МЕТОДИЧЕСКИЕ АСПЕКТЫ ВЫБОРА ОПТИМАЛЬНОГО МОМЕНТА СОВЕРШЕНИЯ СДЕЛОК НА РЫНКЕ ЦЕННЫХ БУМАГ НА ОСНОВЕ ТЕХНИЧЕСКОГО АНАЛИЗА
https://doi.org/10.34020/2073-6495-2021-1-145-160
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.
Рецензия
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 
