Научный руководитель Н.В. Хрипунов
Главными индикаторами состояния фондового рынка страны служат фондовые индексы. Сами фондовые индексы не являются объектом купли-продажи – это индикаторы. Торговля осуществляется через вторичные инструменты – фьючерсы и опционы. Индекс Доу-Джонса торгуется через фьючерс YM на Нью-Йоркской фондовой бирже. Индекс РТС торгуется через фьючерс SPFB.RTS на Московской бирже.
Анализ данных проведен по сравнению характеристик инвестиционных стратегий, рассчитанных для каждого инструмента в трендовом и контртрендовом направлениях [1]. При этом использованы математические модели процесса инвестирования на исторических котировках при покупке [2] и продаже [5] актива. Процесс оптимизации инвестиционных стратегий реализован через генетический алгоритм [3].
Исторические котировки за период с 2010 по 2015 годы (рис. 1) показывают, что сравниваемые бумаги имеют на рассматриваемом промежутке четко выраженный разнонаправленный исторический тренд – повышение для индекса Доу-Джонса и понижение для индекса РТС. В связи с этим трендовое направление при инвестировании в индекс Доу-Джонса принимаем от покупки (long), для индекса РТС – от продажи (short). Параметры долгосрочного инвестирования определены относительно цены открытия первого дня Цо и цены закрытия последнего дня периода Цз. Для фьючерса YM: Цо=10367, Цз = 17179, прибыль долгосрочного инвестирования в рост 6812 пунктов или 66%. Для фьючерса SPFB.RTS: Цо=147500, Цз = 75500, прибыль долгосрочного инвестирования в падение 72000 пунктов или 49%.
Рис. 1. Графики котировок фьючерсов YM (слева) и SPFB.RTS (справа)
Абсолютные значения котировок отличаются приблизительно в 10 раз. Это учтено при назначении граничных условий и начального приближения анализируемых бумаг.
Для бумаги YM начальное приближение по оптимизируемым параметрам (уровень открытия инвестиции A, уровень закрытия с убытком L, уровень закрытия с прибылью P) 500 пунктов. Граничные условия – все параметры целые и изменяются в диапазоне 1…1000.
Для бумаги SPFB.RTS начальное приближение по всем оптимизируемым параметрам 5000 пунктов. Граничные условия – все параметры целые и изменяются в диапазоне 1…10000.
Параметры генетического алгоритма для решения задачи назначены в соответствии с рекомендациями [4]: размер популяции 100, коэффициент мутации 0,05, число циклов без улучшения 300. Учитывая стохастичную составляющую генетического алгоритма каждый расчет повторен три раза, результаты – в таблице 1.
По фьючерсу YM при трендовом спекулятивном инвестировании средняя прибыль составляет 9341, что незначительно превышает прибыль при долгосрочном инвестировании. Количество сделок 28 и относительно небольшие размахи значений A, L и T свидетельствуют о возможности эффективного кратковременного инвестирования по тренду.
Таблица 1. Результаты расчета
YM |
тренд (long) |
контртренд (short) |
||||||||||||
A |
L |
T |
прибыль |
сделок |
A |
L |
T |
прибыль |
сделок |
|||||
298 |
990 |
475 |
10845 |
29 |
756 |
488 |
522 |
522 |
1 |
|||||
377 |
969 |
673 |
8830 |
18 |
518 |
839 |
822 |
805 |
3 |
|||||
283 |
742 |
467 |
8349 |
36 |
619 |
434 |
388 |
730 |
4 |
|||||
среднее |
319 |
900 |
538 |
9341 |
28 |
631 |
587 |
577 |
686 |
3 |
||||
размах |
94 |
248 |
206 |
2496 |
18 |
238 |
405 |
434 |
283 |
3 |
||||
SPFB.RTS |
тренд (short) |
контртренд (long) |
||||||||||||
A |
L |
T |
прибыль |
сделок |
A |
L |
T |
прибыль |
сделок |
|||||
6977 |
8521 |
8871 |
51005 |
43 |
7348 |
9799 |
7021 |
44199 |
59 |
|||||
6616 |
8619 |
9227 |
58295 |
45 |
9278 |
3778 |
4848 |
23038 |
35 |
|||||
6232 |
9895 |
8380 |
53500 |
50 |
7233 |
6616 |
6742 |
37490 |
65 |
|||||
среднее |
6608 |
9012 |
8826 |
54267 |
46 |
7953 |
6731 |
6204 |
34909 |
53 |
||||
размах |
745 |
1374 |
847 |
7290 |
7 |
2045 |
6021 |
2173 |
21161 |
30 |
||||
По фьючерсу SPFB.RTS предпочтительно долговременное инвестирование на понижение. Спекулятивное краткосрочное инвестирование возможно и, практически, в равной степени эффективно как по тренду, так и против.
Библиографический список
- Хрипунов Н.В., Панюков Д.И., Альшанская Т.В. Концепция оптимизации краткосрочного инвестирования // Научный альманах. 2015. №12(14) – 1. С. 385-389.
- Хрипунов Н.В., Панюков Д.И., Альшанская Т.В. Модель оптимизации краткосрочного инвестирования в Excel // Новая наука: проблемы и перспективы. 2016. № 1 – 2. С. 119–121.
- Хрипунов Н.В., Панюков Д.И., Альшанская Т.В. Оптимизация стратегии краткосрочного инвестирования генетическим алгоритмом // Новая наука: современное состояние и пути развития. 2016. № 2 – 1. С. 213–215.
- Хрипунов Н.В., Панюков Д.И., Альшанская Т.В. Влияние настроек модуля Solver на результат оптимизации инвестиционной стратегии // Результаты научных исследований: сборник статей Международной научно-практической конференции (15 февраля 2016 г., г. Тюмень). В 4 ч. Ч.1 – Уфа: АЭТЕРНА, 2016. – С. 180–182.
- Хрипунов Н.В., Панюков Д.И., Альшанская Т.В. Двунаправленный анализ инвестиционных инструментов с помощью генетического алгоритма // Новая наука: стратегии и векторы развития. 2016. № 2 – 1. С. 172–174.