CC BY
61
УДК 303.732.4
СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ НА ПРИМЕРЕ ФОНДОВОГО РЫНКА (когнитивная структуризация и формализация предметной области)
UDC 303.732.4
SYSTEMIC-COGNITIVE ANALYSIS OF TIME NUMBERS (cognitive structurization and subject domain formalization, synthesis and verification of semantic information model)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Лебедев Евгений Александрович аспирант
Кубанский государственный аграрный университет, Краснодар, Россия
В статье на примере одного из сегментов фондового рынка рассматривается технология и методика применение системно-когнитивного анализа и его инструментария - системы «Эйдос» для когнитивная структуризации и формализации предметной области с целью моделирования временных рядов
Lutsenko Evgeny Veniaminovich Dr. Sci.Econ., Cand. Tech.Sci., professor
Lebedev Evgeniy Aleksandrovich post-graduate student
Kuban State Agrarian University, Krasnodar, Russia
In the article the technology and a technique of application of systemic-cognitive analysis and its toolkit -"Eidoses" system is shown for synthesis and verification of information semantic models of time numbers (on an example of one of segments of the share market)
Ключевые слова: СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ВРЕМЕННЫЕ РЯДЫ, ФОНДОВЫЙ РЫНОК, ТЕХНИЧЕСКИЙ АНАЛИЗ, ФУНДАМЕНТАЛЬНЫЙ АНАЛИЗ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
Keywords: SYSTEMIC-COGNITIVE ANALYSIS, TIME NUMBERS, SHARE MARKET, TECHNICAL ANALYSIS, FUNDAMENTAL ANALYSIS, SEMANTIC INFORMATION MODEL
До наступления мирового финансового кризиса фондовый рынок являлся самым динамичным и одним из наиболее привлекательных рынков России. Являясь индикатором развития экономики, фондовый рынок на протяжении нескольких лет показывал устойчивый положительный тренд, что создало благоприятные условия для входа на рынок новых игроков, как профессиональных - банков, брокерских фирм, так и простых граждан, пытающихся приумножить свое благосостояние.
Фондовый рынок одним из первых ощутил последствия мирового финансового кризиса. Дефицит ликвидности привел к необходимости вывода крупными корпорациями денежных средств из портфеля ценных бумаг, что за непродолжительный период, с октября 2008 по январь 2009 привело к снижению более чем в три раза (с 2000 до 600 пунктов) индекса ММВБ.
Большинство существующих методов анализа фондового рынка не позволили вовремя спрогнозировать кризисные явления, вследствие чего многие трейдеры понесли значительные убытки. Поэтому возникла потребность в новых методах анализа фондового рынка, которые бы обеспечивали как адекватную оценку существующих, так и прогнозирование будущих рисков, что позволило бы трейдерам оперативно принимать адекватные решения на рынке акций.
Одним из таких методов по мнению авторов, мог бы стать новый математический и инструментальный метод экономики: системно-
когнитивный анализ (СК-анализ) [7]. Впервые СК-анализ был успешно применен для прогнозирования на фондовом рынке в 1994 году [7, 17]. С тех пор прошло уже более 16 лет, в течение которых получили значительное развитие как сам метод СК-анализа, так и технология и методика его применения, включая его программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос (система «Эйдос») [1-17].
Системно-когнитивный анализ предметной области предполагает ряд этапов [7]:
1. Когнитивная структуризация предметной области.
2. Формализация предметной области.
3. Подготовка обучающей выборки.
4. Синтез семантической информационной модели (СИМ).
5. Повышение эффективности СИМ.
6. Верификация СИМ.
7. Решение задач прогнозирования.
8. Решение задач поддержки принятия решений.
9. Исследование предметной области путем исследования ее СИМ.
В данной статье на примере одного из сегментов фондового рынка: рынка простых акций Сбербанка России, рассмотрим этапы с 1-го по 6-й, а этапы с 7-го по 9-й планируется рассмотреть в последующих статьях.
Идея применения СК-анализа для прогнозирования фондового рынка состоит в том, чтобы выявить события на фондовом рынке, затем выявить причинно-следственные связи между этими событиями, а затем, зная причинно-следственные связи между событиями по уже наступившим событиям прогнозировать наступление будущих, которые ими обоусловле-ны.
Перед рассмотрением этапов 1-6 считаем целесообразным привести краткую справку по СК-анализу.
Автоматизированный системно-когнитивный анализ (АСК-анализ) - автоматизированный СК-анализ, т.е. системный анализ, автоматизированный путем структурирования по базовым когнитивным операциям системного анализа (БКОСА) и включающий: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос". АСК-анализ предложен в 2002 году Е.В.Луценко [7].
Компоненты АСК-анализа: формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор; теоретические основы,
методология, технология и методика СК-анализа; математическая модель СК-анализа, основанная на системном обобщении семантической меры целесообразности информации А. Харкевича; методика численных расчетов, в универсальной форме реализующая математическую модель СК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА; специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод СК-анализа -Универсальная когнитивная аналитическая система "Эйдос"; методика, технология и результаты синтеза рефлексивных АСУ активными объектами на основе АСК-анализа.
Этапы АСК-анализа: 1) когнитивная структуризация предметной области; 2) формализация предметной области (конструирование классификационных и описательных шкал и градаций); 3) подготовка обучающей выборки (ввод данных мониторинга в базу прецедентов); 4) синтез семантической информационной модели (СИМ); 5) оптимизация СИМ; 6) проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности); 7) системно-когнитивный анализ СИМ, исследование моделируемого объекта путем исследования его модели: решение задач идентификации и прогнозирования; генерация информационных портретов классов и факторов, т.е. решение обратной задачи прогнозирования, поддержка принятия решений по управлению (результаты отображаются в графической форме двухмерных и трехмерных профилей классов и факторов); кластерно-конструктивный анализ классов и факторов (результаты отображаются в форме семантических сетей классов и факторов); - содержательное сравнение классов и факторов (результаты отображаются в форме когнитивных диаграмм классов и факторов); изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети; построение классических когнитивных моделей (когнитивных карт); построение интегральных когнитивных моделей (интегральных когнитивных карт).
Математическая модель АСК-анализа основана на системной теории информации (СТИ). Системная теория информации (СТИ) - отличия СТИ от классической теории информации Больцмана-Найквиста-Хартли-Шеннона обусловлены отличиями понятия "система" от понятия "множество". СТИ рассматривает в качестве элементов не только первичные элементы множества, но и элементы, представляющие собой подсистемы различных уровней иерархии, образующиеся за счет взаимодействия первичных элементов, а также учитывает понятие цели. В рамках СТИ предложено системное обобщение семантической меры информации Харкевича, которое удовлетворяет принципу соответствия с мерой Хартли в детермини-
стском случае, как и мера Шеннона в случае равновероятных событий, чем преодолена несогласованность семантической теории информации и классической теории информации Шеннона. Так как данная мера учитывает понятие цели, то по сути она является количественной мерой знаний. В рамках СТИ предложены гипотезы "О возрастании эмерджентности", следующие из нее: "О природе сложности системы", и "О видах системной информации".
1. Когнитивная структуризация предметной области.
Под когнитивной структуризацией в СК-анализе понимается определение будущих, как желательных (целевых), так и нежелательных состояний объекта исследования и управления, а также системы факторов, детерминирующих (обусловливающих) эти состояния. В общем случае, как факторы могут рассматриваться и факторы окружающей среды, и технологические факторы, и параметры самого объекта исследования, в т.ч. его предыстория [12].
Перед тем как решить, какие показатели в нашем случае мы будем рассматривать в качестве классов, а какие в качестве факторов - считаем необходимым сказать несколько слов о техническом и фундаментальном анализе фондового рынка и их соотношении с СК-анализом. В техническом анализе, как известно1, прогнозы курсов ценных бумаг основываются на исследовании и учете внутренних закономерностей, имеющихся во временных рядах, характеризующих динамику фондового рынка. Обычно считается, что противоположностью техническому анализу является фундаментальный анализ1, в котором прогнозы основываются на исследованиях влияния на курсы ценных бумаг различных событий как на самом фондовом рынке, причем не обязательно только в прогнозируемом его сегменте, так и вообще в экономике и даже политике и природе.
Среди природных явлений, оказывающих на фондовый рынок наиболее очевидное влияние, мы бы отметили землетрясения, цунами, торнадо и тайфуны, а также суточные и сезонные явления, т.е. смену времени суток и времен года. Многие из этих явлений непосредственно определяются относительным движением Земли, Луны, Солнца и планет Солнечной системы.
Специалисты по техническому анализу утверждают, что в форме временных рядов находят свое взвешенное отражения все факторы любой природы, как известные, так и неизвестные, и, поэтому, технический анализ вполне самодостаточен. С первой частью этого утверждения трудно не согласиться. Однако выявление влияния этих различных факторов непо-
1 http://ru.wikipedia.org/wiki/Технический анализ
2 http://ru.wikipedia.org/wiki/Фундаментальный анализ
средственно и исключительно из формы самих временных рядов является самостоятельной сложноразрешимой проблемой, которую отдаленно можно сравнить с разложением произвольных функций в ряд (по гармоническим функциям, степенным функциям, экспонентам, спецфункциям или функциям другого вида), с той только существенной разницей, что вид самих базисных функций, каждая из которых описывает влияние некоторого определенного «монофактора» и по которым производится разложение в ряд временного ряда, в случае технического анализа заранее неизвестен. По мнению авторов одним из преимуществ фундаментального анализа перед техническим является то, что эта проблема в нем просто не возникает (или уже решена), т.к. различные факторы, влияющие на исследуемый временной ряд, изначально описываются своими временными рядами, т.е. уже «выделены» из основного ряда.
В СК-анализе временных рядов, в частности фондового рынка, используется подход, в котором, как в техническом подходе, исследуются временные ряды, характеризующих динамику фондового рынка, но исследуются для того, чтобы выявить в них события, а затем исследовать влияние этих событий на курсы ценных бумаг и использовать знание этого влияния для прогнозирования и поддержки принятия решений, как в фундаментальном анализе. Кроме того сам СК-анализ позволяет включать в таблицы исходных данных не только числовые, но и текстовые (лингвистические) переменные и совместно обрабатывать информацию временных рядов из баз данных и информацию о событиях любого рода, происходив-тттих в прошлом, настоящем и будущем относительно текущей даты.
В СК-анализе событием или экономическим фактом является обнаружение на опыте определенного сочетания градации фактора, т.е. интервального значения некоторого экономического показателя (градации описательной шкалы), и принадлежности моделируемого объекта, характеризующегося этим значением, к определенной обобщенной категории, т.е. классу (также характеризующемуся интервальным значением некоторого экономического показателя, т.е. градацией классификационной шкалы).
Таким образом, по мнению авторов, вполне обоснованно можно считать, что СК-анализ фондового рынка в определенном смысле является синтезом технического и фундаментального анализа. Впервые это положение было выдвинуто в работах [7, 8].
