Архив статей журнала
В данной работе рассматривается задача многопериодного прогнозирования реализованной волатильности (realized volatility, ) и системного бэк-тестирования торговых стратегий для опционов на торгуемые биржевые фонды (Exchange-Traded Fund, ETF). Цель исследования - построение моделей глубокого обучения для многопериодного прогнозирования волатильности активов, таких как SPY и QQQ, и проверка эффективности прогнозов в рамках бэк-тестирования опционных стратегий. Для прогнозирования было использовано несколько архитектур нейронных сетей: LSTM, GRU, BiLSTM, BiGRU, FNN и NBEATSx, а также базовая эконометрическая модель HAR-RV для сравнения. В исследовании вводится новая функция потерь, квантильный лог-гиперболический косинус, для повышения точности прогнозов на высоких значениях волатильности. Точность моделей оценивалась на основе метрик MSE, MAE, MAPE и скорр., что показало превосходство рекуррентных архитектур. С целью апробации в условиях различных рыночных сценариев полученные прогнозы реализованной волатильности были использованы в бек-тестировании двух опционных стратегий: стрэддл и v-скальпинг.
В данной статье рассматриваются теоретические основы и принципы работы основных методов кластерного анализа данных, используемых в задачах интеллектуальной аналитики. Подробно анализируются работы ряда исследователей в области кластеризации, описан прогресс в разработке и применении классических и новейших подходов к группировке структурно сложных, разнородных данных с использованием аппарата статистики, нейронных сетей, математического моделирования. Рассмотрены математические основания иерархических, вероятностных, плотностных, графовых и других методов кластеризации, теоретически доказана эффективность их применения на разных типах данных в зависимости от поставленных аналитических целей. Отдельное внимание уделено проблематике кластеризации больших объемов разнородной информации в условиях возрастания скорости поступающих данных и требований к оперативности их обработки. Продемонстрирован потенциал гибридных нейросетевых и распределенных методов кластеризации для эффективного масштабируемого анализа Big Data в высокопроизводительных вычислительных системах. Показано, что несмотря на значительный прогресс, ряд фундаментальных вопросов в данной области остается открытым и требует дальнейших междисциплинарных исследований на стыке статистики, математики и компьютерных наук..
Рассмотрено влияние искусственного интеллекта на сферу маркетинговой деятельности. Дано описание нейросетей и их применения в современном маркетинге. Представлены преимущества, которые дает интеграция ИИ и нейросетей с рекламными технологиями для анализа данных о потребностях клиентов, прогнозировании спроса на продукцию. Исследована возможность обучения нейронных сетей. Дана оценка скорости их развития и адаптации к исследуемым запросам.