Студопедия

КАТЕГОРИИ:


Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748)

Список использованных источников. Концептуальная схема системы прогнозирования




Концептуальная схема системы прогнозирования

Выводы

Результаты применения нейронных сетей для решения задачи прогнозирования курсов валют показали, что статическая нелинейная система может быть обучена так, чтобы выполнять анализ валютных рынков на начальном уровне. В целом, в большинстве из описанных в данном разделе опытов, были получены положительные результаты. Однако необходимы дальнейшие исследования, прежде чем описанные в данном разделе методики можно будет использовать в торговом зале. Не смотря на то, что результаты некоторых опытов оказались многообещающими, однозначно о возможности построения на основе рассматриваемых моделей гибкой многопараметрической системы торговли, позволяющей получать устойчивую прибыль, говорить нельзя. По результатам опытов можно высказать ряд предложений, реализация которых, возможно, могла бы способствовать получению более точных прогнозов и разработке готовых для практического применения торговых стратегий.

Во-первых, выбранный подход формирования входного (обучающего и тестового) множества не предусматривал оптимизации. Выбор иного, более продуктивного подхода к формированию входного множества, вносит в модели прогнозирования потенциал улучшения результатов. Известно, например, что последние данные более значимы для обучения. Кроме того, финансовые ряды сильно зашумлены, особенно на коротких промежутках времени (внутридневных котировках), что затрудняет обучение и определение правил торговли. Плохая обучаемость нейросетей в задачах прогнозирования может быть вызвана также внутренней противоречивостью данных в обучающем множестве. Необходима методика тщательного отбора образов, которая на момент выполнения опытов не была известна.

Во-вторых, архитектура нейросетей (количество и структура слоев), используемых в рассматриваемых опытах, задавалась исходя из эмпирических соображений, в то время как в рамках решения задачи прогнозирования на основе ИНС, может быть поставлена задача оптимизации архитектуры ИНС, под конкретное обучающее множество. Включение этапа оптимизации архитектуры ИНС в процесс решения задачи прогнозирования перед этапом обучения ИНС, может существенно повысить качество прогноза.

В-третьих, чтобы эффективно обучать ИНС предсказывать финансовые рынки внутри дня, необходимо использовать самые передовые методы обучения ИНС, например генетические алгоритмы. При практической реализации опытов, рассмотренных в подразделах 2.4.1 и 2.4.2, использовать методы генетической оптимизации синаптических весов ИНС не представлялось возможным в виду отсутствия необходимого програм­много обеспечения.

В-четвертых, для улучшения качества прогнозов, задача формирования комитета нейроэкспертов может быть расширена. Процесс формирования комитета можно разбивать на несколько этапов, на каждом из которых происходит отбор наилучших, с точки зрения критерия, на каждом этапе. В итоге в комитет включаются только лучшие нейроэксперты, которые обеспечивают наиболее точные прогнозы.

Рассмотренные в данном подразделе предложения учитываются при построении структурной модульной схемы программного комплекса, использующего нейросетевые методы прогнозирования финансовых рынков.

Сегодня на рынке присутствует достаточное количество программ, реализующих нейросетевые подходы для решения задач прогнозирования. Однако, не всегда они учитывают все потребности пользователей. Например, попытки применения в РИА «РосБизнесКонсалтинг» для прогнозирования цены акций программ, имеющихся на отечественном рынке, показали, что задачи подготовки исходных данных и оформления результата решены в них удовлетворительно. Работа с этими программами оказалась возможной только после написания дополнительных программ для подготовки данных и интерпретации результатов. По результатам тестирования, аналитиками РИА «РосБизнесКонсалтинг» был сделан такой вывод, чем тратить собственные средства на улучшение потребительских качеств чужой программы, лучше создать собственную программу для собственных же нужд. Описанный здесь опыт одного из крупнейших российских информационно-аналитических агентств показывает, что имеет смысл разрабатывать собственную систему прогнозирования.

Область применения будущей разработки должна быть жестко ограничена прогнозами финансовых показателей, еще одно требование к программе – максимальный комфорт для будущих пользователей. Работа с программой не должна отнимать у пользователя много времени, а результаты ее работы должны удобно интерпретироваться и быть максимально приспособлены к использованию в существующей отчетности. Другими словами, разрабатываемая система прогнозирования не должна стать еще одной нейросетевой программой, которая может применяться во всех областях, в том числе и в области прогнозирования движения цены.

