Дата конвертації24.03.2017
Розмір14.21 Kb.
Типреферат

Скачати 14.21 Kb.

СППР фінансового АНАЛІЗУ на базі алгоритмів нечіткої логіки

Системи ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ на базі алгоритмів нечіткої логіки.

Бурхливий розвиток Internet и пов'язаних Із Всесвітньою Мережа новітніх технологій все більш потребує притягнений для решение вінікаючіх завдань різноманітніх прійомів и методів Із суміжніх областей людського знання и самперед Із математики. Одним з напрямків использование новітніх технологій є создания систем ПІДТРИМКИ Прийняття РІШЕНЬ. Дуже важліво использование таких систем при проведенні фінансового АНАЛІЗУ у зв'язку з необхідністю Прийняття найбільш адекватного решение, Пожалуйста может вплінуті на прібутковість проекту. Дуже часто необходимо прійматі решение, маючі протіречіві данні, Які ма ють високий рівень так званого "шуму". Це нужно враховуваті при створенні систем ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ. Одним з віходів з подібної складної ситуации є использование апарату нечіткої логіки.

Нечітка логіка (fuzzy logic) - це математична наука, яка є Розширення класичної (булевої) логіки и засновано на Концепції часткової правди - правди, что находится десь посередіні между "і" і "немає". Творець теоретичного основ нечіткої логіки Лотфі-заде (Lotfi Zaden) Неодноразово підкреслював, что теорія нечіткіх вісловлень не винних трактуватіся як самостійна, відособлена область знань. У Деяк роді вона служити методологічним Розширення будь-якої Іншої спеціфічної Теорії, отріманої Шляхом розмивання (fuzzification) ее базисних об'єктів (например, чисел), - їхнім переклад Із дискретного стану в безупинності. У наші дні дослідження проводяться, зокрема, в області нечіткіх Обчислення (fuzzy calculations), нечіткіх диференціальних рівнянь (fuzzy differential equations) та інше.

Безпосереднє использование алгоритмів нечіткої логіки в Додатках - річ поки й достатньо рідкісна. Втім, очевидною областю Впровадження є Всілякі експертні системи, у тому числі:

- Нелінійній контроль за процесами (виробництво);

- Системи, что самонавчаються, названі такоже класіфікаторамі (classifiers), дослідження ризиковості и критичних СИТУАЦІЙ. У Цій області особливо цінується спроможність системи з нечіткою логікою одночасно вдосконалюваті декілька каналів узагальнення правил, что помітно відрізняє цею підхід від систем штучного інтелекту, по черзі охоплюючіх одну закономірність за іншою;

- Розпізнавання образів;

- Фінансовий аналіз (ринкі ЦІННИХ ПАПЕРІВ);

- Дослідження Даних (корпоративні сховище);

- Вдосконалювання стратегій керування и коордінації Дій, например складне промислове виробництво.

Ми розглядаємо использование апарату нечіткої логіки сортаменту при створенні систем ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ.

Існують прінціпові Межі прідатності нечіткої логіки як підходу до задач, де фігурує занадто много невідоміх. Проти годину підтвердів, что існуючій математичний інструментарій Ефективний в процесі розробки Цілком детермінованих кінцевіх прістроїв Із складаний поведінкою. Альо ж відомо, что в процесі фінансового АНАЛІЗУ НЕ всегда існують данні, Які є чітко детермінованімі. Це пов'язано самперед з неможлівістю Передбачити поведение фондового Сайти Вся на визначення проміжку часу. Існує й достатньо много факторів, Які могут впліваті на поведение ЦІННИХ ПАПЕРІВ на Сайти Вся.

Що найбільш важліво при проведенні фінансового АНАЛІЗУ на фондовому ринку? Це по-перше складання найбільш вірогідного прогнозу поведінкі ЦІННИХ ПАПЕРІВ. Прогнозування - це Ключовий момент при прійнятті РІШЕНЬ в управлінні. Можлівість Передбачити некеровані аспекти подій перед Прийняття кінцевого решение дозволяє сделать найкращий вибір, Який, в ІНШОМУ випадки МІГ буті Невдалий.

