Решетневские чтения. 2018
УДК 004.9
ПРОГНОЗИРОВАНИЕ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
Е. В. Бурдина
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: burdilena@sibsau.ru
Проблема прогнозирования вследствие быстрых, порой плохо предсказуемых изменений внешней среды за последние десятилетия стала особенно сложной. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные сети.
FORECASTING THE MARKET OF NON-CURRENT METALS WITH ARTIFICIAL NEURAL NETWORK
E. V. Burdina
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: burdilena@sibsau.ru
The problem of forecasting, because of so fast, sometimes poorly predictable changes in the external environment has become especially difficult over the past decade. In the context of an almost complete reorientation of the domestic non-ferrous metallurgy enterprises to export the problem of forecasting changes in prices for non-ferrous metals on the world metals market has become extremely acute.
Keywords: time series, forecasting, market, non-ferrous metals, neural networks
Внимание к проблеме прогнозирования обусловлено масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления.
Целью работы являлся сравнительный анализ эффективности работы искусственной нейронной сети, полученная при помощи генетического алгоритма и генетического программирования [1-6] для курса цен на мировом рынке алюминия и никеля (ежедневные поставки и трехмесячные фьючерсы) при разном количестве прогнозируемых значений (2, 5, 10, 20 и 50 значений). Данные были взяты с Лондонской биржи металлов.
Длина временных рядов была разной, в первом случае брались данные за три года, а во втором -за год.
Были решены следующие задачи:
- выбор инструментария для решения задач прогнозирования;
- обработка временных рядов для удобной работы с ними [7];
- сравнительный анализ эффективности работы искусственной нейронной сети, полученной при помощи генетического алгоритма и генетического программирования.
Основой методики прогнозирования являются проведение аналитического исследования, подготовка
базы данных, изучение и соединение информации в единое целое [8].
К настоящему времени накоплен обширный математический аппарат анализа временных рядов, решающий задачи выявления закономерностей в наблюдаемом процессе и прогнозирования его поведению в будущем [9]. Для решения крупных комплексных задач применяются системный анализ и синтез. При системном анализе острее и непосредственнее обнажаются проблемы и выявляются способы их решения.
Эффективность системного анализа обусловлена тем, что целое всегда больше суммы его частей.
Методы прогнозирования учитывают историю, то есть используют только те данные, которые наблюдались ранее, по которым невозможно сказать будет ли внезапный рост цен или нет.
Методы не могут спрогнозировать какие-либо случайные «скачки» данных (например, в условиях сложившейся в нашей стране ситуации, когда наблюдается резкий рост курса доллара). В период, когда делался прогноз, цены на никель и на алюминий резко изменились. Этого искусственная нейронная сеть, полученная при помощи генетического алгоритма и генетического программирования не смола спрогнозировать, но, тем не менее, после внезапных скачков продолжила нормальную работу (ошибка уменьшилась).
Математические методы моделирования, управления и анализа данных
Таблица 1
Никель. ИНС, выращенная с помощью ГА и ГП. Среднеабсолютное отклонение
Количество предсказанных значений Ежедневные поставки за 3 года Ежедневные поставки за 1 год Трехмесячные фьючерсы за 3 года Трехмесячные фьючерсы за 1 год
2 128,97 180,13 118,83 180,11
5 124,89 178,21 108,32 175
10 116,15 182,57 100,82 176,67
20 141,03 184,69 125,83 181,63
50 142,66 228,24 144,11 219,96
Таблица 2
Алюминий. ИНС, выращенная с помощью ГА и ГП. Среднеабсолютное отклонение
Количество предсказанных значений Ежедневные поставки за 3 года Ежедневные поставки за 1 год Трехмесячные фьючерсы за 3 года Трехмесячные фьючерсы за 1 год
2 11,06 12,75 9,4 9,89
5 11,83 12,02 9,36 9,44
10 11,36 11,91 9,49 9,66
20 10,87 12,18 9,93 8,98
50 12,08 13,7 10,46 10,83
Полученные результаты можно посмотреть в табл. 1 для никеля и в табл. 2 для алюминия.