На рисунке 2.30 представлена концептуальная схема системы прогнозирования. Рассмотрим назначение основных модулей этой схемы, а также технологию работы с предложенной системой.

Как видно из предложенной схемы, вся система разбивается на несколько модулей, которые, в том числе, могут оформляться в виде отдельных EXE файлов, что позволило бы использовать их, например, для формирования других систем. Параметры настройки всех модулей должны задаваться в виде сценариев, и не требовать вмешательства оператора во время обработки данных. Часть параметров в системе может задаваться в виде диапазона и шага, с которым этот диапазон необходимо пройти. В процессе работы система сама сможет выбирать значения из диапазона значений параметров, которые наилучшим способом соответствуют решению задачи. Это значит, что системой сможет пользоваться не только опытный специалист в области нейросетей, но и новичок. Разница между ними будет заключаться только в том, что новичок будет задавать большие диапазоны значений и меньший шаг, т.е. на решение задачи будет расходоваться больше машинного времени. По мере продвижения новичка в предметной области и приобретения им опыта использования программы, он будет точнее задавать параметры системы, обрабатывая больше моделей за единицу рабочего времени.

Как показывает практика, значительную часть технологического цикла решения прогнозных задач с применением нейронных сетей занимает подготовка массива входных данных. Через интерфейс модулей загрузки данных из внешних источников, обработки данных, формирования обучающих и тестовых множеств система получает и обрабатывает данные
о финансовых показателях. Учитывая специфические особенности
системы, данные должны поступать в виде временных рядов. Формируемые модулем обучающие и тестовые множества должны быть адекватны

 

 

Лист оставлен под концептуальную схему прогнозирования (рис. 2.30)

 


решаемой задаче, т.е. множество входных данных должно обеспечивать не только сходимость процесса обучения, но и точность прогнозирования. Описанные обстоятельства подводят к выводу о том, что в модуль формирования входных множеств необходимо включить оптимизационные алгоритмы.

Модуль торговых стратегий (проектов) должен позволять описывать правила торговли пользователя. При построении торговой стратегии необходимо обеспечить возможность использования лимитных и/или стоп-приказов, учитывать комиссионные, маржу и проскальзывание. Проверка торговой стратегии, использующей правила, нейросетевые предсказания и индикаторы, должны проводиться на исторической базе данных системы. Моменты покупки/продажи могут отображаться на графике, чтобы у пользователя была возможность уже при тестировании торговой системы понять, насколько прибыльна ее работа. Система должна поддерживать возможность проверки на исторических данных любой торговой системы, в том числе и системы, построенной без использования нейромоделей.

Модуль формирования комитета совместно с модулем оптимизации нейронных сетей обеспечивают формирование такой выборки нейросетей, которая обеспечивает наилучшие результаты при прогнозировании.
Такой отбор может производиться по следующей схеме. Среди множества обученных конфигураций нейросетей проводится отбор победителей на двух этапах по критерию надежности. Первый отбор сетей-кандидатов
для решения прогнозной задачи происходит на этапе их обучения, второй - на этапе применения. Процентное соотношение отобранных на этапе обучения нейроэкспертов к общему числу обученных сетей-кандидатов может доходить до 1%. Т.е. в комитет может попадать, например,
только каждая сотая нейросеть. Прогноз строится системой на основе линейной комбинации лучших отобранных из комитета на этапе применения нейроэкспертов.

Задача обучения возлагается на модуль обучения нейросетей. Как показывает практика, для того, чтобы нейронная сеть смогла отыскать зависимости во временном ряде, необходимо использовать передовые алгоритмы обучения. Хорошие результаты сегодня показывают методы обучения, базирующиеся на генетических алгоритмах.

В модуле интерфейса пользователя реализовывается обеспечение работы пользователя с системой. Рассмотрим технологическую цепочку работы с предложенной системой прогнозирования.

На первом шаге пользователь создает проект (торговую систему, стратегию), при помощи встроенных возможностей описывает ее, устанавливает ключевые параметры. В тех местах, где в системе предполагается использовать прогнозы нейронных сетей, настраиваются модели прогнозирования.

