CC BY
27
УДК 004.8
08.00.13 - Математические и инструментальные методы экономики (экономические науки)
ПРОГНОЗИРОВАНИЕ НА ФИНАНСОВЫХ РЫНКАХ С ПРИМЕНЕНИЕМ СЦЕНАРНОГО АСК-АНАЛИЗА И СИСТЕМЫ "ЭЙДОС" (НА ПРИМЕРЕ АКЦИЙ КОМПАНИИ GOOGLE)
Луценко Евгений Вениаминович
д.э.н., к.т.н., профессор
Web of Science ResearcherID S-8667-2018
Scopus Author ID: 57188763047
РИНЦ id=123162, SPIN-code: 9523-7101
prof.lutsenko@gmail.com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene-Lutsenko
Кубанский Государственный Аграрный
университет имени И.Т.Трубилина, Краснодар,
Россия
В данной работе ставится, рассматривается и решается актуальная задача достоверного прогнозирования курсов акций компании Гугл и их динамики на основе характеристик финансового рынках. Предлагается теоретическое и практическое решение этой задачи путем применения сценарного автоматизированного системно-когнитивного анализа (сценарный АСК-анализ) и его программного инструментария - интеллектуальной системы «Эйдос». Приводится подробный численный пример, основанный на данных портала Каггл. Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута, поставленная проблема решена. В результате проделанной работы, с помощью системы «Эйдос» были созданы 3 статистические и 7 системно-когнитивных моделей, в которых непосредственно на основе эмпирических данных сформированы обобщенные образы классов по курсам акций компании Гугл и их динамике, изучено влияние характеристик финансового рынка на эти классы, и, на основе этого, решены задачи идентификации и прогнозирования, классификации и исследования моделируемой предметной области путем исследования ее модели. Со всеми моделями, созданными в данной статье, можно ознакомиться установив облачное Эйдос-приложение №295 в режиме 1.3 системы «Эйдос». Саму систему можно бесплатно скачать с сайта ее автора и разработчика по ссылке: http://lc.kubagro.ru/aidos/ Aidos-X.htm
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС»
DOI: http://dx.doi.org/10.21515/1990-4665-171 -009
UDC 004.8
08.00.13 - Mathematical and instrumental methods of Economics (Economics)
FORECASTING IN FINANCIAL MARKETS USING SCENARIO-BASED AS^ANALYSIS AND THE EIDOS SYSTEM (USING THE EXAMPLE OF GOOGLE SHARES)
Lutsenko Evgeniy Veniaminovich
Dr.Sci.Econ., Cand.Tech.Sci., professor
Web of Science ResearcherlD S-8667-2018
Scopus Author ID: 57188763047
RSCI id=123162, SPIN-code: 9523-7101
prof. lutsenko@ gmail. com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene-Lutsenko
Kuban State Agrarian University named after I. T.
Trubilin, Krasnodar, Russia
This work sets, considers and solves the actual problem of reliable forecasting of Google stock prices and their dynamics based on the characteristics of the financial markets. We have proposed a theoretical and practical solution to this problem is by using scenario-based automated system-cognitive analysis (scenario-based ASC-analysis) and its software tools - the intelligent system called "Eidos". A detailed numerical example is given, based on the data of the Kaggl portal. As the analysis of the results of the numerical experiment shows, the solution of the tasks proposed and implemented in the Eidos system is quite effective, which allows us to reasonably assert that the goal of the work has been achieved, the problem has been solved. As a result of the work done, 3 statistical and 7 system-cognitive models were created using the Eidos system, in which generalized images of classes based on Google stock prices and their dynamics were formed directly on the basis of empirical data, the influence of financial market characteristics on these classes was studied, and, based on this, the problems of identification and forecasting, classification and research of the simulated subject area by studying its model were solved. You can get acquainted with all the models created in this article by installing the cloud Eidos application No. 295 in the 1.3 mode of the Eidos system. The system itself can be downloaded for free from the website of its author and developer at the link: http://lc.kubagro.ru/aidos/ Aidos-X.htm
Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, ASC-ANALYSIS, "EIDOS" SYSTEM
СОДЕРЖАНИЕ
ВВЕДЕНИЕ. ПОСТАНОВКА ЦЕЛИ И ЗАДАЧ ИССЛЕДОВАНИЯ......................................................2
1. ЗАДАЧА 1: КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ..........................4
2. ЗАДАЧА 2: ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ И ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ......................................................................................................................................................7
2.1. Автоматизированный программный интерфейс (API) ввода числовых и текстовых данных
и таблиц............................................................................................................................................................7
2.2. Классификационные и описательные шкал и градации и обучающая выборка....................13
2.3. Будущие и прошлые сценарии изменения значений градаций базовых шкал.........................19
3. ЗАДАЧА 3: СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ И ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ......................................................................................................................................................22
3.1. Синтез и верификация статистических и системно-когнитивных моделей............................22
3.2. Оценка достоверности моделей........................................................................................................25
3.3. Задание текущей модели....................................................................................................................29
4. ЗАДАЧА 4: РЕШЕНИЕ РАЗЛИЧНЫХ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ.......30
4.1. Подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание, идентификация)...........................................................................................................................................30
4.2. Подзадача 4.2. Поддержка принятия решений в простейшем варианте (SWOT-анализ)......38
4.3. Подзадача 4.2. Развитый алгоритм принятия решений.................................................................44
4.4. Подзадача 4.3. Исследование моделируемой предметной области путем исследования ее модели............................................................................................................................................................46
4.4.1. Когнитивные диаграммы классов.................................................................................................46
4.4.2. Агломеративная когнитивная кластеризация классов...............................................................47
4.4.3. Когнитивные диаграммы значений факторов............................................................................49
4.4.4. Агломеративная когнитивная кластеризация значений факторов.........................................50
4.4.5. Нелокальные нейроны и нелокальные нейронные сети..............................................................53
4.4.6. 3ё-интегральные когнитивные карты.........................................................................................54
4.4.7. Когнитивные функции...................................................................................................................55
4.4.8. Сила и направление влияния значений факторов на принадлежность к классам...................58
4.4.9. Степень детерминированности классов значениями обуславливающих их факторов...........66
5. ВЫВОДЫ.................................................................................................................................................69
ЛИТЕРАТУРА..................................................................................................................................................69
Введение. Постановка цели и задач исследования
Задача, решаемая в данной работе, поставлена на портале Kaggle молодым исследователем из Индии Шриниди Хиппараги (https://www.kaggle.com/shreenidhihipparagi). Им же предоставлены и исходные данные для решения этой задачи:
https://www.kaggle.com/shreenidhihipparagi/google-stock-prediction.
Шриниди Хиппараги пишет на портале Kaggle: «Все практики, изучающие БЬ, обязательно встретят и Ь8ТМ. Поэтому я подумал, позвольте мне добавить набор данных, который можно использовать в качестве ступени к прогнозам акций.
Этот набор данных содержит 14 столбцов и 1257 строк. Каждый столбец назначается атрибуту, а строки содержат значения этого атрибута.
..... Я хотел бы поблагодарить Tiingo за предоставление такой
замечательной платформы, которая поддерживает финансовые и биржевые данные и обновляет их изо дня в день.
Предскажите значения закрытия и открытия на следующие 30 дней. Вы можете это сделать?»
Таким образом, ставится цель прогнозирования значений закрытия и открытия акций на определенный период вперед в будущее.
В соответствии с последовательностью обработки данных, информации и знаний в системе «Эйдос» (рисунок 1) путем декомпозиции поставленной цели получена следующая последовательность задач, решение которых является этапами достижения этой цели:
С Когнитивно-целевая структуризация предметной области ^ _(единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)_ )
Формализация предметной области (реж.2.3.2.2)
О соотношении задач:
- распознавания, классификации, идентификации и диагностики (это одно и тоже, т.е. синонимы);
- идентификации и прогнозирования (при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к будущему);
- прогнозирования и принятия решений (при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее состояние он перейдет под их действием. При принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения факторов, которые обуславливают его переход в это будущее целевое состояние. Таким образом задача принятия решений является обратной по отношению к задаче прогнозирования);
- принятия решений и исследования моделируемой предметной области (задача принятия решений является обратной по отношению к задаче прогнозирования только в простейшем случае: в случае использования БУУОТ-анализа. Однако БУУОТ-анализ имеет свои ограничения: может быть задано только одно будущее целевое состояние, некоторые рекомендуемые факторы может не быть технологической и финансовой возможности использовать. Поэтому в АСК-анализе и системе «Эйдос» реализован развитый алгоритм принятия решений п.6.3 в котором кроме БУУОТ-анализа используются также результаты решения задачи прогнозирования и результаты кластерно-конструктивного анализа классов и значений факторов, т.е. некоторые результаты решения задачи исследования предметной области.)
Рисунок 1. Последовательность обработки данных, информации и знаний
в системе «Эйдос»
Задача 1: когнитивная структуризация предметной области.
Задача 2: подготовка исходных данных и формализация предметной области (разработка классификационных и описательных шкал и градаций и кодирование исходных с их помощью, т.е. получение обучающей выборки).
Задача 3: синтез и верификация статистических и системно-когнитивных моделей и выбор наиболее достоверной модели.
Задача 4: решение различных задач в наиболее достоверной модели:
- подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание, идентификация);
- подзадача 4.2. Поддержка принятия решений;
- подзадача 4.3. Исследование моделируемой предметной области путем исследования ее модели: когнитивные диаграммы классов и значений факторов, агломеративная когнитивная кластеризация классов и значений факторов, нелокальные нейроны и нейронные сети, 3ё-интегральные когнитивные карты, когнитивные функции), исследование силы и направления влияния факторов и степени детерминированности классов, обуславливающими их значениями факторов.
В данной работе рассмотрим подробный численный пример в интеллектуальной системе «Эйдос». Эта система будет использована, т.к. в настоящее время именно она представляет собой программный инструментарий Автоматизированного системно-когнитивного анализа (АСК-анализ). Полная информация об АСК-анализе и системе «Эйдос» приведена в работах [1, 2].а также на сайте автора: 1Шр://1с,киЬаето.ги/ и на портале РесчеГейт: https://www.researchgate.net/profi1e/Eugene-Lutsenko. Саму систему «Эйдос» также можно скачать на сайте автора: http://1c.kubagro.ru/aidos/ Aidos-X.htm.
В ходе рассмотрения численного примера решим поставленные выше задачи. При этом будем придерживаться (в упрощенном варианте) методики изложения, описанной в работе [3].
1. Задача 1: когнитивная структуризация предметной области
На этапе когнитивно-целевой структуризации предметной области мы неформализуемым путем решаем на качественном уровне, что будем рассматривать в качестве факторов, действующих на моделируемый объект (причин), а что в качестве результатов действия этих факторов (последствий). По сути это постановка решаемой проблемы.
Описательные шкалы служат для формального описания факторов, а классификационные - результатов их действия на объект моделирования. Шкалы могут быть числовые и текстовые [4].
При этом необходимо отметить, что статистические и системно-когнитивные модели (СК-модели) отражают лишь сам факт наличия
зависимостей между значениями факторов и результатами их действия. Но они не отражают причин и механизмов такого влияния.
Более того, иногда при моделировании встречается ситуация, когда на результаты влияют не сами рассматриваемые в модели факторы, а некие причины, влияющие на эти рассматриваемые в модели факторы. Причем эти причины в модели вообще не упоминаются и рассматриваются.
Если исследовать зависимость поведения людей от положения стрелок часов, то получится довольно тесная взаимосвязь. Но это не означает, что существуют некие физические силы, типа сил гравитации, с помощью которых стрелки часов влияют на поведение людей. Все выглядит так, что человек посмотрел на часы, и стал что-то делать, что нужно в это время. На самом деле на поведение людей влияет положение Солнца над горизонтом, а не положение стрелок часов, а часы просто адекватно отражают это положение Солнца, сообщают информацию об этом. Аналогичная ситуация с геномом, который влияет и на почерк, и на успеваемость, поэтому почерк и успеваемость выглядят взаимосвязанными или влияющими друг на друга, хотя на самом деле они связаны не друг с другом, а с геномом.
Важно не перепутать местами причины и следствия: ветер дует не потому, что у деревьев шатаются ветки и дождь идет не потому, что это показывает приложение Gismeteo на телефоне или ласточки летают низко1. Английские ученые в результате исследования очень большой выборки респондентов из разных стран установили, что чем больше человек отпраздновал дней рождения, тем больше у него продолжительность жизни. На основе этого исследования они настоятельно рекомендовали как можно чаще праздновать дни рождения.
Система «Эйдос» выявляет эмпирические закономерности в моделируемой предметной области и отображает их в различных формах: табличной, графической и аналитической. Это соответствует эмпирическому этапу развития. Этим самым она вплотную подводит исследователя к теоретическому уровню познания [5]
Это значит:
- во-первых, что содержательная интерпретация СК-моделей - это компетенция специалистов-экспертов хорошо разбирающихся в данной предметной области. Иногда встречается ситуация, когда и то, что на первый взгляд является причинами, и то, что, казалось бы, является их последствиями, на самом деле является последствиями неких глубинных причин, которых мы не видим и никоим образом непосредственно не отражаем в модели;
1 Хотя...
2 См., также: http://lc.kubagro.ru/aidos/Works on identification presentation and use of knowledge.htm
- во-вторых, даже если содержательной интерпретации обнаруженных эмпирических закономерностей не разработано, то в принципе это совершенно не исключает возможности эффективно пользоваться их знанием на практике для достижения заданных результатов и поставленных целей, т.е. для управления.
Данная работа основана на исходных данных, размещенных на портале Kagg1e: https://www.kagg1e.com/shreenidhihipparagi/goog1e-stock-prediction:
По описанию задачи, приведенному на портале Kagg1e можно сделать вывод о том, что ее смысл состоит в том, чтобы по динамике значений различных показателей акций Гугл на финансовом рынке спрогнозировать курсы их открытия и закрытия на конец заданного периода.
Научное значение разработки методики подобных прогнозов состоит в том, что это довольно сложная задача, для которой пока не найдено качественного общего решения. И это не смотря на огромные усилия, в этом направлении, осуществляемые большим количеством специалистов очень высокой квалификации.
Практическое значение подобных прогнозов состоит в том, что на их основе можно принимать обоснованные решения о приобретении или продаже данных акций. Чем выше достоверность прогнозов, тем выше адекватность решений, тем выше прибыль от этой деятельности.
Исходные данные содержат следующие параметры (таблица 1):
Таблица 1 - Исходные данные с портала Каггл (фрагмент)
Файл правка вид кодировка Lnpae j Tfa
[symbol, date ,close,high ,1ош,оре n,uolume,adjClose,adjHigh,adjLow,adjOpen,adjUolume,diuCash,splitFactor -
GOOG 2016-06-14 00:00:00+00:00 ,718 27 722 47 713 12,716.48,13 06 065,718.27,722.47,713.12,716.48,1306065,0 0 1 0 a
GOOG 2016 06-15 00:00:00+00:00 ,718 92 722 98 717 31,719.0,1214517,718.92,722.98,717.31,719.0,1214517,0.0 1 0
GOOG 2016-06-16 00:00:00+00:00 ,71 0 36 716 65 7 03 26,714.91,1982471,710.36,716.65,703.26,714.91,1982471,0 0 1 0
GOOG 2016-06-17 00:00:00+00:00 ,691 72 708 82 688 4515,7 08.65,3402357,691.72,7 08.82,688.4515,7 08.65,3402357 0 0,1 .0
GOOG 2016-06-20 00:00:00+00:00 ,693 71 702 48 693 41,698.77,2082538,693.71,702.48,693.41,698.77,2 082538,0 0 1 0
GOOG 2016-06-21 00:00:00+00:00 ,695 94 702 77 692 01,698.4,1465634,695.94,7 02.77,692.01,698.4,1465634,0.0 1 0
GOOG 2016-06-22 00:00:00+00:00 ,697 46 700 86 693 0819,699.06,1184318,697.46,7 00.86,693.0819,699.06,1184318 0 0,1.0
GOOG 2016-06-23 00:00:00+00:00 ,701 87 701 95 687 0,697.45,2171415,701.87,701.95,687.0,697.45,2171415,0.0 1 0
GOOG 2016-06-24 00:00:00+00:00 ,675 22 689 4, J73. *5,675.17,4449022,675.22,689.4,673.45,675.17,4449022,0.0 1 0
GOOG 2016-06-27 00:00:00+00:00 ,668 26 672 3,663- 84,671.0,2641085,668.26,672.3,663.284,671-0,2641085,0-0 1 0
GOOG 2016-06-28 00:00:00+00:00 ,680 04 680 33 673 0,678.97,2173762,680.04,680.33,073.0,678.97,2173762,0.0 1 0
GOOG 2016-06-29 00:00:00+00:00 ,684 11 687 4292,681.41,683.0,1932561,684.11,687.4292,681.41,683.0,1932561 0 0 1.0
GOOG 2016-06-30 00:00:00+00:00 ,692 1,692.32, Ü83 . 5,685.47,1597714,692.1,692.32,683.65,685.47,1597714,0.0 1 0
GOOG 2016-07-01 00:00:00+00:00 ,699 21 700 65 692 1301,692.2,1344710,699.21,700.65,692.1301,692.2,1344710 0 0 1 . 0
GOOG 2016-07-05 00:00:00+00:00 ,694 49 696 94 688 88,696-06,1462616,694-49,696.94,688.88,696-06,1462616,0 0 1 0
GOOG 2016-07-06 00:00:00+00:00 ,697 77 701 68 689 09,689.98,1411925,697.77,701.68,689.09,689.98,1411925,0 0 1 0
GOOG 2016-07-07 00:00:00+00:00 ,695 36 698 2, i88.215,698.08,1304200,695.36,698.2,688.215,698.08,1384200,0 0 1 0
GOOG 2 016 07-08 00:00:00+00:00 ,705 63 705 71 696 435,699.5,1575166,705.63,705.71,696.435,699.5,1575166,0 0 1 0
GOOG 2016-07-11 00:00:00+00:00 ,715 09 716 51 7 07 24,708.05,1111762,715.09,716.51,707.24,708.05,1111762,0 0 1 0
GOOG 2016-07-12 00:00:00+00:00 ,720 64 722 94 715 91 ,719.12,1336921,720.64,722.94,715.91,719.12,1336921,0 0 1 0
GOOG 2016-07-13 00:00:00+00:00 ,716 98 724 0,716. 5,723.62,935876,716.98,724.0,716.85,723.62,935876,0.0,1 0
GOOG 2016-07-14 00:00:00+00:00 ,720 95 722 21 718 03,721.58,950193,726.95,722.21,718.03,721.58,95 0193,0.0 1 0
GOOG 2016-07-15 00:00:00+00:00 ,719 85 725 74 719 055,725.73,1279339,719.85,725.74,719.055,725.73,1279339 0 0 1.0
GOOG 2016-07-18 00:00:00+00:00 ,733 78 736 13 721 19,722.71,1295476,733.78,736.13,721.19,722.71,1295476,0 0 1 0
GOOG 2016-07-19 00:00:00+00:00 ,736 96 736 99 729 0,729.89,1227486,736.96,736.99,729.0,729.89,1227486,0.0 1 0
GOOG 2016-07-20 00:00:00+00:00 ,741 19 742 13 737 1,737.33,1289671,741.19,742.13,737.1,737.33,1289671,0.0 1 0
GOOG 2016-07-21 00:00:00+00:00 ,738 63 741 69 735 831,740.36,10263 06,738.63,741.69,735.831,740.36,1026306 0 0 1.0
GOOG 2016-07-22 00:00:00+00:00 ,742 74 743 24 736 56,741.86,1259823,742.74,743.24,736.56,741.86,1259823,0 0 1 0
GOOG 2016-07-25 00:00:00+00:00 ,739 77 742 61 737 5,740.67,1032432,739.77,742.61,737.5,740.67,1032432,0.0 1 0
GOOG 2016-07-26 00:00:00+00:00 ,738 42 741 69 734 27,739.04,1186738,738.42,741.69,734.27,739.04,1186738,0 0 1 0
GOOG 2016-07-27 00:00:00+00:00 ,741 77 744 46 737 0,738.28,1512517,741.77,744.46,737.0,738.28,1512517,0-0 1 0
GOOG 2016-07-28 00:00:00+00:00 ,745 91 748 65 739 3,747.04,3530169,745.91,748.05,739.3,747.04,3530169,0.0 1 0
GOOG 2016-07-29 00:00:00+00:00 ,768 79 778 55 766 77,772.71,3841482,768.79,778.55,766.77,772.71,3841482,0 0 1 0
GOOG 2 016-08 01 00:00:00+00:00 ,772 88 780 43 761 09,761.09,270047 0,772.88,780.43,761.09,761.09,2700470,0 0 1 0
GOOG 2016-08-02 00:00:00+00:00 ,771 07 775 84 767 85,768.69,1784525,771.07,775.84,767.85,768.69,1784525,0 0 1 0
GOOG 2016-08-03 00:00:00+00:00 ,773 18 773 21 766 82,767.18,1287421,773-18,773.21,766.82,767.18,1287421,0 0 1 0
GOOG 2016-08-04 00:00:00+00:00 ,771 61 774 07 768 795,772.22,1140254,771.61,774.07,768.795,772.22,1140254 0 0 1.0
GOOG 2016-08-05 00:00:00+00:00 ,782 22 783 04 772 34,773.78,18 012 05,782.22,783.04,772.34,773.78,1801205,0 0 1 0
GOOG 2 016-08 08 00:00:00+00:00 ,781 76 782 63 778 091,782.0,1107857,781.76,782.63,778.091,782.O,1107857,0 0 1 0
GOOG 2016-08-09 00:00:00+00:00 ,784 26 788 94 780 57,781.1,1318894,784.26,788.94,780.57,781.1,1318894,0.0 1 0
GOOG 2016-08-10 00:00:00+00:00 ,784 68 786 8123,782.778,783.75,786363,784.68,786.8123,782.778,783.75,786363 0 0,1 .0
GOOG 2016-08-11 00:00:00+00:00 ,784 85 789 75 782 97,785.0,975113,784.85,789.75,782.97,785.0,975113,0.0.1 0 >
В таблице 1 классификационные шкалы поставлены начале таблицы, как принято в системе «Эйдос».
В данной работе в качестве классификационных шкал выберем начальную и конечную стоимость акций на день (выделены желтым фоном) (таблица 2), а в качестве факторов, влияющих на этот результаты -все остальные показатели (таблица 3):
Таблица 2
Код Наименование
1 OPEN
2 CLOSE
3 OPEN-FUTURE3
4 CLOSE-FUTURE3
5 OPEN-FUTURE3-Point1
6 OPEN-FUTURE3-Point2
7 OPEN-FUTURE3-Point3
8 CLOSE-FUTURE3-Point1
9 CLOSE-FUTURE3-Point2
10 CLOSE-FUTURE3-Point3
Таблица 3 Описательные шкалы
Код Наименование
1 HIGH
2 LOW
3 VOLUME
4 ADJCLOSE
5 ADJHIGH
6 ADJLOW
7 ADJOPEN
8 ADJVOLUME
9 HIGH-PAST3
10 LOW-PAST3
11 VOLUME-PAST3
12 ADJCLOSE-PAST3
13 ADJHIGH-PAST3
14 ADJLOW-PAST3
15 ADJOPEN-PAST3
16 ADJVOLUME-PAST3
17 HIGH-PAST3-Point1
18 HIGH-PAST3-Point2
19 HIGH-PAST3-Point3
20 LOW-PAST3-Point1
21 LOW-PAST3-Point2
22 LOW-PAST3-Point3
23 VOLUME-PAST3-Point1
24 VOLUME-PAST3-Point2
25 VOLUME-PAST3-Point3
26 ADJCLOSE-PAST3-Point1
27 ADJCLOSE-PAST3-Point2
28 ADJCLOSE-PAST3-Point3
29 ADJHIGH-PAST3-Point1
30 ADJHIGH-PAST3-Point2
31 ADJHIGH-PAST3-Point3
32 ADJLOW-PAST3-Point1
33 ADJLOW-PAST3-Point2
34 ADJLOW-PAST3-Point3
35 ADJOPEN-PAST3-Point1
36 ADJOPEN-PAST3-Point2
37 ADJOPEN-PAST3-Point3
38 ADJVOLUME-PAST3-Point1
39 ADJVOLUME-PAST3-Point2
40 ADJVOLUME-PAST3-Point3
В соответствии с методологией сценарного АСК-анализа [6, 7, 8, 9] кроме базовых классификационных и описательных шкал, непосредственно отражающих значения из таблицы 1, в модели используются еще и автоматически созданные на основе базовых шкал:
- сценарные шкалы, отражающие динамику изменения значений базовых показателей;
- шкалы, отражающие значения в заданных точках этих сценариев. Смысл этих шкал, приведенных в таблицах 2 и 3, понятен из их
названий.
2. Задача 2: подготовка исходных данных
и формализация предметной области 2.1. Автоматизированный программный интерфейс (API) ввода числовых и текстовых данных и таблиц
Технически мы можем решить задачу прогнозирования не только на период 30, как просят на портале Kaggle, но и на значительно больший
период. Но не будем этого делать и выберем на порядок меньший период прогнозирования всего в 3 дня. Мы это сделаем для уменьшения размерности задачи и удобства ее описания в полном виде в данной статье.
Исходные данные для данной работы (таблица 1) получены непосредственно с портала Kaggle по прямой ссылке: https://www.kaggle.com/shreenidhihipparagi/google-stock-prediction/download.
Эти данные представлены в виде CSV-файла. После скачивания этого файла для ввода в систему «Эйдос» с ним было выполнено несколько простых преобразований:
1. CSV-файл был переименован с «GOOG.csv» на «Inp_data.csv» и размещен в папке: ..\Aidos-X\AID_DATA\Inp_data\ системы «Эйдос» для исходных данных табличного типа.
