| RUS | ENG |

Автореферат

• Введение. Обоснование актуальности
• Цель и задачи работы
• Предполагаемая научная новизна
• Предполагаемая практическая ценность
• Обзор современного состояния задачи
• Заключение
• Список использованной литературы

      Современная экономика переживает новую фазу своего развития. Это обусловлено несколькими факторами. Во-первых, внедрением в науку современных математических методов. Во-вторых, появление новейших компьютерных технологий, сделавших возможным исследование сложных явлений и процессов.

      Непредсказуемость рынков ценных бумаг, неожиданные скачки цен и непонятные тренды, а также внезапные падения, переживаются экономикой как тяжелые кризисы. Соответственно, тот, кто обладает наилучшими методами извлечения закономерностей из зашумленных, хаотических временных рядов – наименее подвержен влиянию подобных кризисов в экономике, и, соответственно, может надеяться на большую прибыль.

      Предсказание рыночных временных рядов – необходимый элемент любой инвестиционной деятельности. Само понятие инвестиции – основывается на идее прогнозирования будущего.

      Прогнозирование - одна из самых востребованных, но при этом одна из самых сложных задач интеллектуального анализа данных. Проблемы прогнозирования связаны с недостаточным качеством и количеством исходных данных, изменениями среды, в которой протекает процесс, воздействием субъективных факторов. Прогноз всегда осуществляется с некоторой погрешностью, которая зависит от используемой модели прогноза и полноты исходных данных. [1]

      Задача прогнозирования временных рядов была и остается актуальной, особенно в последнее время, когда стали доступны мощные средства сбора и обработки информации. Широкое применение для решения этой задачи получили нейронные сети. Это обусловлено наличием в финансовых временных рядах сложных закономерностей, не обнаруживаемых линейными методами.

      Изначально нейронные сети предназначались для распознавания структурных образов. В таких задачах сети демонстрируется образ, состоящий из набора визуальных, семантических или других свойств, и сеть должна распознать входной образ, как принадлежащий одному или нескольким классам. [2]

      В противоположность этому при прогнозировании временных рядов обрабатываются образы, которые изменяются с течением времени. Прогноз зависит, вообще говоря, не только от текущих значений, но и от всех предыдущих значений прогнозируемой величины. В такой ситуации успех прогнозирования в первую очередь зависит от способа формирования обучающей выборки. [3]

      При такой формулировке нейронная сеть используется как универсальное средство аппроксимации дискретной функции, задаваемой наборами обучающей выборки. [3]

      Основной проблемой использования нейронных сетей является необходимость формирования обучающей выборки, что не всегда возможно, из-за отсутствия формализованной модели исследуемого объекта.

      На данном этапе развития знаний о нейронных сетях накопилось большое количество методов, позволяющих проводить анализ, предобработку и формирование обучающей выборки.

      Еще одной проблемой применения нейронных сетей к задаче прогнозирования рынка ценных бумаг, заключается в отсутствии методики подбора методов предобработки обучающей выборки, дающих наилучший прогноз.

      Решение указанной выше проблемы возможно с использованием эволюционных алгоритмов. Данная идея активно развивается применительно к вопросам реализации многоагентных систем, адаптивного поведения и искусственной жизни, эволюционной робототехники.

      Целью исследования проводимого в данной работе является разработка подсистемы, основанной на применении нейронных сетей, позволяющей автоматически подбирать методы предобработки обучающей выборки, с целю получения наиболее качественного прогноза.

      Для достижения поставленной цели необходимо последовательное решение следующих задач:

1. общий анализ нейросетевого подхода в задаче прогнозирования, а также формулировка на основе результатов анализа требований к применяемой нейронной сети;

2. общий анализ методов предобработки и формирования обучающей выборки;

3. общий анализ эволюционных алгоритмов, и выбор генетических операторов применительно к решаемой задаче;

4. апробация разработанных алгоритмов и анализ полученных результатов.

      Предполагаемая научная новизна полученных в результате работы результатов будет заключаться в способности адаптации подсистемы к временным рядам, благодаря возможности автоматически выбирать метод предобработки и формирования обучающей выборки, для получения наиболее качественного прогноза.

• исследование современных методов прогнозирования, основанных на нейронных сетях;

• отбор и анализ методов предобработки и формирования обучающей выборки, а также разработка программ для их реализации;

• разработка подсистемы позволяющей производить прогноз рынка ценных бумаг.

      Особенности применения нейронных сетей, которые показывают их преимущества по сравнению с другими существующими методами при выборе модели. [1]

1. Результативность при решении неформализованных или плохо формализованных задач. Из общеизвестных преимуществ методов на основе нейронных сетей следует выделить одно самое привлекательное - отсутствие необходимости в строгой математической спецификации модели, что особенно ценно при прогнозировании плохо формализуемых процессов. Известно, что большинство финансовых, бизнес и других подобных задач плохо формализуется.

