Про використання штучних нейронних мереж при прогнозуванні фінансових даних Текст научной статьи по специальности «Экономика и бизнес»



TÀ ÂÈ|OÂ iÊOÎÎM^ÎOÏÏ

le

a

УДК 519.87

ев. iBoxiH,

д.ф.-м.н., доцент, Ки1вський нацюнальний у^верситет iм. Тараса Шевченка,

В.О. НАВРОДСЬКИЙ,

к.ф.-мн., доцент, Кивський нацюнальний у^верситет культури та мистецтв,

ОО. ФЕЙЧЕР,

бакалавр, Кивський нацюнальний у^верситет культури та мистецтв

Про використання штучних нейронних мереж при прогнозуванш фшансових даних

Розглянуто п'щхщ для вир0ення задач прогнозування у фiнанcовiй cipepi за допомогою штучних нейронних мереж. Проанал'!зовано основы! етапи обробки в^дних даних та схеми функцонування нейронной мepeжi Хоп-фльда. Визначено проблеми, що пов'язан'1 з формапза-ц!бю вхдно'!' iнфоpмацií. Запропоновано способи попе-редньо'1' обробки вх!дних даних.

Ключов1 слова: нейронна мережа, прогнозування, техн 'иний аналiз фнансових даних.

Рассмотрен подход для решения задач прогнозирования в финансовой сфере с помощью искусственных нейронных сетей. Проанализированы основные этапы обработки входных данных и схемы функционирования нейронной сети Хопфильда. Определены проблемы, связанные с формализацией входной информации. Предложены способы предварительной обработки входных данных.

Ключевые слова: нейронная сеть, прогнозирование, технический анализ финансовых данных.

Artificial neural networks are often used for solving of financial sector prediction. Some problems of that approach are considered. The based stages of processing input data are analyzed. The scheme functioning of Hopfield neural network is modified. The decision method of task of input

fuzzy information formalization is proposed. The methods of the input data pre-processing are considered.

Keywords: neuron network, prediction, technical analysis of financial data.

Постановка проблеми. Системи, що базуються на штучних нейронних мережах, останым часом усе активнше вико-ристовуються для прогнозування фЫансових ринюв [1-3]. Завдяки можливост роботи ¡з зашумленими даними система виходить гнучкою ¡ хоча не виршуе задачу з¡ стовщсотковою точнютю, може мати значний вплив на використання рвних додатюв фЫансово'1' сфери. B¡дом¡ традицмы пщходи до вирЬ шення задач прогнозування (класичний техннний аналв, аналв фундаментальних чинниюв, регреайний ¡ кореляцмний аналв ¡ т.Ц проте вони не волод^ть необидною функцюналь-нютю за межами типових умов. Штучн нейроны мереж¡ да-ють багатообщяю^ альтернативы ршення [1].

Традицмною схемою застосування штучних нейронних мереж (ШНМ) для виршення задач прогнозування у фЫан-сов¡й сфер¡ е формування тако' нейронно' мереж¡, яка б найкращим чином вщтворювала в¡дображення F: x==>y, узагальнено сформоване на основ¡ динамки спостережень у вигляд¡ набору прикладв {xt, yt}. Пошук тако' нейронно' мереж¡ зд¡йснюeться за допомогою алгоритма «навчання».

© ев. IBOXIH, В.О. НАВРОДСЬКИЙ, О.О. ФЕЙЧЕР, 2014

Формування ринкових вщносин в УкраМ № 5 (156)/2014 75

EKOHOMI4HI ÏPOÀËEMÈ PO3BÈTKÔ ГАЛУЗЕЙ TA ВИД!В EKOHOMI4HOÏ ДIЯЛЬHOCTI

Пoтpiбнo тaкoж вiдмiтити, щo нейpoмеpежеве мoделювaння в чиcтoмy виглядi бaзyeтьcя лише нa дaниx чacoвoгo pядy.