Форма представления исходных данных, полученных авторами с сайта [17], приведен в таблице 1:
Таблица 1 - ИСХОДНЫЕ ДА] ННЫЕ (ФРАГМЕНТ)3
Дата Курс, суточный, средневзвешенный с учетом объемов продаж Объем сделки Количество сделок
18.07.05 20,831 482000,000 694,000
19.07.05 21,175 32357000,000 2354,000
20.07.05 21,200 10444000,000 1169,000
21.07.05 21,301 20494000,000 1707,000
22.07.05 22,113 46049000,000 3908,000
25.07.05 22,889 41326000,000 3285,000
26.07.05 22,536 25726000,000 2502,000
27.07.05 22,306 14413000,000 1530,000
28.07.05 22,353 1184000,000 1117,000
29.07.05 21,937 1532000,000 1775,000
01.08.05 21,824 11778000,000 1169,000
02.08.05 22,240 14194000,000 1249,000
03.08.05 22,163 1878000,000 1798,000
04.08.05 22,317 25479000,000 2365,000
05.08.05 22,532 6497000,000 886,000
08.08.05 22,587 5878000,000 835,000
09.08.05 22,351 1431000,000 1631,000
10.08.05 22,414 7615000,000 830,000
11.08.05 22,196 1208000,000 999,000
12.08.05 21,890 11303000,000 1423,000
15.08.05 22,062 6871000,000 976,000
16.08.05 22,860 19378000,000 2397,000
17.08.05 23,307 24173000,000 2297,000
18.08.05 23,707 17274000,000 1950,000
19.08.05 24,052 12344000,000 1431,000
22.08.05 24,991 32607000,000 3016,000
23.08.05 25,556 16614000,000 1864,000
24.08.05 25,640 11735000,000 1300,000
25.08.05 25,417 8614000,000 1051,000
26.08.05 25,285 11967000,000 1316,000
29.08.05 25,281 798000,000 1370,000
30.08.05 25,496 10141000,000 1113,000
31.08.05 25,223 13269000,000 1500,000
01.09.05 25,690 11214000,000 1298,000
02.09.05 25,614 6423000,000 712,000
05.09.05 25,412 6865000,000 1036,000
06.09.05 24,690 25417000,000 2602,000
07.09.05 24,240 25176000,000 1709,000
08.09.05 25,016 28199000,000 2195,000
09.09.05 25,744 27859000,000 2264,000
12.09.05 25,583 9752000,000 1102,000
13.09.05 25,801 18528000,000 2129,000
14.09.05 25,467 17891000,000 1975,000
15.09.05 25,574 7744000,000 929,000
16.09.05 25,866 13276000,000 1623,000
19.09.05 26,085 16724000,000 1582,000
20.09.05 26,644 29778000,000 2578,000
21.09.05 26,815 17435000,000 1953,000
22.09.05 27,076 1415000,000 1394,000
23.09.05 26,576 13508000,000 1747,000
3 Источник информации: официальный сайт Московской межбанковской валютной биржи (ММВБ): http://www.micex.ru
Учитывая вышесказанное (об СК-анализе как синтезе технического и фундаментального анализа) возникает вопрос о том, какие события могут быть выявлены из таблицы 1, и каким методом?
Предлагается исследовать события, формализуемые значениями следующих шкал (таблица 2):
Таблица 2 - ИССЛЕДУЕМЫЕ ПОКАЗАТЕЛИ ВРЕМЕННЫХ РЯДОВ
Наименование показателя
1. Дата
2. Тренд суточного курса на день вперед.
3. Тренд недельного курса на неделю вперед.
4. Сценарий динамики суточного тренда курса на неделю вперед.
5. Курс, суточный, средневзвешенный с учетом объемов продаж.
6. Курс, недельный, средневзвешенный с учетом объемов продаж.
7. Тренд суточного курса на день назад.
8. Сценарий динамики суточного тренда курса на неделю назад.
9. Средний тренд суточного курса на неделю назад.
10. Станд.откл.тренда суточного курса на неделю назад.
11. Тренд среднего тренда курса на неделю назад.
12. Средний тренд среднего тренда курса на неделю назад.
13. Ст.отк.тренда среднего тренда курса на неделю назад.
14. Объем сделки.
15. Тренд объема сделок на день назад.
16. Средний тренд объема сделок на неделю назад.
17. Станд.откл.тренда объема сделок на неделю назад.
18. Тренд среднего тренда объема сделок на неделю назад.
19. Ср.тренда ср.тренда объема сделок на неделю назад.
20. Ст.отк.тренда ср.тренда объема сделок на неделю назад.
21. Количество сделок.
22. Тренд количества сделок на день назад.
23. Средний тренд количества сделок на неделю назад.
24. Станд.откл.тренда количества сделок на неделю назад.
25. Тренд ср.тренда количества сделок на неделю назад.
26. Ср.тренда ср.тренда количества сделок на неделю назад.
27. Ст.отк.тренда ср.тренда кол-ва сделок на неделю назад.
Необходимо отметить, что сам набор исследуемых событий определяется разработчиком приложения, в данном случае авторами статьи, и может быть легко расширен или изменен. Например, на основе даты могут быть сформированы такие вторичные признаки, как: «День недели», «Месяц», «Время года», что не было сделано в примере, приведенном в данной статье.
Для трейдеров представляет интерес прогнозирование будущих событий на фондовом рынке, формализуемых первыми шкалами 2-4, на основе знания об уже произошедших событиях, формализуемых шкалами 427. Это позволяет разделить все шкалы на классификационные: 2-4, и описательные: 5-27.
Но каким методом можно получить значения показателей в этих шкалах? Предлагается на основе первичных показателей, формализуемых шкалами: 5, 14, 21 расчетным путем, т.е. методом прямого счета, получить вторичные показатели (шкалы б-10, 15-17, 22-24). На основе вторичных показателей также методом прямого счета получаются третичные показатели (шкалы 10-12, 17-19, 24-2б). Таким образом, предлагается исследовать события, формализуемые значениями следующих классификационных и описательных шкал (таблица 3):
1. Дата
Классификационные шкалы:
2. Тренд суточного курса на день вперед.
3. Тренд недельного курса на неделю вперед.
4. Сценарий динамики суточного тренда курса на неделю вперед.
Первичный показатель:
5. Курс, суточный, средневзвешенный с учетом объемов продаж.
Описательные шкалы:
Вторичные показатели:
6. Курс, недельный, средневзвешенный с учетом объемов продаж.
7. Тренд суточного курса на день назад.
8. Сценарий динамики суточного тренда курса на неделю назад.
9. Средний тренд суточного курса на неделю назад.
10. Станд.откл.тренда суточного курса на неделю назад.
Третичные показатели:
11. Тренд среднего тренда курса на неделю назад.
12. Средний тренд среднего тренда курса на неделю назад.
13. Ст.отк.тренда среднего тренда курса на неделю назад.
Первичный показатель:
14. Объем сделки.
Вторичные показатели:
15. Тренд объема сделок на день назад.
16. Средний тренд объема сделок на неделю назад.
17. Станд.откл.тренда объема сделок на неделю назад.
Третичные показатели:
18. Тренд среднего тренда объема сделок на неделю назад.
19. Ср.тренда ср.тренда объема сделок на неделю назад.
20. Ст.отк.тренда ср.тренда объема сделок на неделю назад.
Первичный показатель:
21. Количество сделок.
Вторичные показатели:
22. Тренд количества сделок на день назад.
23. Средний тренд количества сделок на неделю назад.
24. Станд.откл.тренда количества сделок на неделю назад.
Третичные показатели:
25. Тренд ср.тренда количества сделок на неделю назад.
26. Ср.тренда ср.тренда количества сделок на неделю назад.
27. Ст.отк.тренда ср.тренда кол-ва сделок на неделю назад.
Таблица 3 - ТАБЛИЦА ИСХОДНЫХ ДАННЫХ С ПЕРВИЧНЫМИ,
ВТОР
ЧНЫМИ
Д ТРЕТИЧНЫМИ ПОКАЗАТЕЛЯМИ (ФРАГМ
Источ- ник информ Классы Первич ный признак Признаки 2-го порядка (вторичные) Признаки 3-го порядка (третичные) Первичный признак Признаки 2-го порядка (вторичные) Признаки 3-га порядка (третичные) Первичнь йпризнак Признаки 2-го порядка (вторичные) Признаки 3 го порядка (третичные)
Дата Тренд суточного курса на день вперед го і л 0 а >. 0 8 ч л 0 С а ф ш 5 с ф « 1C I ф ф II о ф h I Сценарий динамики 1 суточного тренда курса на I : 0 h 01 7 * O' IS 2 -ї* ї го з 5 S і 3 о j 0 a o»c 0.» о q ® а ф fi >aio be: о о Курс, недельный, средневзвешенный с учетом объемов продаж Тренд суточного курса на день назад Сценарий динамики 1 суточного тренда курса на 1 Средний тренд суточного курса на неделю назад 0 0 і т ?И >. ГС 0 2 (0 ГО I 1 2 ф С 0.Ф ► Ч 5S I га 1 о і Тренд среднего тренда курса на неделю назад Средний тренд среднего тренда курса на неделю назад Ст.отк.тренда среднего тренда курса на неделю назад В 1 ф 5 0 в ф 10 0 Тренд объема сделок на день назад .11 л го ! S Ф го > 1 Ю о °С q Ф і q ф ф а і h го ’S I 5 ° 11 с *5 0 о го ф ч «1 и ф ф Q.4 1- ф с 1 1\ q о її Оо Тренд среднего тренда объема сделок на неделю назад го s ф 0 0 п ГО ГО q1 1 2 ® с Ч 0 I ГО го її и о 3 Ст.отк.тренда ср.тренда объема сделок на неделю назад Количество сделок Тренд количества сделок на день назад Средний тренд количества сделок на неделю назад і с ф я и 2 ф fi Ю 0 Тренд объема сделок на день назад .11 го го s S ф го fi 1 10 0 °С 5 ф I я ф ф й! h го 1 I S , 5° is 0 о Ст.отк.тренда среднего тренда курса на неделю назад
і 2 3 4 5 6 7 8 9 10 11 12 1! 14 15 16 17 18 19 20 21 22 23 24 25 26 27
18.07.05 1,652 1,599 S26 20,831 21,884 0,000 0,000 0,000 0,000 0,000 0,000 482000,000 0,000 0,000 0,000 0,000 0,000 0,000 694,000 0,000 0,000 0,000 0,000 0,000 0,000
19,07.05 0,117 0,406 S13 21.175 22,042 1,625 0,000 0,000 0,000 0,000 0,000 32357000,000 98,510 0,000 0,000 0,000 0,000 0,000 2354,000 70,518 0,000 0,000 0,000 0,000 0,000
20.07.05 0,477 ■0,296 S7 21.200 22,216 0,117 0,000 0,000 0,000 0,000 0,000 10444000,000 -209,814 0,000 0,000 0,000 0,000 0,000 1169,000 ■101,369 0,000 0,000 0,000 0,000 0,000
21.07.05 3,810 ■0,668 S4 21.301 22,311 0,475 0,000 0,000 0,000 0,000 0,000 20494000,000 49,039 0,000 0,000 0,000 0,000 0,000 1707,000 31,517 0,000 0,000 0,000 0,000 0,000
