CC BY
24
Секция
«МАТЕМАТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ, УПРАВЛЕНИЯ И АНАЛИЗА ДАННЫХ»
УДК 004.9
ПРОГНОЗИРОВАНИЕ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ С ПОМОЩЬЮ
НЕЙРОННЫХ СЕТЕЙ
Е. В. Бурдина, С. В. Ефремова, Е. В. Туева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых изменений внешней сред за последние десятилетия стала особенно сложной. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные
сети.
FORECASTING THE MARKET OF NON-CURRENT METALS WITH NEUTRON NETWORKS
E. V. Burdina, S. V. Efremova, E. V. Tueva
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected]
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.
К настоящему времени проведено много исследований и получены впечатляющие практические решения проблемы прогнозирования в науке, технике, экономике и других областях. Внимание к этой проблеме обусловлено, в том числе, масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом [1].
Целью работы являлся сравнительный анализ эффективности работы коллектива искусственных нейронных сетей, полученных при помощи генетического программирования и генетического алгоритма [2-7] для курса цен на мировом рынке алюминия и никеля (ежедневные поставки и трехмесячные фьючерсы) при разном количестве прогнозируемых 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 полтора. Для достижения поставленной цели
Секция «Математические методы моделирования, управления и анализа данных»
проводился анализ существующей по данной тематике литературы, анализировалась работа методов прогнозирования.
Были решены следующие задачи:
- выбор инструментария для решения задач прогнозирования;
- обработка временных рядов для удобной работы с ними;
- сравнительный анализ эффективности работы искусственных нейронных сетей.
Основой методики прогнозирования являются проведение аналитического исследования,
подготовка базы данных, изучение и соединение информации в единое целое [8].
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.
Для прогнозирования с помощью нейронных сетей использовался программный продукт. Искусственные нейронные сети (далее - ИНС, или нейронные сети) могут быть использованы для решения широкого круга практических задач, математическая постановка которых может формулироваться как постановка задачи аппроксимации функций, классификации и распознавания образов, прогнозирования, управления динамическими процессами.
При решении задач прогнозирования нейронные сети используются для предсказания поведения системы по имеющимся наблюдениям ее предыдущих состояний [9].
Методы прогнозирования учитывают историю, то есть используют только те данные, которые наблюдались ранее, по которым невозможно сказать будет ли внезапный рост цен или нет. Методы не могут спрогнозировать какие-либо случайные «скачки» данных (например, кризис 2014 года, когда наблюдался резкий рост курса доллара). В период, когда делался прогноз, цены на никель и на алюминий резко изменились. Этого методы не смогли спрогнозировать. И, тем не менее, метод после внезапных скачков продолжил нормальную работу (ошибка уменьшилась).
Коллектив искусственных нейронных сетей, созданных при помощи генетического алгоритма и генетического программирования работает достаточно хорошо и для прогнозирования 2 шагов и для 5 шагов и для 10 шагов для никеля. Для алюминия, хорошо метод работает также и при прогнозировании 20 значений.
Таким образом, можно сказать, что чем больше число прогнозируемых значений, тем хуже работает метод. Так, чаще всего лучшие результаты были при прогнозе 5 значений, при прогнозе 50 значений метод не показал ни одного лучшего результата.
При анализе работы метода не было выявлено зависимости результатов от длины временного ряда. Таким образом, в данной работе метод не зависел от длины временного ряда, а зависел от количества прогнозируемых значений.
Библиографические ссылки
1. Бурдина Е. В. О прогнозировании рынка цветных металлов // Решетневские чтения : материалы XIX Междунар. науч.-практ. конф., посвящ. 55-летию Сиб. гос. аэрокосмич. ун-та им. акад. М. Ф. Решетнева (10-14 ноября 2015 г., Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015. С. 28-30.
2. 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.
3. Хритоненко Д. И., Семенкин Е. С., Сугак Е. В., Потылицына Е. Н. Решение задачи прогнозирования экологического состояния города нейроэволюционньти алгоритмами // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137-142.
4. Семенкин Е. С., Медведев А. В., Ворожейкин А. Ю. Модели и алгоритмы для поддержки принятия решений инвестиционного аналитика // Вестник Томск. гос. ун-та. 2006. № 293. С. 63-70.
5. 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.
Актуальные проблемы авиации и космонавтики - 2017. Том 2
6. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. С. 318-323.
7. 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.
8. Модели и методы оптимизации сбора и обработки информации / Н. А. Распопин, М. В. Карасева, П. В. Зеленков, Е. В. Каюков, И. В. Ковалев // Вестник СибГАУ. 2012. № 2 (42). С. 69-72.
9. Бухтояров В. В. Эволюционные алгоритмы формирования коллективов нейронных сетей для решения задач моделирования и прогнозирования : дис. ... канд. техн. наук ; Сиб. гос. аэро-космич. ун-т. Красноярск, 2010.
© Бурдина Е. В., Ефремова С. В., Туева Е. В., 2017