На втором этапе для каждой модели прогнозирования настраиваются параметры модулей, связанных с процессом обучения нейроэкспертов и получения результатов: какие данные требуются, где они могут быть найдены, шаблоны преобразования входных и выходных величин, параметры алгоритма обучения, настройки оптимизации модели и т.п. На этом этапе пользователь может также сам участвовать в создании базы данных с финансовыми показателями.

После установления всех параметров торговой системы, ей может быть отдан сигнал, на запуск процессов оптимизации торговой системы (проекта), поиска оптимальной архитектуры нейронных сетей и обучения нейэкспертов. Прогнозирующая система должна уметь в автоматическом режиме осуществлять эти процессы. Обучение нейроэкспертов, самый критичный по времени процесс, может протекать в фоновом режиме постоянно, т.е. возобновляться каждый раз при включении компьютера. Чем больше система обучит нейроэкспертов, тем больше возможностей выбора появляется у нее при формировании комитетов.

После обучения достаточного для формирования комитетов количества нейроэкспертов, по правилам описанным в торговой системе (проекте), прогнозирующая система может генерировать сигналы, которые можно рассматривать как непосредственные приказы на торговлю. Можно предусмотреть несколько способов подачи сигнала на торговлю, например, через интерфейс пользователя – посредством сообщений, аудио и видеоэффектов, через локальные сети и Интернет – посредством сервиса ICQ, передачи сообщения на пейджер, передачи непосредственного приказа брокеру.

Благодаря такому подходу к организации диалога, пользователь вообще освобождается от необходимости следить за рынком, а сосредоточиться на проектировании и разработке новых торговых стратегий (проектов). По мнению экспертов, такой подход к организации торговли на финансовых рынках является оптимальным.

 

 


 

ЗАКЛЮЧЕНИЕ

 

 


Заключение

В заключение хочется отметить, что использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. С уверенностью можно полагать, что появление столь мощного и эффективного инструмента не перевернет финансовый рынок, и не «отменит» традиционные матема­ти­чес­кие и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети приходят и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы

Результаты применения нейронных сетей для решения задач прогно­зи­рования курсов валют в данной работе показали, что статическая нелинейная система может быть обучена так, чтобы выполнять анализ валютных рынков и прогнозировать курсы валют. В половине из описанных в работе опытов, были получены результаты, на основе которых разработаны прибыльные стратегии торговли. Можно заключить, что работа по созданию собственной автоматизированной системы прогнозирования имеет перспективы и может быть продолжена. Сегодня многие крупные фирмы и частные лица имеют собственные разработки в области технологий прогнозирования с использованием ИНС, но они не торопятся обнародовать их, предпочитая получать доход от непосредственного использования своих систем.

Однако, нужно учитывать тот факт, что хотя нейросеть и является механизмом, способным решить широкий класс задач, но правила управления этим механизмом пока что находятся на уровне догадок и эвристических соображений. Таким образом, прежде чем описанные в работе методики можно будет использовать для торговли на реальном рынке, необходимо провести дополнительные исследования.

 

СПИСОК ИСПОЛЬЗОВАННЫХ

ИСТОЧНИКОВ

 

 


1. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП, 1997. - 236 с.

2. Де Марк Т. Технический анализ - новая наука. - М.: Диаграмма, 1997.

3. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия “Учебники экономико-аналитического института МИФИ” под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. – 224 с.

4. Змиртович А.И. Интеллектуальные информационные системы. - Мн.: НТООО «ТетраСистемс», 1997. - 368 с.

5. Лиховидов В.Н. Практический курс распознавания образов. - Владивосток, Изд-во ДВГУ, 1983.

6. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. - Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.

7. Меладзе В. Курс технического анализа - М.: Серебряные нити, 1997. - 272 с.

8. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. - М.: Инфра-М, 1995. - 176 с.

9. Пискулов Д.Ю. Теория и практика валютного дилинга = Foreign Exchange and Money Market Operations: Прикладное пособие. - 3-е изд., испр. и доп. - М.: Диаграмма, 1998. - 256 с.

10. Сорос Дж. Алхимия финансов/ Пер. с англ. Аристова Т.С. - М.: ИНФРА-М, 1999. - 416 с.

11. Уошем Т. Дж., Паррамоу К. Количественные методы в финансах: Учебное пособие для ВУЗов/ Пер. с англ. под редакцией М. Р. Ефимовой. - М: Финансы, Юнити, 1999. - 527 с.

