You are on page 1of 115

VYSOK KOLA MANAMENTU V TRENNE

APLIKCIA NEURNOVCH SIET PRI PROGNZOVAN VYBRANCH AKCI

Diplomov prca

2013

Ing. ubomr Kuela

VYSOK KOLA MANAMENTU V TRENNE

APLIKCIA NEURNOVCH SIET PRI PROGNZOVAN VYBRANCH AKCI

DIPLOMOV PRCA

tudijn program: slo tudijnho odboru: Nzov tudijnho odboru: Pracovisko: Vedci prce:

Znalostn manament 6289 3.3.15 Manament Bratislava Ing. Renata Janocov, PhD.

Bratislava 2013

Ing. ubomr KUELA

Abstrakt Tmou diplomovej prce prognza vvoja cien akci pouitm neurnovch siet. Demontrovali sme pouitenos neurnovch siet pri analze akciovho trhu a najm pri generovan obchodnch signlov. Prca popisuje rzne analytick a tatistick metdy pouvan pri analzach v investinom rozhodovan. Cieom prce je rieenie stanovench loh, ktor boli spene vyrieen a tm bol splnen cie prce. Rieenie loh pozostva z krokov, ktor vychdzaj z metodiky CRISP-DM. Hlavnm prnosom prce je ukka praktickho vyuitia neurnovch siet pri analze dt a preukzanie svisu technickch indiktorov s vvojom cien. Prnosom je aj spsob generovanie trnovacej mnoiny, kde upravujeme trnovaciu vzorku tak, aby sme dostali vhodn poet vzoriek dt v triedach klasifikcie.

Kov slov: burza, akcie, neurnov siete, klasifikcia, predikcia, dolovanie dt, technick analza

Abstract The subject of diploma thesis is to analyse and forecast stock prices using neural networks. The goal is to demonstrate the usability and usefulness of neural networks in the stock market analyse and in trading signals creation. This thesis describes various analytical and statistical methods used in the analysis for investment decisions. Problem solving consists of the steps that are based on the CRISP-DM methodology. The main contribution of this work is a practical demonstration of the use of neural networks in data analysis and demonstrate the technical indicators relating to the prices. Another important step is generating training set. The target is to get the appropriate number of samples in each classification class for optimal training process.

Keywords: stock markets, neural networks, classification, data mining, technical analysis, prediction

Obsah
Zoznam obrzkov a grafov ............................................................................................ 7 Slovnk termnov ........................................................................................................... 10 1 vod .......................................................................................................................... 12 2 Teoretick vchodisk prce .................................................................................. 13 2.1 tatistick metdy ............................................................................................... 14 Regresn analza ......................................................................................... 14 Diskriminan analza (klasifikcia) ........................................................... 17 Analza asovch radov .............................................................................. 19 Indiktory technickej analzy ...................................................................... 21 Fundamentlna analza (finann analza) ................................................. 30 Psychologick analza trhu.......................................................................... 32 Strojov uenie a znalostn systmy............................................................ 34 truktra neurnovej siete ........................................................................... 36 Dopredn neurnov sie so sptnm renm chyby .................................. 39 Pretrnovanie neurnovej siete (overfitting) ............................................... 41 2.1.1 2.1.2 2.1.3 2.2 2.2.1 2.2.2 2.2.3 2.3 2.3.1 2.3.2 2.3.3 2.3.4

Analza burzovch dt ........................................................................................ 21

Neurnov siete ................................................................................................... 34

3 Ciele prce................................................................................................................ 43 4 Metodika prce a metdy skmania ..................................................................... 44 4.1 Metodika CRISP-DM ........................................................................................... 44 4.2 Porozumenie problematike ................................................................................... 47 5 Aplikan as ......................................................................................................... 58 5.1 Generovanie obchodnch signlov...................................................................... 58 Pochopenie a analza lohy ......................................................................... 58 Voba asovho obdobia ............................................................................. 59 Zskanie a predspracovanie dt (prprava dt) ............................................. 64 Prprava vstupnch atribtov ....................................................................... 74 Korelan bodov diagramy a vber atribtov ............................................ 79 Modelovanie neurnovej siete ..................................................................... 81 Testovanie neurnovej siete ......................................................................... 87 Interpretcia vsledkov analz .................................................................... 89 Pochopenie problematiky ........................................................................... 96 5.1.1 5.1.2 5.1.3 5.1.4 5.1.5 5.1.5 5.1.6 5.1.7 5.2 5.2.1

Analza podniku pomocou finannch ukazovateov ........................................ 96

5.2.2 5.2.4 5.2.5

Prprava dt ................................................................................................ 97 Tvorba modelu neurnovej siete ............................................................... 101 Modely neurnovej siete a jej vsledky..................................................... 103

5.3 Predikcia hodnoty minimlnej ceny...................................................................... 105 5.4 Predikcia cien akci .............................................................................................. 106 5 Zver....................................................................................................................... 110 6 Zoznam pouitch zdrojov ................................................................................... 112

Zoznam obrzkov a grafov


Obr. 1: Metda najmench tvorcov (Berka, 2003) ....................................................... 16 Obr. 2: Rozdelovacia priamka ........................................................................................ 18 Obr. 3: Pohyb cien akci spolonosti AMD okolo trendu............................................... 20 Obr. 4: SMA(20) a EMA(20) akci spolonosti Microsoft ............................................. 24 Obr. 5: Graf cien spolonosti NVidia ............................................................................. 25 Obr. 6: Bollingerove psma ............................................................................................ 26 Obr. 7: MACD a SMA spolonosti Microsoft ................................................................ 27 Obr. 8: Zobrazenie RSI na grafe ..................................................................................... 28 Obr. 9: Ukka sviekovho grafu v bollingerovom psme ........................................... 29 Obr. 10: Kolobeh burzy (Kostolany, 2008) .................................................................... 33 Obr. 11: Veobecn schma uiaceho sa systmu (Berka, 2003) ................................... 35 Obr. 12: truktra neurnu ............................................................................................. 37 Obr. 13: truktra neurnovej siete ................................................................................ 38 Obr. 14: Model neurnovej siete .................................................................................... 38 Obr. 15: Dopredn neurnov sie so sptnm renm chyby ...................................... 40 Obr. 16: Prklad pretrnovanej NS ................................................................................. 42 Obr. 17: Metodika CRISP-DM (Berka, 2003) ................................................................ 45 Obr. 18: Fzy rastu a krivka S (Rope A.T. a kol.;, 2011) ............................................... 51 Obr. 19: Prepad akci spolonosti Facebook krtko po emisii ....................................... 52 Obr. 20: asov rad zatvracch dennch cien spolonosti Apple za 1 mesiac ............. 56 Obr. 21: Sviekov graf cien spolonosti Apple za 1 mesiac ........................................ 57 Obr. 22: Sptn zobrazenie nkupnho a predajnho signlu ........................................ 58 Obr. 23: truktra dtovej tabuky ................................................................................. 59 Obr. 24: Vvoj cien akci spolonosti Microsoft za 5 rokov .......................................... 60 Obr. 25: Fzy rastu spolonosti Microsoft...................................................................... 61 Obr. 26: Poet generovanch signlov v zvislosti od delta .......................................... 66 Obr. 27: Zobrazenie minimlnych a maximlnych hodnt ............................................ 67 Obr. 28: Zobrazenie hraninch hodnt ......................................................................... 67 Obr. 29: Zaradenie vzoriek do tried ............................................................................... 68 Obr. 30: Sumr signlov ................................................................................................. 68 Obr. 31: Zobrazenie extrmov v trnovacej mnoine..................................................... 69 Obr. 32: Predajn signly za 100 dn (delta=0.1) ........................................................... 69 Obr. 33: Predajn signly za 100 dn (delta=0.3) ........................................................... 70

Obr. 34: Vytvranie neopakujcich sa signlov ............................................................. 71 Obr. 35: Rozdelenie do tried (x:MACD, y:Divergence) ................................................ 72 Obr. 36: Trnovacia mnoina s nzkym potom etrmov ............................................... 73 Obr. 37: Pomer potu trnovacch vzoriek poda tried .................................................. 73 Obr. 38: Zl odhad extrmov pouitm NS .................................................................... 73 Obr. 39: Vsledok klasifikcie (X: RSI, Y: Volume)..................................................... 75 Obr. 40: Vpoet RSI spolonosti Hewlett-Packard ...................................................... 77 Obr. 41: Zobrazenie RSI na grafe ................................................................................... 77 Obr. 42: Rozdelenie do tried (x:RSI, y:RSI-3) ............................................................... 78 Obr. 43: Rozdelenie do tried (x: SMA(10), y: RSI-3) .................................................... 79 Obr. 44: Rozdelenie do tried (x: Telo, y: RSI) ............................................................... 80 Obr. 45:Rozdelenie do tried (x: Div, y: Div-1)............................................................... 80 Obr. 46: Rozdelenie do tried (x: rka BB, y: Close - SMA(10)) .................................. 80 Obr. 47: Rozdelenie do tried (x:DIV, y: RSI)................................................................. 80 Obr. 48: Natanie prvej sady dajov ............................................................................. 83 Obr. 49: Model neurnovej siete .................................................................................... 86 Obr. 50: Vsledok testovania navrhnutej neurnovej siete ............................................ 87 Obr. 51: Zobrazenie obchodnch signlov ..................................................................... 88 Obr. 52: Vsledok klasifikcie (x:Div, y:RSI) ............................................................... 90 Obr. 53: Vsledok klasifikcie bez zobrazenia triedy NN (x:RSI, y:DIV) .................... 90 Obr. 54: Vsledok klasifikcie (x:MACD, y:RSI) ......................................................... 91 Obr. 55: Vsledok klasifikcie (x:MACD EMA, y:RSI) ............................................... 91 Obr. 56: Odhad predajnch signlov neurnovou sieou ............................................... 92 Obr. 57: Validan mnoina dt (skuton hodnoty) pri pouit delta 0,3 ..................... 92 Obr. 58: Odhad predajnch signlov neurnovou sieou ............................................... 93 Obr. 59: Validan vzorka dt (pri delta 0,3) ................................................................. 93 Obr. 60: Hladanie lokalnych minim a maxim pomocou neuronovej siete ..................... 94 Obr. 61: Generovanie obchodnch signlov pomocou neuronovej siete ....................... 94 Obr. 62: Simulcia obchodu v Exceli ............................................................................. 95 Obr. 63: Zvislos rastu ceny akcie od ROA .................................................................. 96 Obr. 64: Zvislos rastu ceny akcie a ROE .................................................................... 97 Obr. 65: Zvislos ceny akcie od ziskovej mare (profit margin) .................................. 97 Obr. 66: Zoznam spolonost obchodovanch na burze Nasdaq .................................... 98 Obr. 67: Kov ukazovatele pre spolonos Himax .................................................. 99 Obr. 68: Prprava dt v programe Excel ......................................................................... 99 Obr. 69: Klasifikacia do dvoch tried poda Operation margin ..................................... 101

Obr. 70: Rozdelenie do tried (rast, recesia) poda ROA .............................................. 102 Obr. 71: Rozdelenie spolonost do tried (X: ROE Y:Operation margin) .................... 102 Obr. 72: Model neurnovej siete s finannmi ukazovatemi a jej vsledky .............. 103 Obr. 73: Sie s pouitm 10 finannch indiktorov na vstupoch a jej vsledky ......... 104 Obr. 74: Model neurnovej siete na predikciu minimlnych cien akci ....................... 105 Obr. 75: Vsledky predikcie minimlnej ceny ............................................................. 105 Obr. 76: Model siete ..................................................................................................... 108 Obr. 77: Vsledky predikcie cien ................................................................................. 108 Obr. 78: Vsledky predpovede EMA ........................................................................... 109 Obr. 79: Ceny akci spolonosti APPLE na konci roku 2012 ...................................... 106 Obr. 80: Akcie spolonosti Apple a ich linerny trend................................................. 107

Slovnk termnov
Akcia - cenn papier, ktor predstavuje podiel na majetku spolonosti. Akcionr (majite akcie) m prvo na riaden spolonosti, na podiel na zisku (dividendu) a na podiel na likvidanom zostatku spolonosti. Aktvna sprva - forma sprvy investci, ktor spova v nkupe a predaji finannch aktv za elom zskania pozitvnej vnosnosti. Analza cennch papierov - sas procesu investovania, ktor spova v uren predpokladov na budci zisk z cennho papiera, v uren podmienok, za ktorch bude tento prospech zskan a v uren pravdepodobnosti, e tieto podmienky nastan. Broker (maklr) - finann sprostredkovate uzatvrajci najm na burze na cudz et. Broker predstavuje medzilnok medzi predvajcim a kupujcim. Burza - druh organizovanho trhu, na ktorom predvajci, kupujci a sprostredkovatelia (brokeri, maklri, dealeri a pod.) uskutouj obchody zastupitench objektov (cenn papiere, devzy, tovar) Fundamentlna analza - analza, ktor sa zaober vntornou hodnotou akcie, ktor je porovnvan s trhovou cenou a uruje, i je akcia nadhodnoten, podhodnoten alebo i je sprvne ocenen. Modely tejto analzy s zaloen na fundamentlnych dtach (zisky, trby, oakvan rast zisku a dividend a pod.). IPO (Initial Public Offer) - proces, ke spolonos prvkrt verejne ponka svoje akcie na kapitlovom trhu. Kapitlov zisk (strata) - rozdiel medzi aktulnou trhovou hodnotou aktva a pvodnmi nkladmi na aktvum. Krtky predaj (Short selling) - predaj vypoianho nstroja, pri obchodovan rozdielovch kontaktov (CDF). Likvidita - je to schopnos preda aktvum rchlo, bez nutnosti podstatnho znenia ceny. Limitn cena - cena stanoven pri vystaven limitnho pokynu u maklra. Definuje maximlnu nkupn cenu alebo minimlnu predajn cenu, pri ktorej je pokyn vykonaten. Limitn pokyn - obchodn pokyn, ktor uruje limitn cenu, za ktor m maklr pokyn vykona. Obchod bude uskutonen iba vtedy, ke maklr dosiahne limitn alebo lepiu cenu. Otvrac kurz (Open) - cena, za ktor bol uskutonen prv obchod da s danm titulom.

10

P/E (price-earning ratio) - pomer ceny (kurzu) akcie k zisku spolonosti po zdanen, pripadajci na jednu akciu. Pkov efekt na nkup finannho intrumentu - treba zloi len as jeho hodnoty, zisk i strata vak zodpoved plnej investcii. Portflio - sbor cennch papierov alebo inch aktv vo fonde. Poiadavka poiatonho krytia (Initial margin) - minimlne percento ceny nkupu na ver (alebo predaja nakrtko), ktor mus pochdza z vlastnch zdrojov investora. Poiadavka udriavacieho krytia (Maintenance margin) - minimlne skuton krytie, ktor maklrska firma investorom trvale povouje na ich marovch toch. Predaj na krtko - predaj akcie skr, ako ju investor vlastn. Investor si akciu poiia, priom sa zaviae, e akciu neskr vrti benm nkupom. Pokia je cena pri tomto nkupe niia, ako bola pri prvotnom predaji, investor zrealizuje zisk. Stop cena - cena uvdzan investorom pri zadan stop pokynu alebo limitnho pokynu, ktor definuje cenu, pri ktorej m by splnen trhov alebo limitn pokyn. Stop limitn pokyn - obchodn pokyn, ktor uvdza stop cenu aj limitn cenu. Ak cenn papier dosiahne alebo prekro stop cenu, potom je automaticky zaraden k obchodovaniu na trh. Technick analza - analza postaven na publikovanch trhovch dtach, t. j. trhov ceny jednotlivch akci, indexy, objemy obchodov a in technick indiktory. Hlavnm cieom technickej analzy je dobr odhad budceho vvoja kurzov, trendov a cien, umoujci dosiahnutie zisku. Trhov kapitalizcia - sin celkovho potu akci a ich aktulnej trhovej ceny. Trhov pokyn - obchodn pokyn, ktor oznamuje maklrovi, aby zakpil alebo predal cenn papier okamite za momentlne najlepiu dosiahnuten cenu. Volatilita - smerodajn odchlka kurzu (miera kolsania kurzu). m vie s zmeny kurzu, tm vyia je monos vnosu, ale aj vyie riziko. Vron sprva - publikcia, ktor je vydvan kadorone firmami a je vone dostupn vetkm akcionrom. Obsahuje okrem inch finannch dt aj informcie o aktvach, pasvach, prjmoch, vdavkoch a vnosoch firmy za uplynul rok. M informatvny charakter a je tie tovnou informciou vyadovanou zkonom. Zveren kurz (cena pri uzavret close cena) - cena, za ktor bol v dan de uskutonen posledn obchod s konkrtnym cennm papierom. Zdroje slovnka: (centruminvestovania.sk, 2013), (ipoint.cz, 2013), (value-investing.sk, 2013)

11

1 vod
Investovanie tvor dleit nstroj na zhodnocovanie spor. V dnenej dobe investuje irok spektrum ud, i u priamo, alebo prostrednctvom rznych fondov, najm dchodkovch sprvcovskch spolonost. Investovanie do akci patr medzi najvnosnejie, ale zrove najviac rizikov. V turbulentnch asoch finannej krzy sa pri investovan do cennch papierov riziko ete zvyuje. Preto je vyhodnocovanie tchto rizk dleit, a me zabrni vekm finannm stratm. Zmenm trendu vvoja cien cennch papierov me predchdza viacero indci, ktor je ak identifikova, pretoe je potrebn sledova vek mnostvo parametrov. Pri investcii do viacerch akci je toto sledovanie ete viac komplikovanejie a asovo nron. Sledovanie trhu, najm cien akci je tie dleit pre rozhodnutie investora, kedy m cenn papiere kupova, respektve preda. Cieom je vytvranie zisku, ktor tvor rozdiel ceny pri otvoren a zatvoren obchodnej pozcie. Kee sa na trhu obchoduje vek mnostvo akci a je potrebn sledova vek mnostvo dajov, je vemi nron sa na zklade tchto informci rozhodova. Aby sa rozhodovanie zjednoduilo, pouvaj sa rzne nstroje, ktor spracovvaj daje do formy, ktor je pre rozhodovanie vhodnejia. Na ich zklade sa potom mu poui systmy na dolovanie dt z databz verejne dostupnch dajov. Nstroje dolovania dt doku tieto daje prehadva a njs urit pravidl, ktor mu sli na rozhodovanie. Jednm z tchto nstrojov s neurnov siete. Vstupom siete s rzne finann ukazovatele spolonost, indiktory generovan z historickch cien akci, makroekonomick ukazovatele a podobne. Vhoda neurnovch siet pri predikcii vvoja cien je v tom, e sa doku uenm prispsobova meniacim sa trhovm podmienkam. Ak sa zhoruj vsledky predikcie, neurnov sie je schopn adaptova sa tak, aby zlepila pravdepodobnos predpovede vvoja trhov. V prci sa budeme zaobera spsobmi predikcie vvoja na finannch trhoch pre konkrtne spolonosti na zklade definovanch vstupnch dajov. spenos takejto predikcie budeme overova pri rznych vstupnch parametroch a pri rznom nastaven neurnovej siete. Cieom bude njs tak vstupy a nastavenie neurnovej siete, aby bola predikcia o najlepia.

12

2 Teoretick vchodisk prce


Pri prognzovan cien akci pomocou neurnovch siet vyuvame poznatky z viacerch odborov. Preto bud aj teoretick vchodisk rozdelen do ast: - tatistick metdy, - Analza burzovch dt, - Neurnov siete.

V dnenej dobe maj investori k dispozcii obrovsk mnostvo dt. S to veobecn makroekonomick dta, ktor charakterizuj ekonomick vvoj, daje o sprvan sa spotrebiteov, a po daje o hospodren konkrtnych spolonost. Aby mohli manari vykonva rozhodnutia, musia vedie toto mnostvo dajov sprvne analyzova. Samotn analza vekch vzoriek dt je asovo nron a prcna. Preto sa pouvaj nstroje, ktor slia na vyhodnocovanie dajov. Prkladom takhoto rozhodovania je aj spravovanie akciovch fondov, kde sa manari rozhoduj o kpe alebo predaji cennch papierov. Skmaj veobecn ekonomick informcie, ako aj dta o konkrtnych spolonostiach. Obchodn systmy mu pomc investorom pri rozhodovan, najm pri generovan nkupnch a predajnch signlov. Nkupn signly sa generuj, ke s ceny akci na loklnych minimch a existuje predpoklad, e ich cena bude rs. Naopak, predajn signly sa generuj, ak s ceny akci na loklnych maximch, a existuje dostaton pravdepodobnos, e bude cena klesa. Pre rozhodovanie existuje viacero teri a metd, ktor boli odvoden z pozorovania akciovch trhov. Tieto terie bud predmetom teoretickej asti prce.

13

2.1 tatistick metdy


tatistick metdy slia najm na sledovanie trendov cien akci, a na vyhodnotenie stanovenej predpovede vvoja na zklade historickch dt. Z tchto metd vychdzaj aj rzne spsoby technickej analzy akci. tatistika ponka cel rad teoreticky dobre preskmanch a praxou overench metd pre analzu dt. Pre oblas dobvania znalost z databz maj vznam tieto tatistick nstroje (v ztvorke uvdzame prklad pouitia pri analze akci): kontingenn tabuky - pre zisovanie vzahu medzi dvoma kategorilnymi veliinami (na zistenie, ako veliiny vplvaj na zmenu ceny), regresn analza - pre zisovanie funknej zvislosti jednej numerickej (spojitej) veliiny na inch numerickch veliinch (pri predikcii cien), diskriminan analza - pre rozdelenie prkladov (pozorovan) patriacich do rznych tried (na rozdelenie akci od tried, naprklad rastov a klesajce), zhlukov analza - pre njdenie skupn (zhlukov) navzjom si podobnch prkladov (hadanie pravidiel pri grafovch formcich).

