CC BY
306
При работе устройства каждые 0,4 мс входной преобразователь напряжения измеряет напряжения нагрузки по фазам, входной преобразователь тока измеряет токи нагрузок по фазам. Далее эти токи и напряжения преобразуются и поступают в аналогово-цифровой преобразователь, который встроен в микроконтроллер. Микроконтроллер обрабатывает полученные значения согласно методике, определяет проводимости симметрирующего устройства. Далее микроконтроллер по записанным в него алгоритмам определяет, какие силовые ключи блока коммутаций необходимо будет замкнуть. Блок коммутаций представляет собой набор силовых ключей, каждый из которых коммутирует в сеть определенный реактивный элемент из блока реактивных сопротивлений. Если в сети несимметрия напряжений отсутствует или незначительна, то устройство не будет включать реактивные элементы в сеть. Далее цикл повторяется, измерения проводятся каждые 0,4 мс.
Подводя итого, можно сказать, что разработанное по данной структурной схеме устройство позволит оперативно реагировать на изменения нагрузок и устранять несимметрию напряжений.
Список использованной литературы:
1. Дед, А. В. К проблеме современного состояния уровней показателей несимметрии напряжений и токов в сетях 0,4 КВ / А. В. Дед // Омский научный вестник. - 2017. - №2. - С. 63 - 65. - Текст: непосредственный.
2. Кобзистый, О. В. Обоснование параметров устройства для симметрирования тока и напряжения на реактивных элементах в электрических сетях 0,38 кВ / О. В. Кобзистый, Р. Р. Швек // Вестник магистратуры. - 2017. - №66. - С. 49-52. - Текст: непосредственный.
© Абушкин И.С., Попов А.Н., 2021
УДК62
Агнон Х.О.
магистрантка 2 курса магистра СГАУ
г. Самара РФ
Научный руководитель: Белоусов А.А.
к.ф.-м.н., доцент кафедры суперкомпьютеров и общей информатики, СГАУ г. Самара РФ
ПРОГНОЗИРОВАНИЕ ЦЕНЫ АКЦИЙ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ
Аннотация
Акции, возможно, являются самым популярным финансовым инструментом, изобретенным для создания богатства, и являются центральным элементом любого инвестиционного портфеля. Достижения в торговых технологиях открыли рынки, так что в настоящее время почти каждый может владеть акциями.
Точное прогнозирование доходности фондового рынка - очень сложная задача из-за нескольких факторов, включая волатильный и нелинейный характер финансовых фондовых рынков, что затрудняет прогнозирование цен на акции. С появлением искусственного интеллекта и увеличением вычислительных возможностей методы программного прогнозирования оказались более эффективными при прогнозировании цен на акции. В этом исследовании алгоритм машинного обучения Prophet был использован для прогнозирования курса акций компании Amazon. Финансовые данные: цены открытия, максимума, минимума и закрытия акций используются для создания новых переменных, которые используются в качестве входных данных для модели. Модели оцениваются с использованием стандартного стратегического показателя: MAE. Низкие значения этого индикатора показывают, что модель эффективна при прогнозировании цены закрытия акций. Мы смогли точно предсказать различные
~ 21 ~
тенденции фондового рынка и определить лучший метод прогнозирования среди используемых алгоритмов.
Ключевые слова
Прогнозирование рынка акций, машинное обучение, алгоритмы, прогнозирование FB Prophet,
прогнозирование временных рядов.
1. Введение
Рынок акций - это торговая площадка, где разные инвесторы покупают и продают акции в зависимости от их доступности. Взлеты и падения фондовых рынков влияют на прибыль заинтересованных сторон. Если рыночные цены растут вместе с доступными запасами, заинтересованные стороны получают выгоду от приобретенных ими акций. В противном случае, если рынок снизится при наличии доступных цен на акции, заинтересованные стороны понесут убытки. Покупатели покупают акции по низким ценам и продают акции по высоким ценам, пытаясь получить огромную прибыль. Точно так же продавцы продают свою продукцию по высоким ценам, чтобы получить прибыль. Фондовый рынок функционирует как платформа доверия между покупателями и продавцами.