12. Элдер А. Как играть и выигрывать на бирже/ Пер. с англ. М. Волковой, А. Волкова. - М.: Крон-Пресс, 1996. - 336 с.

13. Эрлих А. Технический анализ товарных и фондовых рынков. М.: Юнити, 1996.

14. Анил К. Джейн, Жианчанг Мао, Моиуддин К М. Введение в искусственные нейронные сети. - http://www.osp.ru/os/1997/04/index.htm.

15. Борисов Ю., Виталий К., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. - http://www.osp.ru/os/1997/04/index.htm.

16. Власов А.М. Обзор российского рынка нейросетевых технологий. - http://www.chat.ru/~vlasov.

17. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности. - http://www.user.cityline.ru/~neurnews/primer/finance.htm.

18. Галушкин А.И. Современные направления развития нейрокомпью­терных технологий в России. - http://www.osp.ru/os/1997/04/index.htm.

19. Гроссберг С. Внимательный мозг. - http://www.osp.ru/os/1997/04/index.htm.

20. Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. - http://www.orc.ru/~stasson/fann.zip.

21. Емельянов-Ярославский Л.Б. Интеллектуальная квазибиологическая система. - http://www.aha.ru/~pvad/.

22. Короткий С. Введение в теорию нейронных сетей и программная реализация их основных конфигураций. - http://www.orc.ru/~stasson/index.htm.

23. Короткий С. Нейронные сети: основные положения. - http://www.orc.ru/~stasson/n1.zip.

24. Короткий С. Нейронные сети: алгоритм обратного распространения. - http://www.orc.ru/~stasson/n2.zip.

25. Короткий С. Нейронные сети: обучение без учителя. - http://www.orc.ru/~stasson/n3.zip.

26. Короткий С. Нейронные сети Хопфилда и Хэмминга. - http://www.orc.ru/~stasson/n4.zip.

27. Кук А. Обзор условно-бесплатных и бесплатных программ для моделирования нейронных сетей. - http://homepage.techno.ru/alexkuck.

28. Малинин Д. Введение в нейросетевое моделирование. Программный пакет BrainMaker Pro 3.11. - http://win.aha.ru/~mdo/office/nnintro.htm.

29. Митья Перус Нейронные сети, квантовые системы и сознание. - http://www.tribunes.com/tribune/art97/peru1.htm.

30. Назаренко М. Курс лекций. Теория и практика формальных нейронных сетей. - http://nuweb.jinr.ru/~nazaren/unc/nn_ru.html.

31. Пономарев С. Нейронные сети, «iNFUSED BYTES OnLine». - http://www.enlight.ru/ib/tech/neural/index.htm.

32. Практикум применения пакета Brainmaker для прогнозирования на финансовых рынках/ Перевод и редакция Сергея Блинова. - http://win.aha.ru/~mdo/office/bm_fin.htm.

33. Стариков А. Нейронные сети - математический аппарат. - http://www.basegroup.ryazan.ru/tech/neural-4.htm.

34. Стариков А. Практическое применение нейронных сетей. - http://www.basegroup.ryazan.ru/tech/neural3.htm.

35. Степанов В.С. Фондовый рынок и нейросети: Использование нейросетевых технологий (на базе пакета программ Brain Maker Pro) для анализа ситуации на российском фондовом рынке. - http://www.user.cityline.ru/~neurnews/univer/stepanov.htm.

36. Струнков Т. Думал ли Гильберт о нейронных сетях? - http://www.neuroproject.ru/papers.htm.

37. Шумский С.А. Избранные лекции по нейрокомпьютингу. - http://www. com2com.ru/dav/.

38. Шумский С.А. Нейросетевые агенты в Интернете. - http://www.computerra.ru/2000/4/.

39. Шумский С.А. Обнаружение скрытых знаний, улучшение имею­щихся знаний, дата-майнинг. - http://www.com2com.ru~dav/som.htm.

40. Шумский С.А. Современный технический анализ: самоорганизую­щиеся карты Кохонена на фондовом рынке. - www.com2com.ru~dav/practika2.htm.

41. Часто задаваемые вопросы (FAQ) по нейронным сетям. - http://www.utica.kaman.com/techs/neural/neural.html.