2.1.1

Regresn analza
Regresn analza predstavuje shrn tatistickch metd a postupov, sliacich na

tdium vzahov medzi dvoma alebo viacermi premennmi, prostrednctvom regresnho modelu. V naom prpade je to naprklad vzah aktulnej ceny akcie a historickch cien akci. Poda Packovej je objektom skmania tatistiky tzv. tatistick zvislos, pre ktor je charakteristick, e na zvisl premenn zachyti v matematickom vyjadren regresnom modeli. Kad zloku odhadovanej premennej y meme rozloi poda tohto modelu na dve zloky: deterministick zloku, ktor je funkciou zvislej premennej, nhodn zloku, ktor odra psobenie faktorov nezaradench do modelu a psobenie nhodnch vplyvov (Packov, V. a kol., 2003). psobia okrem nezvislch premennch aj alie, nepecifikovan a nhodn vplyvy. Tto skutonos sa sname

14

Pri analze cien akci vychdzame z toho, e sa ceny pohybuj v uritom trende (krtkodobom aj dlhodobom), okolo ktorho sa ich hodnoty menia nhodne (v obdob bez vplyvu novch relevantnch a vznamnch informci). Km trendov zloka zvis vo vekej miere od vvoja na trhu a fungovania firmy, nhodn zloka sa pohybuje okolo trendu nhodne. S uritou pravdepodobnosou vieme predpoveda obidve zloky. Najastejie sa na odhadovanie zvislch dt pouva linerna regresia. Km pri korelanej analze ns zaujma iba to, i medzi dvoma numerickmi veliinami plat linerna zvislos, v prpade linernej regresie ns zaujmaj parametre tejto zvislosti. Rieime teda lohu aproximcie pozorovanch hodnt danm typom funkcie, avak s neznmymi parametrami (Berka, 2003).

Jednoduch linerny regresn model vyjadruje rovnica (Packov, V. a kol., 2003):

(1) Kde i-t hodnota odhadovanej premennej neznme parametre regresnho modelu i-t hodnota vysvetujcej premennej nhodn chyba i-teho pozorovania (um) Premenn je nhodn veliina a zvyajne sa predpoklad, e bude normlne . V technickej analze akci existuje pojem Bollingerove

distribuovan s rozptylom

psma. S to psma, ktorch rka zvis od rozptylu hodnt jednoduchho kzavho priemeru. Nhodn veliiny pohybujce sa okolo hlavnho trendu, by sa teda mali nachdza v tomto psme. V najjednoduchom prpade linernej regresie pre dve veliiny hadme hodnoty parametrov a pre rovnicu

(2) 15

Ak mme k dispozcii vhodn pozorovanie (dvojice hodnt [ ,

]), meme

parametre rovnice vypota (presnejie povedan odhadn) na zklade metdy najmench tvorcov. Tto metda minimalizuje rozdiely medzi pozorovanou hodnotou y a oakvanou (predpovedanou) hodnotou = f (x) vypotan v tomto prpade na

zklade funkcie (ilustran Obr.1 znzoruje tieto odchlky) (Berka, 2003).

Vyrovnvajca regresn priamka je vyjadren rovnicou (Packov, V. a kol., 2003):

(3)

i-t predpovedan hodnota zvislej premennej y (odhadovan) hodota nezvislej premennej bodov odhad parametra

Obr. 1: Metda najmench tvorcov (Berka, 2003)

Vzhadom k tomu, e povaujeme kladn rozdiely za rovnako zvan ako rozdiely zporn, uvaujeme druh mocninu (tvorec) tchto rozdielov:

(4)

16

Hadme minimum celkovej odchlky pre n pozorovan:

(5)

Z oho dostaneme rovnicu :

(6)

Z tejto rovnice mono potom vypota (odhadn) parametre funkcie f(x). Ide vlastne o optimalizan lohu, kedy hadme minimlnu plochu medzi skutonm asovm radom a odhadovanm asovm radom.

Presnos odhadu vyjadrujeme rozptylom:

(7)

alebo tandardnou odchlkou:


(8)

Na podobnom princpe funguje uenie neurnovej siete, kedy hadme optimlne nastavenie vh, pri ktorom je chyba neurnovej siete pri pouit testovacej mnoiny vstupnch dt minimlna.

2.1.2 Diskriminan analza (klasifikcia)


Klasifikciu pouvame na rozdelenie vzoriek dajov do tried. Prkladom takhoto rozdelenia me by rozdelenie akciovch spolonost na rastov, stagnujce a klesajce, v zvislosti od finannch vsledkov ich hospodrenia.

17

Diskriminan analza je vlastne loha klasifikcie prkladov do vopred zadanch tried. Zo tatistickho pohadu teda ide o hadanie zvislosti jednej nominlnej veliiny (urujcej prslunos k triede) na alch numerickch veliinch. Pri diskriminanej analze predpokladme, e ku kadej triede (hodnote nominlnej veliiny) , t = 1, ..., T existuje (diskriminan) funkcia tak, e
(9)

prve ke prklad

=[ ,

,...,

] patr do triedy

V prpade linernej diskriminanej analzy maj diskriminan funkcie linernej kombincie


(10)

podobu

Ukme najjednoduch prpad, diskriminciu do dvoch tried, kedy namiesto funkci a hadme funkciu
(11)

. Prklady potom meme klasifikova poda znamienka tejto funkcie. Ak si predstavme prklady ako body v m-rozmernom priestore velin, bude funkcia f(x) predstavova nadrovinu v tomto priestore, oddeujce od seba prklady oboch tried. Pre m = 2 je funkcia f(x) priamka. (Berka, 2003)

Obr. 2: Rozdeovacia priamka

18

2.1.3 Analza asovch radov


asov rad je chronologicky usporiadan postupnos vecne a priestorovo porovnatench dajov ubovonej nhodnej premennej. (Packov, V. a kol., 2003) V naom prpade pjde o asov rad s peridou sledovania jeden de, a sledovan premenn bude cena akcie. Pri analze akci sa vinou pouva denn zatvracia cena akcie.

Vvoj premennej najastejie posudzujeme medzi dvomi po sebe nasledujcimi obdobiami t, v naom prpade v intervale jednho da. Na vyjadrenie pohybu cien akci meme poui nasledovn miery: Absoltny prrastok (bytok)
( 12)

Koeficient rastu (tempo rastu)


( 13)

Koeficient prrastku
( 14)

asov rad prezentujeme vo forme tabuky alebo grafu. Pomocou grafu asovho radu predbene posudzujeme trend vvoja premennej y v analyzovanom obdob a kolsanie dajov okolo trendu. Cieom grafickej analzy radu je rozli rzne druhy pohybov dajov v ase, t.j. zloky asovho radu (Packov, V. a kol., 2003).

Pri analze asovch radov dennch zatvracch cien akci budeme rozliova tieto zloky: Trendov vyjadruje dlhodobej rast alebo klesanie cien akcie v ase. Vznik psobenm dlhodobch a relatvne stabilnch faktorov ekonomickho, technickho alebo organizanho charakteru. Men sa teda na zklade informci o vvoji akciovho trhu a vvoji hospodrenia sledovanej spolonosti.

19

Nhodn zloka nepravideln vkyvy hodnt asovho radu cien akci okolo trendu, ktor vznikaj psobenm nhodnch velin. Ide najm o pohyb pri absencii novch trhovch informci, a zvis do istej miery od nemeratench faktorov, ako je psycholgia investorov a podobne.

S istou pravdepodobnosou vieme odhadn pohyb trendovej aj nhodnej zloky trendu. Ak existuje trendov zloka, odhadujeme ju pomocou regresie. T sa men najm vtedy, ak na trh vplvaj nov relevantn informcie. Existuj ete dve zloky trendu (cyklick a seznna), ktormi sa vak nebudeme v tejto prci zaobera, pretoe sa sstredme na krtkodob predpovede.

asov rad ceny akcie meme vyjadri kombinciou tchto dvoch zloiek:
(15)

teoretick (predpovedan) hodnota trendu v ase t nhodn zloka v ase t Na obrzku (Obr. 3) je znzornen asov rad dennch zatvracch cien akci spolonosti AMD od 15.11.2012 do 14.1.2013, ie v asovom intervale 48 dn. Ceny sa pohybuj nhodne okolo trendovej iary. Trendov zloku odhadujeme pomocu linernej regresie, ktorej vzorec je uveden na grafe. Pohyb nhodnej zloky meme odhadn pomocou technickej analzy, ktorou sa budeme zaobera v nasledujcej kapitole.

Obr. 3: Pohyb cien akci spolonosti AMD okolo trendu

20

2.2 Analza burzovch dt


Na analzu burzovch dt sa pouvaj dva typy analz: - technick, - fundamentlna.

Technick analza sa pouva skr na sledovanie grafov asovch radov cien a ich trendov. Je vhodn na sprvne naasovanie obchodu, teda na generovanie obchodnch signlov. Skma skr pohyb cien, ako ich absoltnu hodnotu. Cieom je uri trend vvoja. Fundamentlna analza vychdza zo skmania finannch dajov spolonost. Je teda vhodnejia pre strednodob investcie, a na skmanie absoltnej hodnoty ceny. Vsledkom je urenie, i je cena nadhodnoten, alebo podhodnoten.

2.2.1 Indiktory technickej analzy


K nstrojom technickej analzy patr aj tvorba indiktorov. Technick indiktory s seln daje, vypotan z historickch dajov cien akci. Pouvame ich na sledovanie priebehu cien akci, najm na analzu historickho vvoja cien. Indiktory meme rozdeli do troch skupn (Privalenkov, 2004): indiktory tendenci (trend following indicators) - sleduj pohyb trendu a uruj jeho aktulny stav (SMA, EMA, BB), osciltory (oscillators) - uruj body zmeny trendu (MACD, RSI), psychologick indiktory - popisuj pomer pravdepodobnost medzi rastcim trendom a klesajcim trendom.

V tejto kapitole popeme technick indiktory, ktor budeme pouva ako vstupy neurnovej siete. Najdleitejie bud pre ns osciltory, pretoe generuj signl na zmenu trendu. Poksime sa vysvetli rozdiel medzi vedcimi a zaostvajcimi indiktormi, a porovna vhody a nevhody ich pouvania. Pouvame ich najm na vytvranie nkupnch a predajnch signlov, o je jednm z cieov prce. 21

Kzav priemery
Kzav priemery zmieruj rchlos zmeny sledovanch dt a slia skr definova aktulny stav s uritm oneskorenm. Kzav priemery s teda oneskoren ukazovatele, pretoe s zaloen na minulch cench. Pomocou oneskorenia pomhaj kzav priemery zobrazi hladk pohyb cien akci a odfiltrova um. Tie tvoria zklad pre mnoho alch technickch ukazovateov ako s bollingerove psma, MACD a osciltor McClellan. Tieto odvoden ukazovatele u slia aj na predpovedanie vvoja trendu, porovnvanm dvoch rznych kzavch priemerov. Dva najpouvanejie typy kzavch priemerov s jednoduch kzav priemer (SMA) a exponencilny kzav priemer (EMA). kzav priemery mu by pouit na identifikciu trendu, alebo urova psmo pohybu cien (volatility). Dleit je aj vber sprvneho asovho obdobia na vpoet kzavho priemeru. Pri urovan hlavnho trendu sa pouvaj dlhodob priemery (200 dn), pri strednodobom trende 50-dov a pri krtkodobch trendoch niekoko dov (10, 20). Pri predikcii budceho pohybu cien je preto dleit poui priemer cien v takom asovom obdob, v akom predpovedme budcu cenu. SMA Jednoduch kzav priemer (Simple Moving Average) tvor vpoet priemernej ceny cennho papiera za urit poet dn. Je zaloench na zatvracch cench, ako vina kzavch priemerov. Pdov jednoduch kzav priemer je priemer zatvracch cien za poslednch p dn. Ako jeho nzov napoved, kzav priemer je priemer, ktor sa pohybuje. Star dta s ignorovan a nahradia ich vdy nov dta. To spsob zmenu hodnoty indiktora na asovej osi. EMA Exponencilny kzav priemer (Exponencial Moving Average) zniuje na vytvorenie ukazovatea, ktor sleduje trend. Nemaj predpoveda trend vvoja cien, ale

oneskorenie indiktora tm, e poslednm cenm prisudzuje viu vhu. m je teda cenov daj star, tm niia je jeho vha v priemere. Vha poslednej ceny zvis od

22

potu dn kzavho priemeru. Na vpoet exponencilneho kzavho priemeru s potrebn tri kroky: vpoet jednoduchho kzavho priemeru (SMA). Exponencilny kzav priemer (EMA) sa mus niekde zaa, preto sa jednoduch kzav priemer pouva ako predchdzajce obdobie

(16)

vpoet vh nsobitea (m)

(17)

vpoet exponencilneho kzavho priemeru (EMA)


(18)

Kde d poet dn priemeru m nsobite (koeficient) t asov perida (de)

Oneskorenie kzavch priemerov m dlh je kzav priemer, tm vie je jeho oneskorenie. Desadov exponencilny kzav priemer sa bude pohybova v blzkosti aktulnych cien a bude viac reagova na zmenu ceny. Naopak, dvestodov kzav priemer obsahuje mnostvo starch dajov, ktor jeho pohyb spomalia. Dlhie kzav priemery sa menia pomaly a na aktulnu situciu reaguj minimlne. Na to, aby sa zmenil dvestodenn kzav priemer potrebujeme ovea viu zmenu aktulnej ceny akcie.

23

Obr. 4: SMA(20) a EMA(20) akci spolonosti Microsoft

Zmena trendu na zklade kzavch priemerov Zkladnm princpom pri prci s kzavmi priemermi je, e prechody vytvraj signly zmeny trendu. To znamen, e ak ceny akci pretn kzav priemer z dola, mal by nasledova stpajci trend. Negatvne prechody generuj signly poklesu. Ak graf cien akci pretne kzav priemer z hora, mal by nasledova klesajci trend. Treba vak dva pozor na citlivos indiktora, ktor je prli volatiln. To znamen, e prechody mu by prli ast a nebezpen pre analzu. Tak ako priemery, aj obchodn signly sa mu meni prli rchlo, o je neiaduce. Niekedy sa pouva aj vzjomn pohyb dvoch kzavch priemerov. Ak krtkodob priemer pretne dlhodob kzav priemer z dola, znamen to signl pre rastci trend. Ak krtkodob priemer pretne dlhodob kzav priemer z hora, znamen to signl pre klesajci trend. Graf (Obr. 5) ukazuje priebeh cien akci spolonosti NVidia na zaiatku roku 2012. Na grafe vidme dva kzav priemery (50-dov a 200-dov). erven pky ukazuj nejasn signl (vetky ceny akcie nie s nad hodnotou kzavho priemeru). Akcie pretnaj 50-dov priemer, ale iba iastone. Jednoznan priemer, o dva vemi jasn signl. a uiton ukazovatele s znzornen modrou farbou, pretoe cena bola zjavne nad kzav

24

Obr. 5: Graf cien spolonosti NVidia

Bollingerove psma
Bollingerove psma je technick indiktor, ktor je zaloen na kzavch priemeroch. Me by pouit dvomi spsobmi: - urenie rky psma, - vzdialenos ceny akcie od jednotlivch psiem.

Bollingerove psma

sa skladaj zo strednho psma s dvoma vonkajmi

psmami. Stredn ps je jednoduch kzav priemer, ktor je zvyajne stanoven za obdobie dvadsiatich dn. Vonkajie psma s odvoden od tandardnch odchlok nad a pod strednm psmom (obvikle ich dvojnsobok). Vo veobecnosti toto psmo uruje volatilitu cien. m je psmo irie, tm je kolsanie akci od hlavnho trendu vie. Z toho vyplva via ziskovos pri pohyboch cien, ale na druhej strane aj vyie riziko.

Vpoet bollingerovch psiem: Stredov iara = 20 dov pohybliv priemer SMA(20) Horn hranica = SMA(20) + 20-dov tandardn odchlka ceny x 2 Doln hranica = SMA(20) - 20-dov tandardn odchlka ceny x 2

25

Obr. 6: Bollingerove psma

Zo tatistickho pohadu ide teda o vyjadrenie psma, v ktorom by sa mala pohybova nhodn zloka trendu. Trend uruje ven priemer, a psma dvojnsobok tandardnej odchlky tohto priemeru. Ak sa cena akcie pohybuje mimo tohto psma, existuje vysok pravdepodobnos, e sa vrti sp do psma. Na Obr. 6 je znzornen pohyb akci spolonosti Microsoft okolo 20-dovho priemeru. Ceny sa nachdzaj prevane v psme, a ak z neho vyboia, po istom ase sa vrtia sp do psma. m je psmo irie, tm v je pohyb akci (via monos zisku pri pohybe cien, ale aj vyie riziko straty).

Osciltory
Osciltory s indiktory sliace na predpovedanie zmeny trendu. Pri generovan obchodnch signlov maj najv vznam, pretoe by sa tieto signly mali generova prve pri zmench trendu. S vekou pravdepodobnos sa pomocou nich d uri, i je cena na loklnom maxime alebo minime. MACD MACD je skratkou pre Moving Average Convergence Divergence

(Konvergencia Divergencia kzavch priemerov). Tento ukazovate je jednm z najjednoduchch a najefektvnejch ukazovateov zmenu trendu (osciltorov). MACD prevdza dva indiktory sledujce trend (kzav priemery) do momentovho osciltora odpotanm dlhodobho kzavho priemeru od kratieho pohyblivho priemeru. V dsledku toho MACD ponka sledovanie kombincie dvoch vlastnost trendu: pokraovanie trendu a zmenu trendu.

26

Indiktor MACD potame pomocou nasledujcich krokov: 1) Vypotame exponencilny kzav priemer za obdobie 12 a 26 dn. Hodnota MACD je potom rozdielom tchto dvoch priemerov: MACD = EMA(26) EMA(12) 2) Vypotame hodnotu signlnej hodnoty (iary), ktor tvor devdov exponencionlny kzav priemer hodnoty MACD. 3) Divergencia je rozdiel MACD a signlnej hodnoty. Na grafoch sa znzoruje pomocou histogramu. Div=MACD-Signal

Divergencia MACD kole nad a pod nulovou iarou v zvislosti od toho, ako sa kzav priemery pribliuj, pretnaj alebo rozchdzaj. Obchodn signl me by generovan pretnutm iary MACD a signlnej iary, teda prechodom divergencie nulovou iarou. Tie mono sledova pribliovanie sa tchto iar (trend divergencie), a na zklade toho posudzova trendy. Hodnota MACD nie je ohranien, preto nie je vhodn pre identifikciu prekpench a prepredanch rovn (na tento el sli RSI).

Obr. 7: MACD a SMA spolonosti Microsoft

27

Index relatvnej sily (RSI) Indiktor RSI (Relative strenght index) sli na indikciu zmeny trendu. Stpa vtedy, ak prevldaj po sebe nasledujce pozitvne zmeny ceny akcie, naopak kles vtedy, ak prevldaj poklesy dennch zatvracch cien. Je to teda osciltor (indikuje zmenu), ktor meria rchlos zmeny pohybu cien. Osciluje medzi hodnotami 0 a 100. Tradine je povaovan trh za prekpen (overbought), ke je hodnota RSI nad 70 a prepredan (oversold) ak je pod 30. Signly mu by generovan na tchto hraninch hodnotch alebo pretnutm stredovej iary na grafe (Obr. 8). Vysok alebo nzke RSI me indikova aj zmenu trendu, pretoe pri vysokch hodnotch RSI dochdza zvyajne k jeho vrcholom. Vyuijeme ho teda najm pri generovan obchodnch signlov.

RSI je pomerne jednoduch z pohadu vpotu, ale nron na interpretciu. Je kontruovan poda nasledujceho vzorca:
(19)

RS je podielom priemeru kladnch zmien cien za peridu n a priemeru zpornch zmien za peridu n, priom asov obdobie n je treba prispsobi charakteru trhu. Voba zvis na konkrtnom analytikovi (Rejnu, 2004).

Obr. 8: Zobrazenie RSI na grafe

asov obdobie je dobr voli poda asovho obdobia, na ktor predpovedme pohyb cien. V naom prpade volme obdobie 10 alebo 14 dn. 28

Sviekov grafy
Analza sviekovch grafov patr k analze grafov. Tto analza skma urit formcie v grafoch, a na ich zklade vytvra predpoklady. Na vytvorenie sviekovho grafu potrebuje dtov sbor, ktor obsahuje otvracie, zatvracie, maximlne a minimlne hodnoty pre kad asov obdobie, ktor chceme zobrazi. Ide teda o najbenejie vone prstupn informcie. Dut alebo pln as svieky sa nazva "telo". Dlh tenk iary nad a pod telom predstavuj maximlny a minimlny denn rozsah a s nazvan "tiene. Ak je zatvracia cena akcie vyia ako jej otvracia cena, je telo dut a doln as tela predstavujce otvraciu cenu a horn as tela zatvraciu cenu. Ak je zatvracia cena akcie niia ako jeho otvracia cena, je svieka pln. Horn as tela predstavuje otvraciu cenu a spodn as zatvraciu cenu.

