Вопросы профессионального отбора, подбора и обучения в настоящей работе исследуются на примере операторской деятельности в процессе бурения скважин, при капитальном подземном ремонте их, добыче, подготовке, транспорте нефти и газа, ремонте оборудования. Цель профессионального отбора и подбора состоит в предсказании двух характеристик индивида во-первых, успешности его продвижения в учебном процессе (способность к обучению) во-вторых, эффективности его действий в реальной рабочей обстановке во всех возможных ситуациях, включая экстремальные условия [10, 22]. [c.250]
Различие заключается в том, что позитивные утверждения эмпирически проверяемы, а нормативные — нет. Более того, в то время как позитивные теории занимаются предсказанием наблюдаемого явления, нормативные имеют дело с утверждениями типа средство—цель , например если значимые характеристики поставленной задачи могут быть представлены моделью X, а вы желаете получить В, делайте А . Основная проблема здесь в том, что нормативные утверждения никак нельзя опровергнуть. К примеру, если мы делаем А, но происходит С (вместо В), это не опровергает предписания вовсе, так как мы не знаем, достаточно ли адекватно модель X описывала обстоятельства [12, с.228]. [c.114]
Проще всего это можно проиллюстрировать на примере планирования оборота. Тот, кто осуществляет у себя этот процесс способом прибавления, например, 10% к прошлогоднему уровню для получения плана на предстоящий год, занимается прогнозированием. В принципе, прогноз - это не что иное, как продолжение тренда по обороту из прошлого в будущее. Важен тот факт, что все математические и статистические расчеты по улучшению прогнозов и повышению степени точности предсказаний еще остаются в области прогнозирования Например, речь может идти о том, чтобы выявить определенную закономерность в динамике оборота за последние годы и разработать некую модель роста. Если это удастся сделать, то при составлении прогнозов будет обеспечена большая их надежность. Однако модели предсказаний, построенные-с использованием математико-статистических методов, а также с помощью компьютера, не заменяют настоящее планирование (хотя часто такая замена очень удобна). [c.193]
Для нашего примера расходов на рекламу в размере 10 интервал предсказания зависимой переменной (объема продаж) с уровнем доверительности в 95% находится в пределах [10,5951 21,8361]. Его границы определяются следующим образом (обратите внимание, что в Случае 2 Y = 16,2156) [c.265]
Подобного рода сжатие информации является примером извлечения из непомерно большого числа входных переменных наиболее значимых для предсказания признаков. Способы систематического извлечения признаков уже были описаны в прошлых главах. Их можно (и нужно) с успехом применять и к предсказанию временных рядов. [c.154]
Одним из самых "больных мест" в финансовых предсказаниях является дефицит примеров для обучения нейросети. Финансовые рынки, вообще говоря, не стационарны (особенно российские). Появляются новые финансовые инструменты для которых еще не накоплена история, изменяется характер торговли на прежних рынках. В этих условиях длина доступных для обучения нейросети временных рядов весьма ограничена. [c.155]
Однако, можно повысить число примеров, используя для этого те или иные априорные соображения об инвариантах динамики временного ряда. Это еще одно физико-математическое понятие способное значительно улучшить качество финансовых предсказаний. Речь идет о генерации искусственных примеров получаемых из уже имеющихся применением к ним различного рода преобразований. [c.155]
Поясним основную мысль на примере. Психологически оправдано следующее предположение игроки обращают внимание в основном на форму кривой цен. а не на конкретные значения по осям. Поэтому если немного растянуть по оси котировок весь временной ряд то полученный в результате такого преобразования ряд также можно использовать для обучения наряду с исходным. Мы, таким образом, удвоили число примеров за счет использования априорной информации, вытекающей из психологических особенностей восприятия временных рядов участниками рынка.3 Более того, мы не просто увеличили число примеров, но и ограничили класс функций, среди которых ищется решение, что также повышает качество предсказаний (если, конечно, использованный и н вари ант соответствует действительности). [c.155]
