Нейронные сети как инструмент прогнозирования динамики рыночных цен

Тип работы:
Реферат
Предмет:
Экономические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы


НЕЙРОННЫЕ СЕТИ КАК ИНСТРУМЕНТ ПРОГНОЗИРОВАНИЯ ДИНАМИКИ РЫНОЧНЫХ ЦЕН
Каширина Евгения Александровна, Мордовский государственный университет им. Н. П. Огарёва, г. Саранск
E-mail: e. kashirina. 94@mail. ru
Курганов Андрей Николаевич, Мордовский государственный университет им. Н. П. Огарёва, г. Саранск
E-mail: hellyes@mail. ru
Аннотация. Статья посвящена изучению нейронный сетей,
рассмотрены их возможности прогнозирования динамики рыночных цен. Проанализирована основная схема нейросетевого предсказания применительно к данной экономической категории.
Ключевые слова: нейронная сеть, прогнозирование, предсказание, цена, MATLAB, математическая модель.
Прогнозирование — это взгляд в будущее- это метод, с помощью которого на основе ранее полученных знаний строятся прогнозы дальнейших перспектив развития какого-либо события или явления.
Прогнозирование применяется в самых разных сферах деятельности: экономике, политике, производстве, социальной сфере и многих других. Развитие методов прогнозирования связано с усложнением информационных технологий, в частности, с ростом объемов хранимых данных и усложнением методов и алгоритмов прогнозирования [2].
Цена является главным механизмом рыночных отношений. Это сложная динамическая система, изменение которой зависит от множества факторов, таких как: издержки производства, соотношение спроса и предложения, валютные курсы, уровень инфляции и т. д. В современных рыночных условиях крайне сложно охватить весь спектр этих факторов. Поэтому прогнозирование поведения подобных экономических, политических, социальных и т. п. систем является сложно формализуемой задачей. Прогноз должен строиться, в первую очередь, на выявлении скрытых взаимосвязей и закономерностей между
333
о
Щ SCIENCE TIME Щ
отдельными переменными системы. Кроме того, прогнозирование базируется на анализе ретроспективных данных, т. е. на анализе прошлого и настоящего состояния объекта исследования. В результате прогнозирования уменьшается риск принятия неверных, необоснованных или субъективных решений [2].
Существует большое количество математических моделей и методов анализа экономических показателей. Наибольшую популярность получили два подхода: технический и фундаментальный анализ.
Применимо к рыночной цене продукции, технический анализ основывается на правиле, что все объективные затраты предприятия (постоянные и переменные издержки, затраты на продвижение, управленческие расходы и проч.) уже заложены в ней. Поэтому считается, что изменение рыночной цены не является непосредственной реакцией на внешние факторы, а зависит только от внутренней среды предприятия. В свою очередь, фундаментальный анализ — это направление, которое стремится изучить все факторы, связанные с динамикой развития цены: изменение рыночного спроса и курса валют, уровень конкурентных цен и многое другое.
В настоящее время для анализа данных широко применяются различные _ интеллектуальные методы, в частности, нейронные сети [1]. Они являются альтернативой (или дополнением) для традиционных методов исследования.
Искусственная нейронная сеть — это математическая модель, а также ее воплощение в программном или аппаратном виде, построенная по аналогии с биологическими нейронными сетями. Данное понятие возникло при изучении процессов, происходящих в головном мозге, и при попытке смоделировать их. Первыми построить нейронные сети попытались Уоррен Маккалок и Уолтер Питтс.
Нейронные сети — это общее название особых групп алгоритмов, обладающих таким важным свойством, как способность к обучению, что является одним из главных преимуществ их использования. В техническом плане, обучение нейронной сети — это процедура определения коэффициентов связей между нейронами. Смысл обучения заключается в том, что нейронная сеть находит скрытые взаимосвязи и закономерности, которые существуют между входными и выходными данными, а также обобщает их. Важно отметить, что анализируемые данные могут быть неполными, противоречивым или даже заведомо искаженными. В случае успешного обучения нейронная сеть возвращает корректный результат на основе данных, которые отсутствовали в обучающем наборе или были «зашумлены». Итогом обучения является стабилизация весов сети, сама же сеть дает верные ответы на примеры из базы данных. В таком случае говорят, что «нейронная сеть выучила все примеры», «нейронная сеть обучена», или «нейронная сеть натренирована» [1].
Искусственная нейронная сеть представляет собой совокупность
о
Щ SCIENCE TIME Щ
соединенных и взаимодействующих между собой процессоров (искусственных нейронов). Обычно эти процессоры имеют достаточно простую архитектуру, особенно если сравнить их с процессорами, которые используются в персональных компьютерах. Каждый из них имеет дело только с сигналами, которые он либо получает от других процессоров, либо отправляет сам. Однако, несмотря на свою простоту, будучи соединенными в одну большую сеть с управляемым взаимодействием, они способны выполнять весьма сложные задачи.