Досвід показує, что Кожний додатковий долар, вітраченій на прогнозування, дает менше зниженя ризики збитків, чем Попередній. За Деяк точкою додаткові витрати на прогнозування могут зовсім НЕ приводити до зниженя Втрата. Це пов'язано з тим, что Неможливо знізіті СЕРЕДНЯ помилки прогнозування нижчих визначеного уровня, Незалежності від того, наскількі складаний метод прогнозування, что застосовується.

Оскількі прогнозування Ніколи НЕ зможите Повністю зніщіті ризики при прійнятті РІШЕНЬ, та патенти, явно візначіті неточність прогнозу. Рішення, что пріймається, візначається результатами прогнозу з урахуванням можлівої помилки прогнозування.

Вищевказаний предполагает, что прогнозуюча система винна Забезпечувати визначення помилки прогнозування, такоже як и самє прогнозування. Такий підхід значний зніжує ризики об'єктивно пов'язаний з процесом Прийняття РІШЕНЬ.

Так в чому ж корені інтересу до нечіткої логіки, як методу, на основе которого можна создать системи ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ?

Як Вже Було сказано, заміщаючі Суворов детерміновану математичну модель об'єкту, нечіткій описание потребує лишь мінімального набору закономірностей, що не прямуючі до узгодженням Опису системи (в термінах ефектівності це означає самперед кардинально СКОРОЧЕННЯ циклу розробки - Впровадження, и практично будь-який наперед избран додаток виграє від решение на основе нечіткої логіки). Це дозволяє працювати з данімі, что отрімані системою на невеликі проміжку часу, з так званні нечіткімі числами.

Нечіткі числа (fuzzy numbers), Одержані в результате »не Цілком точно вімірів", много в чому аналогічні розподілам Теорії ймовірностей, но Вільні від властівіх Останній відхілень (мала Кількість прідатніх до АНАЛІЗУ функцій розподілу, необходимость їхньої прімусової нормалізації, Дотримання вимог адітівності, важкість обгрунтування адекватності математичної абстракції для Опису поведінкі фактичність образів). Як и очікувалось, у Межі зростання точності нечітка логіка приходити до стандартної, булевої.

Таким чином, вікорістовуючі алгоритми нечіткої логіки, спеціалісти фінансового АНАЛІЗУ получил потужній засіб для складання прогнозів, практично незамінній у випадка, коли правила, по якіх змінюється курс ЦІННИХ ПАПЕРІВ, невідомі або Важко їх віявіті.

При створенні системи ПІДТРИМКИ Прийняття РІШЕНЬ для фінансового АНАЛІЗУ на фондовому ринку доцільно використовуват розвинутості алгоритм! Застосування нечіткої логіки - нейронні мережі.

На нейронних мереж завдання прогнозування формалізується через задачу розпізнавання образів. Данні про змінну, что прогнозується, за Деяк проміжок часу створюють образ, клас которого візначається значенням змінної, что прогнозується, в Деяк момент часу поза межами даного проміжку, тобто значенням змінної через Інтервал прогнозування.

Для прогнозування ціни на фондовому ринку доцільно використовуват метод вікон. Цей метод предполагает использование 2-х вікон A1 та А2 з фіксованімі розмірамі відповідно n та m. ЦІ вікна здатні переміщуватісь з Деяк кроком по часовій послідовності історічніх Даних, починаючі з первого елементи, и прізначені для доступу до Даних годинного ряду, причому перше вікно А1, получил данні, передает їх на вхід нейронної мережі, а друга вікно А2 - на вихід. Пара, якові мі отрімуємо на кожному кроці А1 -> А2 (1) вікорістовується як елемент навчаючої Вибірки. Пріведемо приклад:

Нехай є данні про курс цінного паперу за 2 тижні:

100 94 90 96 91 94 95 99 95 98 100 97 99 98 96 98 (2)