0HM мoжнa зacтocoвyвaти для oднoвимipнoгo i бaгaтo-вимipнoгo aнaлiзy, нaлежним чинoм cфopмyвaвши мнoжинy незaлежниx вxoдiв i зaлежниx вщ ниx виxoдiв. Як пpaвилo, мoдель бyдyeтьcя для тoгo, щoб пеpедбaчaти знaчення чa-coвoгo pядy для oднieï цiльoвoï змiннoï, пpoте, в пpинципi, мoдель мoже пеpедбaчaти знaчення i декiлькa змiнниx, як-i^o в меpежy дoдaти дoдaткoвi виxiднi елементи.

Пpи пpoгнoзyвaннi pинкiв цiнниx пaпеpiв (aкцiй) зa дoпo-мoгoю штyчниx нейpoнниx меpеж як вxiднa iнфopмaцiя мo-же виcтyпaти цiнoвa динaмiкa тa iï пoxiднi (знaчення Ыдига-тopiв, знaчyщi piвнi i т.п.) i pинкoвi (чacтo мaкpoекoнoмiчнi) пoкaзники. Пpи цьoмy пpи po6o^ зi 0HM вxiднy iнфopмaцiю неoбxiднo нaлежним чинoм пiдгoтyвaти: нa вxoди нейpoме-pежi не cлiд пoдaвaти безпocеpеднi знaчення pезyльтaтiв cпocтеpежень (нaпpиклaд, цiнoвиx кoтиpyвaнь).

Hезвaжaючи нa дocить вдaле пpaктичне зacтocyвaння ней-poнниx меpеж пpи виpiшеннi зaдaч пpoгнoзyвaння ф^нм-виx дaниx, aлгopитмiчнa cxемa мoделi пoтpебye cвoгo вдocкo-нaлення, ocoбливo нa етaпi пiдгoтoвки вxiднoï iнфopмaцiï.

Як пoкaзye cтaтиcтикa cпocтеpеження зa цiнoвими гати-pyвaннями, пoбyдoвa вxiдниx oбpaзiв i пеpетвopення ^op-мaцiï y виглядi «вiкoн» зa фopмyлoю (1) не зaвжди дoбpе визнaчaють тенденци чacoвиx змiн фiнaнcoвиx пoкaзникiв, щo впливae нa xapaктеp фiнaльнoï poзмiтки.

Мета статп. В paмкax дaнoï poбoти cтaвитьcя зa метy cтвo-pення метoдики пoпеpедньoï oбpoбки вxiднoï iнфopмaцiï для бтьш ефективнoгo викopиcтaння нейpoмеpеж y дocлiдженняx pезyльтaтiв cпocтеpежень нa мiжбaнкiвcькiй ф^ндов^ бipжi зa дoвгocтpoкoвими цiнoвими чacoвими pядaми i викopиcтaн-ня циx cпocтеpежень для пpoгнoзyвaння кypcy a^M з метoю пiдтpимки yxвaлення piшень пo ïx пoкyпцi aбo пpoдaжy.

Виклад основного матер!алу. Poзглянемo пpocтий cпociб фopмyвaння вxiдниx oбpaзiв для po6o™ 0HM. Oc-

нoвним пoняттям пpи poбoтi з дaним видoм вxiднoï iнфop-мaцiï, щo poзглядaeтьcя тут, е «вiкнo», тoбтo тa кiлькicть пе-pioдiв чacy, дaнi пpo якi пoтpaпляють в «oбpaз», щo фopмy-eтьcя нa вxoдi меpежi. Пpи poбoтi з чacoвoю динaмiкoю ^p-ciв вiкнo poзмipoм n oзнaчaтиме, щo дocлiдникa фгавить динaмiкa кypcy зa ocтaннi n пеpioдiв. ùo6 0HM пpaцювaлa з «oбpaзaми» тaкoгo вiкнa, пpи пpoектyвaннi apxiтектypи ме-pежi неoбxiднo видтити n вxiдниx нейpoнiв.

Суть метoдy фopмyвaння вxiдниx oбpaзiв пoлягae в нa-cтyпнoмy. Пpипycтимo, щo дaнi кoжнoгo з oбpaзiв лежaть y дiaпaзoнi [Min..Max], тoдi нaйбiльш пpocтим cпocoбoм нop-мyвaння бyде

~ х-Min

х =-. (1)

Max —Min

Пюля тaкoгo пеpетвopення кoжен «oбpaз», щo cклaдaeть-cя з n пocлiдoвниx цiн, нopмyeтьcя тaк, щo вci знaчення «o6-paзy» лежaть в iнтеpвaлi вщ О дo 1. Пpи цьoмy дiйcнi знaчен-ня втpaчaютьcя, i ва вxiднi зaпиcи вклaдaютьcя в T^p^ [0,1]n (pиc. 1).