Если принять, что целью предсказаний финансовых временных рядов является максимизация прибыли, логично настраивать нейросеть именно на этот конечный результат. Например, при игре по описанной выше схеме для обучения нейросети можно выбрать следующую функцию ошибки обучения, усредненную по всем примерам из обучающей выборки [c.159]
Приведенные выше примеры показывают как важно уметь правильно оценить качество предсказания и как можно использовать эту оценку для увеличения прибыльности от одних и тех же предсказаний. [c.162]
Когда мы говорим о том, как важно установить соотношения изменений роста и прибыльности отраслей и компаний и динамики макроэкономических факторов, мы не имеем в виду, что в большинстве случаев такие явные и логичные взаимосвязи показателей динамики существуют и остается только их открыть и измерить. В большинстве случаев результат зависит от слишком многих переменных, и тесной корреляции между ними во многих случаях не существует. Не менее важно выявить те отрасли и компании, изменение которых не оказывает никакого или почти никакого влияния на изменение макроэкономических переменных. Когда удается выявить отсутствие взаимозависимости, аналитик должен найти другие основы для предсказания будущего. Ниже для иллюстрации этой идеи приводятся несколько примеров, в которых господствующими оказывались неэкономические факторы роста. [c.77]
Конечно, этот пример построен на идеальном провидении инвестора. На самом деле точное предсказание краткосрочных колебаний цены акций является задачей куда более сложной, а часто и невозможной. Если бы инвестор в действительности купил апрельский 55-долларовый опцион, результат оказался бы весьма плачевным. [c.319]
В другом контексте, рыночные крахи представляют собой прекрасные примеры событий, которые мы все были бы рады предсказать. Стрела времени непреклонно движет нас к неопределенному будущему. Предсказание будущего захватывает воображение всех нас и, возможно, является самой значимой и трудной задачей. Пророки ужасали или вдохновляли массы в истории своим видением будущего. Наука, в основном, избежала этого вопроса, сосредоточившись на другом виде предсказания, предсказания новых явлений, (а не событий будущего) например, предсказание Эйнштейном существования отклонения света полем тяготения солнца. Я же в данной работе, не уклоняясь от этой сложнейшей задачи, хочу показать, как научный подход к предсказанию обеспечивает замечательные результаты. Книга состоит из 10 глав, первые шесть глав из которых обеспечивают подготовку для понимания того, почему и как происходят большие финансовые крахи. [c.13]
Следующий пример, позаимствованный из области климатологии, хорошо иллюстрирует данный вопрос. Принимая во внимание все большее единогласие в вопросе глобально потепления, поучительно вспомнить, что в 1970-х годах ученые были обеспокоены похолоданием на земле, которое, по прогнозам того времени, могло закончиться новым ледниковым периодом, похожим на тот, что был зафиксирован в 1400-1800, а возможно, и более суровым [61, 368, 429, 155] Теперь, когда проблема глобального потепления является общепризнанной, оглядываясь в прошлое, мы понимаем, насколько недальновидными были эти прогнозы. По сути, в настоящие дни ситуация мало в чем изменилась оценки незначительных изменений в будущем или прогнозы по темпам экономического роста достаточно хороши, но предсказания сильных рецессии и крахов почти всегда крайне ненадежны. Например, полное единодушие относительно реальности и значимости проблемы глобального потепления основывается на ярко выраженной тенденции в течение всего двадцатого века, которая, в конце концов, позволила преодолеть уровень неопределенности. Мы подчеркиваем, что этот консенсус касается не предсказания разворота или смены режима. Другими словами, ученые способны распознать тенденцию, если находятся внутри ее нам понадобились данные за 100 лет, чтобы извлечь из них четкий сигнал о присутствующей тенденции глобального потепления. В противоположность этому, доступная на сегодняшний день ученым технология не подходит для прогнозирования большинства изменений трендов. [c.314]