Obr. 9: Ukka sviekovho grafu v bollingerovom psme

Krtke a dlh svieky Dlh telo svieky znamen vysok volatilitu v danom asovom obdob (najastejie za jeden de). Dlh biele svieky by mali generova nkupn signly. m dlhia biela svieka je, tm v je rozdiel medzi otvracou a zatvracou cenou. Km dlh biele svieky s veobecne optimistick (cena by mala rs), zle aj na ich postaven v rmci irieho grafickho obrazu. Po dlhom poklese cien mu dlh biele svieky naznaova potencilny obrat alebo rove podpory. Naopak, dlh ierna svieka znamen siln predajn signl. To znamen, e zatvracia cena je pomerne hlboko pod otvracou cenou a e investori rchlo predvali akcie, m ceny prudko poklesli. Po dlhodobom klesan trhu me takto svieka znamena paniku investorov. Po dlhodobom stpan me znai zlom v trende, prpadne horn hranicu podpory.

29

Vekos tela svieky v naom prpade znamen absoltnu hodnotu rozdielu zatvracej a otvracej ceny. Vstupom neurnovej siete mu by teda tieto dve ceny, alebo predspracovan daj ktor udva vekos tela. Neurnov sie by potom mala reagova na zmenu vekosti tela svieky.

2.2.2 Fundamentlna analza (finann analza)


Finann analza je jednou z najvznamnejch metd fundamentlnej analzy. Umouje hodnoti finann hospodrenie kadej spolonosti. Vychdza z tovnch vkazov z minulosti, a nsledne pomha uri trendy vvoja firmy, prpadne nedostatky v hospodren. Tie pomha porovnva rzne spolonosti navzjom. Pracuje s historickmi dtami, ale jej vsledky a ich vyuitie smeruj vdy do budcna. Zdroje tchto informci pochdzaj z informanch systmov, ktor zbieraj dta z tovnch vkazov.

V naom prpade ide o tieto tri vkazy: - svaha (income statement), - vkaz ziskov a strt (balance sheet), - tok hotovosti (cash flow).

Svaha sleduje finann situciu podniku, ktor je uren tromi zlokami a to - aktva (Assets), - vlastn kapitl (Capital), - dlhy (Dept).

Ide teda o zachytenie finannej situcie podniku k uritmu okamihu, spravidla k poslednmu du hospodrskeho, obvykle kalendrneho roku. V podstate sa teda jedn o stavov veliiny. Vkaz ziskov a strt je psomnm prehadom o nkladoch, vnosoch a hospodrskom vsledku podniku za urit obdobie, najastejie tie za kalendrny rok. Z toho vyplva, e sa jedn o veliiny tokov (Rejnu, 2004).

30

Ukazovatele rentability (vnosnosti)


Ukazovatele rentability zachytvaj predovetkm dosahovan ist vsledky sledovanch podnikov a uruj, ak vznam mali na ich tvorbe likvidita, aktva a zadenos. Rentabilita (vnosnos) sa vyjadruje ako pomer zisku k objemu vloenho kapitlu. (Rejnu, 2004). Maj najv vplyv na ceny akci, preto sa zameriavame najm na ne.

Obrat aktv (ROA - Return On Assets) je pomer ronho istho prjmu k celkovm priemernm aktvam podniku poas tovnho roku. Meria efektivitu podniku pri pouvan prostriedkov na generovanie istho zisku. Je to teda ukazovate rentability. Vzorec na vpoet ROA je (20)

ist zisk je zisk po zdanen a uvdza sa vo vkaze ziskov a strt (balance sheet). Priemern celkov aktva sa vypotaj ako podiel stu celkovch aktv na zaiatku a na konci rozpotovho roka. Rentabilita aktv ukazuje sumu, ktor spolonos zarob na jeden dolr aktv. Preto vyie hodnoty rentability aktv znamenaj, e podnikanie firmy je vnosnejie. Tento pomer by mal by pouvan len na porovnanie podnikov v rovnakom odvetv. Dvodom je, e firmy v niektorch odvetviach s viac citliv na aktva, t.j. potrebuj drahie zariadenia a stroje v porovnan s inmi. Ich rentabilita bude prirodzene vyia ako rentabilita spolonost, ktor nevyaduj vek investcie do vybavenia. Stpajci trend ROA ukazuje, e ziskovos spolonosti sa zlepuje. Obrat kapitlu (ROE, Return On Equity) jeho vznam je v tom, e meria efektvnos, s akou podniky vyuvaj kapitl svojich podnikov. Nazva sa aj rentabilita trieb.
(21)

31

Prevdzkov mara (Operating Margin) je prevdzkov zisk spolonosti a pota sa ako:

(22)

Prevdzkov nklady zahaj nklady na predan tovar, predajn, veobecn a administratvne nklady, vdavky na vskum a vvoj, odpisy, amortizciu a ostatn prevdzkov nklady. Tento ukazovate vyjadruje prevdzkov efektivitu firmy. Ako vyplva z vpotu, maru mono zvi zvenm obratu pri rovnakch nkladoch, alebo znenm prevdzkovch nkladov.

2.2.3 Psychologick analza trhu


Teria efektvnych trhov predpoklad, e investori sa sprvaj racionlne. Ale kee investormi s udia, ich rozhodnutia s subjektvne. asto teda zvisia od mnohch faktorov. Jednm z tchto faktorov je psycholgia investorov. Poda Drasnara v psycholgii investora prevldaj dve vlastnosti: strach a chamtivos. V prpade finannch strt ide o strach, a investor pri pohade na klesajcu hodnotu portflia ahko podahne panike. V prpade zisku dochdza ku chamtivosti, a investor odauje predaj akci s cieom zarobi viac. asto vak zmek najvhodnejiu prleitos na predaj a hodnota portflia zane klesa. Psychologick analza vychdza z predpokladu, e akciov kurzy s pod silnm vplyvom masovej psycholgie burzovho publika, a ktor tm e psob na vetkch astnkov trhu, ovplyvuje ich rove (Rejnu, 2004). Poda Keynesa je psycholgia urujcim faktorom iba s krtkodobho hadiska. Vina investorov sa riadi emciami a preto podahne davu a stva sa jeho sasou. Menina vak doke vyui psycholgiu davu vo svoj prospech. To m za nsledok aj vznik pekulcie, pri ktorej as tejto meniny zmerne zneuva psycholgiu davu, o je poda Keynesa kodliv. Najznmejou stratgiou v psychologickej analze je Kostolnyho investin stratgia. Kostolny del investorov na dve skupiny: 32

Hri - tvoria vinu (asi 90%). Ovlda ich ilzia bezprcneho a rchleho zisku. Sprvaj sa v slade s teriou davu. Nakupuj, ke ostatn nakupuj a predvaj, ke ostatn predvaj. pekulanti (pevn ruky) - tvoria meninu (asi 10%). Riadia sa vlastnm sudkom, s trpezliv, maj dostaton prostriedky na investcie a doku vzdorova davu. Sprvaj sa ako investori s uniktnymi vlastnosami. Dve tretiny asu doku ,,plva proti prdu. To znamen nakupova, ke ostatn predvaj a predva, ke ostatn nakupuj.

Obr. 10: Kolobeh burzy (Kostolany, 2008)

Poda Kostolnyho terie sa pri raste cien a objemov akcie presvaj od hrov k pekulantom. Ak hri dria vinu akci hovorme o tzv. vykpenom trhu. Vykpen trh je vemi nebezpen - pri vysokch cench sa strca zujem o al nkup. V dsledku negatvnej informcie vznik na trhu panika a hri v strachu zo strt zanaj hromadne predva. Tento stav charakterizuj klesajce ceny pri raste objemov. Pri klesajcich cench sa akcie kumuluj v pevnch rukch. Ke nakoniec pekulanti dria vinu akci, hovorme o vypredanom trhu. Kostolny vo svojej terii sformuloval aj jednotliv fzy burzovho vvoja a nartol schmu, poda ktorej by mali pekulanti nakupova a predva. Zjednoduene ide o nkupy za nzke ceny pri dosiahnut minima a takisto pri nraste po odrazen z minima. Potom nasleduje vykvacia fza a po nraste postupn predaj. Predajn fza 33

nastva pri dosiahnut vrcholov, kedy op prechdza do vykvania a neskr do nkupnej fzy. Signly pre nkup a predaj vie poda Kostolnyho sprvne rozoznva a uri len zka skupina investorov a len tto vaka svojm uniktnym vlastnostiam vedia, kedy nastva sprvna fza. To im prina nadpriemern zisky (Juggler, 2010). Na zklade tchto fz burzovho vvoja postavme investin stratgiu. Poda toho, v ktorej fze sa bude vvoj ceny akcie nachdza, budeme pomocou neurnovej siete vytvra obchodn signly. Celkovo budeme generova tri signly: nkup, dranie, predaj (buy, hold, sell).

2.3 Neurnov siete


Neurnov siete patria k nstrojom na dolovanie dt. To znamen, e doku z rozsiahlych databz dajov zska nov a uiton informcie na zklade znalost uloench v neurnovch sieach v procese uenia. Uenie je reprezentovan truktrou NS, ktor sa poas uenia men. V prpade analzy akci predkladme ako uiacu mnoinu dt na vstup NS daje o cench akci. Tm NS ume odhadova vvoj cien na zklade ich historickho vvoja. Pri predloen novch dt na vstup siete by mala sie vedie s uritou pravdepodobnosou predpoveda vvoj ceny.

2.3.1 Strojov uenie a znalostn systmy


Pri uiacich sa systmoch je fza uenia oddelen od fzy pouvania znalost. Poas uenia si systm vytvor veobecn reprezentciu jednotlivch typov sprvania sa resp. tried (napr. veobecn popis spoahlivch a nespoahlivch klientov banky). Ak chceme njden znalosti pouva "manulne", meme tmto krokom skoni. Pri automatizovanom pouvan tchto znalost sa nauenmu systmu predkladaj nov prpady a systm samostatne rozhoduje (napr. klasifikuje novch klientov banky ako spoahlivch a nespoahlivch) (Berka, 2003).

34

Obr. 11: Veobecn schma uiaceho sa systmu (Berka, 2003)

Vo veobecnosti innos neurnovch siet rozdeujeme do dvoch fz a to: - fza uenia, - fza ivota.

Fza uenia znalosti sa ukladaj do synoptickch vh neurnovej siete. Ak si ozname maticu W ako maticu vetkch synoptickch vh neurnovej siete, tak pod uenm budeme chpa stav kedy plat, e (23)

Synaptick vhy sa teda poas uenia menia. Ide teda o zbieranie poznatkov, resp. ich uchovvanie. Definciu uenia meme interpretova nasledovne: Uenie je proces, v ktorom sa parametre NS menia na zklade uritch pravidiel. Charakter tchto pravidiel, ktor vyvolvaj zmeny NS, determinuje typ uenia NS. Pod uenm rozumieme adaptciu NS, ktor bude po ukonen uenia nositekou znalost zskanch poas uenia. (Sink P., 1996) Existuje mnostvo rznych algoritmov uenia, ktor mu by pouit na uenie siete. Tieto algoritmy vykonvaj zmenu siete tak, e modifikuj synaptick vhy. Ich cieom je minimalizova chybu vstupu pri prognzovan . Pri algoritme so sptnm ren chyby sa v jednom kroku uenia siete informcie ria od vstupnej vrstvy k vstupnej vrstve, v kroku uenia sa vhy modifikuj po vrstvch od vstupu k vstupu. Pre zastavenie procesu uenia sa pouvaj tieto kritri:

35

ustlenie chybovej funkcie (na globlnom minime) dosiahnutie vopred zadanho potu iterci pokles pod vopred zadan hodnotu chybovej funkcie. (Berka, 2003)

Fza ivota - zskan znalosti sa vyuvaj v prospech rieenia nejakho problmu (napr. klasifikcia, optimalizcia, zhlukovanie). Ide o stav neurnovej siete, kedy sa synaptick vhy sa teda nemenia a NS je nauen:

(24)

Reprezentatvnu mnoinu dajov zvykneme nhodne rozdeli do dvoch zkladnch typov mnon: Trnovania mnoina mnoina usporiadanch hodnt, ktor sa pouva pri fze uenia. Dleitos reprezentatvnosti tchto dt je vek, pretoe sa znalosti pri uen z tchto dt extrahuj do synoptickch vh neurnovej siete. Ak tto mnoina nie je vhodne vybran, potom aj samotn uenie nebude kvalitn. Tieto dta by mali popisova komplexn chovanie systmu, ktor dta reprezentuj. Testovacia mnoina mnoina usporiadanch hodnt, ktor sa pouva vo fze ivota za elom testovania zskanch znalost poas uenia. Testovanie sa vykonva tak, e sa porovnvaj vstupy zskan z neurnovej siete a hodnotami v testovacej mnoine dt.

2.3.2 truktra neurnovej siete


Zkladn truktra neurnovej siete (alej NS) pozostva z umelch neurnov (truktrou podobnch biologickm neurnom v udskom mozgu), ktor s zoskupen do vrstiev. Najastejia truktra NS sa sklad zo vstupnej vrstvy, jednej alebo viacerch skrytch vrstiev a vstupnej vrstvy. Na obrzku Obr.12 (Sink P., 1996) je znzornen jednoduch model umelho neurnu. pky prechodov a vstupn funkcia neurnu. 36 znzoruj vstupy so synaptickmi vhami a vstup neurnu. Vo vntri neurnu je znzornen vstupn,

Obr. 12: truktra neurnu

Neurnov sie je masvne paraleln procesor, ktor m sklon k uchovvaniu experimentlnych znalost a ich alieho vyuvania. Napodobuje udsk mozog v dvoch aspektoch (Sink P., 1996): poznatky s zbieran v NS poas uenia, na ukladanie znalost s vyuvan medzineurnov spojenia (synaptick vhy) .

Zkladn truktra NS pozostva z nasledujcich vrstiev: Vstupn vrstva, v ktorej neurny dostvaj vstup len z vonkajieho sveta a jej vstup obvykle pokrauje k alm neurnom NS. Skryt vrstva (jedna alebo viac), v ktorej neurny dostvaj vstupy z ostatnch neurnov alebo z vonkajieho sveta cez prahov prepojenia a ich vstupy pokrauj alej do NS. Vstupn vrstva, kde je vstup NS generovan na zklade vstupov.

Topolgia siete je znzornen na obrzku (Obr. 13). pky znzoruj synapsie, teda spojenia medzi neurnmi. Signly z neurnov vstupnej vrstvy s privdzan ako vstupy do neurnov skrytej vrstvy. Vstupn vrstva je tvoren jednm neurnom.

37

Obr. 13: truktra neurnovej siete

Zjednoduen model NS je na obrzku Obr. 14. Vstup do neurnu v skrytej vrstve je funkciou jednotlivch vstupov prichdzajcich od predsynaptickch neurnov. Vo vine prpadov je to set tchto vstupov uvaovanch s uritmi vhami. Naprklad vstup do iteho neurnu, ktor m N predsynaptickch neurnov, me byt vyjadren v tvare :
(25)

kde prepojen a

s synaptick vhy,

s vstupy z neurnov, s ktormi je neurn

je prah neurnu i. Prah je vlastne vstup do neurnu z vonkajieho sveta,

nie z inch neurnov. To znamen, e v prpade ak neexistuj iadne vstupy do skmanho neurnu i z ostatnch neurnov j = 1, . . . , N, potom vstupom do neurnu je iba prah .

Obr. 14: Model neurnovej siete

38

U v tomto momente sa musme zaa pozera na neurnov sie ako na dynamick systm, teda systm zvisl na ase. Meme hovori o stave neurnu v ase t resp. v ase t+1. Aktivan funkcia neurnu je funkciou vstupu do neurnu Stav neurnu i je teda definovan premennou v tvare (t).

(26)

Funkciu f budeme nazva aktivanou funkciou neurnu. Poznme aktivan funkcie rznych tvarov (Sink P., 1996). Budeme pouva signoidlnu funkciu, ktor m tvar (27)

kde je parameter strmosti sigmoidy. Tto funkcia je pomerne asto pouvan.

2.3.3 Dopredn neurnov sie so sptnm renm chyby


Dopredn neurnov sie so sptnm renm chyby je truktra neurnovej siete, ktor hodnoty vstupov neurnovej siete nsob vhami na spojeniach medzi neurnmi v skrytej vrstve. Set ich vsledkov pred prechodom cez prah funkcie neurnu vytvra vstup neurnu (Obr. 14). Sptn renie algoritmu funguje tak, e minimalizuje chybu medzi vstupom a cieovou hodnotu (trnovacou) a ri tto chybu v sieti smerom sp. Vhy kadho spojenia medzi neurnmi (synapsie) sa menia v zvislosti od vekosti chyby. Poas procesu uenia sa na vstup NS privdzaj vstupn signly z trnovacej mnoiny dt, ktor produkuj hodnotu novho vstupu a chybu siete. Cieom uenia je, aby bola chyba o najmenia (Clarence,1997). Proces sa preto opakuje, km neznime chybu na poadovan minimum. Kad z neurnov pouva rovnak prenosov funkciu a je pripojen ku vetkm uzlom v alej vrstve. Ke chyba dosiahne poadovan hodnotu, je uenie zastaven. Vsledkom je model, ktor je vntornou reprezentciou vstupnch dt za podmienky, e vstupn mnoina dt je zhodn s trnovacou mnoinou. 39

Chyba neurnovej siete sa vypota poda (Clarence, 1997): (28)

kde

je odhad na vstupe siete,

je vektor vstupov a

je vektor

synaptickch vh. Z gradientnej metdy vyplva pravidlo na modifikciu vh: (29) kde je koeficient uenia, E je vektor chb siete a W je vektor synaptickch vh.

Z neho potom vyplva pravidlo pre modifikciu vh. Meme si vimn, e spsob vpotu chyby a modifikcie vh je podobn postupu pri vpote chyby odhadu pomocou linernej regresie a urovan jej parametrov. Cieom je minimalizova chybu odhadu a tie tu vystupuje uiaci parameter (krok). m je tento parameter ni, tm je vyhodnocovanie algoritmu pomalie, lebo potrebuje viac iterci. K optimalizanmu minimu sa pribliuje pomalie. Naopak, pri vysokom kroku uenia me by vsledok nepresn, a dokonca me vies k stavu, kedy neurnov sie nebude schopn njs vhodn (optimlne) rieenie. Neurnov siete s navrhovan a trnovan tak, aby vykonvali predben odhady pre vvoj trhu. Vstupn dta s tatisticky "predspracovan" zo surovch dt. Obrzok znzoruje (Obr. 15), ako sa dta z trhu vyhodnocuj pomocou neurnovej siete.

Obr. 15: Dopredn neurnov sie so sptnm renm chyby

40

Problm, ktor budeme riei aj v praktickej asti prce, je urenie potu neurnov v skrytej vrstve. Poet neurnov sme volili experimentlne, aj ke sa na prv pohad zd, e voba vieho potu neurnov je lepia. Poda Berku sa ale s rastcim potom neurnov v skrytej vrstve (resp. s rastom potu skrytch vrstiev) zvyuje nelinearita sprvania siete a rast nroky na proces uenia (potrebn poet prkladov, doba uenia). Prli rozsiahla sie m tie tendenciu k preueniu (overfitting). Znamen to, e sa me prli zameriava na bezvznamn podrobnosti vyskytujce sa trnovacej mnoiny dt, ktor ale nemaj vznam z hadiska rieenia lohy. Neexistuje veobecn nvod ako zvoli poet neurnov v skrytej vrstve. V praxi je obvykl sksi viac siet s rznymi parametrami (topolgiami, prechodovmi funkciami) a na zklade ich sprvania pri testovacch dtach vybra t najlepiu (Berka, 2003).

2.3.4 Pretrnovanie neurnovej siete (overfitting)


Je potrebn, aby sme sa vyhli pretrnovaniu neurnovej siete. K pretrnovaniu dochdza, ke si neurnov sie zapamt umy, pecifick pre jednotliv typy konkrtnych trningovch dt, bez schopnosti generalizova nov (lepie) dta. Pretrnovan sie bude fungova nesprvne na vzorke testovacch dt a nsledne aj pri prognzovan (Medelson, 2000). Pretrnovaniu sa mono vyhn nastavenm optimlneho potu cyklov uenia a tie koeficientu uenia. Je vhodn z trnovacej mnoiny odstrni um, a teda dta, ktor s na prv pohad neobvykl (prudk vkyvy, extrmy). Ak je trnovanie prli dlh alebo koeficient uenia prli mal, neurnov sie me by ovea citlivejia na zmeny vstupov a teda neprimerane reagova na zmeny vstupnch dt. Z pohadu pretrnovania je niekedy vhodnejie zvoli jednoduchiu truktru NS s menm potom vstupov a skrytch vrstiev. Rovnako je dleit zvoli vhodn poet cyklov uenia (iterci). Sie potom lepie reaguje na veobecn zmeny, teda na nov vzorky dt (vstupy NS). V prpade pretrnovania dosahuje NS dobr vsledky pri predikcii dt z trnovacej mnoiny, me ma vak problm s novmi, neznmymi dajmi.

