МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ
РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ
ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ОБРАЗОВАНИЯ
«ИВАНОВСКИЙ ГОСУДАРСТВЕННЫЙ ХИМИКОТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ»
Кафедра информационных технологий и цифровой экономики
КВАЛИФИКАЦИОННАЯ РАБОТА БАКАЛАВРА
НА ТЕМУ:
«ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В
ИССЛЕДОВАНИИ ДИНАМИК ВАЛЮТНЫХ КУРСОВ»
Автор: _________________ Ю. В. Жукова
Руководитель: __________ д.э.н., проф. М. Б. Ермолаев
Зав. кафедрой:___________ д.э.н., доц. И. А. Астраханцева
г. Иваново, 2020 г.
1
Министерство науки и высшего образования Российской Федерации
Федеральное государственное бюджетное образовательное учреждение
высшего образования
ИВАНОВСКИЙ ГОСУДАРСТВЕННЫЙ
ХИМИКО-ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ
Факультет Техники, управления и цифровой инфраструктуры
Кафедра Информационных технологий и цифровой экономики
Уровень подготовки Бакалавриат
Направление Информационные системы и технологии
Профиль Анализ данных и цифровые финансовые технологии
УТВЕРЖДАЮ:
Зав. кафедрой
_________И.А. Астраханцева
«10» февраля 2020 г.
ЗАДАНИЕ
на выпускную квалификационную работу
студенту(ке): Жуковой Юлии Викторовне
1. Тема: Интеллектуальные технологии в исследовании динамик валютных курсов
утверждена Приказом по университету № 1122ст-19 от 11.12.2019 г.
2. Исходные данные: законодательные и подзаконные нормативные акты;
энциклопедическая и справочная литература; статистические и аналитические материалы;
монографии; данные профессиональных периодических изданий; Интернет-ресурсы;
самостоятельно собранные первичные материалы, требования заказчика к
функциональной части информационной системы, требования заказчика к
пользовательскому интерфейсу информационной системы.
3. Содержание работы:
Введение: актуальность темы в теоретическом, методическом, прикладном отношении;
степень проработанности отдельных вопросов темы, нерешенные, дискуссионные
вопросы; круг специалистов, разрабатывавших проблему исследования; цель и задачи
работы; предмет и объект исследования; постановка задачи; структура выпускной работы.
Глава 1. Теоретические аспекты исследования динамик валютных курсов. Понятие
валютного курса. Разновидности валютного курса. Влияние валютного курса на
экономику. Модели динамики валютных курсов.
Глава 2. Разработка системы моделей анализа курсов мировых валют. Общая
характеристика динамик основных валютных курсов. Стохастический анализ как
инструмент анализа валютных курсов. Опыт применения интеллектуальных технологий к
исследованию валютных курсов: кластерный анализ. Matlab и Statistica как программные
инструменты исследования валютных курсов.
Глава 3. Численная реализация разработанных моделей. Методика исследования
валютных курсов различных стран относительно общемирового эквивалента. Разработка
методологии генерации и анализа валютных курсов, приведенных к мировому
эквиваленту. Уточненная типологизация курсов.
Заключение: основные выводы, к которым пришел автор в ходе исследования, а также
адресные предложения и рекомендации.
Приложения к выпускной квалификационной работе: первичные материалы; громоздкие
статистические материалы (таблицы, графики, множественные диаграммы и пр.);
исходные тексты программ; копии экранных форм пользовательского интерфейса; формы
входной и выходной документации; материалы, иллюстрирующие или детализирующие
основные проектные решения.
2
Список использованной литературы.
4. Вопросы для специальной разработки. Исследование волатильности динамик основных
валютных курсов относительно общемирового эквивалента.
5. Руководитель работы: д.э.н., проф. Ермолаев М. Б.
6. Консультанты:
Раздел
Консультант
Подпись, дата
Задание выдал
Задание принял
7. Дата выдачи задания: 10.02.2020 г.
8. Дата предоставления законченной работы: 08.06.2020 г.
Руководитель Ермолаев Михаил Борисович __________________________
(Ф.И.О., подпись)
Студент Жукова Юлия Викторовна____________________________________
(Ф.И.О., подпись)
Календарный план
№
Наименование этапов
Срок выполнения
Примечание
п/п
квалификационной работы
этапов
работы (проекта)
Поиск и исследование исходных
данных, проработка практических
1.
10.02.2020 - 09.03.2020
материалов
по
теме
квалификационной работы
2.
Составление плана работы
10.03.2020 - 15.03.2020
Разработка
и
согласование
с
3.
руководителем
первой
главы 16.03-2020 – 27.03.2020
квалификационной работы
Разработка
и
согласование
с
4.
руководителем
второй
главы 06.04.2020 – 26.04.2020
квалификационной работы
Разработка
и
согласование
с
5.
руководителем
третьей
главы 27.04.2020 – 17.05.2020
квалификационной работы
Согласование
с
руководителем
6.
18.05.2020 – 01.06.2020
введения, выводов и предложений
Представление квалификационной
7.
08.06.2020
работы на кафедру
Подготовка доклада и графического
8.
08.06.2020 – 28.06.2020
материала
Проведение предварительной защиты
9.
08.06.2020 – 11.06.2020
квалификационной работы
Защита выпускной квалификационной
10.
29.06.2020-04.07.2020
работы
Студент ____________ Руководитель работы ____________
3
АННОТАЦИЯ
к выпускной квалификационной работе
Жукова Юлия Викторовна
ФИО бакалавра
Тема: Интеллектуальные технологии в исследовнии динамик валютных
курсов
Актуальность разрабатываемой темы заключается в том, что в настоящий период с
валютным курсом связано множество финансово – экономических операций, поэтому
прогнозирование этого курса будет действительно полезным, особенно для финансовых
аналитиков. В традиционном выражении валютный курс определяет взаимоотношение
между двумя конкретными валютами. Важно отметить, что темпы роста, волатильность и
другие характеристики любого курса достаточно относительны, поэтому необходим
инструментарий, который позволит проводить анализ каждого валютного курса
обособленно, а если быть точнее – в соотношении с мировым эквивалентом.
Целью выпускной квалификационной работы является разработка методологии
анализа и прогнозирования динамики валютных курсов.
Для достижения цели поставлены следующие задачи:
Статистическое исследование и моделирование валютных курсов;
Построение методики типологизации динамик валютных курсов на основе
кластерного анализа, а также ее апробация;
Разработка методологии выявления и статистического анализа курсов валют
(включая курс рубля) относительно мирового эквивалента;
Разработка программного модуля в среде MatLab по реализации методологии.
Объектом работы выступают курсы мировых валют.
Предметом являются интеллектуальные технологии анализа динамики валютных
курсов.
Выпускная квалификационная работа состоит из введения, трех глав и заключения.
В первой главе рассматривались теоретические аспекты курсов валют такие, как
понятие и виды валютного курса, а также его влияние на экономику. Отдельным пунктом
для полноты проводимого исследования были выделены примеры моделей динамик
валютных курсов.
Вторая глава отличается тем, то в ней описывается стадия разработки системы
моделей анализа курсов мировых валют. Прежде всего, были выделены характеристики
динамик основных курсов валют (доллар США и евро). Далее описывается сущность
стохастического моделирования, которое включает в себя несколько методов анализа,
одним из которых является рассмотренный в данной главе - кластерный анализ. Более
того проведено исследование по поиску лучших адаптивных моделей для доллара США и
евро. Для проведенного исследования требовалось применение такого программного
продукта, как Statictica и MatLab.
Численная реализация разрабатываемой методики содержится в третьей главе
работы. В начале рассматривается методика исследования курсов разных стран
относительно общемирового эквивалента. По результатам методики представлены коды и
графики. После осуществлялась уточненная типологизация курсов по двум, а потом пяти
параметрам, после которой сделаны соответствующие выводы.
4
СОДЕРЖАНИЕ
Введение………………………………………………………………….....6
Глава 1. Теоретические аспекты исследования динамики валютных
курсов……………………………………………………………………………..8
1.1
Понятие валютного курса………………………………………….8
1.2
Разновидности валютных курсов…………………………………10
1.3
Влияние валютного курса на экономику…………………………14
1.4
Модели динамики валютных курсов……………………………..17
Глава 2. Анализ динамик валютных курсов на основе стохастического
моделирования: разработка методики и апробация…………………………...21
2.1
Общая характеристика динамик основных валютных курсов....21
2.2
Стохастический анализ как инструмент анализа валютных
курсов……………………………………………………………………………..23
2.3
Прогнозирование валютных курсов на основе адаптивных
моделей…………………………………………………………………………..33
2.4
Опыт применения интеллектуальных к исследованию валютных
курсов: кластерный анализ...................................................................................37
Глава 3. Численная реализация разработанных моделей………………46
3.1 Методика исследования валютных курсов различных стран
относительно общемирового эквивалента……………………………………..46
3.2 Разработка методологии генерации и анализа валютных курсов,
приведенных к мировому эквиваленту……………………………………….47
3.3 Уточненная типологизация курсов…………………………………51
Заключение………………………………………………………………..58
Список литературы……………………………………………………….60
Приложение………………………………………………………………63
5
ВВЕДЕНИЕ
Валютный курс помогает оценить состояние экономики в государстве.
Он показывает доверие к национальной валюте и как развивается
промышленность данной страны. От валютного курса зависят такие
параметры в экономике, как потоки капитала, внешняя торговля и объемы
производства. В свою очередь, динамика курсов валют оказывает влияние на
объем
экспорта
и
импорта,
а
также
на
конкурентоспособность
отечественных товаров на мировом рынке.
Очевидно,
что
взаимозависимости
в
нынешних
национальных
условиях
валют
происходит
от
степени
усиление
развития
международного рынка, поэтому существует необходимость создания таких
моделей регулирования валютного курса, чтобы можно было осуществить
прогноз его падения или роста. Например, в данной работе применялись
Statictica и MatLab, как интеллектуальные технологии для исследования
динамик валютных курсов.
Если своевременно заметить отклонения изменения валютного курса,
то это даст возможность оперативно осуществить мероприятия по
урегулированию ситуации. Так же исследование динамики курсов за
предыдущие годы поможет определить подходящий метод прогнозирования.
Актуальность данной темы заключается в том, что в настоящий период
с валютным курсом связано множество финансово – экономических
операций, поэтому прогнозирование этого курса будет действительно
полезным,
особенно
для
финансовых
аналитиков.
В
традиционном
выражении валютный курс определяет взаимоотношение между двумя
конкретными валютами. Важно отметить, что темпы роста, волатильность и
другие характеристики любого курса достаточно относительны, поэтому
необходим инструментарий, который позволит проводить анализ каждого
валютного курса обособленно, а если быть точнее – в соотношении с
мировым эквивалентом.
6
В данной работе рассматривается один из методов установления
валютного курса – стохастический анализ, который заключается в
исследовании факторов, связь которых с результатом является неполной. В
свою очередь, стохастическое моделирование включает в себя несколько
методов анализа, один из которых применялся в данной работе – кластерный
анализ. Кластерный анализ, в свою очередь, предназначен для оценки
схожести исследуемых объектов, поэтому для этого их необходимо
сгруппировать в некие кластеры.
