характеризуется наличием множества эндогенных индикаторов с десятками и сотнями обратных связей. Связи между элементами системы обусловливают влияние на результат работы системы посредством множества параметров, которые могут приводить к искажению результата управленческого воздействия и, как следствие, к искажению эффективности работы системы в целом. Моделирование является одним из эффективных инструментов определения параметров работы рассматриваемой системы в условиях действия на нее внешних сил и ограничений. В деятельности системы управления аналитический инструментарий математического моделирования позволяет на основе разработанной модели увидеть, как с течением времени будет меняться система и какие факторы оказывают на нее наибольшее воздействие. Система является изменчивой во времени, что обусловливает различие между исходным ее состоянием и состоянием в определенный момент времени, объясняющееся причинно-следственными связями между элементами системами и уровнем влияния внешних факторов, к которым, например, могут относиться рыночные факторы. Последние в свою очередь, можно проанализировать и, как следствие, предугадать, используя математические методы. Говоря о внешних факторах, многие из них не поддаются точному анализу. Примерами таковых являются природные и экологические. В данной статье авторы определяют принципы моделирования причинно-следственных связей в финансовых временных рядах на примере фондовых индексов. В ходе исследования проверена нестационарность временных рядов тестами Дикки - Фуллера, а также с помощью тестового решения KPSS, что подтвердило нестационарность фондовых индексов в выбранном временном периоде. Расчеты проведены с использованием современного статистического пакета Eviews. Определена актуальность темы, связанной с вопросами остационаривания финансовых временных рядов для моделирования причинно-следственных связей.Библиографические ссылки
Смородина Е. А. Актуальные аспекты реализации финансовых транзакций на основе блокчейн-технологий // Российские регионы в фокусе перемен сборник докладов XVII Международной конференции. Екатеринбург: Ажур, 2023. С. 1178-1181.
Дмитриев Н. Д., Зайцев А. А. Актуальные проблемы развития образовательной среды в сфере финансов и ценных бумаг // Инициативы молодых - науке и производству: материалы III Всероссийской научно-практической конференции для молодых ученых и студентов. 2022. С. 67-70.
Дмитриев Н. Д. Технологии блокчейн в условиях цифровизации // Информационные технологии в современном мире: материалы XV Всероссийской (с международным участием) студенческой конференции. 2019. С. 92-96.
Afzal F., Haing P., Mahmood A, Ikram A. [Value-at-Risk Analysis for Measuring Stochastic Volatility of Stock Returns: Using GARCH-Based Dynamic Conditional Correlation Model]. Sage Open, 2021, vol. 11, no. 1. DOI:10.1177/21582440211005758.
Стоимость под угрозой. URL: https://www.value-at-risk.net/ccc-garch (дата обращения: 01.12.2022).
Кравцова О. А. Использование критериев стационарности для настройки моделей при прогнозировании временных рядов // Информатика и ее применения. 2022. Т. 16, № 2. С. 11-18.
Коловертнов Р. А., Файзуллин Р. В., Абдрашитова А. С. Эконометрическое моделирование причинно-следственной связи между ценой на цветной металл и ценой на его лом // Системная инженерия. 2015. Т. 25, № 2. С. 124-136.
Вавилова Д. Д. Практика применения нейросетевого моделирования для прогнозирования социально-экономических процессов // Прикладная математика и информатика: современные исследования в области естественных и технических наук: материалы VI Международной научно-практической конференции (школы-семинара) молодых ученых. 2020. С. 213-218.
Регионы России. Социально-экономические показатели 2020: Стат. сб. / Росстат. М., 2020. 1242 с.
Ketova K.V. [Modelling a human capital of an economic system with neural networks]. Journal of Physics: Conference Series. Journal of Physics: Conference Series, 2020. 012035. DOI: 10.1088/1742-6596/1703/1/012035.
Открытый журнал. URL: https://journal.open-broker.ru/biographies/lui-bashele (дата обращения: 10.01.2023).
Стрелкова В. И., Файзуллин Р. В. Модель зависимости между курсом доллара к рублю и ценой на нефть // Проблемы экономики и управления нефтегазовым комплексом. 2014. № 3. С. 41-47.
Boruvka O. [O jistem problemu minimalnim (About a Certain Minimal Problem)]. Práce mor. prírodoved. spol. v Brne., 2018, vol. 3, no. 3, pp. 22-28.
Frederickson G. N. [Data structures for online updating of minimum spanning trees]. SIAM J.Comput., 2020, vol. 12, pp. 281-288.
Štifanić D. etal. [Impact of COVID-19 on forecasting stock prices: an integration of stationary wavelet transform and bidirectional long short-termmemory].Complexity, 2020, vol. 2020, pp. 1-12.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 Никита Романович Санду, Ринат Василович Файзуллин
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
