CC BY
44
Серiя: Техшчш науки ISSN 2225-6733
Inc. Boston, 2000. 938 p. (Rus. ed.: Deit K. Vvedenie v sistemy baz dannykh, Moskow, Izdatelskiy dom «Vil'yams» Publ., 2015. 1072 p.). (Rus.)
4. Ratshiller T., Gerken T. PHP4: razrabotka Web-prilozheniy [PHP4: development of Web- attachment]. Sankt Peterburg, Piter Publ., 2016. 384 p. (Rus.)
5. Tomson L., Velling L. Razrabotka Web-prilozheniy na PHP i MySQL [Development of Web- attachment on PHP and MySQL]. Kyiv, DiaSoft Publ., 2001. 672 p. (Rus.)
6. Staufer T. Sozdanie veb-stranic. Samouchitel [Creation of web pages. Manual for self-tuition]. Sankt Peterburg, Piter Publ., 2003. 448 p. (Rus.)
7. Konvers T. РНР 5 i MySQL. Bibliya polzovatelya [РНР 5 and MySQL. Bible of user]. Moskow, Izdatelskiy dom «Vil'yams», 2006. 1216 p. (Rus.)
Рецензент: С.А. 4i4KapbOB
д-р техн. наук, проф., ДВНЗ «ПДТУ»
Стаття над шшла 19.10.2017
УДК 004.056.55:004.421.5
© Левицька Т.А.1, Романов К.Г.2
МОДЕЛЮВАННЯ ПРОГНОЗУВАННЯ ФОНДОВИХ РИНК1В З ВИКОРИСТАННЯМ НЕЙРОМЕРЕЖ
Дана стаття присвячена обгрунтуванню моделювання прогнозування фондових ринк1в з використанням нейромереж1, опису принципов реал^зацИ алгоритму моделювання та перспективам його застосування. Розглянуто проблеми традицтних та класичних систем моделювання прогноз1в, теорп нейромереж, питання вдоско-налення метод1в анал1зу i збшьшення точност1 прогноз1в фондових ринюв, побудо-ва нечтких моделей на базi множин незалежних змiнних та найбыьш iнформати-вних факторiв впливу. Описано наукове обгрунтування методики застосування моделювання прогнозiв. На основi апарату нейронних мереж проводиться досли дження завдання моделювання прогнозування динамiки цт на фондовому ринку. Ключовi слова: прогнозування, фондовi ринки, динамта цт, нейромережi, методи, часовi ряди, аналiз, параметри мережi, программ пакети, дошдження, правила гри.
Левицкая Т.А., Романов К.Г. Моделирование прогнозирования фондовых рынков с использованием нейронных сетей. Данная статья посвящена обоснованию моделирования прогнозирования фондовых рынков с использованием нейросети, описанию принципов реализации алгоритма моделирования и перспективам его применения. Рассмотрены проблемы традиционных и классических систем моделирования прогнозов, теории нейросетей, вопросы совершенствования методов анализа и увеличения точности прогнозов фондовых рынков, построение нечетких моделей на базе множеств независимых переменных и наиболее информативных факторов влияния. Описано научное обоснование методов применения моделирования прогнозов. На основе аппарата нейронных сетей проводится исследование задачи моделирования прогнозирования динамики цен на фондовом рынка.
Ключевые слова: прогнозирование, фондовые рынки, динамика цен, нейросети, методы, временные ряды, анализ, параметры сети, программные пакеты, исследования, правила игры.