Цель данной выпускной квалификационной работы заключается в
раскрытии тенденций изменения мировых валютных курсов, а также
разработке методики для анализа динамики курсов.
Задачами являются:
Статистическое исследование и моделирование валютных курсов;
Построение методики типологизации динамик валютных курсов на
основе кластерного анализа, а также ее апробация;
Разработка методологии выявления и статистического анализа курсов
валют (включая курс рубля) относительно мирового эквивалента;
Разработка программного модуля в среде MatLab по реализации
методологии.
Объектом исследования являются курсы мировых валют.
Предметом исследования выступают интеллектуальные технологии
анализа динамики валютных курсов.
В данной работе применялись следующие методы исследования:
эмпирический метод – метод моделирования и научный метод – метод
анализа и синтеза.
Информационной базой данной работы являются официальные данные
Центрального Банка Российской Федерации, а также научные труды
иностранных и российских авторов.
7
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ИССЛЕДОВАНИЯ
ДИНАМИКИ ВАЛЮТНЫХ КУРСОВ
1.1
Понятие валютного курса
Национальная валюта считается ключевой составляющей в денежной
системе и государственной экономики любой страны. С развитием
интернациональных отношений достаточно важную роль в валютной системе
стал занимать валютный курс, так как в международной торговле
необходимо сопоставление государственных экономик, а также измерение
соотношения стоимости различных валют. Можно выделить функции
валютного курса:
1) При международной торговле происходит обмен товарами и
услугами
между
странами,
который
подразумевает
также
обмен
национальными валютами. Отсюда вытекает необходимость установления
соотношения стоимости одной валюты к другой для взаимного обмена
валютами при торговле товарами, услугами, а также при движении капиталов
и кредитов. При экспорте отечественных товаров экспортер вынужден
обменивать выручку, полученную в иностранной валюте на национальную, а
при импорте товаров в страну импортер, наоборот, должен приобрести
иностранную валюту для оплаты ввозимых в страну товаров.
2) Валютный курс служит показателем для сравнения цен разных
стран, а также для сравнения развитости мировых рынков.
3) Валютный курс помогает при периодической переоценке счетов в
иностранной валюте фирм и банков [7].
Валютным
курсом
называют
цену
денежной
единицы
одного
государства, которая выражается в денежной единице другого государства.
Валютный курс нужен для ряда таких операций, как: расчетных,
кредитно-финансовых и интернациональных валютных.
8
Валютный курс базируется на валютном паритете. Валютный паритет
представляет собой соотношение между валютами, определяющиеся в
законодательном порядке, и колеблется вокруг него.
Валюта
-
денежная
единица
страны
(национальная
валюта),
используемая в данном государстве. Например, российская валюта - рубль,
французская - франк; денежные знаки иностранных государств, кредитные и
платежные документы в виде векселей, чеков, банкнот, используемые в
международных расчетах, - иностранная валюта [21].
Валютное регулирование в Российской Федерации осуществляется
Центральным Банком РФ и Правительством РФ. Центральный Банк
определяет
сферу
и
порядок
обращения
в
Российской
Федерации
иностранной валюты и ценных бумаг в иностранной валюте, устанавливает
правила проведения резидентами и нерезидентами России операций с
иностранной валютой и ценными бумагами в иностранной валюте, а также
правила проведения нерезидентами операций с рублями и ценными бумагами
в рублях [3].
Классификация валют зависит в основном от того для чего ее будут
применять. Поэтому существует следующая классификация валютных
курсов:
1.
оплата товаров, услуг (паритетный, фактический);
2.
соотношение валют (фиксированная, плавающая);
3.
формирование паритета покупательной способности валюты
(заниженный, завышенный, паритетный);
4.
отношение к сторонам сделки (курс продажи, курс покупки,
средний курс);
5.
учет инфляции (номинальный, реальный);
6.
продажа товаров, услуг (наличный курс, безналичный курс,
оптовый курс) [25].
9
На внутреннем рынке главную роль играют номинальный и реальный,
а при денежном обращении значимыми являются фиксированные и
плавающие курсы.
1.2
Разновидности валютных курсов
Рассмотрим поподробнее основные
виды валютных курсов. В
зависимости от учета инфляции существует реальный и номинальный курсы.
Реальным
называется
курс,
который
представляет
собой
относительную цену товаров и услуг, произведенных в разных странах [19].
Реальный валютный курс можно рассчитать по формуле:
где e – номинальный валютный курс;
Р* – уровень цен за рубежом в иностранной валюте;
Р – уровень внутренних цен в национальной валюте.
В случае если реальный курс понизился, то уменьшаются цены на
внутреннем рынке, что вызывает увеличение экспорта. В другом случае если
реальный валютный курс вырос, то увеличивается импорт, поскольку товары
импортного производства станут дешевле отечественных.
Также выделяют реальный эффективный валютный курс (РЭВК).
РЭВК – это номинальный эффективный валютный курс с поправкой на
изменения уровня цен или иных показателей издержек производства,
демонстрирующих
динамику
реального
валютного
курса
данного
государства к валютному курса стран – ведущих торговых партнеров.
Номинальный валютный курс – цена валют двух стран. Другими
словами, это цена национальной валюты, выраженная в денежных единицах
иностранной валюты [13].
Формула расчета номинального валютного курса:
где Cf — иностранная валюта;
10
Сn — национальная валюта.
Когда говорят о валютном курсе, подразумевают номинальный
валютный курс, который лучше применять для измерения текущих сделок и
расчетов с клиентами. Его лучше не использовать, если необходимо провести
измерение в долгосрочной перспективе, поскольку курс национальной и
иностранной валюты подлежит изменениям.
Номинальный
эффективный
валютный
курс
(НЭВК)
позволяет
определить изменения курса национальной валюты к корзине иностранных
валют, а не к одной отдельной валюте.
Формула расчета эффективного валютного курса:
где
=
– индекс номинального валютного текущего курса по
отношению к базовому курсу всех стран партнеров;
– удельный вес i-той страны в торговом
обороте.
В зависимости от соотношения валют существуют плавающий и
фиксированный курсы.
Плавающий валютный курс, то есть курс свободно изменяющийся под
воздействием спроса и предложения, на которое государство может
оказывать воздействие путем валютных интервенций и других косвенных
методов [12].
Существует два варианта использования плавающего курса:
Режим управляемого плавания. При данном режиме происходит
активное вмешательство Центрального Банка в операции на валютном
рынке страны.
Режим
самостоятельного
плавания.
При
таком
режиме
Центральный банк практически не оказывает влияние на курс. Данный
режим близок к абсолютной конкуренции, так как имеется множество
участников, которые владеют информацией, находящейся в общем доступе.
11
Достоинства плавающих валютных курсов:
отражает
экономическое
положение
страны
и
позволяет
субъектам ориентироваться в рыночной конъюнктуре;
урегулирование платежного баланса происходит автоматически;
минимальная возможность прямого вмешательства государства в
экономику, что делает рыночную среду более развитой.
Недостатки плавающих валютных курсов:
субъекты экономики находятся в состоянии неопределенности,
поскольку происходит колебание курса валюты, а также затруднительно
составлять долгосрочные экономические прогнозы;
изменение курсов валют приводит к изменению экспорта и
импорта и может повлиять на уровень безработицы и инфляции в стране.
Режим фиксированного валютного курса. В режиме фиксированного
курса ЦБ гарантирует проведение легальных сделок по обмену иностранной
валюты на отечественную (и обратно) по определенному им курсу [15].
Фиксированный
валютный
курс
не
изменяется
в
течение
продолжительного времени (нескольких лет или месяцев), поскольку не
зависит от спроса и предложения на валюту.
Фиксированный
курс
подлежит
изменению
при
официальном
пересмотре (девальвации понижения или ревальвации повышения).
Существует режим множественности валютных курсов, при котором
Центральный банк при фиксированном курсе устанавливает различные
курсы валют по отдельным операциям.
Например, в СССР фиксированный валютный курс существовал
десятки лет. Поскольку курс очень редко пересматривался и цены на нефть
падали, то экономика страны пришла в упадок, что привело к необходимости
проведения болезненных либеральных реформ. В конечном счете, рубль за
достаточно короткий срок обесценился в тысячи раз.
Достоинства фиксированного валютного курса:
12
можно осуществлять долгосрочные экономические прогнозы за
счет того, что курс является стабильным;
с
помощью
фиксированного
курса
возможно
сдерживать
инфляцию;
Недостатки фиксированного валютного курса:
необходимо наличие
больших резервов для
того,
чтобы
поддерживать и регулировать платежный баланс;
невозможно
провести
изолированную кредитно-денежную
политику - воздействие на рыночную конъюнктуру страны за счет изменения
объемов денежной массы;
возрастает степень зависимости хозяйствующих субъектов от
ряда
субъективных
факторов
(например,
политической
воли
и
компетентности правительства).
Промежуточные варианты фиксированного валютного курса. К
промежуточным
вариантам
между
фиксированным
и
«плавающим»
режимами валютного курса относят:
режим «скользящей фиксации». Центральный Банк ежедневно
устанавливает валютный курс исходя из определенных показателей: уровня
инфляции,
состояния
платежного
баланса,
изменения
величины
официальных золотовалютных резервов и др.;
режим «валютного коридора», при котором Центральный Банк
устанавливает
определенные
пределы
колебания
валютного
курса.
Примерами рассматриваемого механизма могут служить Чили, где в 19861992 гг. был паритет национальной валюты по отношению к доллару,
Израиль с 1986 г. - по отношению к корзине, состоящей из валют стран основных торговых партнеров. Эффективно использовала данную систему
Италия с 1979 по 1991 г. [29]. Также существует валютный пег, при котором
ЦБ гарантирует, что курс будет на некотором уровне. Пегом также называют
режим управляемого плавания, когда ЦБ старается, за счет интервенций,
удержать курс на некотором уровне. В этом случае, ЦБ часто меняет тот
13
уровень, который он поддерживает в каждый момент времени, стараясь
препятствовать краткосрочным колебаниям курса, и не вставать на пути у
глобальных изменений. Такой режим называют ползущим пегом.
Также можно выделить валютные курсы, которые различаются по
способу расчета. К ним относится:
Паритетный курс - расчетный курс в международном торговом
обороте, который основывается на паритете покупательной способности
валют [17];
Фактический курс – курс валюты, который сложился на
определенный момент из-за существующего в данной стране режима
валютного курса.
1.3
Влияние валютного курса на экономику
Для многих экономик валютные колебания являются нормой, в свою
очередь валютные колебания – это результат системы плавающих валютных
курсов. На валютный курс влияет множество экономических факторов, на
которые опираются центробанки, чтобы выбрать подходящую схему
денежно-кредитной политики для данного этапа жизни. Наиболее значимые
факторы, которые влияют на обменный курс:
1) состояние платежного баланса;
2) уровень инфляции;
3) уровень безработицы;
4) уровень реальных процентных ставок;
5) объем денежной массы;
6) цена за баррель нефти (данный фактор характерен для стран с
сырьевой экономикой).