2. CSV-файл был преобразован в XLS-файл для удобства дальнейшей корректировки и ввода в систему «Эйдос».
Само CSV-XLS преобразование (конвертирование) может быть осуществлено онлайн с помощью одного из онлайн-конвертеров. Рекомендуется использовать следующие CSV-XLS-онлайн конвертеры, которые очень хорошо работают со стандартными CSV-файлами:
https://convertio.co/ru/csv-xls/,
https://onlineconvertfree.com/ru/convert-format/csv-to-xls/;
https://document.online-convert.com/ru/convert/csv-to-excel.
В простейшем случае CSV-файл это текст, состоящий из строк, в каждой из которых содержится одинаковое количество элементов, разделенных каким-либо разделителем, чаще всего запятой. Таким образом, строки CSV-файла можно поставить в соответствие строкам таблицы, а элементы строк - колонкам таблицы.
Но следует иметь в виду, что сам CSV-стандарт (форматированный текст) еще не совсем устоялся. Но в CSV-файлах в качестве разделителя могут быть использованы и другие символы, например, точка с запятой или табуляция. Иногда, когда необходимо, чтобы внутри элементов использовалась запятая, эти элементы выделяют кавычками. Поэтому иногда (достаточно редко) встречаются CSV-файлы с необычными форматами, которые не всякий конвертер сможет корректно преобразовать. В этом случае рекомендуется попробовать подобрать другой конвертер, которых очень много в открытом доступе. Потратив на это некоторое время, обычно удается получить желаемый результат.
3. После преобразования CSV-файла в XLS-файл в нем средствами MS-Excel были произведены следующие корректировки:
- колонки: «open» и «close», советующие классификационным шкалам, были перемещены в начало таблицы и выделены желтым фоном;
- удалена колонка «symbol» с названием фирмы, т.к. в ней не было других фирм, кроме Гугл;
- XLS-файл (стандарт MS Excel-2003) записан в стандарте более новых версий MS Excel как XLSX. Это сделано потому, что в новом стандарте файл имеет размер примерно в два раза меньше, чем в старом.
В результате всех этих операций получилась таблица исходных данных (таблица 4):
Таблица 4- Исходные данные для ввода в систему «Эйдос» (фрагмент)
date open close high low volume adjClose adjHiqh adjLow adjOpen adjVolume
2016-02-16 00:00:00+00:00 692,98 691 698 685,05 2520021 691 698 685,05 692,98 2520021
2016-02-17 00:00:00+00:00 699 708,4 709,75 691,38 2492634 708,4 709,75 691,38 699 2492634
2016-02-18 00:00:00+00:00 710 697,35 712,35 696,03 1883248 697,35 712,35 696,03 710 1883248
2016-02-19 00:00:00+00:00 695,03 700,91 703,0805 694,05 1589281 700,91 703,0805 694,05 695,03 1589281
2016-02-22 00:00:00+00:00 707,45 706,46 713,24 702,51 1949816 706,46 713,24 702,51 707,45 1949816
2016-02-23 00:00:00+00:00 701,45 695,85 708,4 693,58 2009280 695,85 708,4 693,58 701,45 2009280
2016-02-24 00:00:00+00:00 688,92 699,56 700 680,78 1963573 699,56 700 680,78 688,92 1963573
2016-02-25 00:00:00+00:00 700,01 705,75 705,98 690,585 1642166 705,75 705,98 690,585 700,01 1642166
2016-02-26 00:00:00+00:00 708,58 705,07 713,43 700,86 2243522 705,07 713,43 700,86 708,58 2243522
2016-02-29 00:00:00+00:00 700,32 697,77 710,89 697,68 2481145 697,77 710,89 697,68 700,32 2481145
2016-03-01 00:00:00+00:00 703,62 718,81 718,81 699,77 2151419 718,81 718,81 699,77 703,62 2151419
2016-03-02 00:00:00+00:00 719 718,85 720 712 1629003 718,85 720 712 719 1629003
2016-03-03 00:00:00+00:00 718,68 712,42 719,45 706,02 1957974 712,42 719,45 706,02 718,68 1957974
2016-03-04 00:00:00+00:00 714,99 710,89 716,49 706,02 1972077 710,89 716,49 706,02 714,99 1972077
2016-03-07 00:00:00+00:00 706,9 695,16 708,0912 686,9 2988026 695,16 708,0912 686,9 706,9 2988026
2016-03-08 00:00:00+00:00 688,59 693,97 703,79 685,34 2058471 693,97 703,79 685,34 688,59 2058471
2016-03-09 00:00:00+00:00 698,47 705,24 705,68 694 1421515 705,24 705,68 694 698,47 1421515
2016-03-10 00:00:00+00:00 708,12 712,82 716,44 703,36 2833525 712,82 716,44 703,36 708,12 2833525
2016-03-11 00:00:00+00:00 720 726,82 726,92 717,125 1970815 726,82 726,92 717,125 720 1970815
2016-03-14 00:00:00+00:00 726,81 730,49 735,5 725,15 1718252 730,49 735,5 725,15 726,81 1718252
2016-03-15 00:00:00+00:00 726,92 728,33 732,29 724,77 1720965 728,33 732,29 724,77 726,92 1720965
2016-03-16 00:00:00+00:00 726,37 736,09 737,47 724,51 1624370 736,09 737,47 724,51 726,37 1624370
2016-03-17 00:00:00+00:00 736,45 737,78 743,07 736 1860834 737,78 743,07 736 736,45 1860834
2016-03-18 00:00:00+00:00 741,86 737,6 742 731,83 2980709 737,6 742 731,83 741,86 2980709
2016-03-21 00:00:00+00:00 736,5 742,09 742,5 733,5157 1836503 742,09 742,5 733,5157 736,5 1836503
2016-03-22 00:00:00+00:00 737,46 740,75 745 737,46 1269749 740,75 745 737,46 737,46 1269749
2016-03-23 00:00:00+00:00 742,36 738,06 745,7199 736,15 1432099 738,06 745,7199 736,15 742,36 1432099
2016-03-24 00:00:00+00:00 732,01 735,3 737,747 731 1594891 735,3 737,747 731 732,01 1594891
2016-03-28 00:00:00+00:00 736,79 733,53 738,99 732,5 1301327 733,53 738,99 732,5 736,79 1301327
2016-03-29 00:00:00+00:00 734,59 744,77 747,25 728,76 1903758 744,77 747,25 728,76 734,59 1903758
2016-03-30 00:00:00+00:00 750,1 750,53 757,88 748,74 1782427 750,53 757,88 748,74 750,1 1782427
2016-03-31 00:00:00+00:00 749,25 744,95 750,85 740,94 1718798 744,95 750,85 740,94 749,25 1718798
2016-04-01 00:00:00+00:00 738,6 749,91 750,34 737 1576745 749,91 750,34 737 738,6 1576745
При разработке реальных научных интеллектуальных приложений убедительно рекомендуется в числовых колонах в обязательном порядке указывать единицы измерения, в нашем случае это доллары США, а также делать одинаковое число знаков после запятой в колонке. В данном случае мы этого не делали, чтобы сохранить полное совпадение названий базовых шкал с оригиналом на портале Kaggle.
Отметим, что в таблице 4 приведен лишь небольшой фрагмент исходных данных, т.к. в этой таблице 1259 строк. Полностью файл исходных данных можно скачать из Эйдос-облака по прямой ссылке: http://aidos.byethost5.com/Source data applications/Applications-000295/Inp data.xlsx.
После подготовки таблицы исходных данных Inp_data.xlsx и размещения ее в папке для исходных данных: c:\Aidos-X\AID_DATA\Inp_data запустим режим 2.3.2.2 системы «Эйдос» (рисунок 1), представляющий собой автоматизированный программный интерфейс (API) с внешними числовыми и текстовыми данными табличного типа. При этом используем параметры, приведенные на рисунке 2:
23.2,2. Универсальный программной интерфейс импорта данные в систему ЭЙДОС-Х+
■ | tal
Автоматическая формализация предметной области: генерация ю1ассификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"
-Задайте параметры:—
Стандарт Х1_5-файла
Задайгетип Файла исходных данных: "lnp_data": Г XLS - MS Excel-2003
XLSX- MS Excel-2Q07(2010) С DBF - DBASE IV (DBF/NTX) Стандарт DBF-файла
С CSV - CSV => DBF конвертер Стандарт CSV-Файла
С* Нули и пробелы считать ОТСУТСТВИЕМ данных Г" Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г" Создавать БД средних по классам "1пр_с1ауг.с1ЬГ?
Требования к файлу исходных данных
-Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2 Конечный столбец классификационных шкал: Г з
Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал:: Конечный столбец описательных шкал:
—Задайте режим:—
(* Ф ормализации предметной области (на основе "1пр_с)а1а") Г1 Генерации распознаваемой выборки (на основе "1пр_га$р")
—Задайте способ выбора размера интервалов:
Г4 Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров формирования сценариев или способа интерпретации текстовых полей "1пр_с1а1а": С Не применять сценарный метод АСК-анализа • Применить сценарный метод АСК-анализа
Параметры формирования сценариев: —Будущий период:
Прошлый период:
Глубина предыстории минимальная: Глубина предыстории максимальная:
Г
Горизонт прогнозирования минимальный: Горизонт прогнозирования максимальный:
Рассматривать отдельно точки прошлых сценариев? С Не рассматривать
С Рассматривать, но только Финальные точки £• рассматривать все точки
Рассматривать отдельно точки будущих сценариев? С Не рассматривать
Г" Рассматривать., но только Финальные точки (• Рассматривать все точки
П одробное теоретическое описание сценарного АСК-анализа с детальным численным примером
- Какие наименования ГРАДАЦИЙ числовых шкал использоваггь: Только интервальные числовые значения С Только наименования интервальных числовых значений С И интервальные числовые значения, и их наименования
(например (например (например
"1 /3-{5Э8?3. UiJiJiJiJiJiJ.. 178545.6666667}") "Минимальное")
"Минимальное: V3-{59873.0000000,178545.6666667}")
Ok
Cancel
Рисунок 2. Экранная форма управления режимом 2.3.2.2 системы «Эйдос»
Ниже приведен help сценарного АСК-анализа:
Хелп по сценарному АСК-анализу
L
Когда сценарный метод АСК-анализа не применяется, то записи Файла исходных данных "1пр_с1а[а" рассматриваются сами по себе независмо друг от друга. Если же он применяется, то как классы рассматриваются сценарии изменения значений полей классификационных шкал на заданное количество записей вперед от текущей записи (горизонт прогнозирования), а за значения Факторов принимаются сценарии изменения значений полей описательных шкал на заданное их количество назад (глубина предыстории).
Подробное теоретическое описание сценарного АСК-анализа с детальным численным примером И№5У/ини.ге5еагсЬаа>е.пеЕ/риЬНса>юп/343365Б49
Приведенная на этой экранной гиперссылка: https://www.researchgate.net/publication/343365649 является активной (действующей). По ней находится наиболее фундаментальная на данный момент опубликованная работа автора по сценарному АСК-анализу [6].
На рисунках 3 приведены экранные формы API- 2.3.2.2, отражающие последующие этапы выполнения этого режима:
С) 2.3,2,2, Параметры классификационных л описательных шкал и градаций
ЭЖ6 & -I
ПАРАМЕТРЫ ШКАЛ И ГРАДАЦИЙ С АДАПТИВНЫМИ ГРАНИЦАМИ И ПРИМЕРНО РАВНЫМ КОЛИЧЕСТВОМ HAI эЛЮДЕНИЙ ПО ГРАДАЦИЯМ *
с коррекцией ошибки округления числа наблюдений по интераалу градации при переходе к следующей градации
Характеристика БАЗОВЫХ шкал и градаций для формирования СЦЕНАРИЕВ изменения значении шкал
КЛАССИФИКАЦИОННАЯ ЖКАЛА: код: 1], наим.:" OPEN", набл.на шкалу (всего): 1257, ип/число градаций з шкале: "Р азное число событий з интерзалах"/;
1 Наим. градации: 1/3- 671.0000000, 9S0 0000000}, размер интернала= 309.0000000, расч /факт.число наблюдений на градацию: 419/419
2 Наим.градации: 2/3- 950.0000000, 1190 9600000}, размер интервала= 210.9600000, расч /факт.число наблюдений на градацию: 419/419
3 Наин.градации: 3/3- 1190.9600000, 2105 9100000}, размер интервала= 914.9500000, расч /факт.число наблюдений на градацию: 419/419 U
КЛАССИФИКАЦИОННАЯ ЖКАЛА: код; 2], наим,:" CLOSE", набл.на шкалу (зсего): 1257, гип/числс градаций з шкале; " Разное числс событий s интервалах"/1
4 Наим,градации; 1/3- 663.2600000, 973 8900000}, размер интерзала= 310.6300000, расч /факт,число наблюдений на градацию; 419/419
5 Наим, градации: 2/3- 978.£900000, 1139 1300000}, размер интерзала= 210.2400000, расч /факт.число наблюдений на градацию: 419/419
6 Наим.градацииг 3/3- 1139.1300000, 2093 0000000}, размер интерзала= 903.8700000, расч /факт.число наблюдений на градацию: 419/419
ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 1] 1.: "HIGH", набл.на шкалу (ес гго):1257, тип/число градаций :"Равное чи ело событий в интервалах"/3
1 Наим.градации: 1/3- 672.3000000, 9S6 9100000}, размер интервала= 314.6100000, расч /факт.число наблюдений на градацию: 419/419
2 Наим.градации: 2/3- 9S6.9100000, 1199 0000000}, размер интервала= 212.0900000, расч /факт.число наблюдений на градацию: 419/419
3 йаим. градации: 3/3- 1199.0000000, 2123 5469000}, размер интер£ала= 924.5469000, расч /факт.число наблюдений на градацию; 419/419
"Г
Ok_
I I i-^-l
232.2 Процесс импорта данных и:. Е-не_ине,:* БД "Inp_data е-систему "ЭЙДСС-Х+
Стации исполнения процесса
1/5: Формирование классификационных и описательных шкал и градаций на основе 6Д "1пр_йа1а"- Готово 2/5: Генерация базы событий "ЕуегЛэЙ)" на основе внешней БД "1пр_йа1а"- Готово 3/5: Доформирование классиф.и описат.шкал и градаций на основе БД "Еуег^гКО" (сценарии)- Готово 4/5: Генерация обучающей выборки на основе базы событий "ЕуегйзКО"- Готово 5/5: Переиндексация всехбаз данных нового приложения- Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Прогноз времени исполнения
Начало: 0Б:38:45 Окончание: 6:41:11
100%
Ok
Прошло: 0:02:26
Остались 0:00:00
Рисунок 3. Экранные форма программного интерфейса (API) 2.3.2.2 системы «Эйдос» с внешними данными табличного типа
Как видно из рисунка 3 весь процесс вода исходных данных в систему «Эйдос» занял 2 минуты 26 секунд.
Обратим внимание на то, что заданы адаптивные интервалы, учитывающее неравномерность распределения данных по диапазону
значений, что важно при относительно небольшом числе наблюдений. Если бы интервалы были заданы равными по величине, то в различные интервалы попало бы сильно отличающееся число наблюдений, а в некоторых интервалах их бы могло не оказаться вовсе.
Здесь же обратим внимание на то, что в таблице исходных данных (таблица 2) колонки содержать как числовые, так и текстовые значения. В шкалах текстового число числовых интервалов (диапазонов), естественно, не задается. В нашем случае в исходных данных текстовых колонок нет.
В классификационных и описательных шкалах задано 3 адаптивных числовых интервала. Как видно из рисунка 3 на каждое интервальное числовое значение приходится около 419 наблюдений.
На рисунке 4 приведен исчерпывающий Help API-2.3.2.2. В этом help объясняется принцип организации таблицы исходных данных для данного режима._
Ф Помощь по режиму 2.3.2.2 для случая Excel-файлов исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных "lnp_data.xls" в систему 'Эйдос-Х++" и Формализации предметной области.
- Данный программный интерфейс обеспечивает формализацию предметной области, т.е. анализ файла исходных данных lnp_data.xls(x]. Формирование классификационных и описательных шкал и градаций, а затем кодирование Файла исходных с их использованием.
- Файл исходных данных должен иметь имя: lnp_data.xls(x), а Файл распознаваемой выборки имя: lnp_rasp.xls(x). Файлы lnp_data.xls(x) и lnp_rasp.xls(x) должны находиться в папке ,./AIDOS-X/AID_DATA/lnp_data/. Эти Файлы имеют совершенно одинаковую структуру. -1 -я строка этого Файла должна содержать наименования колонок на любом языке, в т.ч. и русском. Эти наименования должны быть во всех колонках, при этом переносы по словам разрешены, а объединение ячеек, разрыв строки знак абзаца не допускаются. Эти наименования должны быть короткими, но понятными, т. к: они будут в выходных Формах, а к ним еще будут добавляться наименования градаций. В числовых шкалах надо обязательно указывать единицы измерения и число знаков после запятой в колонке должно бьгть одинаковое. -1 -я колонка содержит наименование объекта обучающей выборки или наименование наблюдения. Оно может быть длинным: до 255 символов.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки или одном наблюдении. В MS Excel-2003 в листе может быть до 65536 строк и до 256 колонок. В листе MS Excel-2010 и более поздних возможно до 1048576 строк и 16384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального / порядкового) или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны бьгть указаны нулями, а не пробелами.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (свойствами или Факторами) и содержат данные о признаках (т.е. значениях свойств или значениях Факторов), характеризующих объекты обучающей выборки.
- В результате работы режима Формируется Файл INR_NAME.TXT стандарта MS DOS [кириллица], в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. В каждой шкале ее градации сортируются по алфавиту, С использованием шкал и градаций кодируются исходные данные в результате чего генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал
- Распознаваемая выборка Формируется на основе Файла IN P_R AS Р аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в файле INP_RASP были пустыми. Структура файла INP_RASP должна быть такая же, как INP_DATA, т.е. они должны ПОЛНОСТЬЮ совпадать по наименованиям столбцов, но могут иметь разное количество строк с разными значениями в них.
Принцип организации таблицы исходных данных:
Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-м классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы
1-й объект обучающей выборки (1-е наблюдение) Значение шкалы Значение шкалы Значение шкапы Значение шкалы
2-й объект обучающей выборки (2-е наблюдение) Значение шкалы Значение шкалы Значение шкалы Значение шкалы
Определения основных терминов и профилактика типичных ошибок при подготовке Ехсе!-файла исходных данных
° i а ЖЯ
Помощь по режиму 2.3,2.2 для случав Excef-файлсБ исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных "lnp_data.xls(x)" в систему "Эйдос-Х++" ТЕРМИНЫ АСК-АНАЛИЗА И СИСТЕМЫ 'ЭЙДОС":
Шкала представляет собой способ Формализации предметной области. Используется числовые и текстовые шкалы, при этом текстовые могут быть номинальными и порядковыми. На номинальных шкалах есть только отношения эквивалентности и неэквивалентности, на порядковых,кроме того еще отношения "больше", "меньше", а на числовых - кроме того могут выполняться все арифметические операции. Каждый объект выборки (наблюдение] описан с одной стороны своими признаками, а с другой -принадлежностью к некоторым обобщающим категориям (классам). Такая структура описания называется онтологией или Фреймом экземпляром и является базовой для всех моделей представления знаний. В АСК-анализе и системе 'Эйдос" используется три интерпретации шкал и градаций: универсальная, статическая и динамическая:
- в универсальной интерпретации: признаки - это градации описательных шкал;
- в статической интерпретации: описательная шкала ■ это свойство, а градация (признак) - это степень выраженности этого свойства;
- в динамической интерпретации: описательная шкала - это Фактор, а градация (признак) - это значение Фактора;
- в универсальной интерпретации: классы - это градации классификационных шкал;
- в статической интерпретации: классификационная шкала - способ классификации обобщающих категорий (классов), к которым в настоящем времени по отношению к признакам относятся состояния объекта моделирования;
- в динамической интерпретации: классификационная шкала - способ классификации обобщающих категорий (классов), к которым в будущем времени по отношению к признакам относятся состояния объекта прогнозирования или управления;
ПРОФИЛАКТИКА ОШИБОК В ФАЙЛЕ ИСХОДНЫХ ДАННЫХ:
- 1-я строка Файла "lnp_data.xls(x)" должна содержать наименования колонок. Эти наименования должны быть во всех колонках, при этом переносы по словам разрешены, а объединение ячеек, разрыв строки знак абзаца и неалфавитные символы не допускаются. Эти наименования должны быть короткими, но понятными, т.к:они будут в выходных Формах, а к ним еще буаут добавляться наименования градаций. В числовых шкалах надо обязательно указывать единицы измерения. Число знаков после запятой в числовой колонке должно быть одинаковым.
- 1-я колонка содержит наименование объекта обучающей выборки или наименование наблюдения. Оно может быть длинным: до 255 символов.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального / порядкового) или числового типа (со знаками после запятой]. Чтобы текстовая шкала была порядковой, нужно чтобы при сортировке по алфавиту градации этой шкалы образовывали осмысленную последовательность от минимального значения до максимального. Например, текстовая шкала "Размер" с градациями: "очень малое", "малое", "среднее", "большое", "очень большое", будет номинальной шкалой, т.к.при сортировке по алфавиту
они расположатся в порядке: "большое", "малое", "очень большое", "очень малое", "среднее". Чтобы шкала "Размер" стала порядковой нужно в этим градациям присвоить следующие значения "1/5-очень малое", "2/5-малое", "3/5-среднее", "4/5-болыше", "5/5-очень большое".
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом], то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
Если в системе "Эйдос" в режимах 2.1,2.2 посмотреть на градации классификационных и описательных шкал, которые должны быть числовыми, то сразу будет видно., в какой Форме представлены числа: числовыми диапазонами или прямо числами. Если числовыми диапазонами, значит в Файле исходных данных в этом отношении все правильно, если же числами, то возможно в Ехсе1-Файле нужно заменить десятичные точки на запятые, а также найти и исправить нечисловые данные в числовых по смыслу колонках. Быстро найти их можно перейдя на последнюю строку Файла исходных данных и задав расчет суммы колонки. В формуле будет видно с какой строки идет расчет суммы. Если со 2-й, то значит все верно, иначе будет указана строка, в которой находится нечисловое значение.
- Система "Эйдос" работает с областью данных Файла исходных данных, которую можно выделить блоком, поставив курсор в ячейку А1, нажав Ctrl+Horne, а затем зажав клавиши Shift+СЫ нажать End. Если этот блок выходит за пределы области таблицы. Фактически занятой данными надо скопировать эту фактическую область данных в буфер обмена, создать новый лист и скопировать в него, а исходный лист удалить.
- Иногда бывает полезно сбросить все Форматирование Excel-таблицы исходных данных. Это можно сделать в MS Excel. А можно скопировать таблицу в MS Word, а потом обратно в MS Excel.
—Принцип организации таблицы исходных данных:
Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкапы
1 -й объект обучающей выборки (1-е наблюдение) Значение шкалы Значение шкалы Значение шкалы Значение шкалы
2-й объект обучающей выборки (2-е наблюдение) Значение шкалы Значение шкалы Значение шкалы Значение шкалы
- ; g§ |-
Рисунок 4. Экранные формы HELP программного интерфейса (API) 2.3.2.2
После окончания работы API-2.3.2.2 выводится экранная форма, приведенная на рисунке 5. В этой экранной форме содержится информация об обнаружении в таблице исходных данных (таблица 1) колонок без вариабельности значений. В таблице 2 эти колонки не показаны.
2.2. Классификационные и описательные шкал и градации и обучающая выборка
В результате работы API-2.3.2.2 классификационных шкал с суммарным количеством (рисунок 6, таблица 5) и 40 описательных шкалы градаций 238 (рисунок 7, таблица 6).
С использованием классификационных и описательных шкал и градаций исходные данные (таблица 2) были закодированы и в результате получена обучающая выборка (рисунок 8, таблица 7):
сформировано 10 градаций (классов) 54 с суммарным числом
2.3.2,2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х++'
О
В процессе Формализации предметной области обнаружилось 2 шкал(ы), без вариабельности градаций,т.е. у ник значения всех градаций одинаковые. Поэтому эти шкалы были проигнорированы, т.е. не были использованы для Формирования классификационных и описательных шкал и градаций:
[Щ-'УНСа^" [13] - "$р1кРас1ог"
В арианты действий:
- удалить эти шкалы из файла: "|пр_с1а1а";
- ввести в эти шкалы значения градаций;
- считать нули и пробелы значащими, а не отсутствием данных если при этом сами данные представлены не нулями и пробелами;
- ничего не делать [все равно все будет работать).