В результате исследования выяснилось, что нейронная сеть, полученная при помощи генетического алгоритма и генетического программирования, для никеля показывает лучшие результаты при прогнозе 10 значений. Также, выявилась зависимость результатов от длины временного ряда, лучшие результаты получены для более длинных временных рядов. Для алюминия же нейронная сеть, полученная при помощи генетического алгоритма и генетического программирования, делает более точный прогноз при прогнозе 20 предсказаний.
Зависимости результатов от длины временного ряда выявлено не было.
Чаще всего лучшие результаты были при прогнозе 10 значений, при прогнозе 2 значений и 50 значений нейронная сеть, полученная при помощи генетического алгоритма и генетического программирования, не показала ни одного лучшего результата.
Библиографические ссылки
1. Akhmedova S., Semenkin E. Co-operation of biology related algorithms meta-heuristic in ANN-based classifiers design // Proceedings of the 2014 IEEE Congress on Evolutionary Computation, CEC 2014 2014. С. 867-872.
2. Решение задачи прогнозирования экологического состояния города нейроэволюционными алгоритмами / Д. И. Хритоненко, Е. С. Семенкин, Е. В. Сугак и др. // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137-142.
3. Семенкин Е. С., Медведев А. В., Ворожей-кин А. Ю. Модели и алгоритмы для поддержки при-
нятия решений инвестиционного аналитика // Вестник Томского государственного университета. 2006. № 293. С. 63-70.
4. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4 (50). С. 148-152.
5. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. Р. 318-323.
6. Semenkina M., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy classifier // Lecture Notes in Computer Science. 2014. Т. 8794. С. 310-317.
7. Бурдина Е. В. О прогнозировании рынка цветных металлов // Решетневские чтения : материалы XIX Междунар. науч.-практ. конф., посвящ. 55-летию Сиб. гос. аэрокосмич. ун-та им. акад. М. Ф. Решетнева (10-14 ноября 2015, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015. С. 28-30.
8. Модели и методы оптимизации сбора и обработки информации / Н. А. Распопин, М. В. Карасева, П. В. Зеленков и др. // Вестник СибГАУ. 2012. № 2 (42). С. 69-72.
9. Ханов В. Х. Модели хранения временных рядов // Вестник СибГАУ. 2003. № 4. С. 44-49.
References
1. Akhmedova S., Semenkin E. Co-operation of biology related algorithms meta-heuristic in ANN-based classifiers design // Proceedings of the 2014 IEEE
PewemHeeoKue umeHun. 2018
Congress on Evolutionary Computation, CEC 2014 2014. Р. 867-872.
2. Reshenie zadachi prognozirovaniya ehko-logicheskogo sostoyaniya goroda nejroehvolyucionnymi algoritmami / D. I. Hritonenko, E. S. Semenkin, E. V. Sugak // Vestnik SibSAU. 2015. T. 16, № 1. Р. 137-142.
3. Semenkin E. S., Medvedev A. V., Vorozhejkin A. Yu. Modeli i algoritmy dlya podderzhki prinyatiya reshenij investicionnogo analitika // Vestnik Tomskogo gosudarstvennogo universiteta. 2006. No. 293. Р. 63-70.
4. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Vestnik SibSAU. 2013. No. 4 (50). Р. 148-152.
5. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. Р. 318-323.
6. Semenkina M., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy classifier // Lecture Notes in Computer Science. 2014. Vol. 8794. Р. 310-317.
7. Burdina E. V. O prognozirovanii rynka cvetnyh metallov // Reshetnevskie chteniya : materialy XIX Mezhdunar. nauch.-prakt. konf., posvyashch. 55-letiyu Sib. gos. aehrokosmich. un-ta im. akad. M. F. Reshet-neva. (10-14 noyabrya 2015 g., Krasnoyarsk) : v 2 ch. / pod obshch. red. Yu. Yu. Loginova ; Sib. gos. aehrokosmich. un-t. Krasnoyarsk, 2015. Р. 28-30.
8. Modeli i metody optimizacii sbora i obrabotki informacii / N. A. Raspopin, M. V. Karaseva, P. V. Zelenkov et al. // Vestnik SibSAU. 2012. No. 2 (42). Р. 69-72.
9. Hanov V. H. Modeli hraneniya vremennyh ryadov // Vestnik SibSAU. 2003. No. 4. Р. 44-49.
© BypflHHa E. B., 2018