T.A. Levitskaya, K.G. Romanov. Modelling stock markets forecasting using neural
1 канд. техн. наук, доцент, ДВНЗ «Приазовський державний техтчний умверситет», м. Марiуnоль, tlevШisys(@gmail сот
2 бакалавр, ДВНЗ «Приазовський державний техшчний ушверситет», м. Марiуполь, гот&го93@,ятаИ. сот
Серiя: Техшчш науки ISSN 2225-6733
networks. This article is devoted to the substantiation of stock markets forecasting modelling using a neural network that describes the principles of the simulation algorithm implementation and the prospects for its application. The problems of traditional and classical forecasting systems, the theory of neural networks, the problems of improving the methods of analysis and improving the accuracy of stock market forecasts, simulating fuzzy models on the basis of sets of independent variables and the most informative factors of influence have been considered. The advantages of computational methods are analyzed for making up artificial neural networks simulating models that forecast exchange rates. Formulas for using the chosen forecasting method have been given as well as an explanation for the regression analysis. There exists an optimal combination for the assets and the most profitable investment period for each asset. The article emphasizes the growing rejection of the widely used classical economy and mathematical methods and models for adequate analysis and forecasting the development offinancial and economic systems, which do not make it possible to effectively prevent significant and lastung crises at the stock markets. The scientific substantiation of the methodology for applying predictive modelling in choosing support system for fuzzy logic algorithms has been described. On the basis of a neural network system price dynamics forecasting at the stock market is simulated.
Keywords: forecasting, stock markets, price dynamics, neural networks, methods, analysis, network parameters, software packages, research, rules of the game.
Постановка проблеми. Фондовi ринки - одш з головних Mexarn3MiB, яК використову-ються для залучення грошових ресуршв, ризик неточносп прогнозiв на цих ринках е серйозною проблемою на шляху 1х розвитку. Основною проблемою становлення та розвитку фондового ринку е прогнозування. Для моделювання прогнозiв фондових ринюв створюються багато ста-тичних методiв i моделей, а також спецiалiзованi програмш забезпечення. Багато з використо-вуваних методiв мають окремий недолш - лшшнють, що означае можливють описувати проце-си лише лшшною залежнютю. Ще один недолш - використання лише одного стацюнарного ршення для системи лшшних рiвнянь, що дае змогу отримувати результати, але з похибкою. Проте методи регресшного аналiзy та вiдомi статистичш тдходи не дають точних результата, а часто неправильно прогнозують навггь тренди [1].
Нейромережевий аналiз набирае все бшьше популярности так як на вщмшу вщ техшчно-го та фундаментального аналiзy не передбачае будь-яких обмежень за характером вхщно! шфо-рмацп.
AH^i3 останшх дослщжень i публжацш. Теоретичну та методолопчну основи досль дження становить сукупнють загальнонаукових i спецiальних принципiв та положень, методiв i прийомiв наукового дослщження, використання яких зумовлено поставленими метою i завдан-нями [1]. Основною проблемою моделювання прогнозування фондових ринюв з використанням нейромереж е неточнють прогнозування та лшшнють методiв.
Також недолiками моделювання прогнозування е наступш фактори:
- можливiсть описати бшьшють процесiв лише лшшно! залежнютю;
- однозначнiсть стацiонарного рiшення в системi лiнiйних рiвнянь;
- обмеження за характером вхщно! шформаци;
Нейромережi е нелiнiйним, непараметричним пiдходом до управлшня даними. Користувач повною мiрою може використовувати всю iнформацiю, яка визначае собою не тшьки структуру, але i параметри моделi без заданих умов чи iнших обмежень. Нейронш мережi мають здатнiсть до генерування гнучких нелiнiйних фyнкцiй, близьких до будь-яких неперервних фyнкцiй iз ба-жаною точнiстю, та не потребують кшькосп змiнних порiвняно з лшшними моделями [2].
Метою даноТ роботи е визначення особливостi застосування нейронних мереж з метою прогнозування фондового ринку, виявлення проблеми найбшьш популярних програмних пакета прогнозування, побудованих на основi нейромереж.
Виклад основного матерiалу. Для роботи з системою використовувалися ринковi коти-рування акцш фондових ринкiв [2]. Даш по кожному часовому штервалу мають п'ять значень:
1) цша вщкриття (цiна, за якою була укладена перша угода з даного фшансового шструменту);
2) цiна закриття (цша, за якою була укладена остання угода); 3) максимальна цша продажу;
Серiя: Технiчнi науки ISSN 2225-6733
4) мшмальна щна продажу; 5) обсяг акцiй, проданих в цей часовий перiод.