Рисунок 5. Экранная форма АР1-2.3.2.2 с информацией об обнаружении в таблице исходных данных колонок без вариабельности значений
Таблица 5 - Классификационные шкалы и градации
Код Наименование
1 0РЕ1Ч-1/3-{671.0, 980.0}
2 0РЕ1Ч-2/3-{980.0, 1191.0}
3 0РЕ1Ч-3/3-{1191.0, 2105.9}
4 С1_08Е-1/3-{668.3, 978.9}
5 С1_08Е-2/3-{978.9, 1189.1}
6 С1_08Е-3/3-{1189.1, 2098.0}
7 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-1,1,1
8 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-1,1,2
9 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-1,2,1
10 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-1,2,2
11 0РЕ1\1-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,1,1
12 0РЕ1\1-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,1,2
13 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,2,1
14 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,2,2
15 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,2,3
16 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,3,2
17 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-2,3,3
18 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-3,2,2
19 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-3,2,3
20 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-3,3,2
21 0РЕМ-риТиКЕ3-0РЕ1\1-риТиКЕ3-3,3,3
22 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-4,4,4
23 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-4,4,5
24 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-4,5,4
25 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-4,5,5
26 С1_03Е-риТиРЕ3-С1_03Е-риТиРЕ3-5,4,4
27 С1_03Е-риТиРЕ3-С1_03Е-риТиРЕ3-5,4,5
28 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-5,5,4
29 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-5,5,5
30 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-5,5,6
31 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-5,6,5
32 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-5,6,6
33 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-6,5,5
34 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-6,5,6
35 С1_03Е-риТиКЕ3-С1_03Е-риТиКЕ3-6,6,5
36 СЬ03Е-риТиРЕ3-СЬ03Е-риТиРЕ3-6,6,6
37 0РЕМ-риТиРЕ3-Р0!МТ1-0РЕМ-риТиРЕ3-Ро1п11-1/3-{671.0, 980.0}
38 0РЕЫ-риТиКЕ3-Р0!ЫТ1 -0РЕ1\1-риТиКЕ3-РотП -2/3-{980.0, 1191.0}
39 0РЕЫ-риТиКЕ3-Р0!ЫТ1 -0РЕ1\1-риТиКЕ3-РотП -3/3-{1191.0, 2105.9}
40 0РЕМ-риТиРЕ3-Р0!МТ2-0РЕЫ-риТиРЕ3-Ро1п12-1/3-{671.0, 980.0}
41 0РЕ1\1-риТиКЕ3-Р0!МТ2-0РЕМ-риТиКЕ3-Ро1^2-2/3-{980.0, 1191.0}
42 0РЕМ-риТиРЕ3-Р0!МТ2-0РЕЫ-риТиРЕ3-Ро1п12-3/3-{1191.0, 2105.9}
43 ОРЕМ-риТиКЕ3-РО!МТ3-ОРЕЫ-риТиКЕ3-РоМ3-1/3-{671.0, 980.0}
44 ОРЕМ-риТиКЕ3-РО!МТ3-ОРЕМ-риТиКЕ3-РоМ3-2/3-{980.0, 1191.0}
45 ОРЕМ-риТиКЕ3-РО!МТ3-ОРЕЫ-риТиКЕ3-РоМ3-3/3-{1191.0, 2105.9}
46 С1_03Е-риТиРЕ3-Р0!1ЧТ1-С1_03Е-риТиРЕ3-Ро1п11-1/3-{668.3, 978.9}
47 С1_03Е-риТиКЕ3-Р0!МТ1-С1_03Е-риТиКЕ3-Ро1пП-2/3-{978.9, 1189.1}
48 С1_03Е-риТиРЕ3-Р0!1ЧТ1-С1_03Е-риТиРЕ3-Ро1п11-3/3-{1189.1, 2098.0}
49 С1_03Е-риТиКЕ3-Р0!МТ2-С1_03Е-риТиКЕ3-Ро1п12-1/3-{668.3, 978.9}
50 С1_03Е-риТиРЕ3-Р0!1ЧТ2-С1_03Е-риТиРЕ3-Ро1п12-2/3-{978.9, 1189.1}
51 С1_03Е-риТиКЕ3-Р0!МТ2-С1_03Е-риТиКЕ3-Ро1п12-3/3-{1189.1, 2098.0}
52 СЬОЗЕ-риТиКЕ3-РО!ЫТ3-СЬОЗЕ-риТиКЕ3-Ро1п13-1/3-{668.3, 978.9}
53 СЬОЗЕ-риТиКЕ3-РО!ЫТ3-СЬОЗЕ-риТиКЕ3-Ро1п13-2/3-{978.9, 1189.1}
54 СЬОЗЕ-риТиКЕ3-РО!ЫТ3-СиЭЗЕ-риТиКЕ3-РоМ3-3/3-{1189.1, 2098.0}
{*) 2.1. Классификационные шкалы и градации. Текущая модель: "INFI"
X
Каа шкалы Наименование классификационной шкалы
1 0PEN
2 CL0SE
3 0PEN-FUTURE3
4 CLÜSE-FUTURE3
5 0PEN-FUTUF!E3-Point1
6 GPEN-FUTURE3-Point2
7 OPEN-FUTURE3-Point3
8 CL0SE-FÜTÜRE3-Poinl1
3 CL0SE-FUTURE3-Poinl2
10 CL0SE-FUTURE3-Poinl3
Kon градации Наименование градации классификационной шкалы
52 CL0SE-FUTURE3-Point3-1.i3-{668.2E00000, 978.8300000}
53 CL0 S E -FUTU R E 3-Point3-2/3-{378.8300000,1183.1300000}
54 CL0SЕ-FUTURЕ3-Point3-3/3-!1183.1300000. 2038.0000000}
Помощь Доб.шкалу | Доб.град.шкалы | Копир.шкалу | Копир.град.шкалы | Копир.шкалу с град. | Удал.шкалу с град. | Удал.град.шкалы Удаление и перекодирование Графики будущих сценариев
Рисунок 6. Экранная форма режима 2.1 системы «Эйдос»: классификационные шкалы и градации
i t) 2,2, Описательные шкалы и градации. Текущая мвдель: INFI" - * ■« ^ _ kdüklbll
1 Iii
1 Квд шкалы Наименование описательной шкалы II Кад градации Наименование градации описательной шкалы -
15 ADJ0PEN-PAST3 23В ADJV0LUME-PAST3-Point3-1/3-{348753.0000000.1267843.0000000}
18 ADJV0LUME-PAST3 237 ADJV0LUME-PAST3-Point3-2/3-{1287643.0000000,1673384.0000000}
17 HIGH-PAST3-Pointl 230 ADJV0LUME-PAST3-Point3-3/3-{l 673384. ÜOOOOOO, 6207027.0000000}
18 HIGH-PAST3-Point2
13 HIGH-PAST3-Point3
20 LÜW-PAS T 3-Pointl
21 LÜW-PAS T3-Point2
22 LÜW-PAS T3-Poinl3
23 V0LUME-PAST3-Poinl1
24 VOLUME-PAST3-Point2
25 VOLUME-PAST3-Poinl3
28 ADJ ÜLÜ S E -PAST3-Point1
27 ADJ CLO 5 E -PAST3-Point2
28 ADJ ÜLÜ S E -PAST3-Point3
23 ADJHIGH-PAST3-Poinl1
30 ADJHIGH-PAST3-Poinl2
31 ADJHIGH-PAST3-Poinl3
32 ADJ LQW-PAS T3-PoinH
33 ADJ LÜW-PAS T3-Point2
34 ADJ LÜW-PAS T3-Point3
35 ADJÜPEN-PAST3-Poinl1
38 ADJ0PEN-PAST3-Point2
37 ADJ0PEN-PAST3-Point3
38 ADJVÜLÜME-PAST3-Poinl1
33 ADJV0LÜME-PAST3-Poinl2
ADJVDLÜME-PAST3-Poinl3
— —
1 ■1 ■ ■j
.
Помощь Лоб. шкалу | Доб. град, шкалы | Копир, шкалу | Копир, град, шкалы | Копир, шкалу с грац. Удал, шкалу с град. Удал.граа.шкалы Перекодировать Очистить | Графики прошлых сценариев _
1
Рисунок 7. Экранная форма режима 2.2 системы «Эйдос»: описательные
шкалы и градации
Таблица 6 - Описательные шкалы и градации
Код Наименование
1 НЮН-1/3-{672.3000000, 986.9100000}
2 НЮН-2/3-{986.9100000, 1199.0000000}
3 НЮН-3/3-{1199.0000000, 2123.5469000}
4 L0W-1/3-{663.2840000, 972.2500000}
5 L0W-2/3-{972.2500000, 1181.1200000}
6 L0W-3/3-{1181.1200000, 2078.5400000}
7 V0LUME-1/3-{346753.0000000, 1267649.0000000}
8 У0Ш1МЕ-2/3-{1267649.0000000, 1679384.0000000}
9 V0LUME-3/3-{1679384.0000000, 6207027.0000000}
10 Д0Л^08Е-1/3-{668.2600000, 978.8900000}
11 Д0Л^08Е-2/3-{978.8900000, 1189.1300000}
12 Д0Л^08Е-3/3-{1189.1300000, 2098.0000000}
13 Д0иНЮН-1/3-{672.3000000, 986.9100000}
14 ДОиНЮН-2/3-{986.9100000, 1199.0000000}
15 АОиНЮН-3/3-{1199.0000000, 2123.5469000}
16 ADJL0W-1/3-{663.2840000, 972.2500000}
17 ADJL0W-2/3-{972.2500000, 1181.1200000}
18 ADJL0W-3/3-{1181.1200000, 2078.5400000}
19 ADJ0PEN-1/3-{671.0000000, 980.0000000}
20 ADJ0PEN-2/3-{980.0000000, 1190.9600000}
21 ADJ0PEN-3/3-{1190.9600000, 2105.9100000}
22 ADJV0LUME-1/3-{346753.0000000, 1267649.0000000}
23 ADJV0LUME-2/3-{1267649.0000000, 1679384.0000000}
24 ADJV0LUME-3/3-{1679384.0000000, 6207027.0000000}
25 H!GH-PДST3-H!GH-PДST3-01,01,01
26 H!GH-PДST3-H!GH-PДST3-01,01,02
27 H!GH-PДST3-H!GH-PДST3-01,02,01
28 НЮН-РД3Т3-НЮН-РД3Т3-01,02,02
29 H!GH-PДST3-H!GH-PДST3-02,01,01
30 НЮН-РД3Т3-НЮН-РД3Т3-02,02,01
31 H!GH-PДST3-H!GH-PДST3-02,02,02
32 H!GH-PДST3-H!GH-PДST3-02,02,03
33 H!GH-PДST3-H!GH-PДST3-02,03,02
34 H!GH-PДST3-H!GH-PДST3-02,03,03
35 НЮН-РД3Т3-НЮН-РД3Т3-03,02,02
36 H!GH-PДST3-H!GH-PДST3-03,02,03
37 H!GH-PДST3-H!GH-PДST3-03,03,02
38 H!GH-PДST3-H!GH-PДST3-03,03,03
39 L0W-PДST3-L0W-PДST3-04,04,04
40 L0W-PAST3-L0W-PAST3-04,04,05
41 L0W-PДST3-L0W-PДST3-04,05,04
42 L0W-PДST3-L0W-PДST3-04,05,05
43 L0W-PДST3-L0W-PДST3-05,04,04
44 L0W-PДST3-L0W-PДST3-05,04,05
45 L0W-PДST3-L0W-PДST3-05,05,04
46 L0W-PДST3-L0W-PДST3-05,05,05
47 L0W-PДST3-L0W-PДST3-05,05,06
48 L0W-PДST3-L0W-PДST3-05,06,05
49 L0W-PДST3-L0W-PДST3-05,06,06
50 L0W-PAST3-L0W-PAST3-06,05,05
51 L0W-PДST3-L0W-PДST3-06,05,06
52 L0W-PДST3-L0W-PДST3-06,06,05
53 L0W-PДST3-L0W-PДST3-06,06,06
54 V0LUME-PДST3-V0LUME-PДST3-07,07,07
55 V0LUME-PДST3-V0LUME-PДST3-07,07,08
56 V0LUME-PДST3-V0LUME-PДST3-07,07,09
57 V0LUME-PДST3-V0LUME-PДST3-07,08,07
58 V0LUME-PДST3-V0LUME-PДST3-07,08,08
59 V0LUME-PДST3-V0LUME-PДST3-07,08,09
60 V0LUME-PAST3-V0LUME-PAST3-07,09,07
61 V0LUME-PДST3-V0LUME-PДST3-07,09,08
62 V0LUME-PДST3-V0LUME-PДST3-07,09,09
63 V0LUME-PДST3-V0LUME-PДST3-08,07,07
64 V0LUME-PДST3-V0LUME-PДST3-08,07,08
65 V0LUME-PДST3-V0LUME-PДST3-08,07,09
66 V0LUME-PДST3-V0LUME-PДST3-08,08,07
67 V0LUME-PДST3-V0LUME-PДST3-08,08,08
68 V0LUME-PДST3-V0LUME-PДST3-08,08,09
69 V0LUME-PДST3-V0LUME-PДST3-08,09,07
70 V0LUME-PAST3-V0LUME-PAST3-08,09,08
71 V0LUME-PДST3-V0LUME-PДST3-08,09,09
72 V0LUME-PДST3-V0LUME-PДST3-09,07,07
73 V0LUME-PДST3-V0LUME-PДST3-09,07,08
74 V0LUME-PДST3-V0LUME-PДST3-09,07,09
75 V0LUME-PДST3-V0LUME-PДST3-09,08,07
76 V0LUME-PДST3-V0LUME-PДST3-09,08,08
77 V0LUME-PДST3-V0LUME-PДST3-09,08,09
78 V0LUME-PДST3-V0LUME-PДST3-09,09,07
79 V0LUME-PДST3-V0LUME-PДST3-09,09,08
80 V0LUME-PAST3-V0LUME-PAST3-09,09,09
81 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-10,10,10
82 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-10,10,11
83 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-10,11,10
84 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-10,11,11
85 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-11,10,10
86 ADJCL0SE-PAST3-ADJCL0SE-PAST3-11,10,11
87 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-11,11,10
88 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-11,11,11
89 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-11,11,12
90 ДDJCL0SE-PДST3-ДDJCL0SE-PДST3-11,12,11
91 ADJCL0SE-PAST3-ADJCL0SE-PAST3-11,12,12
92 ADJCL0SE-PAST3-ADJCL0SE-PAST3-12,11,11
93 ADJCL0SE-PAST3-ADJCL0SE-PAST3-12,11,12
94 ADJCL0SE-PAST3-ADJCL0SE-PAST3-12,12,11
95 ADJCL0SE-PAST3-ADJCL0SE-PAST3-12,12,12
96 ADJHIGH-PAST3-ADJHIGH-PAST3-13,13,13
97 ADJHIGH-PAST3-ADJHIGH-PAST3-13,13,14
98 ADJHIGH-PAST3-ADJHIGH-PAST3-13,14,13
99 ADJHIGH-PAST3-ADJHIGH-PAST3-13,14,14
100 ADJHIGH-PAST3-ADJHIGH-PAST3-14,13,13
101 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,13
102 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,14
103 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,15
104 ДDJH!GH-PДST3-ДDJH!GH-PДST3-14,15,14
105 ДDJH!GH-PДST3-ДDJH!GH-PДST3-14,15,15
106 ДDJH!GH-PДST3-ДDJH!GH-PДST3-15,14,14
107 ДDJH!GH-PДST3-ДDJH!GH-PДST3-15,14,15
108 ДDJH!GH-PДST3-ДDJH!GH-PДST3-15,15,14
109 ДDJH!GH-PДST3-ДDJH!GH-PДST3-15,15,15
110 ADJL0W-PAST3-ADJL0W-PAST3-16,16,16
111 ДDJL0W-PДST3-ДDJL0W-PДST3-16,16,17
112 ДDJL0W-PДST3-ДDJL0W-PДST3-16,17,16
113 ДDJL0W-PДST3-ДDJL0W-PДST3-16,17,17
114 ДDJL0W-PДST3-ДDJL0W-PДST3-17,16,16
115 ДDJL0W-PДST3-ДDJL0W-PДST3-17,16,17
116 ДDJL0W-PДST3-ДDJL0W-PДST3-17,17,16
117 ДDJL0W-PДST3-ДDJL0W-PДST3-17,17,17
118 ДDJL0W-PДST3-ДDJL0W-PДST3-17,17,18
119 ДDJL0W-PДST3-ДDJL0W-PДST3-17,18,17
120 ADJL0W-PAST3-ADJL0W-PAST3-17,18,18
121 ДDJL0W-PДST3-ДDJL0W-PДST3-18,17,17
122 ДDJL0W-PДST3-ДDJL0W-PДST3-18,17,18
123 ДDJL0W-PДST3-ДDJL0W-PДST3-18,18,17
124 ДDJL0W-PДST3-ДDJL0W-PДST3-18,18,18
125 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-19,19,19
126 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-19,19,20
127 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-19,20,19
128 ADJ0PEN-PAST3-ADJ0PEN-PAST3-19,20,20
129 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,19,19
130 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,19,20
131 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,20,19
132 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,20,20
133 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,20,21
134 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,21,20
135 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-20,21,21
136 ADJ0PEN-PAST3-ADJ0PEN-PAST3-21,20,20
137 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-21,20,21
138 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-21,21,20
139 ДDJ0PEN-PДST3-ДDJ0PEN-PДST3-21,21,21
140 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,22,22
141 ADJV0LUME-PAST3-ADJV0LUME-PAST3-22,22,23
142 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,22,24
143 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,23,22
144 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,23,23
145 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,23,24
146 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,24,22
147 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,24,23
148 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-22,24,24
149 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,22,22
150 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,22,23
151 ADJV0LUME-PAST3-ADJV0LUME-PAST3-23,22,24
152 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,23,22
153 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,23,23
154 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,23,24
155 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,24,22
156 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,24,23
157 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-23,24,24
158 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,22,22
159 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,22,23
160 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,22,24
161 ADJV0LUME-PAST3-ADJV0LUME-PAST3-24,23,22
162 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,23,23
163 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,23,24
164 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,24,22
165 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,24,23
166 ДDJV0LUME-PДST3-ДDJV0LUME-PДST3-24,24,24
167 H!GH-PДST3-P0!NT1-H!GH-PДST3-Poiпt1-1/3-{672.3000000, 986.9100000}
168 H!GH-PДST3-P0!NT1-H!GH-PДST3-Poiпt1 -2/3-{986.9100000, 1199.0000000}
169 НЮН-РД3Т3-Р0^Т1-НЮН-РД3Т3-РотП-3/3-{1199.0000000, 2123.5469000}
170 H!GH-PДST3-P0!NT2-H!GH-PДST3-Poiпt2-1/3-{672.3000000, 986.9100000}
171 НЮН-РД3Т3-Р0^Т2-НЮН-РД3Т3-РоМ2-2/3-{986.9100000, 1199.0000000}
172 H!GH-PДST3-P0!NT2-H!GH-PДST3-Poiпt2-3/3-{1199.0000000, 2123.5469000}
173 НЮН-РД3Т3-Р0^Т3-НЮН-РД3Т3-РоМ3-1/3-{672.3000000, 986.9100000}
174 H!GH-PДST3-P0!NT3-H!GH-PДST3-Poiпt3-2/3-{986.9100000, 1199.0000000}
175 НЮН-РД3Т3-Р0^Т3-НЮН-РД3Т3-РоМ3-3/3-{1199.0000000, 2123.5469000}
176 L0W-PДST3-P0!NT1-L0W-PДST3-Poiпt1-1/3-{663.2840000, 972.2500000}
177 L0W-PДST3-P0!NT1-L0W-PДST3-Poiпt1-2/3-{972.2500000, 1181.1200000}
178 L0W-PAST3-P0INT1-L0W-PAST3-Point1 -3/3-{1181.1200000, 2078.5400000}
179 L0W-PДST3-P0!NT2-L0W-PДST3-Poiпt2-1/3-{663.2840000, 972.2500000}
180 L0W-PДST3-P0!NT2-L0W-PДST3-Poiпt2-2/3-{972.2500000, 1181.1200000}
181 L0W-PAST3-P0INT2-L0W-PAST3-Point2-3/3-{1181.1200000, 2078.5400000}
182 L0W-PДST3-P0!NT3-L0W-PДST3-Poiпt3-1/3-{663.2840000, 972.2500000}
183 L0W-PДST3-P0!NT3-L0W-PДST3-Poiпt3-2/3-{972.2500000, 1181.1200000}
184 L0W-PДST3-P0!NT3-L0W-PДST3-Poiпt3-3/3-{1181.1200000, 2078.5400000}
185 V0LUME-PДST3-P0!NT1-V0LUME-PДST3-Poiпt1-1/3-{346753.0000000, 1267649.0000000}
186 V0LUME-PAST3-P0INT1 -V0LUME-PAST3-Point1 -2/3-{1267649.0000000, 1679384.0000000}
187 V0LUME-PAST3-P0INT1 -V0LUME-PAST3-Point1 -3/3-{1679384.0000000, 6207027.0000000}
188 V0LUME-PAST3-P0INT2-V0LUME-PAST3-Point2-1/3-{346753.0000000, 1267649.0000000}
189 V0LUME-PAST3-P0INT2-V0LUME-PAST3-Point2-2/3-{1267649.0000000, 1679384.0000000}
190 V0LUME-PAST3-P0INT2-V0LUME-PAST3-Point2-3/3-{1679384.0000000, 6207027.0000000}
191 V0LUME-PAST3-P0INT3-V0LUME-PAST3-Point3-1/3-{346753.0000000, 1267649.0000000}
192 V0LUME-PAST3-P0INT3-V0LUME-PAST3-Point3-2/3-{1267649.0000000, 1679384.0000000}
193 V0LUME-PДST3-P0!NT3-V0LUME-PДST3-Poiпt3-3/3-{1679384.0000000, 6207027.0000000}
194 ADJCL0SE-PAST3-P0INT1-ADJCL0SE-PAST3-Point1-1/3-{668.2600000, 978.8900000}
195 ДDJCL0SE-PДST3-P0!NT1-ДDJCL0SE-PДST3-Poiпt1 -2/3-{978.8900000, 1189.1300000}
196 ДDJCL0SE-PДST3-P0!NT1-ДDJCL0SE-PДST3-Poiпt1 -3/3-{1189.1300000, 2098.0000000}
197 ADJCL0SE-PAST3-P0INT2-ADJCL0SE-PAST3-Point2-1/3-{668.2600000, 978.8900000}
198 ДDJCL0SE-PДST3-P0!NT2-ДDJCL0SE-PДST3-Poiпt2-2/3-{978.8900000, 1189.1300000}
199 ДDJCL0SE-PДST3-P0!NT2-ДDJCL0SE-PДST3-Poiпt2-3/3-{1189.1300000, 2098.0000000}
200 ДDJCL0SE-PДST3-P0!NT3-ДDJCL0SE-PДST3-Poiпt3-1/3-{668.2600000, 978.8900000}
201 ДDJCL0SE-PДST3-P0!NT3-ДDJCL0SE-PДST3-Poiпt3-2/3-{978.8900000, 1189.1300000}
202 ADJCL0SE-PAST3-P0INT3-ADJCL0SE-PAST3-Point3-3/3-{1189.1300000, 2098.0000000}
203 ДDJH!GH-PДST3-P0!NT1-ДDJH!GH-PДST3-Poiпt1-1/3-{672.3000000, 986.9100000}
204 ДDJH!GH-PДST3-P0!NT1-ДDJH!GH-PДST3-Poiпt1-2/3-{986.9100000, 1199.0000000}
205 ДDJH!GH-PДST3-P0!NT1-ДDJH!GH-PДST3-Poiпt1-3/3-{1199.0000000, 2123.5469000}
206 ДDJH!GH-PДST3-P0!NT2-ДDJH!GH-PДST3-Poiпt2-1/3-{672.3000000, 986.9100000}
207 ADJHIGH-PAST3-P0INT2-ADJHIGH-PAST3-Point2-2/3-{986.9100000, 1199.0000000}
208 ДDJH!GH-PДST3-P0!NT2-ДDJH!GH-PДST3-Poiпt2-3/3-{1199.0000000, 2123.5469000}
209 ДDJH!GH-PДST3-P0!NT3-ДDJH!GH-PДST3-Poiпt3-1/3-{672.3000000, 986.9100000}
210 ДDJH!GH-PДST3-P0!NT3-ДDJH!GH-PДST3-Poiпt3-2/3-{986.9100000, 1199.0000000}
211 ДDJH!GH-PДST3-P0!NT3-ДDJH!GH-PДST3-Poiпt3-3/3-{1199.0000000, 2123.5469000}
212 ADJL0W-PAST3-P0INT1-ADJL0W-PAST3-Point1-1/3-{663.2840000, 972.2500000}
213 ДDJL0W-PДST3-P0!NT1 -ДDJL0W-PДST3-Poiпt1 -2/3-{972.2500000, 1181.1200000}
214 ДDJL0W-PДST3-P0!NT1 -ДDJL0W-PДST3-Poiпt1 -3/3-{1181.1200000, 2078.5400000}
215 ДDJL0W-PДST3-P0!NT2-ДDJL0W-PДST3-Poiпt2-1/3-{663.2840000, 972.2500000}
216 ADJL0W-PAST3-P0INT2-ADJL0W-PAST3-Point2-2/3-{972.2500000, 1181.1200000}
217 ДDJL0W-PДST3-P0!NT2-ДDJL0W-PДST3-Poiпt2-3/3-{1181.1200000, 2078.5400000}
218 ДDJL0W-PДST3-P0!NT3-ДDJL0W-PДST3-Poiпt3-1/3-{663.2840000, 972.2500000}
219 ДDJL0W-PДST3-P0!NT3-ДDJL0W-PДST3-Poiпt3-2/3-{972.2500000, 1181.1200000}
220 ДDJL0W-PДST3-P0!NT3-ДDJL0W-PДST3-Poiпt3-3/3-{1181.1200000, 2078.5400000}
221 ADJ0PEN-PAST3-P0INT1-ADJ0PEN-PAST3-Point1-1/3-{671.0000000, 980.0000000}
222 ДDJ0PEN-PДST3-P0!NT1-ДDJ0PEN-PДST3-Poiпt1-2/3-{980.0000000, 1190.9600000}
223 ДDJ0PEN-PДST3-P0!NT1-ДDJ0PEN-PДST3-Poiпt1 -3/3-{1190.9600000, 2105.9100000}
224 ADJ0PEN-PAST3-P0INT2-ADJ0PEN-PAST3-Point2-1/3-{671.0000000, 980.0000000}
225 ДDJ0PEN-PДST3-P0!NT2-ДDJ0PEN-PДST3-Poiпt2-2/3-{980.0000000, 1190.9600000}
226 ДDJ0PEN-PДST3-P0!NT2-ДDJ0PEN-PДST3-Poiпt2-3/3-{1190.9600000, 2105.9100000}
227 ADJ0PEN-PAST3-P0INT3-ADJ0PEN-PAST3-Point3-1/3-{671.0000000, 980.0000000}
228 ДDJ0PEN-PДST3-P0!NT3-ДDJ0PEN-PДST3-Poiпt3-2/3-{980.0000000, 1190.9600000}
229 ДDJ0PEN-PДST3-P0!NT3-ДDJ0PEN-PДST3-Poiпt3-3/3-{1190.9600000, 2105.9100000}
230 ADJV0LUME-PAST3-P0INT1-ADJV0LUME-PAST3-Point1-1/3-{346753.0000000, 1267649.0000000}
231 ДDJV0LUME-PДST3-P0!NT1-ДDJV0LUME-PДST3-Poiпt1-2/3-{1267649.0000000, 1679384.0000000}
232 ADJV0LUME-PAST3-P0INT1-ADJV0LUME-PAST3-Point1-3/3-{1679384.0000000, 6207027.0000000}
233 ДDJV0LUME-PДST3-P0!NT2-ДDJV0LUME-PДST3-Poiпt2-1/3-{346753.0000000, 1267649.0000000}
234 ДDJV0LUME-PДST3-P0!NT2-ДDJV0LUME-PДST3-Poiпt2-2/3-{1267649.0000000, 1679384.0000000}
235 ДDJV0LUME-PДST3-P0!NT2-ДDJV0LUME-PДST3-Poiпt2-3/3-{1679384.0000000, 6207027.0000000}
236 ADJV0LUME-PAST3-P0INT3-ADJV0LUME-PAST3-Point3-1/3-{346753.0000000, 1267649.0000000}
237 ДDJV0LUME-PДST3-P0!NT3-ДDJV0LUME-PДST3-Poiпt3-2/3-{1267649.0000000, 1679384.0000000}
238 ДОиУО1_иМЕ-РДЗТ3-РО!МТ3-ДОиУО1_иМЕ-РДЗТ3-Ро1п13-3/3-{1679384.0000000, 6207027.0000000}
Таблица 7 - Обучающая выборка (фрагмент)
NAME 0BJ N2 N3 N4 N5 N6 N7 N8 N9 N10 N11
2016-02-16 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-17 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-18 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-19 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-02-22 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-23 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-24 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-25 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-02-26 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-02-29 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-01 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-02 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-03 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-04 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-07 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-08 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-09 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-10 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-11 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-14 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-15 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-16 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-17 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-18 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-21 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-22 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-23 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-24 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-28 00:00:00+00:00 1 4 1 4 8 10 13 16 19 23
2016-03-29 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
2016-03-30 00:00:00+00:00 1 4 1 4 9 10 13 16 19 24
Обучающая выборка (таблица 7), по сути, представляет собой нормализованные исходные данные, т.е. таблицу исходных данных (таблица 2), закодированную с помощью классификационных и описательных шкал и градаций (таблицы 5 и 6).