22.07.05 3,512 -0,596 S1 22.113 22,386 3,670 0,000 0,000 0,000 0,000 0,000 46049000,000 55,495 0,000 0,000 0,000 0,000 0,000 3908,000 56,320 0,000 0,000 0,000 0,000 0,000
25.07.05 -1.542 ■0,420 S37 22.889 22,422 3,393 0,000 0,000 0,000 0,000 0,000 41326000,000 -11,429 0,000 0,000 0,000 0,000 0,000 3285,000 -18,965 0,000 0,000 0,000 0,000 0,000
26.07.05 -1,023 0,522 S17 22.536 22,234 -1.567 S49 0,000 0,000 0,000 0,000 0,000 25726000,000 -60.639 0,000 0,000 0,000 0,000 0,000 2502,000 -31,295 0,000 0,000 0,000 0,000 0,000
27.07.05 0,212 1,095 S42 22.306 22,132 -1,033 S26 1,102 1,907 0,000 0,000 0,000 14413000,000 -78,492 -11,263 101,760 0,000 0,000 0,000 1530,000 -63,529 0,961 58,802 0,000 0,000 0,000
28.07.05 -1.860 0,635 S53 22.353 22,150 0,212 S13 0,954 2,042 0,000 0,000 0,000 1184000,000 -1117,314 -22,476 104,597 0,000 0,000 0,000 1117,000 -36,974 -8,115 63,676 0,000 0,000 0,000
29.07.05 -0,514 0,285 S27 21.937 22,162 -1,895 S7 0,752 2,034 0,000 0,000 0,000 1532000,000 22,715 -196,165 416,033 0,000 0,000 0,000 1775,000 37,070 ■23,471 53,738 0,000 0,000 0,000
01.08.05 1,906 0,540 S14 21.824 22,253 -0,517 S4 0,465 2,268 0,000 0,000 0,000 11778000,000 86,993 -162,946 423,969 0,000 0,000 0,000 1169,000 -51,839 -3,694 45,067 0,000 0,000 0,000
02.08.05 -0,347 1,294 S47 22.240 22,328 1,870 S1 0,323 2,298 0,000 0,000 0,000 14194000,000 17,021 -157,524 427,361 0,000 0,000 0,000 1249,000 6,405 -15,602 45,225 0,000 0,000 0,000
03.08.05 0,693 2,218 S24 22.163 22,350 -0,348 S37 0,066 1,932 0,000 0,000 0,000 1878000,000 -655,804 -163,021 424,402 0,000 0,000 0,000 1798,000 30,534 ■22,732 34,707 0,000 0,000 0,000
04.08.05 0,966 3,121 S12 22.317 22,374 0,688 S17 ■0,468 1,259 0,000 0,000 0,000 25479000,000 92,629 -255,074 454,834 0,000 0,000 0,000 2365,000 23,975 ■15,661 40,209 0,000 0,000 0,000
05.08.05 0,245 6,285 S38 22.532 22,291 0,957 S42 -0,146 1,219 -113,277 -14,160 40,049 6497000,000 -292,166 -233,179 469,215 1970,397 246,300 696,641 886,000 -166,930 -7,766 42,013 -908,033 ■113,504 321,038
08.08.05 -1.045 8,357 S33 22.587 22,225 0,244 S53 0,138 1,210 -85,531 -24,851 46,609 5878000,000 -10,531 -263,704 464,401 1073,288 380,461 744,159 835,000 -6,108 •22,537 72,211 177,734 -91,287 335,824
09.08.05 0,279 9,508 S49 22.351 22,373 -1,056 S27 0,143 1.210 ■81,033 -34,980 49,171 1431000,000 -310,762 -105,592 275,214 46,172 374,689 747,702 1631,000 48,804 ■18,128 72,125 ■22,765 -94,133 335,036
10.08.05 -0,970 9,869 S61 22.414 22,617 0,278 S14 0,263 0,997 ■43,511 ■40,419 47,113 7615000,000 81,208 -153,231 278,149 ■5,962 373,944 748,132 830,000 -96,506 ■16,451 73,740 345,397 -50,958 369,393
11,08.05 -1.379 9,999 S64 22.196 22,846 -0,979 S47 0,376 0,93? 16,357 -38,374 49,416 1208000,000 -530,381 -154,058 277,324 -2,201 373,669 748,289 999,000 16,917 -22,832 79,054 46,345 45,165 370,667
12.08.05 0,785 9,682 S35 21.890 23,073 -1,399 S24 -0,031 0,787 -146,744 -56,717 59,370 11303000,000 89,313 -232,258 297,488 42,472 378,978 745,405 1423,000 29,796 ■21,331 79,798 -6,167 45,936 370,566
15,08.05 3,619 7,429 S18 22.062 23,691 0,778 S12 -0,181 0,942 ■61,363 -64,388 54,782 6871000,000 ■64,503 -125,813 250,233 -50,676 372,643 749,290 976,000 45,799 ■21,436 79,719 36,873 41,327 371,447
16,08.05 1,953 5,393 S9 22.860 24,082 3,492 S38 -0,168 0,957 14,835 -62,533 57,459 19378000,000 64,542 -148,260 233,885 -36,418 368,091 751,984 2397,000 59,282 -31.404 77,424 304,399 -3,277 391,344
17.08.05 1.719 3,630 S16 23.307 24,500 1,916 S33 0,194 1,669 40,613 -43,297 63,487 24173000,000 19,836 -97,302 236,154 -63,102 113,904 389,140 2297,000 4,354 0,912 55,547 -104.049 97,221 161,609
18.08.05 1,453 2,246 S8 23.707 24,849 1,690 S49 0,433 1,792 203,430 ■7,177 104,791 17274000,000 ■39,939 -92,964 238,283 ■11,959 -21,752 34,247 1950,000 -17,795 1,163 55,514 -106,416 61,702 172,260
19.08.05 3,906 1,199 S4 24.052 25,130 1,432 S61 0,825 1,710 214,183 29,725 125,082 12344000,000 ■39,938 -54,275 218,163 ■64,580 -24,053 36,656 1431,000 -36,268 ■8,351 51,554 49,237 58,393 174,356
22.08.05 2,259 -0,331 S34 24.991 25,306 3,759 S63 0,990 1,704 163,182 55,562 129,077 32607000,000 62,143 -71,581 210,287 -53,536 -30,000 37,157 3016,000 52,553 0,254 37,498 ■101.113 2,579 136,774
23.08.05 0,330 ■1,779 S26 25.556 25,452 2,209 S35 1,667 1,733 ■5494,651 ■633,314 1968,449 16614000,000 ■96,262 13,065 61,310 -105,625 42,928 43,546 1864,000 -61,803 5,345 42,254 -125,058 -18,846 142,254
24.08.05 -0,870 ■1,631 S41 25.640 25,381 0,329 S18 2,182 1,084 ■1305,980 ■778,219 1970,181 11735000,000 41,576 -13,446 62,945 -89,313 -59,401 29,183 1300,000 43,385 •7,740 47,302 ■63,890 -26,061 142,981
25.08.05 -0,519 -1,356 S21 25.417 25,390 -0,878 S9 2,118 1,189 -1360,809 -940,649 1956,154 8614000,000 -36,232 -10,171 60,390 -93,140 -64,709 31,164 1051,000 -23,692 -7,395 46,986 -76,450 40,227 141,461
26.08.05 -0,017 ■1,358 S11 25.285 25,408 -0,522 S16 1,494 1,463 669,437 ■858,824 2014,647 11967000,000 28,019 -24,567 50,873 -74,752 ■69,501 29,069 1316,000 20,137 ■19,249 36,702 ■2209,643 •354,482 750,012
29.08.05 0,852 ■1,053 S6 25.281 25,431 -0,017 S8 1,146 1,627 164,583 ■843,328 2023,013 798000,000 -1399,624 -23,398 52,142 -74,831 -70,967 28,996 1370,000 3,942 ■15,750 39,425 ■1454,241 ■523,256 832,938
30.08.05 -1,072 0,403 S3 25.496 25,223 0,845 S4 0,902 1,659 9,293 -867,595 2009,784 10141000,000 92,131 -217,639 523,757 300,994 -31,848 135,497 1113,000 -23,091 ■12,645 40,087 51,418 ■503,527 845,989
31.08.05 1,851 2,091 S34 25.223 24,999 -1,084 S34 0,818 1,643 -17,375 -896,540 1993,581 13269000,000 23.574 -198,772 533,513 177,686 -1,565 153,070 1500,000 25,800 •10,763 39,090 4333,298 -1039,035 1566,456
01.09.05 -0,294 2,886 S49 25.690 24,967 1,817 S26 0,126 1,141 ■92,432 ■928,492 1976,142 11214000,000 -18,325 -204,282 530,561 -1663.595 ■202,822 609,405 1298,000 -15,562 ■14,584 32,645 -372,856 ■1073,002 1546,026
02.09.05 -0,788 2,779 S25 25,614 25,045 -0,295 S41 0,070 1,025 ■96,782 ■253,758 710,711 6423000,000 ■74,591 -193,148 534,012 1336,490 -22,558 819,381 712,000 -82,303 -7,979 25,364 3,079 -1056,985 1557,868
05,09.05 -2,842 3,631 S45 25.412 25,063 -0,794 S21 -0,019 1,026 -100,895 -103,122 569,516 6865000,000 6,438 -197,864 532,594 1845,452 219,288 1049,951 1036,000 31,274 -13,539 36,318 83,065 -1038,616 1572,053
06.09.05 -1.824 3,967 S23 24.690 25,163 -2,926 S11 -0,007 1,015 -100,470 54,420 264,606 25417000,000 72,991 -191,768 534,991 680,597 316,005 1052,693 2602,000 60,184 -5,686 39,555 ■70,459 -1037,867 1572,578
07,09.05 3,201 4,345 S4 24.240 25,324 -1,858 S6 -0,350 1,506 -130,589 -45,583 97,168 25176000,000 -0,957 -185,344 538,330 692,137 411,866 1046,928 1709,000 -52,253 0,035 46,243 -100,221 ■774,189 1524,135
08.09.05 2,912 3,920 S54 25,016 25,521 3,102 S3 -0,613 1,596 -168,023 -87,159 57,426 28199000,000 10,720 14,466 56,049 -106,647 407,889 1049,099 2195,000 22,141 -7,993 50,163 -36,790 ■597,008 1516,154
09.09.05 -0,624 3,679 S59 25.744 25,688 2,829 S34 -0,291 2,091 -135,586 -105,269 43,920 27859000,000 -1,220 2,836 44,505 -101,427 357,587 1064,492 2264,000 3,048 -1.531 50,804 •85,773 ■614,157 1508,529
12.09.05 0,851 3,927 S62 25.583 25,741 -0,628 S49 0,268 2,351 112,396 -89,048 85,398 9752000,000 -185,675 ■0,706 43,556 -99,654 322,919 1075,645 1102,000 -105,445 4,782 49,474 ■67,215 ■80,896 131,917
13.09.05 -1,294 3,518 S64 25.801 25,973 0,844 S25 ■0,081 2,262 -215,936 ■104,486 96,535 18528000,000 47,366 ■24,614 82,950 -87,257 519,962 756,920 2129,000 48,239 ■17,622 62,648 120,861 -19,182 81,775
14,09.05 0,419 3,104 S9 25.467 26,162 -1,311 S45 0,081 2,285 -528,982 -158,511 178,093 17891000,000 -3,560 -7,191 83,510 -96,366 340,855 703,765 1975,000 -7,797 1,027 59,537 ■107,585 -33,015 86,684
15.09.05 1.140 2,145 S32 25.574 26,425 0,418 S23 0,008 2,326 -207,553 ■171,843 177,154 7744000,000 -131,030 -8,619 83,323 ■95,505 98,235 363,058 929,000 -112,594 4,555 58,042 ■19,900 45,885 73,651
16,09.05 0,847 2,396 S48 25.866 26,522 1.127 S4 0,485 1,933 -238,450 ■189,090 175,925 13276000,000 41,669 -37,765 85,668 ■79,624 3,207 278,497 1623,000 42,760 ■29,237 62,490 ■84084,251 ■10547,609 29713,380
19.09.05 2,143 2,507 S56 26.085 26,633 0,840 S54 0,912 1,637 -248.605 -203,842 175,265 16724000,000 20,617 -31,676 90,120 -318,972 -123,181 79,559 1582,000 -2,592 -15,664 66,826 95,973 -10523,085 29723,314
20.09.05 0,642 2,163 S60 26.644 26,752 2,098 S59 0,588 1,326 -302,166 ■220,610 177,748 29778000,000 43,838 -30,262 90,969 ■1167,222 ■255,753 376,725 2578,000 38,635 ■19,197 65,126 1153,707 ■10374,273 29786,228
21.09.05 0,974 0,205 S62 26.815 26,886 0,638 S62 0,484 1,136 80,659 ■193,579 206,622 17435000,000 -70,794 -23,825 94,877 3272,541 165,993 1309,064 1953,000 -32,002 ■14,113 68,456 195,164 ■10339,156 29800,253