Демографы обычно строят отчеты о популяции, отфильтровывая данные по возрасту, стадии развития, региону и тому подобное. Группирование и управление для таких переменных, считается критическим для демографического развития и для любого надежного предсказания популяции. Здесь же мы предлагаем отличающуюся стратегию, основанную на агрегированных данных, что оправдывается следующей концепцией чтобы получить значимое предсказание на агрегированном уровне, часто более уместно изучить агрегированные переменные вместо "локальных" переменных, которые могут пропустить общую картину, акцентировавшись на каких-либо специфических особенностях. Вот пример из материаловедения - предсказание отказа гетерогенных материалов, подвергнутых давлению, может быть выполнено двумя методами. Ученые-материаловеды часто анализируют в точных деталях форму волн акустической локации или других признаков повреждений, происходящих от микротрещин внутри материала Однако, это очень мало помогает в предсказании полного отказа, который часто является обобщенным глобальным явлением [193], следующим из взаимодействий и взаимовлияний между многими различными микротрещинами, зарождающимися, растущими и разрушающимися в пределах материала Этот пример, действительно, показывает, что объединение всей акустической локации в единственную агрегированную переменную значительно улучшает предсказание [215]. Точно так же экономическое и финансовое развитие США, Европы и других частей мира взаимозависимо из-за существования нескольких механизмов соприкосновения (обмен товарами, услугами, передача научных исследований, иммиграция и т.д.) [c.353]
Утверждение, что ситуации, включающие мыслящих участников, содержат элемент неопределенности, щедро подкрепляется нашими повседневными наблюдениями. Однако это заключение не было в целом принято экономической или общественной наукой. На самом деле оно даже редко предлагалось в такой прямой форме, как я здесь изложил. Наоборот, идея неопределенности настойчиво отвергалась представителями общественных наук, которые утверждают, что могут объяснять события посредством научного метода. Маркс и Фрейд являются яркими примерами, но основатели классической экономической теории также лезли из кожи вон, чтобы исключить рефлексивность из предмета их изучения, несмотря на важность этого понятия для финансовых рынков. Только теперь становится понятно почему. Неопределенность, отсутствие четких предсказаний и удовлетворительных объяснений могут угрожать профессиональному статусу науки. [c.19]
Эллиотт утверждал "Эта теория была тщательно проверена и успешно использовалась подписчиками в предсказании движений рынка" (р. 107). В другом месте он замечает "Письма по вопросу о завершении волны будут опубликованы позднее, а не перед завершением курса. В этой области изучающие могут сами научиться делать свои собственные прогнозы и причем бесплатно. Само явление и его практическое применение становятся все более интересными, поскольку рынок непрерывно раскрывает новые примеры, к которым можно применять неизменные правила" (р. 137). [c.17]
Моя собственная работа с теорией Эллиотта с различных позиций в течение 15 лет не подтверждает утверждения, что структура волн позволяет делать предсказания. Эта структура слишком сложна, особенно у коррективных волн. Правило чередования чрезвычайно полезно, но не сообщает нам, к примеру, ожидать ли [c.17]
Эллиотт выполнил огромную работу по идентификации растяжений и их классификации в соответствии с подсчетом волн, но при этом его стратегия претерпела радикальное изменение. Эллиотт утверждает, что, овладев его теорией, мы можем заранее предсказывать ценовые движения. Однако, несмотря на красоту, заключенную в самом наблюдении растяжений, как форм на чартах, это не инструмент предсказания. Предсказание подразумевает, что, если текущая цена составляет 60.00, мы предвидим, что она дойдет, к примеру, до 70.00. Мы не верим, что это возможно с высокой точностью, но попытаемся доказать, что, если цена достигает расчетного уровня в 70.00, можно входить в короткую сделку, ожидая обращения цены на понижение. Это в точности противоположно тому, что пытаются делать последователи Эллиотта. [c.56]
Бег времени неумолимо переносит нас в неясное будущее. Предсказание будущего - это, наверное, самая трудная задача, которая пленяет воображение всех людей. Пророки на протяжении всей истории приводили в ужас или вдохновляли массы своими видениями. До недавнего времени, наука по большей части избегала этого вопроса, фокусируя свое внимание на предсказаниях другого рода, относящихся к ранее неизвестным явлениям, таким как предсказание Эйнштейном отклонения света гравитационным полем солнца, ускользающей частицы, названной Паули нейтрино, промежуточный бозон электрослабой теории Вайнберга (Weinberg) и Салама (Salam). Это лишь несколько примеров. Предсказания будущего, имеющие научную основу и использующие, как правило, компьютеризированные математические модели - более современное явление, которые все глубже проникают в современное общество, стремящееся контролировать окружающую среду и снижать степень рисков. В действительности, попытки прогнозировать будущее тщетны, поскольку ученые еще не открыли все физические законы. Кроме того, в характеристике систем и для настоящего, и для будущего остается значительная доля неопределенности, что в результате дает высокую степень неточности. Следовательно, хотя математическое моделирование и компьютерная симуляция делают возможными разумные прогнозы, они всегда остаются неточными результаты, по определению, есть лишь модель реальности, а не сама реальность. [c.313]
