ИССЛЕДОВАНИЕ ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

Митинская А.Н., Матыч М.А.

DOI: 10Л2737/15021

Аннотация. Изучается проблема прогнозирования в принятии решения на основе нейросетей. Описывается ряд преимуществ и недостатков, а также общее представление о прогнозировании с использованием нейронных сетей.

Ключевые слова: прогнозирование, нейронные сети.

Главная задача любого инвестора - купить дешевле и продать дороже. Чем выше изменчивость цен актива, тем больше имеется возможностей для проведения выигрышных стратегий торговли, но они сопряжены с высоким риском. Ключевым вопросом при этом является определение направления, величины и изменчивости будущих цен на основе прошлых данных. Решить эту задачу можно с помощью прогнозирования.

Прогнозирование является одним из важнейших элементов современных информационных технологий принятия решений в управлении. Эффективность того или иного решения оценивается по событиям, возникающим уже после его принятия. Поэтому прогноз таких событий перед принятием решения позволяет сделать наилучший выбор, который, без прогнозирования мог бы быть не таким удачным. «Тот, кто владеет информацией - владеет миром» - гласит известная пословица, поэтому чем большим количеством информации о явлении или процессе владеет человек, тем больше у него шансов достичь цели в отношении данного процесса или явления.

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. При увеличении информационных ресурсов, используемых в модели, увеличивается точность прогноза, а убытки, связанные с неопределенностью при принятии решений, уменьшаются.

Невозможно снизить погрешность прогнозирования ниже определенного уровня, вне зависимости от того насколько хорош примененный метод прогнозирования. Поэтому определение погрешности прогноза, наряду с самим прогнозом, позволяет значительно снизить риск при принятии решений.

Задача прогнозирования в общем случае сводится к получению оценки будущих значений, упорядоченных во времени данных на основе анализа уже имеющихся, а также (при необходимости) тенденции изменения влияющих факторов. Прогнозируемой величиной являются значения временного ряда на интервале [T(n+1), T(n+f)], где Т(п) - текущий момент времени, a f - интервал прогнозирования. Иногда возникает необходимость не в прогнозе значений временного ряда на заданном интервале, а в прогнозе вероятности того, что они будут вести себя тем или иным образом (возрастать, убывать, находиться в некоторых пределах и т.д.) [1].

В последние десятилетия для решения экономических задач широкое распространения получили нейронные сети [2]. Использование нейросетей обусловлено их способностью работать с противоречивыми данными. Нейронные сети можно отнести к методам технического анализа, так как они пытаются выявить закономерности в развитие ряда, обучаясь на его исторических данных.

Нейронных сетей имеют ряд преимуществ по сравнению с другими существующими методами при выборе модели прогноза:

  • 1. Результативность при решении неформализованных или плохо формализованных задач.
  • 2. Устойчивость к частым изменениям среды.
  • 3. Результативность при работе с большим объемом противоречивой информации.
  • 4. Результативность при работе с неполной информацией. Важный этап при построении нейросетевой прогнозирующей системы -

это определение следующих трех параметров: периода прогнозирования (основная единица времени, на которую делается прогноз), горизонта прогнозирования (это число периодов в будущем, которые покрывает прогноз) и интервала прогнозирования (частота, с которой делается новый прогноз). Для того чтобы прогнозирование имело смысл, горизонт прогнозирования должен быть не меньше, чем время, необходимое для реализации решения, принятого на основе прогноза.

Типовой алгоритм прогнозирования можно представить в виде следующей схемы (см. рисунок!):

Алгоритм прогнозирования На первом этапе

Рисунок 1. - Алгоритм прогнозирования На первом этапе (отбор значащих факторов) выделяется максимальное число из значащих, влияющих на прогноз, факторов. Здесь же выбирается интервал наблюдения. На втором этапе устраняются несущественные, по мнению эксперта, и не влияющие на прогноз, данные. При необходимости, также, восстанавливается пропущенная информация, устраняются аномальные выбросы, убираются высокочастотные шумы. Умело проведенная предобработка данных позволяет значительно улучшить качество прогноза. На следующем этапе для данного анализируемого процесса выбирается наиболее подходящая парадигма и структура нейронной сети, а также алгоритм и параметры ее обучения. Последним этом будет прогнозирование (получение результата). Эксперименты осуществляются по схеме, аналогичной той, при которой производилось обучение.

В некоторых случаях не так важно предсказание конкретных значений прогнозируемой переменной, как предсказание значительных изменений в ее поведении. Такая задача возникает, например, при предсказании момента, когда текущее направление движения рынка (тренд) изменит свое направление на противоположное.

К недостаткам прогнозирования с помощью нейронных сетей можно отнести следующее: длительное время обучения, проблема переобучения, трудность определения положения обучающей выборки и значащих входов.

Список литературы

  • 1. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». - М.: Издательство МЭИ, 2002. -176 с.
  • 2. Классификация методов и моделей прогнозирования [Электронный ресурс]. Режим доступа: http://habrahabr.ru/post/177633/

Матыч Максим Александрович, студент 1 курса отдела магистратуры Белгородского государственного технологического университета имени В. Г. Шухова, г. Белгород, РФ

Митинская Анна Николаевна, студентка 1 курса отдела магистратуры Белгородского государственного технологического университета имени В. Г. Шухова, г. Белгород, РФ

УДК 674.812: 001.5

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >