Аналіз ефективності методів технічного аналізу при прогнозуванні фондових індексів

Ставицький, А., & Тараба, В. (2020). Аналіз ефективності методів технічного аналізу при прогнозуванні фондових індексів. Вісник Київського національного університету імені Тараса Шевченка. Економіка, (211), 53–62. https://doi.org/https://doi.org/10.17721/1728-2667.2020/211-4/5

Проаналізовано прибутковість методів технічного аналізу для семи фондових індексів за останні десять років, а також розглянуто загальну динаміку фондових індексів. Відповідно до отриманих результатів прибутковість технічного аналізу зросла останнім часом через зміну умов на ринку, натомість для періоду 2010–2018 років прибутковість методів технічного аналізу була значно нижчою. Аналіз показав, що найкращі результати розглянуті методи технічного аналізу продемонстрували на китайському, індійському та гонконгському фондових індексах, найгірші – на американському, європейському та японському фондових індексах. Проте стійкість розглянутих методів, як виявилося, досить низька. Це пов'язано з тим, що їхня прибутковість сильно змінюється зі зміною вибірки. Розглянуто також питання агрегування сигналів технічного аналізу та сигналів ARIMA-моделей. Для цього для кожного з розглянутих у роботі фондових індексів підібрано оптимальні ARIMA-моделі, і відповідно на основі прогнозів за цими моделями для кожного індексу отримувалися сигнали на відкриття чи закриття короткої або довгої позиції. Зазначено, що для трьох із семи індексів оптимальною ARIMA-моделлю виявилася модель "білого шуму": у такому випадку отримана модель не використовувалася для побудови прогнозів та подальшого отримання сигналів. Агрегування сигналів дозволило отримати прибутковість, вищу за середньоринкову на п'яти з семи розглянутих фондових індексів: американському, європейському, китайському, гонконгському та корейському фондових індексах. Для тестування методів технічного аналізу на історичних даних, підбору оптимальних ARIMA-моделей та тестування стратегії, що базується на агрегуванні сигналів, використано Python та R. Отримані результати можуть бути використані для розробки торгових стратегій.