В этом примере предсказанный прирост ВВП за шестой год был равен 2,9%, а фактическая доходность акций Widget составила 13%. Следовательно, уникальная доходность акций Widget (обозначенная et) в этом конкретном году была равна 3,2%. Это число было получено путем вычитания величины ожидаемой доходности, соответствующей предсказанному приросту ВВП в 2,9%, из фактической доходности, равной 13%. В этом случае ожидаемая доходность акций Widget составила бы 9,8% (4 + 2 х 2,9%). Тем самым специфическая доходность получается равной +3,2% (13% - 9,8%). [c.292]
Рассмотрим применение GAR H на примере предсказания изменчивости доходности стерлинговых активов в долларах США. [c.357]
Другой классический пример предсказания опционным объемом неожиданных прибылей компании произошел с акцией Sybase (SYBS) весной 1995 года. Поданный случай касался понижения цен на акцию, предсказанное высоким объемом торговли путами на Sybase в течение значительного периода времени. [c.144]
Для предсказания динамики инфляции необходимо учитывать взаимное влияние основных факторов экономического развития и определить соответствующие временные лаги. Обычно же изучение вопроса ограничивается анализом динамики денежной массы и индекса потребительских цен. В разных странах разрабатываются различные модели прогнозирования уровня инфляции, учитывающие специфику данной национальной экономики. Приведем, как пример, модель MODJS, разработанную в США для прогнозирования уровня инфляции. В этой эконометрической модели были использованы следующие факторы — аргументы [c.149]
Чтобы обосновать свое мнение, специалисты по прогнозированию опираются на разнообразные источники информации и методы прогнозирования. К примеру, прогнозы макроэкономического и отраслевого масштаба порой требуют применения эконометрических моделей, в которых учитывается взаимодействие многих экономических переменных. В других случаях специалист может использовать статистические модели для анализа и прогнозирования динамических рядов. Прогнозы спроса будут отчасти опираться на прогнозы состояния макроэкономической среды они также могут основываться на формальных моделях, которые специалисты по маркетингу разработали для предсказания поведения потребителей, или на последних опросах потребителей, которые оказались в распоряжении менеджеров компании3. [c.773]
Еще больше ухудшает дело то, что большинство математических исследований доказывают, что реально рынок не может быть предсказан. Они стремятся утверждать, что любой, кто переиграл (outperforming) индексный фонд, просто попал в струю победителей. Может ли это быть правдой Рассмотрим пример. Случался ли с вами в Лас-Вегасе выигрышный день Если вы там бывали, конечно. А уикенд Или неделя Возможно, вы сможете ответить "да" на все эти вопросы, несмотря на то, что вы точно знаете - шансы казино математически корректно перевешивают ваши. А что если вопрос распространить на всю вашу жизнь Будете ли вы обыгрывать казино всю вашу жизнь Этот ответ будет, однозначно, "нет", если вы когда-нибудь играли в казино сколько-нибудь длительный период времени. [c.205]
Есть одна вешъ, которая выделяется на этих диаграммах - подразумеваемая волатильность, видимо, колеблется меньше, чем фактическая волатильность. Это кажется естественной функцией процесса прогноза волатильности. Например, во время рыночного краха, подразумеваемые волатильности опционов повышаются весьма скромно. Это можно посмотреть на примере ОЕХ-опциона на Рис. 136. Единственная теневая область появилась на графике, когда рынок имел довольно сильную распродажу в течение октября 1999 года. В предыдущих годах, когда были даже более серьезные рыночные снижения (октябрь 1997, или август-октябрь 1998), фактическая волатильность ОЕХ лишь кратковременно поднималась выше подразумеваемой волатильности (см. Рис. 137). Другими словами, торговцы опционами и маркет-мэйкеры предсказывают волатильность, когда они устанавливают цену на опцион, и каждый имеет тенденцию предсказывать в среднем, поскольку экстремальное предсказание, скорее всего, будет неправильным. Конечно, все равно можно оказаться неправильным, если фактическая волатильность быстро прыгает. [c.216]
