Моделирование динамики финансового рынка с использованием нечеткости

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.

1. Костикова 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/10.26425/2658-3445-2023-6-2-37-48

2. Красных С.С. Адаптационный потенциал экономического роста Российской Федерации в условиях сокращения прямых иностранных инвестиций. E-Management. 2024;1(7):36–47. https://doi.org/10.26425/2658-3445-2024-7-1-36-47

3. Швачко 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/10.26425/2658-3445-2024-7-1-48-60

4. Fama E., French K. The cross-section of expected stock return. Journal of Finance. 1992;2(47):427–465. https://doi.org/10.2307/2329112

5. Федорова Е.А., Сивак А.Р. Сравнение моделей CAPM и Фамы-Френча на российском фондовом рынке. Финансы и кредит. 2012;42(522):42–48.

6. 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.2004.06.007

7. Кускова Е.А., Кан Ю.С. Моделирование динамики финансового индекса RTSI. Моделирование и анализ данных. 2019;2:39–47.

8. 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.16506

9. Fisher 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.n2.2340

10. Neal 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/10.2307/2331130

11. Brown G., Cliff M. Investor sentiment and the nearterm stock market. Journal of Empirical Finance. 2004;11.

12. 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:1008202821328

13. Fama 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

14. 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.2018.16581.1445

15. Fama E., French K., Davis J. Characteristics, covariances, and average returns: 1929 to 1997. The Journal of Finance. 2000;55(1).

16. Karr C. Applying genetics to fuzzy logic. AI Expert. 1991;3(36):38–43.

17. 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.2010.09.010