Данные факторы со временем подвержены изменениям, поэтому
стоимость валют будет колебаться.
В свою же очередь курсы валют могут оказывать влияние на многие
экономические аспекты страны, к которым можно отнести:
14
Экспорт и импорт страны. При более слабой валюте государство
1.
будет
заинтересовано
в
экспорте
товаров,
а
импорт
будет
более
дорогостоящим. Данная ситуация приведет к уменьшению дефицита
торгового баланса, а потом и вовсе доходы от экспорта могут превысить
расходы от импорта. Наоборот, если в стране валюта более сильная, то
отечественные товары станут менее конкурентоспособными на мировом
рынке, а импорт будет более дешевым. Это может привести к торговому
дефициту,
а впоследствии к еще большему ослаблению валюты за счет
корректировки спроса и предложения валюты.
2.
Экономический
рост.
ВВП
есть
сумма
расходов
всех
макроэкономических субъектов: 1) расходов домохозяйств - потребительских
расходов (С); 2) расходов фирм - инвестиционных расходов (I); 3) расходов
государства - государственных закупок товаров и услуг (G); 4) расходов
иностранного
сектора
расходов
-
экспорт (Хn). Итак,
на
чистый
[4]. Из данного уравнения можно
сделать вывод, что при росте чистого экспорта будет расти уровень ВВП.
Чистый экспорт имеет обратную корреляцию с национальным валютным
курсом.
3.
Движение капитала. Одной из важных составляющих, чтобы
страна могла нормально развиваться и иметь хорошую динамику по
различным показателям является поток денег из других стран. Инвесторы
должны быть заинтересованы
во вложение капитала, поэтому для этого
страна должна обладать стабильной валютой и прозрачными
ведения бизнеса. Поскольку, если будет
методами
существовать риск потери при
обмене валюты, то это может отпугнуть иностранных инвесторов.
Существует два типа движения капитала:
Прямыми
иностранными
инвестициями
называются
капиталовложения в зарубежные предприятия, обеспечивающие инвестору
контроль за ними. К таким инвестициям чаще всего относятся инвестиции
15
такого объёма, при котором иностранный инвестор обладает не менее чем
20-25% акционерного капитала компании.
Портфельные инвестиции – вложение капитала в иностранные
акции, облигации и другие ценные бумаги, осуществляемые в расчёте на
высокие дивиденды, получение прибыли на капитал. Такие инвестиции не
дают права контроля над деятельностью зарубежного предприятия [9].
Прямые иностранные инвестиции – важный источник финансирования
для стран с растущей экономикой (Россия, Китай, Бразилия, Индия и т.д.),
поскольку экономический рост таких стран будет ограничен при отсутствии
иностранного капитала.
Правительство страны
предпочитает прямые
иностранные инвестиции, так как иностранные инвесторы вкладывают
деньги в долгосрочные проекты, и длительное время будут инвестировать в
экономику, а при портфельных инвестициях инвесторы могут сразу же
избавиться от ценных бумаг при первых признаках нестабильности в
экономике страны [16].
4.
Инфляция. При девальвации национальной валюты может
произойти «импортная» инфляция для страны. Например, при снижении
стоимости валюты на 20% произойдет рост на импортные товары на 25%,
поскольку при снижении валюты на 20% импортеру нужно поднять цену на
свой товар на 25% для получения той же выручки в валюте страны
импортера.
5.
Процентные ставки. Стоимость курса валюты является одним из
главных показателей для центробанков при формировании денежнокредитной политики. Поскольку сильная валюта в стране может привести к
негативным последствиям, то центральный банк может искусственно
сдерживать рост валюты.
Одним из примеров влияния валюты на экономику является Азиатский
кризис 1997-1998 годов. В 1997 году произошла девальвация тайского бата.
Она произошла из-за спекулятивных атак на местные валюты. Центральный
Банк страны отказался от привязки к курсу доллара, к которому ранее был
16
привязан и тайский бат стал плавающей валютой. Кроме Тайланда крупно
пострадали следующие страны: Индонезия, Южная Корея, Малайзия. На
протяжении 1997-1998 годов национальный курс валюты постоянно падал.
Все это привело к росту инфляции, банкротству многих компаний, а также к
увеличению объема корпоративного долга.
Валютный курс влияет на множество макроэкономических процессов в
экономике. Он помогает сопоставить цены на различные товары и услуги,
которые произведены в разных странах, также от его уровня зависит:
1.
насколько отечественные товары будут конкурентоспособными
на мировом рынке;
2.
объемы экспорта и импорта, а, следовательно, и состояние
баланса текущих операций.
1.4 Модели динамики валютных курсов
Динамика валютных рынков сложна для прогнозирования. Главной
целью их изучения является определение наилучшего момента для
вступления в сделку по купле или продажи валюты [27].
Поскольку возрастает роль прогнозирования в наше время, то
необходимо внедрение новых методов моделирования. При моделировании
курсов определяются фундаментальные показатели, которые оказывают
влияние на движение
цен на рынке. Главным параметром при выборе
данных показателей является количество пунктов, на которое изменились
валютные курсы за некоторый промежуток времени. Для ниже приведенных
моделей применялись курс Доллара США и Евро.
Первая модель основана на влиянии каждого взятого фактора на
валютный курс.
Под фактором
подразумеваются фундаментальные
показатели, которые сильнее всех оказывают влияние на изменение курса.
Влияние взятых факторов определяется с помощью анализа статистических
данных. В результате исследования были выявлены следующие факторы:
17
ВВП, инфляция, занятость населения, производство и строительство и
каждый в некой мере оказывает влияние на курс валют.
Вторая модель подразумевает линейный регрессионный анализ.
Регрессионный анализ описывает взаимосвязи между факторами и какойлибо зависимой величины [10]. Его лучше всего применять для оценки
воздействия фундаментальных новостей за изменение курсов валют. Этот
метод отражает математическую зависимость переменных без причинно –
следственных связей между ними.
Данная модель показала, что Доллар США и Евро имеют прямую связь
с ВВП, инфляцией и производством, и обратную связь с занятостью и
строительством.
В третьей модели происходит обработка статистических данных с
помощью линейного корреляционного анализа, при котором устанавливается
степень тесноты между двумя или более переменными. Изменение значений
одной величины сопутствует систематическому изменению значений другой
или других величин [23]. Коэффициенты корреляции могут быть как
положительными, так и отрицательным. При обратной корреляции можно
увидеть обратную зависимость между переменными.
Хочется отметить, что наиболее удачной является вторая модель,
поскольку ее показатели наиболее приближены к реальным значениям, в то
время как в первой и третьей модели показатели немного превышают
реальные данные.
Следует отметить, что исследование разнообразных индикаторов
финансового рынка (в том числе валютных курсов) может осуществляться
методами технического анализа.
Под
техническим
анализом
валютного
рынка
подразумевается
прогнозирование валютного курса с применением графиков динамики рынка
в предыдущие периоды времени. Цель технического анализа сводится к
определению тренда, то есть направление движения валютного рынка.
18
Под термином "движение рынка" аналитики понимают три вида
информации: цену (в основном спред), объем (поток ордеров), открытый
интерес.
Технические аналитики при прогнозировании валютного рынка
исходят из 3 аксиом:
1.
Движение рынка учитывает все. Каждый фактор, который влияет
на курс валюты, должен быть учтен и отражен на графике ее динамики.
Поэтому
изучения
графиков
курса
достаточно
для
анализа
и
прогнозирования.
2.
Цены двигаются направленно (в тренде). На практике динамика
валютного рынка представляет собой серии разнообразных кривых: подъем,
падение, боковые "отскоки". Генеральное направление этих подъемов,
падений и боковых "отскоков" образует некую временную тенденцию –
тренд. Тренд на валютном рынке возникает тогда, когда курс все время
растет или падает.
При восходящем тренде каждый подъем достигает более высокого
значения по сравнению с предыдущим, а каждый спад останавливается на
более высоком уровне по сравнению с предыдущим. При нисходящем
тренде каждый спад достигает более глубокого минимума, чем предыдущий,
а каждый подъем останавливается на более низком уровне, чем предыдущий.
На графике валютного курса линии тренда проводят через самые высокие и
самые низкие уровни, или через области консолидации цен, избегая
экстремальных значений. При боковом тренде колебания цены по сравнению
с предыдущими движениями вверх или вниз очень незначительны.
Специалисты и практики валютных рынков используют термин "трендовые
рынки", подразумевая восходящий или нисходящий рынок. "Боковые"
направления считаются "бестрендовыми".
3. История
движения
валютного
рынка
периодически
повторяется. Технический анализ, по сути, занимается изучением истории
определенных событий, связанных с валютным рынком, а, следовательно,
19
изучением человеческой психологии. Главным "двигателем" изменения
валютного курса является изменение социально-массового настроения. Оно
повторяется по спиралевидной временной кривой и отражается в графиках
движения рынка. Технический анализ базируется на понимании будущего на
основе изучения прошлого. Технический анализ тесно взаимодействует с
теоретической математикой, в результате чего возникает возможность
прогнозировать курсы на любом рынке на любой период времени (от одной
минуты до нескольких лет).
Технический анализ валютного рынка включает два вида анализа:
графический и компьютерный (индикаторный). Графический анализ – это
анализ ситуации на валютном рынке с помощью построения графиков
движения цен на валютные активы (курсов). Графическими считаются
методы, в которых для прогнозирования используются изображения всех
происходящих изменений с валютным курсом на рынке. Эти методы в силу
их простоты и наглядности возникли раньше других.
20
ГЛАВА 2. РАЗРАБОТКА СИСТЕМЫ МОДЕЛЕЙ АНАЛИЗА
КУРСОВ МИРОВЫХ ВАЛЮТ
2.1 Общая характеристика динамик основных валютных курсов
Перед тем как исследовать валютные курсы в традиционном их
выражении необходимо обозначить логику проведенного исследования,
которая состоит из двух больших блоков. Первый блок – это проведение
стохастического анализа по 33 валютным курсам. Данный блок помимо
прочего также содержит адаптивные модели анализа и прогнозирования
основных курсов в среде Statistica и типологизацию курсов на основе
методики, использующей 5 статистических характеристик. Второй блок – это
разработка
и
идентификации
валютных
мирового
численная реализация оригинальной методологии
эквивалента,
курсов
к
(включая
которому
рублевый)
также
относительно
относится
создание
соответствующего программного модуля в среде MatLab.
Основной составляющей международных экономических отношений
является международный валютный рынок, который оказывает влияние на
экономику
любой
страны.
От
валютного
курса
зависят
многие
экономические параметры, например, потоки капитала, внешняя торговля и
объемы производства. В свою очередь, динамика курсов валют влияет на
размеры экспорта и импорта, а также на то, насколько отечественные товары
будут конкурентоспособными на мировом рынке. По итогу динамика и
частота колебаний валютного курса – это показатели экономической и
политической стабильности государства.