Машинное обучение - эффективный способ представить такие процессы. Он предсказывает рыночную стоимость, близкую к материальной, тем самым повышая точность. Внедрение машинного обучения в области прогнозирования запасов привлекло много исследований из-за его эффективных и точных измерений. Было разработано несколько методов, чтобы попытаться предсказать цены акций на основе их исторических данных, например ARIMA (Авторегрессивная интегрированная скользящая средняя) модель, Модель прогнозирования пророка, модель Lstm (долгосрочная краткосрочная память), Линейная регрессия (LR), нейронные сети (NN), генетические алгоритмы (GA), машины опорных векторов (SVM) и многое другое. Кроме того, не только предыдущие тенденции цен на акции, но и несколько других факторов действительно влияют на цены акций, что делает их гораздо более непредсказуемыми. Хотя эти проблемы можно решить и с помощью алгоритмов машинного обучения.
Для нашего исследования мы использовали один из методов машинного обучения, а именно модель прогнозирования Prophet, чтобы создать инструментарий анализа и прогнозирования запасов.
Важной частью машинного обучения является используемый набор данных. Набор данных должен быть как можно более конкретным, потому что небольшое изменение данных может привести к значительным изменениям в результате.
В этой работе контролируемое машинное обучение используется для набора данных, полученного от Yahoo Finance, это акции компании AMAZON на фондовом рынке. Этот набор данных включает следующие пять переменных: открытие, закрытие, минимум, максимум и объем. Открытие, закрытие, минимум и максимум - это разные цены предложения для акций в разное время с почти прямыми названиями. Объем - это количество акций, которые переходили от одного владельца к другому в течение периода. Затем модель тестируется на тестовых данных.
Таким образом, цель данного исследования состояла в том, чтобы предсказать будущие цены фондового рынка компании AMAZON по отношению к истории цен на ее акции с помощью нашего инструментария анализа и прогнозирования запасов, созданного.
1.4. Постановка задачи
Каждый хочет быть богатым в своей жизни малыми усилиями и большими преимуществами. Точно так же мы хотим смотреть в наше будущее с самым внутренним желанием, поскольку мы не хотим рисковать или хотим уменьшить фактор риска. Фондовый рынок - это место, где продажа и покупка могут обеспечить будущие жизненные цели. Теперь вопрос в том, как мы можем получить выгоду от фондового рынка? Или какие шаги могут дать нам прогнозы на фондовом рынке, прежде чем вы попадете в зону риска. Как искусственный интеллект с алгоритмами машинного обучения может помочь в прогнозировании будущих рыночных тенденций?
1.5. Прогноз фондового рынка
Если прогнозируемый тренд фондового рынка, мы можем избежать траты денег. Прогнозирование фондового рынка - это процесс предсказания будущего на основе прошлых данных. Прогнозирование снижает уровень риска для инвесторов и повышает уровень уверенности для инвестиций.
Если они предсказывали цели раньше, чем их достигли, они могли избежать потери денег. Все эти соображения работают как прогнозирование фондового рынка. На основе тенденций исторических данных мы предполагаем будущую тенденцию, которая называется прогнозом фондового рынка.