На рисунке 8 мы видим, что в обучающей выборке присутствуют коды градаций не только базовых классификационных и описательных шкал, но и сценарных шкал, и шкал, отражающих значения точек сценариев. Все они формируются в системе «Эйдос» автоматически по заданным параметрам непосредственно на основе исходных данных (таблица 2)._
2.3.1, Ручной ввод-корректировка обучающей выборки, Т екущая модель;
1 III
■ Код объекта | Наименование' оСгьекта Дата -
27 1 2016-03-23 00:00:00+00: 00 —
28 | 2016-03-24 00:00:00+00: 00
29 ¡2016-03-28 00:00:00+00: 00
30 2016-03-28 00:00:00+00 00
31 2016-03-30 00:00:00+00 00
32 2016-03-31 00:00:00+00 00
33 2018-04-01 00:00:00+00 00
34 I 2016-04-04 00:00:00+00: 00
35 2016-04-05 00:00:00+00: 00
36 2016-04-06 00:00:00+00 ■
37 | 2016-04-07 00:00:00+00: 00 -
* И
Н Код объекта Масс; 1 Класс 2 Класс 3 Класс 4 - Код объекта Признак 1 Признак 2 Признак 3 Признак * :| Признак 5 Признак 6 Признак 7
36 1 7 4 22 25 4 36 7 54 10 _
36 37 40 43 46 36 81 13 96 16 110 19 125
36 49 52 0 0 36 22 140 0 С 0 0 0
36 167 170 173 167 170 173 176
36 184 197 200 194 197 200 203
36 230 233 236 23 С 233 236 0
< | > Г < и Г
II Помощь | Скопировать обуч.выб. в расп. | Добавить объект | Добавить классы 1 Добавить признаки || Удалить объект 1 Удалить классы | Удалить признаки 1 Очистить БД I
- - - - — — — — — — -1]
Рисунок 8. Экранная форма режима 2.3.1 системы «Эйдос»:
обучающая выборка
Таким образом, в результате формализации предметной области созданы все необходимые и достаточные условия для выполнения следующего этапа сценарного АСК-анализа: т.е. для синтеза и верификации моделей.
2.3. Будущие и прошлые сценарии изменения значений градаций базовых шкал
Будущие сценарии изменения значений градаций базовых классификационных шкал в графическом виде можно получить кликнув по самой провой кнопке на экранной форме, приведенной на рисунке 6. Сами изображения будущих сценариев приведены на рисунке 9.
Прошлые сценарии изменения значений градаций базовых описательных шкал в графическом виде можно получить кликнув по самой провой кнопке на экранной форме, приведенной на рисунке 7. Сами изображения прошлых сценариев приведены на рисунке 10.
Все приведенные сценарии формируются по заданным в АР1-2.3.2.2 параметрам (рисунок 2) полностью автоматически. Эти сценарии являются
градациями соответствующих классификационных и описательных шкал, которые формируются также автоматически по этим параметрам (таблицы 2, 3, 5, 6). Все сценарии автоматически кодируются и учитываются в обучающей выборке (таблица 7, рисунок 8).
Рисунок 9. Будущие сценарии изменения значений градаций базовых
3
классификационных шкал
3 Не смотря на малый размер рисунков в работе они вполне читабельны при просмотре текста работы в увеличенном масштабе, например при масштабе 200% или 500%.
Рисунок 10. Прошлые сценарии изменения значений градаций базовых описательных шкал4
3. Задача 3: синтез и верификация моделей и выбор наиболее достоверной модели
3.1. Синтез и верификация статистических и системно-когнитивных моделей
Синтез и верификация статистических и системно-когнитивных моделей (СК-моделей) моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунки 1 и 11). Математические модели, на основе которых рассчитываются статистические и СК-модели, приведены в работе [10].
Обратим внимание на то, что на рисунке 9 в правом нижнем углу окна задана опция: «Расчеты проводить на графическом процессоре (GPU)». Из рисунка 11 видно, что весь процесс синтеза и верификации моделей занял 11 минут 1 секунду. Отметим, что при синтезе и верификации моделей использовался графический процессор (GPU) видеокарты. Точнее использовалось 1500 шейдерных процессоров видеокарты NVIDIA GeForce GTX 770. Для расчета 10 выходных форм по результатам распознавания использовался центральный процессор (CPU) i7. В основном время было затрачено именно на расчет выходных
4 Не смотря на малый размер рисунков в работе они вполне читабельны при просмотре текста работы в увеличенном масштабе, например при масштабе 200% или 500%. Отметим также, что автор не форматировал размеры рисунков вручную, а использовал для этого стандартные возможности ворда.
форм. На центральном процессоре (CPU) выполнение этих операций занимает значительно большее время (на некоторых задачах это происходит в десятки, сотни и даже тысячи раз дольше). Таким образом, неграфические вычисления на графических процессорах видеокарты делает возможной обработку больших объемов исходных данных за разумное время. В процессе синтеза и верификации моделей осуществляется также расчет 10 выходных форм и оценка достоверности моделей путем решения задачи идентификации объектов обучающей выборки, на что уходит более 99% времени исполнения._
3.5. Синтез V верификация йоделей
■1м <Г|1"1
— Задайте мааели для Статистические базы: f/ jl.ABS -частныС |7 2. PRC1 - частны 17 3. PRC2 - частны Системно-f? 4. INF1 • р 5. INF2-W 6. INF3 - частный ф 7. INF.4-W 8. INF5-
Э. INF6 • частный ф 10.INF7-
критерий количество встреч сочетаний: класс-признак, у объектов обуч. выборки "л критерий: усл. вероятность ¡-го признака среди признаков объектов j-ro класса i критерий: условная вероятность i-го признака у объектов ¡-го класса модели [базы знаний):
критерий: количество знаний по А.Харкевичу; вероятности из PRC1
критерий: количество знаний по АХаркевичу; вероятности из PRC2
критерий: Хи-квадрат. разности между Фактическими и ожидаемыми абс. частотами
критерий: ROI (Return On Investment); вероятности из PRC1
критерий: ROI (Return On Investment); вероятности из PRC2
критерий: разн.усл.и безус л. вероятностей; вероятности из PRC1
критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
-Параметры копирования обучающей выборки в распознаваемую: —Какие объекты обуч. выборки копировать: (• Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый N-й объект С Копировать N случайных объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку
-Текущая мацель-
с 1.ABS
Г 2. PRC1
г 3. PRC2
а 4. INF1
с 5. INF2
с 6. INF3
г 7. INF4
г 8. INF5
с Э. INF6
г 10.INF7
- ^_ояснение_по_алгоригму верификации |-
—Удалять из обуч. выборки скопированные объекты: (• Не удалять С Удалять
Подробнее |—
Измеряется внутренняя достоверн. модели
Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию Г Только синтез
г—Уменьшение размеров базы данных результатов распознавания: Rasp.dbf
Расчетный размер БД результатов распознавания Rasp.dbf равен 1000200 байт, т.е.: 0.0465754 % от МАХ-возможного, [от 2Гб]
удаляя наименее достоверные результаты распознавания: |lOOr ООООООО
Задайте,
it исходной БД Rasp.dbf
f*) 3.5. Синтез и верификация моделей -Стадии исполнения процесса-
■ I в щщ
Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 1Т: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11:'Синтез системно-когнитивных моделей: INF1-INF7 -Готово
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...
Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово
Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - Интегральный критерий: "Сумма знаний" - Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ-ГОТОВО:-...
Шаг 3-й из 11: Объединение БД DostRsp# в БД DostRasp - Готово
Шаг 3-й из 11: Печать сводной формы по результатам верификации моделей - Готово
Шаг 1 Е)-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг 11-й из 11 "Присвоение заданной модели: Infl статуса текущей" - Готово
Синтез и верификация статистических и системно-когнитивных моделей упешно завершены !!!
-Прогноз времени исполнения--
Начало: 07:48:33 Окончание: 7:59:34
100%
Прошло: 0:11:01
Осталось: 0:00:00
Рисунок 11. Экранные формы режима синтеза и верификации моделей
системы «Эйдос» (режим 3.5)
Некоторые из созданных статистических и системно-когнитивных моделей (СК-модели) приведены на рисунках 12-15.
5.5. Модель: 1 ДВ5 - .частный критерий: количество встреч сочетаний: "Класс-признак': у объектов обуч .выборка"
. I
Код 1. ОРЕМ 173 {671,0. 980.0} 2. ОРЕМ 2/3 {990.0. 1191.0}. 3. ОРЕМ 3/3 !1191.0. .2105.9} 4. С1_05Е Щ {668.3. 978.9} 5. ШЙ1 2/3 {978.9. 1189.1} 6. СЮ9Е Ш {1189.1. 2098.0} 7. ОРЕМ ритивЕЗ ОРЕМ РШиВЕЗ 1,1.1 ■8. ОРЕМ РиТиНЕЗ ОРЕМ ритиИЕЗ 1.1.2 9. ОРЕМ РиТИВЕ? ОРЕМ РитиВЕЗ № 10. ОР гитир ОРЕИ ритир 1,2,2; -
2 Н1ЙН-1Л -{672.3000000,986.9100000} 417 415 4 410 3 1
Н1 БН-2/3-{906.9100000,1199.0000000} 3 406 10 4 409 4 1
3 Н1БН-ЗЛ-{1199.0000000.2123.5469000} 10 409 6 413
4 Ш*/-1 /3-{663.2840000.972.2500000} 417 2 417 г 411 2 1
5 1_0>Л2/3-{972.2500000.1181.1200000} 3 410 6 2 408 9 1
6 L0W■3/3-{1181.1200000,2078.5400000} 6 413 9 410
7 УОШ М Е-1 Л-{346753.0000000.1267649.0000000} 160 137 122 159 139 121 155 2
8 УО Ш М Е-2Л-{1267649.0000000,1679384.0000000} 133 134 152 132 132 155 129 1
9 УОШ М Е-ЗД-{1679384.0000000.6207027.0000000} 127 147 145 128 148 143 127 1
10 ADJ 0109 Е-1 Л-{668.2600000.978.8900000} 416 3 419 410 3 1
11 АРО 0.09 Е-2/3-Й79.9900000,1199.1300000} 4 402 13 419 1
12 АР.1С1-ОЗЕ-ЗЛ-{1199.1300000.2098.0000000} 13 406 419
13 АР^КЗН-1 /3-{672.3000000,986.9100000} 417 2 415 4 410 3 1
14 А0^ЮН-2/3-{986.9100000.1189.0000000} 3 406 10 4 409 6 1
15 АШНШ-3/3-{1199.0000000,2123.5469000} 10 409 6 413
16 АРЛ-ОУ/-! Л-{663.2840000.872.2500000} 417 2 417 2 411 2 1
17 ADJ \Ш-Ж-&12.2500000.1191.1200000} 3 410 6 2 408 9 1
19 АРО Ш У/-ЗД-{1191.1200000.2078.5400000) 6 113 9 410
19 АО.ШРЕМ-1й-{671.0000000.980.0000000} 420 416 4 409 3 1
< вш у\
II-----Л
Рисунок 12. Матрица абсолютных частот: статистическая модель АВ8
(фрагмент)
Рисунок 13. Матрица условных и безусловных процентных распределений: _статистическая модель РЯС2 (фрагмент)_
{671.0. {98 ОД
980.0) 1191.01
4. ШЕЕ 5. С1_05Е Б:10105Е 7: ОРЕМ' 8. ОРЕМ 9. ОРЕМ
1/3 2/3 3/3 ШТИРЕЗ ШТиВЕ? Р1Л11ВЕЗ
{668:3. {978.9. {1189.1. ОРЕМ 0РЕЫ ОРЕМ
979.9)- 1199,1). 2098.0} ритивЕЗ ритивЕЗ ритивЕЗ
Н1БН-1Д-{672.3000000.986.9100000} Н1бН-2Л.{986.9100000,1199.0000000}
ЮУ/-2/3-{972.2500000.1181.1200000} L0W■3/3-{1181.1200000.2078.54000001
УОШ М Е-ЗД-{1679384.0000000.6207027.0000000} АОи О-ОБ Е-1 Я-{668.2600000.978.8900000} А0ЛХ09Е-2Д-{978.8900000, 1189.1 300000}
ДР>! НЮ Н-2/3-086.3100000.1199.0000000} _ АЩН1ЕН-3/3-{1199.0000000.2123.5469000}
АРЛ-ОУ/-! Л-1663.2840000.972.2500000}
АОЛ-ОМ-гЯ^. 2500000. Г
АШ 1-0 У/-3/3-{1191.1200000.2078.5400000} АОД0РЕЫ-1ЯФ71.0000000.980.0000000}
Рисунок 14. Матрица информативностей: СК-модель Г№Р1 (фрагмент)
5.5, Модель; "6. ПЧЯЗ - частный критерий: Хи-квадрат. разности между фактическими и ожидаемыми абс.частотами" ^^^^^^^^^^^^^ 1
Код Наименование описательной шкалы и градации 1. ОРЕМ 1УЗ {671.0. 980.0} 2. ОРЕМ 2/3 {980Д 1181.0} 3. ОРЕМ 3/3 {1191,0; 2105.8} 4. СШ5Е 1/3 878.8} 5. С106Е 2/3 {978,9. 1189.1). 6. С1_05Е 3/3 {1189.1. 2098,0} 7: ОРЕМ' ПЛЦРЕЗ ОРЕЫ ритиЯЕЗ 8: ОРЕМ яттЕз ОРЕМ ритийЕЗ 1.1.2 8. ОРЕМ ШШВЕЗ ОРЕМ РиТШЕЗ 1.2.1
2 Н1БН-1Л-{672.3000900.986.9100000} 154.874 -76.569 -78.757 153.062 -74.757 -78.757 149.566 2.436 о.!;;
н^н-гя-да 91 ооооо, 1199.0000000} -259.126 327.431 -68.757 -257.938 330.243 -72.757 -259.434 -0.564 -о.:
3 Н^Н-ЗЛ^Л 99.0000000.2123.5469000} -260.624 -68.119 330.694 -260.437 -72.306 334.694 -258.942 -0.561 -о.:
4 1_0\АЛ1 /3-{663.2840000,972.2500000} 154.674 -76.569 -78.757 155.062 -76.757 -78.757 150.56« 1.436 0.!
5 ЮУ/-2/3-{972.2500000,1181.1200000} -259.126 331.431 -72.757 -259.938 329.243 -69.757 -260.434 0.436 -о.:
6 Ю\*ЛЗ/3-{1 181.1200000.2078.5400000} -260.624 -72.119 334.694 -260.437 -69.306 331.694 -258.942 -0.561 -о.:
7 УОШ М Е-1 -{346753.0000000,1267648.0000000} -100.624 58.881 43.694 -101.437 60.694 42.694 -103.942 1.439 -о.:
б УО Ш М Е-2й-{12676+9.0000000,1679384.0000000} -129.126 55.431 73.243 -129.938 53.243 76.243 -131.434 0.436 -о.: В
9 УОШ М Е-ЗЛЗ-{1679384.0000000,6207027.0000000} -135.126 68.131 ее.243 -133.938 69.243 64.243 -133.434 -0.564
10 АРО СШ9Е-1 Л-{669.2600000.978.8800000} 153.874 -75.569 -78.757 157.062 -78.757 -78.757 149.566 2.436 о.: 1
11 АОЛХОЗЕ-гД-ОТЗ. 8900000,1189.1300000} -258.126 323.431 -65.757 -261.938 340.243 -78.757 -259.434 -0.564 -о.:
12 АР-Ю-ОбЕ-ЗЛ-А 189.1300000,2098.0000000} -260.624 -65.119 327.694 -260.437 -78.306 340.694 -258.942 -0.561
13 АШНШ-1 /3-{672.3000000,896.9100000} 154.874 -76.569 -78.757 153.062 -74.757 -78.757 149.566 2.436 0.!
14 А0^ЮН-2/3-{996.9100000,1198.0000000} -259.126 327.431 -68.757 -257.938 330.243 -72.757 -259.434 -0.564 -о.:
15 А0.1НКЗН-3/3-{1 19Э.0000000.2123.5469000} -260.624 -68.119 330.694 -260.437 -72.306 334.694 -258.942 -0.561 -о.:
1Б АРЛ-О»//-! Л3-{663.2840000.872.2500000} 154.874 -76.569 -78.757 155.062 -76.757 -78.757 150.566 1.436 0.41
17 АШ \Ш-Ж-&12.2500000.1181.1200000} -259.126 331.431 -72.757 -259.938 329.243 -69.757 -260.434 0.436 -о.:
18 АОО Ш ^-ЗЛ-{1181.1200000.2078.5400000} -260.624 -72.119 .334.694 -260.437 -69.306 331.694 -258.942 -0.561 -0.1:
19 АШ0РЕМ-1й-{671.0000000.880.0000000} 157.249 -78.756 -78.945 153.437 -74.945 -78.945 147.944 2.435 fl.il
•1 " Г" "►Г
11-II
Рисунок 15. Матрица хи-квадрат: СК-модель ЮТЗ (фрагмент)
Отметим, что в АСК-анализе и СК-моделях степень выраженности различных свойств объектов наблюдения рассматривается с единственной точки зрения: с точки зрения того, какое количество информации содержится в них о том, к каким обобщающим категориям (классам) будут принадлежать или не принадлежать эти объекты.
Поэтому не играет никакой роли, в каких единицах измерения измеряются те или иные свойства объектов наблюдения, а также в каких единицах измеряются результаты влияния этих свойств, натуральных, в процентах или стоимостных [4]. Это и есть решение проблемы сопоставимости в АСК-анализе и системе «Эйдос», отличающее их от других интеллектуальных технологий.
3.2. Оценка достоверности моделей
Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации объектов обучающей выборки по обобщенным образам классов и подсчета количества истинных и ложных положительных и отрицательных решений по Б-мере Ван Ризбергена, а также по критериям Ь1- Ь2-мерам проф. Е.В.Луценко, которые предложены для того, чтобы смягчить или полностью преодолеть некоторые недостатки Б-меры [11]. В режиме 3.4 системы «Эйдос» изучается достоверность каждой частной модели в соответствии с этими мерами достоверности (рисунок 16). Из рисунка 16 мы видим, что в данном интеллектуальном приложении по Б-критерию Ван Ризбергена наиболее достоверной является СК-модель Г№Р5 с интегральным критерием «Семантический резонанс знаний» (Б=0,867 при максимуме 1,000), что является неплохим результатом для моделируемой предметной области. Это подтверждает наличие и адекватное отражение в СК-модели 1№5 сильных причинно-следственных зависимостей между динамикой различных характеристик финансового рынка и курсами акций компании Гугл.
Рисунок 16. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и help данного режима
На рисунке 17 приведены:
- частотное распределения числа истинных и ложных положительных и отрицательных решений по прогнозированию курсов открытия и закрытия акций Гугл и их динамики при разных уровнях сходства и различия в СК-модели ЮТ5 по данным обучающей выборки;
- разность количества истинных и ложных положительных и отрицательных решений.
Число ТР,ТЫ,РР,РМ решений в модели: 8. 1^5, интегральный критерий - резонанс знаний
'Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос" (на примере акций компании Google)'
-100 -90 -80 -70 -60 -50 -4С -30 -20 -10 0 10 20 30 40 50 60 70 80 90 100
^ Част.распр.ур.сх.ложно-лоложительных решений: (FP) — Част.распр.ур.сх.истинно-попожительных решений: ПР) Корреляция частотных распределений TNFP, FNTP: -28.5 % Форма создана: 10.07.2021-08:34:45
Част.распр.ур.сх.ложно-отрицательных решений: (FN) Част.раслр.ур.сх.истинно-отрицательных решений: (TN) Разн.мод.уровн.сход. МАХ 4acT.pacnp.TNFP. FNTP: 59.0 % Интервал сглаживания = 17
FreqDistr000017.jpg |ё
Число (ТР-РР)/(ТР+РР)*100, (ТЫ-РМ)/(ТМ+РЫ)*100 решений в модели: 8. 1МР5, интегральный критерий - резонанс знаний
'Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос" (на примере акций компании Google)'
/ pH^F JJ 40.5 20.7 n а I Ii i г -ö ft JJy^ ff I
10 -90 -80 -70 -60 -50 -4С -30 -20 -10 -18.9 -58.6 -78.4 J 20 I 40 50 6( 7p 80 90 10(
: fTP-FP)/fTP+FP)*100 (TN-FN)/(TN+FN) 100
Рисунок 17. Частотные распределения числа истинных и ложных положительных и отрицательных решений и их разности в СК-модели 1пВ
Рисунок 17 содержит изображения частотных распределений количества истинных и ложных положительных и отрицательных решений и их разности в зависимости от уровня сходства. Из этого рисунка мы видим, что:
для положительных решений (т.е. когда уровень сходства объекта с классом положительный):
- при уровнях сходства объекта с классом от 0% до 30% количество ложных решений превосходит количество истинных решений;
- при уровнях сходства объекта с классом выше 35% количество истинных решений значительно превосходит число ложных решений.
для отрицательных решений (т.е. когда уровень сходства объекта с классом отрицательный) количество истинных решений всегда, т.е. всех уровнях сходства объекта с классом, значительно превосходит число ложных решений.
Поэтому выберем СК-модель INF5 в качестве текущей для решения большинства задач.
Отметим также, что из второго рисунка 17 видно, что при увеличении уровня сходства объекта с классом закономерно растет и доля истинных решений среди всех решений, а доля ложных решений уменьшается. Из этого можно обоснованно сделать очень важный вывод: уровень сходства объекта с классом, т.е. значение интегрального критерия, является адекватной мерой степени истинности решения. Этот вывод подтверждается на огромном количестве решенных в системе «Эйдос» задач из самых различных предметных областей.
Это означает, что в системе «Эйдос» есть достоверный внутренний критерий степени истинности решений задач, предлагаемых системой на основе созданных в ней моделей. Таким образом, система «Эйдос» не просто идентифицирует, но и оценивает достоверность идентификации, не просто прогнозирует, но и оценивает достоверность прогнозирования, не просто предлагает решение, но и оценивает эффективность этого решения, и т.д.
Таким образом, система Эйдос не только прогнозирует значения будущих параметров, но и адекватно оценивает достоверность их прогнозирования. Наличие в системе «Эйдос» внутреннего достоверного критерия достоверности прогнозирования позволяет прогнозировать наступление точки бифуркации, точки неопределенности. В точках бифуркации резко уменьшается достоверность прогнозирования и возрастает разброс точечных прогнозов с различных позиций во времени. Фактически это означает, что можно либо достоверно прогнозировать, что произойдет, либо достоверно прогнозировать, что мы не можем достоверно прогнозировать, т.е. достоверно прогнозировать точку бифуркации. Об этом есть в работе [21]: http://lc.kubagro.ru/aidos/aidos02/7.4.htm. В этой монографии 2002 года описаны результаты, полученные в 1994 году.
