Современные информационные технологии/3. Программное обеспечение

Жамбаева А.К.

Костанайский государственный университет им. А. Байтурсынова, Казахстан

Информационные технологии прогнозирования рыночной экономики

Для современного трэйдера сегодня открываются широкие перспективы, благодаря развитию информационных технологий. Так, если первым инвесторам приходилось рассчитывать каждую формулу вручную, а каждый график рисовать на миллиметровке, то сегодня, с развитием вычислительной техники в руках инвесторов появилась возможность не просто облегчить саму процедуру торговли, но и сделать ее более эффективной и доходной. Научные исследования по совершенствованию методов прогнозирования и анализа данных ведутся на основе интеграции нечетких множеств, теории хаоса и, как инструмента реализации прогнозов, нейронных сетей.

Использование нейронных сетей является одним из самых распространенных инструментов, предлагающихся сегодня на рынке. Нейронные сети очень разнообразны по своей архитектуре, но все они имеют один общий базовый элемент - искусственный нейрон, который имитирует свойства биологического нейрона. Одно из важнейших свойств нейронной сети - ее способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Эта цель достигается путем обучения сети, алгоритм задается набором правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Имеется два класса обучающих методов: детерминистский и стохастический. Детерминистский метод обучения шаг за шагом осуществляет процедуру коррекции весов сети, основанную на использовании их текущих значений, а также величин входов, фактических выходов и желаемых выходов. Стохастические методы обучения выполняют псевдослучайные изменения величин весов, сохраняя те изменения, которые ведут к улучшениям. Обучение сети является одной из значимых проблем в этой области.

Большинство задач прогнозирования при помощи нейронных сетей сводятся к предсказанию значений временного ряда. Плюсами нейросетевых моделей является их обучаемость, независимость от характера входной информации.

К недостаткам нейронных сетей можно отнести следующее: как правило, необходимо около 100 наблюдений для создания приемлемой модели. Другим недостатком нейронных моделей - значительные затраты по времени и другим ресурсам для построения удовлетворительной модели, известно, что обучение сети может занимать довольно много времени.

Нейронные сети являются внешне недетерминированными, т.е. имеется в виду то, что после обучения имеется «черный ящик», который каким-то образом работает, но логика принятия решений нейросетью совершенно скрыта от эксперта. Однако, существуют алгоритмы «извлечения знаний из нейронной сети», которые формализуют обученную нейронную сеть до списка логических правил, тем самым, создавая на основе сети экспертную систему. Длительность обработки информации в сети напрямую зависит от ее архитектуры.

Основной причиной появления теории нечеткой логики (fuzzy logic) стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. Нечеткие экспертные системы для поддержки принятия решений находят широкое применение в экономике. В бизнесе и финансах нечеткая логика получила признание, после того как в 1988 году экспертная система на основе нечетких правил для прогнозирования финансовых индикаторов единственная предсказала биржевой крах.

Характеристикой нечеткого множества выступает функция принадлежности. Если в классической формальной логике функция принадлежности могла принимать только два значения 0 и 1 (нет и да соответственно), то в нечеткой логике функция принадлежности может принимать любое значение из отрезка [0;l] (нет, да и может быть). Основой для проведения операции нечеткого логического вывода является база правил, содержащая нечеткие высказывания в форме «если-то» и функции принадлежности для соответствующих лингвистических переменных. В общем случае механизм логического вывода включает четыре этапа; введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости, или дефазификация. Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации. Геометрический смысл четкого значения, полученного в результате обработки таким алгоритмом центр тяжести для кривой функции принадлежности итогового нечеткого множества.

В результате объединения нескольких технологий искусственного интеллекта появился специальный термин - «мягкие вычисления» (soft computing), который ввел Л. Заде в 1994 году. В настоящее время мягкие вычисления объединяют такие области как: нечеткая логика, искусственные нейронные сети, вероятностные рассуждения, эволюционные и иммунные алгоритмы. Они дополняют друг друга и используются в различных комбинациях для создания гибридных интеллектуальных систем принятия решения. К недостаткам нечеткой логики можно отнести: отсутствие стандартной методики конструирования нечетких систем; невозможность математического анализа нечетких систем существующими методами.

Литература:

1.Синергетика и проблемы теории управления / Под ред. Колесникова А.А. - М.: Физматлит, 2004. - 504 с.

2.Жамбаева А.К. Информационная технология анализа управления краткосрочными колебаниями и флуктуациями в экономической системе: дис. … маг. естеств. наук / Жамбаева А.К., г. Костанай, 2011г. – 70 с.

3.Панфилов П. Ввведение в нейронные сети // Современный трейдинг. -2001, №2. С. 12-17.