41

Obr. 16: Prklad pretrnovanej NS

Na Obr.16 (Ng, 2012) s znzornen tri prpady odhadu ceny bytov (price) na zklade ich vekosti (size). Body grafu znzoruj jednotliv vzorky trnovacej mnoiny. Vavo je znzornen NS, ktorej odhad je podobn linernej regresii. NS je v tomto prpade vemi nepresn (chyba odhadu je vek). V strede je chyba menia, a odhad sa viac pribliuje trnovanm dtam. Na poslednom obrzku je sce chyba odhadu mal, takto sie vak bude nesprvne analyzova nov vzorky dt, ktor s dostatone rozdielne oproti dtam v trnovacej vzorke (sie je pretrnovan).

42

3 Ciele prce
Ako ciele prce si zvolme viacero loh, na ktorch ukeme praktick pouitie neurnovej siete. Budeme porovnva vsledky pri rznych vstupnch parametroch a rznych nastaveniach neurnovej siete.

Hlavnm cieom je splnenie nasledovnej lohy: 1) Generovanie obchodnch (nkupnch a predajnch) signlov na zklade vone dostupnch dt z trhu. Vzorky dt je potrebn klasifikova do troch tried: nkup, predaj, dranie. Nkupn signly by sa mali generova, ke sa ceny akcie nachdzaj na minime, a predajn, ke sa ceny nachdzaj na maxime. V obdob ustlenia cien (rovnovny trend) sa obchodn signly generova nebud a bude generovan signl na dranie akci.

Okrem hlavnho ciea vykonme alie lohy, na ktorch budeme demontrova fungovanie neurnovej siete:

2) Klasifikcia akci na zklade finannch ukazovateov - rozdelenie akci na rastov, stagnujce a klesajce na zklade finannch ukazovateov potanch z dajov importovanch z finannch vkazov spolonost.

3) Predikcia minimlnej ceny pri tejto lohe sa poksime odhadn minimlnu cenu akcie v uritom obdob. 4) Predikcia ceny akcie na zklade asovho radu odhad ceny akcie pouitm historickch cien akci na vstupe neurnovej siete.

43

4 Metodika prce a metdy skmania


Na analyzovanie cien akci pouijeme pozorovanie. Je to najprirodzenejia metda na skmanie nejakho problmu alebo javu. Predmetom pozorovania je urit systm, v naom prpade burza a ceny akci. Cieom pozorovania je njs pravidl, pomocou ktormi vieme s istou mierou pravdepodobnosti predpoveda pohyb cien akci. Na zklade pozorovania vytvrame model pozorovanho systmu. Model systmu by mal fungova podobne ako samotn systm. Mal by teda reagova na vstupy podobne, teda ponka podobn vstupy. Rozdiel medzi vstupom neurnovej siete (predikovanou hodnotou) a skutonou hodnotou vytvra chybu siete, pomocou ktorej testujeme NS. Jednm zo spsobov pozorovania je tvorba experimentu pri ktorom pozorovanm vstupov a vstupov skmame urit systm. Na zklade pozorovania vytvorme model, ktor by mal reprezentova sprvanie systmu. Vsledky fungovania modelu porovnvame so sprvanm relneho systmu. Z tohto dvodu rozdelme dta na experimentlne a validan (v prpade NS s to trnovacie a validan, resp. testovacie). V naom prpade bud vstupom modelu dta z akciovch trhov, naprklad dta o cench akci. Model systmu budeme vytvra pomocou neurnovej siete. Jej vstup pri pouit trnovacej vzorky porovnvame so skutonmi dtami. Pri pouit neurnovej siete to bude mnoina trnovacch a mnoina testovacch (validanch) dt. V prci tie pouvame metdy technickej analzy a tatistick metdy, popsan v teoretickej asti prce.

4.1 Metodika CRISP-DM


Na rieenie loh sme vybrali metodiku dolovania dt CRISP-DM. Poda tejto metodiky je projekt vytvran v iestich fzach, ktorch poradie sa me meni: - Porozumenie problematike; - Porozumenie dtam; - Prprava dt; - Modelovanie; - Vyhodnotenie vsledkov; - Pouitie vsledkov. 44

Obr. 17: Metodika CRISP-DM (Berka, 2003)

Vsledok dosiahnut v jednej fze ovplyvuje vobu krokov nasledujcich a asto je potrebn sa k niektorm krokom a fzam vraca. Vonkaj kruh na obrzku symbolizuje cyklick povahu procesu dobvania znalost z databz. (Berka, 2003) V naom prpade budeme vyhodnocova vsledky, ktor dostaneme pouitm neurnovej siete. Na zklade tohto vyhodnotenia budeme modifikova pouit dta, prpadne model neurnovej siete. Po navrhnut a spracovan optimlnej mnoiny dt a zskan vhodnho modelu ukeme praktick pouitie vsledkov. Dvodom vberu tejto metodiky je vhodnos pouitia pre experimentlnu metdu skmania. Na zklade rznych pravidiel technickej analzy meme stanovi hypotzy, ktor overujeme. Pri pouit neurnovej siete pouvame na overovanie dve mnoiny dt, trnovaciu a testovaciu. Ak nedosiahneme poadovan vsledky, musme njs dvody, ktor k zlm vsledkom viedli, a odstrni ich. To znamen najm zmenu vstupnch dajov, alebo modelu neurnovej siete.

Popis jednotlivch fz poda metodiky CRISP-DM, ktor budeme riei: Porozumenie problematike popeme sasn znalosti vo svete,

a pouvaujeme, ak vplyv maj na rozhodovanie pri obchodovan na burze. Tieto znalosti vychdzaj prevane z teoretickch vchodsk popsanch v tejto prci, dleit je vak ich chpanie v irom kontexte. Aj ke mono pri analze trhov poui 45

tatistick metdy zahrnut v technickej analze, musme bra na vedomie fakt, e sa trhy sprvaj chaoticky, a vieme ich predpoveda iba s uritou pravdepodobnosou. Preto je dleit analyzova riziko, a zabezpei investcie tak, aby sme toto riziko minimalizovali. Porozumenie dtam technick analza generuje mnostvo ukazovateov. Aby sme ich mohli sprvne pouva, je potrebn pochopi ich fungovanie a vzah medzi nimi. V prci pouvame najm technick indiktory, ktor vychdzaj z historickch cien akci. Niektor maj podobn vznam, a preto treba zvi ich vzjomn kombinciu, pri vytvran modelu. Prprava dt finann portly generuj vek mnostvo dt. Pri analze cien vychdzame najm z historickch cien akci, ktor spracovvame do rznych indiktorov. Tie pouvame fundamentlne dta, ktor s dostupn vo forme finannch vkazov a spracovan do formy finannch ukazovateov. Z upravench dt vo forme rznych ukazovateov vyberme dta, ktor pouijeme na tvorbu modelu. Prli vea dt nm skomplikuje model, a v niektorch prpadoch me vies k vej chybovosti modelu. Dta natavame z finannch portlov do hrku programu Excel, kde ich upravujeme a exportujeme do textovho sboru. Dta importujeme do programu Weka. Na pravu niektorch dt pouvame normalizciu a diskretizciu. Modelovanie v tejto fze vytvrame model neurnovej siete. Modelovanie pozostva z viacerch experimentlnych krokov, kedy skame rzne nastavenia parametrov siete, a vyberme najoptimlnejie parametre. Model vyhodnocujeme pomocou testovacej mnoiny dt. Vyberieme model, ktor bude najlepie spa cie prce, a to je generovanie nkupnch signlov. Najlep model bude ten, ktor najlepie zarad vzorky dt z testovacej mnoiny do prslunch tried. Vyhodnocovanie vsledkov vsledky prce vyhodnotme tak, e posdime, do akej miery sme splnili ciele prce. Tu nebudeme posudzova iba presnos samotnho modelu, ale aj vhodnos modelu na praktick poutie. Pouitie vsledkov pouitie vsledkov prce demontrujeme na prkladoch, kde pouvame vsledky neurnovej siete pri obchodovan. spenos lohy nie je posudzovan teda iba z pohadu presnosti neurnovej siete, ale aj z pohadu dosiahnutch obchodnch vsledkov (zisku). 46

4.2 Porozumenie problematike


Veobecne meme poveda, e v prpade odhadu cien akci mme k dispozcii iba tri monosti predpovede: rast, pokles a rovnovny trend. Ak berieme do vahy, e cieom investora je zarobi na pohybe ceny, nie je elom, aby sme vedeli predpoveda trend s uritosou. To ani nie je mon. Vo veobecnosti vak meme uri ist pravdepodobnos pohybu cien akci. Ak naume systm predpoveda pohyb s touto pravdepodobnosou, mali by sme vytvra zisk. Aj ke bude predpove obas nesprvna a stratme investovan prostriedky, vdy bude existova via pravdepodobnos, e trend vvoja odhadneme sprvne. Tm by sme mali dosiahnu viu poetnos spench investci a celkov zisk. V kombincii s analzou rizk ide o obchodn stratgiu, ktor m nzku mieru rizika investcie a naopak vek potencil vnosnosti. Technick analza je tdia o minulosti cenovho pohybu za elom predpovedania budceho cenovho pohybu, ktor, ak sa rob sprvne, me vies k znanm obchodnm ziskom. tudovanie cien je typick pre finann nstroje, ako s akcie, komodity a meny.

Bez ohadu na to, ak trhy tudujeme, zkladn princpy s rovnak: graf cien je najdokonalejia reprezentcia bilancie kupujcich a predvajcich pre dan subjekt, ceny maj tendenciu pohybova sa v trendoch a vzoroch, ktor, na zklade historickej analzy, me vies k tatisticky vznamnej pravdepodo bnosti budceho cenovho pohybu, hlbok a kvalifikovan analza cenovho grafu me pomc obchodnkom pri rozhodovan, ako dlho by mali dra akcie a kedy by ich mali preda (Knight, 1991).

Samozrejme vytvranie zisku obchodovanm na burze nie je tak jednoduch, pretoe ak by bolo, nikto by nepracoval, vetci by kupovali a predvali akcie. Softvr na analzu cien akci ponka v sasnej dobe mnostvo spolonost. Meme poveda, e ak by naozaj dokzali predpoveda ceny, nebol by predmetom ich innosti vvoj 47

softvru, ale aktvne obchodovanie. Tto situciu ironicky prirovnva Svoboda k zlatej horke, poda ktorho poas nej najviac zbohatli predovetkm t, ktor predvali krompe a lopaty, km vina dychtivch zlatokopov ivorila v chudobe (Svoboda, 2008). Svoboda patr medzi skeptikov. Aj ke celkovo predpovedanie cien akci neodsudzuje (najm pouvanie technickej analzy). Poda neho prve v ase manipulci tovnctva, politickch krz, nzorovch stretov rznych analytikov, v asoch ke sa javia rzne fundamentlne odhady a hodnotenia ako vemi neist, ponka technick analza dleit podklady na skmanie kurzovch priebehov, pretoe kurzy s iba sumrom toho, o astnci trhu vyvodzuj zo vetkch dostupnch informci. Kurzov grafy sa preto vynikajco hodia k rozpoznvaniu prslunch trendov alebo k stanoveniu psychologicky vemi dleitch bodov, v ktorch okol je mon umiestni jednotliv prkazy. Avak k tomu, aby sme zskali takto prehad, nepotrebujeme iadny drah softvr (Svoboda, 2008).

Ak ale berieme technick analzu ako nstroj na analzu trendov, je to dobr nstroj, priom nezle na tom s m obchodujeme. Me nm pomc odhadn trendy vo vvoji cien, a tm prispie k pozitvnemu ovplyvneniu obchodovania v budcnosti. Predovetkm je technick analza vhodn nstroj na analyzovanie sasnej situcie. Jej zkladnm predpokladom toti je, e grafy cien zahaj v sebe vetky aktulne a dostupn informcie ktor investori maj. Grafy cien reaguj na obavy, paniku investorov, prpadne na vznik bubln na trhu. Vetko o investori vedia, alebo o om iba premaj, je u v nejakej forme zahrnut v historickch cench. Prvrenci takzvanej terie efektvnych trhov tvrdia, e kad verejne prstupn informcia, ktor vyvol zmenu ceny akcie, je u trhom efektvne zapotan do tejto ceny. Preto ak nem investor nejak uniktnu informciu, ktor nie je iroko dostupn a ktor by mohla pohn trhom, neme predpoveda vvoj trhu. Bval predseda FEDu Allan Greenspan hovor, e ako dkaz odporcovia pouvaj dobre znmu neschopnos investinch podielovch fondov podva trvale lepie vsledky ako index S&P 500. Dkaz, e urit investori prekonvaj trh, resp. jeho index kadorone, nie je prekvapujci. Je to presne to, o by sme mohli oakva. Dokonca, ak by boli vsledky investovania isto iba zleitosou astia (nhody), mal poet investor bude vdy tatisticky vnimone spench. Rovnako, ako ke niekomu padne pri hdzan mincou 10 krt hlava. Pravdepodobnos, e hlava padne 10 krt za sebou je 0,1

48

percenta, take z milina investorov bude nakoniec tisc vemi spench (Greenspan, 2008). Podobne uvauje aj Nicholas Taleb, ktor je znmym skeptikom tatistickch metd a presadzuje tzv. teriu iernych labut. Tto teria popisuje udalosti, ktor s mlo pravdepodobn, ale maj vek vplyv na vvoj trhu. Naprklad ukazuje, e v priebehu poslednch pdesiat rokov sa o polovicu vnosov postaralo desa najextrmnejch dn (Taleb, 2011). Vvoj teda mono predpoveda do uritej miery, najm v obdobiach, kedy nedochdza k vnimonm udalostiam. Vskyt takchto udalost vak nemono dopredu predpoveda. Ide o vek burzov krachy, vojnov konflikty, prpadne rzne neastia. Vychdza z faktu, e terie o predpovediach trhu nemono dokza, pretoe funguj iba pre vybran asov obdobia. Ich neplatnos je vak mon dokza v priebehu jednho da. Treba vak doda, e vhodnm nastavenm zabezpeenia rizika bud straty spsoben nepredvdatenmi udalosami minimlne.

Teria efektvnych trhov Teria efektvnych trhov predpoklad e akciov kurzy s ovplyvovan oakvanmi ziskami, dividendami, rizikom a almi kurzovmi informciami. Za efektvny je povaovan tak trh, ktor vemi rchle a efektvne absorbuje nov informcie. V situcii, kde s vetky kurzotvorn informcie absorbovan akciovm kurzom nedochdza k rozdielu medzi vntornou hodnotou a akciovm kurzom. Trn cena akcie na trhu predstavuje teda objektvnu hodnotu, akcie s sprvne ocenen a na trhu nie je mon njs nadhodnoten alebo podhodnoten tituly. Termn efektvny sa teda pouva v zmysle efektvneho spracovanie novch informci (Muslek, 2002).

Nie vetky javy na burze vak doke teria efektvnych trhov vysvetli. Naprklad jeden z najvch pdov na burze, ktor sa zvykne nazva aj ierny pondelok (19.10.1987), ke index Dow Jones stratil ptinu celkovej hodnoty. V tento de nebola zverejnen iadna dleit informcia, ktor by bola dvodom zmien trhu. Vedcu lohu zohral psychologick faktor, kedy o predaji akci rozhodol strach investorov. V stave ke sa trhy sprvaj racionlne, neprichdzaj iadne relevantn informcie, sa trh pohybuje do istej miery nhodne. Ak vak prde neakan zlom (ierna labu), menia sa trendy vemi rchlo. Takto prudk zmeny spsobuj 49

naprklad akciov bubliny, kedy ceny akci umelo rast, bez akchkovek racionlnych dvodov, ktormi by mohli by naprklad zmeny ziskov spolonosti. Prkladom je internetov (dotcom) bublina, ktor umelo zvila akcie technologickch a internetovch firiem.

Teria efektvnych trhov predpoklad splnenie nasledujcich predpokladov: Na akciovom trhu participuje vek mnostvo racionlnych investorov, ktor neustle analyzuj akciov ceny a uskutouj transakcie; Investori maj dostatok lacnch, aktulnych a pravdivch informci, priom kad astnk zskava nov informcie pribline v rovnakej dobe; Investori reaguj rchlo a presne na nov informcie; Obchody na akciovom trhu s spojen s nzkymi nkladmi a neexistuj iadne trhov obmedzenia (Muslek, 2002).

Nhoda Treba bra do vahy, e m vzdialenejia je predpovedan budcnos, tm viac faktorov psob na cenu akcie. Kee nepoznme ani zlomok tchto faktorov, nevieme predpoveda vvoj na trhu. m je asov obdobie predpovede vie, tm nepravdepodobnejia predpove je, pretoe ju ovplyvuje viac faktorov. Aj mal a neoakvan udalos me vies k vekm zmenm na burze. Tento efekt popisuje teria chaosu a nazva sa tzv. motl efekt. Nespech malej spolonosti v ne sa me prejavi prudkm prepadom na burze v New Yorku. Sta spomen problmy firiem po katastrofe vo Fukushime, ktor sa prejavili na dodvateskm reazcoch mnohch vrobcov po celom svete. Nhoda me ma teda vrazn vplyv na spech investora. Preto sa budeme zaobera v prci odhadovanm nhodnej zloky pri pohybe cien akci. tatisticky je via pravdepodobnos sprvnej predpovede pri pouit technickej analzy, ako pri isto nhodnom odhade. Naprklad pri vypuknut paniky na trhu sa investori rchlo zbavuj svojich pozci, a dochdza k prudkmu klesajcemu trendu. Vtedy je vemi mal pravdepodobnos, e bud ceny akci rs.

50

Technolgie alia oblas ktor nedokeme predvda je technologick vvoj. Ak by sme toti dokzali predvda pokrok vo vede a vskume, poznali by sme vlastnosti budcich vrobkov. Tie vak nepoznme. Niektor technologick novinky sa na trhu nepresadia napriek kvalite, popularite a medilnej podpore (vozidl Seagway). Naopak, niektor vrobky doku prinies prevratn zmeny vo svojom segmente a prudk rast spolonosti (produkty iPod a iPhone spolonosti Apple). Technologick firmy rast poda Ropa (Rope A.T. a kol., 2011) v troch fzach, ako je ukzan na obrzku (Obr. 18). Ke sa technolgia rozvja, je rast pomal. Inovtori vypracovvaj prototypy, nastavuj optimlnu konfigurciu produktu zaloenho na uvedenej technolgii a vylepuj jeho funknos. Ako nhle je produkt uveden na trh, nastupuje obdobie rchleho rastu (v idelom prpade), po ktorom nasleduje inflexn bod. Po om sa rast spomal. Vrobok prejde do obdobia zrelosti. Nakoniec, technolgia zastarva a jej rast stagnuje prpadne kles. Preto je dleit pre firmy neustle inovovali produkty, najm zlepovanm funknosti a vyvjali nov produkty. Niektor technolgie sa vyvjaj dlh dobu a napriek tomu nemaj dominantn vplyv na fungovanie uritho segmentu. Naprklad biopaliv vyrban z celulzy sa vyvjaj pomerne dlho, stle vak nie s konkurencieschopn oproti palivm vyrbanm z ropy. Navye maj negatvny dopad na udraten rozvoj (zniuj potravinov zdroje) a na ivotn prostredie. Na druhej strane, inovatvne technolgie ako socilne siete (Facebook, Twitter) sa rozvjali a rstli vemi rchlo, a mali obrovsk vplyv na ivot ud po celom svete.

Obr. 18: Fzy rastu a krivka S (Rope A.T. a kol.;, 2011)

51

Kad etapa potrebuje in prstup manamentu, a teda aj prstup pri posudzovan potencilu rastu firmy. Vo fze vzniku je dominantn vskum a vvoj. Tu meme sledova naprklad rast vdavkov firmy na vskum a vvoj. Neskr sledujeme svislosti s uvedenm vrobku na trh. Obdobie rchleho rastu je sprevdzan malmi zmenami vrobku, ale rchlym rastom vroby a predaja, kedy sa firma sna ovldnu trh. Poas fzy zrelosti, ide o rozhodnutia tkajce sa zlepenia vlastnost, kvality a nkladov na vrobu produktu. V tejto fze meme sledova naprklad vku mare, prpadne pokles nkladov na vrobu. V etape poklesu ide najm o konsolidciu podniku a zniovanie kapact podniku. Vhodn je investova do firmy vo fze rozvoja. Tu je vak pomerne ak predvda, i sa firma presad na trhu a i bude ma vrobok spech. Treba vak da pozor na prehnan oakvania. Takto oakvania ved k vzniku bubln. Ide o nadhodnotenie ceny akci kvli optimistickej nlade investorov. Ako nhle investori podahn pesimizmu, nastva prudk vpredaj akci a teda aj prudk pokles cien. Naposledy sme mohli takto prpad vidie prve pri akcich spolonosti Facebook. Zujem o emitovan akcie bol enormne vek vaka popularite tejto socilnej siete a vaka medializcii. Po zverejnen finannch ukazovateov, najm menej schopnosti firmy vytvra zisk, sa akcie spolonosti zaali prudko prepadva (Obr. 19).