Нехай розміри вікон відповідно n = 4, m = 1, крок рівний 1. За помощью методу вікон для нейронної мережі буде згенеровано наступна навчаюча вібірка:

100 94 90 96 -> 91

94 90 96 91 -> 94

90 96 91 94 -> 95

96 91 94 95 -> 99 (3)

Кожний Наступний вектор отримується в результате Зсув вікон А1 та А2 праворуч на один елемент. Передбачається наявність прихованого перелогових в часовій послідовності як множини наглядів. Нейронних мереж системи ПІДТРИМКИ Прийняття РІШЕНЬ, навчаючісь на ціх наочний и настроюючі свои КОЕФІЦІЄНТИ Робить Спроба віділіті закономірності та Сформувати в результате функцію прогнозу.

Прогнозування здійснюється по тому ж принципу, что и формирование навчальної Вибірки. При цьом віділяються две возможности: однокрокове и багатокрокове прогнозування.

Багатокрокове прогнозування вікорістовується для Здійснення довгострокового прогнозу и Призначено для визначення основного тренду и Головні точки Зміни тренду для Деяк проміжку часу в Майбутнього. При цьом система, что прогнозирует, вікорістовує отрімані (вихідні) дані для моментів часу k + 1, k + 2 і т.д. у якості вхідних Даних для прогнозування на моменти часу k + 2, k + 3 и т.д.

Пріпустімо, система навчилася на часовій послідовності (2). Потім вона спрогнозувала k + 1 елемент послідовності, например, рівний 95, коли на ее вхід БУВ поданий Останній з відоміх їй образів (99, 98, 96, 98). После цього вона Здійснює подалі прогнозування и на вхід подається такий образ (98, 96, 98, 95). Останній елемент цього образу є прогнозом системи. І так далі.

Однокрокове прогнозування вікорістовується для короткостроковіх прогнозів, звичайна - абсолютне значення послідовності. Здійснюється прогноз только на один крок вперед, но вікорістовується реальне, а не прогнозоване значення для Здійснення прогнозу на Наступний кроці.

Для часової послідовності (2) на Кроку k + 1 система прогнозирует Вимоги 95, хоча реальне значення повинності буті 96. На кроці k + 2 в якості вхідного образу буде використовуват образ (98, 96, 98, 96).

Як було сказано вищє, результатом прогнозу на нейронних мереж є клас, до которого Належить змінна, а не ее конкретнішими значення. Формування класів винне проводитись в залежності від того, Які цілі прогнозування. Загальний підхід складається в тому, что область визначення прогнозованої змінної розбівається на класи відповідно до необхідної точності прогнозування.

Класи могут представляті якісний або чисельного погляд на зміну змінної.

Таким чином, ми розглянулі один з методів прогнозування ситуации на фондовому ринку с помощью нейронних мереж, а такоже побачим, як застосовується нечітка логіка в фінансовій сфере.

Прогнозування на нейронних мереж має ряд недоліків. Взагалі нам необходимо як мінімум 50 и краще 100 СПОСТЕРЕЖЕНЬ для создания прідатної моделі. Це достаточно велике число Даних и існує много віпадків, коли така Кількість історічніх Даних недоступна. Це Взагалі в більшості стосується вітчізняного фондового Сайти Вся, Який галі не є й достатньо впорядкованим и організованім.

Даже при прогнозуванні курсу ЦІННИХ ПАПЕРІВ, по якіх є щоденні ціни, дуже Важко нагромадіті Історію за период від 50 до 100 місяців. Проти, та патенти, відзначіті, что Ми можемо побудуваті задовільну модель на нейронних мереж даже в условиях недостачі Даних. Модель может уточнюватіся в міру того, як свіжі дані стають доступними.

Іншім недоліком нейронних моделей є значні витрати часу и других ресурсов для побудова задовільної системи ПІДТРИМКИ Прийняття РІШЕНЬ. Ця проблема не очень важліва, если досліджується невелика кількість годин послідовностей.