2. Материал и методы
Искусственный интеллект - это интеллектуальная область новейших исследований, которая оказывает большую помощь в решении существующих проблем в реальном времени. Поддержка искусственного интеллекта во всех сферах жизни, поскольку мы используем его при обработке данных в банкоматах, банковских счетах, службах авиалиний, бронировании, рентгеновских лучах, автоматическом открытии дверей, устройствах на основе распознавания и прогнозировании погоды. Другими словами, мы можем сказать, что ИИ облегчил нашу жизнь, и мы можем предсказывать будущее. Зарабатывать деньги -это серьезная проблема, с которой сталкивается общество, и люди во всем мире считаются образцом для подражания. Инвестиционная полиция фондового рынка очень поддержала этот процесс. Фондовый рынок дает большие преимущества умным инвесторам, но глупые инвесторы не получают больших преимуществ от фондового рынка. Почему я сказал глупо? За этим есть серьезная причина: они инвестируют в фондовый рынок, не прогнозируя будущий анализ тенденций роста / падения акций, что отталкивает их в темной ночи. Некоторые инвесторы следуют правилам предсказаний фондового рынка и получают большую прибыль. Некоторые инструменты поддерживают прогнозы фондового рынка, такие как python, Java, Rstudio с программированием на R и программирование на Python. В основном прогнозы, основанные на алгоритмах машинного обучения, которые также используются в этих инструментах. Некоторые известные алгоритмы прогнозирования, которые поддерживаются несколькими инструментами, а также языками программирования, - это регрессия (линейная, логистическая), K-ближайшее соседство (KNN), искусственная нейронная сеть (ANN) и FB Prophet с помощью прогнозирования временных рядов. В этом исследовании мы применили один из методов машинного обучения, а именно модель прогнозирования FB Prophet, для создание инструментов анализа и прогнозирования цен на акции. Мы применили наш инструментарий к ценам на акции AMAZON от Yahoo Finance. Мы предсказали результаты с помощью Python, используя статистическое, а также графическое представление результатов.
2.1. Описание набора данных
Важной частью машинного обучения является используемый набор данных. Набор данных должен быть как можно более конкретным, потому что небольшое изменение данных может привести к значительным изменениям в результате.
В этой работе алгоритм прогнозирования Prophet используется для набора данных, полученного от Yahoo Finance; это акции компании AMAZON на фондовом рынке. Этот набор данных включает следующие пять переменных: открытие, закрытие, минимум, максимум и объем. Открытие, закрытие, минимум и максимум - это разные цены предложения для акций в разное время с почти прямыми названиями. Объем - это количество акций, которые переходили от одного владельца к другому в течение периода. Затем модель тестируется на тестовых данных. История курсов акций от1997 г.-01-02 по 12 января 2018.
2.2. Реализация алгоритмов FB Prophet для прогнозирования акций
Предложенная система, основанная на алгоритме прогнозирования пророка, обучила и протестировала наш набор данных. Он разделен на обучающую и тестовую наборы соответственно и дает следующие результаты:
История акций Amazon с 1997 года-01-02 по 12.01.2018
AMZN Stock History
Date
Рисунок 2 - история акций AMAZON
Создание модели и прогноз
Мы создали базовую модель (без прогнозов), обученную на данных за последние 3 года, чтобы проверить любые тенденции и закономерности в данных.
AMZN Historical and Modeled Stock Price
zoit-12 . : i ! : ■ ; ■ : : 2015-12 202.6-04 20is-t>H 2016-12 2017-04 2017-os 2017-12
Date
Рисунок 3 - Историческая и смоделированная цена акций Amazon
Мы видим, что наша модель хорошо согласуется с наблюдениями за акциями за последние 3 года. Сделать прогноз можно, и мы получили следующий прогноз:
AMZN Historical and Predicted Stock Price
1400 —— Observations
- Modeled
1 1 Confidence Interval
1200
600 400 ip™
2014-12 2015-04 201 -08 2015-12 2016-04 201 3-08 201 -12 2017-04 201" -08 2017-12 2018-04
Date
Рисунок 4 - Историческая и прогнозируемая цена акций Amazon
Обратите внимание, что прогноз (зеленая линия) содержит доверительный интервал. Это представляет собой неопределенность модели в прогнозе. В этом случае ширина доверительного интервала установлена на 80%, что означает, что мы ожидаем, что этот диапазон будет содержать фактическое значение в 80% случаев.