Obr. 19: Prepad akci spolonosti Facebook krtko po emisii

o sa tka technolgi, najvznamnejia bublina v poslednom obdob bola tzv. dot-com bublina. Tie mala svoj pvod v nadmernom optimizme investorov. Ilo

52

najm o obrovsk investcie do informanch technolgii. Tie podporoval obrovsk rozmach internetu a vpotovej techniky. Ceny akci prudko rstli s priemernm ronm rastom nad 20% rone a dosiahli maximum v roku 2000. Potom nasledoval prudk vpredaj akci a panika na trhu. V prci sa zameriame na technologick firmy, ktor psobia na trhu dlhiu dobu (viac ako 20 rokov). Je to z dvodu dostatonho mnostva historickch dt na analzu, a z dvodu istho ustlenia vvoja firmy. Na uenie a testovanie siete budeme pouva daje firmy Microsoft za 10 rokov, teda v ase, kedy bola firma vo fze ustlenia, a nedochdza k prudkmu rastu cien akci (pozri Obr. 25). Psycholgia V teoretickej asti bol popsan Kostolanyho systm kolobehu burzy, kedy trhy neustle klesaj a stpaj, o je vhodn na obchodovanie a vyuvanie kurzovch rozdielov v prospech investora. Prve to budeme vyuva pri generovan obchodnch signlov. Trhy sa v istch obdobiach nesprvaj racionlne, o je predpoklad terie efektvnych trhov. Na trhu psobia udia, ak neberieme do vahy automatizovan obchodn systmy. udsk psycholgia zohrva v obchodovan obrovsk lohu. Prve ona je dvodom, preo vznik na trhoch panika a prudk prepady. Tie je dvodom, preo trhy prudko rast a vytvraj bubliny. Na jednej strane psob strach investorov a na druhej tba po zisku. S tm svis aj vytvranie trendov, v ktorch sa ceny akci pohybuj. Akokovek presne meme vedie ohodnoti cenu podniku na zklade jeho hospodrenia, jeho cena bude vdy zvisie od toho, ako ju bud vnma investori. Keynes tvrdil, e uvaova v smere trendu aj ke si myslme e je nesprvny nie je nezmysel, pretoe nem zmysel dva 20$ za nieo, o si myslme e m hodnotu 30$, ke si zrove myslme, e to trh o mesiac ocen na 15$ (Cassidy, 2012). Z toho vyplva aj vhodn naasovanie investcie, teda generovania obchodnho signlu. Z pohadu psycholgie je generovanie signlov pomocou neurnovej siete vhodnejie, pretoe potae nepodliehaj psycholgii (panike, ani chamtivosti).

53

Neurnov siete a obchodn systmy


Neurnov siete sa zvyajne pouvaj na predpove dt s niou asovou peridou zmeny, ako s naprklad denn zmeny kurzov. Tie predpovedme na zklade v relnom ase sa meniacich hodnt. Poksime sa ukza, ako vyui neurnov sie na predpove vvoja pomocou dt, ktor s verejne dostupn. Vinou ide o surov dta z finannch internetovch portlov vo forme tabuky, ktor si vyaduj spracovanie do poadovanej formy. Mendelson spene aplikoval neurnov siete na trhov daje tak, aby bolo mon predvda kzav priemery a poui ich ako ukazovatele trendu tak, e vrcholy trendu, teda oakvan zmeny trendu, sme schopn predpoveda s presnosou takmer 80%. To je v ostrom kontraste k pouitiu kzavch priemerov ako oneskorench ukazovateov, pretoe vina obchodnkov ich pouva iba na zistenie aktulneho trendu (Medelson, 2000). Predvdanie kzavch priemerov pomocou neurnovch siet by malo by teda vhodnejie, ako predpove samotnch cien akci. Kzav priemery vyhladzuj trend, preto odstrauj s trendu umy a denn vkyvy. Pri tvorbe modelu posdime, i je pouitie kzavch priemerov ako trnovacej mnoiny vhodnejie, ako mnoina zatvracch dennch kurzov. Tie sa sstredme najm na vrcholy trendov a generovanie obchodnch signlov pri ich dosiahnut. V dnenej dobe sa pouva v obchodovan mnostvo systmov s jedinm cieom: zarobi peniaze. Mnoho prognostickch systmov pouva systm zaloen na pravidlch. Tieto pravidl generuj obchodn signly (kpi/preda). Pravidl s vytvran pouitm technickch a tatistickch ukazovateov ako s kzav priemery, trendy a indexy alebo vzory grafovch formci. Hlavn problmy konvennch obchodnch systmov na bze pravidiel s: - potreba odbornka, aby navrhol obchodn pravidl, - problm prispsobi pravidl tak, aby reagovali na meniace sa podmienky trhu.

Potreba odbornka pre poskytnutie pravidiel, je vekou nevhodou pri tvorbe obchodnch systmov, pretoe je ak njs odbornka ochotnho odovzda svoje 54

znalosti vzhadom k silne konkurennmu prostrediu obchodovania. Navye, mnoho spench obchodnkov nie je schopnch vysvetli rozhodovac proces, ktor pouvaj pri obchodovan (tacitn znalosti). Vea z nich sa rozhoduje na zklade intucie alebo sksenost, ktor nevedia exaktne popsa. Preto je vemi ak pre znalostnho ininiera odvodi potrebn pravidl pre nvrh znalostnho systmu, ktor bude sprvne fungova. Neschopnos prispsobi systmy zaloen na rozhodovacch pravidlch na meniace sa podmienky trhu znamen, e tieto systmy mu zlyha, ak sa trhov podmienky menia. Naprklad ke z trendovho vvoja trhu prechdza vvoj na turbulentn. Pre rzne podmienky trhu mu by uiton rzne sbory pravidiel. Vzhadom k tomu, e podmienky na trhu s dynamick, je nutn ich prieben monitorovanie. Mnoho pravidlovch (rule based) systmov vyaduje ast optimalizciu parametrov technickch ukazovateov. To me ma za nsledok chybovos systmu.

Neurnov siete mu by pouit ako nhrada udskho znalostnho ininiera pri definovan a hadan pravidiel pre prognostick model. Zznamy o obchodovan mono poui na trnovanie neurnovej siete a pre generovanie obchodovacch pravidiel. Sie je tie mon ui rzne ziskov obchodn stratgie pomocou historickch dt. Naprklad meme sie naui identifikova formcie v grafoch, m nm poskytne cenn informcie, pretoe vyhadvanie takchto formci je nron. To potvrdzuj Kamijo a Kanigawa, ktor v roku 1990 spene trnovali neurnov siete na identifikciu trojuholnkovch modelov japonskch sviekovch grafov. Neurnov siete mu njs pravidl, ktor nachdzaj svislosti zkladnch makroekonomickch dajov (ako je HDP, rokov sadzby, miera inflcie, miera nezamestnanosti, at.) s cenovmi pohybmi. Niektor analytici zahruj do modelu predikcie akciovch trhov aj technick a fundamentlnu analzu, zatia o in pouvaj zkladn ekonomick dta, ako s rokov sadzby a menov kurzy. V prci pouvame nstroje technickej analzy, ktor vychdzaj z historickch cien akci, finann ukazovatele podnikov a in verejne dostupn dta . Neurnov siete s vynikajce na prehadvanie obrovskho mnostva zdanlivo nesvisiacich trhovch dt a njdenie opakujcich sa vzorov, ktor by v iadnom prpade nemohli by vnman vizulne pri obyajnom pohade na grafy cien, alebo pri 55

porovnvan dvoch trhov medzi sebou. Prostrednctvom matematickho procesu minimalizcie chb znmeho ako "uenie" neurnovch siet, mu by NS nauen tak (ak s navrhnut sprvne), aby pomerne presne predpovedali sprvanie trhov na zklade tchto vzorov (Medelson, 2000).

Predpovedanie vvoja cien akci pomocou asovho radu je typick prklad pouitia neurnovch siet, ktor mu by pouit najm pre dva typy loh: - klasifikcia (predpovedme, i bude hodnota klesa alebo stpa), - predikcia (skame odhadn hodnotu asovho radu v budcnosti).

Viacvrstvov sie je schopn predpoveda kvalitatvny vvoj (rast, pokles), ako aj konkrtne hodnoty. Predikcia sa pouva viac na vyhodnocovanie budceho vvoja asovch radov a konkrtnych hodnt (cena akci, vmenn kurzy valt, spotreba elektrickej energie, vvoj teploty). Vhodou pri predikcii je okrem inho to, e neurnov siete doku bez problmov spracovva numerick hodnoty, dokonca aj v kombincii s logickmi hodnotami. To vyuvame aj v tejto prci, kde kombinujeme ceny akci s logickmi vstupmi rznych funkci, zaloench na indiktoroch technickej analzy. asov rad tvoria hodnoty skmanej veliiny zskan v rovnakch asovch intervaloch nasledujcich po sebe. Pouvame najm zatvraciu cenu akci v prslunom obchodnom dni. Ak znzornme graf vvoja cien akcie, na osi y vidme zatvraciu cenu v danom dni. V praxi sa tie vyuvaj tdenn intervaly.

Obr. 20: asov rad zatvracch dennch cien spolonosti Apple za 1 mesiac

56

Z asovho radu potrebujeme zska trnovaciu a testovaciu mnoinu dt. Dleit je zvoli poet vstupnch a vstupnch parametrov. Od tohto potu zvis poet vstupnch a vstupnch neurnov siete (vstupn a vstupn vrstva). V prpade e odhadujeme zatvraciu cenu akcie v budcnosti, pouijeme jeden vstup, ak robme klasifikciu do tried, pouijeme viac vstupov. Tie je dleit zvoli asov interval predikcie. m je interval v, tm je menia pravdepodobnos, e bude predpove sprvna. Okrem hodnt asovho radu vak meme poui aj alie daje, take konen poet vstupov me by ubovone vek. Treba zvi, ak vplyv bude ma vstupn parameter na predpovedan hodnotu vstupu, resp. na chybu pri odhade vstupu. m via je chyba odhadu pri pouit danho vstupu, tm menia je jeho vhodnos pouitia. Skmanm meme zisti, ak m sie citlivos na zmenu uritho vstupu. V prpade cien akci maj naprklad niektor akcie tendenciu vyvja sa podobne s trendom akciovch indexov, niektor naopak rozdielne. Trnovacie dta bud dan teda najm sekvenciou po sebe idcich zatvracch cien v uritom asovom intervale. Okrem zatvracch cien meme poui aj otvraciu cenu, denn minimum, denn maximum, poet obchodovanch akci a podobne. V praxi sa vak najviac pouva zatvracia cena, z ktorej sa vytvraj aj grafy. asov rad so zobrazenm nielen zatvracej ceny sa nazva sviekov graf (sledovan obdobie a spolonos s zhodn s Obr.21).

Obr. 21: Sviekov graf cien spolonosti Apple za 1 mesiac

57

5 Aplikan as
5.1 Generovanie obchodnch signlov 5.1.1 Pochopenie a analza lohy
Pri analze cien akci je najdleitejou lohou definovanie nkupnch a predajnch signlov. S to rozhodnutia investora, kedy nakpi alebo preda cenn papier. Tieto signly me generova aj informan systm a sli ako pomocnk pri rozhodovan, prpadne ako automatick obchodn systm. Poda Kostolanyho terie (Obr.11) treba akcie nakupova, ke cena vystupuje z loklneho minima a predva, ke je na loklnom maxime (alebo z neho zostupuje). Rozdiel medzi nkupnou a predajnou cenou potom tvor zisk.

Predaj

Nkup

Obr. 22: Sptn zobrazenie nkupnho a predajnho signlu

lohou je teda predpoveda, i sa v dan de nachdza kurz akcie v loklnom minime, prpadne v maxime. Pri sptnom pohade na graf cien akci je zrejm, kedy dochdza k minimm a maximm. Vieme sptne posdi, kedy nastal vhodn okamih na kpu alebo predaj. V prtomnom ase vak nepoznme budci vvoj cien, a preto meme vvoj iba odhadova. lohu budeme riei pomocou klasifikcie. Vstupom NS bude trieda, ku ktorej prislcha trnovacia, resp. testovacia vzorka dt. Na generovanie obchodnch signlov budeme pouva tri triedy:

58

MAX predajn signl, kurz akcie by sa mal nachdza v loklnom maxime MIN nkupn signl, kurz akcie by sa mal nachdza v loklnom minime NN dranie akci, ceny sa pohybuj v strednom psme

Na generovanie signlov budeme pouva vone dostupn dta z finannch portlov, najm historick denn zatvracie ceny akci, z ktorch bud odvoden technick indiktory (Obr. 23).

Obr. 23: truktra dtovej tabuky v Exceli (Vvoj cien akci spolonosti Microsoft za poslednch 10 rokov)

5.1.2 Voba asovho obdobia


Pri obchodovan na akciovom trhu je dleit stanovenie asovho obdobia investcie. Je mon obchodova v intervale niekoko mint, a rovnako aj niekoko rokov. Pri vemi krtkych asovch intervaloch vytvrame zisk astm obchodovanm s nzkym ziskom. Pri dlhodobej investcii sa spoliehame na dlhodob rast alebo pokles. V tejto prci sa zameriavame na krtkodob investovanie. Vychdzame z toho, e dlhodob vvoj cien akci nemono predpoveda s dostatonou presnosou, pretoe zvis od vekho mnostva faktorov. Krtkodob priebeh vieme predvda s uritou 59

pravdepodobnosou. Ceny akci sa pohybuj v krtkodobch a dlhodobch trendoch, okolo ktorch nhodne osciluj denn hodnoty ceny akci. Plat to vak iba v prpade, kedy do rozhodovania investorov nevstupuj iadne zvan trhov informcie. Vtedy sa smerovanie trendov men. Na predpove vyuvame rzne technick indiktory, ktor zvisia od historickch cien akci za urit obdobie. Toto obdobie je mon meni poda toho, na ak obdobie predpovedme vvoj. Pri niekokodovch intervaloch obchodovania volme pribline rovnak asov intervaly indiktorov. Maj vy um a menia sa rchlejie, avak presnejie ukazuj aktulny stav. Naprklad pri indiktore RSI vom ako 70 vieme, e pomer dennch ziskov k stratm bol vysok, a v alom obdob by preto mali prevaova straty. Tie volme krtkodob pohybliv ven priemery, naprklad desadov. Niektor investori uprednostuj dlhodob investcie s tm, e investovanie vo vemi krtkych intervaloch je podobn hazardu. Kee vychdzame z toho, e vvoj na trhu nie je mon dlhodobo predpoveda a e ceny sa bud pohybova okolo aktulnych trendov, zameriame sa na investovanie v intervaloch niekokch dn, prpadne hodn (pri vysokej volativite).

Obr. 24: Vvoj cien akci spolonosti Microsoft za 5 rokov

Ako vidme na obrzku (Obr.24), hodnota akcie spolonosti Microsoft sa v priebehu 5 rokov takmer nezmenila. V tomto ase sa vak pohybovala medzi dvoma bollingerovmi psmami. To znamen, e pri investcii na 5 rokov by bol zisk z pohybu ceny akcie minimlny. Pri krtkodobch investcich vak bolo mon vytvori zisk nkupom a predajom akci medzi dvomi psmami. V roku 2009 zaznamenali akcie

60

prudk prepad vplyvom krzy, o bolo zvl vhodn obdobie na vytvranie zisku obchodovanm CFD (kontrakty na zmenu ceny).

Technologick firmy sa vyznauj tm, e sa vyvjaj na zklade krivky rastu (Obr. 18). Aj spolonos Microsoft sa nachdza vo fze ustlenia, o je dvodom minimlnej celkovej zmeny ceny akcie za p rokov, ktor sme ukzali. Krivku rastu je mon vyui pri dlhodobom investovan tak, e investor nakpi akcie spolonosti vo fze vvoja, a pred ich, ke spolonos dosiahne fzu ustlenia. Problmom vak je, e nikdy nevieme, ktor firma bude v budcnosti spen. V USA vznik mnostvo technologickch firiem, no iba as z nich sa na trhu presad. Investovanie do zanajcich technologickch firiem (startupov) je pomerne rizikov, aj ke spojen so znanm ziskom. Z dlhodobho pohadu meme vidie fzy vvoja aj pri spolonosti Microsoft (Obr.25). Prv desaroie sa vyznauje prudkm rastom, a druh ustlenm cien. Ak by spolonos stagnovala a neprinala inovcie, nasledoval by pokles.

Obr. 25: Fzy rastu spolonosti Microsoft

Zabezpeenie proti riziku


Pri investovan predpovedme vvoj cien akcie na urit obdobie. m je toto obdobie dlhie, tm je menia pravdepodobnos sprvnosti predpovede, pretoe do systmu vstupuje prli vea faktorov, ktor nevieme predpoveda. Km otvorme obchodn pozciu, mali by sme vyhodnoti riziko investcie. Aj ke me by predpove stanoven s vysokou pravdepodobnosou, vdy existuje monos, e sa trh nebude vyvja poda predpovede, a naa investcia bude generova stratu. Preto musme stanovi mieru rizika, a nastavi automatick mechanizmy, ktor nm zabezpeia iba urit mieru rizika.

61

Riadenie rizk je proces realizcie obchodu tak, aby bola pravdepodobnos zisku o najvia a pravdepodobnos straty najmenia. Je jednm z najdleitejch aspektov obchodovania. Riziko obchodovania je podceovan najm novmi investormi, ktor nemaj sksenosti, alebo nezaili vek straty. Je dleit uri vekos monho vnosu a monej straty. Tie si meme nastavi v uritom pomere, poda toho, s akou pravdepodobnosou predpovedme vvoj. Obchod potom uzatvrame iba ak je pomer potencilneho zisku a straty na poadovanej rovni. Naprklad 50% (1:2) riziko znamen, e riskujeme stratu na rovni polovice z oakvanho zisku. Pri on-line systmoch obchodovania sa zabezpeenie obchodu nastavuje pomocou stop limitu. Je to cena akcie, pri ktorej sa obchod automaticky uzavrie so stratou. Na jednej strane je to poistka, aby sme negenerovali ete vie straty. Na druhej strane sa kurz me vrti nasp k pvodnej hodnote a stratu zni, o sa uzavretm pozcie znemon. Stanovenie rizika je dleit aj pre vyhodnocovanie spenosti neurnovej siete. Neurnov sie generuje obchodn signly na odhadovanej extrmnej hodnote (minimum, maximum). Pri aplikcii terii rizika musme vychdza z toho, e sa uzatvorenie pozcie uskuton pri dosiahnut uritho zisku, alebo straty. Ak teda kpime akcie za 1000$ a oakvame zisk 5% pri riziku 1:2, pozcia sa uzavrie pri zisku 50$ (bez pkovho efektu), alebo pri strate 25$. Takmto spsobom je mon nasimulova obchodovanie tak, aby sa pozcie otvrali pri generovan obchodnch signlov a zatvrali pri dosiahnut nastavenho zisku, alebo straty. Vsledkom je zistenie, i je mon pomocou signlov generovanch neurnovou sieou vytvra dlhodobo poadovan zisk. Potencilny zisk meme nastavi pevne, alebo v zvislosti od volatility cien. Volatilitu cien meme stanovi naprklad pomocou rky bollingerovho psma. m je rka psma via, tm je v pohyb cien, via monos zisku, ale aj vyie riziko. Pri uzatvoren obchodu predpokladme, e sa bude cena akcie pohybova v tomto psme. Bollingerove psma meme preto poui aj ako hranice pre nastavenie stop limitov.

62

Obr. 26: Vpoet bollingerovch psiem

Zisk meme nastavi naprklad ako polovicu rky psma. V obrzku (Obr.26) je vpoet bollingerovch psiem. Ak by sme kupovali akciu v dolnom psme za 87,95$, predvame ju pri zisku 3,09$, t.j. pri cene 91,04$, alebo pri strate 1,545$ a cene 86,40$. m vie riziko zvolme, tm v bude mon zisk, ale aj prpadn strata. Pouitm psiem a rky psma ako vstupnch atribtov neurnovej siete by mala sie zohadni volatilitu cien, a tie vzdialenos ceny akcie od hornho a dolnho psma.

Predpoklady pre pouitie NS


Pri predikcii vvoja cien pouitm neurnovch siet vychdzame z viacerch predpokladov, zaloench na poznatkoch z technickej a psychologickej analzy trhu a z pozorovan: Cena akcie je dleitejia ako dvod jej vky viac ns zaujma, ako sa pohybovali ceny v uritom obdob a menej dvod tchto pohybov. Aj pri finannch ukazovateoch sledujeme skr ich zmeny, ako absoltnu hodnotu. Vetky znme informcie sa odraj v cene na cenu akcie nevplvaj iadne nov informcie, a ceny odraj aktulne informcie dostupn vetkm investorom. astnci trhu sa nesprvaj vdy poda terie efektvnych trhov nerozhoduj sa vdy racionlne. Do ich rozhodovania vstupuj najm psychologick faktory zaloen na emcich (strach a chamtivos), ale aj finann faktory (very).

63

Trhy kolu napriek absencii novch informci trhy kolu okolo uritho trendu.

Skuton cena nemus odra skuton hodnotu cena akcie je tak, ak s ochotn prija kupujci a predvajci. Ned sa teda presne stanovi a je vecou subjektvneho posdenia.

