Прогнозирование доходности финансовых инструментов: использование интерактивных средств моделирования и визуализации

Статья посвящена вопросам автоматизации прогнозирования доходности финансовых инструментов посредством разработки инструментария для интерактивного управления параметрами стохастических моделей доходности, расчетов и визуализации результатов с использованием языка программирования R и библиотеки Shiny. Цель исследования заключается в создании web-приложения, с помощью которого у пользователя появляется возможность управлять всеми ключевыми показателями, влияющими на итоговую стоимость финансового инструмента, точно настраивать модель, по которой будут строиться траектории доходности. Для демонстрации связи того или иного параметра модели на итоговый финансовый результат реализована графическая интерпретация расчетов, что позволяет в режиме реального времени оценивать отклик модели на изменение любого параметра. В качестве математической базы при построении web-приложения использовались модель геометрического броуновского движения, метод Монте-Карло. Методология исследования основана на применении методов математического моделирования прогнозирования цен актива в условиях неопределенности. Основное внимание в работе приложения уделено вопросам интерактивной визуализации результатов симуляции как реакции на изменение состояния интерфейса пользователем. Данный подход позволяет пользователю в реальном времени работать в пространстве параметров модели, отслеживая и контролируя реакцию системы на все свои действия. Также в приложении реализованы функции оценки возможных сценариев изменения стоимости активов с учетом волатильности, ожидаемой доходности и ряда других характеристик. Результаты, полученные в ходе разработки и практического использования приложения, показывают высокую степень управляемости поведением модели с помощью визуальных элементов интерфейса приложения, наглядность представления в оценке ожидаемой доходности, а также возможность адаптации модели под различные финансовые инструменты. Заложенные в приложении варианты сценариев демонстрируют, как любые незначительные изменения входных параметров отражаются на наблюдаемых показателях актива, что подчеркивает важность интерактивного стохастического анализа в процессе принятия инвестиционных решений. Результаты исследования могут применяться в образовательных целях для изучения инструментов количественной оценки рисков и доходности, а также в инвестиционном анализе. Разработанное приложение демонстрирует инкапсуляцию сложных математических методов и понятий, оставляя пользователю наглядные и интуитивно понятные визуальные инструменты исследования финансовых рисков и прогнозирования доходности активов.

1. Лукьянов П. Б., Мелехина Т. Л. Визуализация результатов исследования на примере динамической оценки показателей национальных целей. Самоуправление. 2022;5(133):42–45. URL: https://elibrary.ru/rraimr

2. Лукьянов П. Б. Интерактивное моделирование экономических потерь при планировании кормосмесей Информационно-измерительные и управляющие системы. 2023;21(6):38–47. DOI: 10.18127/j20700814–202306–05

3. Лукьянов П. Б. Разработка инструментария для оценки и измерения потерь, связанных с дисбалансом кормления сельскохозяйственных животных. Мягкие измерения и вычисления. 2023;72(11–1):5–14. DOI: 10.36871/2618–9976.2023.11.001

4. Buckner D., Dowd K., Hulley H. Arbitrage problems with reflected geometric Brownian motion. Finance and Stochastics. 2024;(28):1–26. DOI: 10.1007/s00780–023–00525-x

5. Fathi Vajargah K., Shoghi M. Simulation of Stochastic differential equation of geometric Brownian motion by quasiMonte Carlo method and its application in prediction of total index of stock market and value at risk. Mathematical Sciences. 2015;(9):115–125. DOI: 10.1007/s40096–015–0158–5

6. Graf S., Korn R. A guide to Monte Carlo simulation concepts for assessment of risk-return profiles for regulatory purposes. European Actuarial Journal. 2020;(10);273–293. DOI: 10.1007/s13385–020–00232–3

7. Вардомацкая Е. Ю., Асоблева П. С. Имитационное моделирование инвестиционных рисков методом Монте-Карло. Материалы и технологии. 2022;(1):50–57. DOI: 10.24412/2617–149X‑2022–1–50–57

8. Бусленко Н. П., Голенко Д. И., Соболь И. М., Срагович В. Г., Шрейдер Ю. А. Метод статистических испытаний (Монте-Карло). М.: Физматгиз; 1962. 332 с. URL: https://elibrary.ru/zgemdt

9. Мясоедова В. А. Сравнение технологий создания интерактивных веб-приложений на примере Dash и Shiny. Modern Science. 2021;(1–1):479–482. URL: https://elibrary.ru/wkbkbi

10. Combs P., Erickson J., Hsieh Ju.H., Guo K., Nolte S., Schmitt Ch., Auerbach S., Hur Ju. Tox21enricher-shiny: An R shiny Application for Toxicity Functional Annotation Analysis. Frontiers in toxicology. 2023;5. DOI: 10.3389/ftox.2023.1147608

11. Sanz S., Kreitchmann R. S., Nájera P., Moreno J. D., Martínez-Huertas J.A., Sorrel M. A. Foco: a shiny app for formative assessment using cognitive diagnosis modeling Psicologia educative. 2023;29(2):149–158. DOI: 10.5093/psed2022a14