Одна из наиболее типичных ошибок новичков — неадекватная реакция на заявления аналитиков. Приведем один пример. Предположим, вы прочитали в газете, что биржевые аналитики с Уолл-стрит ожидают значительный рост прибылей некоторой компании. Что вы будете делать Наверное, покупать. А что следует делать Если у вас есть акции этой компании, то нужно немедленно их продать. Все, что говорят аналитики, уже отражено в цене акций, и если компания оправдает надежды, то с акциями ничего не произойдет, а если не оправдает, то цена будет падать. Например, в 1973 году аналитики предсказали трехкратное увеличение прибылей компании IBM за ближайшие 10 лет. Заманчиво, не так ли Но если бы вы в то время инвестировали в акции IBM 1000 долларов, то через десять лет реально они усохли бы до 762 долларов. За это время прибыли IBM действительно выросли в 3,35 раза, (аналитики не ошиблись), но цена акиий упала, так как все предсказания сбылись, сюрприза не было, и инвесторы переключились на другие, более обещающие компании. [c.134]
Суть этой проблемы лучше всего объяснить на конкретном примере. Пусть обучающие примеры порождаются некоторой функцией, которую нам и хотелось бы воспроизвести. В теории обучения такую функцию называют учителем. При конечном числе обучающих примеров всегда возможно построить нейросеть с нулевой ошибкой обучения, т.е. ошибкой, определенной на множестве обучающих примеров. Для этого нужно взять сеть с числом весов большим, чем число примеров. Действительно, чтобы воспроизвести каждый пример у нас имеется Р уравнений для W неизвестных. И если число неизвестных меньше числа уравнений, такая система является недоопределенной и допускает бесконечно много решений. В этом-то и состоит основная проблема у нас не хватает информации, чтобы выбрать единственное правильное решение - функцию-учителя. В итоге выбранная случайным образом функция дает плохие предсказания на новых примерах, отсутствовавших в обучающей выборке, хотя последнюю сеть воспроизвела без ошибок. Вместо того, чтобы обобщить известные примеры, сеть запомнила их. Этот эффект и называется переобучением. [c.63]
Согласно полученным выше оценкам ошибка классификации на таком классе задач порядка 10%. Это, конечно, не означает, что с такой точностью можно предсказывать что угодно. Многие относительно простые задачи классификации решаются с большей точностью, поскольку их эффективная размерность гораздо меньше, чем число входных переменных. Напротив, для рыночных котировок достижение соотношения правильных и неправильных предсказаний 65 35 уже можно считать удачей. Действительно, приведенные выше оценки предполагали отсутствие случайного шума в примерах. Шумовая составляющая ошибки предсказаний должна быть добавлена к полученной выше оценке. Для сильно зашумленных рыночных временных рядов именно она определяет предельную точность предсказаний. Подробнее эти вопросы будут освещены в отдельной главе, посвященной предсказанию зашумленных временных рядов. [c.65]
Известным примером такой предсказательной категоризации является периодическая система элементов Менделеева, в которой изначально были определены три пустые клетки для впоследствии обнаруженных новых химических элементов. Итак, минимизирующие энергию нейронные сети типа сети Хопфилда могут использоваться для предсказания существования новых классов объектов. [c.106]
Начнем с этапа погружения. Как мы сейчас убедимся, несмотря на то, что предсказания, казалось бы являются экстраполяцией данных, нейросети, на самом деле решают задачу интерполяции, что существенно повышает надежность решения. Предсказание временного ряда сводится к типовой задаче нейроанализа - аппроксимации функции многих переменных по заданному набору примеров - с помощью процедуры погружения ряда в многомерное пространство (Weigend, 1994). Например d -мерное пазовое пространство ряда X, состоит из [c.149]
Заметим, однако, что теоретическая предсказуемость вовсе не гарантирует достижимость практически значимого уровня предсказаний. Количественную оценку предсказуемости конкретных рядов дает измерение кросс-энтропии, также возможное с помощью методики box- ounting. Для примера приведем измерения предсказуемости приращений индекса S P500 в [c.151]
