(Назад)
(Cкачать работу)передбачає використання 2-х вікон A1 та А2 з фіксованими розмірами відповідно n та m. Ці вікна здатні переміщуватись з деяким кроком по часовій послідовності історичних даних, починаючи з першого елементу, і призначені для доступу до даних часового ряду, причому перше вікно А1, отримавши данні, передає їх на вхід нейронної мережі, а друге вікно А2 – на вихід. Пара, яку ми отримуємо на кожному кроці А1 -> А2 (1) використовується як елемент навчаючої вибірки. Приведемо 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 допомогою методу вікон для нейронної мережі буде згенерована наступна навчаюча вибірка: 100 94 90 96 -> 91
90 96 91 -> 94
96 91 94 -> 95
96 91 94 95 -> 99 (3) Кожний наступний вектор отримується в результаті зсуву вікон А1 та А2 праворуч на один елемент. Передбачається наявність прихованих залежностей в часовій послідовності як множина наглядів. Нейронна мережа системи підтримки прийняття рішень, навчаючись на цих наглядах і настроюючи свої коефіцієнти робить спробу виділити закономірності та сформувати в результаті функцію прогнозу.
Прогнозування здійснюється по тому ж принципу, що і формування навчальної вибірки. При цьому виділяються дві можливості: однокрокове і багатокрокове прогнозування.
Багатокрокове прогнозування використовується для здійснення довгострокового прогнозу і призначено для визначення основного тренду і головні точки зміни тренду для деякого проміжку часу в майбутньому. При цьому система, що прогнозує, використовує отримані (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 і т.д.
Припустимо, система навчилася на часовій послідовності (2). Потім вона спрогнозувала k+1 елемент послідовності, наприклад, рівний 95, коли на її вхід був поданий останній з відомих їй образів (99, 98, 96, 98). Після цього вона здійснює подальше прогнозування і на вхід подається такий образ (98, 96, 98, 95). Останній елемент цього образу є прогнозом системи. І так далі.
Однокрокове прогнозування використовується для короткострокових прогнозів, звичайно - абсолютних значень послідовності. Здійснюється прогноз тільки на один крок вперед, але використовується реальне, а не прогнозоване значення для здійснення прогнозу на наступному кроці.
Для часової послідовності (2) на кроку k+1 система прогнозує вимогу 95, хоча реальне значення повинне бути 96. На кроці k + 2 в якості вхідного образу буде використовуватися образ (98, 96, 98, 96).
Як було сказано вище, результатом прогнозу на нейронних мережах є клас, до якого належить змінна, а не її конкретне значення. Формування класів повинно проводитись в залежності від того, які цілі прогнозування. Загальний підхід складається в тому, що область визначення прогнозованої змінної розбивається на класи відповідно до необхідної точності прогнозування.
Класи можуть представляти якісний або чисельний погляд на зміну змінної.
Таким чином, ми розглянули один з методів прогнозування ситуації на фондовому ринку за допомогою нейронних мереж, а також побачили, як застосовується нечітка логіка в фінансовій сфері.
Прогнозування на нейронних мережах має ряд недоліків. Взагалі нам необхідно як мінімум 50 і краще 100
Похожие работы
Интересная статья: Быстрое написание курсовой работы