Автореферат (1138078), страница 3
Текст из файла (страница 3)
ВО ВторОЙ Глаие прелложены спОсооы проГИОзироаання финансОВых рынкоВ на осноае ~прошения картины мира репрезентатннным ВГеитом и исполнзонания контекстноЙ памяти прн прння*ни решений, Рассмотрено сраанительиое Применение метОла Глааных н метОла незаиисимых компонент В Качестае 11нст~~ментоВ прелнарнтелВИОЙ обработки Вхолных Ванных В мопелях нсктсстаенных нейронных сетей. С помоннно лн~х зтих метолОВ проаолнлосВ ЛВВ Вила 11опулярной обраооткн змпнрическоЙ информании -- сни®ение размерности (упрошение картины мира) и фОрмироаание контекстноЙ биолиОтеки нйнных В 11ск~сстаенной нейронной сети, Об~ченноЙ по метол~ ЛеаенберГВ-Маркаардта и сети Хакен а. МОЛелВ Хаке11а, которая траЛинионно нсполВзуется Ляя распозианания образои„была задейстВОВВИВ В лиссертании В ~~~~~ лля сеоя каче~~В~ — лля прОГнознроаания линймнки фонлоВОГО и Вал1отнОГО рынкОВ.
Для тоГО, чтобЫ занатВ библиотек~' КонтеКстнОЙ инфОрмайии В мОДели Хакена исполВзоиался д, = д„, + ~~~ Я„1'д„, р + В',,1 «1.'д„,) ~т „',д„,)1., + С~д„, д„,)д,, Гле 1~ — змпирнческий сколВзяший Вектор лохолности на финанс~~~~ рынке„1— симметричная матрина, представля1ошая собоЙ библиотеку контекстной информэпин, 1п — номер столоца В матрице у, М вЂ” длина ВектОра ц и размерность матрнны ~, Х вЂ” козффипнент обз'чения сети, В и С -- 11араметры. Влия1ошне на скоростВ об~ 1ення и схолимостВ сети, и — ~~м~р нтера11ин. 15 Бйблйотека койтекстйой информации ~ йз (1) задавалась лйбо как йабор реконсгрукций змпирического вектора Х с последовательным сдвигом в пропщое по одной или двум главным компонентам (в зависимости от волатнльности на рынке) — В случае использования метОда глаВных КОмпонент, лиОО как набОр реконструкций змпирическОГО Вектора Х ПО куклой нз независимых КОМНОнент на основе демикщирующей матрицы % 1матрица, обратная матрице, кодирующей вектор независимых компонент В наблюдаемый вектор сигналов) — в случае использования метода иезависнмых кОмпонент.
СтОлбцы лемикщнрующей матрицы % рассчитывались в соответствии с (2): Е ~х~ (и,,'х) ~- Е Н' ~Е хя (н:„, хД- Е йелййеййая фуйкцйя преобразования ~в даййом случае был использовай гиперболический тангенс)„п - номер итераций, на которой проводятся вычисления. Результаты прогнозирования по реальным рыночным данным позволилн сделать следующие выводы в отношений рассматриваемых в работе моделей: предварйтельйая ооработка входйых дай йых новы пгает качество прогнозирования фондового й валютного рыйка развитых стран по сравйенйю с искусственными нейронными сетями без Обработки; - предварйтельная обработка входйых даййых. Напеленная йа формирование бйблйотекй койтекстйой ййформацйй, прйводйт к бо~е~ высокйм результатам прй про1 нотироВзнии фондОВОГО и Взл1ОтнОГО рынкоВ рззви'1ых стран, чсм снйжение размерности; - йа осйоваййй доли Всрйо спрогйоайроваййых зйаков будутнсй доходйостй ВЫДВИНУТО ПРСДПОЛОЖСННС О ТОМ, ЧТО ПОСТРОЕННЫЕ МОДСЛИ ИСКУССТВСННЫХ нейронных сетей с предварйтсльйой ОбработкоЙ данйых могут фйксйровзть нзнбольшие абсолютныс ДОЬОдностп В финансовых Временных рвдйх; прй 11омо~й построенных моделей йскусствеййых йейроййых сетей с предварительной обработкой входных данных валютный рьпюк поддабтсЯ более рсзультзтнвноы1 прогнозироваййю нз коротких Врсменйых йнтервалзх (15- мпнуп1ыс котнровкп), а фондОВый рынОк, напротпв — на ддйнных (дйсвныс КОТИРОВКИ).
