guuvestВестник университетаVestnik Universiteta1816-42772686-8415State University of Management10.26425/1816-4277-2024-7-170-180guuvest-5422Research ArticleФИНАНСЫ И БАНКОВСКОЕ ДЕЛОFINANCE AND BANKINGМоделирование динамики финансового рынка с использованием нечеткостиModeling financial market dynamics with the use of fuzzyhttps://orcid.org/0009-0007-6112-0128ПолехинаК. А.PolekhinaK. A.

Полехина Ксения Александровна, Магистрант

г. Москва

Ksenia A. Polekhina, Graduate Student

Moscow

Polekhina01@mail.ruhttps://orcid.org/0009-0002-9818-8752ПолехинаГ. Е.PolekhinaG. Eu.

Полехина Галина Евгеньевна, Канд. пед. наук, доц. каф. вычислительной математики и математической физики; доц. каф. высшей математики

г. Москва

Galina Eu. Polekhina, Cand. Sci. (Ped.), Assoc. Prof. at the Computational Mathematics and Computational Physics Department; Assoc. Prof. at the Higher Mathematics Department

Moscow

Polekhina_ge@mail.ruМосковский государственный технический университет имени Н.Э. БауманаРоссияBauman Moscow State Technical UniversityRussian FederationМосковский государственный технический университет имени Н.Э. Баумана; Академия Государственной противопожарной службы Министерства Российской Федерации по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствийРоссияBauman Moscow State Technical University; Сivil Protection Academy of the Russian Ministry for Civil Defense, Emergencies, and Elimination of Consequences of Natural DisastersRussian Federation20243108202407170180Copyright © Полехина К.А., Полехина Г.Е., 20242024Полехина К.А., Полехина Г.Е.Polekhina K.A., Polekhina G.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.guu.ru/jour/article/view/5422

В   современном мире финансовые рынки играют важную роль в   экономике и   жизни людей. Они обеспечивают доступ к  финансовым ресурсам, а   также являются источником прибыли для многих компаний. Однако нестабильность финансовых рынков может привести к   серьезным последствиям, таким как финансовые кризисы и  потеря доверия инвесторов. В   связи с   этим моделирование динамики финансового рынка становится все более актуальным. В   работе рассмотрено применение нечеткой математики для данной цели. Нечеткая математика – это область математики, которая изучает методы и   алгоритмы для работы с  нечеткими данными и  нечеткими объектами. Она позволяет учитывать неопределенность и   неполноту информации, что является особенно важным для финансовых рынков, где данные часто бывают неполными и   неточными. Целью настоящего исследования выступает установление взаимосвязи между ценами финансовых активов при использовании поведенческих факторов (настроения инвесторов), основных (рыночная доходность) и   микроструктурных (размер компании, отношение балансовой и   рыночной стоимости компании). Применение нечеткой математики в   финансовом моделировании позволит улучшить точность и  надежность прогнозов, а  также повысить устойчивость модели к   различным источникам неопределенности.

In   the modern world, financial markets play an   important role in   the economy and people’s lives. They provide access to   financial resources and are also a   source of   profit for many companies. However, instability in  the financial markets can lead to   serious consequences such as   financial crises and loss of   investor confidence. In   this regard, modelling the financial market dynamics becomes increasingly relevant. This work considered the use of   fuzzy mathematics for this purpose. Fuzzy mathematics is a   branch of   mathematics that studies methods and algorithms for dealing with fuzzy data and fuzzy objects. It   allows to   consider uncertainty and incompleteness of  information, which is  especially important in  the financial markets where data is   often incomplete and inaccurate. The purpose of   this research is   to establish the relationship between financial asset prices while using behavioural factors (investor sentiment), fundamental (market returns), and microstructural ones (company size, ratio of   book and market values of   the company). The application of   fuzzy mathematics in   financial modelling will improve the accuracy and reliability of   forecasts as   well as   increase the stability of   the model to   various sources of  uncertainty.

