Прогнозирование валютных цен на финансовом рынке с помощью адаптивной системы нейро-нечеткого вывода Текст научной статьи по специальности «Экономика и бизнес»

Выпуск 89, 2020

Вестник ЛмГУ

13

УДК 519.246.8

Т.В. Труфанова, К.Д. Нещеменко

ПРОГНОЗИРОВАНИЕ ВАЛЮТНЫХ ЦЕН НА ФИНАНСОВОМ РЫНКЕ С ПОМОЩЬЮ АДАПТИВНОЙ СИСТЕМЫ НЕЙРО-НЕЧЕТКОГО ВЫВОДА

В статье рассматривается модель нейро-нечеткого вывода решения задачи прогнозирования динамики стоимости ценных бумаг с помощью реализации в программном обеспечении Fuzzy Logic Toolbox Matlab. Проведены расчеты и получены графики по прогнозированию курса валют.

Ключевые слова: прогнозирование, нейро-нечеткий вывод, временной ряд, валютная стоимость, курс валют.

FORECASTING FOREIGN EXCHANGE PRICES IN THE FINANCIAL MARKET USING THE ADAPTIVE SYSTEM OF NEURO-FUZZY OUTPUT

This article discusses a neuro-fuzzy inference model. This model solves the problem of forecasting the dynamics of the value of securities using the implementation in the Fuzzy Logic Toolbox Matlab software. Calculations are made and graphs for forecasting the exchange rate are obtained.

Key words: forecasting, neuro-fuzzy conclusion, time series, currency value, exchange rate.

DOI: 10/22250/jasu.4

Цель любой компании - получение прибыли, так как прибыль является главным показателем результативности работы компании и характеризует эффективность деятельности компании. Поэтому основная задача ведущих экономистов - прогнозирование будущих показателей стоимости ценных бумаг [1].

Прогнозирование - научное исследование перспектив развития какого-либо процесса, в том числе будущих показателей в экономике [2]. Результаты проводимого анализа дают возможность спрогнозировать будущую ситуацию в экономике в целом.

Задача прогнозирования поведения сложных динамических систем в экономике относится к числу трудно формализуемых. Рассмотрим один из примеров такого типа задач - предсказание финансовых временных рядов.

Под временным рядом [3] понимается индексированная последовательность точек данных, полученных в разные моменты времени. Существуют различные простейшие методы по прогнозированию временных рядов: метод экспоненциального сглаживания; метод Хольта - Винтерса; метод скользящей средней; метод линейного тренда и др.

Рассмотрим процесс разработки нечеткой модели гибридной сети для решения задачи прогнозирования валютных цен. Эта задача представляет собой предсказание значения курсовой стоимости валюты на определенный момент времени, рассчитываемой по известной динамике изменения курса валюты за фиксированный интервал предшествующего времени.

Для решения данной задачи применяются различные модели технического анализа, основанные на использовании разного рода индикаторов. Присутствие неявных тенденций в динамике изменения курсовой стоимости валют позволяет использовать модель адаптивных нейро-нечетких сетей.

14

Вестник АмГУ

Выпуск 89, 2020

Предположим, что модель гибридной сети будет содержать четыре входных переменных. Каждая из переменных будет соответствовать стоимости акций за четыре последовательных банковских дня. Первая переменная - это текущая стоимость акции, вторая переменная - стоимость ценных бумаг за предыдущий день, третья и четвертая переменные - стоимости акций других предыдущих дней - третьего и четвертого.

Данные могут быть сведены в отдельную таблицу. Объем полученной выборки равен 20, что соответствует стандартной динамике изменения стоимости ценных бумаг компании «Газпром» [4] с 23 января по 20 февраля 2020 г. (рис. 1).

245г00 240г00 235г00 230г00 225г00 220г00 215г00

1234567S9 10 II 12 13 14 15 16 17 IS 19 20

Рис. 1. График динамики стоимости ценных бумаг «Газпрома» с 23 января по 20 февраля 2020 г.

Стоимость акции компании на момент закрытия торгов 21 февраля 2020 г. составляла 232. Данная величина будет служить проверочной для правильности расчета будущей стоимости ценных бумаг.