В нслом, прй про1 Позирований доходйостй йа фййайсовых рыйках продемонстрнроВзна недостаточная эффсктпВИОсть мстОда ГЛЗВных й метода йезавйсймых компойсйт кзк ийструмента сннжсння ратмсрйостй й зздаййя ойолпотскй контекстйой ннформанйи (Впды прсдварнтсль11ОЙ обработки Входйых данных) В йфусственных йсйроййых сствх.
ЭТО ОбуслаВлйВзет неооходймость йскать более аффсктйвные мехаййтмы 11редварйтелы1ой Обработкй Дайпь1х, чему посвян1сна Глава 3, В третьей глав~ продолжено йсследоваййе Инструментов прсдварйтелы1ой обработки Входйых данных., В Основе которых лежат конкурс1пт1ыс механитмы.
Научная 1-ИПОтсза СО~ТОяла В том, что использоВание мОделси искусстВснйь1х нейронных сетей, где предварительная обработка данных и обучение осущесгвляется йа основе конкуренции н саыоорганйзапйй способно повысить кзчсстВО проГНОзироВзния финайсОВых рынков раЗВитых стран ПО срзвиению с друГпмп мстодамн, С точки Зрения принятия инвсстпнпойных рсшснпй рспрсаснтзтивным ЗГснтом на рынкс прймснсние конкурентных мсханйамов означает формирование субъективно полной картины будукего (ьеК-аппЬабоп) на основе спсиарйой ййтерпрстапий пр»нплоЙ ййформапйй, Для проверки указанной научной гипотезы было построено лве орйгйиальньп» молслсй.
Первал молель — самооргайизукнпаисл йскусствсннал нсйронйал ссгь Кохойсйа — Хакена с вйслренйем конкурситиьп» меканйзмов ооработкй вк»злим ланньп» йа осйове мстолов главнык и нсзавйсимьп» компонент, а так®е прймененйсм относительной знтропйй Кульбака — Ллйблсра (КИИЬаск— 1.айег Й~егаепсе) . Длл постросййл лаййой молслй мы вйсслй в базовыЙ варйайт сстй Коконена йсскоЛЬко сунзсствси ныл» молйфиканйй, вклазчаа йсклвзченйе случаййой компойсйты прй заланйй начальнь»к отобрал»енйй (ва~иал проблема нсйрОсстсвом аналйзс)," Ооучеиис на ланнь$х, фиксируюлзйх максиьР~'мы и минимумы ценовой лййамйкй; расчет Отобрал»снил-»»п»збслитслл» и формйроваййс фуйкпнй тонологйческой окрестиостй на Осйове вел йчййы отйосйтельной зйтропйй Кульбака — Ллйблера й тсорйй перспектив (3); сослийсние сетй Глс И вЂ” всличииа ОтноснтсльнОЙ энтропии Кульбака — Лайблсра» р»хф,у) и р»кДД вЂ” лва случайнык пропесса, ~$,~ — корректйрунзп»ис мнол»итслй, лобавлейные в молсль, к — параметр, зала~о»ний прелелы интсгрйровайил.
где Х вЂ” нсходнмй ампнрнчсский Вектор, ~~ — Вектор-Отобра®синс„) — номер Вектора-отобраягсния, и — номер нтсраннн, на которой проиаиоднтся Обучение сстн, )1„-'- функния топодогичсской окрестности. которая формнроазпась на осноа~ расстояния Кудьбака -- Лайбдера нз (3), 11 -- параметр, Ваиякнннй на Скорость обучения сети, т, — Временная константа.
Посде атого набор Вектороа Весоа ~ нсподьзоаздся В качсстае бибднотски контекстной информанни В сети Хакена иа (1 ). Вторая Вреддо~кенная В гдаае модсдь -- система на нескодькнх нсзаанснмьгх нскусстВенньпг нейроннмх сетеи (роФия модсдь), пострОенная затором, соединила В себе сеть нрямого прохода (5) с Вмонтнроааннмм стохастическим бдоком самоорганнзующихся карт —. так в рамках одной модели бмди соединены даа типа нейросстсаого обучения -- «с учителеми н самоорганизация. -5 15) и'.г~- ~ 13~в'5~ ~Г1.