Доверительный интервал расширяется во времени, потому что оценка имеет большую неопределенность по мере удаления от данных.
После составления прогнозов нам необходимо оценить их на реальных данных и получить точность модели. Для расчета точности мы использовали наш тестовый набор и наш обучающий набор. Для тестового набора мы использовали исторические данные за последний год (2017). Во время обучения мы
использовали данные за три года до тестового периода (2014-2016). Основная идея контролируемого обучения состоит в том, что модель изучает закономерности и взаимосвязи в данных обучающего набора, а затем может правильно воспроизвести их для тестовых данных.
После повторных итераций выберите Предыдущие изменения = 0,5, поскольку это была точка, которая дала наименьшую ошибку (рис. 5), обучающий эффект модели пророка показан на рис. 6, и мы можем видеть, что оценка модели дала нам точность = 95%.
Данные прогноза на следующие 100 дней представлены в таблице 1.
Рисунок 5 - Средняя абсолютная ошибка априорных точек изменения
Рисунок 6 - Оценка модели Amazon
Ниже представлены прогнозы на следующие 50 дней.
Таблица 1
Прогнозы на ближайшие 50 дней
Predicted increase:
Gate estimate change upper lower
1 2018- -01- -18 1285. .274607 5, .381561 1304. .503449 1265- .687469
2 2018' '01' •19 1289. ,092501 3, .817894 1308.478641 1270, ,556434
4 2018- -ei- -21 1291. .970810 2, .878309 1311. .697824 1272. .631696
5 2018- •01 •22 1298. ,801335 6, -SÍ0525 l?íc- .226433 1279. .026096
6 2Э18- .01- -23 1384, .775210 5, .973875 1325, .896304 1284. ,989715
7 2018- -01- -24 1310. .576047 5, .806837 1330 .197492 1290. .446870
S 2018' '01' ■25 1313. ,941822 3, .365776 1333.496887 1295, ,112691
9 2018- -01- -26 1316. ,139909 г, .198886 1337, .567888 1257, , 142975
11 ¿OÍS- •01' •28 1321. .213882 5, ,073973 1541 < .641255 •322963
12 2818- ■01- -29 1329. ,30753В 8, .893656 1348, .846690 1308. ,597650
13 2018- -01- -30 1334. .604853 4. .697315 1356. .648455 1312. .664353
14 2018' .01. ■31 1335, ,950496 1, .945644 1356, .658788 1312. ,681399
18 2018- -02- -04 1336. .431193 2, .837761 1358, .603220 1312. .319826
19 ;o<s- ,02- •05 1343. ,307662 6, .876470 1365-439252 isa», .014341
20 2018- -02-06 1346, .362898 3, .855235 1378, .939780 1321. ,685556
21 2018- -02- -07 1347. .567925 1 .205027 1370. .780831 1322. 530029
22 2018' ■02' ■06 1347, ,615618 0, .047694 1369 .965375 1322.465916
23 2018- -02- -09 1349. ,298000 1, .682382 1373, .805325 1323. .721270
25 2013- •02- -11 1354. .548508 5, .250507 1381 .071508 1326. .838225
26 2018' .02. •12 1359. .281340 4, .732832 1384, .982389 1334. ,257960
27 2018- 02 -13 1359. .852016 6. .570676 1386. .908432 1331. .918178
28 2018' ■52. ■14 1360. ,244657 0, .392641 13SS.071551 1332. 811035
29 201S- -02- -15 1361, .480&16 1, .236159 1388, .786164 1333. .630222
30 2618- -02- -16 1364.782806 3, .301990 1392 .786506 1336. .145063
32 2018' ■02- -IS 1368, .604749 3, .821943 1399.047416 1336. ,529216
33 2018- -02- -19 1371. .533993 2 .929244 1400. .913273 1336. .830978
34 2018- .02- >20 ,653136 0, .519143 1405, ■146271 1336, 184979
35 281S- -02- -21 1374. ,582517 2, .529380 1408, .874134 1338. .520764