После записи значений выборки в редакторе ANFIS загружаем данные в программу. Интерфейс редактора с загружаемыми данными - на рис. 2. Ось «Output» представляет входные величины данных.

240

. 235

23Û

225

Training Data (ооо)

О О О О

г- ANFIS Info. —

# of input: 4

# of outputs: 11

# of input mfe: 3 3 3 3

1Û

data set index

15

20

Loaa data Type: From: ® Training r\ t ® file (J Testing O Checking 0 worksp. O Demn Generate FtS O Load from file O Load from worksp. ® Grid partition O Sub. clustering — Train FIS — Optim. Method: hybrid - Test FIS — Pint against: ® Training data O Testing data O Checking data

Error Tolerance: I» I Epochs: 100

Load Data... J Clear Data_| i Generate FiS... i| Train Now Test Ndw

a new its generated Не,р c|ose

Рис. 2. Графический интерфейс редактора АОТК с загруженными данными.

Перед генерацией структуры системы нечеткого вывода зададим по три лингвистических терма для каждой входной переменной. Для входной переменной выберем тип функции принадлежности - треугольные функции. Что касается выходной переменной, то ей зададим линейную функ-

Выпуск 89, 2020

Вестник АмГУ

15

Для обучения гибридной сети воспользуемся гибридным методом обучения с уровнем ошибки 0, а количество циклов зададим равным 10 (рис. 3)

1.5 1

. 0.5 j 0 -0.5 -1

Training Error

4 6

Epochs

10

,— ANFIS Info. —

# of inputs: 4

# of outputs: 1

# of input mfe: 3 3 3 3

Clear Plot |

Load data Type: From:

® file

® Training О Testing О Checking О worksp. О Derno

Generate FIS

O Load from file O Load from worksp. ® Grid partition O Sub. clustering

Generate FIS _

- Tran FE Optim. Method:

hybrid v

Error Tolerance:

Train Now

- Test FIS

Plot against: ® Training data O Testing data O Checking data

Test Now

Epoch 10:erron= 0.Ü26749 Help Close

Рис. 3. График количеств ошибок при обучения гибридной сети.

Проведем проверку построенной нечеткой модели гибридной сети. Для этой цели выполним задание для прогноза значения стоимости ценных бумаг на конец торгов (рис. 4), считая текущую стоимость равной 234,6.

» oul=eval0s([234.6 231.9 230.5 233.75]= Untitled) out = 233.9393

Рис. 4. Результат прогноза стоимости ценных бумаг.

После выполнения задания с помощью разработанной модели нейро-нечеткого вывода было получено значение выходной переменной, равное 233,9393. Сравнивая последнюю действительную стоимость ценных бумаг компании при закрытии торгов, можно констатировать совпадение этих значений.

Таким образом, проверка построенной модели показывает приближение рассчитанного значения к реальным исходным данным, что позволяет сделать вывод о возможности ее практического применения для прогнозирования стоимости ценных бумаг на фондовых биржах. В этом случае нечеткие модели адаптивных систем нейро-нечеткого вывода могут считаться инструментом технического анализа финансовых рынков для прогнозирования ситуаций в экономике. Однако следует иметь в виду, что прогнозы все-таки не являются идеальными, так как существуют и неподвластные учету факторы, могущие влиять на динамику стоимости ценных бумаг. Это и отражается на прогнозе построенной системы.

1. Федорова, Е.А., Линкова, М.А. Прогнозирование курса валюты с помощью нейронных сетей. - Прогнозирование курса валюты с помощью нейронных сетей // Денежная кредитная политика, 11-2013. - 31 с. - Режим доступа: https://cyberleninka.rU/article/v/prognozirovanie-kursa-valyuty-s-pomoschyu-n

2. Чучуева, И.А., Павлов, Ю.Н. Модель прогнозирования временных рядов по выборке максимального подобия: Дис. ...канд. техн. наук. - М.: МГТУ им. Н.Э. Баумана, 2012. - 153 с. - Режим доступа: http://www.mbu-reau.ru/sites/default/files/pdf/Chuchueva-Dissertation.pdf

3. Мишулина, О. А. Статистический анализ и обработка временных рядов. - М.: МИФИ, 2004. - 180 с.

4. Акции «Газпрома»: InvestFunds. - Режим доступа: https://investfunds.ru/stocks/Gazprom/