В условиях глобализации, в рамках которой мы наблюдаем усиление
взаимосвязи
и взаимозависимости
международного
рынка,
национальных
необходимо разрабатывать
валют
модели
от развития
и методы
регулирования валютного курса с целью прогнозирования динамики его
роста или падения [6].
21
Если своевременно заметить отклонения изменения валютного курса,
то это даст возможность оперативно осуществить мероприятия по
урегулированию ситуации. Так же исследование динамики валютных курсов
за
предыдущие
годы
поможет
определить
подходящий
метод
прогнозирования.
Наглядно можно увидеть динамику Евро и Доллара США, которые
представлены в виде графиков на рисунках 1 и 2. Данные валюты были
выбраны, поскольку Доллар США является одной из самых ходовых валют в
мире и принимается для расчетов в большей части стран мира, а второй
валютой, которая у людей на слуху является Евро, которое используется во
всех странах Европейского Союза.
Рис. 1 Курс Доллара США с 01.01.1992 по 01.01.2019
Изменение курса Доллара США с 01.01.1992 по 01.01.2019 примерно
составляет +63,6042 руб., то есть почти в 50 тысяч раз.
Максимум данной валюты за весь приведенный период составляет
83,59 руб.
22
Рис. 2 Курс Евро с 01.01.1999 по 01.01.2019
Изменение курса Евро с 01.01.1999 по 01.01.2019 примерно составляет
+46,3311 руб., то есть более чем в 190 раз.
Максимум данной валюты за весь приведенный период составляет
91,18 руб., а минимум – 23,07 руб.
На графике можно увидеть, что вначале 1990-х Доллар находится
практически на минимуме, а уже с 2000 и по 2015 гг. он придерживается
отметки 30 рублей и наблюдаются небольшие скачки. В свою очередь Евро с
начала 2000 года и по 2007 также находится на отметке 30 рублей. После он
претерпевает небольшие изменения и стремится вверх. Но резкие изменения
курсов валют приходятся на кризис 2014-2015 гг. Если в 2014 году курс
Доллара США на начало года составлял примерно 32,6 руб., а Евро - 45,1
руб. то уже в начале 2015 года Доллар был на отметке 56,2 руб., а Евро – 68,3
руб. Это также можно наблюдать на графике.
2.2
Стохастический анализ как инструмент анализа валютных
курсов
Стохастический анализ представляет собой методику для изучения
факторов, взаимосвязь которых с результативными показателями считается
вероятностной (корреляционной).
23
К основным математико-статистическим методам исследования связей
при проведении стохастического моделирования относятся:
1.
Корреляционный
анализ
представляет
собой
способ
для
выявления связи и изучения ее тесноты между наблюдениями, которые
рассматриваются случайными, а также отобранными из совокупности,
распределенной согласно многомерному нормальному закону.
2.
Кластерный анализ - это многомерная статистическая процедура,
выполняющая сбор данных, содержащих информацию о выборке объектов, и
затем упорядочивающая объекты в сравнительно однородные группы
(кластеры).
Кластер
—
группа
элементов,
характеризуемых
общим
свойством, главная цель кластерного анализа — нахождение групп схожих
объектов в выборке [26].
3.
Дисперсионный анализ – это статистический метод, с помощью
которого можно оспорить или согласиться с гипотезой о том, что две
выбранные выборки будут принадлежать одной генеральной совокупности.
4.
Регрессионный анализ - статистический метод исследования
зависимости случайной величины от переменных [22].
В данной работе для анализа валютных курсов применялся метод
кластерного анализа.
Стохастическое моделирование решает следующие задачи:
3.
Определение
факта
наличия
связи
между
исследуемыми
признаками;
4.
Осуществление прогноза неизвестных значений результативных
показателей;
5.
Обнаружение причинных взаимосвязей исследуемых показателей
и определение воздействия на результативный показатель.
Стохастическое моделирование проводится следующим образом:
1.
Качественный анализ. Определение цели анализа, установление
результативных и факторных признаков, а также осуществление отбора
факторов;
24
2.
Количественный
анализ.
Он
предполагает
построение
регрессионной модели, то есть уравнения регрессии, а также вычисление
данного уравнения;
3.
Проверка адекватности модели. Проводится анализ правильности
уравнения связи и правомерность его применения на практике.
Также
рассмотрим
адаптивное
прогнозирование,
особенностью
которого является то, что прогнозы обновляются с наименьшей задержкой и
не требуется сложных математических вычислений.
Само адаптивное прогнозирование является моделью дисконтирования
данных, которое умеет стремительно адаптировать собственную структуру и
параметры к изменяющимся обстоятельствам.
Процесс адаптации можно описать следующим образом: модель
пребывает в определенном начальном состоянии и по ней осуществляется
прогнозирование. Необходимо выждать определенное время, так называемый
шаг прогнозирования, и далее провести оценку того, насколько далек
полученный по модели результат от фактического значения ряда. Ошибка
прогноза посредством обратной связи поступает на вход системы, и
применяется моделью согласно ее логике для осуществления перехода из
одного состояния в другое, чтобы произвести некое согласование своих
действий с динамикой ряда. На изменение ряда модель должна реагировать
«компенсирующими» преобразованиями. После данных действия происходит
прогнозирование
на
последующий
период,
и после
вся
процедура
повторяется вновь.
В ППП STATISTICA реализуется 12 типов адаптивных моделей,
дифференцированных по виду микротрендов (отсутствие тренда, линейные
тренды, экспоненциальные и демпфированные тренды), а также по характеру
вхождения сезонной компоненты (отсутствие сезонности, адаптивный и
мультипликативный характер сезонности). Традиционный критерий выбора
оптимальной модели – средняя абсолютная процентная ошибка.
25
Простейшим адаптивным методом прогнозирования является модель
экспоненциального сглаживания (модель Брауна). Суть данной модели
заключается в том, что сглаживание временного ряда происходит при
помощи взвешенной скользящей средней (экспоненциальная средняя), веса
при этом подчиняются экспоненциальному закону. При расчете в модели
используются предыдущие значения временного ряда.
Простейшая
формула
модели
экспоненциального
сглаживания
выглядит следующим образом:
где t - период, который предшествует прогнозному;
t+1 - прогнозный период;
- прогнозируемый показатель;
α - параметр сглаживания;
- фактическое значение исследуемого показателя за период, который
предшествует прогнозному;
- взвешенная средняя для периода, предшествующего прогнозному.
При осуществлении прогноза с помощью данной модели существует
две проблемы:
Выбор значения α;
Нахождение начального значения
От
параметра
сглаживания
зависит,
.
насколько
быстро
будет
уменьшаться воздействие предыдущих наблюдений.
Чем больше значение α, тем меньше воздействие предыдущих лет.
Если α имеет значение близкое к единице, то при прогнозировании
учитываются только последние наблюдения. Если параметр сглаживания
имеет значение близкое к нулю, то при осуществлении прогноза
учитываются все предыдущие наблюдения.
Выбор
можно сделать следующим образом:
26
1.
Если имеются сведения о развитии явления в прошлом, то в
таком случае можно использовать среднюю арифметическую и приравнять к
ней
2.
Если данные отсутствуют, то вместо
значение базы прогноза
применяют начальное
.
Информационные технологии в наше время широко применяются для
различных научных исследований, а также в сфере образования. Существует
множество программных средств и специализированных пакетов для
решения математических задач, использование которых способствует
улучшению образовательного процесса [1].
Такие программные инструменты, как MatLab и Statistica используются
в решении задач по теории вероятности и математической статистики.
Благодаря статистике возможна обработка данных большого объема.
MatLab создана К. Молером в конце 1970 – х годов. Она является
языком программирования, а также операционной системой одновременно.
У данной системы существуют некоторые особенности:
Сбор исследуемых данных и возможность их обработки;
Возможность генерации случайных чисел;
Результаты исследования могут быть визуализированы;
Формирование отчета;
Связь с другими программными инструментами, как Maple,
Mathcad, MS Word, MS Excel;
Большое количество встроенных функций;
Достаточно высокая скорость вычислений.
С помощью MatLab можно реализовывать следующие задачи [20]:
Математика и вычисления (можно производить анализ данных и
охватывает почти все области математики: матрицы и линейная алгебра,
многочлены, дифференциальные уравнения и так далее);
27
Разработка алгоритмов (включает в себя средства для разработки
программного обеспечения);
Вычислительный эксперимент, имитационное моделирование,
макетирование;
Анализ данных, исследование и визуализация результатов
(существует большое количество функций для построения графиков, а также
возможность их построения в трехмерном формате);
Научная и инженерная графика;
Разработка
приложений,
включая
графический
интерфейс
пользователя (возможность создать такие элементы управления, как кнопки,
поля ввода и другое).
Также в MatLab существует возможность создания инструментов,
которые содержат в себе определенные функции для решения конкретных
задач. Данные инструменты могут применяться во множестве сфер:
1.
Цифровая обработка сигналов, данных и изображений;
2.
Системы управления, которые включают в себя функции,
позволяющие облегчить проведение анализа и синтеза динамических систем,
осуществление проектирования, моделирование систем управления;
3.
Финансовый анализ позволяет с высокой скоростью и большой
эффективностью
осуществлять
сбор,
обработку
и
передачу
разных
финансовых данных;
4.
Анализ и синтез географических карт. Данный блок включает в
себя функции, помогающие сохранять и проводить обработку данных,
полученные в процессе исследования, в том числе и в реальном времени;
5.
Представление данных и их визуализация дает возможность
провести визуализацию научных сведений при помощи
технологий
виртуальной реальности и языка VRML, а также создавать интерактивное
киберпространство;
6.
Средства разработки позволяют создать самостоятельные, то есть
независимые, приложения из MatLab;
28
7.
Взаимодействие с внешними программами может помочь
сохранить данные в разном виде для того, чтобы была возможность работать
с данными и в других программных продуктах;
8.
Базы данных, которые включают в себя инструменты для работы
с ними;
9.
Научные
и
математические
пакеты
–
это
специальные
математические функции для решения различных научных и инженерных
задач, а кроме того, включающих в себя разработку генетических
алгоритмов, оптимизацию систем, решение задач в частных производных и
другое;
10.
Нейронные сети содержат в себе инструменты для проведения
анализа и синтеза нейронных сетей;
11.
Символьные вычисления, которые содержат инструменты для
работы с ними и дают возможность взаимодействия с символьным
процессором Maple.
Statistica является компьютерной системой, разработанной компанией
StatSoft, для проведения статистического анализа. Первая версия была
выпущена в 1991 году. В данном программном пакете возможно
осуществлять
анализ,
управление
и
добычу
данных,
а
также
их
визуализацию. Statistica может применяться в различных областях: контроль
качества,
анализ
рисков,
сегментация
потребителей
и
оценка
кредитоспособности заемщиков в банковской сфере, в сфере предоставления
финансовых услуг и в страховой деятельности и другое.