42. © Neural Bench Development. Использование нейропарадигмы «Back Propagation» для решения практических задач. - http://www.neuralbench.ru/THEORY/bp_task.htm.

43. © Neural Bench Development. Нейроны, нейронные сети и нейро­компьютеры. - http://www.neuralbench.ru/THEORY/introduc.htm.

44. © Neural Bench Development. Постановка и возможные пути решения задачи обучения нейронных сетей. - http://www.neuralbench.ru/THEORY/training.htm.

45. © Neural Bench Development.Основные функциональные возможности программ моделирования нейронных сетей. - http://www.neuralbench.ru/THEORY/soft4sim.htm.

46. © Ward Systems Group, НейроПроект. Описание программного комплекса NeuroShell Day Trader - http://www.neuroproject.ru/DayTrader.htm.

47. © Ward Systems Group, НейроПроект. Описание программного комплекса NeuroShell Predictor- http://www.neuroproject.ru/Predictor.htm.

48. © Ward Systems Group, НейроПроект. Оптимизация в NeuroShell Trader Professional. - http://www.neuroproject.ru/T_optim.htm.

49. © Ward Systems Group, НейроПроект. Электронный учебник по нейронным сетям. - http://www.neuroproject.ru/oglavl.htm.

50. BrainMaker Professional. User's Guide and Reference Manual, 4th Edition, California Scientific Software, Nevada City, July, 1993. - http://www.calsci.com/.


 

Приложения

 

 


Приложение 1

 

Характеристики комитета ИНС, сформированного для решения задачи, описанной в подразделе 2.4.2

ИНС Конфигурация MSE на обучающей выборке
eur001 12-32-24-1 0.1316
eur002 12-32-24-1 0.1304
eur003 12-32-24-1 0.1383
eur004 12-32-24-1 0.1405
eur005 12-32-24-1 0.1387
eur006 12-32-24-1 0.1316
eur007 12-32-24-1 0.1262
eur008 12-32-24-1 0.1423
eur009 12-32-24-1 0.1255
eur010 12-32-24-1 0.1273
eur011 12-32-24-1 0.1260
eur012 12-32-24-1 0.1283
eur013 12-32-24-1 0.1333
eur014 12-32-24-1 0.1361
eur015 12-32-24-1 0.1293
eur016 12-32-24-1 0.1296
eur017 12-32-24-1 0.1272
eur018 12-32-24-1 0.1318
eur019 12-32-24-1 0.1273
eur020 12-32-24-1 0.1291
eur021 12-32-24-1 0.1293

 

 


Приложение 2

 

Характеристики комитета ИНС, сформированного для решения задачи, описанной в подразделе 2.4.3.

ИНС Конфигурация MSE на обучающей выборке
eur001 12-32-24-1 0,1368
eur002 12-32-24-1 0,1375
eur003 12-32-24-1 0,1377
eur004 12-32-24-1 0,1380
eur005 12-32-24-1 0,1382
eur006 12-32-24-1 0,1382
eur007 12-32-24-1 0,1385
eur008 12-32-24-1 0,1390
eur009 12-32-24-1 0,1396
eur010 12-32-24-1 0,1370
eur011 12-32-24-1 0,1388
eur012 12-32-24-1 0,1394
eur013 12-32-24-1 0,1400
eur014 12-32-24-1 0,1374
eur015 12-32-24-1 0,1387
eur016 12-32-24-1 0,1398
eur017 12-32-24-1 0,1400
eur018 12-32-24-1 0,1414
eur019 12-32-24-1 0,1428
eur020 12-32-24-1 0,1401
eur021 12-32-24-1 0,1410
eur022 12-32-24-1 0,1416
eur023 12-32-24-1 0,1417
eur024 12-32-24-1 0,1417
eur025 12-32-24-1 0,1406
eur026 12-32-24-1 0,1409
eur027 12-32-24-1 0,1413
eur028 12-32-24-1 0,1422
eur029 12-32-24-1 0,1427
eur030 12-32-24-1 0,1427

 

 




Поделиться с друзьями:


Дата добавления: 2014-11-06; Просмотров: 452; Нарушение авторских прав?; Мы поможем в написании вашей работы!


Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет



studopedia.su - Студопедия (2013 - 2024) год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! Последнее добавление




Генерация страницы за: 0.011 сек.