Студопедия — Решение задачи прогнозирования временных рядов на основе нейропакета NeuroPro
Студопедия Главная Случайная страница Обратная связь

Разделы: Автомобили Астрономия Биология География Дом и сад Другие языки Другое Информатика История Культура Литература Логика Математика Медицина Металлургия Механика Образование Охрана труда Педагогика Политика Право Психология Религия Риторика Социология Спорт Строительство Технология Туризм Физика Философия Финансы Химия Черчение Экология Экономика Электроника

Решение задачи прогнозирования временных рядов на основе нейропакета NeuroPro

В ходе турнира участникам игры запрещается пользоваться справочными материалами в любых форматах и на любых носителях. При нарушении этого условия к команде применяются штрафные санкции вплоть до частичной или полной дисквалификации. К основаниям для штрафа относится также попытка обращения к бумажному или электронному носителю (телефону, компьютеру и пр.).

В начале турнира руководители команд занимают специально отведенные для них места. В ходе турнира руководителям команд категорически запрещен любой контакт с командой (в том числе нахождение рядом с командой). В случае выявления нарушения организаторы игры имеют право дисквалифицировать команду.

Решение задачи прогнозирования временных рядов на основе нейропакета NeuroPro

Вопросы:

1. Теоретические сведения.

2. Использование нейронных сетей для прогнозирования финансовых временных рядов

3. Задание

1.Теоретические сведения

Среди известных теорий о возможности прогнозирования фондовых рынков (временных рядов) популярна гипотеза эффективного рынка (efficient market hypothesis), согласно которой, в самой цене акции учтена вся имеющиеся информация и делать прогнозы бессмысленно. Теория случайных блужданий (random-walk theory) является продолжением гипотезы эффективного рынка. В теории случайных блужданий информация подразделяется на две категории — предсказуемую (известную) и неожиданную (неизвестную). Если предсказуемая информация уже заложена в рыночные цены, то неожиданная информация в цене пока еще не присутствует. Одним из свойств неожиданной информации является случайность последующего изменения цены. Гипотеза эффективного рынка объясняет изменение цен поступлениями новой неожиданной информации, а теория случайных блужданий дополняет это мнением о случайности изменения цен. Согласно гипотезе эффективного рынка и теории случайных блужданий на основании анализа состояния фондового рынка США в 70-е годы 20 века был сделан вывод о невозможности прогнозирования цен.

Однако, большинство участников рынка все же использует различные методы для прогнозирования, пытаясь выделить скрытые закономерности из самого временного ряда. Работы основателя технического анализа Ральфа Нельсона Эллиота (Ralph Nelson Elliott) опубликованные в 30-е посвящены выявлению скрытых эмпирических закономерностей из временного ряда.

Эта точка зрения поддерживается в появившейся в 80-х годах теории динамического хаоса, которая построена на противопоставлении хаотичности и стохастичности (случайности). Хаотические ряды только выглядят случайными, но, как детерминированный динамический процесс, вполне допускают краткосрочное прогнозирование. Область возможных предсказаний ограничена по времени горизонтом прогнозирования, но этого может оказаться достаточно для получения реального дохода от предсказаний (Хорафас Д.Н. Chorafas).

В настоящее время для прогнозирования финансовых временных рядов используют следующие методы:

1) Экспертные методы прогнозирования, основанные на сборе мнений различных экспертов и их обобщении в единую оценку (метод Дельфи).

2) Методы логического моделирования, основаные на поиске и выявлении закономерностей рынка в долгосрочной перспективе (метод сценариев, методы прогнозов по образу, метод аналогий).

3) Экономико-математические методы, основанные на создании моделей исследуемого объекта (разрабатывают микро- макро-, линейные, нелинейные, глобальные, локальные, отраслевые, оптимизационные и дескриптивные модели).

4) Статистические методы, основанные на построении различных индексов (диффузный, смешанный), расчете значений дисперсии, математического ожидания, вариации, ковариации, интерполяции, экстраполяции.