22.09.05 -1.847 ■1,136 S63 27.076 26,974 0,965 S63 0,665 1,024 -916,790 -322,228 291,758 1415000,000 -1132,155 -7,414 68,478 ■69,880 169,714 1308,243 1394,000 40,100 -3,622 56,753 -79,448 •10340,685 29799,651
23.09.05 0,070 -1,720 S7 26.576 26,991 -1.882 S9 0,682 1,029 739,322 -202,821 477,700 13508000,000 89,525 -175,917 426,502 2346,342 473,914 1507,688 1747,000 20,206 -16,242 52,996 -1681,517 ■10565,982 29715,954
26.09.05 1.116 ■2,456 S4 26.595 27,157 0,069 S32 0,601 1,218 7856,593 845,376 2869,928 8472000,000 ■59,443 -162,619 434,154 1786,655 709,292 1552,266 926,000 -88,661 ■12,241 54,767 168,757 ■10531,439 29730,005
27.09.05 1,433 ■3,452 S32 26.891 27,301 1.104 S48 0,551 1,234 13,545 873,014 2859,385 9427000,000 10,130 -152,392 435,862 303,524 759,171 1528,947 1149,000 19,408 -8,822 47,757 ■69,826 ■10537,680 29727,489
ЕНТ)
Все значения классификационных о описательных шкал таблицы 3, за исключением столбцов со сценариями (4, 8), формируются средствами Excel непосредственно на основе таблицы 1 методом прямого счета. Приведем формулы Excel для расчета вторичных и третичных показателей на основе первичных (таблица 4):
Таблица 4 - ФОРМУЛЫ EXCEL ДЛЯ РАСЧЕТА ВТОРИЧНЫХ И ТРЕТИЧНЫХ ПОКАЗАТЕЛЕЙ4
Наименование шкалы Столбец в Excel Формула расчета
1. Дата A
Классификационные шкалы:
2. Тренд суточного курса на день вперед. B =(Е19-Е18)/Е18*100
3. Тренд недельного курса на неделю вперед. C =(Р24-Р18)/Р18*100
4. Сценарий динамики суточного тренда курса на неделю вперед. D Алгоритм идентификации сценария описан ниже
Первичный показатель:
5. Курс, суточный, средневзвешенный с учетом объемов продаж. E
Описательные шкалы:
Вторичные показатели:
6. Курс, недельный, средневзвешенный с учетом объемов продаж. F = ( Е18 * и18 + Е19 * и19 + Е20 * и20 + Е21 * и21 + Е22 * и22 + Е23 * и23 ) / СУММ ( и18 : и23 )
7. Тренд суточного курса на день назад. G =(Е18-Е17)/Е18*100
8. Сценарий динамики суточного тренда курса на неделю назад. H Алгоритм идентификации сценария описан ниже
9. Средний тренд суточного курса на неделю назад. I =СРЗНАЧ(в11:017)
10. Станд.откл.тренда суточного курса на неделю назад. J =СТАНДОТКЛОН(011:017)
Третичные показатели:
11. Тренд среднего тренда курса на неделю назад. K =(118-111)Л11*100
12. Средний тренд среднего тренда курса на неделю назад. L =СРЗНАЧ(К11:К18)
13. Ст.отк.тренда среднего тренда курса на неделю назад. M =СТАНДОТКЛОН(К11:К18)
Первичный показатель:
14. Объем сделки. N
Вторичные показатели:
15. Тренд объема сделок на день назад. O =(М8-М7)/М8*100
16. Средний тренд объема сделок на неделю назад. P =СРЗНАЧ(011:017)
17. Станд.откл.тренда объема сделок на неделю назад. Q =СТАНДОТКЛОН(011:017)
Третичные показатели:
18. Тренд среднего тренда объема сделок на неделю назад. R =(Р18-Р11)/Р11*100
19. Ср.тренда ср.тренда объема сделок на неделю назад. S =СРЗНАЧ(Я11:Я18)
20. Ст.отк.тренда ср.тренда объема сделок на неделю назад. T =СТАНДОТКЛОН(К11:Я18)
Первичный показатель:
21. Количество сделок. U
Вторичные показатели:
22. Тренд количества сделок на день назад. V =(Ш8-Ш7)/Ш8*100
23. Средний тренд количества сделок на неделю назад. W =СРЗНАЧ(У11:У17)
24. Станд.откл.тренда количества сделок на неделю назад. X =СТАНДОТКЛОН(У11:У17)
Третичные показатели:
25. Тренд ср.тренда количества сделок на неделю назад. Y =^18^11)^11*100
26. Ср.тренда ср.тренда количества сделок на неделю назад. Z =СРЗНАЧ(У11:У18)
27. Ст.отк.тренда ср.тренда кол-ва сделок на неделю назад. AA =СТАНДОТКЛОН(У11:У18)
Рассмотрим теперь, какой смысл вкладывают авторы в термин «сценарий», как предлагается классифицировать сценарии и каким методом определяются сценарии, приведенные в таблице 3.
4 Все формулы в таблице 3 приведены для строки 18 таблицы 2 (за 05.08.2005 ), т.к. это первая строка, для которой есть недельная предыстория вторичных показателей
Под сценарием показателя понимается динамика его изменения за какой-либо определенный интервал времени. Впервые сценарии были предложены и применены автором (Луценко Е.В.) в 1994 году в системе «Эйдос-фонд» [8, 17], которая обеспечивала не только прогнозирование самого курса доллара на каждый из дней на 30 дней вперед, но и прогнозирование сценария изменения курса доллара в течение дня, на который делался прогноз. Кроме того эта система прогнозировала достоверность прогнозирования [7] путем определения степени согласованности друг с другом точечных прогнозов, сделанных на определенный день с разных позиций во времени, чем обеспечивалось не только прогнозирование курса доллара, но и прогнозирование окончания периодов эргодичности и время наступления периодов бифуркации (периодов нарушения закономерностей, отраженных в обучающей выборке и формирования новых закономерностей).
Простейшим сценарием является тренд, т.е. разность сегодняшнего ив вчерашнего значений показателя (т.е. его 1-я производная), т.к. он просто показывает либо увеличение, либо уменьшение значения показателя по сравнению с предыдущим временным периодом, например днем, т.е. суточный тренд - это сценарий изменения величины показателя за 2 дня. Наиболее экономно суточный тренд можно закодировать одним битом, например можно считать, что если значение бита равно 0, то тренд отрицательный, а если 1 - положительный. Если для кодирования сценариев использовать 2 бита, то получится уже 4 сценария, отражающих динамику показателя за 2 дня, если 3 бита, то 8 сценариев, отражающих динамику показателя за 3 дня, и вообще если для кодирования (классификации) сценариев использовать I бит, то это позволит закодировать (классифицировать) Ы=21 сценариев, отражающих динамику показателя за I дней (таблица 5). Это связано с тем, что добавление каждого нового бита увеличивает количество сценариев в 2 раза, т.к. этот бит имеет два значения.
Таблица 5 - КОЛИЧЕСТВО СЦЕНАРИЕВ В ЗАВИСИМОСТИ ОТ КОЛИЧЕСТВА ВРЕМЕННЫХ ПЕРИОДОВ
Количество
временных
периодов
1
2
10
11
Количество
сценариев
2
16
32
64
128
256
512
1024
2048
4
3
8
4
5
6
7
8
9
12 4096
13 8192
14 16384
15 32768
16 65536
Из таблицы 5 видно, что как быстро растет количество различных сценариев с увеличением числа временных периодов. Учитывая, что Excel позволяет в одном листе обрабатывать не более 256 столбцов разумно ограничиться числом дней не более 8. В примере, рассматриваемом в данной статье, авторы остановились на использовании 64 сценариев, отражающих динамику тренда показателей за 6 дней (таблицы 6 и 7):
Таблица 6 - КОДЫ (СИГНАТУРЫ) СЦЕНАРИЕВ ИЗМЕНЕНИЯ СУТОЧНОГО ТРЕНДА ПОКАЗАТЕЛЯ ЗА 6 ДНЕЙ
№ Абс.значения ср.взв.курса Тренд абс.значений ср.взв.курса
1 2 3 4 5 6 1 2 3 4 5 6
S1 -2 -3 -4 -5 -6
S2 -2 -3 -4 -5 -4 1
S3 -2 -3 -4 -3 -4 1
S4 -2 -3 -4 -3 -2 1 1
S5 -2 -3 -2 -3 -4 1
S6 -2 -3 -2 -3 -2 1 1
S7 -2 -3 -2 -1 -2 1 1
S8 -2 -3 -2 -1 0 1 1 1
S9 -2 -2 -3 -4 1
S10 -2 -2 -3 -2 1 1
S11 -2 -2 -1 -2 1 1
S12 -2 -2 -1 0 1 1 1
S13 -2 0 -1 -2 1 1
S14 -2 0 -1 0 1 1 1
S15 -2 0 1 0 1 1 1
S16 -2 0 1 2 1 1 1 1
S17 0 -2 -3 -4 1
S18 0 -2 -3 -2 1 1
S19 0 -2 -1 -2 1 1
S20 0 -2 -1 0 1 1 1
S21 0 0 -1 -2 1 1
S22 0 0 -1 0 1 1 1
S23 0 0 1 0 1 1 1
S24 0 0 1 2 1 1 1 1
S25 0 1 0 -1 -2 1 1
S26 0 1 0 -1 0 1 1 1
S27 0 1 0 1 0 1 1 1
S28 0 1 0 1 2 1 1 1 1
S29 0 1 2 1 0 1 1 1
S30 0 1 2 1 2 1 1 1 1
S31 0 1 2 3 2 1 1 1 1
S32 0 1 2 3 4 1 1 1 1 1
S33 1 0 -2 -3 -4 1
Б34 1 0 -2 -3 -2 1 1
Б3б 1 0 -2 -1 -2 1 1
Б36 1 0 -2 -1 0 1 1 1
Б37 1 0 0 -1 -2 1 1
Б38 1 0 0 -1 0 1 1 1
Б39 1 0 0 1 0 1 1 1
Б40 1 0 0 1 2 1 1 1 1
Б41 1 0 1 0 -1 -2 1 1
Б42 1 0 1 0 -1 0 1 1 1
Б43 1 0 1 0 1 0 1 1 1
Б44 1 0 1 0 1 2 1 1 1 1
Б45 1 0 1 2 1 0 1 1 1
Б46 1 0 1 2 1 2 1 1 1 1
Б47 1 0 1 2 3 2 1 1 1 1
Б48 1 0 1 2 3 4 1 1 1 1 1
Б49 1 2 1 0 -1 -2 1 1
Б50 1 2 1 0 -1 0 1 1 1
Б51 1 2 1 0 1 0 1 1 1
Б52 1 2 1 0 1 2 1 1 1 1
Б53 1 2 1 2 1 0 1 1 1
Б54 1 2 1 2 1 2 1 1 1 1
Ббб 1 2 1 2 3 2 1 1 1 1
Б56 1 2 1 2 3 4 1 1 1 1 1
Б57 1 2 3 2 1 0 1 1 1
Б58 1 2 3 2 1 2 1 1 1 1
Б59 1 2 3 2 3 2 1 1 1 1
Б60 1 2 3 2 3 4 1 1 1 1 1
Б61 1 2 3 4 3 2 1 1 1 1
Б62 1 2 3 4 3 4 1 1 1 1 1
Б63 1 2 3 4 5 4 1 1 1 1 1
Б64 1 2 3 4 5 6 1 1 1 1 1 1
Б2
В этих таблицах 0 для наглядности заменен на -1.
Таблица 7 - КЛАССИФИКАЦИЯ СЦЕНАРИЕВ ИЗМЕНЕНИЯ ________СУТОЧНОГО ТРЕНДА ПОКАЗАТЕЛЯ ЗА 6 ДНЕЙ
-1 -1 -1 и и -1
Б9
-11 -1-1
-11-1-1
Э53
Э54
Рассмотрим примененный метод идентификации типа сценария и занесения типа сценария в таблицу 2.
В примере, приведенном в данной статье, сценарии определяются в столбцах Б и Н таблицы 3, т.е. в 4-м и 8-м столбцах (см. таблицу 4). Причем 4-й столбец - это классификационная шкала: «Сценарий динамики суточного тренда курса на неделю вперед», а 8-й столбец - это описательная шкала: «Сценарий динамики суточного тренда курса на неделю назад».
Возникает вопрос о том, можно ли было наряду с этими сценариями исследовать и другие, например сценарии изменения других показателей и на других временных периодах и с другими интервалами усреднения (не день, а час, неделя и др.)? На этот вопрос можно ответить утвердительно. Более того, для этого нет никаких каких-то принципиальных препятствий, более того, в этом может быть смысл, т.е. в результате адекватность модели может повыситься.