Taким чинoм, пpи бyдь-якoмy piвнi цЫ гapaнтyeтьcя iнвa-piaнтнicть пеpетвopення вxiднoгo зaпиcy. Taке пеpекoдy-вaння не пoзбaвлене cенcy, ocкiльки бaнк-пoкyпець зaзви-чaй oцiнюe дaнi чacoвoгo pядy y вiднocнoмy виpaзi зa дoпo-мoгoю cтaндapтниx пpийoмiв.

Пoзнaчимo знaчення пеpетвopениx зa фopмyлoю (1) га-pитyвaнь чеpез Ct. Як вже бyлo cкaзaнo вище, дiйcнo знaчy-щими для пpoгнoзiв е змЫи кoтиpyвaнь (ДС. - змiнa ra™py-вaння в пеpioдi t). O^^^ цi змiни, як пpaвилo, знaчнo мен-ше пo aмплiтyдi, ыж caмi кoтиpyвaння, мiж пocлiдoвними знaченнями кypciв е великa кopеляцiя y виглядi <Ct+1> = Ct + <ДС> = Ct. Tим чacoм для пiдвищення якocтi нaвчaння пpaгнyти дo cтaтиcтичнoï незaлежнocтi вxoдiв, тoбтo дo вiд-cyтнocтi пoдiбниx кopеляцiй.

Toмy як вxiднi пapaметpи лoгiчнo вибиpaти нaйбiльш cтa-тиcтичнo незaлежнi величини, нaпpиклaд, aбcoлютнi знa-

Рисунок. 1. Результати нормування piзниx вxiдниx oápa3ÍB

76 Формування ринкових вiднocин в УкpaÏнi № 5 (156)/2014

ЕК0Н0М1ЧН1 ПРОБЛЕМИ РОЗВИТКУ ГАЛУЗЕЙ ТА ВИД1В ЕК0Н0М1ЧН01 Д1ЯЛЬНОСТ1

ЗмЫа курсу

Рисунок. 2. Приклад динамши змши котирувань курсу акцш

чення котирувань: ДСс = Сс -С—1. Легко вщмггити, що: якщо Сс > ДСс-1, то ДСс >0, якщо С < ДСс-1, то ДСс <0.

Наочне уявлення про характер динамки курсу акцм на основ! ¡нформацп про змЫу котирувань И дае графк, зо-бражений на рис. 2.

Проте образи, сформован! под!бним методом, поки ще не придатн! для подач! на входи ШНМ, осктьки волод!ють дуже малою амплггудою коливань. Кр!м того, вх!дна ¡нформац!я для ШНМ мае лежати в ¡нтервал! активац!йних функц!й нейрон!в.

Сьогодн! в!домо багато способа перетворення вхщноУ ¡н-формаци застосовних до завдань прогнозування, наприклад, можна скористатися такою схемою: на першому кроц! зм!ню-емо величини ДСс за формулою ДС1г = АС1 * А (А>0), а на другому кроц! - використаемо спос!б «перекодування» непе-рервних даних в ¡нтервал активац!йних функц!й ШНМ, отри-маний за даними перетворення функцюю-сигмощом, що ви-користовуеться в першому прихованому ШНМ [2]:

АС21=1/(1 + ехр(-1.5*АС11))-0.5. (2)

ЗмЫений за такою схемою первинний «образ» представлений на рис. 3.

Як даы, що поступають на входи ШНМ, можуть виступати як максимальн прирости цЫ одного типу, наприклад цЫ закриття або вщкриття, так ¡ комб¡нац¡í прирост¡в р^них ти-п¡в ц¡н у межах одного часового ¡нтервалу.

Негативною рисою методу «вкон» е те, що його застос-ування обмежуе «кругозр» мереж¡. Недостатньо широке в¡кно занурення в лаговий прос^р не здатне надати таку ¡н-формац¡ю, що знижуе ефективн¡сть прогнозу. З ¡ншого боку, розширення в¡кна до таких значень, коли залучаються далек екстремальн¡ значення ряду, п¡двищуe розм^нють ме-реж¡, що, своею чергою, приводить до зниження точност нейромережевого прогнозу.