3.3. Задание текущей модели
В системе «Эйдос» большинство задач решается сразу для всех моделей. Однако задача идентификации (распознавания, классификации, диагностики) и задача прогнозирования решаются только в модели, заданной в качестве текущей. Это сделано потому, что эти задачи являются наиболее трудоемкими в вычислительном отношении и их решение может занимать довольно продолжительное время. Эта вычислительная сложность вязана с тем, что при решении этих задач каждый объект обучающей выборки сравнивается с каждым из классов по всем признакам. Даже при использовании графического процессора для расчетов, а это возможно в системе «Эйдос», время распознавания может быть довольно заметным при очень большом количестве объектов обучающей выборки, очень большом количестве классов и очень большом количестве признаков. А после самого решения задачи по результатам ее решения рассчитывается еще 10 выходных форм, и это делается (в текущей версии системы «Эйдос») на центральном процессоре и занимает также заметное время, которое составляет 99% времени решения этих задач. Но не рассчитывать этих выходных форм нельзя, т.к. именно в их расчете состоит смысл решения этих задач.
Поэтому зададим наиболее достоверную модель INF5 в качестве текущей. Для этого выполним режим 5.6 (рисунки 1 и 18).
С 1. ABS ■ частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки С' 2. PRC1 - частный критерий: усл. вероятность i-го признака среди признаков объектов ¡-го класса С 3. PRC2 - частный критерий: условная вероятность i-го признака у объектов ¡-го класса
Г 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 Г" 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 С 6. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами
С Э. INFG - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 С 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
В качестве текущей можно задать любую из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых в системе "ЭЙДОС-Х++" раскрыт в публикациях, размещенных по адресам: http: //lc.kubagro.ru/aidos/index. htm, http://www.twirpx.com/file/793311/
Рисунок 18. Экранные формы присвоения наиболее достоверной СК-модели INF5 статуса текущей модели
Из второй экранной формы на рисунке 18 видно, что весь процесс присвоения наиболее достоверной СК-модели INF5 статуса текущей модели занял менее половины секунды.
4. Задача 4: решение различных задач в наиболее
достоверной модели 4.1. Подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание, идентификация)
Решим задачу системной идентификации 1257 объектов наблюдения с 54 классами. Эту задачу решим в наиболее достоверной СК-модели INF5 на графическом процессоре (GPU) (рисунок 19)._
f£) 4.1.2. Пакетное распознавание, Текущая модель: "INF5"
^Стадии исполнения прй'Ц'есса^-
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "INF5": 1/11: GPU-Распознавание (идентификация) 1257 объектов распознаваемой выборки- Готово 2/11: Расчет распределений уровней сходства верно и ошиб.идент.объектов: 100.0000000%- Готово 3/11::Создание сжатых полных форм результатов распозн.по двум интегр.крит.: 100.0000000%- Готово А} 11: Создание подр.нагл.формы: "Объект-классы". Инт.крит.-корреляция: 100.0000000%- Готово 5/11 ¡.Создание подр.нагл.формы: "Объект-классы". Инт.крит.-сумма инф.: 100.0000000%- Готово ' Б/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция: 100.0000000%- Готово I 7/11::Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-сумма инф.: 100.0000000%- Готово I 8/11: Создание подробной наглядной формы: "Клас^объекты". Инт.крит.-корреляция: 100.0000000%- Готово I 9/11 ¡Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф.: 100.0000000%- Готово 10/11: Создание итоговой наглядной формы: "Класс^объекты". Инт.крит.-корреляция: 100.0000000%- Готово 11/11: Создание итоговой наглядной формы: "Класс^объекты"..Инт.крит.-сумма инф.: 100.0000000%- Готово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !
-Прогноз времени исполнения-
Н ачало: 08:31:40 О к ончан и е: 9:32:40
Рисунок 19. Экранные формы, которые отображают процесс решения задачи системной идентификации в текущей модели
Из рисунка 19 видно, что процесс идентификации занял 59 секунд.
Для самого прогнозирования использовался графический процессор (GPU), а точнее 1500 шейдерных процессоров видеокарты NVIDIA GeForce GTX 770. Для расчета 10 выходных форм по результатам прогнозирования использовался центральный процессор (CPU) i7. В основном время было затрачено именно на расчет этих выходных форм. Эти формы отражают результаты прогнозирования в различных разрезах и обобщениях:
В связи с ограниченностью объема данной работы приведем лишь одну из этих 10 выходных форм: 4.1.3.1 (рисунок 20).
Рисунок 20. Выходные формы по результатам прогнозирования
Символ «V» стоит против тех результатов идентификации, которые подтвердились на опыте, т.е. соответствуют факту.
Из рисунка 20 видно, что результаты идентификации являются отличными, естественно при учете информации из рисунка 17 о том, что достоверные прогнозы в данной модели имеют уровень сходства выше 35% по интегральному критерию «Резонанс знаний» (верхнее правое окно в экранных формах на рисунке 20), т.е., по сути, результаты с более низким уровнем сходства надо просто игнорировать.
На рисунке 20 во всех скришотах, кроме первого, включен фильтр по одной из классификационных шкал с кодами: 43, 44, 45, 52, 53, 54, отражающей значение в 3-й точке сценария: «Значение в третьей точке сценария» (см. таблицу 5).
Это и есть решение задачи, поставленной на портале Ка%%1г, только не для 30-й точки сценариев, а для 3-й.
Для получения средневзвешенных сценариев кликаем по самой правой кнопке экранной формы, приведенной на рисунке 22: «Графические диаграммы» и появившейся экранной форме задаем птичками какие формы получить и записать (рисунок 22а):_
4.1.3,1. Прогнозируемые частные и средневзвешенные сценарии
; j КД-j
Задайте графические диаграммы для Формирования и вывода—
Ломанные линии— —Полином п-й степ. Сплайны Безье
И нт. критерий:1 'Сумм. инф." (7
И нт. критерий:1 'Корреляция'1 Р
Что бдоет w
Чего не будет р
Средневзвешенные сценарии р
Р Р Р Р Р
Р Р Р Р Р
QS
Cancel
Рисунок 22а. Задание графических диаграмм по результатам распознавания
для формирования и вывода
В результате были сформированы и записаны в виде файлов следующие диаграммы (рисунок 226):
ЧАСТНЫЕ И СРЕДНЕВЗВЕШЕННЫЙ ПРОГНОЗНЫЕ СЦЕНАРИИ "ЧЕГО НЕ БУДЕТ- В МОДЕЛИ: "1^5" Распознаваемый объект: 1-2016-02-16 00:00:00+00:00. Интегральный критерий: "Сумма знаний". Ломанные линии "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
/
У ........
у
Г..........................
- - -
|
£ ютг.
Шкзла времени на период п)
ЧАСТНЫЕ И СРЕДНЕВЗВЕШЕННЫЙ ПРОГНОЗНЫЕ СЦЕНАРИИ "ЧТО БУДЕТ" В МОДЕЛИ: Распознаваемый объект: 1-2016-02-16 00:00:00+00:00. Интегральный критерий: "Резонанс знаний". Полиномы п-й степени "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
Шкала времени на период прогнозирования- 3 c:\Aidos Х\Л«5сеп-1п(Б-к Ро8 l-Poll.jpg
ЧАСТНЫЕ И СРЕДНЕВЗВЕШЕННЫЙ ПРОГНОЗНЫЕ СЦЕНАРИИ "ЧТО БУДЕТ" В МОДЕЛИ: "11^5" Распознаваемый объект: 1-2016-02-16 00:00:00+00:00. Интегральный критерий: "Резонанс знаний". Сплайны Безье "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
Рисунок 22б. Графические диаграммы по результатам распознавания
Толщина линий прогнозируемых сценариев соответствует степени сходства ситуации на момент прогнозирования с обобщенным образом класса соответствующего сценария. Средневзвешенный сценарий получен путем суммирования прогнозируемых сценариев с их весами, как описано в предыдущей главе и в работе [6].
4.2. Подзадача 4.2. Поддержка принятия решений в простейшем варианте (SWOT-анализ)
При принятии решений определяется сила и направление влияния значений факторов на принадлежность состояний объекта моделирования к тем или иным классам, соответствующим различным будущим состояниям. В простейшем варианте принятие решений это, по сути, решение задачи 8ШОТ-анализа [12]. Применительно к задаче, решаемой в данной работе,
SWOT-анализ показывает степень влияния различных значений характеристик финансового рынка на курсы открытия и закрытия акций компании Гугл и динамику этих курсов. В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи. При этом выявляется система детерминации заданного класса, т.е. система значений факторов, обуславливающих переход объекта моделирования и управления в состояние, соответствующее данному классу, а также препятствующих этому переходу. Приводится также степень влияния значений факторов на результат. На рисунках 21 приведены примеры некоторых SWOT-диаграмм, наглядно отражающих силу и направление влияния различных значений характеристик финансового рынка на курсы открытия и закрытия акций компании Гугл и на динамику этих курсов:
Рисунок 21. SWOT-диаграммы детерминации курсов открытия и закрытия акций компании Гугл и динамику этих курсов5
Экранные формы, приведенные на рисунках 20, содержат все необходимые пояснения и интуитивно понятны.
5 Не смотря на малый размер рисунков в работе они вполне читабельны при просмотре текста работы в увеличенном масштабе, например при масштабе 200% или 500%.
Отметим также, что система «Эйдос» обеспечивала решение этой задачи всегда, т.е. даже в самых ранних Б08-версиях и в реализациях системы «Эйдос» на других языках и типах компьютеров. Например, первый акт внедрения системы «Эйдос», где об этом упоминается в явном виде, датируется 1987 годом, а первый подобный расчет относится к 1981 году. Но тогда 8Ш0Т-диаграммы назывались позитивным и негативным информационными портретами классов.
у I а :-; ждав
Заведующий Краснодарским сектрйок ЩрССР.к. ф. н.
. А. Хагуров 987г.
УТВЕРЖДАЙ ¡^•Л Директор, Северо-Кавказского филиала
на^-=»'лйУс-агроресурсн", к.э.н.
Э.М.Трахов 1987г.
Настоящий акт составлен комиссией в составе: Кириченко 1*1.И. , Лязко Г.А., Самсонов Г.А., Коренец В.И., Луценко Б.В. и том, что в соответствии с договором о научно-техническом сотрудничестве между Северо-Кавказским филиалом ЗШЦ "АКУС-аграресурсы* и Краснодарским сектором Института социологических исследовании АН СССР СевероКавказским филиалом ЗНИЦ "АИУС-агроресурсы" выполнены следующие работы:
- осуществлена постановка задачи: "Обработка на ЭВМ социологических анкет Крайагропрома";
- разработаны математическая модель и программное обеспечение подсистема распознавания образов, позволяющие релатъ данную задачу
в среде персональной технологической системы ВЕГА-М;
- на профессиональной персональной ЭЗМ "Искра-226" осуществлены расчёты по задаче в объёме;
Входная информация составила Н25 анкет по 9-ти предприятиям. Выходная информация - % вида выходных форм объёмом 90 листов формата АЗ и 20 листов формата А4 содержит;
- процентное распределение ответов в разрезе по социальным типам корреспондентов;
- распределений информативноетей признаков (в битах) для распознавания социальных типов корреспондентов;
- позитивные и негативные информационные портреты 30-ти социальных типов на языке '¿12 признаков;
- обобщённая характеристика информативности признаков для зыоора такого минимального набора признаков, который содержит максимум информации о распознаваемых объектах (оптимизация анкет;=
Работы выполнены на высоком научно-методическом уровне и в срок.
От СКФ ЗШЦ "АИУС-агроресурсы":
Зав.отделом аэрокосмических и темщшуеских изысканий М,к.э.н.
Г.Самсонов -""1987г а
От ИСК АН СССР: Мл.научный сотрудник
М.М.Кириченко 7^рГ1987Г.
[¿л. научный сотрудник
¿¿г^-^ Г. А. Ляжо
Ж т
"1987г.
жкш
стор проекта 5Л1. Коренец 1987г.
Главный^о.нмруктор проекта -я-" Е.В.Луценко ГЖМЗ :-1987т .
Информация о системе значений факторов, обуславливающих переход объекта моделирования в различные будущие состояния, соответствующие классам, может быть приведена не только в диаграммах, показанных на рисунках 21, но и во многих других табличных и графических выходных формах, которые в данной работе не приводятся
только из-за ограничений на ее объем. В частности в этих формах может быть выведена значительно более полная информация (в т. ч. вообще вся имеющая в модели). Подобная подробная информация содержится в базах данных, расположенных по пути: \Aidos-
X\AID_DATA\A0000001\System\SWOTCls####Inf5.DBF, где: «####» - код класса с ведущими нулями. Эти базы открываются в MS Excel.
На рисунке 22 приведены примеры нескольких инвертированных SWOT-диаграмм (предложены автором [12]), отражающих силу и направление влияния различных характеристик финансового рынка на курсы открытия и закрытия акций компании Гугл и на динамику этих курсов.
Рисунок 22. Примеры 8Ш0Т-диаграмм, отражающих силу и направление влияния различных значений характеристик финансового рынка на курсы открытия и закрытия и динамику курсов компании Гугл6
Не смотря на малый размер рисунков в работе они вполне читабельны при просмотре текста работы в увеличенном масштабе, например при масштабе 200% или 500%.
Из инвертированных 8Ш0Т-диаграмм, приведенных на рисунке 22, видно, как влияют различные значения характеристик финансового рынка на курсы открытия и закрытия и динамику курсов компании Гугл.
Отметим, что аналогичные инвертированные 8Ш0Т-диаграммы могут быть получены для всех характеристик финансового рынка и здесь они не приводятся только из-за ограничений на объем работы. Но они могут получены любым желающим, если он скачает систему «Эйдос» с сайта ее автора и разработчика проф.Е.В.Луценко по ссылке: http://lc.kubagro.ru/aidos/ Aidos-X.htm, установит ее на своем компьютере, а затем в режиме 1.3 установит интеллектуальное облачное Эйдос-приложение №295, просчитает модели в режиме 3.5 и перейдет в режим 4.4.9.
В заключение отметим, что 8Ш0Т-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения 8Ш0Т-анализа в полном соответствии с методологией 8Ш0Т-анализа выявлено довольно много его слабых и сильных сторон.
В частности, по мнению автора, основным недостатком 8Ш0Т-анализа является необходимость привлечения экспертов как для выбора самой системы факторов, так и для и оценки силы и направления влияния этих факторов на результат.
Ясно, что эксперты это делают неформализуемым путем на основе своего опыта, интуиции и профессиональной компетенции, т.е. грубо говоря «от фонаря». Если честно, чаще всего этими экспертами являются сами авторы работ, обычно студенты, магистранты и аспиранты, которых трудно заподозрить в том, что они реально являются экспертами в какой-либо предметной области (кроме одной).
Возможности привлечения экспертов имеют свои естественные ограничения, финансовые временные, организационные и другие. Кроме того часто по различным причинам эксперты не могут или не хотят сообщать свои способы принятия решений.
Иногда даже встречаются ситуации, когда сообщение экспертом когнитологу своего подхода к принятию решений можно считать чистосердечным признанием, смягчающим наказание по определенным статьям.
Таким образом, возникает проблема проведения 8Ш0Т-анализа без привлечения экспертов. Эта проблема решается путем автоматизации путем автоматизации функций экспертов в 8Ш0Т-анализе, т.е. путем создания непосредственно на основе эмпирических данных моделей, обесчещивающих измерения силы и направления влияния факторов на результаты. Подобная технология разработана давно, ей уже более 30 лет,
но, к сожалению, единственная система, в которой это реализовано, сравнительно малоизвестна (это интеллектуальная система «Эйдос»).
4.3. Подзадача 4.2. Развитый алгоритм принятия решений
В предыдущем разделе кратко описан вариант приятия решений путем применения когнитивного автоматизированного SWOT-анализа. Однако по трем основным причинам SWOT-анализ можно рассматривать как метод принятия решений только лишь в очень упрощенной форме:
1) В SWOT-анализе рассматривается лишь одно целевое будущее состояние, а их может быть очень много. Например, эффективность фирмы можно измерять в натуральном и стоимостном выражении и по каждому из этих вариантов может быть очень много показателей (количество и качество различных видов продукции, прибыль и рентабельность и др.);
2) Неизвестно, корректно ли поставлены цели управления, т.е. достижимы ли целевые состояния одновременно, т.е. являются ли они совместимыми по системе обуславливающих значений факторов (системе детерминации), или они являются недостижимыми одновременно, альтернативными.
3) Все значения факторов, рекомендуемые в WSOT-анализе, необходимо использовать для достижения целевого состояния. Однако некоторые из них может не быть физической или финансовой возможности использовать. Что в этом случае делать не совсем понятно.
В развитом алгоритме принятия решений в интеллектуальных системах управления на основе АСК-анализа и системы «Эйдос» все эти проблемы решены. Этот алгоритм полностью реализуется средствами системы «Эйдос» и обеспечивает корректное и обоснованное принятие управленческих решений в реальных ситуациях.
Подробное пояснение данного алгоритма (который в принципе и так вполне понятен) не входит в задачи данной работы и дано в других работах автора, например [13], а также в видеозанятиях:
- в Пермском национальном университете: http s: //bigbluebutton .pstu. ru/b/w3 y-2 ir-ukd-bqn
- в Кубанском государственном университете и Кубанском государственном аграрном университете:
https://disk.yandex.ru/d/knISAD5qzV83Ng?w=1; YouTube: https://studio.youtube.com/channel/UC QF84d8SCaWxsnXnexNFzg
Развитый алгоритм принятия решений в интеллектуальных системах управления на основе АСК-анализа и системы «Эйдос» приведен на рисунке 23.
Развитый алгоритм принятия решений в адаптивных интеллектуальных системах управления на основе АСК-анализа и системы «Эйдос»
Шаг 1-й. Ставим цели управления, т.е. определяем целевые состояния объекта управления. Обычно в натуральном выражении целевые состояния - это количество и качество продукции, а в стоимостном выражении - прибыль и рентабельность. Объект управления как система, эффективность объекта управления как системное свойство, повышение уровня системности объекта управления как цель управления. Модель отражает определенный уровень технологий, поэтому целевые состояния, недостижимые в одной модели, могут быть достижимы в другой модели с большим числом классов и факторов
=еж»м доступа Иир Пе\ киЬадго ги/202б/09/рЙИ9 рЙГ 2.188 у п л
уровня^ Поли^ематичетп^сет^^
С^^Выход^^)
Рисунок 23. Развитый алгоритм принятия решений в интеллектуальных системах управления на основе АСК-анализа и системы «Эйдос»
4.4. Подзадача 4.3. Исследование моделируемой предметной области путем исследования ее модели
Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования, «переносить на него».
В системе «Эйдос» есть довольно много возможностей для такого исследования, но в данной работе из-за ограничений на ее объем мы рассмотрим лишь некоторые из них: когнитивные диаграммы классов и значений факторов, агломеративная когнитивная кластеризация классов и значений факторов, нелокальные нейроны и нейронные сети, 3d-интегральные когнитивные карты, когнитивные функции), исследование силы и направления влияния факторов и степени детерминированности классов, обуславливающими их значениями факторов.
4.4.1. Когнитивные диаграммы классов
Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 24)._
СЕМАНТИЧЕСКАЯ 2D СЕТЬ КЛАССОВ В МОДЕЛИ: "INF5"
КОНСТРУКТ КЛАССА: [1 ]-CPEri-1'J-{i)/1 .и. QBO.O) Приложение: Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Зидос" (на примере акции компании Google)
СпвсэС 1.г .и;г|' '..л.( в МАХ и МИ >р.ск Дом и в ['"'■ созшн«» *рермы 10 07
С'олг'явм различие идед1 ипэсрзип по к* прюивгэм (фаааивли фвпррав сииене петери*ааиив>
- СХОДСТ1ОЦН£С&ВОГо60»««1М КРАСНОГО цВвТа Гвиана твиасдВмчая В -р'.'Н'.'Кг 1 цв.Тр* ЛНИННГ 0Г|ЙК1*Г С1«П»кв
Рисунок 24. Когнитивная диаграмма классов, отражающая сходство/различие классов по их системе детерминации
Отметим также, что на когнитивной диаграмме, приведенной на рисунке 24, показаны количественные оценки сходства/различие рисков невозврата ссуды по связанным с ними значениям характеристик ссудополучателей. Важно, что эти результаты сравнения получены с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции. Мы ранее уже рассматривали какие проблемы возникают при привлечении экспертов. Здесь же эти проблемы вообще не возникают, т.к. система «Эйдос» формирует когнитивные диаграммы (по сути это сетевые нечеткие модели представления знаний) на основе моделей, создаваемый непосредственно на основе эмпирических данных.
В системе «Эйдос» есть возможность при необходимости управлять параметрами формирования и вывода изображения, приведенного на рисунке 24. Для этого используется диалоговое окно, приведенное на рисунке 25.
Рисунок 25. Диалоговое окно управления параметрами формирования и вывода изображения когнитивной диаграммы классов
4.4.2. Агломеративная когнитивная кластеризация классов
Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 24, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации (рисунок 26) [14]. На рисунке 27 мы видим график изменения межкластерных расстояний:
Из когнитивной диаграммы на рисунке 24 и дендрограммы когнитивной агломеративной кластеризации классов, приведенной на рисунке 29, мы видим, что определенные классы сходны по детерминирующей их системе значений характеристик финансового рынка, а другие сильно отличаются.
Из рисунков 24 и 26 мы видим также, что все классы образуют два противоположных кластера, являющихся полюсами конструкта, по системе значений обуславливающих их характеристик.
ClustCls-08.jpg И
ДЕНДРОГРАМ "Прогнозирование на финансовых рын ОРЕМ-РЦТШЕЗ-ОРЕМ-Р1ЛШЕЗ-1,2,1 9 С1_ОЗЕ-РШиЯЕЗ-С1_ОЗЕ-РЦТиЯЕЗ-5,4,5 27 ОРЕМ-риТиРЕЗ-ОРЕМ-РЦТиРЕЗ-1,1,2 8 СШ8Е-риТШЕЗ-С1_03Е-риТШЕ34,4.5 23 С1_03Е-РШШЕЗ-С1_03Е-Р11ТтЕ34,5.4 24 ОРЕЫ-1/ЗЧ671.0,980.0} 1 СЮБЕ-Ч/ЗЧббв.3,978.9) 4 ОРЕ^РЦТШЕЗ-РО1т"1-ОРЕМ-Р1ЛШЕЗ-Рот11-1/ЗЧ671.0,980.0) 37 СШЗЕ-риТиРЕЗ-Р01МТ2-СЮЗЕ-риТиРЕЗ-Ро1п12-1/ЗЧ668.3.978.9} 49 ОРЕ^иТШЕЗ-РОШТЗЮРЕМ-риТШЕЗ-Ро1ГйЗ-1/ЗЧ671.0,980.0} 43 С103Е-риТШЕЗ-Р01МТЗ-С103Е-риТШЕЗ-Рот13-1/3-{668.3,978.9) 52 ОРЕМ-РЦТиЯЕЗ-ОРЕМ-РЦТиЯЕЗ-1,1.1 7 С103Е-риТШЕЗ-С1_ОЗЕ-Р1ЛШЕЗ-4,4,4 22 ОРЕЫ-риТиРЕЗ-Р01ЫТ2ЮРЕН-Р1ГГШЕЗ-Рот12-1/ЗЧ6710. 980.0) 40 СШЗЕ-Р1ГШЯЕЗ-Р01МТ1-СЮЗЕ-риТиРЕЗ-Рот11-1/3-{668.3,978.9} 46 ОРЕМ-риТиЯЕЗ-ОРЕМ-риТиЯЕЗ-2,2.3 16 а.ОЗЕ-Р1ЛШЕЗ-С1_ОЗЕ-риТШЕЗ-5,6.5 31 С1_ОЗЕ-Р1ЯиЯЕЗ-С1-ОЗЕ-ртШЕЗ-6,6.5 35 С103Е-риТШЕЗ-СЮЗЕ-риТШЕЗ-5.5.6 30 ОРЕМ-РЦТиРЕЗ-ОРЕЫ-риТиРЕЗ-3,2,3 19 ОРЕМ-риТШЕЗ-ОРЕМ-РЦТиРЕЗ-3,3,2 20 ОРЕМ-риТШЕЗ-ОРЕМ-Р1Яи[}ЕЗ-3,2.2 18 СШЗЕ-риТиРЕЗ-СЮЗЕ-РЦТиРЕЗ-б.б.б 34 МА КОГНИТИВНОЙ КЛАСТЕРА ках с применением сценарного АСК-а □- АЦИИ КЛАССОВ В нализа и системы "Эй^ рН мор Зое" ЕЛИ: "1^5" на примере акций компании Со< ю Ф ическая система "Эйдос-Х++"
О.ОЗЕ-3/ЗЧ1189.1, 2098.0} 6 ОРЕЫ-риТиРЕЗ-РО1МТ1-ОРЕМ-риТиРЕЗ-Ро1п11-3/ЗЧ1191.0.2105.9} 39 ОРЕМ-РЦТШЕЗ-ОРЕМ-РШШЕЗ-З.З.З 21 СШЗЕ-ШТШЕЗ-СШЗЕ-ЕЦТШЕЗ-б.б.б 36 С1_ОЗЕ-Р1ЛШЕЗ-РО1МТЗ-С1_ОЗЕ-риТШЕЗ-Р0т13-3/ЗЧ1189.1.2098.0} 54 ОРЕМ-РЦГиЯЕЗ-РО1ЬГГ2-ОРЕМ-риТиРЕЗ-Р0|п12-3/ЗЧ1191.0. 2105.9} 42 С1_ОЗЕ-РЦТиРЕЗ-Р01МТ1 -С1_ОЗЕ-риТиРЕЗ-РотП-3/3-{1189.1, 2098.0} 48 0РЕМ-риТШЕЗ-Р01МТЗ-0РЕМ-РЦТШЕЗ-Р0т13-3/3-(1191.0. 2105.9) 45 С1ОЗЕ-РШШЕЗ-РО1МТ2-а.ОЗЕ-РЦТШЕЗ-Р0т12-3/ЗЧ1189.1.2098.0) 51 ОРЕМ-РЦТиНЕЗ-ОРЕМ-Р1ЯШЕЗ-2,2.1 13 С103Е-Р1ЛШЕЗ-СЮЗЕ-Р1ЛШЕЗ-5.4.4 26 ОРЕМ-Р1ЯШЕЗ-ОРЕМ-РЦТиЯЕЗ-1,2,2 10 С1_ОЗЕ-РЦТиЯЕЗ-С1_ОЗЕ-риТиРЕЗ-5,5.4 28 ОРЕМ-риТиЯЕЗ-ОРЕМ-РЦТиЯЕЗ-2,1,1 11 ОРЕМ-Р1ГГиРЕЗ-ОРЕМ-риТиЯЕЗ-2,1,2 12 СЬОЗЕ-РЦТиЯЕЗ-СШЗЕ-риТиРЕЗ-4,5.5 25 ОРЕМ-риТШЕЗ-ОРЕМ-РЦТиР!ЕЗ-2,3,3 17 СШЗЕ-риТШЕЗ-СШЗЕ-риТШЕЗ-Б.б.б 32 СШЗЕ-РЦТиРЕЗ-СЬОЗЕ-риТиРЕЗ-6,5,5 33 ОРЕМ-РЦТШЕЗ-ОРЕ1Ч-РШШЕЗ-2,3,2 16 ОРЕМ-2/ЗЧ980.0, 1191.0} 2 С1_ОЗЕ-2/ЗЧ978.9, 1189.1) 5 ОРЕМ-риТиРЕЗ-РО1МТ1-ОРЕМ-риТиРЕЗ-Ро1пП-2/ЗЧ980.0, 1191.0} 38 ОРЕН-риТШЕЗ-РО1МТ2-ОРЕМ-РШШЕЗ-Рот12-2/ЗЧ980.0, 1191.0) 41 СШЗЕ-риТиРЕЗ-Р01МТ1-СЮЗЕ-риТиРЕЗ-Ро1пП-2/ЗЧ978.9, 1189.1) 47 ОРЕМ-РЦТиНЕЗ-ОРЕМ-Р1ЛШЕЗ-2,2,2 14 С1_ОЗЕ-риТиРЕЗ-С1_ОЗЕ-РЦТиРЕЗ-5,5,5 29 СШЗЕ-РШШЕЗ-РО1МТ2-а.ОЗЕ-РЦТШЕЗ-Р0|т2-2/ЗЧ978.9. 1189.1} 50 ОРЕМ-риТШЕЗ-РОШТЗ-ОРЕМ-РЦТШЕЗ-РоМЗ-г/ЗЧЭвО.О, 1191.0) 44 СЮЗЕ-риТиЯЕЗ-Р01ЫТЗ-СШЗЕ-риТиРЕЗ-Ро1П|3-2/3-{978.9, 1189.1) 53 =Н-\- I -I ^ 1 ■ к С о
МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЯ: 22 44 67 89 111 133 156 178 200 Форма создана: 10.07.2021-13:36:26 КЛАСТЕРНАЯ ФОРМУЛА: (({Э.27)Д{8.23)Д24Д1 Д(4.3Т)Д(4ЭЛ43.52))Д(7.22).(40.46)))))))),(({(15.31).(35Д30Д1Э.20)))),((18.34).СЗ,((6.3Э)Д(^ ,47)),(14.(2Э.(50,(44.53))))))))))})
Рисунок 26. Дендрограмма когнитивной агломеративной кластеризации, отражающая сходство/различие классов по системе их детерминации
Рисунок 27. График изменения межкластерных расстояний
4.4.3. Когнитивные диаграммы значений факторов
Эти диаграммы отражают сходство/различие значений характеристик ссудополучателей по их смыслу, т.е. по содержащейся в них информации о риске невозврата ссуды.