Ясно, что могут быть применены и другие подходы для выбора системы типовых сценариев, отличающиеся от изложенного в статье. Например, в самом исходном временном ряде могут быть выявлены фактически встречающиеся наиболее сильно отличающиеся друг от друга сценарии (система «почти» ортогональных функций), могут быть использованы какие-либо функции, например сплайны5. Кроме того в таблице 3 исходных данных после 4-го столбца, в котором содержаться типовые сценарии тренда средневзвешенного суточного курса на 6 дней вперед, вполне могут быть добавлены столбцы, содержащие типовые сценарии на 6 дней через 1 день, через 2 дня и вообще через п дней относительно текущей даты. Их даже нет необходимости специально вычислять, а можно просто взять из соответствующих строк, соответствующих будущим датам, относительно текущей. Аналогично, в таблице 3 исходных данных после 8-го столбца, в
Шр://ги^1к1реё1а. о^М1к1/ Сплайн
5
котором содержаться типовые сценарии тренда средневзвешенного суточного курса на 6 дней назад, вполне могут быть добавлены столбцы, содержащие типовые сценарии на 6 дней за 1 день, за 2 дня и вообще за п дней до текущей даты. Их даже нет необходимости специально вычислять, а можно просто взять из соответствующих строк, соответствующих прошедшим датам, относительно текущей.
Но в примере, разбираемом в данной статье, авторы для простоты решили ограничиться исследованием недельных сценариев тренда суточного курса на неделю вперед и неделю назад от текущей даты, что позволяет полностью продемонстрировать технологию и для целей статьи вполне достаточно.
Сценарии на неделю вперед определяются с помощью таблицы 8, которая является листом в той же Excel-книге, что и таблица исходных данных 3.
Таблица 8
■ ТАБЛИЦА ДЛЯ ИДЕНТИФИКАЦИИ ТИПА СЦЕНАРИЯ НА НЕДЕЛЮ ВПЕРЕД (ФРАГМЕНТ)
□ МІСГ050
Щ] Файл Правка Вид Вставка Формат Сервис Данные Окно Справка □ £ Закрыть а а Ш | £ а I У (й | * Ча а - V <* | ' ч а £ - ли Апа1 Суг -г 10 » ж к ч » ш Ш а ^ % ом $ *3 Я
В11 -г £ =КОРРЕЛ(Б$5:В$10;Л$В5:[Л!СБ10)
_ & X
Введите вопрос
. *0 150% 4-А.
А В С 0 Е в Н I 1 К 1 м N О Р
1
2 Определение сценария динамики тренда курса на неделю вперед
3
4 Э1 Э2 эз Э4 $5 Э6 Э7 $8 Э9 ЭЮ Є11 Б12 Э13 Э14 Э15
5 1 -0,99 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
6 2 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
7 3 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1
8 4 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1
9 5 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
10 6 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
11 Когг 0,07 0,07 -0,29 -0,17 -0,20 -0,10 -0,39 -0,31 0,58 0,52 0,23 0,28 0,30 0,34 0,07
12 -0,17 -0,17 -0,09 -0,20 0,63 0,37 0,43 0,28 0,57 0,31 0,38 0,23 0,95 0.77 0,82
13 -0,09 -0,09 0,63 0,42 0,56 0,37 0,94 0,82 -0,53 -0,49 0,08 0,00 0,03 -0,04 0,49
14 0,64 0,64 0,58 0,96 -0,40 0,19 0,14 0,61 -0,30 0,27 0,22 0,68 -0,55 -0,04 -0,09
15 0,93 0,93 -0,33 0,47 -0,20 0,57 -0,43 0,29 0,10 0,81 -0,18 0,52 -0,08 0,62 -0,32
16 -0,38 -0,38 -0,20 -0,46 0,24 -0,11 0,04 -0,25 -0,49 -0,69 -0,55 -0,80 -0,20 -0,47 -0,33 ■
17 -0,29 -0,29 0,19 -0,08 -0,61 -0,71 -0,34 -0,53 -0,09 -0,30 0,07 -0,15 -0,56 -0,74 -0,39 ■
18 0,08 0,08 -0,73 -0,51 -0,20 -0,10 -0,74 -0,64 0,73 0,64 0,00 0,06 0,42 0,45 -0,15 ■
19 -0,74 -0,74 -0,24 -0,78 0.65 -0,07 0.32 -0,25 -0,18 -0,73 -0,33 -0,87 0.37 -0,20 0.17 ■
20 -0,55 -0,55 0.77 0,18 -0,46 -0,79 0,25 -0,17 0,11 -0,35 0,70 0,25 -0,27 -0,67 0,32 ■{
К і ► и|\ □Еґ (ивг2 Ій2 1&\вІ і%2 і Шапка / Табл.1 для статьи / Табл ■ 2Д.|< 1111 I І» I
В строках с 5-й по 10-ю находятся сигнатуры (коды) сценариев, наименования которых приведены в строке 4, номера дней приведены в столбце А. Эти коды те же самые, что и в таблицах 6, 7. В строках с 11 по 949 (номер последней строки это определяется объемом выборки) в каждом
столбце приведены коэффициенты корреляции между сигнатурой соответствующего столбцу сценария и фактическим сценарием динамики суточного тренда курса, представленного в столбце В (2-й столбец) таблицы 2 (для удобства читателей в таблице 9 в увеличенном виде приведен фрагмент этой таблицы). Ехсе1-формула для расчета этого коэффициента корреляции для ячейки В11 имеет вид: =КОРРЕЛ(Б$5:Б$10;ё!$Б5:ё!$Б10). 11-я строка таблицы 8 содержит коэффициенты корреляции диапазона $Б5:ё!$Б10 таблицы 9 со всеми сценариями. Отметим, что диапазон $Б5:ё!$Б10 таблицы 9 отражает будущую динамику тренда курса на неделю вперед относительно текущей даты: 18.07.2005.
_______Таблица 9 - ТАБЛИЦА ИСХОДНЫХ ДАННЫХ (ФРАГМЕНТ)________
в Microsoft Ьхсеї - lnp_data.xls
® Файл Правка Вид Вставка Формат Сервис Данные Окно Справка
□ т закрыть л * - & и на ^ 140% -
| Апа1 Суг ▼ 10 ▼жл'ч*[Ш]*|1|Н0|%мо38 43|'£^ВЭ-&-Д- _
£ ="3"&ФИКСИР0ВАННЫЙ(П0ИСКП03(МАКС(,з11В11: 'в11ВМ11);У11В11: 'в1'!БМ11 ;0);0)
- 3 X
•I
Введите вопрос
А В с. Е ¥ Є Н I и К 1 М N
Источник 1 информ Классы Первич ный признак Признаки 2-го порядка (вторичные) Признаки 3-го порядка (т ретичные) Первичным признак
<5 2 £ Тренд суточного курса на деь вперед Тренд недельного курса на неделю вперед Сценарий динамики суточног тренда курса на неделю вперед Курс, суточный, средневзвешенный с учетом объемов продаж Курс, недельный, средневзвешенный с учетом объемов продаж Тренд суточного курса на деь назад Сценарий динамики суточног тренда курса на неделю наза Средний тренд суточного курса на неделю назад Станд.откл .тренда суточного курса на неделю назад Тренд среднего тренда курса на неделю назад Средний тренд среднего тренда курса на неделю наза Ст.отк.тренда среднего трен,: курса на неделю назад Объем сделки
3 1 2 3 4 5 6 7 8 9 10 и 12 13 14
4 [18.07.05 1,652 1,599 Є26 20,831 21,884 0,000 0,000 0,000 0,000 0,000 0,000 482000,00С
5 '19.07.05 0.117 0.406 Э13 21,175 22.042 1.625 0,000 0.000 0.000 0.000 0.000 32357000.00С
6 '20.07.05 0,477 -0,296 Э7 21,200 22,216 0,117 0,000 0,000 0,000 0,000 0,000 10444000,00С
7 '21.07.05 3,810 -0,668 Є4 21,301 22,311 0,475 0,000 0,000 0,000 0,000 0,000 20494000,00С
8 '22.07.05 3,512 -0,596 Э1 22.113 22.386 3.670 0,000 0.000 0.000 0.000 0.000 46049000.00С
Э '25.07.05 -1,542 -0,420 Б37 22,889 22,422 3,393 0,000 0,000 0,000 0,000 0,000 41326000,00С
10 '26.07.05 -1,023 0,522 Є17 22,536 22,234 -1,567 Є49 0,000 0,000 0,000 0,000 0,000 25726000,00С
11 '27.07.05 0,212 1.095 Э42 22,306 22.132 -1,033 Б26 1,102 1.907 0.000 0.000 0.000 14413000.00С
12 '28.07.05 -1,860 0,635 Б53 22,353 22,150 0,212 Б13 0,954 2,042 0,000 0,000 0,000 1184000.00С
13 '29.07.05 -0,514 0,285 Є27 21,937 22,162 -1,895 Є7 0,752 2,034 0,000 0,000 0,000 1532000,00С
14 '01.08.05 1,906 0.540 в14 21,824 22.253 -0,517 Б4 0,465 2.268 0.000 0.000 0.000 11778000.00С
15 '02.08.05 -0,347 1,294 Б47 22,240 22,328 1,870 Б1 0,323 2,298 0,000 0,000 0,000 14194000.00С
16 '03.08.05 0,693 2,218 Є24 22,163 22,350 -0,348 Є37 0,066 1,932 0,000 0,000 0,000 1878000,00С
17 '04.08.05 0,966 3.121 в12 22,317 22.374 0.688 Б1 7 -0,468 1.259 0.000 0.000 0.000 25479000.00С
18 '05.08.05 0,245 6.285 ЭЗЭ 22,532 22.291 0.957 Б42 -0,146 1.219 -113,277 -14,160 40.049 6497000.00С
19 '08.08.05 -1,045 8,357 ЄЗЗ 22,587 22,225 0,244 Є53 0,138 1,210 -85,531 -24,851 46,609 5878000,00С
20 '09.08.05 0,279 9.508 в49 22,351 22.373 -1,056 в27 0,143 1,210 -81,033 -34,980 49.171 1431 ООО.ООС
м < ► >•! [\ РВ? / РВР2 /62 /6/51 752 / Шапка / Табл, 1 для статьи \Табл.2 для статьи / Классик | < I
Статья-Луцен... Ш Microsoft Ехсе... р! АсІоЬе РЬоіоб ..
ЬШ-Жг 071
Для ячейки Б4 таблицы 9 тип сценария определяется с помощью следующей Ехсе1-формулы:
=МБ м&ФИКСИРОВАНН^1Й(ПОИСКПОЗ(МАКС('в 1'!Б11:'81'!БМ11);'81'!Б 11:'вГ!БМ11;0);0), которая обеспечивает:
- определение максимального коэффициента корреляции в строке 11 таблицы 8;
- поиск столбца в строке 11 таблицы 8, содержащего этот максимальный коэффициент корреляции;
- формирование наименования соответствующего сценария и занесение этого наименования в ячейку Б4 таблицы 9.
Для остальных строк столбца Б таблицы 9 идентификация типов сценариев определяется совершенно аналогично, но коэффициенты корреляции берутся, соответственно, уже из следующих срок таблицы 8.
Рассмотрим, каким образом определяется тип сценария для столбца Н таблицы 9. Для этого используется таблица 10, в строках 5-10 которой приведены сигнатуры сценариев, а в строке 11 - коэффициенты корреляции с этими сигнатурами диапазона $05:$010 таблицы 9, который содержит тренд суточного курса на день назад относительно текущей даты: 26.07.2005.