В якосп вхiдних даних розглядалися денш значення цiн закриття на рiзних часових пер> одах по акщях. В якостi входiв i виходiв нейронно! мережi були вибранi не самi значення цiн закриття, котирувань (позначимо !х С), а змши котирувань на момент часу -. Дiйсно значущи-ми для пророкувань е змiни котирувань. Цi змши, як правило, набагато меншi за амплггудою, нiж самi котирування. Найбшьш ймовiрне значення курсу в наступний момент [3]:
(См) = С- + {АС() * С-. (1)
Для пiдвищення якостi навчання слiд прагнути до статистично! незалежностi входiв, до вiдсутностi подiбних кореляцiй. Тому в якостi вхщних змiнних були обранi статистично неза-лежнi величини, змiни котирувань ДСЬ логарифм вiдносного збiльшення яких дорiвнюе:
log
( С >
С
АС
С--
(2)
Використання логарифма вщносного збiльшення для тривалих часових рядiв дозволило врахувати вплив шфляцп. У цьому випадку прост рiзницi в рiзних частинах ряду мають рiзну амплiтуду, фактично вимiрюються в рiзних одиницях. Вiдносини послiдовних котирувань не залежать вщ одиниць вимiру i будуть одного масштабу, незважаючи на шфляцшну змiну.
У системi реалiзований багатошаровий персептрон, кiлькiсть входiв i прихованих шарiв е динамiчною, це дозволяе здшснити експериментальний пiдбiр оптимально! структури мережi для кожного фшансового iнструменту. Багатошаровий персептрон зi зворотним поширенням помилки е найбiльш оптимальною архггектурою для даного класу задач, прогнозування фшан-сових часових рядiв грунтуеться на фундаментальному припущеннi - замт екстраполяцп ап-роксимацiй [3, 4].
Для навчання нейронно! мережi використовуеться алгоритм зворотного поширення помилки. Навчання мережi розбиваеться на наступш етапи:
1. Iнiцiалiзацiя мережа Ваговим коефiцiентам i зсуву мережi присвоюються малi випад-ковi значення з дiапазону вiд 0 до 1 i в подальшому вщбуваеться !х пiдстроювання по вихiдно-му сигналу.
2. Визначення елемента навчально! вибiрки. Поточш входи (х0, Х\, ..., х„), повиннi в^^з-нятися для вшх елементiв навчально! вибiрки. При використанш багатошарового персептрона для прогнозу динамши цiн формуемо один вихiд, який визначае напрямок змши, тобто зрос-тання або падшня цiн.
3. Обчислення поточного вихщного сигналу. Поточний вихщний сигнал визначаеться вь дповщно до традицiйно! схеми функцiонування багатошарово! нейронно! мережi.
4. Налаштування синоптичних вапв. Використовуеться рекурсивний алгоритм, який спо-чатку застосовуеться до вихщних нейронiв мережi, а потiм проходить мережу в зворотному на-
прямку до першого шару [3, 5]. Синоптичш ваги налаштовуються вiдповiдно до формули:
(- + 1)= (-)+ , (3)
де Юу(-) - вага вщ нейрона 1 або вщ елемента вхiдного сигналу до нейрона ] в момент часу -, х, - вихiд нейрона I, г - темп навчання, gi - значення помилки для нейрона].
g^ =
1п (1 + ) , (4)
де ^ i У] - бажаний i поточний виходи нейрона ].
Вибiр функцi! помилки обумовлений тим, що метою прогнозування фшансових рядiв е отримання i максимiзацiя прибутку. Важлива не близьюсть прогнозу до iстинного значення, а однакова спрямованють прогнозу i ютинного значення. Таку властивiсть мае функщя У] [6, 7]. На основi експериментальних даних було показано, що найбшьш оптимально активацшна функщя описуеться виразом:
е* - е - 5
у = ) = --- . (5)
е + е -
Активацшна функщя перетворюе середньозважену суму вихщних сигналiв у вихщний сигнал:
Серiя: TexHÍ4HÍ науки ISSN 2225-6733
S = Х ХЫ - T, (6)
i=1
де T - nopir нейрона.