Основная специфика предсказания временных рядов лежит в области предобработки данных. Процедура обучения отдельных нейросетей стандартена. Как всегда, имеющиеся примеры разбиваются на три выборки обучающая, валидационная и тестовая. Первая используется для обучения, вторая - для выбора оптимальной архитектуры сети и/или для выбора момента остановки обучения. Наконец, третья, которая вообще не использовалась в обучении, служит для контроля качества прогноза обученной нейросети. [c.153]
Если в проблеме рейтингования задачей нейросети было воспроизвести мнения экспертов о надежности корпорации, то нейросетевое предсказание банкротств основано на статистической обработке конкретных примеров банкротств. В такой постановке задача нейросети - самой стать экспертом, определяющим финансовую стабильность корпорации, основываясь исключительно на объективной информации - показателях финансовой отчетности. Обычно от нейросети требуется оценить вероятность банкротства через определенный промежуток времени (например, через год или через два года) по доступной на данный момент финансовой отчетности. В качестве входов используют финансовые индикаторы - отношения балансовых статей, наиболее полно отражающие определенные стороны финансового положения фирмы. [c.187]
Характерный пример использования статистики жилищного строительства для прогнозирования бизнес цикла и предсказания действий центрального банка дает следующая выдержка из недавней статьи в газете Washington Post, где приводятся соображения в пользу того, что FED не будет поднимать ставки на заседании 5 октября. После заседания 24 августа объявленная позиция FED заключалась в том, что ставки останутся неизменными до конца 1999 года, если только неожиданно сильные экономические индикаторы не изменят это мнение центрального банка. Но инфляция, как показали последние данные, находится на минимальном за 33 года уровне и прочие индикаторы также не дают основания сомневаться в некотором [c.74]
Глава 9 объясняет, как предсказывать крахи, а также другие крупные рыночные события и подробно исследует подходы к прогнозированию и свойственные им ограничения, в особенности, в терминах горизонта видимости и ожидаемой точности. Подробно представлены несколько социологических исследований, с тщательным подсчетом успехов и неудач. Глава 9 также представляет концепцию "антипузыря", избрав в качестве примера Японский крах с начала 1990-х и до настоящего времени. Предсказание было сделано и опубликовано в январе 1999 и до сих пор его результаты совпадают с реальной динамикой с замечательной точностью, правильно предсказав несколько изменений трендов, что является заведомо трудной задачей при использовании стандартных методов экономического прогноза. [c.15]
Наиболее легко слухи регистрируются для экстраординарных событий. Вот несколько замечательных примеров. Относящаяся к двухтысячному году ошибка -один из наиболее известных слухов, с необузданной дезинформацией. Слухи, утверждения, предсказания, демагогия, взрывы гнева, объяснения и опровержения изобиловали настолько, что для обывателя было почти невозможно отделить факты от вымысла. Другой пример - полностью ложный слух относительно Американской Почтовой службы, который циркулировал по интернетовской электронной почте. Сообщение электронной почты утверждало, что "Конгрессмен Шнелл" представил "законопроект 602Р", позволяющий федеральному правительству налагать 5 центовый дополнительный налог на каждое сообщение электронной почты, доставленное по Интернету. Деньги собирались бы интернет-провайдерами и затем передавались бы Почтовому ведомству. Никакого такого законодательного предложения не существует. В действительности, никакого [c.117]
Типично для школы Санта-Фе, Палмер (Palmer) и др. [329,21,258] моделируют трейдеров как, так называемые "генетические алгоритмы", которые являются программными созданиями, маскирующимися под адаптивные и развивающиеся биологические гены, которые конкурируют за выживание и репликацию. Эти интеллектуальные алгоритмы делают предсказания о будущем, покупают и продают акции в соответствии с их ожиданиями будущего риска и дохода. При определенных характеристиках определено, что эти компьютерные агенты способны коллективно обучаться, чтобы создавать гомогенное рациональное равновесие ожиданий, то есть динамически обнаруживать экономическое равновесие, воображаемое чисто теоретическими экономистами. В этом высоко конкурентном искусственном мире, ген-трейдер, решающий сделать себе "каникулы" теряет свою "рубашку" при возвращении назад, на арену рынка акций, потому что он больше не приспособлен к новым структурам, которые были развиты рынком в его отсутствии Фармер (Farmer)[123] упростил этот подход, используя аналогию между финансовыми рынками и экологией стратегий. Во множестве примеров, он показывает, что разнообразие появляется автоматически, поскольку новые стратегии эксплуатируют неэффективность старых стратегий. [c.138]