Таблица 10 - ТАБЛИЦА ДЛЯ ИДЕНТИФИКАЦИИ ТИПА СЦЕНАРИЯ ___________________НА НЕДЕЛЮ НАЗАД (ФРАГМЕНТ)
В Мкгозо
Щ Файл Правка Вид Вставка Формат Сервис Данные Окно Справка ! □ \з закрыть «
Апа1 Суг -г 10 ж к ч » ж ш ^ В ар % т *3 Я
=КОРРЕЛ(Р$5:РЛ0;|^!*|35:1^!*|310)
_ & X
Введите вопрос
. 4} 150% т
Е в Н I л К 1 М N О Р О р Iг Тт
1 |_
2 Определение сценария динамики тренда курса на неделю назад
3 4 5 е 7 8 9 10 11 -
Э1 Э2 эз Э4 Э5 $6 Э7 58 $9 ЭЮ Э1 Э12 513 эй Б15
1 -0,99 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
2 -1 -1 1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 1
3 -1 -1 -1 -1 1 1 1 1 -1 -1 -1 -1 1 1 1
4 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1
5 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
6 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
Когг -0,46 -0,46 0,02 -0,35 -0,43 -0,70 -0,32 -0,64 -0,32 -0,62 -0,23 -0,56 -0,59 -0,90 -0,54
12 13 14 15 16 17 18 19 20 0,08 0,08 -0,28 -0,16 -0,20 -0,09 -0,38 -0,30 0,58 0,52 0,23 0,28 0,30 0,35 0,07
-0,16 -0,16 -0,08 -0,19 0,63 0,37 0,43 0,29 0,56 0,32 0,38 0,24 0.94 0,77 0,83
-0,09 -0,09 0,62 0,43 0,56 0,38 0,94 0,82 -0,54 -0,49 0,07 0,00 0,02 -0,05 0,48
0,63 0,63 0,58 0,96 -0,40 0,18 0,14 0,60 -0,30 0,27 0,22 0,68 -0,55 -0,05 -0,09
0,92 0,92 -0,34 0,46 -0,20 0,57 -0,43 0,28 0,11 0,82 -0,18 0,52 -0,07 0,62 -0,32
-0,38 -0,38 -0,19 -0,46 0,25 -0,11 0,04 -0,24 -0,50 -0,70 -0,55 -0,80 -0,20 -0,47 -0,33
-0,29 -0,29 0,19 -0,08 -0,62 -0,72 -0,34 -0,53 -0,09 -0,30 0,08 -0,14 -0,56 -0,74 -0,39
0,08 0,08 -0,73 -0,52 -0,20 -0,09 -0,74 -0,64 0,72 0,64 -0,01 0,05 0,41 0,45 -0,16
-0,75 -0,75 -0,24 -0,78 0,65 -0,08 0,32 -0,25 -0,18 -0,73 -0,33 -0,86 0,37 -0,21 0,17
□ВР/Ъврг/сС/с]/:;!
иапка / Табл. 1 для статьи
Коэффициент корреляции для ячейки Р11 таблицы 10 рассчитывается по формуле: =КОРРЕЛ(Е$5:Е$10;ё!$05:ё!$010). В остальных ячейках таблицы 10 рассчитаны коэффициенты корреляции с типовыми сценариями фактических сценариев изменения трендов суточного курса на день назад относительно различных текущих дат.
Для ячейки Н10 таблицы 9 тип сценария определяется с помощью следующей Ехсе1-формулы:
="8"&ФИКСИРОВАННЫЙ(ПОИСКПОЗ(МАКС(,в2,!Е11:,в2,!ВР11);,в2,!Е11 :'в2,!БР11;0);0), которая обеспечивает:
- определение максимального коэффициента корреляции в строке 11 таблицы 9;
- поиск столбца в строке 11 таблицы 9, содержащего этот максимальный коэффициент корреляции;
- формирование наименования соответствующего сценария и занесение этого наименования в ячейку Н10 таблицы 9.
Для остальных строк столбца Н таблицы 9 идентификация типов сценариев определяется совершенно аналогично, но коэффициенты корреляции берутся, соответственно, уже из следующих срок таблицы 10, соответствующих различным датам.
На рисунке 1 в качестве примера приведены графики фактического сценария и типового, с которым он идентифицирован:
Рисунок 1. Фактический недельный сценарий изменения тренда суточного курса на день вперед относительно текущей даты: 18.07.2005 (сиреневый), и типовой сценарий 826, с которым он идентифицирован (синий).
Коэффициент корреляции между данными фактическим и типовым сценариями составил 0.87.
Интересно отметить, что фактические сценарии, соответствующие различным типовым сценариям, встречаются в реальной выборке с раз -личной частотой (таблицы 11 и 12):
Таблица 11 - ЧАСТОТЫ ВСТРЕЧАЕМОСТИ СЦЕНАРИЕВ ДИНАМИКИ КЛАССОВ
Сценарий б Гистограмма
Б1
вбЭ
Б8
Б4
БЭ2
Б49
БЭЭ
Б7
Б56
Б62
Б16
Б28
29
26
25
25
2Э
2Э
22
22
21
21
21
20
111111111111И
шиш
Киш
Киш
|ц
|ц
|
|
Б25
БЭ
Б9
Б17
Б29
Б58
Б60
БЭ4
БЭ6
Б55
Б15
Б14
Б5
Б40
Б52
20
20
20
20
19
19
19
19
18
16
16
16
15
15
15
|||||||
|||||||
|||||||
|||||||
|||||
|||||
|||||
|||||
||||
S47
S53
S50
S4B
S45
S61
S12
S13
S39
S57
S23
S6
S37
S10
S46
15
15
14
14
14
14
14
14
13
13
13
13
13
12
12
I
I
S59
S20
S21
S41
S1B
S35
S27
S30
S19
S54
S11
S42
S31
S44
S26
12
11
11
11
11
11
11
10
10
10
10
10
II
9
9
9
7 111111111111 7 111111111111 6 1111111111 • 1111111111 • 1111111111
Визуальный сопоставительный анализ наиболее часто и наиболее редко встречающихся сценариев позволяет сделать вывод о том, что чаще встречаются сценарии с низкой частотой изменения трендов, и реже с высокой частотой, т.е. со сценариями суточных трендов получается так же, как с погодой, т.е. вероятнее всего завтра она не изменится. Ясно, что этот вывод касается как сценариев суточных трендов курса, опережающих текущую дату, так и предшествующих ей, т.к. по сути это одни и те же сце -нарии.
2. Формализация предметной области.
Формализация предметной области осуществляется на основе ее когнитивной структуризации, проведенной на предыдущем этапе СК-анализа.
Формализация предметной области - это конструирование классификационных и описательных шкал и градаций, как правило, порядкового типа, с использованием интервальных оценок, в системе которых предметная область описывается в кодированной форме, пригодной для обработки на компьютере с использованием математических моделей [7].
В примере, рассматриваемом в данной статье, формализация предметной области осуществляется автоматически режимом ______152 системы
«Эйдос» (рисунок 2):
SB®
2. Синтез СИМ 3. Оптимизация СИМ 4. Распознавание 5. Типология 6. СК-анализ СИМ 7. Сервис О системе Выход
1. Классификационные шкалы и градации
2. Описательные шкалы и градации
3. Градации описательных шкал
4. Иерархические уровни организации систем
5. Программные интерфейсы для импорта данных
6. Почтовая служба по нормативной информации
7, Печать анкеты
1. Импорт данных из ТХТ-файлое стандарта DOS-текст
2. Импорт данных из DBF-файлов стандарта профессора А.Н. Лебедева
3. Импорт данных из транспонированых файлов профессора А.Н.Лебедева
4. Генерация шкал и обучающей выборки [ЭДО-модели
5. Генерация шкал и обучающей выборки для исследования чисел
6. Транспонирование ОВГ-матриц исходных данных
7. Импорт данных из ОВР-файлов стандарта Евгения Лебедева
Рисунок 2. Вызов программного интерфейса (режим _152 системы «Эйдос»), обеспечивающего автоматическую формализацию предметной области на основе исходных данных, представленных в форме таблицы 2.
Предварительно, т.е. перед запуском этого режима, исходные данные из таблицы 2 средствами MS Excel или OpenOffice записываются в стандарте DBF IV (кодировка MS DOS, киррилица, кодовая страница S66).
Help этого режима имеет вид, представленный на рисунке З:
~ H:\WINUOW5\system32\cmd.exe
■ Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе DBF-файла с исходными данными приведенного ниже стандарта.
■ Этот DBF-файл должен иметь имя: Inp_data.dbf и может быть получен в Excel, если выбрать ^'Сохранить как* и задать тип файла: DBF 4V dBASE IV Каждая строка файла содержит данные об одном объекте обучающей выборки, все столбцы этого файла могут быть как текстового, так и числового типа
■ 1-й столбец содержит наименование источника данных длиной <=15 символов
■ Столбцы со 2-го по N-й являются классификационными шкалами и содержат информацию о классах, к которым принадлежат объекты обучающей выборки.
■ Столбцы с N+1 по последний являются описательными шкалами и содержат информацию о признаках, характеризующих эти объекты.
■ Русские наименования классифкационных и описательных шкал должны быть строками в файле с именем Inp_name.txt стандарта: MS ООБ(киррилица)
■ система автоматически находит минимальное и максимальное числовые значения в каждом столбце классов или признаков и формирует заданное в диалоге количество ОДИНАКОВЫХ для каждой шкалы числовых интервалов. Затем числовые значения заменяются их интервальными значениями. Каждое УНИКАЛЬНОЕ текстовое или интервальное значение считается градацией классификационной или описательной шкалы, характеризующей объект.
■ Затем с использованием этой информации генерируется обучающая выборка, в которой каждой строке DBF-файла исходных данных соотвествует одна физическая анкета, содержащая столько логических анкет, сколько уникальных классов в диапазоне столбцов классов, и коды признаков, которые соответствуют попаданиям числовых значений признаков в интервалы.