5) Технический анализ выполняет прогнозирование изменений цен в будущем на основе анализа изменений цен в прошлом, основан на предположении из анализа временны́х рядов, выделяя тренды, можно спрогнозировать поведение цен.

6) Фундаментальный анализ, метод прогнозирования рыночной (биржевой) стоимости компании, основанный на анализе финансовых и производственных показателей её деятельности.

2. Использование нейронных сетей для прогнозирования финансовых временных рядов

Прогнозирование с использованием нейронных сетей можно отнести к методам технического анализа, т.к с их помощью возможно выявить закономерности в развитие ряда, обучаясь на его исторических данных. Перед применением нейронных сетей необходимо выполнить предварительную обработку данных временного ряда с последующим кодированием.

Предварительная обработка. Пусть имеются данные об изменении индекса РТС (Российская Торговая Система, проводящая торги на рынке акций) за определенный период (рис. 1). Индекс РТС отражает текущую суммарную рыночную капитализацию (выраженную в долларах США) акций некоторого списка эмитентов в относительных единицах.

Рис. 1 Интервальный график в виде японских свечей индекса РТС.

Каждая фигура на графике (рис. 1) показывает движения цены за определенный промежуток времени (в данном случае один день), при этом выделяют бычьи и медвежьи японские свечи (рис.2). Опишем их:

— цена открытия — величина цены в начале промежутка времени

— цена закрытия —величина цены в конце промежутка времени

— максимальная цена —максимальная цена за весь этот промежуток времени

— минимальная цена —минимальная цена за весь этот промежуток времени

— если в течении периода цена шла вверх (бычий тренд), тогда тело свечи будет белым (или прозрачным)

— если в течении периода цена шла вниз (медвежий тренд), тогда тело свечи будет черным (или закрашенным)

Рис. 2 Японские свечи

Необходимо заметить, что значимыми для предсказаний являются изменения котировок. Поэтому временной ряд, состоящий, например, из абсолютных значений цен закрытия, необходимо преобразовать в ряд приращений котировок, рассчитанных по формуле Х[t]=X[t] / X[t-1], где X[t] и X[t-1] цены закрытия периодов (рис. 3) Для первого Х[t]=X[t] / X[t] =1. При этом приращения имеют гауссово распределение (рис. 4). Используя тот факт, что из всех статистических функций распределения, определенных на конечном интервале, максимальной энтропией обладает равномерное распределение, перекодируем значения переменных ряда, так, что входные переменные, в обучающей выборке несли примерно одинаковую информационную нагрузку.

Рис. 3 Временной ряд приращений котировок, рассчитанных по формуле X[t] / X[t-1]

Рис. 4 Распределение приращений котировок.

Кодирование. Отрезок значений из диапазона от минимального приращения до максимального разбивается на N фрагментов, так, чтобы в диапазон значений каждого фрагмента входило равное количество приращений котировок. На рис 5 показано разбиение диапазона значений приращений котировок, показанного на рис. 4 на 6 фрагментов, в каждом из которых количество приращений одинаково.

Рис. 5 Границы выделенных фрагментов

Если использовать идентификатор фрагмента в качестве номера класса, в который попало соответствующее значение приращения, тогда возможно преобразование показанное на рис. 6.

Рис.6 Перекодирование приращений котировок с использованием идентификаторов фрагментов

В результате описанных преобразований получим равномерное распределение закодированных приращений котировок (рис. 7).

Рис. 7 Равномерное распределение

После описанных преобразований значения временного ряда, показанные на рис 6 можно использовать для построения прогноза с помощью нейронных сетей. С помощью метода скользящего окна из данных временного ряда необходимо сформировать обучающую и тестовую выборки в соотношении 2:1. Метод «скользящего окна» предполагает использование «окна» с фиксированным размером, способного перемещаться по временной последовательности исторических данных, начиная с первого элемента. При этом для окна размером N, каждый элемент ряда который попал в окно с номерами с 1 по N-1 будет использован в качестве входного элемента, N-ый последний элемент в качестве выходного.