М~г~ . + К2'г2 „!+ и.а' Г2' ,иа~г +м4~г,; -у,: ° мж 1=-х-1 Я. (р,(х) р,(х)) + КЕ (р,(х), р,(х)) Л (р,,р,)— 2 где рь р. -- нормальные распределенил„К). -- расстолние Е~льбака — Лайблера межд)' этими дв~'мя распределениями. Об~йенне в Модели происходило в соответствии с роевым механизмом, за ичствованньщ мз сети Кохонена (4) — так происходил определенный естествениыЙ ~~бор ~~иудее аффективной сети. результаты прогнозированих фондового н валктного рынков развитых стран с помон(ыо двух построенных моделей обобщены в табл. 1. Табл. /. Резн~ь~нол~ы й~лхл~озлрое~ннл адно~лйо~о и фрейдово'о рынков е лоиол(ыо лсх5ссл~еенной лелролнйй с~~в Кохонен -- Хожено л роеаой.подели. 20 , .'Модель,' ЁСА- 1 (С к- ', Портфель Портфель" ,Рыпочпыф : портфе.ть ~ портфель ) еетп алторетрееемп . портфель ~ прпмото и охода ; Кохонен Хакки (ОРелиее ( 1 11 (55'.~ ) ~ 1,11 (555К) ( 0,99 (53ттд) 0,93 (56"ж) ' 1,1) 1 :, ПО 6-ти аазотиым ларам) ' КОХОНЕН .
ХаКЕН (ЕРЕЛИЕЕ 1 6.5$ (4К"Л) ' Ф.Я4 (47;4), :1,17 (49'Л) 0,К9 (50к:;) . 1„29 1 ио 6ми фОНДОВММ ! ! ииаексам) 1 ~ — — — —.— — —.— к-- — — +- — ---~ — —;; — — —.— — „— -) — - — -~ Роеаак мелка: (ОРедиее оо 1 1,09 (59Т9) ) 0„99 (53'Ъ) ~ 0,96 (54% ), 1.01 1 6"'ти Вал$отиым Парам) ! Роеааа модель (ередиее Ио ( 6„05 (5а'Ж) ~ 1 56 (495к) 1 0,63 (49'.Т) 1 1.56 т.ми ФОндОВым иидекеам) ... 1,.... П3тмиектим~л В тлттбт(л(е )кллпиы тлллклил ам)ми)катали~к килкклил(лоипыт ло(т)лфе.те1) лл мал( пю(т тикй) тееоли, РС4-иа(ттлфлть — портфель жъусслеоенитл) илмроитл11) еел)и с исткьтьтпюпмпир ы .Мелии5м' Глттлл1кт кодитрикллк ТС4-ткт!Илфе.ть "" о 1ттткттьтолттлмем мел(1тдм" иптттлисммыл ктдтлплеллк ттлмтт)алые Тллкклмл по)илфкле1) рллилтпкь /.
8 сктл)кот тктттлл В ХОДС ВНВ)) НЗВ ПО)ТЗИ(СННЫХ РСЗУНВТВТОВ йВ РВЗНЫХ фйНВНСОВМХ РИНКВХ би)) В ВЫСТРОСНВ НСРВРХНЯ РОЗУ))ЬТВРОВ ПРОГНОЗНРОВВННЯ ДОХОДНОСТН НВ ФОНДОВОМ й ВВ))НТТНОМ РЫНКВХ РВЗВНТМХ СТ)ТВй С ПОМО(НВ)О НРСД)(О)КОННЫХ В РВбОТС НСК~ССТВСННМХ НСЙРОННЫХ ССТСЙ В ЗВВНСНМОСТН ОТ ((РНЯСНЯСММХ ННСТРУМСНТОВ ОбрйбОТКН ВХОДНИХ ДВННВ(Х. Ьы))О ПОКВЗВНО„ЧТО ПРНМСНСННС СВМООРРВННЗ~'1О~йХСЯ НСЙРОНПВ(х сстсй с ХОНХУрс)пнОЙ НРСдВВрйтс))ВПОЙ ООРВбОТХОЙ ВхОдйых дййнмх О60спСчйВВст лУн(нй0 ))сз~нбтйты НО срВВПСНН)О с НРСНВВрйтс)(ВНОЙ ОЙРВбОткОЙ В ВННС снй)ХСННЯ ()ВзмсрйОстй й фОрмйРОВВПНЯ стйтйчйОЙ ОНО)(НО*СХН ХОйтскстйОЙ ййфОРЯВПНН, НО С)ТВВНСННН» С НСК~ССРВВННЫМй НСЙРОННЫХ(й ССТЯМй бСЗ предВарительноЙ обрабОтки Входных данных, 3 также простыми авторегрессионными моделями.