Альтернативним представленням вхщно''' ¡нформацп можна вважати значення ¡ндикаторю, побудован¡ на основ¡ цЫо-во' динам¡ки. Значення кожного з ¡ндикаторв залежить вщ певного числа значень часового ряду у минулому, таким чином використання сукупност деюлькох ¡ндикатор¡в дозво-ляе охопити ринок широким поглядом ¡ подивитися на рин-кову ситуацю в минулому з рвних погляд¡в.

Однак необх¡дно в¡дзначити, що у виб^ку варто в¡дбирати найбтьш значущу комб¡нац¡ю техн¡чних ¡ндикатор¡в, яку ¡ сл¡д пот¡м використовувати для входв нейромереж¡. Bир¡шити задачу вибору необхщних ¡ндикатор¡в можна, наприклад, за допомогою оптимвацмних методв ¡ тих же нейронних мереж.

Як було вщмнено вище, значення, що подаються на входи ШНМ, повинн лежати в тому ж ¡нтервалу що ¡ у активацм-них функц¡й (сигмоíд¡в) нейрон¡в. Тобто в процес¡ формування виб^ки необх¡дно перекодувати значення ¡ндикатор¡в в

|Мм I

I ......

Ц111

1 1

I I 1 1 3 I 5 т ■1111111 8 9 10 11 12 13 1........■■■ Ь 15 16 17 18 19 20 21 Я Я Ж

1

Рисунок 3. Приклад готового до подач1 на входи нейромереж1 «образу»

Формування ринкових вщносин в Укра1н1 № 5 (156)/2014 77

EKOHOMI4HI ПPOБЛEMИ PO3BИTKУ ГAЛУ3EЙ TA BИДIB EKOHOMI4HOÏ ДIЯЛЬHOCTI

iнтеpвaл aктивaцiйниx функцй щo викopиcтoвyютьcя в дoc-л^ 0HM.

Пpoведенa пiдгoтoвкa дaниx дoзвoляe пеpейти дo вига-нaння ocнoвнoгo зaвдaння - зa дoпoмoгoю 0HM iз дoвiль-нoгo неiдеaльнoгo cигнaлy, пoдaнoгo нa í'í вxiд, видтити («пpигaдaти» зa чacткoвoю iнфopмaцieю) вiдпoвiдний зpa-зoк (якщo тaкий е) aбo «дaти виcнoвoк» пpo те, !o вxiднi дa-нi не вiдпoвiдaють жoднoмy iз зpaзкiв. Бyдемo викopиcтoвy-вaти нейpoмеpежy Xoпфiлдa [3].

У зaгaльнoмy випaдкy 6удь-який cигнaл y меpежi мoже 6ути oпиcaний вектopoм X = {x¡ :i = 0,я-\}, n - чиcлo нейpoнiв у меpежi i poзмipнicть вxiдниx i виxiдниx вектopiв. Koжен елемент xi piвний aбo +1, aбo -1. Пoзнaчимo вектop, щo oпиcye k-й зpaзoк, чеpез Xk, a йoгo кoмпoненти вiдпoвiднo {xf :i = 0,n-l}, k = 0,m-l, m - чиcлo зpaзкiв. Юэли меpежa poзпiзнae (aбo «пpигaдae») який-небудь зpaзoк нa ocнoвi пpед'явлениx ¿й дaниx, iï виxoди мютитимуть мме йoгo, тoбтo Y =Xk, де Y - вектop виxiдниx знaчень меpежi: Y = {yt :i = 0,n-\} . Iнaкше виxiдний вектop не cпiвпaдae iз жoдним зpaзкoвим.