финансовые рынкидинамика финансового рынканечеткие данныеповеденческие факторымикроструктурные факторыфинансовое моделированиеустойчивость моделиfinancial marketsfinancial market dynamicsfuzzy databehavioural factorsmicrostructure factorsfinancial modellingmodel stabilityReferencesКостикова А.В., Кузнецов С.Ю., Терелянский П.В. Применение теории нечетких множеств в задаче оценки конкурентоспособности продукции. E-management. 2023;2(6):37–48. https://doi.org/10.26425/2658-3445-2023-6-2-37-48Kostikova A.V., Kuznetsov S.Yu., Tereliansky P.V. Application of the fuzzy sets theory in the problem of products competitiveness evaluation. E-management. 2023;2(6):37–48. (In Russian). https://doi.org/10.26425/2658-3445-2023-6-2-37-48Красных С.С. Адаптационный потенциал экономического роста Российской Федерации в условиях сокращения прямых иностранных инвестиций. E-Management. 2024;1(7):36–47. https://doi.org/10.26425/2658-3445-2024-7-1-36-47Krasnykh S.S. Adaptive potential of Russian economic growth in the context of decline in foreign direct investment. E-Management. 2024;1(7):36–47. (In Russian). https://doi.org/10.26425/2658-3445-2024-7-1-36-47Швачко А.А. Векторы совершенствования стратегий развития российских предприятий в контексте предпосылок к трансформации российской экономики. E-Management. 2024;1(7):48–60. https://doi.org/10.26425/2658-3445-2024-7-1-48-60Shvachko A.A. Vectors for improving development strategies of Russian enterprises in the context of prerequisites for transformation of the Russian economy. E-Management. 2024;1(7):48–60. (In Russian). https://doi.org/10.26425/2658-3445-2024-7-1-48-60Fama E., French K. The cross-section of expected stock return. Journal of Finance. 1992;2(47):427–465. https://doi.org/10.2307/2329112Fama E., French K. The cross-section of expected stock return. Journal of Finance. 1992;2(47):427–465. https://doi.org/10.2307/2329112Федорова Е.А., Сивак А.Р. Сравнение моделей CAPM и Фамы-Френча на российском фондовом рынке. Финансы и кредит. 2012;42(522):42–48.Fedorova E.А, Sivak A.R. Comparison of the CAPM and Fama-French models on the Russian stock market. Finance and Credit. 2012;42(522):42–48. (In Russian).Acharya V.V., Pedersen L.H. Asset pricing with liquidity risk. Journal of Financial Economics. 2005;77:375–410. https://doi.org/10.1016/j.jfineco.2004.06.007Acharya V.V., Pedersen L.H. Asset pricing with liquidity risk. Journal of Financial Economics. 2005;77:375–410. https://doi.org/10.1016/j.jfineco.2004.06.007Кускова Е.А., Кан Ю.С. Моделирование динамики финансового индекса RTSI. Моделирование и анализ данных. 2019;2:39–47.Kuskova E.A., Kan Yu.S. Modelling the dynamics of the RTSI index. Modelling and data analysis. 2019;2:39–47. (In Russian).Полянина П.В., Родионов Д.Г., Конников Е.А. Моделирование состояний финансового рынка в условиях интеллектуальной экономики на основе нечетко-множественного подхода. π-Economy. 2023;16(5):78–90. https://doi.org/10.18721/JE.16506Polyanina P.V., Rodionov D.G., Konnikov E.A. Modeling financial market conditions in an intelligent economy based on a fuzzy set approach. π-Economy. 2023;16(5):78–90. (In Russian). https://doi.org/10.18721/JE.16506Fisher K.L., Statman M. Investor sentiment and stock returns. Financial Analyst Journal. 2000;2(56):16–23. http://dx.doi.org/10.2469/faj.v56.n2.2340Fisher K.L., Statman M. Investor sentiment and stock returns. Financial Analyst Journal. 2000;2(56):16–23. http://dx.doi.org/10.2469/faj.v56.n2.2340Neal R., Wheatley S. Do measures of investor sentiment predict stock returns? Journal of Financial and Quantitative Analysis. 1998;33(4):523–547. https://doi.org/10.2307/2331130Neal R., Wheatley S. Do measures of investor sentiment predict stock returns? Journal of Financial and Quantitative Analysis. 1998;33(4):523–547. https://doi.org/10.2307/2331130Brown G., Cliff M. Investor sentiment and the nearterm stock market. Journal of Empirical Finance. 2004;11.Brown G., Cliff M . Investor sentiment and the near-term stock market. Journal of Empirical Finance. 2004;11.Price K., Storn R. Differential evolution – a simple evolution strategy for fast optimization. Journal of Global Optimization. 1997;11:341–359. http://dx.doi.org/10.1023/A:1008202821328Price K., Storn R. Differential evolution – a simple evolution strategy for fast optimization. Journal of Global Optimization. 1997;11:341–359. http://dx.doi.org/10.1023/A:1008202821328Fama E., French K. Common risk factors in the returns on stocks and bonds. Journal of Financial Economics. 1993;33(1):3–56. https://doi.org/10.1016/0304-405X(93)90023-5Fama E., French K. Common risk factors in the returns on stocks and bonds. Journal of Financial Economics. 1993;33(1):3–56. https://doi.org/10.1016/0304-405X(93)90023-5;Hachicha N., Bouri A. Behavioral beta and asset valuation models. International Research Journal of Finance and Economics. 2008;16:175–192. https://doi.org/10.22051/jfm.2018.16581.1445Hachicha N., Bouri A. Behavioral beta and asset valuation models. International Research Journal of Finance and Economics. 2008;16:175–192. https://doi.org/10.22051/jfm.2018.16581.1445Fama E., French K., Davis J. Characteristics, covariances, and average returns: 1929 to 1997. The Journal of Finance. 2000;55(1).Fama E., French K., Davis J. Characteristics, covariances, and average returns: 1929 to 1997. The Journal of Finance. 2000;55(1).Karr C. Applying genetics to fuzzy logic. AI Expert. 1991;3(36):38–43.Karr C. Applying genetics to fuzzy logic. AI Expert. 1991;3(36):38–43.Hachicha N., Jarboui B., Siarry P. A fuzzy logic control using a differential evolution algorithm aimed at modelling the financial market dynamics. Information Sciences. 2011;1(181):79–91. http://dx.doi.org/10.1016/j.ins.2010.09.010Hachicha N., Jarboui B., Siarry P. A fuzzy logic control using a differential evolution algorithm aimed at modelling the financial market dynamics. Information Sciences. 2011;1(181):79–91. http://dx.doi.org/10.1016/j.ins.2010.09.010

The authors declare that there are no conflicts of interest present.