Были сделаны следуюп1ие Важные ВыВОды, касаюп1иеся прогноэировзния фИНЗНСОВЫХ РЫНКОВ: нспольэовзнне свойств сзмоорганиэзпин В модели Кохонена — Хакенз и роеВОЙ модели позволяет увеличить реэультативность прогноэз фондового рынка пО сравненик1 с моделями искусственных нейронных сетей, ИОстроенных В Главе 2„это Говорит о том, что конкурентные и эволюционные алгоритмы, В т.ч. 11окаэавп1не свою эффективность В природных системах, могут быть успеп1но заимствованы для решения Задач финансовой математики, поскольку эти характеристики Отрзжа1От Важные механиэмы принятия реп1еиин ВГентами на фИНВНСОВЬ1Х РЫНКЗХ.
- Модель Кохонена — Хакена более результативно предскаэывзет фонДОВЫЙ рынок Во Время и п~~~е мирово1О финансового криэиса, что может Обьясняться СМСИОЙ режима функционирования рынка ~~~~~ 2008 Года н/или иэменением мехзниамз принятия реп1ений агентами на рынке — их способности эффективно обрабатывать поступаю1цую информацию и повьппать навыки этой обработки (т.е. обучаться); роевая ~одель искусственных ~ейроннЫХ сетей Й111ее эффективно прогнозирует фондовый рынок, когда его распределение содержит «толстые хВОсты>> 1доля больп1нх амплитуд приро1 тОВ Высока) н отклОняется От нормального эаконз, причем ВЫДЗ~~ прогноэы с Определйнным Временным ЛЗГОМ по отноп1ению к Воэникновенню п~добн~Й «аиомзлиия на рынке„в свою ~~~р~д~, этО сВОЙство мОДели мОжет быль ЗВДейстВОВанО В системах финансОВОГО рискменеджмснтз для получения ранних предупреждений о Воэможных анОмальных событиях на рынке ~В т.ч., криэисзх); кроме эх~о, это свидетельствует о том, что финансовые рынки поддаются более реэультативному прогноаировзнию именно в те временные перноды, когда происходнт нх отклонение от состокння и нформанноннОЙ Зффектн Вностн; разные реаультаты прогно~нрованнк фондового и вал~отного рынков с помоп~ь~о построенных Искусственных ненронных Сетей с предварнтельной обработкой Входных данных, представленные в табл.1, могут быть объяснены разлнчной структурой ттнх Временных радов; дола п~умовой, несуптественной составляю%ей на ФОндовом рынке значнтельио Вьппе, и пОстроенные МОделн, оказыва~отск способнь1 ее вффектнвно отфнльтровать н Вынленнть нанбодее ва~кные фак.горы пенообразованнк: данный Вывод, В пелом, со~ласуетск с другнм Ва~кным Выводом работы, которыЙ ~акл~очаетск В том, модепн Искусственных нейронных Сетей споеобны фнкснровать и предскааывать нанболее сндьные двнхкення на рынке (тренды), В ~вн~~вненнн прнводктск о~Ионные Выв~д~, п~~у~~~~ы~ В днссертаннн, Ел®чевым дпк рабо*ы стало Выквпенис Важных ~Собенноетей ненообрй~ованнк и ело;кности прогно~нрованнк фннансовых рынков с помо~,ь~о построенных моделей нск,'усственных нейронных Сетей; быд проведйн подробный 1.
Головачев, С.С. Кластеризання данных н роевые методы обучения нскусственнык нейроннык бретей в прогнозировании рынка Неинык бумаг 1Текст1 ~ С,С. Голоаачевд Финансовый амурная — 2013. -- №2 (16).— С. 85-96, (0,82 пл.) 2. Головачев1 С,С. Использование нскусственнык ней1зоннык ~етеЙ для проГнОзирования амернканскОГО ФОндовОГО рынка а периОд кризиса 1Электронный ресурс1 ' С.С.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