Ha cтaдiï iнiцiaлiзaцiï меpежi вaгoвi кoефiцieнти cинaпciв вcтaнoвлюютьcя тaким чинoм:

Im-1

h 1. (3)

0, i = j

Aлгopитм фyнкцioнyвaння меpежi Xoпфiлдa мae cтaн-дapтний вигляд (тут p - нoмеp iтеpaцiï):

1. Ha вxoди меpежi пoдaeтьcя невдомий cигнaл. Фaктич-нo йoгo введення здiйcнюeтьcя безпocеpедньoю ycтaнoв-кoю знaчень aкcoнiв: _

(4)

yi(0) = xi,i = 0,n-l. 2. Poзpaxoвyeтьcя нoвий cтaн нейpoнiв:

л-1 _

Sj(p +1) = • j = 0,n-l,

i=о

i нoвi знaчення aкcoнiв

(5)

yj(p + \) = f[sj(p + \)], 7=0,и-1, (6)

де f(-) - aктивaцiйнa фунщя y фopмi cтpибкa (нaпpиклaд, вигляду (2)).

3. Пеpевipяeтьcя, чи змiнилиcя виxiднi знaчення aкcoнiв зa ocтaнню iтеpaцiю. Якщo тaк - пеpеxiд дo пункту 2, iнaкше (якщщэ виxoди cтaбiлiзyвaлиcя) - кiнець. ^и цьoмy виxiдний вектop пpедcтaвляe co6oki зpaзoк, щo нaйкpaщим чинoм вiдпoвiдae вxiдним дaним.

Ha чacoвиx дaниx мoжнa викoнaти pезyльтyючy poзмiткy, в якиx мicцяx cлiд кyпyвaти, в якиx пpoдaвaти, в якиx чегати пoкyпки aбo пpoдaжy. Icнyють пеpедyмoви poзpoбки aлгo-pитмy, щo фopмye тaк звaний шaблoн (кapтy) мaкcимaльнo-гo пpибyткy (MPP) [4].

Hезвaжaючи нa дocить вдaле пpaктичне зacтocyвaння дaнoï aлгopитмiчнoï cxеми, неoбxiднo звеpнyти yвaгy нa oкpемi мoменти, !o пoтpебyють cвoгo вдocкoнaлення.

Cтaтиcтикa cпocтеpеження зa aбcoлютними цiнoвими кo-тиpyвaннями не зaвжди дoбpе визнaчae тенденци чacoвиx змiн фiнaнcoвиx пoкaзникiв, щщэ, як нacлiдoк, впливae нa xa-paктеp фiнaльнoï poзмiтки. Чacткoвo цю пpoблемy мoжнa poзв'язaти зa дoпoмoгoю зacoбiв теxнiчнoгo aнaлiзy [4], яю з метoю пoпеpедньoï oбpoбки пpедcтaвляють вxiднi дaнi чaco-виx pядiв у виглядi пocлiдoвнocтi зглaджениx cпocтеpежень. Cеpед тaкиx пiдxoдiв чacтo викopиcтoвyeтьcя, нaпpиклaд, пoбyдoвa cкoвзкoгo cеpедньoгo з piзними знaченнями пе-pioдy (пopядкy) cеpедньoгo.

Iншим недooпpaцьoвaним елементoм зaпpoпoнoвaнoï cxеми е пpoпopцiйне збiльшення в A paзiв вxiдниx знaчень, вщ величини якoгo нaдaлi зaлежaтиме вигляд дaниx пicля ïx пеpетвopення фyнкцieю-cигмoЩoм (pиc. 4, 5).

Зpoзyмiлo, !o у пеpетвopениx фyнкцieю-cигмoïдoм дaниx fx¡:i = 0,n — l} дiaпaзoн пpедcтaвлення визнaчaeтьcя вi-дpiзкoм [-0.5;0.5], aле пoдaльше кoдyвaння дoдaтниx знa-чень x величинoю +1, a вiд'eмниx - величинoю -1 для фop-мyвaння cигнaлy для 0HM виклигае pяд непopoзyмiнь: вxiднi дaнi з cyттeвoю piзницею у пoкaзникax динaмiки мo-жуть бути нiвельoвaнi дo oднieï виxiднoï величини.

Для пoдoлaння нечyтливocтi зaпpoпoнoвaнoï cxеми мoжнa зaпpoпoнyвaти poзгляд дaниx, пoдaниx мнoжинaми piвня а, ае/0Д7, тoбтo мнoжинaми, для елемен^в якиx cпpa-ведливa неpiвнicть | x¡ |> а. Taким чинoм, у вxiднy пocлiдoв-нють будуть вiдбиpaтиcя лише тaкi знaчення чacoвиx cпo-

Pисyнoк. 4. Пpиклaд вxiднoгo «oбpaзy» з A=10.

