CC BY
31
Секция ««Математические методы моделирования, управления и анализа данных»
УДК 004.9
О МЕТОДАХ ПРОГНОЗИРОВАНИЯ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ
Е. В. Бурдина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: burdilena@sibsau.ru
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых изменений внешней сред за последние десятилетия стала особенно сложной. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные сети. ON FORECASTING METHODS OF NON-FERROUS METAL MARKET
E. V. Burdina
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: burdilena@sibsau.ru
The problem of forecasting, because of so fast, sometimes poorly predictable changes in the external environment has become especially difficult over the past decade. In the context of an almost complete reorientation of the domestic non-ferrous metallurgy enterprises to export the problem of forecasting changes in prices for non-ferrous metals on the world metals market has become extremely acute.
Keywords: time series, forecasting, market, non-ferrous metals, neural networks.
Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент.
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых изменений внешней среды, за последние десятилетия стала особенно сложной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование - это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации.
К настоящему времени проведено много исследований и получены впечатляющие практические решения проблемы прогнозирования в науке, технике, экономике и других областях. Внимание к этой проблеме обусловлено, в том числе, масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом [1].
Целью работы является сравнительный анализ эффективности работы методов прогнозирования для курса цен на мировом рынке алюминия и никеля (ежедневные поставки и трехмесячные фьючерсы). Данные были взяты с Лондонской биржи металлов. Длина временных рядов была разной, в первом случае брались данные за три года, а во втором - за полтора. Прогноз делался на период длиной в один месяц. Для достижения поставленной цели проводился анализ существующей по данной тематике литературы, анализировалась работа методов прогнозирования.
Для достижения поставленной цели были решены следующие задачи:
- выбор инструментария для решения задач прогнозирования;
- анализ существующих методов прогнозирования временных рядов;
- обработка временных рядов для удобной работы с ними;
- сравнительный анализ методов прогнозирования.
Актуальные проблемы авиации и космонавтики - 2016. Том 1
Основой методики прогнозирования являются проведение аналитического исследования, подготовка базы данных, изучение и соединение информации в единое целое [2].
Для решения крупных комплексных задач применяются системный анализ и синтез. При системном анализе острее и непосредственнее обнажаются проблемы и выявляются способы их решения. Эффективность системного анализа обусловлена тем, что целое всегда больше суммы его частей.
Также, для прогнозирования с помощью статистических методов были использованы метод ARIMA (АРПСС) и Exponential smoothing & forecasting (Экспоненциальное сглаживание и прогнозирование).
ARIMA (АРПСС) - Метод авторегрессии и проинтегрированного скользящего среднего. Это важный класс параметрических моделей, описывающий и нестационарные ряды, имеет большое практическое значение.
Exponential smoothing & forecasting - экспоненциальное сглаживание и прогнозирование. Методы экспоненциального сглаживания позволяют сгладить наблюдаемый ряд, выделить из него шум и прогнозировать будущие значения. Различные виды трендов и сезонность могут быть учтены в модели. Доступны модели с аддитивным и мультипликативным шумом [3].
Для прогнозирования с помощью нейронных сетей использовался программный продукт STATISTICA Neural Networks. Заметным преимуществом данного пакета является то, что в него естественно встроен огромный арсенал методов статистического анализа и визуализации данных [4].
Искусственные нейронные сети (далее - ИНС или просто - нейронные сети) могут быть использованы для решения широкого круга практических задач, математическая постановка которых может формулироваться как постановка задачи аппроксимации функций, классификации и распознавания образов, прогнозирования, управления динамическими процессами.
При решении задач прогнозирования нейронные сети используются для предсказания поведения системы по имеющимся наблюдениям ее предыдущих состояний [5].
Новизна полученных результатов состоит в том, что впервые временные ряды курсов цен на цветные металлы изучены с помощью широкого набора различных методов прогнозирования.
Практическая ценность работы состоит в том, что выбор методов прогнозирования временных рядов курсов цен на цветные металлы сужен до трех подходов - АРПСС, искусственные нейронные сети и экспоненциальное сглаживание.
Как было сказано ранее, методы прогнозирования учитывают историю, то есть используют только те данные, которые наблюдались ранее, по которым невозможно сказать будет ли внезапный рост цен или нет. Методы не могут спрогнозировать какие-либо случайные «скачки» данных (например, кризис 2008 года, когда наблюдался резкий рост курса доллара). В период, когда делался прогноз, цены на никель и на алюминий резко изменились. Этого методы не смогли спрогнозировать. И, тем не менее, практически все методы после внезапных скачков продолжили нормальную работу (ошибка уменьшилась).
В дальнейшем для более адекватного поведения нейросетевых предикторов и их адаптивной подстройки необходимо использовать подходы, обеспечивающие автоматическое проектирование и перепроектирование нейронных сетей с помощью самонастраивающихся алгоритмов оптимизации [6-8]. Автоматическое проектирование систем на нечеткой логике [9-11] позволит не только эффективно прогнозировать поведение фьючерсов, но и устанавливать причинно-следственные связи хотя бы в момент достаточно стабильного развития ситуации.
Библиографические ссылки
1. Бурдина Е. В. О прогнозировании рынка цветных металлов // Решетневские чтения : материалы XIX Междунар. науч.-практ. конф., посвящ. 55-летию Сиб. гос. аэрокосмич. ун-та им. акад. М. Ф. Решетнева (10-14 ноября 2015 г., Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015.С. 28-30.
2. Модели и методы оптимизации сбора и обработки информации / Н. А. Распопин, М. В. Ка-расева, П. В. Зеленков, Е. В. Каюков, И. В. Ковалев // Вестник СибГАУ. 2012. № 2(42). С. 69-72.
3. Боровиков В. П., Ивченко Г. И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере. М. : Финансы и статистика, 2000.
4. Титов А. С. Прикладное применение нейронных сетей // Актуальные проблемы авиации и космонавтики : тезисы IX Всерос. науч.-практ. конф. творческой молодежи (8-12 апреля 2013 г.,
Секция «Математические методы моделирования, управления и анализа данных»
Красноярск) : в 2 т. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2013. С. 438.
5. Бухтояров В. В. Эволюционные алгоритмы формирования коллективов нейронных сетей для решения задач моделирования и прогнозирования : дис. ... канд. техн. наук ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2010.
6. Akhmedova S., Semenkin E. Co-operation of biology related algorithms meta-heuristic in ANN-based classifiers design // Proceedings of the 2014 IEEE Congress on Evolutionary Computation, CEC 2014
2014. С. 867-872.
7. Хритоненко Д. И., Семенкин Е. С., Сугак Е. В., Потылицына Е. Н. Решение задачи прогнозирования экологического состояния города нейроэволюционньти алгоритмами // Вестник СибГАУ.
2015. Т. 16, № 1. С. 137-142.
8. Семенкин Е. С., Медведев А. В., Ворожейкин А. Ю. Модели и алгоритмы для поддержки принятия решений инвестиционного аналитика // Вестник Томск. гос. ун-та. 2006. № 293. С. 63-70.
9. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4(50). С. 148-152.
10. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. С. 318-323.
11. Semenkina M., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy classifier // Lecture Notes in Computer Science. 2014. Т. 8794. С. 310-317.
© Бурдина Е. В., 2016
