ПРОГНОЗИРОВАНИЕ КОТИРОВОК АКЦИЙ КОМПАНИИ ЯНДЕКС В СРЕДЕ FUZZYTECH Текст научной статьи по специальности «Компьютерные и информационные науки»

2. Использование метода кругов Эйлера (диаграмм Эйлера-Венна) при решении задач в курсе информатики и ИКТ // Кулешова Ольга Владимировна, зам. д. по УВР, уч. инф./ [Электронный ресурс]. - Режим доступа: http://festival.1september.ru/articles/632635/- (Дата обращения: 29.05.2017).

УДК 004.852

Рыжкина Д.А. магистрант 1 курса кафедра «Бизнес-информатика» Уральский государственный экономический университет

Россия, г. Екатеринбург

ПРОГНОЗИРОВАНИЕ КОТИРОВОК АКЦИЙ КОМПАНИИ ЯНДЕКС

В СРЕДЕ FUZZYTECH

Аннотация: в данной статье будет наглядно представлен процесс обучения нечёткой модели в среде fuzzyTECH. В качестве входных данных буду взяты котировки акций компании Яндекс.

Ключевые слова: нейронные сети, нечёткая модель, компания Яндекс, акции компании Яндекс, нечёткая логика.

Ryzhkina AD, Graduate student 1 year, Department of Business Informatics Ural State University of Economics Russia, Yekaterinburg FORECASTING OF THE QUOTATION OF YANDEX COMPANY SHARES IN THE FUZZYTECH ENVIRONMENT

This article will clearly demonstrate the process of learning fuzzy models in the fuzzyTECH environment. As input, I will take stock quotes from Yandex.

Keywords: Neural networks, fuzzy model, Yandex company, Yandex shares, fuzzy logic.

На сегодняшний день в финансовой среде актуален вопрос прогнозирования котировок акций или котировок валют. Для чего же это нужно? В первую очередь, что бы получить финансовую выгоду, к примеру, на бирже. Все хотят знать, что их ждет при продаже или покупке валюты или акций. Прогнозирование строится на архивных данных. Но как же сделать прогноз? Есть множество сайтов платных и бесплатных. И множество программ. Давайте разберем пример в одной из них с помощью нейронных сетей. Выберем для исследования и прогнозирования программу fuzzyTECH.

Для начала берем данные по котировкам акций компании Яндекс с информационного сайта300 в период с 1 сентября 2015 года по 31 октября 2015 года. Перед созданием нечёткой модели в среде fuzzyTECH

300 Информационный сайт finanz.ru. [Электронный ресурс] - Режим доступа: http://www.finanz.ru.

интерпретируем эти данные в программу MS Excel. Данные нам нужно разбить на 4 переменных: 1 - я переменная будет выходная её мы оставим неизмененной (Y) остальные переменные будут входные. Как мы изменим остальные: 2 - я переменная будет иметь значение X1(Yi-1) это означает, что мы вставляем данные со сдвигом на минус 1 день, Yi-1 - влияющие факторы, которые в данном случае и есть итоговый Y, но тот, каким он был раньше, значение денежного потока и продаж в предыдущем периоде. 3 и 4 - ые переменные будут иметь значения X2,3(Yi-1) по такой же причине, что и вторая. На основании показателей 3 - х дней, мы будем прогнозировать котировку акций компании Яндекс на 4 день. Таблицу сохраним в специальном формате .CSV и обязательно с точками. Дальше запускаем среду fuzzyTECH. И создаём новый проект. В появившемся окне задаем 3 входных переменных и 1 выходную, указывая по 3 функции принадлежности для каждой входной переменной и 5 для выходной. Параметры переменных: min - 9, max - 13, default - 10. Откуда мы берем эти значения? Минимальная котировка акций компании Яндекс за весь период равна - 9 р., максимальная - 13 р., а интервалом выбираем среднее значение между этими числами, оно равно - 10 р. Сделаем наши переменные обучаемыми, что бы программа обучала их по данным, которые мы загрузим из таблицы MS Excel. После всех настроек мы загружаем таблицу с данными в среду fuzzyTECH, нажимаем Start и программа обучает переменные. Так нужно будет сделать несколько раз, и вы увидите, как процент ошибки меняется в меньшую сторону. Модель становиться более точной. После обучения, среда fuzzyTECH автоматически создаст правила, по которым проходило обучение и в дальнейшем по ним будет выдавать определенный результат. Теперь модель можно проверить. В окне проверки результатов будем изменять входные переменные и на основе из значения будет выдаваться результат, т.к. мы знаем, какой должен быть результат, то можем проверить. Конечно, из - за большой доли ошибки, это значение будет отличаться от действительного, всё же, модель будет работать.