5.1.3 Zskanie a predspracovanie dt (prprava dt) Vber vhodnch vstupov neurnovej siete
Na to, aby sme dosiahli o najlepie vsledky klasifikcie, potrebujeme zvoli vhodn parametre na vstupoch neurnovej siete. Preto budeme vyhodnocova vplyv jednotlivch vstupov na chybu klasifikcie vo fze testovania. V neurnovej sieti dokeme uri vznam jednotlivch vstupov v procese uenia aj priamo, porovnanm synaptickch vh. Vber technickch a ekonomickch ukazovateov (dajov) ktor pouijeme ako vstup neurnovej siete, bude zvisie od nasledujcich faktorov (Clarence, 1997):

1. Dostupnos - daje musia by ahko dostupn. 2. Dostatok historickch dajov (databz) musme ma dostatone vek mnoinu dt pre uenie a testovanie NS. 3. Korelcia ukazovateov k cene - vybran daje by mali ma nejak relevanciu k cene cennho papiera. 4. Periodicita dt - vybran daje musia by k dispozcii so stanovenou frekvenciou (ron, tvrron, mesan, tdenn, denn). 5. Spoahlivos dajov - ak je prognostick model vvoja cien postaven na upravench historickch vstupnch dtach, model okamitej predpovede nemus by spoahliv, pretoe nov daje, ktor s zadan do modelu mu by chybn.

Pouvame dva sbory historickch dt. Prv sbor sa pouva na trnovanie NS, na rozvjanie obchodnej stratgie a vytvranie pravidiel. Druh sbor sa pouva na testovanie funknosti a spoahlivosti systmu. Musme dva pozor, aby sme nepouili 64

druh sadu ako uiace dta, ani v prpade e vsledky testovania nezodpovedaj oakvaniam. Dta pouit na analzu v tejto prci zskavame z nasledujcich finannch portlov: nasdaq.com; finance.yahoo.com; google.com/finance.

Dta automaticky importujeme do hrku programu Excel pomocou makra. pravu dt vykonvame tie v Exceli, ako aj vpoet potrebnch technickch indiktorov. Vsledn tabuku trnovacch a testovacch dt exportujem do textovho sboru (csv), ktor je vhodn na importovanie v programe Weka.

Generovanie trnovacej mnoiny vstupov


Nkupn signly sa generuj pri loklnych maximch a minimch. Pri minimlnej cene sa generuje nkupn signl a pri maximlnej cene predajn signl. Aby sme mohli trnova neurnov sie a naui ju, kedy m generova nkupn a predajn signl, musme vytvori tabuku s loklnymi extrmami, ktor bud sli na uenie. Do tabuky ich pridme ako odvoden atribt OUT, ktor bude nadobda hodnoty: max, min a nn. Tmto hodnotm bud zodpoveda aj jednotliv triedy, do ktorch budeme vzorky dt klasifikova. Hodnota nn bude znamena, e systm negeneruje nkupn ani predajn signl. Na generovanie loklneho minima a maxima pouijeme extrm hodnt za 10 dn (4 dni dopredu a 5 dn dozadu). Postup ukeme pri generovan tabuky MSFT.xlsm, ktor obsahuje daje o dennch zatvracch cench spolonosti Microsoft od janura 1993 do janura 2013, t.j. za 10 rokov.

65

Pouitie hraninch psiem extrmov


Ak by sme pouili iba minim a maxim za urit obdobie, z celkovho potu dajov dostaneme pomerne mal poet hodnt v triedach MIN a MAX. Aby sme mali v kadej triede pribline rovnak poet vzoriek, zaradme do triedy MIN a MAX aj hodnoty, ktor s vzdialen od loklneho extrmu o urit hodnotu, ktor nazveme delta. Hodnotu delta volme tak, aby sme mali v triedach MIN a MAX pribline rovnak poet dajov ako v triede NN. Pri trnovacej mnoine, ktor obsahuje mlo vzoriek v triedach MIN a MAX klasifikuje neurnov sie vinu vzoriek do triedy NN a nevygeneruje poadovan obchodn signly. Aby sme zvili mnostvo generovanch signlov, budeme bra do vahy aj daje, ktor s od extrmu vzdialen o hodnotu delta. V tabuke (Tab. 1) je znzornen poet signlov v zvislosti od zvolenej hodnoty delta. Na grafe (Obr. 27) je tto zvislos znzornen graficky.

Tab. 1: Poet generovanch signlov v zvislosti od "delta"

Po et sign lov

Delta Obr. 27: Poet generovanch signlov v zvislosti od delta

66

Generovanie trnovacch vstupov


Vstupy trnovacej mnoiny sme vytvorili nasledovnmi krokmi: 1) Vygenerujeme tabuku, kde v stpcoch MAX a MIN zobrazme maximlnu a minimlnu hodnotu zatvracej dennej ceny Close (6 dn pred a 6 dn po). za urit obdobie. Naprklad minimlna cena na obrzku (Obr. 28) je minimlna hodnota v bunkch stpca

Obr. 28: Zobrazenie minimlnych a maximlnych hodnt

2) Nastavme hranin hodnoty (urme hranicu, pri ktorej ete hodnotu povaujeme za extrm). Hodnota d v tabuke znamen hranin psmo (delta). Nastavujeme ho zvl pre minimum, aj pre maximum. V tomto prpade je jeho hodnota pre maximum aj pre minimum 0,1. Znamen to, e za loklne maximum povaujeme aj hodnotu, ktor je via ako maximum - delta.

Obr. 29: Zobrazenie hraninch hodnt

3) V stpci EXTR urme, i je prslun zatvracia cena loklnym extrmom. Ak je cena extrmom za 10 dn, hodnota v stpci je EX, ak nie je, hodnota v stpci je -. (Obr. 30)

67

4) Urme loklny extrm za urit obdobie, teda i je minimlna alebo maximlna: Ak sa zatvracia cena v riadku rovn minimlnej cene alebo je menia ako hranin psmo minima, zaradme vzorku do triedy MIN; Ak sa zatvracia cena v riadku rovn maximlnej cene alebo je via ako hranin psmo maxima, zaradme vzorku do triedy MAX; Ak sa zatvracia cena v riadku via ako hranica minima a menia ako hranica maxima, zaradme vzorku do triedy NN.

Obr. 30: Zaradenie vzoriek do tried

V hornej asti tabuky sa nachdza sumr signlov. Tu nastavujeme hodnotu delta pre horn a doln hranicu extrmov. Hodnota MAX udva poet predajnch signlov (max), hodnota MIN poet nkupnch signlov (min) a NN poet vzoriek zaradench do triedy NN. Hodnoty nastavujeme tak, aby bol poet vzoriek v kadej triede pribline rovnak.

Obr. 31: Sumr signlov

68

Na obrzku (Obr. 32) je znzornen priebeh cien spolonosti Microsoft za 25 dn. Modr vrcholy znzoruj loklne extrmy v trnovacej mnoine dt, tak ako boli vygenerovan v Exceli (minim aj maxim).

Obr. 32: Zobrazenie extrmov v trnovacej mnoine

Na alom grafe (Obr. 33) s predajn signly v testovacej mnoine poas 100 obchodnch dn. Modrou farbou s znzornen maxim cien (predajn signly).

Obr. 33: Predajn signly za 100 dn (delta=0.1)

Nedostatkom je, e jedno loklne maximum nebolo zaregistrovan. Pri irom hraninom psme zvenm hodnoty delta (Obr. 33) sa tento problm odstrni. To ukazuje vhodu pouitia hraninch psiem. Problmom je aj to, e v uritch obdobiach sme vygenerovali dva alebo tri predajn signly po sebe. To je problm z viacerch dvodov: 69

- Nememe preda akcie, ktor sme u raz predali (v prpade kpy meme dokpi akcie). - Viac predajnch signlov po sebe znamen, e sa hodnota akcie zvyuje, a preto je dobr ju dra. Obmedzenie potu signlov je vhodn, aby sme uskutoovali menej obchodov, pretoe tie prinaj nklady. Z krtkodobho hadiska vak meme vytvra zisk.

Rieenm je poui obchodovanie pomocou CFD (Contracts For Difference). S to finann derivty, ktor kopruj kurz akcie. Ide o rozdielov kontrakty, zisk sa teda realizuje rozdielom nkupnej a predajnej ceny. Takto obchodovanie umouje teda aj predaj nakrtko (meme nstroj preda, a nsledne ho kpi). Nehovorme u o samotnej akcii, ale o nstroji, ktor je odvoden od cien akci. Vhodou je aj monos marovho obchodovania (s pkou), kedy meme investova niekokonsobok vlastnch prostriedkov, pretoe vlastnmi prostriedkami kryjeme iba prpadn straty. Je to zloha za poskytnutie kapitlu. Ak strata prekro stanoven maru, obchod sa automaticky uzavrie so stratou pre investora. V prci budeme alej pouva pojem akcia (aj v prpade obchodovania CFD), pretoe ns zaujma jej pohyb (zmena, trend), nie absoltna hodnota. Pri pouit CFD meme teda akcie preda viac krt po sebe a tie ich aj viac krt po sebe kpi (pri dostatonom kapitle). Nevhodou je, e nememe preda iba as akci za elom znenia rizika, ale musme uzavrie otvoren obchod). pozciu (ukoni

Obr. 34: Predajn signly za 100 dn (delta=0.3)

70

Na trnovanie neurnovej siete pouijeme trnovaciu mnoinu, kde me by viac rovnakch obchodnch signlov za sebou, aby sme zskali viac vzoriek. Vytvorme preto dva sbory vstupnch dt a to: - Sbor s viacermi obchodnmi signlmi, priom mu po sebe nasledova rovnak signly; - Sbor s menm potom signlov, a teda aj s menou vzorkovacou mnoinou. Pri tomto sbore vak bude predikcia obsahova vie chyby, kee me generova obchodn signl v blzkosti extrmu, avak porovnanie s trnovacou mnoinou bude generova chybn klasifikciu.

Vytvorenie neopakujcich sa nkupnch signlov


Na obrzku (Obr. 35) je znzornen vytvranie signlov. Zapamtme si posledn hodnotu extrmu (Pam). Nov nkupn signl generujeme, len ak je predol signl opan. Vyznaen s dva loklne extrmy, kde je vak obchodn signl generovan iba pri novom extrme. Nauen neurnov sie by mala v idelnom prpade generova signly pri novch extrmoch a ignorova predchdzajce.

Obr. 35: Vytvranie neopakujcich sa signlov

71

Pri pouit neopakujcich sa signlov (extrmov) dostaneme ale mal poet vzoriek zaradench do tried MAX a MIN, a vina vzoriek bude v triede NN. Na obrzku (Obr. 36) je vek mnostvo vzoriek zaradench do neuritej triedy (modr).

Obr. 36: Rozdelenie do tried (x:MACD, y: Divergence)

Napriek tomu vidme v hornej asti predajn signly (erven) a v dolnej asti nkupn signly (zelen). Je vak predpoklad, e neurnov sie bude generova nkupn signly aj v okolitch bodoch, a teda vytvra falon signly prpadne nebude generova signly, pretoe zarad vetky dta do triedy NN.

Pouitie trnovacej mnoiny s malm potom extrmov


Na nasledujcom prklade ukeme pouitie signlov v trnovacej mnoine tak, aby nenasledovali po sebe rovnak signly. Dsledkom takhoto obmedzenia bude, e pomer vzoriek zaradench do tried MIN a MAX bude vemi nzky oproti triede NN. To zaprin, e sa neurnov sie nau zaraova vinu testovacch vzoriek do triedy NN, a neodhadne sprvne niektor dleit extrmy. U v trnovacej mnoine dt (Obr. 37) vidme, e farebn odlenie tried MAX a MIN je nevrazn, a do tchto mnon sa mieaj vzorky triedy NN. Dsledkom takhoto trnovania je, e neurnov sie prehliadne mnostvo extrmov, pretoe ich zarad do triedy NN. Pri testovan tejto siete neurnov sie negenerovala takmer iadne obchodn signly.

72

Obr. 37: Trnovacia mnoina s nzkym potom extrmov

Na tomto prklade vidme, e pouitie diferennho psma je nevyhnutn, aj ke sa v pri tomto prstupe nachdza viac vzoriek zaradench do tried MAX a MIN, napriek tomu, e nejde o skuton extrmy. Takto nauen sie potom generuje v niektorch prpadoch viac rovnakch signlov po sebe, ie njde viac veda seba susediacich maxm. Na obrzku (Obr. 38) je zobrazen pomer vzoriek v trnovacej mnoine, ak nepouijeme hranin psmo extrmov. Mal stpeky na grafe znzoruj triedy MIN a MAX.

Obr. 38: Pomer potu trnovacch vzoriek poda tried

Na obrzku (Obr. 39) je graf cien, kde s ervenmi iarami oznaen extrmne hodnoty odhadnut neurnovou sieou pri pouit takejto trnovacej mnoiny. Program nenaiel minimlne dve dleit maxim.

Obr. 39: Zl odhad extrmov pouitm NS

73

5.1.4 Prprava vstupnch atribtov


V praktickch aplikcich zvis vstup modelu systmu od vstupnch premennch. To sa vyuva naprklad pri linernej regresii, kedy odhadujeme vstup systmu na zklade uritch vstupnch parametrov. Slia na to rzne metdy, ako naprklad metda najmench tvorcov. Vsledkom je matematick model zvislosti vstupu na vstupoch. V regresnch modeloch poet tchto vstupnch parametrov uruje poet vstupov modelu. Pri neurnovch sieach sa okrem potu vstupnch parametrov volia aj in parametre, ako poet skrytch vrstiev a poet neurnov v skrytej vrstve. Voba vhodnej podmnoiny premennch vybranch z trnovacej mnoiny me by pre sprvnos modelu zsadn. Jednou z metd, ktor mono poui na tento el s naprklad bodov grafy. Na nich zobrazujeme rozdelenie trnovacej mnoiny do tried, a vizulne vieme posdi, i s dta rozdelen do tried v zvislosti na prslunch parametroch. Jednotliv triedy s farebne oddelen a mali by vytvra svislejie oblasti dt, ktor sa daj pribline rozdeli na zklade parametrov. V sbore MSFT.xlsm s atribty, ktor budeme pouva ako vstup neurnovej siete. Tieto tyri atribty s importovan z burzy, a zahaj najm informcie a dennch cench: - zatvracia cena (close), - otvracia cena (open), - maximlna cena (hight), - minimlna cena (low).

al daj Volume znamen poet uskutonench obchodov. Tento daj nepouijeme, pretoe poda obrzka (Obr. 40) poet obchodov nem vrazn vplyv na rozdelenie do tried. Niektor terie hovoria o vplyve zmeny potu obchodov na cenu (nie absoltny poet), ale v prci sa touto zvislosou zaobera nebudeme. Tento prklad sme uviedli ako demontrciu prpadu, kedy je prslun parameter nevhodn pre rozhodovanie.

74

Obr. 40: Vsledok klasifikcie (X: RSI, Y: Volume)

alie atribty s odvoden a potaj sa z aktulnych a historickch dennch cien akci. Ich vznam je uveden v nasledujcej tabuke (Tab. 2).

Pouitie RSI
Index relatvnej sily je najdleitej indiktor na generovanie obchodnch signlov, preto na om budeme demontrova prpravu inch indiktorov. Veobecne sa predajn signly generuj, ak je hodnota RSI via ako 70 a nkupn, ak hodnota klesne pod 30. Trnovaciu vzorku vytvorme tak, e vypotame priemern straty a zisky za poslednch 14 dn (Obr. 41). Postupujeme poda vzorca na vpoet RSI (19), kde RS znamen pomer dennch ziskov a strt v sledovanom obdob.

(19)

Indiktor ukazuje, i poas posudzovanho obdobia prevldali zisky nad stratami, alebo naopak. Ak no, je pravdepodobn, e bude nasledova zmena trendu. Ak sa pohybuje indiktor okolo hodnoty 50, pomer ziskov a strt je vyrovnan.

75

Tab. 2: Atribty c Open High Low Close Volume C-5 C-4 C-3 C-2 C-1 SMA(10) EMA(10) Close-SMA(10) SMA(20) Telo Close-Low BB_H BB-D Sirka BB EMA(12) EMA(26) MACD Signal DIV Zmena Zisk Strata Pr(zisk) Pr(Strata) RS RSI RSI-1 RSI-2 RSI-3 DIV-1 DIV-2 DIV-3 MIN MAX min+d max-d EXTR OUT Poradov slo Otvracia cena Maximlne denn cena Minimlna denn cena Zatvracia Cena Poet obchodov Zatvracia cena - 5 dn Zatvracia cena - 4 dni Zatvracia cena - 3 dni Zatvracia cena - 2 dni Zatvracia cena - 1 de Pohybliv priemer (10 dn) Exponencilny pohybliv priemer (10 dn) Rozdiel ceny a priemeru Pohybliv priemer (20 dn) Telo svieky na grafe Rozdiel zatvracej a minimlnej ceny Horn bollingerove psmo Doln bollingerove psmo rka bollengerovho psma Exponencilny pohybliv priemer (12 dn) - pre MACD Exponencilny pohybliv priemer (26 dn) - pre MACD Indiktor MACD Signl = EMA(9) pre MACD Divergencia MACD Denn zmena kurzu Denn prrastok hodnoty Denn strata hodnoty Priemern zisk za 14 dn Priemern strata za 14 dn Pomer priemernej straty a zisku Indiktor RSI Indiktor RSI - 1 de Indiktor RSI - 2 dni Indiktor RSI - 3 dni Divergencia - 1 de Divergencia - 2 dni Divergencia - 3 dni Hodnota loklneho minima Hodnota loklneho maxima Horn hranin psmo Doln hranin psmo extrmu Extrm Vstup (trieda MIN, MAX, alebo NN)

76

Obr. 41: Vpoet RSI spolonosti Hewlett-Packard

V tabuke (Obr. 41) meme vidie, e po stpan a dosiahnut maximlnej hodnoty RSI zane indiktor zase klesa.

Obr. 42: Zobrazenie RSI na grafe

Pouva signly pomocou RSI je mon, ak sa zhoduj s tdennm trendom. To znamen, e ak je tdenn trend stpajci a RSI zaznamenva prestenie nkupov. Indiktor RSI sa pohybuje v rozsahu od 0 do 100. Ako kontroln hodnoty sa pouvaj hranin hodnoty 30 a 70. Pre nkupy mono v istch prpadoch poui hranice 40 a 80 a pri predaji na krtko 20 a 60. Siln signly poskytuje divergencia cien, teda porovnanie rastu RSI a 77

rastu ceny akcie.

Rastca divergencia dva signly na nkup. Takto divergencia

nastva vtedy, ke kurzy dosiahnu nov minimum, a zrove RSI kles, priom je tento pokles menej vrazn ako pri predchdzajcej rovni. Pre krtke pozcie (predaj) sa najlepie signly objavuj, ak sa predchdzajce maximum RSI nachdza nad hraninou priamkou a aktulne pod ou. Je to v podstate pravidlo hlava-ramen, a je asto pouvan pri analze grafov. Predajn signly nastvaj, ak hodnoty ceny dosahuj nov maxim, a RSI mierne kles. Uviedli sme viacero pravidiel, ktor s bene pouvan v technickej analze a pri analze grafov. Neurnov sie vak takto pravidl nepozn. Ak vak privedieme na jej vstupy vhodn parametre, mala by njs v dostatone vekej vzorke dajov njs. Naprklad hranin hodnotu RSI, pri ktorej bude generovan obchodn signl. Na obrzku (Obr. 43) je jasne vidie, ako s dta v trnovacej mnoine zaraden do tried, a ako sa hranica medzi triedami men na zklade RSI, a starej hodnoty RSI.

Obr. 43: Rozdelenie dt do tried (x:RSI, y:RSI-3)

Neurnov sie by mala njs ist pravidl naprklad aj pri RSI nasledujcich po sebe. Aby sme mohli takto funkciu aplikova, pouije ako vstup NS viac po sebe nasledujcich hodnt RSI.

78

5.1.5 Korelan bodov diagramy a vber atribtov Vizualizcia dt je dleitm krokom analzy dt a modelovania. Zobrazenie dt formou grafu nm me napoveda, ak je zvislos medzi dvoma premennmi a ak je ich vplyv na vsledn model. Obrzky v tejto kapitole ukazuj grafy zvislost dvoch premennch, a zatriedenie jednotlivch vzoriek dt do tried. m lepie vidie oblas jednej triedy, a m viac sa men jej zloenie v zvislosti na niektorom z parametrov, tm s parametre vhodnejie na tvorbu modelu.

Na nasledujcich obrzkoch je znzornen rozdelenie vzoriek do troch tried: - MIN zelen (nkupn signl); - MAX modr (predajn signl); - NN erven (signl drania akcie).

Na uvedench obrzkoch je dobre vizulne vidie zvislos rozdelenia do jednotlivch tried. V popise obrzku je uveden atribt na X a na Y osi.

Obr. 44: Rozdelenie do tried (x: SMA(10), y: RSI-3)

79

Obr. 45: Rozdelenie do tried (x: Telo, y: RSI)

Obr. 46:Rozdelenie do tried (x: Div, y: Div-1)

Obr. 47: Rozdelenie do tried (x: rka BB, y: Close - SMA(10))

Obr. 48: Rozdelenie do tried (x:DIV, y: RSI)

80

Na zklade pozorovania vytvorme rzne sady vstupnch premennch. Aby bola sie o najjednoduchia, zvolme o najmenej premennch. Pre kad sadu vstupnch premennch (parametrov) vytvorme model neurnovej siete a budeme porovnva, ktor model dosahuje najlepie vsledky.