Рисунок 3. Help режима _152 системы «Эйдос»
Далее в этом режиме задаются:
- диапазон столбцов, содержащих классификационные шкалы и градации;
- диапазон столбцов, содержащих описательные шкалы и градации (рисунок 4);
- суммарное количество уникальных текстовых и числовых интервальных градаций в классификационных шкалах;
- суммарное количество уникальных текстовых и числовых интервальных градаций в описательных шкалах (рисунок 5):
~ ;Н:\УШ1)ОШ$\5уЯетЗг\ст<1 ехе
| 9:31:27И
ПРОГРАММНЫЙ ИНТЕРФЕЙС ИМПОРТА ДАННЫХ ИЗ ОВР-ФАИЛА СТАНДАРТА проф. А.Н.ЛЕБЕДЕВА
=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИИ === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ===
далить все незначащие столбцы в БД 1пр_аа1а.аЬт? [1]-да, иначе-нет: 2
Задайте диапазон номеров столбцов классов :
Задайте диапазон номеров столбцов признаков:
В
Рисунок 4. Экранная форма пользовательского интерфейса режима _152 системы «Эйдос»: задание диапазонов столбцов с классификационными и описательными шкалами и градациями
ІН:^ІМІЮШ5\5 ystem32\cmd.exe
*]
ПРОГРАММНЫЙ ИНТЕРФЕЙС ИМПОРТА ДАННЫХ ИЗ ОВР-ФАИЛА СТАНДАРТА проф. А.Н.ЛЕБЕДЕВА
=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИИ === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ===
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ (ВЫХОД ИЗ диалога - 0)
СУММАРНОЕ КОЛИЧЕСТВО ШКАЛ И ГРАДАЦИИ, СИМ: 72 (кл) X 173 (пр)
Кл ас с ифи каци он н ые
Шкалы Град. Гр/шк
Описательные
Шкалы Град. Гр/шк
Числовые
Текстовые
Задайте СУММАРНОЕ количество градации в классификационных шкалах: 7
задайте суммарное количество градаций в описательных шкалах: 17:
Выход из диалога и расчета кол-ва градации в числовых шкалах - 0:
Рисунок 5. Экранная форма пользовательского интерфейса режима _152 системы «Эйдос»: задание суммарного количества градаций в классификационных и описательных шкалах
В результате работы данного режима (с заданными в диалоге параметрами) формируются справочники классов и признаков, а также обучающая выборка (таблицы 13 и 14):
Таблица 12 - СПРАВОЧНИК КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ
KOD NAME
1 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-20.44, -10.65}
2 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-10.65, -0.87}
3 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-0.87, 8.92}
4 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {8.92, 18.71}
б ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {18.71, 28.49}
б ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-100.00, -72.91}
7 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-72.91, -45.82}
B ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-45.82, -18.73}
9 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-18.73, 8.36}
10 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {8.36, 35.44}
11 СЦЕНАРИИ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б1
12 СЦЕНАРИИ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б10
13 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б11
14 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б12
15 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б13
1б СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б14
17 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б15
1B СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б16
19 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б17
20 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б18
21 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б19
22 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б20
23 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б21
24 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б22
25 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б23
2б СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б24
27 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б25
2B СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б26
29 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б27
30 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б28
31 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б29
32 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б3
33 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б30
34 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б31
35 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б32
Зб СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б33
37 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б34
3B СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б35
39 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б36
40 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б37
41 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б38
42 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б39
43 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б4
44 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б40
45 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б41
4б СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б42
47 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б43
4B СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б44
49 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б45
50 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б46
51 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б47
52 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б48
53 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б49
54 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б5
55 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б50
5б СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б51
57 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б52
5B СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б53
59 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б54
бО СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б55
б1 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б56
б2 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б57
бЗ СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б58
б4 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б59
б5 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б6
бб СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б60
б7 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б61
6b СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б62
б9 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б63
70 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б7
71 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б8
72 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б9
Таблица 13 - СПРАВОЧНИК ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
KOD NAME
1 КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {14.14, 33.58}
2 КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {33.58, 53.03}
3 КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {53.03, 72.47}
4 КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {72.47, 91.92}
5 КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {91.92, 111.36}
6 КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {14.36, 33.46}
7 КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {33.46, 52.56}
8 КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {52.56, 71.66}
9 КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {71.66, 90.77}
10 КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {90.77, 109.87}
11 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {-25.69, -16.12}
12 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {-16.12, -6.54}
13 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {-6.54, 3.03}
14 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {3.03, 12.60}
15 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {12.60, 22.17}
17 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б1
18 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б10
19 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б11
20 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б12
21 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б13
22 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б14
23 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б15
24 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б16
25 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б17
26 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б18
27 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б19
28 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б20
29 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б21
30 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б22
31 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б23
32 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б24
33 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б25
34 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б26
35 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б27
36 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б28
37 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б29
38 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б3
39 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б30
40 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б31
41 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б32
42 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б33
43 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б34
44 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б35
45 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б36
46 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б37
47 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б38
48 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б39
49 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б4
50 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б40
51 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б41
52 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б42
53 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б43
54 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б44
55 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б45
56 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б46
57 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б47
58 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б48
59 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б49
60 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б5
61 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б50
62 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б51
63 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б52
64 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б53
65 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б54
66 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б55
67 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б56
68 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б57
69 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б58
70 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б59
71 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б6
72 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б60
73 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б61
74 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б62
75 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б63
76 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б7
77 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б8
78 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б9
79 СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {-8.88, -5.96}
80 СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {-5.96, -3.03}
81 СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {-3.03, -0.10}
82 СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {-0.10, 2.82}
83 СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {2.82, 5.75}
84 СТАНД.ОТКЛ .ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {0.00, 3.08}
85 СТАНД.ОТКЛ .ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {3.08, 6.17}
86 СТАНД.ОТКЛ.ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {6.17, 9.25}
87 СТАНД.ОТКЛ.ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {9.25, 12.33}
88 СТАНД.ОТКЛ.ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {12.33, 15.42}
89 ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-136972.73, -100856.93}
90 ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-100856.93, -64741.14}
91 ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-64741.14, -28625.35}
92 ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-28625.35, 7490.45}
93 ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {7490.45, 43606.24}
94 СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-17167.01, -12729.17}
95 СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-12729.17, -8291.33}
96 СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-8291.33, -3853.49}
97 СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-3853.49, 584.35}
98 СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {584.35, 5022.19}
99 СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {0.00, 9699.80}
100 СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {9699.80, 19399.61}
101 СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {19399.61, 29099.41}
102 СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {29099.41, 38799.22}
103 СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {38799.22, 48499.02}
104 ОБЪЕМ СДЕЛКИ: {256000.00, 1617383819.00}
105 ОБЪЕМ СДЕЛКИ: {1617383819.00, 3234511638.00}
106 ОБЪЕМ СДЕЛКИ: {3234511638.00, 4851639457.00}
107 ОБЪЕМ СДЕЛКИ: {4851639457.00, 6468767276.00}
108 ОБЪЕМ СДЕЛКИ: {6468767276.00, 8085895095.00}
109 ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-37280.73, -29804.61}
110 ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-29804.61, -22328.50}
111 ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-22328.50, -14852.38}
112 ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-14852.38, -7376.26}
113 ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-7376.26, 99.86}
114 СРЕДНИЙ ТРЕНД ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-5346.93, -4273.44}
115 СРЕДНИЙ ТРЕНД ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-4273.44, -3199.94}
116 СРЕДНИЙ ТРЕНД ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-3199.94, -2126.45}
117 СРЕДНИЙ ТРЕНД ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-2126.45, -1052.95}
118 СРЕДНИЙ ТРЕНД ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-1052.95, 20.54}
119 СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 2819.06}
120 СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {2819.06, 5638.11}
121 СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {5638.11, 8457.16}
122 СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {8457.16, 11276.22}
123 СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {11276.22, 14095.28}
124 ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-10087125.90, -8035574.11}
125 ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-8035574.11, -5984022.31}
126 ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-5984022.31, -3932470.52}
127 ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-3932470.52, -1880918.72}
128 ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-1880918.72, 170633.08}
129 СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-1260714.26, -998395.35}
130 СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-998395.35, -736076.45}
131 СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-736076.45, -473757.54}
132 СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-473757.54, -211438.64}
133 СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-211438.64, 50880.27}
134 СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 714061.74}
135 СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {714061.74, 1428123.48}
136 СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {1428123.48, 2142185.21}
137 СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {2142185.21, 2856246.95}
138 СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {2856246.95, 3570308.69}
139 КОЛИЧЕСТВО СДЕЛОК: {573.00, 37541.40}
140 КОЛИЧЕСТВО СДЕЛОК: {37541.40, 74509.80}
141 КОЛИЧЕСТВО СДЕЛОК: {74509.80, 111478.20}
142 КОЛИЧЕСТВО СДЕЛОК: {111478.20, 148446.60}
143 КОЛИЧЕСТВО СДЕЛОК: {148446.60, 185415.00}
144 ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-449.83, -342.47}
145 ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-342.47, -235.10}