Соответствующие обучающие данные мы свели в отдельную таблицу в MS Excel. Туда мы занесли данные котировок акций компании Яндекс в период с 1 сентября 2015 года по 31 октября 2015 года. Представим ее в виде таблицы с 3 входными переменными и 1 выходной. Таблицу сохраним в специальном формате .CSV и обязательно с точками, иначе программа fuzzyTECH не расшифрует эти данные.

Рисунок 16 - Таблица с данными в MS Excel.

Далее, сохраним эту обучающую выборку в файл с именем данные_для_фазитек.csv. Запускаем среду fuzzyTECH. Затем выбираем в главном меню пункт File -> New для создания новой системы. В появившемся окне задаем 3 входных переменных и 3 выходную, указывая по 3 функции принадлежности для каждой входной переменной и 5 для выходной. Таким образом, система будет иметь вид, указанный на Рисунке 5.

Рисунок 17 - Три входных переменных и одна выходная окно в

fuzzyTECH.

Дальше изменяем входные и выходные переменные под свои данные, т.к. у нас минимальное число - 9, максимальное - 13, а среднее значение -10, то в соответствии с этим изменяем интервал данных.

Рисунок 18 - Изменение параметров переменных.

Теперь необходимо обучить нечеткую систему, используя обучающую выборку. Для этого сначала укажем переменные и правила для обучения, в данном случае это будут все переменные и все правила. Теперь выберем в главном меню Tools -> Neuro -> Learning... Далее, указываем путь к файлу с выборкой. В появившемся окне нажимаем кнопку Start для начала обучения.

Рисунок 19 - (продолжение) Обучение программы fuzzyTech в 8

итераций.

Как можно видеть по рисунку только на 8 раз обучения максимальное отклонение от выборки (розовая шкала слева) стало наименьшим и упало на 11% от первоначального результата и стала составлять при обучении 30.84%, а среднее отклонение от выборки (жёлтая шкала слева) 12.41%, хотя на 7 раз этот результат был лучше.

Программа автоматически создаёт блок правил, по которым в дальнейшем система будет выдавать результат прогнозирования. Всего получилось 135 правил.

Рисунок 20 - Правила в программе fuzzyTech.

Теперь выберем пункт меню Debug -> Interactive и проверим точность построенной системы. При изменении значения входных переменных, автоматически, согласно правилам, меняется значение выходной переменной.

Prognoz kotrovfci akcty companU Vandai

D Ь С. 2 Т |м"«м>

(у/ п« лт*

Р I и; 10 КО J

"Л

Рисунок 21 - Проверка точности построенной системы. Т.к. система не идеально, то в выходное значение не является точным. Можем посмотреть поверхности отклика, отображающие зависимость выходной переменной от входных, отображены на Рисунке 11.

Рисунок 22 - Поверхности отклика, отображающие зависимость выходной переменной от входных. Таким образом, можно обучить программу, задавая в неё любые данные. Даже спрогнозировать погоду. Но наверняка этот прогноз окажется правильным.

Использованные источники:

1. Нечеткая логика — математические основы [Электронный ресурс]. -Режим доступа: https://basegroup.ru/community/articles/fuzzylogic-math - (Дата обращения: 31.05.2017).

УДК 316.4

Рыжов И.А. студент 2го курса

Ульяновский государственный технический университет

Россия, г.Ульяновск

Ryzhov I.A.

2nd year student Ulyanovsk State Technical University

Russia, Ulyanovsk МОРАЛЬНЫЙ ЯЗЫК В ПУБЛИЧНОЙ ПОЛИТИКЕ MORAL LANGUAGE IN PUBLIC POLICY

Аннотация. В статье говорится о том, что моральные ценности в политике могут активно использоваться, но так же могут игнорироваться. Однако моральная риторика в публичной политике используется всегда. Апелляция к морали усиливает политику, делает ее более привлекательной и действенной. Поэтому моральная открытость риторика используется поэтому в политике как скировать средство для обществе реализации политических поведение целей.

Annotation. The охотно article States ритор that moral воздействия values in politics своих can be actively центре used but передачи can be ignored. However, допустимости the moral чтобы rhetoric in public безразличие policy is always покуда used. The можно appeal to morality использование reinforces a policy если that makes моралистическо it more attractive полит and effective. So поэтому the moral определить rhetoric used личной in politics as a means моральный to realize political сокращает goals.

Ключевые слова: смыслящих мораль, моральная прибегаю риторика, моральная этик демагогия, политика.

Key моральная words: morality, быть moral rhetoric, хотя moral demagoguery, тафоры political.

В современном морали мире между демагогии моралью и политикой ентальной трудно найти взаим что-то общее. Очень обществе часто политика имеет и мораль по-разному часто оценивают одни справедливости и те же деяния. Если проблемы в политике ставится аргументация вопрос о целесообразности ведь тех или оторвать иных методов особое достижения цели, корыстные то в морали -вопрос литической о допустимости как передачи целей, так аристотель и