Висновки
Огляд лггературних даних, arnni3 публiкацiй i дoслiджень показуе перспективнють ство-рення та використання нейромереж при мoделюваннi nporH03iB фондових ринюв. Результати мо-делювання прогнозування фондових ринюв за допомогою нейромереж доводять ефективнють використання цього математичного апарату. Властивосп нейромереж показують мoжливiсть вра-хування психoлoгiчних баp'epiв та шших фактopiв, що впливають на змшу фондових pинкiв.
На oснoвi проведеного аналiзу була обгрунтована випpавданiсть використання нейромереж при моделюванш пpoгнoзiв фондових pинкiв, а також продемонстроваш li oснoвнi види та методи моделювання пpoгнoзiв.
У пoдальшiй пеpспективi iнстpументи моделювання пpoгнoзiв фондових ринюв за допомогою нейромереж будуть тшьки розширюватися. Рiзнoманiтнiсть програмного забезпечення для реатазаци штучних нейронних мереж дае широкий спектр вибору, який буде здшснюватися у залежнoстi вщ поставлених завдань, а також област дoслiдження.
Список використаних джерел:
1. Кундас О.А. Аппроксимация функций нейронными сетями в метрических пространствах [Электронный ресурс] / О.А. Кундас. - Режим доступа: http://elib.bsu.by/handle/123456789/ 115982.
2. Господарчук С.А. Использование нейронных сетей в маркетинговых исследованиях / С.А. Господарчук // Вестник Нижегородского университета им. Н.И. Лобачевского. -2001. - № 1. - С. 50-54. - (Серия: Экономика и финансы). - Режим доступа: http://docplayer.ru/28492922-Ispolzovanie-neyronnyh-setey-v-marketingovyh-issl-ed-ovaniyah-gospodarchuk-s-a.html.
3. Мозолевська М.О. Використання нейронних мереж для прогнозування у фшансовш сфеpi [Електронний ресурс] / М.О. Мозолевська, О.В. Ставицький // Актуальш проблеми еконо-мши та управлшня. - 2017. - № 11. - Режим доступу: http://ape.fmm.kpi.ua/article/ view/102584.
4. Галещук С. Штучш нейронш меpежi у прогнозуванш валютного ринку / С. Галещук // Вю-ник Кшвського нащонального тopгoвельнo-екoнoмiчнoгo ушверситету. - 2016. - № 3. -С. 101-114. - Режим доступу: http://visnik.knteu.kiev.Ua/files/2016/03/9.pdf.
5. Onder E. Forecasting macroeconomic variables using artificial neural network and traditional smoothing techniques / E. Onder, B. Firat, A. Hepsen // Journal of Applied Finance & Banking. -2013. - Vol. 3. - № 4. - Pp. 73-104. - Mode of access: https://papers.ssrn.com/sol3/ papers.cfm?abstract id=2264379.
6. Lam M. Neural network techniques for financial performance prediction: integrating fundamental and technical analysis / M. Lam // Decision Support Systems. Special issue: Data mining for financial decision making. - 2004. - Vol. 37. - Issue 4. - Pp. 567-581. - Mode of access: https://wenku.baidu.com/view/65e4fbdb6f1aff00bed51ef3.html.
7. Kuan C. Artificial neural networks: an econometric perspective / C. Kuan, H. White. - 1991. -98 p. - Mode of access: https://ru.scribd.com/document/ 175456696/Artificial-Neural-Networks-an-Econometric-Perspective.
References:
1. Kundas O.A. Approksimatsiia funktsii neironnymi setiami v metricheskikh prostranstvakh (Approximation of functions by neural networks in metric spaces^ Available at: http://elib.bsu.by/handle/123456789/115982 (accessed 15 June 2017).