2. Устойчивость к частым изменениям среды. Достоинства нейронных сетей становятся заметными, когда часто изменяются «правила игры»:среда, в которой существует прогнозируемый процесс, а также характер воздействия влияющих факторов. Поэтому, нейронные сети наилучшим образом подходят для решений таких задач, как прогнозирование тенденций фондового рынка, характеризующихся влиянием целого набора постоянно изменяющихся факторов.

3. Результативность при работе с большим объемом противоречивой информации. Нейронные сети будут предпочтительнее там, где имеется очень много анализируемых данных, в которых скрыты закономерности. В этом случае автоматически учитываются также различные нелинейные взаимодействия между влияющими факторами. Это особенно важно, в частности, для предварительного анализа или отбора исходных данных, выявления «выпадающих фактов» или грубых ошибок при принятии решений.

4. Результативность при работе с неполной информацией. Целесообразно использование нейронных сетей в задачах с неполной или «зашумленной» информацией, а также в задачах, для которых характерны интуитивные решения.

      Ограничения и недостатки, связанные с использованием нейронных сетей для прогнозирования [1]:

1. Для эффективного прогнозирования, как правило, необходим некоторый минимум наблюдений (более пятидесяти и даже ста). Однако существует много задач, когда такое количество статистических данных недоступно. Например, при производстве сезонного товара, статистики предыдущих сезонов недостаточно для прогноза на текущий сезон из-за изменения стиля продукта, политики продаж и т.д. Даже при прогнозировании потребностей в достаточно стабильном товаре на основе информации о ежемесячных продажах невозможно накопить статистику за период от 50 до 100 месяцев. Для сезонных процессов эта проблема еще более выражена: каждый сезон фактически представляет собой одно наблюдение. Следует отметить, что удовлетворительная модель прогноза с использованием нейронной сети все же может быть построена даже в условиях нехватки данных. При этом модель будет уточняться при поступлении в нее свежих данных.

2. Другим недостатком моделей на основе нейронных сетей являются значительные временные затраты для достижения удовлетворительного результата. Эта проблема не столь существенна, если исследуется небольшое число временных последовательностей, однако обычно прогнозирующая система в области управления производством включает от нескольких сотен до нескольких тысяч временных последовательностей. Отметим, что завышенные ожидания эффекта от внедрения нейронных сетей в ряд финансовых структур в США и Великобритании не оправдались. Так, один крупный инвестиционный банк на Уолл-стрит потратил более 1,0 млн долларов на разработку такой системы для оптимизации финансовых операций, однако, спустя некоторое время вынужден был вернуться к старой системе. Основной причиной неудачи стал недостаточный по сравнению с ожидаемым уровень производительности, полученный в результате внедрения системы.

3. Обучить и эксплуатировать нейронную сеть для решения многих задач, как правило, может и не специалист, но надежно интерпретировать результаты, а также численно оценивать значимость получаемых прогнозов способны специалисты, имеющие навыки в моделировании нейронных сетей.

      Прогнозирование временного ряда - вычисление величины его будущих значений либо характеристик, позволяющих определить эту величину, на основании анализа известных значений. Величина, подлежащая прогнозу, называется прогнозируемой величиной.

      При прогнозировании предполагается, что значение прогнозируемой величины зависит от каких-либо факторов, назовем их определяющими факторами, или признаками. Один из подходов к задаче прогнозирования основан на предположении зависимости прогнозируемой величины от предыдущих значений временного ряда. Теоретическим обоснованием такого подхода является теорема Такенса.[4]

      Схему решения задачи прогнозирования временного ряда можно представить в виде следующей последовательности этапов:

1. Этап предварительных преобразований.

2. Этап структурного синтеза нейронной сети.

3. Параметрический синтез нейронной сети.

4. Проверка ошибки прогноза на контрольной выборке.

      Если значение ошибки прогноза на последнем этапе будет находиться в допустимых пределах, то задачу можно будет считать решенной, и обученную нейронную сеть можно использовать для получения прогноза. В противном случае необходимо повторить первые три этапа. Применение нейронной сети показано на рисунке 1.

Рисунок 1 – Применение нейронной сети.

      Одним из самых важных этапов в решении задачи нейросетевого прогнозирования - это формирование обучающей выборки. Именно от состава, полноты, качества обучающей выборки существенно зависят время обучения нейронной сети и достоверность получаемых данных.

      Необходимые этапы при формирование обучающей выборки:

• Кодирование входов-выходов.
• Нормировка данных.
• Предобработка данных.