36 2018- -02- -22 1378. .604508 4. .021991 1412. .756082 1341. .308648
37 2018' .02. ■23 1383, .267409 4, .662901 1418, .243587 1340, ,308997
39 2018- 02 -25 1384. .936001 1. .668592 1421. .192028 1340. .476902
40 2018' -02- •26 1387. ,7144» 2, .778429 142S.472304 1343. .756302
41 2018- -02- -27 1398, ,815646 2, .301216 1438, .619838 1346. ,211880
42 2618- -02- -28 1394. .803751 4. .788105 1439-437769 1349. .648892
43 2018' ■03' <01 1399. ,242733 4.438982 1447, .780887 1352, ,594149
44 2818- -03- -02 1481. .358006 2, .115273 1446. .859011 1349. .438402
47 ■03-05 1394. .540500 0, .228668 144S, .313733 1336. 784555
48 2818- ■03- •06 1395, ,617332 1, .876832 1450, .761090 1336. ,056640
49 2018- -03 -07 1399. .145487 3, .528154 1457, .997567 1338. .920367
50 2018' ■03-08 1401. ,603710 2.458224 1465, .232770 1337. ,805787
Predicted Decrease:
Date
15 2818-02-61
16 2818-02-в2 46 2018-03-04
«tizate change 1334.7150*9 -1.23545? 1333.593431 -1.121663
upper 1356.464923 1354.771411
1394-311832 "7.646174 1445.391809
lower 1312.175514 1311.5SS267 1341.580126
Рисунок 7 — Прогнозы на ближайшие 50 дней
3. Заключение
В области прогнозирования данных фондового рынка машинное обучение оказалось очень полезным, учитывая разнообразие алгоритмов, позволяющих делать хорошие прогнозы. Наш проект был основан на 1 из них, а именно Алгоритм прогнозирования пророка, мы использовали фондовый рынок компании Amazon получено от Yahoo Finance. В рамках этого проекта мы создаемИнструментарий анализа и прогнозирования акций с использованием алгоритма пророка, который мы называем «Stockers».
Мы применили наш инструментарий к нашим наборам данных, чтобы проанализировать и создать хорошую модель для прогнозирования цен на акции на ближайшие 50 дней. После оценки модели результаты показывают хорошую точность = 95%, мы можем сказать, что, применяя эту методологию исследования, мы можем легко предсказать будущие тенденции фондового рынка.
Список использованной литературы:
1. Tae Kyun Lee et al. "Global stock market investment strategies based on financial network indicators using machine learning techniques", Expert Systems with Applications, 117(2019):228-242.
2. Bruno et al. "Literature review: Machine learning techniques applied to financial market prediction", Expert
3. Systems with Applications, 124(2019): 226-251.
4. Yue-gang Song et al.Corrigendum to "Towards a new approach to predict business performance using machine
5. learning" [Cogn. Syst. Res. 52 (2018): 1004-1012].
6. Brockwell P.J, Davis, R.A. and Calder, M.V "Introduction to time series and forecasting " Springer Texts in statistics. [ 2002.- Vol. 2. - P.121-155]
7. A.Choudhary "Generate Quick and Accurate Time Serie Forecasts using Facebook's Prophet: Analytics Vidhya" .2018.
8. Montgomery, D.C., Jennings, C.L. and Kulahci, M., 2015. Introduction to time series analysis and forecasting. John Wiley & Sons.
9. Zazzaro, Gaetano & Romano, Gianpaolo & Mercogliano, Paola. (2017). Data Mining for Forecasting Fog Events and Comparing Geographical Sites. Designing a novel method for predictive models portability. International Journal on Advances in Networks and Services. 10. 160-171.
© Агнон Х.О., 2021