Пакет
предоставляет
пользователям
следующие
возможности
статистического анализа данных [18]:
исследование корреляций между переменными;
диаграмма рассеяния, матричная диаграмма рассеяния;
быстрые
основные
статистики
и
блоковые
статистики
(интерактивные средства, позволяющие одним щелчком мыши вычислять
29
основные статистики и строить графики в любой момент в течение сеанса
работы);
интерактивный
калькулятор
вероятностных
распределений
(позволяет интерактивно исследовать структуру распределений, например,
зависимость вероятности от параметров);
анализ многомерных откликов, многомерное шкалирование;
анализ при помощи временных рядов и прогнозирование
временных зависимостей, в том числе анализ сезонных колебаний.
Для отображения итогов статистической обработки применяются
различные
графики,
например,
гистограммы,
круговые
диаграммы,
вероятностные графики и другие.
Statistica имеет следующие особенности [11]:
реализован обмен данными между Statistica и Windows-
приложениями;
результаты анализа в виде графиков, таблиц и текста могут быть
сохранены в файле с форматом RTF, который открывается и редактируется в
MS Word;
возможность
расширения
системы
при
помощи
создания
программ на встроенном в Statistica языке программирования;
исходные данные из MS Excel можно легко импортировать в
Statistica;
возможность записи макросов для автоматизации выполнения
однотипных задач;
программа способна обрабатывать большие массивы данных –
базы данных с числом переменных до 32 000 и практически неограниченным
числом наблюдений.
Следует отметить, что в программном пакете Statistica существуют
различные модули, которые содержат в себе ряд процедур. В каждом модуле
есть возможность выполнить обработку без процедур из другого модуля.
Основные статистические модули:
30
1.
Основные статистики и таблицы. Данный модуль включает в
себя описательные статистики, в котором производится вычисление среднего
арифметического,
выборочной
дисперсии,
стандартного
отклонения,
максимальное и минимальное значения и так далее. Также имеется довольно
большой выбор критериев с целью проведения теста на нормальность
распределения, возможность удаления выбросов на графике и сглаживание
данных.
Корреляционные матрицы, в которых содержится огромное количество
средств для исследования связи между переменными путем расчета
коэффициентов корреляции.
t-критерии для зависимых и независимых выборок. Данная категория
операций позволяет провести проверку истинности статистических гипотез
относительно случайных величин с помощью проведения специальных
тестов.
Таблицы частот. Эта группа дает возможность построения таблиц
частот и гистограмм при выборе переменных. Значения переменных можно
разделить на различные классы и проводить их группировку случайным
образом.
Калькулятор вероятностных распределений позволяет рассчитать
свойства нормального вероятностного распределения, хи-квадрат, Стьюдента
и другое.
2.
Множественная регрессия. Данный модуль содержит в себе
средства различных регрессий (логарифмическая, экспоненциальная и так
далее),
которые
дают
возможность
вычислить
коэффициенты
в
регрессионных моделях (модели пользователь задает заранее).
3.
Нелинейное оценивание позволяет дать оценку нелинейным
моделям, которые были выбраны пользователем. Оценки коэффициентов
нелинейной модели могут быть построены с помощью оценок метода
наименьших квадратов, метода максимального правдоподобия или заданной
пользователем функции потерь. Пользователь может выбрать одну из
31
нескольких вычислительных процедур: квазиньютоновский метод, симплексметод и др. Кроме того, пользователь может сам определить любой тип
нелинейной модели, набрав соответствующее уравнение в редакторе
системы[8].
Большим плюсом модуля является то, что обрабатываемый файл не
имеет ограничений по размеру.
4.
Дисперсионный
анализ.
В
данном
модуле
существует
возможность оценки действия разных факторов на исследуемые данные, и
отметить из их числа наиболее важные. Для проверки ключевых
предположений
дисперсионного
анализа
существует
большой
набор
статистических операций, например, критерии Фишера, Кохрена и другие.
5.
Факторный
анализ.
Целью
факторного
анализа
является
выделение скрытых общих факторов, которые оказывают влияние на все
параметры объекта. Выделенные факторы помогают установить связь между
параметрами объекта.
6.
Непараметрическая статистика и подгонка распределения. В
рассматриваемом модуле можно провести сравнение с распределением
наблюдаемых
величин
и
разными
теоретическими
распределениями.
Существует возможность подвести данные к нормальному, логнормальному,
экспоненциальному
и
пуассоновскому
распределению.
То
насколько
подгонка будет точна можно проверить различными критериями (хи-квадрат,
Колмогорова-Смирнова и так далее).
7.
Анализ временных рядов и прогнозирование позволяют создать
модель, которая будет описывать ряд данных, сгладить их, провести
прогнозирование
наблюдаемых
будущих
вплоть
до
значений
данного
временного
момента,
ряда
создать
на
основе
регрессионные
зависимости между двумя рядами, осуществить спектральный анализ ряда и
так далее. Также модуль кроме всего перечисленного содержит в себе
операции для проведения автокорреляционного анализа.
32
8.
для
Кластерный анализ. В Statistica существуют различные методы
проведения
кластерного
анализа,
например,
метод
k-средних,
иерархическая кластеризация и двухвходовое объединение. Поступившие
данные можно подвергнуть кластеризации с помощью разнообразных мер
расстояния (евклидово, квадрат евклидова, манхэттеновское, Чебышева) и
различные правила организации кластеров (одиночная, полная связь,
невзвешенное и взвешенное попарное среднее по группам).
Следует отметить, что в проведенном исследовании использовались
такие статистические модули, как кластерный анализ и анализ временных
рядов и прогнозирование.
2.3 Прогнозирование валютных курсов на основе адаптивных
моделей
В ППП STATISTICA были сделаны адаптивные модели таких валют,
как Евро и Доллар США. Как уже говорилось выше адаптивные модели
можно разделить на две категории: по виду микротрендов и по характеру
вхождения сезонной компоненты. Данные для Доллара США можно увидеть
в таблице 2.1, а для Евро в таблице 2.3.
Таблица 2.1
Результаты поиска оптимальных параметров для различных типов
адаптивных моделей (по динамике курса доллара США)
Модель
Параметры
МАРЕ
лин+адд
0,900000
0,100000
0,100000
4,419043
эксп+адд
0,900000
0,100000
0,100000
4,525294
демп+адд
0,700000
0,100000
0,500000
4,227698
лин+мульт
0,900000
0,400000
0,100000
3,786155
эксп+мульт
0,900000
0,500000
0,100000
3,858954
демп+мульт
0,600000
0,100000
0,600000
3,745896
Наилучшей моделью является модель с демпфированными трендами и
мультипликативной сезонностью, а оптимальными параметрами являются –
33
0,6; 0,1; 0,6. Также были выделены сезонные составляющие и сделан прогноз
(таблица 2.2) и был приведен график наилучшей модели (рисунок 3).
Рис.3 Модель с демпфированными трендами и мультипликативной
сезонностью (Доллар США)
Таблица 2.2
Сезонные составляющие и прогноз для Доллара США
Сезонная
Прогноз
Фактические
составляющая
Ошибка
данные за
первую
половину 2019г.
101,6436
66,32352
69,4706
4,530092
104,0434
67,50442
65,3577
3,284578
104,0170
67,10006
65,8895
1,837258
99,1433
64,08687
64,7347
1,000749
97,1949
62,74305
64,6314
2,921719
96,4292
62,25277
65,3834
4,788112
97,1702
62,64864
100,0528
64,45926
100,8675
65,11735
99,1912
63,93922
34
Продолжение таблицы 2.2
98,4635
63,48623
101,7834
65,63435
Средним
значением
абсолютной
процентной
ошибки
является
3,060418.
Таблица 2.3
Результаты поиска оптимальных параметров для различных типов
адаптивных моделей (по динамике курса евро)
Модель
Параметры
МАРЕ
лин+адд
0,900000
0,100000
0,100000
4,098091
эксп+адд
0,900000
0,100000
0,100000
4,156901
демп+адд
0,800000
0,100000
0,400000
3,623533
лин+мульт
0,900000
0,500000
0,100000
3,637702
эксп+мульт
0,900000
0,700000
0,100000
3,715147
демп+мульт
0,700000
0,200000
0,500000
3,457283
Наилучшей моделью является модель с демпфированными трендами и
мультипликативной сезонностью, а оптимальными параметрами являются –
0,7; 0,2; 0,5. Прогнозная динамика для данной модели отображена на рис. 4.
Значения сезонной составляющей и прогноз представлены соответственно на
рис. 5 и в таблице 2.4.
35
Рис.4 Модель с демпфированными трендами и мультипликативной
сезонностью (Евро)
Таблица 2.4
Сезонные составляющие и прогноз для Доллара США
Фактические
Сезонная
составляющая
данные за
Прогноз
первую
Ошибка
половину 2019г.
100,83
76,23478
79,4605
4,059529
103,4386
78,05244
75,2006
3,792314
104,2019
78,21173
74,9691
4,325294
99,1290
74,90177
72,723
2,995978
98,1205
74,03935
72,3096
2,392141
97,0554
73,18041
72,8436
0,462372
96,8586
73,15255
99,5784
75,03606
101,9346
76,88403
100,3125
75,60632
98,3705
74,22567
100,1643
75,61746
36
Рис. 5. Сезонная волна динамики курса Евро
Среднее значение абсолютной процентной ошибки прогноза составляет
примерно 3%, что свидетельствует о хорошем качестве построенной модели.
2.4
Опыт
применения
интеллектуальных
технологий
к
исследованию валютных курсов: кластерный анализ
В данном разделе рассматривается задача поиска закономерностей в
динамиках
различных
валютных
курсов.
Эмпирическим
материалом
исследования послужили данные по тридцати трем мировым валютам и их
курсам, отраженным в статистике ЦБ России, за период 2014-2018 гг.:
Австралийский доллар (AUD), Азербайджанский манат (AZN), Армянский
драм (AMN), Белорусский рубль (BYN), Болгарский лев (BGN), Бразильский
реал (BRL), Венгерский форинт (HUF), Вон Республики Корея (KRW),
Датский крон (DKK), Доллар США (USD), Евро (EUR), Индийская рупия
(INR), Казахстанский тенге (KZT), Канадский доллар (CAD), Киргизский сом
(KGS), Китайский юань (CNY), Молдавский лей (MDL), Новый туркменский
манат (TMT), Норвежский крон (NOK), Польский злотый (PLN), Румынский
лей (RON), СДР (специальные права заимствования) (XDR), Сингапурский
доллар (SGD), Таджикский сомони (TJS), Турецкая лира (TRY), Узбекский
сум (UZS), Украинская гривна (UAH), Фунт стерлингов Соединенного
37
королевства
(GBP),
Чешский
крон
(GZK),
Шведский
крон
(SEK),
Швейцарский франк (CHF), Южноафриканский рэнд (ZAR), Японская иена
(JYP) (приложение 1).
Официальные курсы иностранных валют по отношению к рублю
устанавливаются
Центральным
банком
Российской
Федерации
без
обязательства покупать или продавать указанные валюты по данному курсу
[28].