      Кодирование входов-выходов. В отличии от обычных компьютеров, способных обрабатывать любую символьную информацию, нейросетевые алгоритмы работают только с числами, ибо их работа базируется на арифметических операциях сложения и умножения. Однако не всякая входная или выходная переменная в исходном виде может иметь численное выражение, следовательно, все подобные переменные необходимо закодировать – перевести в числовую форму, прежде чем начать собственно нейросетевую обработку.

      Нормировка и предобработка данных. Входные и выходные переменные нейросети могут быть совершенно разными величинами. При этом, результаты нейросетевого моделирования не должны зависеть от единиц измерения этих величин. А именно, чтобы сеть трактовала их значения единообразно, все входные и выходные переменные должны быть приведены к единому – единичному – масштабу.

      Пусть в результате перевода всех необходимых переменных в числовую форму и последующей нормировки все входные и выходные переменные приведены к единичному масштабу. Основная задача нейросетевого анализа – найти статистически достоверные зависимости между входными и выходными переменными. Единственным источником информации для проведения анализа являются примеры из обучающей выборки. Чем больше бит информации принесет каждый пример – тем лучше используются имеющиеся нашем распоряжении данные.

      Часто, заранее неизвестно, на сколько полезны те или иные входные переменные для предсказания значений выходов, возникает соблазн увеличивать число входных параметров, в надежде на то, что сеть сама определит какие из них наиболее значимы. Однако, сложность обучения нейронных сетей быстро возрастает с ростом числа входов. Еще важнее, то что с увеличением количества входов ухудшается и точность предсказаний. Таким образом, число входов необходимо жестко ограничивать, поэтому выбор наиболее информативных входных переменных представляет важный этап подготовки данных для обучения нейронной сети.

      Данный этап подразумевает выбор архитектуры нейронов и структуры связей между нейронами.

      Объединяясь в сети, нейроны образовывают системы обработки информации, которые обеспечивают эффективную адаптацию модели к постоянным изменениям со стороны внешней среды. В процессе функционирования сети происходит преобразование входного вектора сигналов в выходной. Конкретный вид преобразования определяется как архитектурой нейронной сети так и характеристиками нейронных элементов, средствами управления и синхронизацией информационных потоков между нейронами. Важным фактором эффективности сети является установление оптимального количества нейронов и типов связей между ними.

      На данном этапе производится обучение нейронной сети.

      В задаче прогнозирования используются нейронные сети с контролируемым обучением, где текущий выход постоянно сравнивается с желаемым выходом. Весы сначала устанавливаются случайно, но во время следующих итераций корректируются для достижения соответствия между желаемым и текущим выходом. Созданные методы обучения нацелены на минимизацию текущих погрешностей всех нейронов, создаваемых непрерывным изменением весов для достижения приемлемой точности сети. Обучение считается законченным при достижении нейронной сетью определенного уровня точности, когда выдаются желаемые значения выходов для заданной последовательности входных сигналов. После обучение веса соединений фиксируются для дальнейшего применения. Некоторые типы сетей позволяют использовать непрерывное обучение для адаптации к изменяющимся условиям.

      Задача прогнозирования временных рядов на рынке ценных бумаг была и остается актуальной. Применение нейронных сетей к данной задаче позволяет достичь достаточно хороших результатов. Это обусловлено наличием в большинстве финансовых временных рядов сложных закономерностей, не обнаруживаемых другими, например линейными методами.

      Как и любой другой вид анализа, анализ с применением нейронных сетей в предсказании финансовых временных рядов требует достаточно сложной, тщательной предобработки данных. Один из самых важных этапов в решении задачи нейросетевого прогнозирования - это формирование обучающей выборки. Именно от состава, полноты, качества обучающей выборки существенно зависит достоверность получаемых данных.

      Данная магистерская работа посвящена использованию нейронных сетей, для решения задачи прогнозирования финансовых временных рядов и разработке программных средств для реализации данного прогноза.

1. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». - М.: Издательство МЭИ, 2002. – 176с.

2. Тарасенко Р.А., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов \\ Труды Одесского политехнического университета – 2001 Вып.1 (13) – с. 90-93

3. Тарасенко Р.А., Крисилов В.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. \\ Труды Одесского политехнического университета – 2001 Вып.1

4. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. – М.: МИФИ, 1998. – 222с.

5. Тарасенко Р.А. Метод анализа и повышения качества обучающих выборок нейронных сетей для прогнозирования временных рядов. // Диссертация на соискание ученой степени кандидата техническихнаук.-ОНПУ-2002.

6. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

      Примечание: данный автореферат не является окончательной версией автореферата магистерской работы, т.к. завершение исследований по теме магистерского проекта планируется до 31.12.2007.