_Эти диаграммы мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 28)
СЕМАНТИЧЕСКАЯ 2D СЕТЬ КЛАССОВ В МОДЕЛИ: "INF5"
КОНСТРУКТ КЛАССА: t1]-OPEN-1/3-{671.0, 980.0} Приложение: Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос" (на примере акций компании Google)
.__Диапазон кодзв овссог 1-54
Уровень сходетм не менее: 35% Число отображаемых классов: 9999 Способ выбор» (пассов МАХ и HIN ур.сх. Дата и время создании формы; 10.07.2021 -13:26:46
Сходство и различие менад класса и н по их признакам (града ими факторов, системе детерминации)
СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружвчие в центре линии} отражает степень сходства. ^^^^^^^^^ РАЗЛИЧИЕ таков отобргвдетсо линиями связи СИНЕГО цвета, тощина линии (приведенная в крумпкв в центре линии! отражает степень различия.
Рисунок 28. Сходство/различие характеристик ссудополучателей по их влиянию на риск невозврата ссуды
Из рисунка 28 видно, что все значения факторов образуют два крупных кластера, противоположных по их смыслу. Эти кластеры образуют полюса конструкта.
Отметим, что на когнитивной диаграмме, приведенной на рисунке 28, показаны количественные оценки сходства/различия значений факторов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе
опыта, интуиции и профессиональной компетенции. Мы ранее уже рассматривали какие проблемы возникают при привлечении экспертов. Здесь же эти проблемы вообще не возникают, т.к. система «Эйдос» формирует когнитивные диаграммы (по сути это сетевые нечеткие модели представления знаний) на основе моделей, создаваемый непосредственно на основе эмпирических данных.
Диаграмма, приведенная на рисунке 28, получена при параметрах, приведенных на рисунке 29._
(J) 4 32.2. Заданлг пр/знэкзв для стсбрзже-.^я
д
■Задание параметров отображения признаков Задайте число отображаемых признаков:
9999
Залайте MIN модуль уровня сходстве отображаемых признаков 75 Задайте способ выбора признаков для отображения:
(* Признаки с МАХ и MIN уровнями сходства Признаки с МАХ по модулю уровнем сходства
Задайте размер изображения в пикселях [не более 4К): Размер поХ: 180С1 Размер по Y: ¡1500
Ok
Cancel
Рисунок 29. Параметры отображения когнитивной диаграммы, приведенной на рисунке 28
4.4.4. Агломеративная когнитивная кластеризация значений факторов
На рисунке 30 приведена агломеративная дендрограмма когнитивной кластеризации значений факторов [14], полученная на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на рисунке 28. Из дендрограммы на рисунке 30 мы видим, что все значения факторов образуют 2 четко выраженных кластера, объединенных в полюса конструкта (показаны синими и красным цветами). Хорошо видна группировка значений характеристик финансового рынка по их смыслу, т.е. по содержащейся в них информации о курсах акций компании Гугл и их динамике. Значения факторов на полюсах конструкта факторов (рисунки 28 30) обуславливают переход объекта моделирования в состояния, соответствующие классам, представленным на полюсах конструкта классов (рисунки 24 и 26).
На рисунке 31 приведен график межкластерных расстояний значений признаков.
ДЕНДРОГРАММА КОГНИТИВНОМ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1^5" "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос" (на примере акций компании СоодЮ)
Рисунок 30. Дендрограмма агломеративной когнитивной кластеризации значений характеристик финансового рынка
Рисунок 31. График изменения межкластерных расстояний при когнитивной кластеризации значений факторов
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1^5" "Прогнозирование не финансовых рынках с применением сценарного АСК-анзлиза и системы "Эйдос" (на примере акций компании <5оод1е)"
4.4.5. Нелокальные нейроны и нелокальные нейронные сети
На рисунке 32 приведён пример нелокального нейрона, а на рисунке
33 - фрагмент одного слоя нелокальной нейронной сети [15]:_
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "INF5"
Нейрон: [1]-OPEN-1/3-{671.0,980.0}
Приложение: Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос" (на примере акций компании Google)
: 10.07.2021-14:29:41
Влияние рецепторов на актвацию/торможение нелокального нейрона, соотвествующего классу (система детерминации класса):
АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. П о ка з а^ысвя з и" с относительно й си л о й в л ия'ния выше: 0% ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. Визуализация нейрона с копами и наименованиями рецепторов
Рисунок 32. Пример нелокального нейрона, отражающего силу и направление влияния значений характеристик финансового рынка на значение курса акций компании Гугл
Рисунок 33. Один слой нелокальной нейронной сети, отражающий силу и направление значений характеристик финансового рынка на значения курса акций компании Гугл (фрагмент 15.9%))
В приведенном фрагменте слоя нейронной сети нейроны соответствуют классу (курсам открытия и закрытия, сценариям их изменения, значениям точек на сценариях), а рецепторы -характеристикам финансового рынка.
Нейроны на рисунке 33 расположены слева направо в порядке убывания модуля суммарной силы их детерминации, т.е. слева находятся результаты, наиболее жестко обусловленные действующими на них значениями факторов, а справа - менее жестко обусловленные.
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них. Поэтому в системе «Эйдос» при увеличении числа фреймов само количество баз данных не увеличивается, а увеличивается лишь их размерность.
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:
1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);
2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;
3) нейросеть является нелокальной, как сейчас говорят «полносвязной».
4.4.6. З^интегральные когнитивные карты
На рисунке 34 приведен фрагмент 3ё-интегральной когнитивной карты в СК-модели ПШ.
3ё-интегральная когнитивная карта является отображением на одном рисунке когнитивных диаграмм классов и значений факторов вверху и внизу соответственно (представлены на рисунках 24 и 28) и одного слоя нейронной сети (приведен на рисунке 33).
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОЙ КОГНИТИВНОЙ КАРТЫ В МОДЕЛИ: "1^5" Отображено: 21.61% наиболее значимых синаптических связей "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
Рисунок 34. 3ё-интегральная когнитивная карта в СК-модели INF5
4.4.7. Когнитивные функции
Вместо описания того, что представляют собой когнитивные функции, приведем help соответствующего режима системы «Эйдос» (рисунок 35) и сошлемся на работы, в которых описан этот подход [10]7.
4,5, Визуализация ^дгнитивнцх функций^
—Что такое когнитивная Функция: Визуализация прямых, обратный, позитивным, негативный, полностью и частично редуцированным когнитивным Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различным значений некоторого Фактора на перекоды объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирическим законов. Разработка содержательной научной интерпретации когнитивным Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные поргтреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всем значений Факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениям Функции] различной степенью редукции или степенью детерминации, которая отражает в графической Форме [в Форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственным зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необнодимо отметить, что на вид Функций влияния математической моделью АСК-анализа не наклвдывается никаким ограничений, в частности, они могут быть и не дифференцируемые.
Луценко Е В. Метод визуализации когнитивным Функций - новый инструмент исследования эмпирическим данным большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(67)- С. 240 - 232. - Шифр ИнФормрегистра: 0421100012\0077. , 2,688 у.п.л. - Режим доступа: http://ei.kubaqro.rij/2011 №ШП S.pdf
—Задайте нужный режим:-
Визуализации когнитивных функций
Литератур.ссылки на работы по когнитивным Функциям
Литератур.ссылки на работы по когнитивным Функциям Литератур.ссылки на работы по управлению знаниями
Рисунок 35. Help режима визуализации когнитивных функций
Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора (признаков) на переходы объекта управления в будущие состояния, соответствующие классам. Классы являются градациями классификационных шкал.
7 Подборка публикаций проф.Е.В. Луценко & C° по когнитивным функциям: http://lc.kubagro.ru/aidos/Works on cognitive functions.htm.
Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации эмпирических закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ
о
познания природы, общества и человека [10] .
Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации (обозначены белой линией); негативные, отражающие чему препятствуют система детерминации (обозначены черной линией); средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы разной толщины) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала.
Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию.
Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос".
Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые.
На рисунках 36 приведены когнитивные функции, наглядно отражающие силу и направление влияния значений (т.е. степени выраженности) различных характеристик ссудополучателей на риск невозврат полученных ими ссуд (класс).
Из когнитивных функций, приведенных на рисунке 36, хорошо видно, что зависимости между характеристиками финансового рынка и курсами акций компании Гугл и их динамикой имеют ярко выраженный и вполне очевидный и предсказуемый характер.
8 Работы проф.Е.В.Луценко & C° по выявлению, представлению и использованию знаний, логике и методологии научного познания:
http://lc.kubagro.ru/aidos/Works on identification presentation and use of knowledge.htm
Но есть и несколько интересных неожиданных моментов, требующих специальной содержательной интерпретации. Эта содержательная интерпретация является делом специалистов по финансовым рынкам и не входит в задачи данной работы.
Рисунок 36. Примеры некоторых когнитивных функций в СК-модели ЮТ5, отражающих силу и направление влияния значений характеристик финансового рынка на курсы акций компании Гугл9
4.4.8. Сила и направление влияния значений факторов на принадлежность к классам
На рисунках 12, 13, 14, 15 приведены некоторые статистические и системно-когнитивные модели, отражающие моделируемую предметную область.
Строки матриц моделей соответствуют значениям факторов, т.е. значениям характеристик ссудополучателей (градации описательных шкал).
Колонки матриц моделей соответствуют различным классам, отражающим риск невозврата ссуды (градации классификационных шкал).
Числовые значения в ячейках матриц моделей, находящихся на пересечении строк и колонок, отражают направление (знак) и силу влияния конкретной характеристики, соответствующей сроке, на конкретное значение класса - риска невозврата ссуды для ссудополучателем с такой характеристикой.
Если какая-то характеристика слабо влияет на класс риск невозврата ссуды, то в соответствующей строке матрицы модели будут малые по модулю значения разных знаков, если же влияние сильное - то и значения будут большие по модулю разных знаков.
Если какая-либо характеристика способствует определенному риску невозврат ссуды, то в соответствующей этому результату ячейке матрицы модели будут положительные значения, если же понижает - то и значения будут отрицательные.
9 Не смотря на малый размер рисунков в работе они вполне читабельны при просмотре текста работы в увеличенном масштабе, например при масштабе 200% или 500%.
Из этого следует, что суммарную силу влияния той или иной характеристики ссудополучателя на класс (т.е. ценность данного значения характеристики для решения задачи прогнозирования риска невозврата ссуды и других задач) можно количественно оценивать степенью вариабельности значений в строке матрицы модели, соответствующей этой характеристике.
Существует много мер вариабельности значений: это и среднее модулей отклонения от среднего, и дисперсия, и среднеквадратичное отклонение и другие. В АСК-анализе и системе «Эйдос» для этой цели принято использовать среднеквадратичное отклонение. Численно оно равно стандартному отклонению и вычисляется по той же формуле, но мы предпочитаем не использовать термин «стандартное отклонение», т.к. он предполагает нормальность распределения исследуемых
последовательностей чисел, а значит и проверку соответствующих статистических гипотез.
Самая правая колонка в матрицах моделей на рисунках 12-15 содержит количественную оценку вариабельности значений строки модели (среднеквадратичное отклонение), которая и представляет собой ценность характеристики, соответствующего строке, для решения задачи прогнозирования риска невозврата ссуды и других задач, рассмотренных в данной работе.
Если рассортировать матрицу модели по этой самой правой колонке в порядке убывания, а потом просуммировать значения в ней нарастающим итогом, то получим логистическую Парето-кривую, отражающую зависимость ценности модели от числа наиболее ценных признаков в ней
(рисунок 37, таблица 8).
ParetoGrOpSc-CI8.jpg _ - - _ ^^^ дц _
£ g g е 5 Б 2 3 g i ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "1^5" "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
5.4 4 1 .4 2 .3 3 Гр ■3 4 3 50.2 60.2 7 .1 8 1 .0 100.0
объектов с этимпризнаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частых критериев, основанных на этом признаке, по классам в статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi Inf2, Inf3. Inf4. Inß. Inffi, Inf7 Иначе говоря некоторый признак является тем более значимым, чем больше он в среднем содержит информации о принадлежности обладающе-о им объекта к одним классам и не принадлежности к другим. Путь на отображаемый файл: C:\AIDOS-»AID_DATA\A0000001\SYSTEM\\ParetoG«pSc\ParetoGrOpSc-INF5.jpg 50% наиболее значимых признаков обеспечивают 94% суммарной значимости
Форма создана: 10.07.2021-15:59:36
Рисунок 37. Парето-кривая значимости градаций описательных шкал
Таблица 8 - Парето-таблица значимости градаций описательных шкал, т.е. сила влияния значений характеристик финансового рынка на курсы акций компании Гугл и их динамику в СК-модели 1ХР5
Код
знач Значи-
е- мость
ния Код Значи- нараста-
факт факто мость ющим
№ №% ора Наименование ра в % итогом
1 0,420 27 Н1ЙН-РА8Т3-Н1ЙН-РА8Т3-01,02,01 9 5,397 5,397
2 0,840 98 ADJHIGH-PAST3-ADJHIGH-PAST3-13,14,13 13 5,397 10,794
3 1,261 127 ADJOPEN-PAST3-ADJOPEN-PAST3-19,20,19 15 5,397 16,191
4 1,681 30 HIGH-PAST3-HIGH-PAST3-02,02,01 9 4,770 20,962
5 2,101 101 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,13 13 4,770 25,732
6 2,521 29 НЮН-РА5Т3-НЮН-РАБТ3-02,01,01 9 3,476 29,208
7 2,941 100 ADJHIGH-PAST3-ADJHIGH-PAST3-14,13,13 13 3,476 32,685
8 3,361 130 ADJOPEN-PAST3-ADJOPEN-PAST3-20,19,20 15 2,887 35,572
9 3,782 41 LOW-PAST3-LOW-PAST3-04,05,04 10 2,887 38,459
10 4,202 112 ADJLOW-PAST3-ADJLOW-PAST3-16,17,16 14 2,887 41,345
11 4,622 86 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,10,11 12 2,691 44,036
12 5,042 83 ADJCLOSE-PAST3-ADJCLOSE-PAST3-10,11,10 12 2,378 46,414
13 5,462 40 LOW-PAST3-LOW-PAST3-04,04,05 10 2,206 48,620
14 5,882 111 ADJLOW-PAST3-ADJLOW-PAST3-16,16,17 14 2,206 50,826
15 6,303 129 ADJOPEN-PAST3-ADJOPEN-PAST3-20,19,19 15 2,014 52,840
16 6,723 137 ADJOPEN-PAST3-ADJOPEN-PAST3-21,20,21 15 1,969 54,809
17 7,143 82 ADJCLOSE-PAST3-ADJCLOSE-PAST3-10,10,11 12 1,594 56,403
18 7,563 43 LOW-PAST3-LOW-PAST3-05,04,04 10 1,581 57,984
19 7,983 114 ADJLOW-PAST3-ADJLOW-PAST3-17,16,16 14 1,581 59,565
20 8,403 131 ADJOPEN-PAST3-ADJOPEN-PAST3-20,20,19 15 1,581 61,146
21 8,824 26 HIGH-PAST3-HIGH-PAST3-01,01,02 9 1,580 62,725
22 9,244 97 ADJHIGH-PAST3-ADJHIGH-PAST3-13,13,14 13 1,580 64,305
23 9,664 126 ADJOPEN-PAST3-ADJOPEN-PAST3-19,19,20 15 1,580 65,885
24 10,084 85 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,10,10 12 1,580 67,464
25 10,504 33 HIGH-PAST3-HIGH-PAST3-02,03,02 9 1,479 68,943
26 10,924 104 ADJHIGH-PAST3-ADJHIGH-PAST3-14,15,14 13 1,479 70,423
27 11,345 84 ADJCLOSE-PAST3-ADJCLOSE-PAST3-10,11,11 12 1,438 71,861
28 11,765 42 LOW-PAST3-LOW-PAST3-04,05,05 10 1,181 73,042
29 12,185 113 ADJLOW-PAST3-ADJLOW-PAST3-16,17,17 14 1,181 74,223
30 12,605 48 LOW-PAST3-LOW-PAST3-05,06,05 10 0,765 74,988
31 13,025 119 ADJLOW-PAST3-ADJLOW-PAST3-17,18,17 14 0,765 75,753
32 13,445 49 LOW-PAST3-LOW-PAST3-05,06,06 10 0,555 76,308
33 13,866 120 ADJLOW-PAST3-ADJLOW-PAST3-17,18,18 14 0,555 76,863
34 14,286 134 ADJOPEN-PAST3-ADJOPEN-PAST3-20,21,20 15 0,554 77,417
35 14,706 35 HIGH-PAST3-HIGH-PAST3-03,02,02 9 0,547 77,964
36 15,126 106 ADJHIGH-PAST3-ADJHIGH-PAST3-15,14,14 13 0,547 78,511
37 15,546 133 ADJOPEN-PAST3-ADJOPEN-PAST3-20,20,21 15 0,491 79,002
38 15,966 91 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,12,12 12 0,487 79,489
39 16,387 90 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,12,11 12 0,465 79,954
40 16,807 47 LOW-PAST3-LOW-PAST3-05,05,06 10 0,441 80,394
41 17,227 118 ADJLOW-PAST3-ADJLOW-PAST3-17,17,18 14 0,441 80,835
42 17,647 69 VOLUME-PAST3-VOLUME-PAST3-08,09,07 11 0,422 81,257
43 18,067 155 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,24,22 16 0,422 81,679
44 18,487 32 HIGH-PAST3-HIGH-PAST3-02,02,03 9 0,416 82,095
45 18,908 103 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,15 13 0,416 82,511
46 19,328 93 ADJCLOSE-PAST3-ADJCLOSE-PAST3-12,11,12 12 0,406 82,917
47 19,748 92 ADJCLOSE-PAST3-ADJCLOSE-PAST3-12,11,11 12 0,391 83,308
48 20,168 36 HIGH-PAST3-HIGH-PAST3-03,02,03 9 0,340 83,648
49 20,588 107 ADJHIGH-PAST3-ADJHIGH-PAST3-15,14,15 13 0,340 83,988
50 21,008 37 HIGH-PAST3-HIGH-PAST3-03,03,02 9 0,338 84,326
51 21,429 108 ADJHIGH-PAST3-ADJHIGH-PAST3-15,15,14 13 0,338 84,664
52 21,849 89 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,11,12 12 0,316 84,980
53 22,269 136 ADJOPEN-PAST3-ADJOPEN-PAST3-21,20,20 15 0,315 85,295
54 22,689 74 VOLUME-PAST3-VOLUME-PAST3-09,07,09 11 0,313 85,608
55 23,109 160 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,22,24 16 0,313 85,921
56 23,529 77 VOLUME-PAST3-VOLUME-PAST3-09,08,09 11 0,294 86,215
57 23,950 163 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,23,24 16 0,294 86,509
58 24,370 135 ADJOPEN-PAST3-ADJOPEN-PAST3-20,21,21 15 0,284 86,793
59 24,790 34 HIGH-PAST3-HIGH-PAST3-02,03,03 9 0,274 87,067
60 25,210 105 ADJHIGH-PAST3-ADJHIGH-PAST3-14,15,15 13 0,274 87,342
61 25,630 138 ADJOPEN-PAST3-ADJOPEN-PAST3-21,21,20 15 0,271 87,613