В
качестве
статистических
параметров,
отражающих
характер
исследуемых динамик, нами предложены пять показателей.
1.Средний темп роста цены, определяемый как средняя геометрическая
(geometric mean- GM) имеющихся уровней ряда, отражающий интенсивность
изменения показателя в рассматриваемом периоде [14].
2.Стандартное отклонение (standard error - SE) уровней ряда. Данный
показатель показывает степень разброса значений от их среднего значения.
Формула стандартного отклонения следующая:
,
где n - число наблюдений.
3.Степень аномальности ряда (anomaly - An). Данный показатель
определяется аномальными уровнями временного ряда к общему числу
исследуемых точек.
отдельное
значение
При этом под аномальным уровнем понимается
уровня
временного
ряда,
которое
не
отвечает
потенциальным возможностям исследуемой экономической системы и
которое, оставаясь в качестве уровня ряда, оказывает существенное влияние
на значения основных характеристик временного ряда [2].
С целью выявления аномальных уровней применялся метод Ирвина.
Непосредственно для временного ряда рассчитывалось среднее значение,
которое
было
скорректировано
среднеквадратическим
отклонением,
совпадающее с прежде вычисленным стандартным отклонением:
t=2, 3, …,n.
38
Далее расчетные значения λ 2, λ 3 и т. д. сравнивались с табличными
значениями критерия Ирвина λ α, и если оказывались больше табличных, то
соответствующее значение yt уровня ряда считалось аномальным [2].
6.
Проверка
ряда
случайных
остатков,
который
будет
соответствовать нормальному распределению. В качестве таких остатков
были использованы значения:
Для проверки ряда на «нормальность» необходим метод, который
базируется на расчете асимметрии (asymmetry - As), определяющий уровень
симметричности кривой распределения:
Также вычисляется эксцесс (excess – E), который характеризует ее
островершинность:
У нормального распределения величины асимметрии и эксцесса равны
нулю [30]. Для данного распределения уровень близости к нулю
рассматриваемых показателей основывается на одновременном выполнении
двух неравенств:
39
В итоге был выбран общий коэффициент (AsE), который отображает
взвешенную сумму величин As и Е с весами:
7.
Значение
статистики
Дарбина-Уотсона,
которую
можно
вычислить по формуле:
Критерий Дарбина-Уотсона позволяет выявить взаимозависимость
между соседними остатками. Для принятия решения об отсутствии или
наличии автокорреляции определялись значения dU и dL, которые при
определенном
уровне
значимости
зависят
от
числа
объясняющих
переменных m и количества наблюдений n. Затем на отрезке [0, 4]
откладывались соответствующие интервалы и рассчитанное значение DW. В
зависимости от того, какому интервалу принадлежит DW, были сделаны
выводы об автокорреляции [5].
Обобщающие индикаторы динамик курсов валют за 2014-2018 гг.
представлены в таблице 2.5.
Таблица 2.5
Обобщающие индикаторы динамик курсов валют за 2014-2018 гг.
Валюта
GM
SE
An
AsE
DW
43,62
6,15
0,03
-0,34
0,12
43,06
11,29
0,09
0,60
0,15
Армянских драмов
17,60
27,85
0,03
1,56
0,14
Белорусских рублей
33,75
3,81
0,09
0,18
0,19
Болгарский лев
33,39
5,15
0,00
-0,58
0,12
Австралийский
доллар
Азербайджанский
манат
40
Продолжение таблицы 2.5
Бразильский реал
17,77
1,88
0,15
2,11
0,40
Венгерских форинтов
20,96
3,07
0,03
-0,55
0,12
50,23
8,79
0,03
-0,43
0,08
Датских крон
59,72
30,42
0,33
-0,27
1,37
Доллар США
55,85
11,30
0,03
-0,44
0,07
Евро
65,30
10,08
0,00
-0,58
0,12
Индийских рупий
65,65
27,34
0,18
0,56
1,02
Казахстанских тенге
20,71
4,68
0,03
1,29
0,11
Канадский доллар
44,50
6,58
0,00
-0,44
0,10
Киргизских сомов
77,10
19,26
0,18
5,13
2,17
Китайских юаней
56,52
31,33
0,24
-0,48
0,95
Молдавских леев
32,10
4,00
0,06
-0,46
0,17
16,77
2,57
0,03
-0,37
0,12
Норвежских крон
71,87
8,29
0,06
-0,41
0,17
Польский злотый
15,37
2,22
0,03
-0,56
0,13
Румынский лей
14,46
2,13
0,03
-0,53
0,13
79,43
14,08
0,03
-0,47
0,09
Сингапурский доллар
41,43
7,30
0,03
-0,43
0,08
Таджикских сомони
60,08
23,14
0,15
0,71
1,18
Турецкая лира
17,94
4,09
0,03
-0,31
0,09
Узбекских сумов
27,44
24,79
0,03
0,04
0,11
Украинских гривен
26,03
5,15
0,09
0,69
0,41
79,78
13,65
0,03
-0,36
0,11
Чешских крон
24,38
4,11
0,00
-0,64
0,10
Шведских крон
68,46
9,48
0,09
-0,39
0,14
Швейцарский франк
57,94
10,39
0,03
-0,48
0,10
43,55
5,68
0,12
-0,16
0,17
Вон Республики
Корея
Новый туркменский
манат
СДР (специальные
права заимствования)
Фунт стерлингов
Соединенного
королевства
Южноафриканских
рэндов
41
Продолжение таблицы 2.5
Японских иен
50,09
9,40
0,03
-0,59
0,09
Собственно кластерный анализ валютных курсов выполнялся на базе
метода k-средних в ППП STATISTICA 7.0 для выявления классов схожих
динамик курсов валют (рисунок 5).
Рис. 5 Иллюстрация использования ППП STATISTICA для
кластеризации
Работу данного метода можно описать так:
1. Сначала задается определенное разбиение данных на кластеры.
Далее рассчитываются центры тяжести кластеров;
2. Осуществляется передвижение точек: каждая точка движется к
наиболее близкому к ней кластеру;
3. Происходит вычисление центров тяжести новых кластеров;
4. Пока кластеры не прекратят меняться, либо количество повторений
не будет превышать установленное пользователем, шаги 2 и 3 будут
повторяться.
Окончательная конфигурация является искомой.
Перед проведением кластерного анализа следует обратить внимание на
масштаб и шкалы исследуемых признаков, и при необходимости привести
данные к более сравнимому масштабу [24]. Поэтому, в данном случае, нужна
стандартизация (рисунок 6).
42
Рис. 6 Иллюстрация стандартизации данных
Нормирование данных проводилось по следующей формуле:
Где
- среднее значение i-го показателя по курсам валют,
-среднеквадратическое отклонение i-го показателя
Кластеризация осуществлялась поочередно для k=2,3 кластеров, пока
уровень значимости
по переменным не будет меньше 0,05. Это требование
соблюдалось при разбиении исследуемых валют на пять кластеров.
Полученные кластеры приведены в таблице 2.6 и на рисунке 7.
43
Таблица 2.6
Обобщающие индикаторы динамик курсов валют за период 20142018 гг.
Кластер
1
GM
SE
An
AsE
DW
63,813112
26,296921
0,144000
1,129550
1,338037
Валюты – члены
кластера
DKK, INR, KGS,
CNY,TJS
AUD, KRW, USD,
2
59,040758
9,624185
0,021667
-0,446638
0,105860
EUR, CAD, NOK,
XDR, SGD, GBR,
SEK, CHF, JYP
AZN,AMD,BYN,B
25,328941
3
7,029564
0,035000
0,144224
GN, BRL, HUF,
0,166277
KZT, MDL, TMT,
PLN, RON, TRY,
UZS, UAH, GZK,
ZAR
Рис. 7 График средних для каждого кластера
44
Характерными особенностями первого кластера являются высокий
темп роста и высокая осцилляция, присутствует высокая аномальность и
вариативность.
Второй и третий кластеры практически не обладают характерными
чертами, так как все показатели являются усредненными. Единственное, что
явно можно заметить во втором кластере – это достаточно высокий темп
роста. Отличительной чертой второго и третьего кластеров является
устойчивость к аномалиям. Отметим также принадлежность одному
(второму) кластеру ключевых курсов валют: американского доллара, евро,
фунта стерлингов.
45
ГЛАВА 3. ЧИСЛЕННАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ
МОДЕЛЕЙ
3.1 Методика исследования валютных курсов различных стран
относительно общемирового эквивалента
Исходными данными проведенного исследования является динамика
по тридцати трем мировым валютным курсам на период с 01.01.2013 по
01.01.2020 года.
Каждая из валют на определенную дату выражена в рублевом
эквиваленте в некоторых единицах (1, 10, 100, 1000), которые для более
удобного в течение исследуемого периода могут изменяться. Динамика
рассматриваемых курсов во многом относительна с точки зрения своей
волатильности, темпов роста и других характеристик. Кроме того, рубль как
мировая валюта остается за рамками исследования. Цель - исследовать
динамику валютных курсов (включая и рубль) относительно некоторого
общемирового эквивалента.
Данную методику можно представить в виде схемы (рисунок 8):
Методика
исследования
Находим 33
массива с
включением
рубля
Вводим ВВП
и определяем
веса каждого
курса
Определяем
базисные
индексы
каждого вида
валюты
Находим
взвешенный
индекс
мирового
эквивалента
каждого курса
Полученные
34 курса
домножаем
на 10, 100
или 1000
Рис. 8 Этапы методики исследования валютных курсов различных
стран относительно общемирового эквивалента
46
1.
На основе исходного массива находим 33 новых массивов с
включением и рубля. Для этого каждую строку исходных данных делим на
соответствующее значение рассматриваемой валюты с домножением либо на
10,100 или 1000 (для благообразия представления). Полученные массивы
незначительно отличаются от оригинальных массивов данных валютных
курсов для рассматриваемых стран.
2.
Вводится
показатель
ранжирования
курсов,
а
также
определяются веса каждого курса в мировой валютной системе (в нашем
случае в качестве такого показателя был выбран номинальный ВВП по
методике расчета МВФ, средний за рассматриваемый период).
3.
Определяются базисные индексы валютных курсов относительно
каждого вида валюты для исследуемого периода, где за базу (100%) принят
январь 2013 года.
4.
Находим
взвешенный
индекс
мирового
эквивалента
относительно каждого валютного курса, умножая значения, полученные на
этапе 3, на соответствующие веса (этап 2).
В итоге получается 34 курса мирового валютного эквивалента
относительно каждого из 34 валютных курсов.
5. Если взять обратную величину, домноженную для удобства на 10,
100 или 1000, получаем курсы мировых валют относительно общемирового
эквивалента. Полученные данные можно далее исследовать с точки зрения
степени колеблемости, проводить их кластерный анализ и так далее.