Vytvoren sady dajov: Sada 1: Close, SMA(20), BB_H, BB_D, DIV, RSI Sada 2: DIV, RSI, RSI-3 Sada 3: Close, Telo, BB_H, BB_D Sada 4: Close, SMA(20), BB_H,BB_D, DIV, RSI Sada 5: Close, Telo, EMA(12), EMA(26), MACD, Signal, DIV, RSI

5.1.5 Modelovanie neurnovej siete

Kontrukcia neurnovej siete


Zostrojenie NS bude pozostva z tchto iestich krokov: 1) daje, ktor bud pouit spracujeme do formy tabuky v textovom sbore tak, aby mohli by predlome na vstup NS, ako trnovacia, prpadne validovacia mnoinu dt. daje sa nachdzaj v sbore MSFT.xlms. 2) daje rozdelme do trnovacej a testovacej mnoiny. Neurnov sie pouva trnovacie dta iba v procese uenia pri vytvran modelu. Validan mnoina bude pouit na testovanie modelu, urenie jeho prediktvnej schopnosti a urenie momentu, kedy treba uenie neurnovej siete zastavi (nastavenie potu iterci). 3) Definujeme truktru neurnovej siete vberom potu neurnov v skrytej vrstve a potu neurnov vo vstupnej vrstve. 4) Nastavme parametre uenia (poet iterci, krok, momentum) 5) Zaneme proces uenia. V tejto fze sa menia hodnoty vh medzi neurnmi na zklade chyby siete. Chyba siete sa ur na zklade porovnania vstupov siete s trnovacmi vstupmi. 6) Vykonme proces hodnotenia, aby sme zistili, i je neurnov sie schopn uspokojivo riei poadovan lohu. Testovanie sa me opakova pri

81

rznom nastaven siete a rznej kombincii vstupnch parametrov, a km nie je sie nauen dostatone. Ke je dosiahnut prijaten vsledok (chyba siete je menia ako poadovan), je sie nauen a pripraven na pouitie. Pre zskanie vhodnho modelu je dleit uri moment, kedy m by proces uenia zastaven. Ak je NS pretrnovan, me by optimlne nastaven pre vzorky z trnovacej mnoiny, ale nepouiten ako veobecn model. To znamen, e pre vzorky z trnovacej mnoiny bude generova dobr vsledky, ale pri pouit novch dt a neznmych bude sie nepresn. To pravdepodobne spsob zl predpovede pri pouit testovacej sady dt. Na druhej strane, ak NS nie je trnovan dostatone dlho, me zosta na loklnom minime odchlky, skr ako njde rieenie s globlnou minimlnou chybou. To zvyajne generuje nesprvny model. Vykonanm periodickho testovania neurnovch siet na testovacej mnoine a zaznamenvanm vsledkov uenia nastavme poet iterci, ktor produkuj najoptimlnej model. Skryt vrstvu pouva neurnov sie pre intern spracovanie a ukladanie

znalost v priebehu uenia. Tto vrstva je zloen z neurnov, ktor s napojen na vstupn neurny. Prve tu si NS uklad pravidl pri hadan vzahov medzi jednotlivmi vstupmi. Sie potom zoveobecuje znalosti zskanch faktov zo vstupov a vstupov, o umouje aby vykonvala prognzy. Poet neurnov v skrytej vrstve a poet skrytch vrstiev s uren experimentom. Vstupn vrstva je pri predikcii tvoren jednm neurnom, ktorho vstup je zrove vstupom siete a vsledkom predikcie. Pri lohe klasifikcie je poet vstupnch neurnov zhodn s potom tried, do ktorch daje klasifikujeme. Dta sme predspracovali tm, e sme vytvorili pomocn atribty a atribt MAXMIN, ktor nm trnovaciu mnoinu rozdeuje do troch tried. Vstupy vychdzaj z historickch cien akci, a v tabuke s uveden u vypotan (predspracovan) daje. daje v tabuke vyexportujeme do sboru formtu CSV a ten nsledne importujeme v programe WEKA. Z importovanch dt odstrnime niektor atribty tak, aby nm zostali iba atribty zvolenej sady atribtov.

82

Na obrzku (Obr. 49) s atribty z prvej sady, tatistick daje atribtu RSI (minimlna hodnota, maximlna hodnota, priemer, tandardn odchlka) a rozdelenie vzoriek do tried poda tohto atribtu RSI:

Obr. 49: Natanie prvej sady dajov

Rieime lohu klasifikcie pomocou neurnovej siete. Preto v zloke Classify zvolme metdu klasifikcie (viacvrstvov perceptrn). Sie bude ma tri vrstvy, vstupn, skryt a vstupn. Vstupn vrstva zodpoved potu vstupnch atribtov. Poet neurnov v skryte vrstve volme automaticky a zvis od potu vstupnch neurnov. Pri manulnom nastaven volme poet neurnov pribline 2/3 potu neurnov vstupnej vrstvy. V nasledujcej tabuke sa nachdza porovnanie piatich typov neurnovej siete:

Tab. 3: Porovnanie modelov


. Poet neurnov v SV Error Per Epoch Dobr Odhad Absolute Error Root mean Rel. Abs. error Root Rel. Err. MIN dobre MAX dobre

1 2 3 4 5

4 3 3 4 5

0.1912 0.1871 0.1928 0.1921 0.1786

1612 1509 1523 1546 1590

0.3596 0.3732 0.3788 0.3753 0.3524

0,4234 0,4295 0.4349 0,4344 0.416

85,8771 89,1254 90,4569 89,7105 84,1624

92,5333 93,856 95,0472 94,9329 90,9113

272 303 111 174 321

226 455 264 276 454

83

V tabuke je vyznaen najoptimlnej model s piatou sadou parametrov. Tto sie dosahovala najmenie chyby predikcie, a tie najlepie zaradila vzorky do tried MIN a MAX.

Popis stpcov tabuky: Error per epoch chyba na cyklus; Dobr odhad poet sprvne zaradench vzoriek; MIN dobre poet vzoriek sprvne zaradench do triedy MIN; MAX dobre poet vzoriek sprvne zaradench do triedy MAX;

V tabuke sa nachdzaj rzne typy chb, tak ako ich vypisuje program Weka. Vybran chyby uveden v tabuke popeme nasledovne (n je poet vzoriek, yt je

t je odhadovan hodnota) : hodnota z testovacej mnoiny, y


Mean absolute error priemern absoltna odchlka odhadu

MAE

1 t yt y n

(30)

Relative Absolute Error - priemern percentulna absoltna odchlka:

MAPE

t yt y 1 .100% n yt

(31)

Root Mean Square Error - priemern tvorcov rezidulna odchlka:

MSE

2 1 t yt y n

(32)

Root relative Square Error - odmocnina z priemernej tvorcovej rezidulnej odchlky:

RMSE MSE
84

(33)

Z viacerch modelov sme vybrali sie s piatimi neurnmi v skrytej vrstve, s potom iterci 1000 a s rchlosou uenia 0,2. Neurnov sie m tri vstupy, pretoe bude klasifikova vstupn dta do troch tried. Zvolme poet cyklov uenia. Experimentlne sme zvyovali poet cyklov, a zvolili sme pre model 2000 cyklov.

Tab. 4: Voba potu cyklov Poet cyklov 500 1000 1500 2000 Chyba 0,1802 0,1786 0,1778 0,1771

V alom kroku volme formou experimentu koeficient uenia a momentum.

Learning Rate (Koeficient uenia) Koeficient uenia uruje vekos korekcie, ktor je pouit pre nastavenie vh neurnov poas uenia. Mal hodnoty uenia zvyuj as potrebn na uenie, ale na druhej strane pomhaj zniova monos prekroenia optimlneho rieenia. V takom prpade neurnov sie nenjde loklne minimum elovej funkcie (minimlnu chybu) a pokrauje alej v uen. Nzka hodnota koeficientu tie zvyuje pravdepodobnos, e sa sie pri uen zostane na loklnom minime, a nenjde celkov minimlnu hodnotu. Vek hodnoty koeficientu mu znamena rchlejie uenie, ale mu zaprini, e sie nebude nauen sprvne. Pri adaptvnom uen sa koeficient uenia vol v zvislosti od vekosti generovanej chyby. m je via chyba siete, tm sa volia menie hodnoty koeficientu a naopak. Preto, ak sa neurnov sie bli k optimlnemu rieeniu, uenie sa zrchli. Naopak, uenie je pomalie, ak je sie aleko od optimlneho rieenia

85

Momentum Hodnota uruje, ak pomer z predchdzajceho opravnho koeficientu by mal zosta v pamti, a by pouit pri alom kroku uenia. m via je jeho hodnota, tm v draz je kladen na aktulnu korekciu a menej na predchdzajce korekcie. Sli ako vyrovnvacia pam, ktor brzd proces uenia pri pohybe smerom. neiaducim

Hodnoty pri 2000 itercich:

Tab. 5: Voba parametrov neurnovej siete Learning rate 0,3 0,2 0,1 0,2 0,2 0,2 Momentum 0,3 0,2 0,2 0,1 0,05 0,3 Max - dobre 305 343 270 345 343 340 Min-dobre 480 472 435 468 365 477

Ako vyplva z tabuky (Tab. 5) zvolili sme koeficient uenia 0,2 a momentum s hodnotou 0,1. Pri tchto nastaveniach sme dosiahli najlepie zaradenie vzoriek do tried.

Obr. 50: Model neurnovej siete

86

5.1.6 Testovanie neurnovej siete Testovanie sa vykonva tak, e sa vytvor testovac sbor zloen z dt, ktor neboli pouit neurnovou sieou v priebehu uiaceho procesu. V testovacom reime pouva neurnov sie nov vstupy a pouva nauen znalosti na vytvranie prognzy. spenos prognzovania siete mus by vyhodnocovan urenou metdou. Sie sa najastejie vyhodnocuje prostrednctvom absoltnej chyby siete (priemer odchlok odhadovanej a skutonej hodnoty), ale aj inmi spsobmi, ako je naprklad stanovenie pomeru sprvne a nesprvne klasifikovanch dajov. Testovanie a uenie sa mus vykonva za rovnakch simulanch podmienok (naprklad rovnak asov intervaly vzoriek). Vsledky testov pri pouit rznych neurnovch siet a rovnakch testovacch dtach s vhodn na porovnanie siet a na rozhodovanie o tom, ktor konkrtna neurnov sie sa vyberie pre pouitie v konenej aplikcii. V zvislosti na vsledkoch porovnvacch testov je asto potrebn vykona zmeny pri vbere vstupnch dt, predspracovania dajov, zmenu sieovej architektry a podobne. Na validciu modelu pouijeme testovaciu mnoinu (supplied test set). Testovaciu mnoinu tvoria dta spolonosti Microsoft za poslednch 100 obchodnch dn (v sbore MSFT.xlms).

Obr. 51: Vsledok testovania navrhnutej neurnovej siete

87

Na obrzku (Obr. 51) je vsledok klasifikcie. Chyby nie s a tak dleit z praktickho hadiska, pretoe ak neurnov sie negeneruje signl v jednej vzorke, me generova vo vedajej, kde sa cena zmen iba minimlne. Dleitejie bude vyhodnotenie nkupnch signlov v alej asti prce, kde ukeme praktick vyuitenos siete.

Tab. 6: Matica zmen MAX 59 0 11 MIN 0 33 7 NN 23 47 120 MAX MIN NN

Ako meme vidie na matici zmen (Tab. 6), 59 vzoriek bolo sprvne zaradench do triedy MAX, priom iadna nebola nesprvne zaraden do triedy MIN. Rovnako 33 vzoriek bolo sprvne zaradench do triedy MIN a iadna nebola nesprvne zaraden do triedy MAX. Niektor vzorky (celkovo 18) bolo zaradench do tried MAX a MIN nesprvne, a mali by zaraden do triedy NN. V prpade e sa jedn o vzorky v blzkosti extrmu, nejde o vnu chybu. Naopak viac ako polovica vzoriek, ktor mali by zaraden do triedy MIN, bolo zaradench do triedy NN a teda obchodn signl nebol generovan. Vsledky generovania obchodnch signlov meme zobrazi graficky. Na obrzku (Obr. 52) vidme zelenou farbou nkupn signly a ervenou farbou predajn signly.

Obr. 52: Zobrazenie obchodnch signlov

88

Zhodnotenie Uveden sie doke predpoveda loklne maxim a minim a teda aj generova obchodn signly. Problmom je fakt, e minimum alebo maximum je loklne, a teda v dlhom asovom obdob me nasta prpad, kedy bude maximum generovan neurnovou sieou niie ako minimum. Tie z obrzku (Obr. 52) vyplva, e niektor loklne extrmy sie vynechva, a niekedy generuje vek mnostvo rovnakch obchodnch signlov po sebe. Pri obchodovan pomocou takhoto modelu je vhodn aplikova ochranu proti riziku, a uzatvori pozciu pri dosiahnut poadovanho zisku, respektve straty. Naprklad pri stanoven miery rizika 1:2 a zisku 5% sa predajn pozcia uzavrie pri poklese ceny o 5%, a v prpade stpnutia ceny pri strate 2,5% .

5.1.7 Interpretcia vsledkov analz


Neurnov sie je schopn uspokojivo generova obchodn signly klasifikciou testovacch vzoriek do troch tried.

Znzornenie vsledkov pomocou bodovch grafov


Podobne, ako sme analyzovali vhodnos vstupov neurnovej siete pomocou bodovch grafov zvislost dvojc parametrov, meme poui bodov graf na zobrazenie vsledku. Na nasledujcich obrzkoch je graficky znzornen vsledok klasifikcie testovacej vzorky dt pomocou neurnovej siete do troch tried (zelen s predajn signly, modr s nkupn signly). Bodov graf znzoruje rozdelenie vstupnch vzoriek dt do tried, na zklade dvoch parametrov. Tieto bodov grafy maj vek vznam aj v tom, e meme iastone sptne vidie, ako algoritmus rozhodoval. Vidme naprklad, e nkupn signly boli generovan pri vych hodnotch RSI a DIV. Rozdelenie do troch tried MAX (zelen), NN (erven), a MIN (modr) na zklade parametrov RSI a DIV je na obrzku (Obr. 53). Do triedy MAX s zaraden vzorky s vym RSI a vyou divergenciou MACD. V strede grafu sa triedy navzjom prelnaj.

89

Obr. 53: Vsledok klasifikcie (x:Div, y:RSI)

Na obrzku Obr. 54

s zobrazen vstupn dta tak, aby zobrazovali len

obchodn signly, bez triedy NN. Vizulne je tento graf prehadnej a jasnejie vidme rozdelenie vzoriek poda obchodnch signlov. Aj tu meme veobecne poveda, e predvame, ak je RSI v ako 50, a kupujeme, ak je men ako 50. Tm sme potvrdili pravidlo technickej analzy a sprvnos pouitia tohto indiktora.

Obr. 54: Vsledok klasifikcie bez zobrazenia triedy NN (x:RSI, y:DIV)

Pri divergencii MACD je to komplikovanejie, a nememe veobecne poveda, e od uritj hodnoty vytvrame obchodn signly. Je to najm tm, e indiktor MACD nieje ohranien. Tie je dleit aj trend divergencie, nielen jej aktulna hodnota. Na obrzku Obr. 55 je rozdelenie dajov do tried poda atribtov RSI a MACD. Tento graf ukazuje pomerne jasne rozdelenie do tried MIN a MAX. Ak si predstavme deliacu iaru, pretnala by graf v strede. Km hranica RSI zostva pribline rovnak (50), hranin hodnota sa men. 90

Obr. 55: Vsledok klasifikcie (x:MACD, y:RSI)

Na obrzku (Obr.56) vidme tie pomerne jasne rozdelenie do dvoch tried, priom tretia trieda (NN) sa miea, najm s triedou MAX. To znamen, e aj ke atribt RSI dosiahol vysok hodnotu, kurz akcie nedosahoval maximum. Trieda MIN je na tomto grafe menej roztiahnut a dokonca v istej oblasti je hustota bodov vyia.

Obr. 56: Vsledok klasifikcie (x:MACD EMA, y:RSI)

Zobrazenie vsledkov pomocou iarovch grafov


Na trnovanie neurnovej siete sme pouili 3000 vzoriek zo sboru MS FT.xmls, teda hodnoty akci poas 3000 dn. Ako testovaciu vzorku sme pouili poslednch 100 obchodnch dn. Zskali sme teda 100 vzoriek nkupnch signlov, ktor vygenerovala neurnov sie. Zostrojme graf, na ktorom ukeme generovanie predajnch signlov dta za

91

(vytvranch pri maximlnych hodnotch cien) v trnovacej mnoine a tie porovnme s vstupmi neurnovej siete a teda s predajnmi signlmi generovanch sieou.

Pouili sme tieto atribty: SMA(10), EMA(10), Close-SMA(10), Telo, CloseLow, Sirka BB, DIV, RSI, RSI-1

Obr. 57: Odhad predajnch signlov neurnovou sieou

Obr. 58: Validan mnoina dt (skuton hodnoty) pri pouit delta 0,3

92

Na nasledujcich obrzkoch s vsledky pri pouit tyroch po sebe nasledujcich hodnt RSI a tyroch po sebe nasledujcich hodnt Div na rovnakej mnoine dt:

Obr. 59: Odhad predajnch signlov neurnovou sieou

Obr. 60: Validan vzorka dt (pri delta 0,3)

Na nasledujcom grafe (Obr.61) s niektor vybran vsledky klasifikcie do dvoch tried. Zelen iary znzoruj loklne maxim a modr minim. Ako vyplva z vsledkov, neurnov sie doke pomerne presne predvda, i sa cena akcie nachdza v loklnom extrme. Ide vak iba o loklny extrm, a z dlhodobho hadiska me s o daj medzi minimlnou a maximlnou hodnotou. Vo vine prpadov je takto klasifikcia postaujca a me prinies zisk. Takto situcie znzoruj zelen krky. Naopak, v prpadoch oznaench ervenm krkom sa cena akcie nachdza v loklnom minime, a kpa v tomto ase me vies k strate (v zvislosti od nastavenia rizika).

93

Obr. 61: Generovanie obchodnch signlov pomocou neurnovej siete

Obr. 62: Generovanie obchodnch signlov pomocou neurnovej siete

Druhm problmom generovanie vekho mnostva rovnakch obchodnch signlov po sebe v niektorch prpadoch. To sme sa nespene poksili vyriei uenm, pretoe vsledkom bol mal poet vzoriek s obchodnmi signlmi v trnovacej mnoine, o spsobilo, e sie nebola dostatone nauen (negenerovala obchodn signly).

Hodnotenie vsledkov na zklade simulcie obchodov


Vsledky neurnovej siete meme hodnoti tatisticky, naprklad tak, e porovnme poet sprvne a nesprvne klasifikovanch dajov. Z praktickho hadiska meme vak poui aj in metdy na posdenie spenosti predikcie vvoja cien akci. Cieom generovania obchodnch signlov je dosiahnu zisk, ktor tvor rozdiel medzi cenou pri otvoren obchodnej pozcie a jej zatvorenm. Obchodovanie meme nasimulova tak, e pri vygenerovan signlu potame poet nakpench a predanch

94

akci. Tie evidujeme celkov nklady na kpu a predaj, a aktulnu cenu portflia (dranch akci). Pri zatvoren pozcie evidujeme zisk alebo stratu. Takto simulcia je vykonan v sbore MSFT.xlsm v zloke vynos.

Tak ako pri relnom obchodovan (marovom), aj pri simulcii obchodovania meme uskutoni rzne stratgie zatvrania pozci. Dve z monost s: - Zatvorenie pozcie pri opanom obchodnom signly ako pri otvoren (naprklad nakupujeme pri nkupnom signly, a zatvrame pozciu pri predajnom signly). - Aplikujeme analzu rizk (Zabezpeenie proti riziku) a pozciu zatvrame pri dosiahnut stanovenho zisku alebo straty. Vka zvolenej straty by mala by niia ako vka zvolenho vnosu.

Uvedieme konkrtny prklad. Situcia v simulcii je znzornen na obrzku (Obr.63).

Obr. 63: Simulcia obchodu v Exceli

Nakpili sme 1000 akci spolonosti Microsoft za zatvraciu cenu 26.8. Nklady na kpu tejto akcie (bez poplatku sprostredkovateovi) s 1000*26,8$=26800$. O dva dni neurnov sie generuje predajn signl, pri hodnote akcie 27,16$. Zatvorme preto pozciu so ziskom 360$, o je 1,32%. Pri tejto simulcii sme pouili signly generovan naou neurnovou sieou. Poas testovacieho obdobia 100 dn bol zisk pri predaji 3,90% a pri nkupoch 4,60%.

95

5.2 Analza podniku pomocou finannch ukazovateov


Analza finannch ukazovateov patr do fundamentlnej analzy. Ide teda o analyzovanie finannch dt jednotlivch spolonost. V teoretickej asti sme popsali niektor finann ukazovatele, ktor pouijeme ako atribty neurnovej siete. Historick finann ukazovatele s ovea menej dostupn ako ceny akci, preto je ak ich porovnva a pouva na analzu. V tejto lohe sa poksime porovna spolonosti na zklade finannch ukazovateov a zatriedi ich pomocou neurnovej siete do dvoch tried: rastov a klesajce (triedy rast a recesia). Rastov akcie s tie, ktor zaznamenali za posledn rok kladn rozdiel ceny akci, naopak klesajce zaznamenali pokles ceny. Poksime sa zostroji neurnov sie, ktor bude posudzova potencilny rast firmy na zklade finannch ukazovateov.