62 26,050 50 LOW-PAST3-LOW-PAST3-06,05,05 10 0,259 87,872
63 26,471 121 ADJLOW-PAST3-ADJLOW-PAST3-18,17,17 14 0,259 88,130
64 26,891 94 ADJCLOSE-PAST3-ADJCLOSE-PAST3-12,12,11 12 0,247 88,377
65 27,311 61 VOLUME-PAST3-VOLUME-PAST3-07,09,08 11 0,238 88,615
66 27,731 147 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,24,23 16 0,238 88,853
67 28,151 52 LOW-PAST3-LOW-PAST3-06,06,05 10 0,222 89,075
68 28,571 123 ADJLOW-PAST3-ADJLOW-PAST3-18,18,17 14 0,222 89,296
69 28,992 70 VOLUME-PAST3-VOLUME-PAST3-08,09,08 11 0,204 89,500
70 29,412 156 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,24,23 16 0,204 89,704
71 29,832 72 VOLUME-PAST3-VOLUME-PAST3-09,07,07 11 0,152 89,856
72 30,252 158 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,22,22 16 0,152 90,009
73 30,672 64 VOLUM E-PAST3-VO LU М E-PAST3 -08,07,08 11 0,141 90,150
74 31,092 150 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,22,23 16 0,141 90,291
75 31,513 57 VOLUM E-PAST3-VO LU М E-PAST3 -07,08,07 11 0,137 90,428
76 31,933 143 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,23,22 16 0,137 90,565
77 32,353 55 VOLUM E-PAST3-VO LU М E-PAST3 -07,07,08 11 0,125 90,690
78 32,773 141 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,22,23 16 0,125 90,814
79 33,193 59 VOLUM E-PAST3-VO LU М E-PAST3 -07,08,09 11 0,107 90,921
80 33,613 145 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,23,24 16 0,107 91,028
81 34,034 75 VOLUME-PAST3-VOLUME-PAST3-09,08,07 11 0,107 91,135
82 34,454 161 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,23,22 16 0,107 91,242
83 34,874 76 VOLUME-PAST3-VOLUME-PAST3-09,08,08 11 0,092 91,334
84 35,294 162 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,23,23 16 0,092 91,425
85 35,714 67 VOLUM E-PAST3-VO LU М E-PAST3 -08,08,08 11 0,086 91,511
86 36,134 153 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,23,23 16 0,086 91,596
87 36,555 5 ЦЭШ-2/3-{972.2500000, 1181.1200000} 2 0,081 91,677
88 36,975 17 ADJLOW-2/3-{972.2500000, 1181.1200000} 6 0,081 91,758
89 37,395 11 ADJCLOSE-2/3-{978.8900000, 1189.1300000} 4 0,081 91,839
90 37,815 201 ADJCLOSE-PAST3-POINT3-ADJCLOSE-PAST3-Point3-2/3-{978.8900000, 1189.1300000} 28 0,081 91,920
91 38,235 66 VOLUM E-PAST3-VO LU М E-PAST3 -08,08,07 11 0,080 91,999
92 38,655 152 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,23,22 16 0,080 92,079
93 39,076 46 LOW-PAST3-LOW-PAST3-05,05,05 10 0,079 92,158
94 39,496 117 ADJLOW-PAST3-ADJLOW-PAST3-17,17,17 14 0,079 92,237
95 39,916 58 VOLUM E-PAST3-VO LU М E-PAST3 -07,08,08 11 0,078 92,315
96 40,336 144 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,23,23 16 0,078 92,393
97 40,756 63 VOLUM E-PAST3-VO LU М E-PAST3 -08,07,07 11 0,078 92,472
98 41,176 149 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,22,22 16 0,078 92,550
99 41,597 2 Н1ЙН-2/3-{986.9100000, 1199.0000000} 1 0,078 92,628
100 42,017 14 ADJHIGH-2/3-{986.9100000, 1199.0000000} 5 0,078 92,705
101 42,437 174 HIGH-PAST3-POINT3-HIGH-PAST3-Point3-2/3-{986.9100000, 1199.0000000} 19 0,078 92,783
102 42,857 198 ADJCLOSE-PAST3-POINT2-ADJCLOSE-PAST3-Point2-2/3-{978.8900000, 1189.1300000} 27 0,076 92,860
103 43,277 171 HIGH-PAST3-POINT2-HIGH-PAST3-Point2-2/3-{986.9100000, 1199.0000000} 18 0,076 92,935
104 43,697 31 HIGH-PAST3-HIGH-PAST3-02,02,02 9 0,076 93,011
105 44,118 102 ADJHIGH-PAST3-ADJHIGH-PAST3-14,14,14 13 0,076 93,087
106 44,538 20 ADJOPEN-2/3-{980.0000000, 1190.9600000} 7 0,076 93,163
107 44,958 132 ADJOPEN-PAST3-ADJOPEN-PAST3-20,20,20 15 0,073 93,236
108 45,378 88 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,11,11 12 0,073 93,309
109 45,798 168 HIGH-PAST3-POINT1-HIGH-PAST3-Point1-2/3-{986.9100000, 1199.0000000} 17 0,072 93,382
110 46,218 195 ADJCLOSE-PAST3-POINT1-ADJCLOSE-PAST3-Point1-2/3-{978.8900000, 1189.1300000} 26 0,071 93,453
111 46,639 197 ADJCLOSE-PAST3-POINT2-ADJCLOSE-PAST3-Point2-1/3-{668.2600000, 978.8900000} 27 0,071 93,524
112 47,059 173 HIGH-PAST3-POINT3-HIGH-PAST3-Point3-1/3-{672.3000000, 986.9100000} 19 0,070 93,594
113 47,479 200 ADJCLOSE-PAST3-POINT3-ADJCLOSE-PAST3-Point3-1/3-{668.2600000, 978.8900000} 28 0,070 93,664
114 47,899 1 НЮН-1/3-{672.3000000, 986.9100000} 1 0,070 93,735
115 48,319 13 ADJHIGH-1/3-{672.3000000, 986.9100000} 5 0,070 93,805
116 48,739 10 ADJCLOSE-1/3-{668.2600000, 978.8900000} 4 0,070 93,875
117 49,160 19 ADJOPEN-1/3-{671.0000000, 980.0000000} 7 0,070 93,945
118 49,580 4 LOW-1/3-{663.2840000, 972.2500000} 2 0,070 94,015
119 50,000 16 ADJLOW-1/3-{663.2840000, 972.2500000} 6 0,070 94,084
120 50,420 170 HIGH-PAST3-POINT2-HIGH-PAST3-Point2-1/3-{672.3000000, 986.9100000} 18 0,069 94,153
121 50,840 39 LOW-PAST3-LOW-PAST3-04,04,04 10 0,068 94,221
122 51,261 110 ADJLOW-PAST3-ADJLOW-PAST3-16,16,16 14 0,068 94,290
123 51,681 25 НЮН-РА5Т3-НЮН-РАБТ3-01,01,01 9 0,068 94,358
124 52,101 96 ADJHIGH-PAST3-ADJHIGH-PAST3-13,13,13 13 0,068 94,426
125 52,521 194 ADJCLOSE-PAST3-POINT1-ADJCLOSE-PAST3-Point1-1/3-{668.2600000, 978.8900000} 26 0,068 94,494
126 52,941 125 ADJOPEN-PAST3-ADJOPEN-PAST3-19,19,19 15 0,068 94,561
127 53,361 167 HIGH-PAST3-POINT1-HIGH-PAST3-Point1-1/3-{672.3000000, 986.9100000} 17 0,068 94,629
128 53,782 81 ADJCLOSE-PAST3-ADJCLOSE-PAST3-10,10,10 12 0,067 94,696
129 54,202 6 LOW-3/3-{1181.1200000, 2078.5400000} 2 0,067 94,763
130 54,622 18 ADJLOW-3/3-{1181.1200000, 2078.5400000} 6 0,067 94,829
131 55,042 12 ADJCLOSE-3/3-{1189.1300000, 2098.0000000} 4 0,066 94,896
132 55,462 202 ADJCLOSE-PAST3-POINT3-ADJCLOSE-PAST3-Point3-3/3-{1189.1300000, 2098.0000000} 28 0,066 94,962
133 55,882 53 LOW-PAST3-LOW-PAST3-06,06,06 10 0,066 95,028
134 56,303 124 ADJLOW-PAST3-ADJLOW-PAST3-18,18,18 14 0,066 95,094
135 56,723 203 ADJHIGH-PAST3-POINT1-ADJHIGH-PAST3-Point1-1/3-{672.3000000, 986.9100000} 29 0,065 95,159
136 57,143 3 HIGH-3/3-{1199.0000000, 2123.5469000} 1 0,065 95,224
137 57,563 15 ADJHIGH-3/3-{1199.0000000, 2123.5469000} 5 0,065 95,289
138 57,983 175 HIGH-PAST3-POINT3-HIGH-PAST3-Point3-3/3-{1199.0000000, 2123.5469000} 19 0,065 95,354
139 58,403 176 LOW-PAST3-POINT1-LOW-PAST3-Point1-1/3-{663.2840000, 972.2500000} 20 0,064 95,418
140 58,824 95 ADJCLOSE-PAST3-ADJCLOSE-PAST3-12,12,12 12 0,064 95,482
141 59,244 172 HIGH-PAST3-POINT2-HIGH-PAST3-Point2-3/3-{1199.0000000, 2123.5469000} 18 0,064 95,546
142 59,664 38 HIGH-PAST3-HIGH-PAST3-03,03,03 9 0,064 95,610
143 60,084 109 ADJHIGH-PAST3-ADJHIGH-PAST3-15,15,15 13 0,064 95,674
144 60,504 21 ADJOPEN-3/3-{1190.9600000, 2105.9100000} 7 0,064 95,738
145 60,924 139 ADJOPEN-PAST3-ADJOPEN-PAST3-21,21,21 15 0,064 95,802
146 61,345 199 ADJCLOSE-PAST3-POINT2-ADJCLOSE-PAST3-Point2-3/3-{1189.1300000, 2098.0000000} 27 0,064 95,865
147 61,765 169 HIGH-PAST3-POINT1-HIGH-PAST3-Point1-3/3-{1199.0000000, 2123.5469000} 17 0,059 95,924
148 62,185 196 ADJCLOSE-PAST3-POINT1-ADJCLOSE-PAST3-Point1-3/3-{1189.1300000, 2098.0000000} 26 0,059 95,983
149 62,605 56 VOLUME-PAST3-VOLUME-PAST3-07,07,09 11 0,058 96,041
150 63,025 142 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,22,24 16 0,058 96,099
151 63,445 65 VOLUME-PAST3-VOLUME-PAST3-08,07,09 11 0,056 96,155
152 63,866 151 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,22,24 16 0,056 96,211
153 64,286 28 HIGH-PAST3-HIGH-PAST3-01,02,02 9 0,055 96,266
154 64,706 44 LOW-PAST3-LOW-PAST3-05,04,05 10 0,055 96,321
155 65,126 99 ADJHIGH-PAST3-ADJHIGH-PAST3-13,14,14 13 0,055 96,376
156 65,546 115 ADJLOW-PAST3-ADJLOW-PAST3-17,16,17 14 0,055 96,431
157 65,966 179 LOW-PAST3-POINT2-LOW-PAST3-Point2-1/3-{663.2840000, 972.2500000} 21 0,054 96,484
158 66,387 180 LOW-PAST3-POINT2-LOW-PAST3-Point2-2/3-{972.2500000, 1181.1200000} 21 0,054 96,538
159 66,807 181 LOW-PAST3-POINT2-LOW-PAST3-Point2-3/3-{1181.1200000, 2078.5400000} 21 0,054 96,592
160 67,227 182 LOW-PAST3-POINT3-LOW-PAST3-Point3-1/3-{663.2840000, 972.2500000} 22 0,054 96,645
161 67,647 183 LOW-PAST3-POINT3-LOW-PAST3-Point3-2/3-{972.2500000, 1181.1200000} 22 0,054 96,699
162 68,067 184 LOW-PAST3-POINT3-LOW-PAST3-Point3-3/3-{1181.1200000, 2078.5400000} 22 0,054 96,752
163 68,487 185 VOLUME-PAST3-POINT1-VOLUME-PAST3-Point1-1/3-{346753.0000000, 1267649.0000000} 23 0,054 96,806
164 68,908 186 VOLUME-PAST3-POINT1-VOLUME-PAST3-Point1-2/3-{1267649.0000000, 1679384.0000000} 23 0,054 96,860
165 69,328 187 VOLUME-PAST3-POINT1-VOLUME-PAST3-Point1-3/3-{1679384.0000000, 6207027.0000000} 23 0,054 96,913
166 69,748 188 VOLUME-PAST3-POINT2-VOLUME-PAST3-Point2-1/3-{346753.0000000, 1267649.0000000} 24 0,054 96,967
167 70,168 189 VOLUME-PAST3-POINT2-VOLUME-PAST3-Point2-2/3-{1267649.0000000, 1679384.0000000} 24 0,054 97,021
168 70,588 190 VOLUME-PAST3-POINT2-VOLUME-PAST3-Point2-3/3-{1679384.0000000, 6207027.0000000} 24 0,054 97,074
169 71,008 191 VOLUME-PAST3-POINT3-VOLUME-PAST3-Point3-1/3-{346753.0000000, 1267649.0000000} 25 0,054 97,128
170 71,429 192 VOLUME-PAST3-POINT3-VOLUME-PAST3-Point3-2/3-{1267649.0000000, 1679384.0000000} 25 0,054 97,182
171 71,849 193 VOLUME-PAST3-POINT3-VOLUME-PAST3-Point3-3/3-{1679384.0000000, 6207027.0000000} 25 0,054 97,235
172 72,269 206 ADJHIGH-PAST3-POINT2-ADJHIGH-PAST3-Point2-1/3-{672.3000000, 986.9100000} 30 0,054 97,289
173 72,689 207 ADJHIGH-PAST3-POINT2-ADJHIGH-PAST3-Point2-2/3-{986.9100000, 1199.0000000} 30 0,054 97,342
174 73,109 208 ADJHIGH-PAST3-POINT2-ADJHIGH-PAST3-Point2-3/3-{1199.0000000, 2123.5469000} 30 0,054 97,396
175 73,529 209 ADJHIGH-PAST3-POINT3-ADJHIGH-PAST3-Point3-1/3-{672.3000000, 986.9100000} 31 0,054 97,450
176 73,950 210 ADJHIGH-PAST3-POINT3-ADJHIGH-PAST3-Point3-2/3-{986.9100000, 1199.0000000} 31 0,054 97,503
177 74,370 211 ADJHIGH-PAST3-POINT3-ADJHIGH-PAST3-Point3-3/3-{1199.0000000, 2123.5469000} 31 0,054 97,557
178 74,790 212 ADJLOW-PAST3-POINT1-ADJLOW-PAST3-Point1-1/3-{663.2840000, 972.2500000} 32 0,054 97,611
179 75,210 213 ADJLOW-PAST3-POINT1-ADJLOW-PAST3-Point1-2/3-{972.2500000, 1181.1200000} 32 0,054 97,664
180 75,630 214 ADJLOW-PAST3-POINT1-ADJLOW-PAST3-Point1-3/3-{1181.1200000, 2078.5400000} 32 0,054 97,718
181 76,050 215 ADJLOW-PAST3-POINT2-ADJLOW-PAST3-Point2-1/3-{663.2840000, 972.2500000} 33 0,054 97,771
182 76,471 216 ADJLOW-PAST3-POINT2-ADJLOW-PAST3-Point2-2/3-{972.2500000, 1181.1200000} 33 0,054 97,825
183 76,891 217 ADJLOW-PAST3-POINT2-ADJLOW-PAST3-Point2-3/3-{1181.1200000, 2078.5400000} 33 0,054 97,879
184 77,311 218 ADJLOW-PAST3-POINT3-ADJLOW-PAST3-Point3-1/3-{663.2840000, 972.2500000} 34 0,054 97,932
185 77,731 219 ADJLOW-PAST3-POINT3-ADJLOW-PAST3-Point3-2/3-{972.2500000, 1181.1200000} 34 0,054 97,986
186 78,151 220 ADJLOW-PAST3-POINT3-ADJLOW-PAST3-Point3-3/3-{1181.1200000, 2078.5400000} 34 0,054 98,040
187 78,571 221 ADJOPEN-PAST3-POINT1-ADJOPEN-PAST3-Point1-1/3-{671.0000000, 980.0000000} 35 0,054 98,093
188 78,992 222 ADJOPEN-PAST3-POINT1-ADJOPEN-PAST3-Point1-2/3-{980.0000000, 1190.9600000} 35 0,054 98,147
189 79,412 223 ADJOPEN-PAST3-POINT1-ADJOPEN-PAST3-Point1-3/3-{1190.9600000, 2105.9100000} 35 0,054 98,201
190 79,832 224 ADJOPEN-PAST3-POINT2-ADJOPEN-PAST3-Point2-1/3-{671.0000000, 980.0000000} 36 0,054 98,254
191 80,252 225 ADJOPEN-PAST3-POINT2-ADJOPEN-PAST3-Point2-2/3-{980.0000000, 1190.9600000} 36 0,054 98,308
192 80,672 226 ADJOPEN-PAST3-POINT2-ADJOPEN-PAST3-Point2-3/3-{1190.9600000, 2105.9100000} 36 0,054 98,361
193 81,092 227 ADJOPEN-PAST3-POINT3-ADJOPEN-PAST3-Point3-1/3-{671.0000000, 980.0000000} 37 0,054 98,415
194 81,513 228 ADJOPEN-PAST3-POINT3-ADJOPEN-PAST3-Point3-2/3-{980.0000000, 1190.9600000} 37 0,054 98,469
195 81,933 229 ADJOPEN-PAST3-POINT3-ADJOPEN-PAST3-Point3-3/3-{1190.9600000, 2105.9100000} 37 0,054 98,522
196 82,353 51 LOW-PAST3-LOW-PAST3-06,05,06 10 0,052 98,575
197 82,773 122 ADJLOW-PAST3-ADJLOW-PAST3-18,17,18 14 0,052 98,627
198 83,193 60 VOLUME-PAST3-VOLUME-PAST3-07,09,07 11 0,052 98,679
199 83,613 146 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,24,22 16 0,052 98,730
200 84,034 68 VOLUME-PAST3-VOLUME-PAST3-08,08,09 11 0,049 98,779
201 84,454 154 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,23,24 16 0,049 98,828
202 84,874 80 VOLUME-PAST3-VOLUME-PAST3-09,09,09 11 0,047 98,875
203 85,294 166 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,24,24 16 0,047 98,922
204 85,714 79 VOLUME-PAST3-VOLUME-PAST3-09,09,08 11 0,047 98,968
205 86,134 165 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,24,23 16 0,047 99,015
206 86,555 62 VOLUME-PAST3-VOLUME-PAST3-07,09,09 11 0,043 99,057
207 86,975 148 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,24,24 16 0,043 99,100
208 87,395 54 VOLUME-PAST3-VOLUME-PAST3-07,07,07 11 0,040 99,140
209 87,815 140 ADJVOLUME-PAST3-ADJVOLUME-PAST3-22,22,22 16 0,040 99,181
210 88,235 128 ADJOPEN-PAST3-ADJOPEN-PAST3-19,20,20 15 0,039 99,220
211 88,655 177 LOW-PAST3-POINT1-LOW-PAST3-Point1-2/3-{972.2500000, 1181.1200000} 20 0,037 99,257
212 89,076 178 LOW-PAST3-POINT1-LOW-PAST3-Point1-3/3-{1181.1200000, 2078.5400000} 20 0,036 99,292
213 89,496 204 ADJHIGH-PAST3-POINT1-ADJHIGH-PAST3-Point1-2/3-{986.9100000, 1199.0000000} 29 0,036 99,328
214 89,916 8 VOLUME-2/3-{1267649.0000000, 1679384.0000000} 3 0,035 99,363
215 90,336 23 ADJVOLUME-2/3-{1267649.0000000, 1679384.0000000} 8 0,035 99,398
216 90,756 237 ADJVOLUME-PAST3-POINT3-ADJVOLUME-PAST3-Point3-2/3-{1267649.0000000, 1679384.0000000} 40 0,035 99,434
217 91,176 205 ADJHIGH-PAST3-POINT1-ADJHIGH-PAST3-Point1-3/3-{1199.0000000, 2123.5469000} 29 0,035 99,468
218 91,597 238 ADJVOLUME-PAST3-POINT3-ADJVOLUME-PAST3-Point3-3/3-{1679384.0000000, 6207027.0000000} 40 0,031 99,499
219 92,017 45 LOW-PAST3-LOW-PAST3-05,05,04 10 0,031 99,530
220 92,437 87 ADJCLOSE-PAST3-ADJCLOSE-PAST3-11,11,10 12 0,031 99,560
221 92,857 116 ADJLOW-PAST3-ADJLOW-PAST3-17,17,16 14 0,031 99,591
222 93,277 230 ADJVOLUME-PAST3-POINT1-ADJVOLUME-PAST3-Point1-1/3-{346753.0000000, 1267649.0000000} 38 0,031 99,622
223 93,697 9 VOLUME-3/3-{1679384.0000000, 6207027.0000000} 3 0,031 99,652
224 94,118 24 ADJVOLUME-3/3-{1679384.0000000, 6207027.0000000} 8 0,031 99,683
225 94,538 232 ADJVOLUME-PAST3-POINT1-ADJVOLUME-PAST3-Point1-3/3-{1679384.0000000, 6207027.0000000} 38 0,030 99,713
226 94,958 71 VOLUME-PAST3-VOLUME-PAST3-08,09,09 11 0,029 99,743
227 95,378 157 ADJVOLUME-PAST3-ADJVOLUME-PAST3-23,24,24 16 0,029 99,772
228 95,798 234 ADJVOLUME-PAST3-POINT2-ADJVOLUME-PAST3-Point2-2/3-{1267649.0000000, 1679384.0000000} 39 0,028 99,800
229 96,218 235 ADJVOLUME-PAST3-POINT2-ADJVOLUME-PAST3-Point2-3/3-{1679384.0000000, 6207027.0000000} 39 0,026 99,825
230 96,639 7 VOLUME-1/3-{346753.0000000, 1267649.0000000} 3 0,025 99,851
231 97,059 22 ADJVOLUME-1/3-{346753.0000000, 1267649.0000000} 8 0,025 99,876
232 97,479 236 ADJVOLUME-PAST3-POINT3-ADJVOLUME-PAST3-Point3-1/3-{346753.0000000, 1267649.0000000} 40 0,025 99,902
233 97,899 231 ADJVOLUME-PAST3-POINT1-ADJVOLUME-PAST3-Point1-2/3-{1267649.0000000, 1679384.0000000} 38 0,024 99,925
234 98,319 233 ADJVOLUME-PAST3-POINT2-ADJVOLUME-PAST3-Point2-1/3-{346753.0000000, 1267649.0000000} 39 0,022 99,948
235 98,739 78 VOLUME-PAST3-VOLUME-PAST3-09,09,07 11 0,017 99,965
236 99,160 164 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,24,22 16 0,017 99,982
237 99,580 73 VOLUME-PAST3-VOLUME-PAST3-09,07,08 11 0,009 99,991
238 100,000 159 ADJVOLUME-PAST3-ADJVOLUME-PAST3-24,22,23 16 0,009 100,000
Из таблицы 8 видно, что сила влияния на курсы акций наиболее сильного значения фактора в 605 раз превосходит силу влияния наиболее слабого значения фактора, что, конечно, очень существенно.
Данные, приведенные на рисунке 37 и в таблице 8, находится в ХЬ8-файлах, созданных в режиме 3.7.5. Информация об этом содержится в экранной форме на рисунке 38:
Рисунок 38. Информация о ХЬ8-файлах
Из рисунка 37 и таблицы 8 видно, что 50% наиболее ценных для решения задачи прогнозирования значений характеристик финансового рынка обеспечивают 94% суммарного влияния всех характеристик на курсы акций компании Гугл и их динамику, а 50% суммарной ценности обеспечиваются всего 6% наиболее существенных значений характеристик финансового рынка.
Обращаем внимание на то, что наиболее ценной для решения задачи прогнозирования курсов акций компании Гугл и их динамики является ШаН-РЛ8Т3-НЮН-РЛ8Т3-01,02,01, а наименее ценным - ЛО1У0ЬиМЕ-РЛ8Т3-ЛВ1У0ЬиМЕ-РЛ8Т3-24,22,23.
Из таблицы 8 видно, что наиболее сильное влияние на курсы акций компании Гугл и их динамику оказывают следующие 10 значений характеристик финансового рынка:
• НЮН-РЛ8Т3-НЮН-РЛ8Т3-01,02,01
• ЛВШЮН-РЛ8Т3-ЛВШЮН-РЛ8Т3-13,14,13
• ЛВ;0РЕК-РЛ8Т3-ЛВ;0РЕК-РЛ8Т3-19,20,19
• НЮН-РЛ8Т3-НЮН-РЛ8Т3-02,02,01
• ЛВШЮН-РЛ8Т3-ЛВШЮН-РЛ8Т3-14,14,13
• Н10Н-РЛ8Т3-НЮН-РЛ8Т3-02,01,01
• Лв;н10н-РЛ8Т3-Лв;н1ан-РЛ8Т3-14,13,13
• ЛВ;0РЕК-РЛ8Т3-ЛВ;0РЕК-РЛ8Т3-20,19,20
• L0W-PAST3-L0W-PAST3-04,05,04
а наиболее слабое - следующие 10:
• ADJV0LUME-PAST3-P0INT2-ADJV0LUME-PAST3-Point2-3/3-{ 1679384.0000000, 6207027.0000000}
• V0LUME-1/3-{346753.0000000, 1267649.0000000}
• ADJV0LUME-1/3-{346753.0000000, 1267649.0000000}
• ADJV0LUME-PAST3-P0INT3-ADJV0LUME-PAST3-Point3-1/3-{346753.0000000, 1267649.0000000}
• ADJV0LUME-PAST3-P0INT1-ADJV0LUME-PAST3-Point1-2/3-{ 1267649.0000000, 1679384.0000000}
• ADJV0LUME-PAST3-P0INT2-ADJV0LUME-PAST3-Point2-1/3-{346753.0000000, 1267649.0000000}
• V0LUME-PAST3-V0LUME-PAST3-09,09,07
• ADJV0LUME-PAST3-ADJV0LUME-PAST3-24,24,22
• V0LUME-PAST3-V0LUME-PAST3-09,07,08
• ADJV0LUME-PAST3-ADJV0LUME-PAST3-24,22,23
При этом сила влияния наиболее и наименее значимых значений факторов на классы отличается, как мы уже упоминали, в 605 раз, что очень существенно.
Ценность же не значений характеристик финансового рынка, а характеристик в целом (всей описательной шкалы или фактора), для решения этих задач можно количественно оценивать как среднее от ценности значений этого параметра (таблица 9). Это можно сделать в режиме 3.7.4 (рисунок 39):
Результаты расчета значимости описательных шкал содержатся в базах данных статистических и интеллектуальных моделей: 'Z0S_Abs.xls", 'Z0S_Prc1.xls", 'ZQS_Prc2.xls", 'ZQSJnf1.xls", 'Z0S_lnf2.xls", 'Z0S_lnf3.xls", 'Z0S_lnf4.xls", 'Z0S_lnf5.xls", 'Z0S_lnf6.xls", "Z0S_lnf7.xls" в папке текущего приложения: С:У\ЮОЗ-ХЩЮ_ОАТА^ООООООП5У5ТЕМ V
Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков. Значимость шкалы является средним значимостей ее градаций.
Значимость градации шкалы (признака) представляет собой вариабельность количества информации в этом признаке о принадлежности или не принадлежности объекта с этим признаком к различным классам, которые есть в модели.