В последнее время системы, основанные на нейронных сетях, все чаще применяются для прогнозирования финансовых показателей и категорий. Это обоснованно следующим. Во-первых, нейросетевой анализ не накладывает никаких ограничений на характер и тип входной информации. На вход могут поступать как данные о суммарных затратах, так и сведения о поведении других рыночных инструментов, что особенно важно при наличии корреляции между экономическими показателями. Во-вторых, нейронные сети, кроме общих рекомендаций, способны находить связи и зависимости между отдельными рыночными показателями, строить оптимальную стратегию для предсказания уровня цен. Более того, данные стратегии могут быть адаптивными и меняться вместе с рынком, что особенно важно в быстро изменяющихся рыночных условиях.
Применение искусственных нейронных сетей в экономичсекой сфере базируется на одном фундаментальном допущении — замене прогнозирования распознаванием. Нейронная сеть не предсказывает будущее, она старается «понять» текущее рыночное состояние, сравнить его с ранее встречавшимися ситуациями и с наибольшей вероятностью воспроизвести реакцию рынка.
Для прогнозирования динамики рыночных цен лучше всего использовать многослойные персептроны. Построение сетей с обратными связями в данном случае нецелесообразно из-за краткосрочной памяти таких систем и сложности их обучения. Общая схема нейросетевого предсказания динамики цен представлена на рис. 1.
Для начала необходимо определить базовые характеристики данных и сформировать базу данных. На начальном этапе предсказание динамики цены сводится к аппроксимации функций многих переменных по заданному набору примеров с помощью процедуры погружения ряда в многомерное пространство.
Способности нейронной сети к прогнозированию напрямую следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными [4].
335
а
о
SCIENCE TIME
Погружение
Выделение признаков
Ад ашнвно е пр ед сказ ание и пр инятие решений_____
о
Рис. 1 Схема нейросетевого предсказания динамики цен в рыночных условиях
о
Обучение нейронной сети прогнозирования основано на стандартном подходе. Все примеры делятся на три выборки: обучающую, валидационную и тестовую. Обучающая выборка служит для подстройки синаптических коэффициентов обучаемых нейронных сетей с целью минимизации ошибки на выходе сети. Валидационная выборка применяется для определения лучшей из нескольких обученных сетей, а также для выбора момента останова обучения. Тестовая выборка нужна для контроля качества прогнозирования.
Чтобы обучить нейронную сеть недостаточно сформировать обучающие наборы входов-выходов, нужно определить ошибку предсказаний. Для прогнозирования рыночных категорий среднеквадратичная ошибка является малоэффективной, ведь при прогнозировании финансовых показателей главной является однонаправленность прогноза и истинного значения. Поэтому ошибка нейронной сети представляется в виде функции от синаптических коэффициентов и минимизируется одним из градиентных методов:
Е = - ln[ 1 + у * d ], где
у — выход нейронной сети-
d — желаемое значение выхода.
Значение ошибки (E), усредненное по всем примерам, используется для подстройки синаптических коэффициентов.
После обучения нейронная сеть способна предсказать будущее значение
336
а
о
Щ SCIENCE TIME Щ
рыночной цены на основе предыдущих значений и других факторов, которые могут повлиять на её изменение.
В настоящее время одним из самых популярных и удобных средств создания нейронных сетей является MATLAB, а именно встроенный в него пакет прикладных программ Neural Networks Tool. Он содержит средства для построения нейронный сетей, базирующихся на поведении математического аналога нейрона [1]. Neural Networks Tool оказывает всестороннюю поддержку при проектировании, обучении, анализе и моделирование самых разных типов сетей — от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Данный пакет позволяет не только создавать собственную нейронную сеть любой сложности, но и использовать встроенные готовые шаблоны.
MATLAB — мощный и гибкий инструмент, который является наиболее подходящей альтернативой различным статистическим программным продуктам, и позволяет всесторонне рассмотреть проблему кластеризации и прогнозирования динамики рыночный цены. Разработанные с его помощью модели позволяют руководителям планировать результаты финансовой деятельности своих предприятий при анализе экономической ситуации на определенный период.
В заключение стоит отметить, что использование нейронных сетей в прогнозировании динамики рыночных цен — перспективное направление развития систем искусственного интеллекта. Уже сейчас существуют готовые прикладные продукты, которые помогут в решении данной задачи. Системы, основанные на нейронных сетях, позволяют значительно снизить временные и финансовые затраты, ускорить процесс анализа текущей экономической ситуации и прогнозирования финансового состояния предприятия.
Литература:
1. Аббакумов А. А., Суслова Е. В. Применение MATLAB для реализации системы анализа финансового состояния предприятия [Электронный ресурс] // Огарев-online. — 2015. — № 20. — Режим доступа: http: //journal. mrsu. ru/arts/ primenenie-matlab-dlya-realizacii-sistemy-analiza-finansovogo-sostoyaniya-predpriyatiya
2. Ларин М. Г. Прогнозирование состояния банкротства предприятия с использованием нейронных сетей // Актуальные проблемы гуманитарных и естественных наук. — 2010. — № 10. С. 372−374.
3. Мицель А. А., Ефремова Е. А. Прогнозирование динамики цен на фондовом рынке // Известия ТПУ — 2006. — № 8. С. 197−200.
337
а
о
Щ SCIENCE TIME Щ
4. Искусственная нейронная сеть [Электронный ресурс]: Материал из
Википедии — свободной энциклопедии / Авторы Википедии // Википедия, свободная энциклопедия. — Электрон. дан. — Сан-Франциско: Фонд Викимедиа, 2015. — Режим доступа: http: //ru. wikipedia. org/?oldid=74 101 494
о
о
338

ПоказатьСвернуть
Заполнить форму текущей работой