Необходимо заметить, что качество обучающей выборки тем выше, чем меньше ее противоречивость и больше повторяемость. Для задач прогнозирования финансовых временных рядов высокая противоречивость обучающей выборки является признаком того, что способ формирования выбран неудачно.

Рис. 8 — Метод «окна»

Рассмотрим факторы влияющие на противоречивость и повторяемость обучающей выборки:

1) количество элементов обучающей выборки — чем больше элементов, тем больше противоречивость и повторяемость;

2) количество классов использованных для кодировки — при увеличении снижается противоречивость и повторяемость;

3) глубина погружения в финансовый временной ряд («размер окна») — чем больше глубина, тем меньше противоречивость и меньше повторяемость.

Задание:

1. Предложить свой вариант данных для прогноза, пользуясь данными Государственной службы статистики Украины (http://www.ukrstat.gov.ua/). Построить график в Microsoft Exсel или Open Office Calc

2. Разработать содержательную постановку задачи прогнозирования

3. Выполнить предварительную обработку данных временного ряда с последующим кодированием.

4. С помощью метода скользящего окна сформировать из данных временного ряда обучающую и тестовую выборки в соотношении 2:1

5. Используя практические знания, полученные при выполнении лабораторных работ 1 и 2 сконфигурировать нейронную сеть и обучить ее с помощью обучающей выборки.

6. Протестировать обученную нейронную сеть на обучающей и тестовой выборке.

7. Для оценки точности прогноза данные тестирования необходимо подвергнуть обратному преобразованию, восстановив исходный временной ряд (декодирование и деобработка).

8. С помощью средств NeuroPro и Microsoft Exсel (Open Office Calc)оценить (среднеквадратичная ошибка) и проанализировать результат прогноза (выбор размера окна прогноза).

9. Построить графики на основании исходных данных и полученных в результате прогнозирования с помощью средств Microsoft Exсel (Open Office Calc).

10. Оформить отчет, в котором отобразить с 1-9 пункты задания.




<== предыдущая лекция | следующая лекция ==>
Условия организации и проведения игр | Решение задачи классификации на основе нейропакета NeuroShell2

Дата добавления: 2015-10-19; просмотров: 1315. Нарушение авторских прав; Мы поможем в написании вашей работы!



Аальтернативная стоимость. Кривая производственных возможностей В экономике Буридании есть 100 ед. труда с производительностью 4 м ткани или 2 кг мяса...

Вычисление основной дактилоскопической формулы Вычислением основной дактоформулы обычно занимается следователь. Для этого все десять пальцев разбиваются на пять пар...

Расчетные и графические задания Равновесный объем - это объем, определяемый равенством спроса и предложения...

Кардиналистский и ординалистский подходы Кардиналистский (количественный подход) к анализу полезности основан на представлении о возможности измерения различных благ в условных единицах полезности...

Методы анализа финансово-хозяйственной деятельности предприятия   Содержанием анализа финансово-хозяйственной деятельности предприятия является глубокое и всестороннее изучение экономической информации о функционировании анализируемого субъекта хозяйствования с целью принятия оптимальных управленческих...

Образование соседних чисел Фрагмент: Программная задача: показать образование числа 4 и числа 3 друг из друга...

Шрифт зодчего Шрифт зодчего состоит из прописных (заглавных), строчных букв и цифр...

Растягивание костей и хрящей. Данные способы применимы в случае закрытых зон роста. Врачи-хирурги выяснили...

ФАКТОРЫ, ВЛИЯЮЩИЕ НА ИЗНОС ДЕТАЛЕЙ, И МЕТОДЫ СНИЖЕНИИ СКОРОСТИ ИЗНАШИВАНИЯ Кроме названных причин разрушений и износов, знание которых можно использовать в системе технического обслуживания и ремонта машин для повышения их долговечности, немаловажное значение имеют знания о причинах разрушения деталей в результате старения...

Различие эмпиризма и рационализма Родоначальником эмпиризма стал английский философ Ф. Бэкон. Основной тезис эмпиризма гласит: в разуме нет ничего такого...

Studopedia.info - Студопедия - 2014-2024 год . (0.01 сек.) русская версия | украинская версия