В конечном счете, только предсказания вперед могут продемонстрировать пользу от этой теории (см. раздел "Прямые предсказания" далее в этой главе), так что время покажет. Однако, множество примеров, приведенных в главах 7 и 8, а также анализ далее в этой главе, указьгеают на ее интересный предсказательный потенциал. Тем не менее, основной вопрос касается возможности использования надежной схемы прогнозирования крахов, если таковая существует. Предположим, что проявилось предсказание краха, в котором говорится, что, начиная с сегодняшнего дня, через один - два месяца произойдет крах с амплитудой 20%-30%. В данном случае возможна реализация как минимум трех сценариев [217] [c.320]
В данном примере, идеальная стратегия следования тренду стремится зафиксировать самые крупные движения цены за определенный интервал времени. Следовательно, оптимальная окупаемость - утртюгРтш- Очевидно, что эта стратегия получит наибольшую пользу от предсказания краха. Также необходимо отметить инвестиционные стратегии, использующие финансовые производные, такие как опционы "пут" и "колл". Опцион "пут" представляет собой естественный инструмент для подкрепления предсказания приближающегося краха. Вспомним, что опционы "пут" (известные также под названием опционы продажи) дают право (но не обязывают), полученное от противоположной стороны (скажем, банка), продавать акцию по предварительно выбранной цене, называемой ценой исполнения, за определенный период времени. Когда реальная рыночная цена акции падает намного ниже цены исполнения, опционы "пут" становятся очень ценными, поскольку инвестор может покупать акции на рынке по низкой цене и продавать их банку по высокой цене исполнения опциона, забирая, таким образом, разницу. Рычаг, заложенный в опционах "пут", берет свое начало из того обстоятельства, что начальная цена может быть очень низкой, если цена исполнения изначально выбирается как более низкая по сравнению с ценой основного финансового инструмента, поскольку трейдер ничего не выигрывает от продажи по цене ниже рыночной. Если крах возникает до того, как опцион достигает своего срока истечения и, как следствие, цена падает близко или ниже цены исполнения, изначально не имеющий практически никакой ценности опцион внезапно приобретает большую ценность. Его цена может подскочить на коэффициент, исчисляющийся сотнями для больших крахов, что соответствует потенциальным прибылям в десятки тысяч процентов Но говорить об это значительно легче, чем делать, так как точный расчет времени имеет огромное значение. [c.344]
Предсказанный треугольником "прорыв" или быстрое движение в противоположном направлении, проходит приблизительно расстояние самой широкой части треугольника. Это указание, вероятно, означает минимальное продвижение в 495 пунктов (1067-572) от значения Доу в 777, или к отметке 1272. Так как граница треугольника протянулась ниже, то январь 1973 года, возможно, добавит еще около 70 пунктов к "ширине треугольника", следовательно, прорыв может дойти до отметки в 1350. Даже этот прогноз может быть только первой остановкой, так как протяжение пятой волны следует определять не просто по треугольнику, но по модели волны IV целиком, где треугольник является лишь частью. Следовательно, необходимо сделать вывод о том, что начало бычьего рынка в августе 1982 года, в конце концов, может реализовать свой полный потенциал на отметке, превышающей начальный уровень в пять раз, приравнивая его в процентном отношении к рынку 1932-1937 г.г., т.е. прогнозируя точку 3873-3885. Данная цель может быть достигнута или в 1987 или в 1990 г.г., так как пятая волна может быть простой формы. Интересное наблюдение в связи с этой целью состоит в том, что она соответствует 1920м годам, когда после 17-ти летнего бокового движения ниже отметки 100 (аналогично отметке 1000 последнего примера), рынок взлетел почти без остановки к внутридневной вершине 383. Что касается этой пятой волны, то такое движение, видимо, завершит не только рост Основного волнового уровня, но и рост Суперуровня. [c.130]