Прогнозирование. Задачи прогнозирования особенно важны для практики, в частности, для финансовых приложений, поэтому поясним способы применения нейросетей в этой области более

Задачи прогнозирования особенно важны для практики, в частности, для финансовых приложений, поэтому поясним способы применения нейросетей в этой области более подробно.

Рассмотрим практическую задачу, ответ в которой неочевиден - задачу прогнозирования курса акций на 1 день вперед.

Пусть у нас имеется база данных, содержащая значения курса за последние 300 дней. Простейший вариант в данном случае - попытаться построить прогноз завтрашней цены на основе курсов за последние несколько дней. Понятно, что прогнозирующая сеть должна иметь всего один выход и столько входов, сколько предыдущих значений мы хотим использовать для прогноза - например, 4 последних значения. Составить обучающий пример очень просто - входными значениями будут курсы за 4 последовательных дня, а желаемым выходом - известный нам курс в следующий день за этими четырьмя.

Если нейросеть совместима с какой-либо системой обработки электронных таблиц (например, Excel), то подготовка обучающей выборки состоит из следующих операций:

1. Скопировать столбец данных значений котировок в 4 соседних столбца.

2. Сдвинуть второй столбец на 1 ячейку вверх, третий столбец - на 2 ячейки вверх и т.д.

Смысл этой подготовки легко увидеть на рисунке - теперь каждая строка таблицы представляет собой обучающий пример, где первые 4 числа - входные значения сети, а пятое число - желаемое значение выхода. Исключение составляют последние 4 строки, где данных недостаточно - эти строки не учитываются при тренировке. Заметим, что в четвертой снизу строке заданы все 4 входных значения, но неизвестно значение выхода. Именно к этой строке мы применим обученную сеть и получим прогноз на следующий день.

Как видно из этого примера, объем обучающей выборки зависит от выбранного нами количества входов. Если сделать 299 входов, то такая сеть потенциально могла бы строить лучший прогноз, чем сеть с 4 входами, однако в этом случае мы имеем всего 1 обучающий пример, и обучение бессмысленно. При выборе числа входов следует учитывать это, выбирая разумный компромисс между глубиной предсказания (число входов) и качеством обучения (объем тренировочного набора).

Литература к теме 1.6.

1. Костевич Л.С., Лапко А.А. Теория игр. Исследование операций. - Мн.: Выш. школа, 1982.

2. Брукинг А., Джонс П., Кокс Ф. и др. Экспертные системы. Принципы работы и примеры / Под ред. Р.Форсайта. М.: Ра­дио и связь, 1987.

3. Герман О.В. Введение в теорию экспертных систем и обра­ботку знаний: Учеб. пособие. Мн.: ДизайнПро, 1995.

4. Голенда Л.К., Челноков М.А. Экспертные системы и систе­мы поддержки принятия решений. Мн.: БГЭУ, 1999.

5. Искусственый интеллект: В 3-х кн. Кн.1. Системы обще­ния и экспертные системы: Справ. / Под ред Э.В. Попова. М.: Радио и связь, 1990.

6. Искусственый интеллект: В 3-х кн. Кн.2. Модели и мето­ды: Справ. / Под ред Э.В. Попова. М.: Радио и связь, 1990.

7. Искусственый интеллект: В 3-х кн. Кн.З. Программные и аппаратные средства: Справ. / Под ред Э.В. Попова. М.: Радио и связь, 1990.

8. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот M.Д. и др. Статические и динамические экспертные системы. М.: Финан­сы и статистика, 1997.

9. Самаль С.А., Денисенко Н.В. Нечеткие множества в эконо­мике: Основные понятия и примеры: Учеб. пособие. Мн.: БГЭУ, 1999.

10. Хант Э. Искусственый интеллект. М.: Изд-во "Мир", 1978.

11. Эддоу Дж. Методы принятия решений. М.: Финансы и ста­тистика, 1997.

12. Эддоус М, Стэнсфилд Р. Методы принятия решений: Учеб. пособие: Пер. с англ. / Под ред. И.И. Елисеевой. М.: Аудит, ЮНИТИ, 1999.

Дата добавления: 2014-01-05