Проти, незважаючі на перераховані Недоліки, модель володіє рядом перевага. Існує Зручний засіб модіфікування моделі по мірі того як з'являються Нові спостереження. Модель добре працює з годинниковим послідовностямі, у якіх малий Інтервал СПОСТЕРЕЖЕННЯ, тобто может буті получил відносно довготривала Часова послідовність. З цієї причини модель может буті Використана в областях, де нас цікавлять щогодінні, щоденні або щотіжневі спостереження. Саме до ціх областей и відносіться фінансовий аналіз на Швидко змінному фондового Сайти Вся.

При створенні системи ПІДТРИМКИ Прийняття РІШЕНЬ, яка засновано на алгоритмах нечіткої логіки доцільно використовуват метод нейронних мереж, як найбільш простий для моделювання. Переслідуючі мету создания дешевої и ефектівної системи вібіраємо самє архітектуру нейронних мереж. Схему створюваної системи представлено на Рис.1


Мал.1.

Саме Формування бази знань слід пріділіті особливо увагу. Вона винна містіті НЕ только інформацію про цінні папери в деякі періоді часу, а й логічні зв'язки между курсами ЦІННИХ ПАПЕРІВ та подіямі на підпріємствах. Це дозволити зв'язати фундаментальний та технічний аналіз, что дает набагато більш точний результат АНАЛІЗУ, чем просте дослідження змін курсів за помощью статистичних моделей. Слід відмітіті, что очень часто на курс ЦІННИХ ПАПЕРІВ вплівають структурні Зміни на підприємстві, зміна бюджетної та дівідендної політики та інше. Альо после проходження віщеназваніх змін курс змінюється НЕ відразу, а через Деяк проміжок часу. Система винна побудуваті нейронну ятір на основе об'єднання информации, отріманої з бази знань.

Результатами роботи систем ПІДТРИМКИ Прийняття РІШЕНЬ є Рекомендація относительно Прийняття управлінського решение особою, яка пріймає решение. Альо у випадка з системою ПІДТРИМКИ Прийняття решение фінансового АНАЛІЗУ на фондовому ринку недоцільно використовуват стандартний підхід до результатів роботи системи. Це пов'язано Перш за все з великим ступенів невізначеності при работе на фондовому ринку, а такоже з неможлівістю завантаження бази знань системи Повністю інформацією, яка б охоплювалі весь можливий досвід роботи на ФІНАНСОВИХ ринках. Тому доцільно представіті на Розгляд особини, яка пріймає решение декілька варіантів решение з Описом позитивних и негативних рис шкірного. Досвід нейронної мережі у сукупності з досвідом особи, яка пріймає решение винен дати більш позитивний результат у порівнянні з суто машинним варіантом. Вибір одного з варіантів повинен буті далі внесень в базу знань, як Наступний досвід роботи системи.

Вміння навчатись на отриманий досвіді - це основна з позитивних рис системи на базі алгоритмів нечіткої логіки. Фінансовий аналіз на фондовому ринку на 80 відсотків Залежить від Отримання досвіду у вміння їм користуватись. Тому создания системи ПІДТРИМКИ Прийняття РІШЕНЬ фінансового АНАЛІЗУ з ЗАСТОСУВАННЯ нейронних мереж є одним з ефективних методик побудова подібніх систем. Архів НАЙГОЛОВНІШЕ при створенні системи - це відмова від традіційного підходу до СППР, такого як орієнтація на Надання єдиного результату. Необходимо генеруваті цілий спектр можливий РІШЕНЬ та навчатись на досвіді їх Вибори. Саме такий підхід дозволяє создать систему ПІДТРИМКИ Прийняття РІШЕНЬ, яка б задовольняла всі спо аналітіків, Які Працюють на фондових ринках.


Головна сторінка


    Головна сторінка



СППР фінансового АНАЛІЗУ на базі алгоритмів нечіткої логіки

Скачати 14.21 Kb.