2. Gospodarchuk S.A. Ispol'zovanie neironnykh setei v marketingovykh issledovaniiakh [The use of neural networks in marketing research]. Vestnik Nizhegorodskogo universiteta im. N.I. Lo-bachevskogo. Seriia: Ekonomika i finansy - Vestnik of Lobachevsky State University of Nizhni Novgorod. Series: Economics and finance, 2001, no.1, pp. 50-54. Available at:
Серiя: Технiчнi науки ISSN 2225-6733
http://docplayer.ru/28492922-Ispolzovanie-neyronnyh-setey-v-marketingovyh-issl-ed-ovaniyah-gospodarchuk-s-a.html (accessed 28 June 2017).
3. Mozolevskaya M.O., Stavits'kii O.V. Vikoristannia neironnikh merezh dlia prognozuvannia u finansovii sferi [Use of neural networks for forecasting in the financial sphere]. Aktual'ni problemi ekonomiki ta upravlinnia - Actual problems of economics and management, 2017, no.11 Available at: http://ape.fmm.kpi.ua/article/view/102584 (accessed 10 July 2017).
4. Galeshchuk S. Shtuchni neironni merezhi u prognozuvanni valiutnogo rinku [Artificial neural networks in the forecasting of the currency market]. Visnik Kiivs'kogo natsional'nogo torgovel'no-ekonomichnogo universitetu - Herald of Kyiv National University of Trade and Economics, 2016, no.3, pp. 101-114 Available at: http://visnik.knteu.kiev.ua/files/2016/03/9.pdf (accessed 25 August 2017).
5. Onder E., Fiat B. Hepsen A. Forecasting macroeconomic variables using artificial neural network and traditional smoothing techniques. Journal of Applied Finance & Banking, 2013, vol. 3, no.4, pp. 73-104 Available at: https://papers.ssrn.com/sol3/papers.cfm?abstract id=2264379 (accessed 10 September 2017).
6. Lam M. Neural network techniques for financial performance prediction: integrating fundamental and technical analysis. Decision Support Systems. Special issue: Data mining for financial decision making, 2004, vol. 37, iss. 4, pp. 567-581 Available at: https://wenku.baidu.com/view/ 65e4fbdb6f1aff00bed51ef3.html (accessed 01 October 2017).
7. Kuan C., White H. Artificial neural networks: an econometric perspective. 1991, 98 p. Available at: https://ru.scribd.com/ document/ 175456696/Artificial-Neural-Networks-an-Econometric-Perspective (accessed 01 October 2017).
Рецензент: С.А. Чiчкарьов
д-р техн. наук, проф., ДВНЗ «ПДТУ»
Стаття надшшла 30.10.2017
УДК 66.041-6: 622.78
© Лобова К.В.*
МОДЕЛЮВАННЯ ВПЛИВУ ТЕРМ1ЧНО1 ОБРОБКИ НА МАСУ КОТУН1В ЗА ТЕХНОЛОГ1ЧНИМИ ЗОНАМИ ВИПАЛЮВАЛЬНО1 МАШИНИ
Розроблена модель враховуе фiзико-хiмiчний склад сирих котутв, гх вологiсть, хг-мiчнi процеси, що протiкають тд час термiчног обробки котутв, до^джуе вплив обробки сировини на змту маси, що дозволяе використання оптимального температуру режиму для випалу, при цьому досягаються меншi витрати палива. У ро-ботi розглянутi основт хiмiчнi реакцИ, що змiнюють масу залiзорудних котутв. Ключовi слова: випалювальна машина, котуни, термiчний процес, маса, моделю-вання.
Лобова К.В. Моделирование влияния термической обработки на массу окатышей по технологическим зонам обжиговой машины. Разработанная модель учитывает физико-химический состав сырых окатышей, их влажность, химические процессы, протекающие при термической обработке окатышей, исследует влияние обработки сырья на изменение массы, что позволяет использование оптимального температурного режима для обжига, при этом достигается меньший расход топлива. В работе рассмотрены основные химические реакции, изменяющие массу железорудных окатышей.
Ключевые слова: обжиговая машина, окатыши, термический процесс, масса, моделирование.
студент, ДВНЗ «Kpmopi3brnU нащональний утверситет», м. Кривий Рiг, [email protected]