146 ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-235.10, -127.74}
147 ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-127.74, -20.37}
148 ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-20.37, 87.00}
149 СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-61.94, -45.36}
150 СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-45.36, -28.79}
151 СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-28.79, -12.22}
152 СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-12.22, 4.35}
153 СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {4.35, 20.92}
154 СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 36.26}
155 СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {36.26, 72.52}
156 СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {72.52, 108.79}
157 СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {108.79, 145.05}
158 СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {145.05, 181.31}
159 ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-84084.25, -59363.54}
160 ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-59363.54, -34642.83}
161 ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-34642.83, -9922.12}
162 ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-9922.12, 14798.58}
163 ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {14798.58, 39519.29}
164 СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {-10565.98, -7456.05}
165 СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {-7456.05, -4346.12}
166 СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {-4346.12, -1236.18}
167 СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {-1236.18, 1873.75}
168 СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {1873.75, 4983.68}
169 СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {0.00, 5960.05}
170 СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {5960.05, 11920.10}
171 СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {11920.10, 17880.15}
172 СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {17880.15, 23840.20}
173 СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД {23840.20, 29800.26}
Справочники классификационных и описательных шкал и градаций приведены полностью. Режим___152 системы «Эйдос» позволяет сформиро-
вать справочники классификационных и описательных шкал и градаций со следующими максимальными размерностями:
1. Максимальное суммарное количество классификационных и описательных шкал: 256.
2. Максимальное количество градаций классификационных шкал: 4000.
3. Максимальное количество градаций описательных шкал: 4000.
4. Максимальное количество объектов обучающей выборки: 65536.
Причем ограничения 1 и 4 обусловлены ограничениями самого MS
Excel. C другой стороны случаи, когда этих размерностей недостаточно, встречаются довольно редко, хотя и но встречались в практике авторов.
При этом были разработаны технологии, обобщающие режим_____152 на эти
конкретные случаи. При этом использовалось предварительное объединение нескольких баз данных максимальных для MS Excel размерностей, а затем по сути использовалась та же самая технология, которая описывается в данной статье.
Отметим, что размерность примера, рассматриваемого в данной статье составляет:
1. Суммарное количество классификационных и описательных шкал: 26 (максимальное: 256).
2. Количество градаций классификационных шкал: 72 (максимальное: 4000).
3. Количество градаций описательных шкал: 173 (максималь-
ное: 4000).
4. Количество объектов обучающей выборки: 935 (максимальное: 65536).
Мы видим, что размерность рассматриваемого примера во много раз меньше, чем обеспечивается непосредственным применением MS Excel и режима__152 системы «Эйдос».
3. Подготовка обучающей выборки.
С использованием ранее сформированных классификационных и описательных шкал и градаций непосредственно на основе исходных дан-
ных, приведенных в таблице 2 режимом_152 системы «Эйдос» формиру-
ется обучающая выборка.
Обучающая выборка состоит из двух баз данных, связанных друг с другом отношением «Один-ко-многим» по ключевому полю: КОБ_18Т, включающих заголовки объектов обучающей выборки и коды признаков (таблицы 15 и 16):
Таблица 14 - БАЗА ДАННЫХ ЗАГОЛОВКОВ ОБЪЕКТОВ ОБУЧАЮЩЕЙ ВЫБОРКИ (ФРАГМЕНТ)
KOD ^ NAME ^ OBJ 1 OBJ 2 OBJ 3
1 18.07.05 3 9 28
2 19.07.05 3 9 15
3 20.07.05 3 9 70
4 21.07.05 3 9 43
5 22.07.05 3 9 11
6 25.07.05 2 9 40
7 26.07.05 2 9 19
8 27.07.05 3 9 46
9 28.07.05 2 9 58
10 29.07.05 3 9 29
11 01.08.05 3 9 16
12 02.08.05 3 9 51
13 03.08.05 3 9 26
14 04.08.05 3 9 14
15 05.08.05 3 9 41
16 08.08.05 2 10 36
17 09.08.05 3 10 53
18 10.08.05 2 10 67
19 11.08.05 2 10 69
20 12.08.05 3 10 38
21 15.08.05 3 9 20
22 16.08.05 3 9 72
23 17.08.05 3 9 18
24 18.08.05 3 9 71
25 19.08.05 3 9 43
26 22.08.05 3 9 37
27 23.08.05 3 9 28
28 24.08.05 2 9 45
29 25.08.05 3 9 23
30 26.08.05 3 9 13
31 29.08.05 3 9 65
32 30.08.05 2 9 32
33 31.08.05 3 9 37
34 01.09.05 3 9 53
35 02.09.05 3 9 27
36 05.09.05 2 9 49
37 06.09.05 2 9 25
38 07.09.05 3 9 43
39 08.09.05 3 9 59
40 09.09.05 3 9 64
41 12.09.05 3 9 68
42 13.09.05 2 9 69
43 14.09.05 3 9 72
44 15.09.05 3 9 35
45 16.09.05 3 9 52
46 19.09.05 3 9 61
47 20.09.05 3 9 66
48 21.09.05 3 9 68
49 22.09.05 2 9 69
50 23.09.05 3 9 70
51 26.09.05 3 9 43
52 27.09.05 3 9 35
53 28.09.05 3 9 35
54 29.09.05 3 9 52
55 30.09.05 3 9 57
56 03.10.05 3 9 63
57 04.10.05 2 9 27
58 05.10.05 2 9 17
Таблица 15 - БАЗА ДАННЫХ ПРИЗНАКОВ
KOD ^ PR1 PR2 PR3 PR4 PR5 PR6 PR7 PR8 PR9 PR10 PR11
1 1 6 13 16 82 84 92 97 99 104 113
1 119 128 133 134 139 148 152 154 162 167 169
2 1 6 13 16 82 84 92 97 99 104 113
2 119 128 133 134 139 148 152 154 162 167 169
3 1 6 13 16 82 84 92 97 99 104 113
3 119 128 133 134 139 147 152 154 162 167 169
4 1 6 13 16 82 84 92 97 99 104 113
4 119 128 133 134 139 148 152 154 162 167 169
5 1 6 14 16 82 84 92 97 99 104 113
5 119 128 133 134 139 148 152 154 162 167 169
6 1 6 14 16 82 84 92 97 99 104 113
6 119 128 133 134 139 148 152 154 162 167 169
7 1 6 13 59 82 84 92 97 99 104 113
7 119 128 133 134 139 147 152 154 162 167 169
8 1 6 13 34 82 84 92 97 99 104 113
8 119 128 133 134 139 147 152 155 162 167 169
9 1 6 13 21 82 84 92 97 99 104 113
9 119 128 133 134 139 147 152 155 162 167 169
10 1 6 13 76 82 84 92 97 99 104 113
10 119 128 133 134 139 148 151 155 162 167 169
11 1 6 13 49 82 84 92 97 99 104 113
11 119 128 133 134 139 147 152 155 162 167 169
12 1 6 13 17 82 84 92 97 99 104 113
12 119 128 133 134 139 148 151 155 162 167 169
13 1 6 13 46 82 84 92 97 99 104 113
13 119 128 133 134 139 148 151 154 162 167 169
14 1 6 13 25 81 84 92 97 99 104 113
14 119 128 133 134 139 148 151 155 162 167 169
15 1 6 13 52 81 84 92 97 99 104 113
15 119 128 133 134 139 146 152 155 162 167 169
16 1 6 13 64 82 84 92 97 99 104 113
16 119 128 133 134 139 148 151 155 162 167 169
17 1 6 13 35 82 84 92 97 99 104 113
17 119 128 133 134 139 148 151 155 162 167 169
18 1 6 13 22 82 84 92 97 99 104 113
18 119 128 133 134 139 147 151 156 162 167 169
19 1 6 13 57 82 84 92 97 99 104 113
19 119 128 133 134 139 148 151 156 162 167 169
20 1 6 13 32 82 84 92 97 99 104 113
20 119 128 133 134 139 148 151 156 162 167 169
21 1 6 13 20 81 84 92 97 99 104 113
21 119 128 133 134 139 147 151 156 162 167 169
22 1 6 14 47 81 84 92 97 99 104 113
22 119 128 133 134 139 148 150 156 162 167 169
23 1 6 13 42 82 84 92 97 99 104 113
23 119 128 133 134 139 148 152 155 162 167 169
24 1 6 13 59 82 84 92 97 99 104 113
24 119 128 133 134 139 148 152 155 162 167 169
25 1 6 13 73 82 84 92 97 99 104 113
25 119 128 133 134 139 147 152 155 162 167 169
26 1 6 14 75 82 84 92 97 99 104 113
26 119 128 133 134 139 148 152 155 162 167 169
27 1 6 13 44 82 84 92 97 99 104 113
27 119 128 133 134 139 147 153 155 162 167 169
28 1 6 13 26 82 84 92 97 99 104 113
28 119 128 133 134 139 147 152 155 162 167 169
29 1 6 13 78 82 84 92 97 99 104 113
29 119 128 133 134 139 147 152 155 162 167 169
30 1 6 13 24 82 84 92 97 99 104 113
30 119 128 133 134 139 148 151 155 162 167 169
31 1 6 13 77 82 84 92 97 99 104 113
31 119 128 133 134 139 148 151 155 162 167 169
32 1 6 13 49 82 84 92 97 99 104 113
32 119 128 133 134 139 147 151 155 162 167 169
33 1 6 13 43 82 84 92 97 99 104 113
33 119 128 133 134 139 148 152 155 162 167 169
34 1 6 13 34 82 84 92 97 99 104 113
34 119 128 133 134 139 148 151 154 162 167 169
35 1 6 13 51 82 84 92 97 99 104 113
35 119 128 133 134 139 147 152 154 162 167 169
36 1 6 13 29 82 84 92 97 99 104 113
36 119 128 133 134 139 148 151 155 162 167 169
37 1 6 13 19 82 84 92 97 99 104 113
37 119 128 133 134 139 148 152 155 162 167 169
38 1 6 13 71 81 84 92 97 99 104 113
38 119 128 133 134 139 147 152 155 162 167 169
39 1 6 14 38 81 84 92 97 99 104 113
39 119 128 133 134 139 148 152 155 162 167 169
40 1 6 13 43 81 84 92 97 99 104 113
40 119 128 133 134 139 148 152 155 162 167 169
41 1 6 13 59 82 84 92 97 99 104 113
41 119 128 133 134 139 147 152 155 162 167 169
42 1 6 13 33 82 84 92 97 99 104 113
42 119 128 133 134 139 148 151 155 162 167 169
43 1 6 13 55 82 84 92 97 99 104 113
43 119 128 133 134 139 148 152 155 162 167 169
44 1 6 13 31 82 84 92 97 99 104 113
44 119 128 133 134 139 147 152 155 162 167 169
45 1 6 13 49 82 84 92 97 99 104 113
45 119 128 133 134 139 148 150 155 159 164 173
46 1 6 13 65 82 84 92 97 99 104 113
46 119 128 133 134 139 148 151 155 162 164 173
47 1 6 13 70 82 84 92 97 99 104 113
47 119 128 133 134 139 148 151 155 162 164 173
48 1 6 13 74 82 84 92 97 99 104 113
48 119 128 133 134 139 147 151 155 162 164 173
49 1 6 13 75 82 84 92 97 99 104 113
49 119 128 133 134 139 147 152 155 162 164 173
50 1 6 13 78 82 84 92 97 99 104 113
50 119 128 133 134 139 148 151 155 162 164 173
51 1 6 13 41 82 84 93 98 99 104 113
51 119 128 133 134 139 147 151 155 162 164 173
52 1 6 13 58 82 84 92 98 99 104 113
52 119 128 133 134 139 148 152 155 162 164 173
53 1 6 13 67 82 84 92 98 99 104 113
53 119 128 133 134 139 148 152 155 162 167 169
54 1 6 13 72 82 84 92 98 99 104 113
54 119 128 133 134 139 147 152 155 162 167 169
55 1 6 13 74 82 84 92 98 99 104 113
55 119 128 133 134 139 147 151 155 162 167 169
56 1 6 13 75 82 84 92 98 99 104 113
56 119 128 133 134 139 148 151 155 162 167 169
57 1 6 13 76 82 84 92 98 99 104 113
57 119 128 133 134 139 148 152 155 162 167 169
58 1 6 13 49 82 84 92 98 99 104 113
58 119 128 133 134 139 148 151 155 162 167 169
База заголовков объектов обучающей выборки содержит по каждому из объектов следующую информацию:
- код объекта обучающей выборки;
- наименование источника информации;
- коды классов (градаций классификационных шкал), к которым относится данный объект.
База признаков объектов обучающей выборки по каждому из объектов содержит его код и коды всех признаков (градаций описательных шкал), которыми он обладает.
Всего в исследуемой базе данных приведена информация о 935 объектах обучающей выборки (дней), а в таблицах 15 и 16 в связи с ограничениями на объем статьи мы ограничились информацией о 58 объектах.
Пример анкеты, описывающей объект обучающей выборки приведен в таблице 17:
Таблица 16 - ПРИМЕР ОПИСАНИЯ ОБЪЕКТА ОБУЧАЮЩЕЙ ВЫБОРКИ
А Н К Е Т А обучающей выборки N° 7 23-06-09 10:26:15 г.Краснодар
Код | Наименования классов распознавания
2 | ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-10.65, -0.87}
9 | ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-18.73, 8.36}
19 | СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б17
Код | Наименования признаков
1 | КУРС, СУТОЧНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {14.14,
6 | КУРС, НЕДЕЛЬНЫЙ, СРЕДНЕВЗВЕШЕННЫЙ С УЧЕТОМ ОБЪЕМОВ ПРОДАЖ: {14.36
13 | ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ НАЗАД: {-6.54, 3.03}
59 | СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД-Б49 82 | СРЕДНИЙ ТРЕНД СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {-0.10, 2.82}
84 | СТАНД.ОТКЛ.ТРЕНДА СУТОЧНОГО КУРСА НА НЕДЕЛЮ НАЗАД: {0.00, 3.08}
92 | ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-28625.35, 7490.45} 97 | СРЕДНИЙ ТРЕНД СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {-3853.49, 5
99 | СТ.ОТК.ТРЕНДА СРЕДНЕГО ТРЕНДА КУРСА НА НЕДЕЛЮ НАЗАД: {0.00, 9699.
104 | ОБЪЕМ СДЕЛКИ: {256000.00, 1617383819.00}
113 | ТРЕНД ОБЪЕМА СДЕЛОК НА ДЕНЬ НАЗАД: {-7376.26, 99.8 6}
119 | СТАНД.ОТКЛ.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 2819.06}
128 | ТРЕНД СРЕДНЕГО ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-1880918.72
133 | СР.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-211438.64, 5
134 | СТ.ОТК.ТРЕНДА СР.ТРЕНДА ОБЪЕМА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 714
139 | КОЛИЧЕСТВО СДЕЛОК: {573.00, 37541.40}
147 | ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА ДЕНЬ НАЗАД: {-127.74, -20.37}
152 | СРЕДНИЙ ТРЕНД КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-12.22, 4.35}
154 | СТАНД.ОТКЛ.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 36.26
162 | ТРЕНД СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-9922.12, 147
167 | СР.ТРЕНДА СР.ТРЕНДА КОЛИЧЕСТВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {-1236.18,
169 | СТ.ОТК.ТРЕНДА СР.ТРЕНДА КОЛ-ВА СДЕЛОК НА НЕДЕЛЮ НАЗАД: {0.00, 596
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
Выводы.
Таким образом созданы все предпосылки для выполнения следующих этапов СК-анализа: синтеза и верификации семантической информационной модели одного из сегментов фондового рынка, а затем ее применению для решения задач прогнозирования, принятия решений и исследования предметной области. Этим вопросам авторы надеются посвятить последующие работы.
Литература
1. Лебедев Е.А. Исследование достоверности оптимизированной модели скоринга путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели. // Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2007. - №06(30). - Шифр Информрегистра: 0420700012\0107. - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf. -12 с.
2. Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №01(17). - Шифр Информрегистра: 0420600012\0012. - Режим доступа: http://ej.kubagro.ru/2006/01/pdf/13.pdf. -5 с.
3. Лебедев Е.А. Прогнозирование кредитоспособности физических лиц на основе применения АСК-анализа (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ,
2006. - №05(21). - Шифр Информрегистра: 0420600012\0106. - Режим доступа: http://ei.kubagro.ru/2006/05/pdf/06.pdf. -14 с.
4. Лебедев Е.А. Прогнозирование рисков кредитования физических лиц с применением системно-когнитивного анализа. Научное обеспечение агропромышленного комплекса: материалы 7-й региональной научно-практической конференции молодых ученых. - Краснодар: КубГАУ, 2005. -13 с.
5. Лебедев Е. А. Прогнозирование рисков при кредитовании физических лиц на основе применения новых математических и инструментальных методов экономики (ско-ринг). Научное издание «Математические методы и информационно-технические средства» Труды 2 Всероссийской научно-практической конференции 23 июня 2006г. - Краснодар: Краснодарский университет МВД России, 2006. С.45-46.
6. Лебедев Е.А. Синтез скоринговой модели методом системно-когнитивного анализа.
// Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. -№05(29). - Шифр Информрегистра: 0420700012\0092. - Режим доступа:
http://ei.kubagro.ru/2007/05/pdf/14.pdf. -14 с.
7. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.
8. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. -280с.
9. Луценко Е. В. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. -50с.
10. Луценко Е. В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. -50с.
11. Луценко Е.В. Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003.
12. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2009. -520 с.
13. Луценко Е. В., Лебедев Е. А. Определение кредитоспособности физических лиц и риски их кредитования. - М.: Финансы и кредит, ноябрь 2006 - № 32(236). 2,157
14. Луценко Е. В., Лебедев Е. А. Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эйдос-Тгее") (патент 1). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008. -50 с.
15. Луценко Е. В., Лебедев Е. А. Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008. - 50 с.
16. Луценко Е.В., Шеляг М.М. Подсистема синтеза семантической информационной модели и измерения ее внутренней дифференциальной и интегральной валидности
(Подсистема "Эйдос-м25"). Пат. № 2007614570 РФ. Заяв. № 2007613644 РФ. Опубл. от 11.10.2007.
17. Луценко Е.В., Шульман Б.Х. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке «ЭЙДОС-фонд». Свидетельство РосАПО №940334. Заяв. № 940336. Опубл. 23.08.94. - 50с.
18. Официальный сайт Московской межбанковской валютной биржи (ММВБ), [Электронный ресурс]. Режим доступа: http://www.micex.ru