3.2 Разработка методологии генерации и анализа валютных
курсов, приведенных к мировому эквиваленту
Структура программного модуля исследования в среде MatLab может
быть изображена в виде следующей схемы (рисунок 9):
47
Структура
модуля
Файл
cur.mat
Файл
GDP.mat
mфайл wigh
t.mwight.m
m-файл
rub.m
mфункция
dif.m
Curworld.
mat
Рис. 9 Структура программного модуля исследования в среде MatLab
Файл cur.mat включает значения 33 помесячных валютных курсов за
период 2014-2019 гг.;
Файл GDP.mat — вектор объемов ВВП в номинальном выражении;
m-файл wight.mwight.m, определяющий веса валютных курсов
m-файл rub.m — определение динамики курса рубля относительно
мирового эквивалента;
m-функция dif.m для определения динамики исследуемых курсов
относительно мирового эквивалента;
curworld — результирующий файл.
Код расчета динамики курса рубля относительно мирового эквивалента
(rub.m)
%Рублевая динамика
rub2=ones(1,34);
rubd=zeros(84,34);
rubd(1,:)=rub2*100;
for i=2:84
rubd(i,:)=cur(i,:)./cur(1,:)*100;
end
rub1=zeros(84,1);
for i=1:84
rub1(i,1)=w2*rubd(i,:)';
end
rubeq=10000./rub1
48
Рис. 10 Иллюстрация расчета динамики курса рубля относительно
Проценты
мирового эквивалента
Номер месяца
Рис. 11 Результат выполнения m-файла по оценке динамики курса рубля
Код m-файла wight.m
%Нахождение весовых коэффициентов
SumG=sum(GDP);
w=GDP/SumG;
s=sum(w)
%Корректировка весов
d=1/34;
49
w1=w;
w1(1,23)=d;
s2=sum(w1);
w2=w1/s2;
sum(w2)
Код расчета курсов валют относительно мирового эквивалента (файл
dif.m)
function deq=cureq(k)
d2=zeros(84,34);
for j=1:34
d2(:,j)=cur(:,j)./cur(:,k)*100;
end
dd2=ones(1,34);
ddd2=zeros(84,34);
ddd2(1,:)=dd2*100;
for i=2:84
ddd2(i,:)=d2(i,:)./d2(1,:)*100;
end
ddd=zeros(84,1);
for i=1:84
ddd(i,1)=w2*ddd2(i,:)';
end
deq=10000./ddd
Рис. 12 Иллюстрация расчета курсов валют относительно мирового
эквивалента
50
Проценты
Номер месяца
Проценты
Рис. 13 Динамика курса доллара США
Номер месяца
Рис. 14 Динамика курса евро
В результате данной методики за наблюдаемый период можно сделать
следующие выводы по динамикам курсов валют: рубль подешевел
практически в 2 раза, доллар США вырос приблизительно на 18%, а евро как
видно на рисунке имеет самый наибольший спад.
3.3 Уточненная типологизация курсов
51
Эмпирическим материалом для уточненной типологизации послужили
данные уже по 34 мировым валютам и их курсам, отраженным в статистике
ЦБ России, за период 2014-2019 гг.: Российский рубль (RUB), Австралийский
доллар (AUD), Азербайджанский манат (AZN), Армянский драм (AMN),
Белорусский рубль (BYN), Болгарский лев (BGN), Бразильский реал (BRL),
Венгерский форинт (HUF), Вон Республики Корея (KRW), Датский крон
(DKK), Доллар США (USD), Евро (EUR), Индийская рупия (INR),
Казахстанский тенге (KZT), Канадский доллар (CAD), Киргизский сом
(KGS), Китайский юань (CNY), Молдавский лей (MDL), Новый туркменский
манат (TMT), Норвежский крон (NOK), Польский злотый (PLN), Румынский
лей (RON), СДР (специальные права заимствования) (XDR), Сингапурский
доллар (SGD), Таджикский сомони (TJS), Турецкая лира (TRY), Узбекский
сум (UZS), Украинская гривна (UAH), Фунт стерлингов Соединенного
королевства
(GBP),
Чешский
крон
(GZK),
Шведский
крон
(SEK),
Швейцарский франк (CHF), Южноафриканский рэнд (ZAR), Японская иена
(JYP) (приложение 1).
В качестве параметров для осуществления первой кластеризации
использовались темп роста и волатильность.
Основные статистические
характеристики приведенных курсов представлены в таблице 3.1.
Таблица 3.1
Статистические характеристики приведенных курсов
Валюта
Российский рубль
Австралийский доллар
Азербайджанский манат
Армянский драм
Белорусский рубль
Болгарский лев
Бразильский реал
Венгерский форинт
Вон Республики Корея
Датская крона
Аббревиатура
Темп
роста
(%)
Ранг
RUB
AUD
AZN
AMD
BYN
BGN
BRL
HUF
KRW
DKK
63,8
84,4
69,2
97,1
60,8
98,9
73,6
92,6
106,1
95,9
29
21
28
10
32
8
27
17
2
13
52
Стандартное
отклонение
(степень
волатильности)
0,0466
0,0210
0,0491
0,0139
0,0352
0,0135
0,0419
0,0183
0,0184
0,0195
Ранг
4
13
3
28
9
29
6
22
21
19
Продолжение таблицы 3.1
Доллар США
Евро
Индийский рупий
Казахстанский тенге
Канадский доллар
Киргизский сом
Китайский юань
Молдавский лей
Новый туркменский
манат
Норвежская крона
Польский злотый
Румынский лей
СДР (специальные
права заимствования)
Сингапурский доллар
Таджикский сомон
Турецкая лира
Узбекский сум
Украинская гривна
Фунт стерлингов
Соединенного
королевства
Чешская крона
Шведская крона
Швейцарский франк
Южноафриканский рэнд
Японская иена
USD
EUR
INR
KZT
CAD
KGS
CNY
MDL
TMT
110,7
98,9
93,6
63,7
89,5
83,7
105,9
80,5
96,2
1
7
16
30
18
22
3
24
12
0,0096
0,0133
0,0192
0,0373
0,0180
0,0204
0,0119
0,0207
0,0227
32
30
20
8
24
15
31
14
10
NOK
PLN
RON
XDR
81,1
94,8
96,6
102,7
23
14
11
5
0,0213
0,0203
0,0150
0,0055
12
16
27
34
SGD
TJS
TRY
UZS
UAH
GBP
101,3
75,1
62,8
57,9
46,6
97,7
6
26
31
33
34
9
0,0074
0,0201
0,0425
0,0545
0,0706
0,0200
33
17
5
2
1
18
GZK
SEK
CHF
ZAR
JYP
93,6
89,3
104,9
75,2
87,9
15
19
4
25
20
0,0175
0,0181
0,0171
0,0394
0,0221
25
23
26
7
11
Можно увидеть, что положительный прирост имеется только у шести
валют (Вон Республики Корея, доллар США, Китайский юань, СДР,
Сингапурский
доллар,
Швейцарский
франк).
Наибольший
прирост
демонстрирует доллар США (за время наблюдения – на 10,7%). Абсолютный
аутсайдер
- украинская гривна: падение курса на 53,4% и наблюдается
наиболее высокая волатильность.
Кластеризация осуществлялась сначала для 2, потом уже для 3
кластеров, пока уровень значимости
по переменным не достигнет
необходимого уровня (не меньше 0,05). Оптимальным является разбиение на
3 кластера. Полученные кластеры приведены в таблице 3.2 и на рисунке 14.
Таблица 3.2
53
Обобщающие индикаторы динамик курсов валют за период 20142019 гг.
Кластер
Темп
Стандартное
роста
отклонение
83,94
0,020
Валюты – члены кластера
AUD, CAD, KGS, MDL, NOK, TJS, SEK,
1
JYP
AMD, BRL, HUF, KRW, DKK, USD, EUR,
2
99,27
INR, CNY, TMT, PLN, RON, XDR, SGD,
0,015
GBP, GZK, CHF
3
63,72
RUB, AZN, BYN, BRL, KZT, TRY, UZS,
0,046
UAH
График с редних для кажд. кл.
2,5
2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,5
-2,0
-2,5
Growth
Клас тер 1
Клас тер 2
Клас тер 3
Dev
Перемен.
Рис. 15 График средних для каждого кластера
Каждый из кластеров обладает своими особыми характеристиками.
Например, в первом кластере можно отметить небольшое сокращение курса
и
среднюю
волатильность,
второй
кластер
отличается
низкой
волатильностью, и принадлежностью к нему валют с наибольшим темпом
54
роста (доллар США, евро, китайский юань, фунт стерлингов, швейцарский
франк). Можно заметить, что данные валюты синхронны с общемировым
эквивалентом. Третий кластер имеет значительное сокращение курса и
достаточно высокую волатильность. К этому кластеру относятся валюты
стран бывшего СССР, а также турецкая лира и бразильский реал.
Вторая кластеризация осуществлялась уже по пяти переменным (темп
роста, стандартное отклонение, степень аномальности ряда, проверка на
соответствие нормальному распределению и статистика Дарбина - Уотсона),
то есть это уже более тонкая топологизация. Обобщающие индикаторы
динамик курсов валют за 2014-2019 гг. представлены в таблице 3.3.
Таблица 3.3
Обобщающие индикаторы динамик курсов валют за 2014-2019 гг.
Валюта
Российский рубль
Австралийский доллар
Азербайджанский манат
Армянский драм
Белорусский рубль
Болгарский лев
Бразильский реал
Венгерский форинт
Вон Республики Корея
Датская крона
Доллар США
Евро
Индийский рупий
Казахстанский тенге
Канадский доллар
Киргизский сом
Китайский юань
Молдавский лей
Новый туркменский манат
Норвежская крона
Польский злотый
Румынский лей
СДР (специальные права
заимствования)
Сингапурский доллар
GM
63,83
84,43
69,18
97,09
60,76
98,86
73,62
92,58
106,10
95,88
110,68
98,88
93,62
63,66
89,48
83,65
105,92
80,53
96,19
81,15
94,82
96,64
SE
0,05
0,02
0,05
0,01
0,04
0,01
0,04
0,02
0,02
0,97
0,01
0,01
0,02
0,04
0,02
0,02
0,01
0,02
0,02
0,02
0,02
0,01
An
0,00
0,06
0,06
0,12
0,03
0,03
0,03
0,06
0,03
0,06
0,06
0,06
0,15
0,00
0,03
0,00
0,06
0,03
0,03
0,03
0,00
0,03
AsE
-0,68
-0,16
-5,51
-1,88
-4,41
-0,28
-0,18
-0,40
0,36
-0,08
-0,22
-0,31
-0,59
-3,40
-0,57
-0,58
-1,23
-2,23
-6,59
0,65
-0,06
0,16
DW
1,43
1,95
2,09
1,98
1,63
1,98
2,14
2,03
2,14
3,00
1,77
1,90
1,99
1,31
2,19
1,83
2,11
1,80
2,20
2,24
2,37
1,98
102,67
101,34
0,01
0,01
0,06
0,12
0,59
0,36
2,09
2,06
55
Продолжение таблицы 3.3
Таджикский сомон
Турецкая лира
Узбекский сум
Украинская гривна
Фунт стерлингов Соединенного
королевства
Чешская крона
Шведская крона
Швейцарский франк
Южноафриканский рэнд
Японская иена
75,14
62,78
57,89
46,58
0,02
0,04
0,05
0,07
0,00
0,03
0,06
0,03
-2,13
-2,33
-8,32
-4,65
1,42
1,81
1,85
2,40
97,71
93,62
89,27
104,90
75,16
87,87
0,02
0,02
0,02
0,02
0,04
0,02
0,03
0,03
0,03
0,09
0,03
0,12
-0,66
-0,42
0,14
1,73
-0,35
0,43
2,28
2,08
2,13
2,45
2,55
2,01
В этом случае кластеризация осуществлялась поочередно для k=2,3
кластеров, пока уровень значимости
по переменным не будет меньше 0,05.
