СППР фінансового аналізу на базі алгоритмів нечіткої логіки

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 94 90 96 91 -> 94 90 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 спостережень для створення придатної моделі. Це достатньо велике число даних і існує багато випадків, коли така кількість історичних даних недоступна. Це взагалі в більшості стосується вітчизняного фондового ринку, який ще не є досить впорядкованим і організованим. Навіть при прогнозуванні курсу цінних паперів, по яких є щоденні ціни, дуже важко нагромадити історію за період від 50 до 100 місяців. Проте, необхідно відзначити, що ми можемо побудувати задовільну модель на нейронних мережах навіть в умовах недостачі даних. Модель може уточнюватися в міру того, як свіжі дані стають доступними. Іншим недоліком нейронних моделей є значні витрати часу і інших ресурсів для побудови задовільної системи підтримки прийняття рішень. Ця проблема не дуже важлива, якщо досліджується невелике число часових послідовностей. Проте, незважаючи на перераховані недоліки, модель володіє рядом переваг. Існує зручний засіб модифікування моделі по мірі того як з'являються нові спостереження. Модель добре працює з часовими послідовностями, у яких малий інтервал спостережень, тобто може бути отримана відносно довготривала часова послідовність. З цієї причини модель може бути використана в областях, де нас цікавлять щогодинні, щоденні або щотижневі спостереження. Саме до цих областей і відноситься фінансовий аналіз на швидко змінному фондовому ринку. При створенні системи підтримки прийняття рішень, яка заснована на алгоритмах нечіткої логіки доцільно використовувати метод нейронних мереж, як найбільш простий для моделювання. Переслідуючи мету створення дешевої і ефективної системи вибираємо саме архітектуру нейронних мереж. Схему створюваної системи представлено на Рис.1

Рис. 1.

Саме формуванню бази знань слід приділити особливу увагу. Вона повинна містити не тільки інформацію про цінні папери в деякі періоди часу, а й логічні звязки між курсами цінних паперів та подіями на підприємствах. Це дозволить звязати фундаментальний та технічний аналіз, що дає набагато більш точний результат аналізу, ніж просте дослідження змін курсів за допомогою статистичних моделей. Слід відмітити, що дуже часто на курс цінних паперів впливають структурні зміни на підприємстві, зміна бюджетної та дивідендної політики та інше. Але після проходження вищеназваних змін курс змінюється не відразу, а через деякий проміжок часу. Система повинна побудувати нейронну мережу на основі обєднання інформації, отриманої з бази знань. Результатами роботи систем підтримки прийняття рішень є рекомендація щодо прийняття управлінського рішення особою, яка приймає рішення. Але у випадку з системою підтримки прийняття рішення фінансового аналізу на фондовому ринку недоцільно використовувати стандартний підхід до результатів роботи системи. Це повязано перш за все з великим ступенем невизначеності при роботі на фондовому ринку, а також з неможливістю завантаження бази знань системи повністю інформацією, яка б охоплювали весь можливий досвід роботи на фінансових ринках. Тому доцільно представити на розгляд особи, яка приймає рішення декілька варіантів рішення з описом позитивних і негативних рис кожного. Досвід нейронної мережі у сукупності з досвідом особи, яка приймає рішення повинен дати більш позитивний результат у порівнянні з суто машинним варіантом. Вибір одного з варіантів повинен бути далі внесений в базу знань, як наступний досвід роботи системи. Вміння навчатись на отриманому досвіді це основна з позитивних рис системи на базі алгоритмів нечіткої логіки. Фінансовий аналіз на фондовому ринку на 80 відсотків залежить від отриманого досвіду у вміння їм користуватись. Тому створення системи підтримки прийняття рішень фінансового аналізу з застосуванням нейронних мереж є одним з ефективних методик побудови подібних систем. Найголовніше при створенні системи це відмова від традиційного підходу до СППР, такого як орієнтація на надання єдиного результату. Необхідно генерувати цілий спектр можливих рішень та навчатись на досвіді їх вибору. Саме такий підхід дозволяє створити систему підтримки прийняття рішень, яка б задовольняла всі потреби аналітиків, які працюють на фондових ринках.