□ к
СИЛА ВЛИЯНИЯ ХАРАКТЕРИСТИК ФИНАНСОВОГО РЫНКА НА КУРСЫ АКЦИЙ КОМПАНИИ ГУГЛ И ИХ ДИНАМИКУ
« < <
Рисунок 39. Информация о ХЬ8-файлах и сила влияния характеристик финансового рынка на прогнозирование курсов акций компании Гугл
и их динамику
Таблица 9 - Парето-таблица значимости описательных шкал, т.е. сила влияния характеристик финансового рынка на курсы акций компании Гугл и их динамику в СК-модели INF5
№ №% Код Наименование Значимость, % Значимость нараст. итогом, %
1 2,500 9 HIGH-PAST3 16,681 16,681
2 5,000 13 ADJHIGH-PAST3 16,681 33,363
3 7,500 15 ADJOPEN-PAST3 14,502 47,865
4 10,000 12 ADJCLOSE-PAST3 10,083 57,948
5 12,500 10 LOW-PAST3 8,614 66,562
6 15,000 14 ADJLOW-PAST3 8,614 75,176
7 17,500 11 VOLUME-PAST3 1,420 76,596
8 20,000 16 ADJVOLUME-PAST3 1,420 78,016
9 22,500 28 ADJCLOSE-PAST3-Point3 0,897 78,913
10 25,000 4 ADJCLOSE 0,896 79,809
11 27,500 2 LOW 0,896 80,705
12 30,000 6 ADJLOW 0,896 81,600
13 32,500 19 HIGH-PAST3-Point3 0,879 82,479
14 35,000 1 HIGH 0,878 83,357
15 37,500 5 ADJHIGH 0,878 84,235
16 40,000 27 ADJCLOSE-PAST3-Point2 0,868 85,103
17 42,500 7 ADJOPEN 0,863 85,966
18 45,000 18 HIGH-PAST3-Point2 0,860 86,826
19 47,500 17 HIGH-PAST3-Point1 0,819 87,646
20 50,000 26 ADJCLOSE-PAST3-Point1 0,816 88,462
21 52,500 21 LOW-PAST3-Point2 0,663 89,125
22 55,000 22 LOW-PAST3-Point3 0,663 89,788
23 57,500 23 VOLUME-PAST3-Point1 0,663 90,452
24 60,000 24 VOLUME-PAST3-Point2 0,663 91,115
25 62,500 25 VOLUME-PAST3-Point3 0,663 91,778
26 65,000 30 ADJHIGH-PAST3-Point2 0,663 92,442
27 67,500 31 ADJHIGH-PAST3-Point3 0,663 93,105
28 70,000 32 ADJLOW-PAST3-Point1 0,663 93,768
29 72,500 33 ADJLOW-PAST3-Point2 0,663 94,432
30 75,000 34 ADJLOW-PAST3-Point3 0,663 95,095
31 77,500 35 ADJOPEN-PAST3-Point1 0,663 95,759
32 80,000 36 ADJOPEN-PAST3-Point2 0,663 96,422
33 82,500 37 ADJOPEN-PAST3-Point3 0,663 97,085
34 85,000 20 LOW-PAST3-Point1 0,565 97,651
35 87,500 29 ADJHIGH-PAST3-Point1 0,557 98,208
36 90,000 40 ADJVOLUME-PAST3-Point3 0,377 98,585
37 92,500 3 VOLUME 0,376 98,961
38 95,000 8 ADJVOLUME 0,376 99,337
39 97,500 38 ADJVOLUME-PAST3-Point1 0,350 99,687
40 100,000 39 ADJVOLUME-PAST3-Point2 0,313 100,000
Из таблицы 9 видно, что всего 10% характеристик финансового рынка, т.е. характеристики, вместе оказывают около 58% суммарного влияния на прогнозирование курсов акций компании Гугл и их динамики, а оставшиеся 90% характеристик дают вместе лишь около 42% влияния.
При этом сила влияния наиболее и наименее значимых факторов отличается более чем в 53 раза, что очень существенно.
4.4.9. Степень детерминированности классов значениями обуславливающих их факторов
Степень детерминированности (обусловленности) класса в системе «Эйдос» количественно оценивается степенью вариабельности значений факторов (градаций описательных шкал) в колонке матрицы модели, соответствующей данному классу (рисунки 12-15).
В данной работе у нас классами являются курсы акций компании Гугл и их динамика (сценарии), а также значения точек сценариев, а значениями градаций описательных шкал - значения характеристик финансового рынка.
На рисунке 40 мы видим Парето-кривую степени детерминированности классов значениями характеристик финасового
рынка нарастающим итогом.
ParetoGrCISc-08.jpg öl
ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "1^5" "Прогнозирование на финансовых рынках с применением сценарного АСК-анализа и системы "Эйдос""
11-6 1 Э 1 .7 21.5 31.3 41 1 50.9 60.7 70.6 80.4 90.2 100.0
Степень детерминированности класса (градации классификационной шкапы! представляет собой количественную оценку суммарной силы влияния всех факторов на переход объекта моделирования в состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ сипы и направления влияния различных значений факторов по данному классу в статистических: Abs. Ргс1. Ргс2 и в системно-когнитивных: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf7 моделях. Иначе говоря степень детерминирован- Путь на отображаемый файл: C:\AIDOSP-)MID_DATA\A0000001\SYSTEM\\PaietoGrCISc\ParetoGrCISc-INF5.jpg Д Д Р У Щ У Форма создана: 10.07.2021-22:34:41
Рисунок 40. Парето-кривая степени детерминированности классов
Эта информация есть и в табличной форме (рисунок 41, таблица 10):
Сообщение об успешном завершен// операции I ш
в Отображение Парето-диаграмм классов завершено!
Результаты расчета степени детерминированности (значимости) классов содержатся в следующих базах данных, созданных на основе статистических и интеллектуальных моделей:1 Zkl_Abs.xls", 'Zkl_Prc1.xls",1 ^к1_Ргс2. к1®''Zkl_lnf1.xls", 'Zkl_lnf2.xls", 'Zkl_lnf3.xls", 'Zkl_lnf4.xls", 'Zkljnf5.xls", 'Zkljnf6.xls", 'Zkljnf7.xls" в папке текущего приложения: С: УЧО 00_ОАТД\АООООООЗ\5У5Т ЕМ V
Ути базы данных открываются в MS Excel и подготовлены для печати и получения графиков.
Степень детерменированности класса представляет собой вариабельность количества информации в всех признаках модели I о принадлежности или не принадлежности объекта с этими признаком к данному классу, т.е. это "жесткость", с которой значения Факторов обуславливают (детерминируют) переход объекта моделирования в состояние, соответствующее классу.
Ok
Рисунок 41. Информация о XLS-файлах
Таблица 10 - Парето-таблица степеней детерминированности (обусловленности) классов значениями характеристик финансового рынка
в СК-модели INF 5
№ №% Код Наименование Значимость, % Значимсть нараст. итогом, %
1 1,852 26 CLOSE-FUTURE3-CLOSE-FUTURE3-5,4,4 11,645 11,645
2 3,704 13 OPEN-FUTURE3-OPEN-FUTURE3-2,2,1 11,645 23,290
3 5,556 8 OPEN-FUTURE3-OPEN-FUTURE3-1,1,2 10,298 33,588
4 7,407 10 OPEN-FUTURE3-OPEN-FUTURE3-1,2,2 8,892 42,480
5 9,259 11 OPEN-FUTURE3-OPEN-FUTURE3-2,1,1 8,725 51,205
6 11,111 23 CLOSE-FUTURE3-CLOSE-FUTURE3-4,4,5 7,546 58,751
7 12,963 25 CLOSE-FUTURE3-CLOSE-FUTURE3-4,5,5 5,513 64,264
8 14,815 28 CLOSE-FUTURE3-CLOSE-FUTURE3-5,5,4 5,412 69,676
9 16,667 12 OPEN-FUTURE3-OPEN-FUTURE3-2,1,2 4,270 73,946
10 18,519 19 OPEN-FUTURE3-OPEN-FUTURE3-3,2,3 3,782 77,728
11 20,370 34 CLOSE-FUTURE3-CLOSE-FUTURE3-6,5,6 3,454 81,182
12 22,222 17 OPEN-FUTURE3-OPEN-FUTURE3-2,3,3 1,527 82,710
13 24,074 32 CLOSE-FUTURE3-CLOSE-FUTURE3-5,6,6 1,500 84,210
14 25,926 31 CLOSE-FUTURE3-CLOSE-FUTURE3-5,6,5 1,391 85,602
15 27,778 33 CLOSE-FUTURE3-CLOSE-FUTURE3-6,5,5 1,306 86,907
16 29,630 30 CLOSE-FUTURE3-CLOSE-FUTURE3-5,5,6 1,139 88,046
17 31,481 18 OPEN-FUTURE3-OPEN-FUTURE3-3,2,2 1,119 89,165
18 33,333 20 OPEN-FUTURE3-OPEN-FUTURE3-3,3,2 1,078 90,243
19 35,185 15 OPEN-FUTURE3-OPEN-FUTURE3-2,2,3 1,049 91,293
20 37,037 35 CLOSE-FUTURE3-CLOSE-FUTURE3-6,6,5 1,030 92,323
21 38,889 9 OPEN-FUTURE3-OPEN-FUTURE3-1,2,1 0,646 92,969
22 40,741 24 CLOSE-FUTURE3-CLOSE-FUTURE3-4,5,4 0,479 93,448
23 42,593 27 CLOSE-FUTURE3-CLOSE-FUTURE3-5,4,5 0,318 93,766
24 44,444 1 OPEN-1/3-{671.0, 980.0} 0,236 94,002
25 46,296 37 OPEN-FUTURE3-POINT1-OPEN-FUTURE3-Point1-1/3-{671.0, 980.0} 0,236 94,238
26 48,148 4 CLOSE-1/3-{668.3, 978.9} 0,234 94,472
27 50,000 49 CLOSE-FUTURE3-POINT2-CLOSE-FUTURE3-Point2-1/3-{668.3, 978.9} 0,234 94,706
28 51,852 46 CLOSE-FUTURE3-POINT1-CLOSE-FUTURE3-Point1-1/3-{668.3, 978.9} 0,234 94,940
29 53,704 22 CLOSE-FUTURE3-CLOSE-FUTURE3-4,4,4 0,233 95,173
30 55,556 52 CLOSE-FUTURE3-POINT3-CLOSE-FUTURE3-Point3-1/3-{668.3, 978.9} 0,232 95,405
31 57,407 43 OPEN-FUTURE3-POINT3-OPEN-FUTURE3-Point3-1/3-{671.0, 980.0} 0,231 95,636
32 59,259 40 OPEN-FUTURE3-POINT2-OPEN-FUTURE3-Point2-1/3-{671.0, 980.0} 0,230 95,866
33 61,111 7 OPEN-FUTURE3-OPEN-FUTURE3-1,1,1 0,227 96,093
34 62,963 38 OPEN-FUTURE3-POINT1-OPEN-FUTURE3-Point1-2/3-{980.0, 1191.0} 0,219 96,312
35 64,815 5 CLOSE-2/3-{978.9, 1189.1} 0,218 96,529
36 66,667 41 OPEN-FUTURE3-POINT2-OPEN-FUTURE3-Point2-2/3-{980.0, 1191.0} 0,211 96,740
37 68,519 16 OPEN-FUTURE3-OPEN-FUTURE3-2,3,2 0,210 96,951
38 70,370 2 OPEN-2/3-{980.0, 1191.0} 0,207 97,158
39 72,222 47 CLOSE-FUTURE3-POINT1-CLOSE-FUTURE3-Point1-2/3-{978.9, 1189.1} 0,207 97,365
40 74,074 44 OPEN-FUTURE3-POINT3-OPEN-FUTURE3-Point3-2/3-{980.0, 1191.0} 0,204 97,569
41 75,926 50 CLOSE-FUTURE3-POINT2-CLOSE-FUTURE3-Point2-2/3-{978.9, 1189.1} 0,201 97,769
42 77,778 29 CLOSE-FUTURE3-CLOSE-FUTURE3-5,5,5 0,197 97,967
43 79,630 14 OPEN-FUTURE3-OPEN-FUTURE3-2,2,2 0,195 98,162
44 81,481 53 CLOSE-FUTURE3-POINT3-CLOSE-FUTURE3-Point3-2/3-{978.9, 1189.1} 0,193 98,355
45 83,333 39 OPEN-FUTURE3-POINT1-OPEN-FUTURE3-Point1-3/3-{1191.0, 2105.9} 0,179 98,534
46 85,185 6 CLOSE-3/3-{1189.1, 2098.0} 0,179 98,713
47 87,037 3 OPEN-3/3-{1191.0, 2105.9} 0,170 98,883
48 88,889 21 OPEN-FUTURE3-OPEN-FUTURE3-3,3,3 0,168 99,051
49 90,741 36 CLOSE-FUTURE3-CLOSE-FUTURE3-6,6,6 0,163 99,214
50 92,593 42 OPEN-FUTURE3-POINT2-OPEN-FUTURE3-Point2-3/3-{1191.0, 2105.9} 0,162 99,376
51 94,444 48 CLOSE-FUTURE3-POINT1-CLOSE-FUTURE3-Point1-3/3-{1189.1, 2098.0} 0,159 99,534
52 96,296 54 CLOSE-FUTURE3-POINT3-CLOSE-FUTURE3-Point3-3/3-{1189.1, 2098.0} 0,157 99,691
53 98,148 51 CLOSE-FUTURE3-POINT2-CLOSE-FUTURE3-Point2-3/3-{1189.1, 2098.0} 0,156 99,847
54 100,000 45 OPEN-FUTURE3-POINT3-OPEN-FUTURE3-Point3-3/3-{1191.0, 2105.9} 0,153 100,000
Из рисунка 40 и таблицы 10 мы видим, что:
- всего 9% классов обуславливают 50% суммарной детерминированности всех классов;
- 50% наиболее сильно детерминированных классов обеспечивают 95% суммарной детерминированности.
Значения характеристик финансового рынка наиболее сильно детерминируют (обуславливают) следующие классы:
• СШ8Е-риТиКЕ3-СШ8Е-риТиКЕ3-5,4,4
• 0РЕ№РиТиКЕ3-0РЕ№РиТиКЕ3-2,2,1
• 0РЕ№ГОТиКЕ3-0РЕ№ГОТиКЕ3-1,1,2
• 0РЕ№ГОТиКЕ3-0РЕ№ГОТиКЕ3-1,2,2
• 0РЕ№ГОТиКЕ3-0РЕ№ГОТиКЕ3-2,1,1
а наименее сильно:
• 0РЕК-риТиКЕ3-Р0ШТ2-0РЕК-риТиКЕ3-Рот12-3/3-{1191.0, 2105.9}
• СШ8Е-риТиКЕ3-Р0ВДТ1-СШ8Е-риТиКЕ3-Рот11-3/3-{1189.1, 2098.0}
• СШ8Е-риТиКЕ3-Р0ВДТ3-СШ8Е-ГОТиКЕ3-Рот13-3/3-{1189.1, 2098.0}
• СШ8Е-риТиКЕ3-Р0ВДТ2-СШ8Е-ГОТиКЕ3-Рот12-3/3-{1189.1, 2098.0}
• 0РЕК-риТиКЕ3-Р01КТ3-0РЕК-риТиКЕ3-Ро1п13-3/3-{1191.0, 2105.9}
При этом степень детерминированности наиболее и наименее детерминированных классов отличается в 76 раз, что очень существенно.
Чем выше степень детерминированности класса характеристиками рынка, тем легче определить этот класс по этим характеристикам.
Степень детерминированности классификационной шкалы является средним от степеней детерминированности ее градаций (классов).
В системе «Эйдос» эта информация приводится в табличных файлах, имена которых приведены на рисунке 42 и в таблице 11:
Результаты расчета значимости классификационным шкал содержатся в база* данных статистическим и интеллектуальным моделей: '2С5_АЬ5.н15", дрЛЬщ'ZCS_Prc2.xls", 1гС5_1пП.м1:з-",1 ZCS_lnf2.xls", ,гС5_Ш.к15м, "гС5_1пМ.хГ, ЩШ8Щ 2С5_1п!Б.м14"; б папке текущего приложения: й'*АЮОЗ-ХЩЮ_ОАТА^ОООШС1 Щ|§|Ш|
Эти базы данным открываются в MS Excel и подготовлены для печати и получения графиков. Значимость классификационной шкалы является средним значимостей ее градаций, т.е. классов.
Значимость градации классификационной шкалы, т.е. класса, представляет собой вариабельность количества информации в во всем признаках модели с принадлежности или не принадлежности объекта с этим признаками к данному классу. Значимость градации классификационной шкалы (класса) - это степень детерминированности этого класса (см. режим 3.7.3).
Рисунок 42. Информация о XLS-файлах
Таблица 11 - Парето-таблица степеней детерминированности (обусловленности) классификационных шкал значениями характеристик _финансового рынка в СК-модели ШЕ5_
Значимость
Значимость, нараст.
№ №% Код Наименование % итогом, %
1 10,000 3 OPEN-FUTURE3 45,100 45,100
2 20,000 4 CLOSE-FUTURE3 34,624 79,724
3 30,000 5 OPEN-FUTURE3-Point1 2,654 82,378
4 40,000 2 CLOSE 2,643 85,021
5 50,000 1 OPEN 2,568 87,590
6 60,000 6 OPEN-FUTURE3-Point2 2,527 90,116
7 70,000 8 CLOSE-FUTURE3-Point1 2,510 92,627
8 80,000 9 CLOSE-FUTURE3-Point2 2,473 95,100
9 90,000 7 OPEN-FUTURE3-Point3 2,462 97,562
10 100,000 10 CLOSE-FUTURE3-Point3 2,438 100,000
Из таблицы 10 мы видим, что практически 80% суммарной детерминированности всех классификационных шкал обеспечивают 2 шкалы из 10, это сценарии курсов открытия и закрытия:
OPEN-FUTURE3
CLOSE-FUTURE3
Остальные 8 классификационных шкал суммарно обеспечивают лишь 20% суммарной детерминированности.
Слабее всего детерминированы значения 3-й точки сценариев открытия и закрытия.
Наиболее терминированная шкала: OPEN-FUTURE3 обусловлена характеристиками финансового рынка примерно в 18 раз сильнее, чем наименее детерминированная: CLOSE-FUTURE3-Point3.
5. Выводы
Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута, поставленная проблема решена.
В результате проделанной работы, с помощью системы «Эйдос» были созданы 3 статистические и 7 системно-когнитивных моделей, в которых непосредственно на основе эмпирических данных сформированы обобщенные образы классов по курсам акций компании Гугл и их динамике, изучено влияние характеристик финансового рынка на эти классы, и, на основе этого, решены задачи идентификации и прогнозирования, классификации и исследования моделируемой предметной области путем исследования ее модели.
Со всеми моделями, созданными в данной статье, можно ознакомиться установив облачное Эйдос-приложение №295 в режиме 1.3 системы «Эйдос». Саму систему можно бесплатно скачать с сайта ее автора и разработчика проф.Е.В.Луценко по ссылке:
http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Дополнительную информацию по рассматриваемым вопросам можно получить из работ [16-22].
Литература
1. Lutsenko E.V. Automated system-cognitive analysis in the management of active objects (a system theory of information and its application in the study of economic, socio-psychological, technological and organizational-technical systems) // March 2019, Publisher: KubSAU, ISBN: 5-94672-020-1, https://www.researchgate.net/publication/3 31745417
2. Lutsenko E.V. Theoretical foundations, mathematical model and software tools for Automated system-cognitive analysis // July 2020, DOI: 10.13140/RG.2.2.21918.15685, License CC BY-SA 4.0, https://www.researchgate.net/publication/343057312
3. Lutsenko E.V. Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, DOI: 10.13140/RG.2.2.23546.41920, License CC BY-SA 4.0, https://www.researchgate.net/publication/349039044
4. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: https://www.researchgate.net/publication/331801337, 1,562 у.п.л.
5. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.
6. Lutsenko E.V. Script ASC-analysis as a method for developing generalized basic functions and weight coefficients for the decomposition of a state function of an arbitrary concrete object or situation in the theorem by A.N.Kolmogorov (1957) // August 2020,
DOI: 10.13140/RG.2.2.28017.92007, License CC_BY-SA_40,
https://www.researchgate.net/publication/343365649
7. Луценко Е.В., Коржаков В.Е., «Подсистема интеллектуальной системы «Эйдос-Х++», реализующая сценарный метод системно-когнитивного анализа ("Эйдос-сценарии"). Свид. РосПатента РФ на программу для ЭВМ, Гос.рег.№ 2013660738 от 18.11.2013. - Режим доступа: http://lc.kubagro.ru/aidos/2013660738.jpg, 2 у.п.л.
8. Луценко Е.В. Сценарный АСК-анализ как метод разработки на основе эмпирических данных базисных функций и весовых коэффициентов для разложения в ряд функции состояния объекта или ситуации по теореме А.Н.Колмогорова (1957) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2020. - №07(161). С. 76 - 120. - IDA [article ID]: 1612007009. - Режим доступа: http://ej.kubagro.ru/2020/07/pdf/09.pdf, 2,812 у.п.л.
9. Луценко Е.В. Детальный численный пример сценарного Автоматизированного системно-когнитивного анализа в интеллектуальной системе "Эйдос" / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2020. - №08(162). С. 273 - 355. - IDA [article ID]: 1622008020. -Режим доступа: http://ej.kubagro.ru/2020/08/pdf/20.pdf, 5,188 у.п.л.
10. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-757-0. http://elibrary.ru/item.asp?id=21358220/.
11. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСКанализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№02(126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf 2 у.п.л.
12. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. -Режим доступа: http://ei.kubagro.ru/2014/07/pdf/90.pdf 2,688 у.п.л.
13. Lutsenko E.V. Theoretical foundations, mathematical model and software tools for Automated system-cognitive analysis // July 2020, DOI: 10.13140/RG.2.2.21918.15685, License CC BY-SA 4.0, https://www.researchgate.net/publication/343057312
14. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. -Режим доступа: http://ei.kubagro.ru/2011/07/pdf/40.pdf 3,062 у.п.л.
15. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11 .pdf 0,812 у.п.л.
16. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№07(091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf 1,562 у.п.л.
17. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ei.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf
18. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная online среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. -Режим доступа: http://lc.kubagro.ru/aidos/2017661153.ipg 2 у.п.л.
19. Сайт проф.Е.В. Луценко: http ://lc. kub agro.ru/
20. Блог Е.В. Луценко в RG https://www.researchgate.net/profile/Eugene-Lutsenko
21. 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. http://elibrary.ru/item.asp?id=18632909
22. Lutsenko E.V. Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, DOI: 10.13140/RG.2.2.23546.41920, License CC BY-SA 4.0, https://www.researchgate.net/publication/349039044
Literatura
1. Lutsenko E.V. Automated system-cognitive analysis in the management of active objects (a system theory of information and its application in the study of economic, socio-psychological, technological and organizational-technical systems) // March 2019, Publisher: KubSAU, ISBN: 5-94672-020-1, https://www.researchgate.net/publication/331745417
2. Lutsenko E.V. Theoretical foundations, mathematical model and software tools for Automated system-cognitive analysis // July 2020, DOI: 10.13140/RG.2.2.21918.15685, License CC BY-SA 4.0, https://www.researchgate.net/publication/343057312
3. Lutsenko E.V. Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, DOI: 10.13140/RG.2.2.23546.41920, License CC BY-SA 4.0, https://www.researchgate.net/publication/349039044
4. Lucenko E.V. Metrizaciya izmeritel'ny'x shkal razlichny'x tipov i sovmestnaya sopostavimaya kolichestvennaya obrabotka raznorodny'x faktorov v sistemno-kognitivnom analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: https://www.researchgate.net/publication/331801337, 1,562 u.p.l.
5. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo poznaniya i avtomatizirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespechivayushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. - Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
6. Lutsenko E.V. Script ASC-analysis as a method for developing generalized basic functions and weight coefficients for the decomposition of a state function of an arbitrary concrete object or situation in the theorem by A.N.Kolmogorov (1957) // August 2020, DOI: 10.13140/RG.2.2.28017.92007, License CC BY-SA 4.0, https://www.researchgate.net/publication/343365649
7. Lucenko E.V., Korzhakov V.E., «Podsistema intellektual'noj sistemy' «E'jdos-X++», realizuyushhaya scenarny'j metod sistemno-kognitivnogo analiza ("E'jdos-scenarii"). Svid. RosPatenta RF na programmu dlya E'VM, Gos.reg.№ 2013660738 ot 18.11.2013. -Rezhim dostupa: http://lc.kubagro.ru/aidos/2013660738.jpg, 2 u.p.l.
8. Lucenko E.V. Scenarny'j ASK-analiz kak metod razrabotki na osnove e'mpiricheskix danny'x bazisny'x funkcij i vesovy'x koe'fficientov dlya razlozheniya v ryad funkcii sostoyaniya ob''ekta ili situacii po teoreme A.N.Kolmogorova (1957) / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2020. - №07(161). S. 76 - 120. - IDA [article ID]: 1612007009. - Rezhim dostupa: http://ej.kubagro.ru/2020/07/pdf/09.pdf, 2,812 u.p.l.
9. Lucenko E.V. Detal'ny'j chislenny'j primer scenarnogo Avtomatizirovannogo sistemno-kognitivnogo analiza v intellektual'noj sisteme "E'jdos" / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2020. - №08(162). S. 273 - 355. - IDA [article ID]: 1622008020. - Rezhim dostupa: http://ej.kubagro.ru/2020/08/pdf/20.pdf, 5,188 u.p.l.
10. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Monografiya (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5- 94672757-0. http://elibrary.ru/item.asp?id=21358220/.
11. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'tiklassovoe obobshhenie F-mery' dostovernosti modelej Van Rizbergena v ASKanalize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf 2 u.p.l.
12. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf 2,688 u.p.l.
13. Lutsenko E.V. Theoretical foundations, mathematical model and software tools for Automated system-cognitive analysis // July 2020, DOI: 10.13140/RG.2.2.21918.15685, License CC BY-SA 4.0, https://www.researchgate.net/publication/343057312
14. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizaciya na osnove znanij (klasterizaciya v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf 3,062 u.p.l.
15. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretiruemy'e nejronny'e seti pryamogo scheta / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. -IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf 0,812 u.p.l.
16. Lucenko E.V. Modelirovanie slozhny'x mnogofaktorny'x nelinejny'x ob'ektov upravleniya na osnove fragmentirovanny'x zashumlenny'x e'mpiricheskix danny'x bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos-X++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf 1,562 u.p.l.
17. Lucenko E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. - Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf
18. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda «E'jdos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Zayavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. -Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg 2 u.p.l.
19. Sajt prof.E.V.Lucenko: http://lc.kubagro.ru/
20. Blog E.V.Lucenko v RG https://www.researchgate.net/profile/Eugene-Lutsenko
21. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v upravlenii aktivny'mi ob''ektami (sistemnaya teoriya informacii i ee primenenie v issledovanii e'konomicheskix, social'no-psixologicheskix, texnologicheskix i organizacionno-texnicheskix sistem): Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
22. Lutsenko E.V. Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, DOI: 10.13140/RG.2.2.23546.41920, License CC BY-SA 4.0, https://www.researchgate.net/publication/349039044