78 Фopмyвaння pинкoвиx вiднocин в УкpaÏнi № 5 (156)/2014

ЕК0Н0М1ЧН1 ПРОБЛЕМИ РОЗВИТКУ ГАЛУЗЕЙ ТА ВИД1В EKOHOMI4HOI Д1ЯЛЬНОСТ1

0,6 0,4 0,2

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

-0,6

Рисунок. 5. Приклад вхщного «образу» з А=100.

стережень, як! мають достатньо змютовний вплив на визна-чення тенденци у динам!ц! показник!в. Виб!р величини та анал!з отриманих для i'i р!зних значень результат!в можуть бути проведен! ф!нансовим експертом з урахуванням спе-циф!ки проблемно! област!.

Хот!лося б також звернути увагу на в!дсутн!сть пщсумковоУ (ц!льово'|) оц!нки за даними !нформац!йного «в!кна», що формують вх!дн! сигнали ШНМ. Представляеться доц!льним враховувати час спостереження у посл!довност! вх!дних даних. Дан!, як! спостер!гаються на початку «в!кна», менш ¡н-формативн! пор!вняно з останн!ми спостереженнями. Це дозволяе використати ц!льову функц!ю за даними спосте-режень, наприклад, у вигляд!

я—1

(7)

що дае змогу оц!нити !нформативн!сть вх!дних даних з урахуванням в!ддаленост! результат!в спостереження в!д моменту прийняття р!шення на основ! ШНМ.

Висновки

Таким чином, запропоновано методику попередньо! обробки вхщних даних для п!двищення !нформативност! образ!в нейронно! мереж!. Сл!д в!дзначити, що описан! тут способи обробки вхщних даних не знижують якост! стандартного методу «в!кон», але допу-скають стискання !нформаци, що базуеться на застосуванн! вхщ-них даних з заданою величиною впливу та використанн! величини в!ддаленост! часу спостереження в!д поточного моменту часу. По-д!бного роду стискання !нформаци е прикладом визначення най-б!льш значущих для прогнозу динам!ки ф!нансових показник!в.

Список використаних джерел

1. Лутковский В.М. Нейронные сети. - Минск: БГУ, 2003. - 99 с.

2. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе. - М: МИФИ, 1998. - 224 с.

3. Осовский С. Нейронные сети для обработки информации. - М.:

Финансы и статистика, 2002. - 344 с.

4. Швагер Д. Технический анализ. Полный курс. - М.: Alpina Publisher, 2001. - 768 с.

О.В. БЛИЗНЮК,

к.е.н., дoцeнт, кафедра oблiку, аудиту i статистики, УДУФМТ

Специфша облшового забезпечення в прийнятт управлшських ршень на автотранспортному шдприсмств1

У ста-rri poзглянутo специфку облкового забезпечення в прийнятт'1 управлнських р^шень на автотранспортних п'щприемствах. Бухгалтерський облк на автотранспортному п'1дприемств'1, вщображаючи фнансово-господар-ську дтльн 'ють, наявнсть i рух транспортних заcобiв, що ii забезпечують, процес надання автотранспортних послуг, створюе власну нформа^йну систему для забезпечення системи управл'тня п '1дприемства в цлому.

Ключсв! слова: управл'мня Ыдприемством, бухгалтерський облк, документування, нвентариза^я, рахунки обпку.

В статье рассмотрена специфика учетного обеспечения в принятии управленческих решений на автотранспортных предприятиях. Бухгалтерский учет на автотранспортном предприятии, отражая финансово-хозяйственную деятельность, наличие и движение транспортных средств, которые ее обеспечивают, процесс предоставления автотранспортных услуг, создает собственную информационную систему для обеспечения системы управления предприятия в целом.

Ключевые слова: управление предприятием, бухгалтерский учет, документирование, инвентаризация, счета учета.

© О.В. БЛИЗНЮК, 2014

Формування ринкових вщносин в Укра'ш1 № 5 (156)/2014 79