5.2.1

Pochopenie problematiky
Aby sme mohli poui vybran dta ako vstupy neurnovej siete, mus existova

nejak zvislos medzi tmito vstupmi a vstupmi neurnovej siete. V tomto prpade mus existova zvislos ronho rastu ceny akcie od finannch ukazovateov. Vybrali sme tyri finann ukazovatele, ktor pouijeme na vytvranie vstupnej mnoiny dt.

Na nasledujcom obrzku (Obr. 63)

s spolonosti obchodovan na burze

NASDAQ zoraden vzostupne, poda ceny akcie. Na Y osi je ron obrat aktv spolonost (ROA). Meme vidie stpajci trend hodnoty akcie a ROA.

Cena akcie

Obr. 64: Zvislos rastu ceny akcie od ROA

96

Aj ke existuje stpajci trend, sasne meme pozorova pomerne vek odchlky, o znamen, e aj spolonosti s vysokm rastom mu ma zporn ROA. Podobn ochlky mono pozorova aj pri ROE (obrat kapitlu) a prevdzkovej mari.

Cena akcie

Obr. 65: Zvislos rastu ceny akcie a ROE

Cena akcie

Obr. 66: Zvislos rastu ceny akcie od ziskovej mare (profit margin)

5.2.2

Prprava dt
Vytvorili sme zoznam spolonost, ktorch akcie sa obchoduj na burze Nasdaq.

Zoznam spolonost je v prlohe Nasdaq.xlsx. Obsahuje daje 2699 spolonost. Na obrzku je ukka dt niekokch spolonost. Zdrojom dajov je oficilna strnka burzy Nasdaq. Tieto daje s importovan do zoita v Exceli. 97

Obr. 67: Zoznam spolonost obchodovanch na burze Nasdaq

Tabuka obsahuje tieto daje (k 30.12.2012) Symbol symbol akcie Name nzov spolonosti Last Sale posledn predajn cena akcie Market Cap trhov kapitalizcia (hodnota spolonosti v $) IPO year prv emisia akci (rok) Sector nzov odvetvia v ktorom spolonos psob

Pre finann analzu pouijeme zvraznen daje. Odvetvie v ktorom spolonos psob je dleit preto, aby sme vedeli uri zvislos medzi jednotlivmi odvetviami. Porovnvame naprklad obrat aktv, niektor odvetvia vak potrebuj vie aktva ako in. Pre kad spolonos importujeme z portlu Yahoo kov tatistiku, ktor zobrazuje zkladn daje z finannch vkazov spolonosti a in aktulne daje.

98

Obr. 68: Kov ukazovatele pre spolonos Himax

Kombinciou dajov z portlu Nasdaq.com a finance.yahoo.com vytvorme v Exceli tabuku, ktor obsahuje daje uveden v tabuke (Tab.7)

as tabuky Nasdaq_data je zobrazen na obrzku (Obr. 69).

Obr. 69: Prprava dt v programe Excel

Farebne s vyznaen dta, ktor nie s k dispozcii.

99

Tab. 7: daje zskan z portlov Symbol Price/Sales (ttm): Price/Book (mrq): P/E Value/ Revenue Profit Margin (ttm): Operating Margin (ttm): Return on Assets (ttm): Return on Equity (ttm): Revenue Per Share (ttm): Qtrly Revenue Growth (yoy): Total Cash Per Share (mrq): Total Debt/Equity (mrq): Current Ratio (mrq): Book Value Per Share (mrq): daje ktor svisia priamo s cenou akcie: Price Beta Cena akcie mesan cenov zmena uritej spolonosti vo vzahu k mesanej cenovej zmene indexu S&P500 52W Change S&P change Hight Low 50 SMA 200 SMA Bussines Zmena ceny akcie za 52 tdov Zmena indexu S&P500 za 52 tdov Najvyia cena akcie (52 tdov) Najniia cena akcie (52 tdov) 50 dov priemer cien akci 200 dov priemer cien akci Odvetvie v ktorom spolonos psob Symbol akcie Cena/Predaj Cena/Zaknihovan cena (emisn) Cena/Zisk Hodnota spolonosti/Obrat Ziskov mara (12 mes.) Prevdzkov mara (12 mes.) Obrat aktv ( 12 mes.) Nvratnos vlastnho imania ( 12 mes.) Prjmy na akciu ( 12 mes.) Kvartlov rast trieb Hotovos na akciu (posledn kvartl) Dlh/Imanie(posledn kvartl) Aktva/Pohadvky (posledn kvartl) Zaknihovan cena na akciu (posledn kvartl)

100

5.2.4 Tvorba modelu neurnovej siete Po preskman bodovch grafov vstupnch dt meme vizulne vybra dta, pri ktorch je rozdelenie do tried najzretelejie. Na nasledujcom prklade meme vidie rozdelenie do dvoch tried, poda rastu alebo poklesu spolonosti oproti indexu S&P500. Na osi Y je znzornen vekos prevdzkovej mare. Vidie, e pri spolonostiach ktor rstli je hustota bodov via v hornej asti, o znamen, e tieto spolonosti maj priemerne vyiu prevdzkov maru. To ale neznamen, e spolonos s nzkou prevdzkovou marou mus by rastov, len existuje via pravdepodobnos, e bude patri do skupiny rastovch spolonost. Rovnako meme vidie spolonosti s vysokou prevdzkovou marou, ktor s zariaden do triedy spolonost v recesii.

Obr. 70: Klasifikcia do dvoch tried poda Operation margin

To, e mara m vplyv na vsledky spolonosti len do istej miery sa odra na nepresnej klasifikcii. Na zklade skmania vetkch grafov vyberieme 4 daje, ktor bud sli ako vstup neurnovej siete: ROA (obrat aktv); ROE (obrat zdrojov); Profit margin (ziskov mara); Operation margin (prevdzkov mara).

101

Obr. 71: Rozdelenie do tried (rast, recesia) poda ROA

Pri dostatone vekej trnovacej vzorke dt meme vidie linernu zvislos dvoch parametrov (Obr. 72). V spodnej asti imaginrnej krivky tvorenej bodmi grafu vidme vy vskyt modrch bodov (recesia), o znamen, e spolonosti s nzkou prevdzkovou marou a zrove s nzkym obratom aktv bud s vou pravdepodobnosou patri do triedy spolonost v recesii. Tto trnovacia mnoina nie je vemi presn, pretoe existuje vea spolonost, ktorch charakteristiky nezodpovedaj danmu modelu. Na grafe je to znzornen bodmi mimo stredovej iary. Nemono vizulne rozli skupiny modrch alebo ervench bodov, o znamen, e tieto vzorky dt bud spsobova nepresnos neurnovej siete.

Obr. 72: Rozdelenie spolonost do tried (X: ROE Y:Operation margin)

102

5.2.5 Modely neurnovej siete a jej vsledky Z parametrov uvedench vyie vytvorme neurnov sie so tyrmi vstupmi a tromi neurnmi v skrytej vrstve. Na trnovanie sme pouili upraven daje 2377 spolonost obchodovanch na burze NASDAQ a na testovanie krov validciu.

Obr. 73: Model neurnovej siete s finannmi ukazovatemi a jej vsledky

Sie zaradila 619 vzoriek dt nesprvne o je pomerne vysok poet. Je to spsoben najm vekm rozptylom vstupnch hodnt. Meme vak skontatova, e je mon do istej miery poui finann ukazovatele ako vstup neurnovej siete pri analze cien akci. Vsledok ale zvis od rozptylu vstupnch hodnt a presnos klasifikcie bude menia v porovnan s neurnovou sieou s pouitm technickch indiktorov.

103

Vybrali sme tyri parametre, ktor mali najv vplyv na zmenu cien akci. Pridanm alch parametrov sa presnos siete prli nezmen. Na porovnanie pouijeme sie s 11 vstupmi.

Obr. 74: Sie s pouitm 10 finannch indiktorov na vstupoch a jej vsledky

Z vsledkov na Obr. 74 vyplva, e sa pomer dobrch a zlch klasifikci zmenil minimlne. Vybran ukazovatele postauj na klasifikciu, a alie parametre nie s potrebn, dokonca mu vies k horm vsledkom klasifikcie.

104

5.3 Predikcia hodnoty minimlnej ceny


Tento prklad sli na demontrciu predikcie konkrtnej hodnoty pomocou neurnovej siete. Predpovedme minimlnu hodnotu ceny akcie v priebehu 10 dn. Na predikciu pouijeme 11 vstupov. Model vslednej siete je znzornen na Obr. 75.

Obr. 75: Model neurnovej siete na predikciu minimlnych cien akci

Vsledky predikcie s znzornen na Obr. 76. Korelan koeficient je 0,9968 a stredn absoltna chyba je 0,315.

Obr. 76: Vsledky predikcie minimlnej ceny

105

Neurnov sie doke pomerne presne predpoveda hodnotu minimlnej hodnoty. Praktick vyuitie Pri minimlnej hodnote je mon generova nkupn signly. Predpovedanie minimlnej hodnoty m vhodu, e vieme nastavi nkupn prkazy, o s ceny, pri ktorch obchodn systm automaticky uskuton nkup akci. Obchodn signly teda generujeme v relnom ase, minimlnu cenu vak vieme s uritou pravdepodobnosou stanovi dopredu. Obchodn signly je potrebn sledova, o je asovo nron. Pri nastaven limitnch prkazov nemusme sledova cenu, a aka, kedy dosiahne poadovan hranin hodnotu.

5.4 Predikcia cien akci


Linerna regresia v Exceli Na predikciu cien sa vinou pouva linerna regresia. Kee upravujeme dta v Exceli, ukeme aj pouitie linernej regresie v tomto programe. Regresn analzu meme vykona v Exceli pridanm trendu. Na obrzku je znzornen linerny trend, ktor ukazuje pohyb cien akci spolonosti APPLE.

Obr. 77: Ceny akci spolonosti APPLE na konci roku 2012

Minimlna hodnota ceny akcie je 508,75$. Hodnota akcie sa pohybuje okolo klesajceho trendu. Na zklade uvedenho trendu by sme mohli predpoklada, e cena akcie Apple bude na zaiatku roku 2013 medzi 510$ a 500$ (v skutonosti bola cena nad hodnotou 510$, o ukazuje Obr. 78, kde sa trend vyrovnal.) 106

Obr. 78: Akcie spolonosti Apple a ich linerny trend

Na zklade uvedenho prkladu vidme, e regresn analza nie je vdy vhodnm nstrojom na predpove pohybu ceny akcie. V uvedenom prpade sme pouili prli krtky asov sek na urenie trendu. Navye sa situcia me zmeni, a na pohyb ceny akcie me vplva vonkaj faktor (naprklad zverejnenie tatistiky predaja vrobkov). Hodnoty akcie sa pohybuj okolo trendu iba ak nedochdza k zmene informci o spolonosti alebo sa nezmen situcia na trhu (zmena rokovch sadzieb, zverejnenie pesimistickch dajov a podobne.)

Tvorba modelu NS Predikcia cien na urit obdobie nem praktick vznam. V praxi je pomerne nron uri, na ak obdobie mme predpoveda cenu akcie. Je mon, e bude cena prli volatiln, a bude sa meni rchlo okolo trendu. Takto predpove je nemon. Rieenm by bolo predpoveda vvoj kzavho priemeru, pretoe tam s odchlky od trendu menie, a hodnota sa men plynulejie. V nasledujcom modeli predpovedme cenu akcie na 5 dn dopredu, priom vstupmi siete s ceny akci za poslednch 5 dn.

107

Obr. 79: Model siete

Vsledky predikcie pri krovej validcii:

Obr. 80: Vsledky predikcie cien

Vsledky ukazuj, e je predpove pomerne presn, pretoe korelan koeficient dosiahol hodnotu 0,9811. Meme vak predpoklada, e s rastcou dkou obdobia predpovede bude presnos predpovede klesa. Z praktickho hadiska je chyba 0,8416$ vek. Pri predpovedi hodnoty exponencionlneho kzavho priemeru je chyba menia, z praktickho hadiska vak stle prli vek.

108

Obr. 81: Vsledky predpovede EMA

Vekos chyby pri predikcii ceny by bolo mon zni zvenm potu vstupnch hodnt . Pouili by sme teda hodnoty zatvracch cien akci z viacerch dn. Regresn analza je skr vhodn na predpove trendu, ako na predpove konkrtnej hodnoty.

109

5 Zver
V teoretickej asti sme popsali teoretick vchodisk prce, a sasn poznatky z viacerch oblast, ktor svisia s predikciou cien akci. Cieom prce bolo ukza praktick vyuitie neurnovej siete pri predikcii cien akci. Stanovili sme tyri lohy, ktor analyzuj nejakou formou akciov trh a predpovedaj vvoj ceny akcie. Hlavnou lohou bolo vytvorenie systmu na generovanie obchodnch signlov. lohu sme analyzovali, priom hlavnm prnosom analz y bolo zistenie potreby pouitia hraninch psiem extrmov z dvodu vytvorenia dostatonho potu obchodnch signlov v trnovacej mnoine dt. Pri pouit malho potu obchodnch signlov v trnovacej mnoine pracovala sie nesprvne, pretoe negenerovala dostaton poet signlov. Na zaiatku sme nepouvali hranin psma extrmov, a preto sme mali v trnovacej vzorke dt mlo dajov zaradench do tried. To bol dvod, preo nm potom neurnov sie nezaraovala daje do tchto tried. Po vyrieen tohto problmu a prave trnovacej mnoiny tak, aby bol v kadej triede pribline rovnak poet dt, sme zaali dosahova poadovan vsledky. Model dt dokzal na zklade vstupnch uspokojivo predpoveda loklne extrmy a tm aj generova obchodn signly. Sprvnos modelu sme overili tatisticky a simulciou obchodovania. Vsledky systmu boli nzorne prezentovan graficky, vo forme bodovch grafov a vo forme iarovch grafov cien so zobrazenm obchodnch signlov. Z obrzkov je mon vidie, ako sie pracuje. Pri bodovch grafoch vidie zvislos dvoch vstupnch parametrov a rozdelenie vzoriek dt do tried, na zklade tchto parametrov. Zistili sme, e najviac vplvaj na tvorbu sprvnych obchodnch signlov technick indiktory RSI a MACD, i u ide o ich aktulnu hodnotu alebo o asov rad hodnt. Pri zobrazen obchodnch signlov na iarovch grafoch cien zase vieme pozorova, ako sie doke predpoveda maxim a minim. Doplujcom lohou bola klasifikcia akciovch symbolov na rastov a klesajce na zklade finannch ukazovateov. Na zklade analzy sme vybrali tyri finann ukazovatele, ktor sme pouili ako vstup neurnovej siete. Presnos klasifikcie bola menia, najm z dvodu vch odchlok hodnt v trnovacej mnoine.

110

Na dvoch lohch sme ukzali predikciu hodnt. V prvom prpade to bola cena akcie v obdob p dn, v druhom prpade to bol exponencionlny kzav priemer v obdob p dn. Vsledky predikcie neboli z praktickho pohadu dostaton. Predpove hodnoty kzavho priemeru bola lepia, z dvodu menej citlivosti na zmenu hodnt. Dokzali sme, e pouitie neurnovch siet pri analze cien akci m zmysel, a me pomc investorom k dosahovaniu ziskov. Dleit pre spenos ich pouitia je vber vhodnch vstupov siete, a prava dt tak, aby bolo uenie siete o najlepie. V naom prpade to bolo najm generovanie vstupov trnovacej a testovacej vzorky dt. Tie je dleit poui nstroje na zabezpeenie proti riziku, pretoe mu nasta situcie, kedy bude sie predpoveda daje nesprvne. Sprvnym pouitm tchto nstrojov zabezpeme investcie voi vm stratm. Neurnov sie doke efektvne prehadva vek mnoiny dt, a hada v nich tak vzory alebo pravidl, ktor koreponduj s chovanm systmu. Ide najm o pravidl svisiace s technickmi indiktormi. Pomocou neurnovej siete sme v podstate dokzali platnos tchto pravidiel a fakt, e pouitie neurnovej siete zvyuje pravdepodobnos sprvneho odhadu vvoja trhu. Nauili sme sa pracova s neurnovmi sieami, a nali sme spsob, ako ich vyui pri analze dt. Pri analze je dleit postupova poda metodiky. Vybrali sme si metodiku CRISP-DM, a postupovali sme poda iestich krokov tejto metodiky. Cyklus sme viac krt opakovali, kedy sme hadali vhodn formu dt. Generovanie obchodnch signlov m vek praktick vyuitie, kedy meme pomocou neurnovej siete prehadva vek sbory dajov, a hada obchodn prleitosti. Takto prehadvanie je prcne a asovo nron, preto je pouitie podobnho systmu vhodnm nstrojom. Pouitie neurnovch siet by sa dalo zlepi zdokonaovanm uenia, a predkladanm takch vzoriek vstupov, ktor umonia naui sie rzne pravidl. Najdleitejm zverom je, e technick analza m vznam pri analyzovan cien akci a predpovedan ich vvoja. Technick indiktory nielen odzrkaduj aktulny stav, ale doku do istej miery predpoveda stav v budcnosti. Pouitm neurnovej siete vieme tieto indiktory ahko vyhodnocova a hada svislosti medzi jednotlivmi nimi. Kee je pohyb cien zvisl od viacerch faktorov, vieme tieto faktory kombinova, a ui sie tak, aby o najlepie reagovala na vvoj trhu. 111

6 Zoznam pouitch zdrojov

Berka, P. 2003. Dobvn znalost z databz. s.l. : Academia, 2003. p. 392., ISBN 80-200-1062-9. Cassidy, John. 2012. Jak selhvaj trhy. Praha : Academia, 2012. 2013. centruminvestovania.sk. Slovnk investora. [Online] Tatrabanka, 2013.

http://www.centruminvestovania.sk/index.php?www=slovnik-investora. Clarence, Tan N. W. 1997. An Artificial Neural Networks Primer. s.l. : Bond University, 1997. Davis, J. R., Hartgraves, L. a Morse, W. J. 1984. Management accounting. s.l. : Addison-Wesley, 1984, s. 754. Gately, E. 1998. Forecasting Profits Using Price & Time. New York : John Wiley & Sons, Inc., 1998. s. 123. ISBN 80-8094-046-0. Greenspan, Alan . 2008. Vk turbulenc. s.l. : Fragment, 2008. 978-80-253-0755-7. Hindls, Richard, a in. 2007. Statistika pro ekonomy. 8. Praha : Professional Publishing, 2007. s. 415. ISBN 978-80-86946-43-6. 2013. ipoint.cz. Slovnk investora. [Online] ekia, 2013. http://www.ipoint.cz/skolainvestora/slovnik-investora/ . Juggler. 2010. Psychologick analza finannho trhu . http://ako-investovat.sk. [Online] 2010. Knight, K. 1991. Artificial Intelligence, Second Edition: McGraw Hil, 1991. Kostolany, Andre. 2008. Kostolanyho burzovn semin: Mirage, 2008. 80-238-5969. . 2007. Penze a burza. Praha : Mirage, 2007. 80-239-7741-5. Krovi Jozef. 2008. Finann manament. s.l. : Iura Edition, 2008. McNelis , P.D. 2005. Neural Networks in Finance: Gaining Predictive Edge in the Market. s.l. : Elsevier Inc., 2005. Medelson, L. B. 2000. Trend Forecasting With Technical Analysis. s.l. : Market Technologies Corporation, 2000. 1-883272-91-2. Molnar, Alan T. 2010. Economic Forecasting. New York : Nova Science Publishers, 2010. s. 273. 978-1-61122-478-8. Muslek, P. 2002. Trhy cennch papru. Praha : Ekopress, 2002. Ng, Andrew. 2012. Machine Lerning Course. www.coursera.org. [Online] 2012.

112

Packov, V. a kol. 2003. tatistika pre ekonmov. Bratislava : IURA Edtion, 2003. ISBN 80-89047-74-2. Privalenkov, A. 2004. Slabik pro zanajci spekulanty. s.l. : Eurolex Bohemia, 2004. Rejnu, Oldich. 2004. Teorie a praxe obchodovn s cennmi papri. Brno : Computer press, 2004. Rockefeller, Barbara. 2010. Technical Analysis For Dummies. s.l. : John Wiley & Sons, 2010, s. 360. Rope A.T. a kol.;. 2011. Forecasting and Management of Technology, Second Edition: John Wiley & Sons, Inc., 2011. s. 323. 978-0-470-44090-2. Sedlek, Peter. Kam investova. kaminvestovat.sk. [Online]

http://www.kaminvestovat.sk/komodity/technicka-analyza/434-technicke-indikatory.html. Sink P., Andrejkov G. 1996. Neuronove siete I. (Inziniersky pristup). Koice : ELFA Press, 1996. stockcharts.com. 2013. Relative Strength Index (RSI). http://stockcharts.com. [Online] Interactive Data Corp., 2013. http://stockcharts.com/school/doku.php?id=chart_school:technical_indicators:relative_strength Svoboda, M. 2008. Jak investovat aneb anatomie burzovnich l. s.l. : Computer press, 2008. ISBN 80-251-0527-X. Taleb , Nicholas Nassim . 2011 . ern labu. s.l. : Paseka, 2011 . ISBN 9788074321283. value-investing.sk. 2013. value-investing.sk. Slovnk investora. [Online] 2013. http://www.value-investing.sk/slovnik-investora/. Weissman, Richard L. 2004. Mechanical Trading Systems.: John Wiley & Sons, 2004.

113

Prlohy
Prloha A: CD mdium obsahujce: - diplomov prca v elektronickej forme - sbory dt pouit v prci

114

You might also like