Купить
Открытый доступ
Только для подписчиков
МЕТОДИЧЕСКИЕ АСПЕКТЫ ВЫБОРА ОПТИМАЛЬНОГО МОМЕНТА СОВЕРШЕНИЯ СДЕЛОК НА РЫНКЕ ЦЕННЫХ БУМАГ НА ОСНОВЕ ТЕХНИЧЕСКОГО АНАЛИЗА
Аннотация
Многогранность технического анализа позволяет разработать торговую стратегию под любые предпочтения. Так или иначе движения цены каждого финансового инструмента можно разделить на участки консолидации и трендовые отрезки. Значительное изменение стоимости активов происходит на промежутках времени, где присутствует тренд, а значит из имеющихся методик технического анализа стоит выбирать именно те, которые позволяют предсказать точки наиболее вероятного зарождения направленного движения цены. На современном этапе развития технического анализа и информационных технологий их совместное применение дает возможность значительно упростить работу аналитиков и инвесторов. В статье проведен краткий обзор существующих методов технического анализа, предложена методика выбора оптимального момента совершения сделок на рынке ценных бумаг на их основе, рассмотрены исследования с алгоритмами и методами, базирующимися на современных информационных технологиях, которые позволяют автоматизировать рутинные задачи и обработать за короткие периоды объемы данных, которые не под силу проанализировать человеку.
Ключевые слова
Об авторах
С. Ю. Аксенов
Новосибирский государственный университет экономики и управления «НИНХ»
Россия
Россия
магистрант
Новосибирск
А. М. Выжитович
Новосибирский государственный университет экономики и управления «НИНХ»;
Сибирский институт управления – филиал Российской академии народного хозяйства и государственной службы
при Президенте Российской Федерации
Россия
Россия
кандидат экономических наук, доцент
Новосибирск
Список литературы
1. Бондарь А.А., Ланковская Е.К. Сходства и отличия фундаментального и технического анализа // Актуальные проблемы экономики современной России. 2015. Т. 2. № 2. С. 349–355.
2. Лебедева А.Н., Павлов В.В. Методология оценки эффективности инвестиционной деятельности на базе выявления реальных уровней «поддержки» и «сопротивления» в современном техническом анализе // Вестник академии. 2009. № 4. С. 44–48.
3. Леонов Е.Н. Принятие решений на основе нечеткозначных моделей и алгоритмов обработки графических данных в технологии машинного обучения: автореф. дис. … канд. техн. наук. 2008. 26 с.
4. Локшин М.Д. О модели «Молот» в техническом анализе финансовых рынков // Экономическая система современного общества: Экономика и управление: сб. мат-лов III Междунар. науч.-практ. конф. 2018. С. 124–131.
5. Лысцов Н.А., Мартышкин А.И. Нейронные сети: применение и перспективы // «Студенческий научный форум 2019»: мат-лы XI междунар. студ. науч. конф. Научное обозрение. 2019. № 3. С. 35–38.
6. Малышенко К.А., Малышенко В.А., Прокопенко А.С. Технический анализ рынка ценных бумаг: проблемы, перспективы, российский опыт // Интернет-журнал «Мир науки». 2015. Вып. 2. 14 с.
7. Морозов А.Н. Технический анализ финансовых рынков: текст лекций. Ярославль: ЯрГУ, 2012. 56 с. ISBN 8-978-5-8397-0857-0
8. Николаева Ю.В. Методика нейросетевой классификации ситуаций на финасовых рынках и ее реализация в ИСППР // Интеллектуальные системы в производстве. 2017. № 2. С. 113–116.
9. Севумян Э.Н. Скользящая средняя как трендоследящий индикатор технического анализа // Экономика: вчера, сегодня, завтра. 2018. Т. 8. № 11А. С. 225–233.
10. Семянников Г.В. Рекомендательный сервис для торговли акциями на фондовом рынке с применением машинного обучения // Современная наука: актуальные проблемы теории и практики. Серия: естественные и технические науки. 2020. № 4. С. 131–134.
11. Хасанов Р.Х. Эволюция методов прогнозирования движения финансовых рынков: технический и фундаментальный анализ // Проблемы современной экономики. 2019. № 4 (72). С. 109–113.
12. Частиков А.П. Нейросетевой алгоритм распознавания паттернов в котировках фондовых бирж // Научный журнал КубГАУ . 2017. № 127 (03). С. 318–329.
13. Швагер Д. Технический анализ: Полный курс: Справочное пособие. М.: Альпина Паблишер, 2017. 804 с.
14. Шумков Е.А., Ботин В.А., Карлов Д.Н. Распознавание фигур технического анализа с помощью нейронных сетей // Политематический научный журнал КубГАУ . 2011. № 65. 10 с.
15. Achilleas Zapranis, Prodromos E. Tsinaslanidis. Identifying and evaluating horizontal support and resistance levels: an empirical study on US stock markets / Applied Financial Economics. 2012. 22. P. 1571–1585.
16. Carol Osler. Support for Resistance: Technical Analysis and Intraday Exchange Rates // FRBNY Economic Policy Review. July 2000. Vol. 6. № 2. P. 53–68.
17. Marc Velay, Fabrice Daniel. Stock Chart Pattern recognition with Deep Learning / Artificial Intelligence Department of Lusis, Paris, France, 2018. 6 p.
18. Sid Ghoshal, Stephen Roberts. Thresholded ConvNet ensembles: neural networks for technical Forecasting / Neural Computing and Applications. Published: 20 April 2020. 13 p.
19. Xinyu Guo, Xun Liang, Xiang Li. A Stock Pattern Recognition Algorithm Based on Neural Networks / Third International Conference on Natural Computation. 2007. 5 p.
20. Yun-Cheng Tsai, Jun-Hao Chen, Chun-Chieh Wang. Encoding Candlesticks as Images for Patterns Classification Using Convolutional Neural Networks / The 12th NCTU International Finance Conference. 2019. January 17. 22 p.
Для цитирования:
Аксенов С.Ю., Выжитович А.М. МЕТОДИЧЕСКИЕ АСПЕКТЫ ВЫБОРА ОПТИМАЛЬНОГО МОМЕНТА СОВЕРШЕНИЯ СДЕЛОК НА РЫНКЕ ЦЕННЫХ БУМАГ НА ОСНОВЕ ТЕХНИЧЕСКОГО АНАЛИЗА. Вестник НГУЭУ. 2021;(1):145-160. https://doi.org/10.34020/2073-6495-2021-1-145-160
For citation:
Aksenov S.Yu., Vyzhitovich A.M. METHODOLOGICAL ASPECTS OF SELECTION OF THE OPTIMAL MOMENT OF MAKING TRANSACTIONS AT THE SECURITIES MARKET ON THE BASIS OF TECHNICAL ANALYSIS. Vestnik NSUEM. 2021;(1):145-160. (In Russ.) https://doi.org/10.34020/2073-6495-2021-1-145-160
Послать статью по эл. почте 