Оптимальным является разбиение также на 3 кластера. Полученные кластеры
приведены в таблице 3.4 и на рисунке 15.
Таблица 3.4
Принадлежность валют каждому кластеру
Кластер 1
Датская крона
Индийский рупий
Сингапурский доллар
Швейцарский франк
Японская иена
Кластер 2
Австралийский доллар
Болгарский лев
Бразильский реал
Венгерский форинт
Вон Республики Корея
Доллар США
Евро
Канадский доллар
Киргизский сом
Китайский юань
Молдавский лей
Новый туркменский манат
Норвежская крона
Польский злотый
Румынский лей
СДР (специальные права
заимствования)
Фунт стерлингов
Соединенного королевства
Чешская крона
Шведская крона
Южноафриканский рэнд
56
Кластер 3
Российский рубль
Азербайджанский манат
Белорусский рубль
Казахстанский тенге
Таджикский сомон
Турецкая лира
Узбекский сум
Украинская гривна
Граф ик с редних для кажд. кл.
3,0
2,5
2,0
1,5
1,0
0,5
0,0
-0,5
-1,0
-1,5
-2,0
-2,5
Growth
Dev
Anom
Asym
DW
Перемен.
Клас тер 1
Клас тер 2
Клас тер 3
Рис. 16 График средних для каждого кластера
Показатели первого кластера являются усредненными и практически не
имеют отличительных черт. Единственное, что можно отметить небольшой
темп роста и небольшую аномальность и вариативность.
Второй кластер отличается
большим сокращением курса, имеет
достаточно высокую волатильность и низкую аномальность. Ко второму
кластеру принадлежат ключевые курсы валют, как доллар США, евро и фунт
стерлингов.
Третий кластер достаточно непредсказуем. Он имеет небольшой темп
роста, очень высокую аномальность , немного низкую вариативность и
небольшую асимметрию. К данному кластеру принадлежат рублю, валют
бывших стран СССР и турецкая лира.
57
ЗАКЛЮЧЕНИЕ
В дипломной работе были рассмотрены различные теоретические
аспекты валютного курса такие как сущность, разновидность, различные
факторы, влияющие на курс в целом и как он влияет на экономику.
Поскольку валютный курс тесно взаимосвязан с макроэкономическими
процессами, то необходимо сначала его проанализировать, а после уже
осуществить прогнозирование, чтобы вовремя заметить отклонения в
изменении курсов.
Для
проведения
моделирование,
этапа
которое
анализа
включает
применялось
в
себя
стохастическое
кластерный
анализ,
предназначенный для оценки схожести исследуемых объектов, поэтому для
этого их необходимо сгруппировать в некие кластеры.
Также
можно
выделить,
как
одни
из
этапов
адаптивное
прогнозирование. В Statistica существует множество адаптивных моделей,
которые различаются по виду микротрендов и по характеру вхождения
сезонной компоненты. При проведении адаптивного прогнозирования для
доллара США и евро была выделена наилучшая модель – модель с
демпфированными трендами и мультипликативной сезонностью.
Далее
были
рассмотрены
пять
параметров,
которые
могут
охарактеризовать 33 выбранных валюты. К данным показателям относятся:
средний темп роста, стандартное отклонение, степень аномальности ряда,
проверка на соответствие нормальному распределению
и значение
статистики Дарбина-Уотсона. После была проведена кластеризация на
основе метода k-средних и были выделены три кластера, каждый из которых
обладает своими характерными чертами.
Важным этапом проведенного исследования является разработка
методологии, а уже после программного модуля, который позволит
проводить анализ каждого валютного курса обособленно, а если быть точнее
– в соотношении с мировым эквивалентом. Данный модуль разрабатывался в
таком программном продукте, как MatLab.
58
В
конце
разрабатываемой
темы
осуществлялась
уточненная
типологизация курсов мировых валют. Сначала она проводилась по двум
параметрам (темп роста и волатильность), а потом по пяти параметрам, то
есть типологизация уже является тонкой. В результате были выделены
кластеры с описанием их характеристик и принадлежащих к ним валютам.
59
СПИСОК ЛИТЕРАТУРЫ
1.
Ахметова Ф. Х., Ласковая Т. А., Чигирева О. Ю. Методика
обработки результатов эксперимента с помощью системы Matlab в курсе
«Математическая статистика» // Инженерный вестник. - 2016. - №4. – С.
1001-1011.
2.
Айвазян С.А. Прикладная статистика и основы эконометрики:
Учебник для вузов / С.А Айвазян, В.С. Мхитарян. – М.: ЮНИТИ, 1998. –
1022 с.
3.
Бакулина Т. С. Организация деятельности центрального банка /
Т. С. Бакулина. – Ульяновск: УлГТУ, 2009. – 147 с.
4.
Божечкова,
А.
В.
Анализ
факторов динамики реального
валютного курса рубля / А. В. Божечкова, П. В. Трунин ; Российская акад.
нар. хоз-ва и гос. службы при Президенте Российской Федерации
(РАНХиГС). - Москва : Дело, 2016. – 94 с.
5.
Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и
управление. - М.: Мир, 1974. Бып. 1. - 288 с.
6.
Валютное право : учебник / коллектив авторов ; под ред. В16
П.Н. Бирюкова, В.Е. Понаморенко. — М .: Ю СТИЦИЯ, 2016. — 286 с.
7.
Васильев В.И., Красилышков В.В., Плаксий С.И., Тягунова Т.Н.
Статистический анализ многомерных объектов произвольной природы.
Введение в статистику качеств. - М.: Издательство ИКАР, 2004. - 382 с.
8.
Вуколов Э. А. Основы статистического анализа. Практикум по
статистическим методам и исследованию операций с использованием
пакетов Statistica и Excel: учебное пособие. – 2-е изд., испр. и доп. – М.:
Форум, 2008. – 464 с.
9.
Для неэкономических специальностей: Учебное пособие / Под
общ. ред. к.э.н., доц. Л.В. Шарониной. – Таганрог: Изд-во ТТИ ЮФУ, 2011. –
132 с.
60
10.
Дрейпер Н. Прикладной регрессионный анализ. Множественная
регрессия / Норман Дрейпер, Гарри Смит. – 3-е изд. – М.: Диалектика, 2007.
912 с.
11.
Дюк В., Самойленко. А. Data mining: учебный курс (+CD). —
СПб: Питер, 2001. — 368 с.
12.
Дюран В., Одел П. Кластерный анализ. - М.: Статистика, 1977. -
13.
Левик И.И., Осипов В.А. Анализ динамики валютного курса и
128 с.
валютной политики в Российской Федерации // Международный журнал
прикладных и фундаментальных исследований. – 2016. – № 7-6. – С. 10261029.
14.
Международные валютно-кредитные отношения: учебник для
вузов / под ред. Л.Н. Красавиной. – 4-е изд., перераб. и доп. – М.:
Издательство Юрайт, 2014. – 543с.
15.
Международные валютно-кредитные и финансовые отношения
учебник для вузов, под ред. Л.Н. Красавиной. - М.: Финансы и статистика
2000. - 608 с.
16.
Международные экономические отношения (часть 1): учебник и
практикум для академического бакалвриата, 2-е издание переработанное и
дополненное/ Л.Н. Федякина, -М.: Юрайт. 2018. – 200с.
17.
Международный валютный рынок и валютный дилинг : учеб.
пособие / Е. Г. Князева, Н. Н. Мокеева, В. Б. Родичева, В. Е. Заборовский. –
Екатеринбург : Изд-во Урал. ун-та, 2014. – 120 с.
18.
Методы планирования и обработки результатов инженерного
эксперимента: Конспект лекций / Н.А.Спирин, В.В.Лавров. Под общ. ред.
Н.А.Спирина. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2004. – 257 с.
19.
Мировая экономика и МЭО: краткий курс лекций для студентов
2 курса 38.03.01 Экономика / Сост.: А.И. Пшенцова // ФГБОУ ВО
«Саратовский ГАУ». – Саратов, 2016. – 76 с.
61
20.
Особенности системы Matlab для решения задач вычислительной
математики: учебное пособие
/ сост. Е. А. Кочегурова; Томский
политехнический университет. – Томск: Изд-во Томского политехнического
университет, 2013. – 110 с.
21.
Райзберг Б. А.. Словарь современных экономических терминов /
Б. А. Райзберг, Л. Ш. Лозовский. — 4-е изд. — M.: Айрис-пресс, 2008. — 480
с.
22.
Соколов Г.А. Введение в регрессионный анализ и планирование
регрессионных экспериментов в экономике: Учебное пособие / Г.А. Соколов,
Р.В. Сагитов. - М.: Инфра-М, 2016. - 352 c.
23.
Суслов В. И. , Эконометрия / В. И. Суслов, Н. М. Ибрагимов, Л.
П. Талышева, А. А. Цыплаков. – Новосибирск: СО РАН, 2005. – 744 с.
24.
Теплякова Т.Ю. Валютное регулирование: учеб. пособие. – Ул.:
УлГТУ, 2008. – 78 с.
25.
валютного
Тимофеев С. А., Юрьев В. Н. Модели прогнозирования динамики
курса
на
основе
анализа
фундаментальных
показателей
экономики // Научно - технические ведомости СПбГПУ. Экономические
науки. – 2013. - №2. – С. 146-152.
26.
Тюрин А.Г., Зуев И.О. Кластерный анализ, методы и алгоритмы
кластеризации // Вестник МГТУ МИРЭА. – 2014. - №2. – С.86-97.
27.
Хмыз, О.В. Мировая валютная система и курсы валют / О.В.
Хмыз. - М.: МГИМО-Университет, 2019. - 560 c.
28.
Центральный
[https://cbr.ru/currency_base/]:
Банк
База
данных
Российской
по
курсам
Федерации
валют.
(Дата
обращения:30.10.2019)
29.
Шульгин А.Г. Валютный курс и международные финансы: учеб.
пособие. - М.: НФПК, 2003. - 141 с.
30.
Эконометрика. Начальный курс. Магнус Я.Р., Катышев П.К.,
Пересецкий А.А. - 6-е изд., перераб. и доп. - М.: Дело, 2004. — 576 с.
62
Отзывы:
Авторизуйтесь, чтобы оставить отзыв