Особенности технологической компании

Хочу продолжить рассмотрение ценообразования акций высокотехнологических компаний.

Мне по душе всегда были милы акции Honeywell International Inc. (HON), которая занимается производством и разработкой различных компонент для аэрокосмической отрасли (хотя компания многоотраслевая, которая совмещает как машиностроительное так и химическое производство, как производство полупроводников так и систем управления и пр.). Откуда и достаточно предсказуемый график динамики цены (см. рис 1) и высокая доходность акций.

Рис. 1 Динамика цен акций Honeywell International Inc. (источник данных: NYSE)

Все разворотные моменты ценообразования легко определяются логопериодическим анализом, и соответствуют кризисам технологических компаний и общим рыночным. Углы падения достаточно точно предсказываются углами предыдущего ценового подъема, и т.д. Т.е. синергетические методы определяют развороты достаточно точно.

А вот за движением вдоль линии тренда до разворота удобно использовать эконометрические методы анализа. Например, авторегрессионные (см. статью «Прогнозируемые акции»), которые в общем случае обозначают AR(p), или модели скользящего среднего (см. статью «Трудности и перспективы новой компании»), которые обозначают как MA(q).

Но если уж можно прогнозировать и обрабатывая фактические значения строя модели AR(p), и обрабатывая ошибки прогнозирования строя модели MA(q), то возникает вопрос - почему нельзя построить модель, которая бы учитывала совместную обработку известных данных? Можно. И такая модель носит название ARMA(p,q).

Как правило, такие модели более компактные, хотя формула включает как составляющие одной исходной модели, так и другой. Но можно и экспериментировать.

Дело в том, что трейдеру, как правило, необходимо иметь информацию как будет двигаться цена на несколько шагов вперед. А вот в данном случае наиболее оптимальная модель для анализа акций HONбудет AR(1). Т.е. фактически можно использовать только один временной лаг для прогнозирования. Чтобы убедиться в этом достаточно сделать перебор моделей с оценкой по критерию Шварца, либо построить коррелограмму, изображенную на рисунке 2.

Рис. 2 Диаграмма изменения коэффициента автокорреляции в зависимости от временного сдвига цен акций Honeywell International Inc. (собственный расчет)

Видно, что наибольший коэффициент автокорреляции наблюдается при временном сдвиге с единичным лагом. Большую информацию можно получить, рассчитав парциальные коэффициенты автокорреляции, результат расчета которых можно увидеть на рисунке 3.

Рис. 3 Диаграмма изменения парциального коэффициента автокорреляции в зависимости от временного сдвига цен акций Honeywell International Inc. (собственный расчет)

Из этой диаграммы следует, что наибольшую информацию об изменении цены несет, конечно же, сдвиг с единичным лагом, и коэффициент α в модели AR(1) в таком случае можно интерпретировать как коэффициент ценового роста. Но ведь достаточно сильные влияния наблюдаются и на 4-м, 5-м и 12-м сдвиге. Для месячных данных этой информацией можно ограничиться, т.к. наибольшее отклонение наблюдается именно при сдвиге на год, что говорит о достаточно сильной сезонности в ценообразовании (к слову, определяют сезонность, используя модель AR(1) + AR(12)).

Поэтому для расчета будущих прогнозных значений можно взять модель с лагами 1, 4, 5, 12. А затем, чтобы поднять статистическую значимость модели, подставив полученные прогнозные данные «сгладить» моделью ARMA(1,1).

Учитывая все вышесказанное получаем параметры базовой модели C = 1477,361, AR(1) = 0,942298, AR(4) = 0,884645, AR(5) = -0,786007, AR(12) = -0,041077, MA(1) = 0,035725, MA(4) = -0,989890, MA(5) = -0,060704, MA(12) = 0,065301. И параметры сглаживающей модели C =-607.9893, AR(1) = 1,001574, MA(1) = 0,063340.

Прогноз соответствующий этой базовой модели изображен на рисунке 4.

Рис. 4 Прогноз ценовой динамики акций Honeywell International Inc. (собственный расчет)

Т.о. прогнозируется небольшая коррекция в четвертом квартале этого года, а в остальном будет наблюдаться почти непрерывный рост. Более точно можно будет сказать, исследуя в текущем режиме дневные данные.