CC BY
45
УДК 303.732.4
UDC 303.732.4
СИСТЕМНО-КОГНИТИВНЫИ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ НА ПРИМЕРЕ ФОНДОВОГО РЫНКА (синтез и верификация семантической информационной модели)
SYSTEMIC-COGNITIVE ANALYSIS OF TIME NUMBERS (cognitive structurization and subject domain formalization, synthesis and verification of semantic information model)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Лебедев Евгений Александрович аспирант
Кубанский государственный аграрный университет, Краснодар, Россия
В статье на примере одного из сегментов фондового рынка рассматривается технология и методика применение системно-когнитивного анализа и его инструментария - системы «Эйдос» для синтеза и верификации информационных семантических моделей временных рядов
Ключевые слова: СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ВРЕМЕННЫЕ РЯДЫ, ФОНДОВЫЙ РЫНОК, ТЕХНИЧЕСКИЙ АНАЛИЗ, ФУНДАМЕНТАЛЬНЫЙ АНАЛИЗ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
Данная статья является продолжением работы [19].
4. Синтез семантической информационной модели (СИМ).
Далее с применением режима _25 системы «Эйдос» (рисунок 1) [16] автоматически осуществляется синтез семантической информационной модели (СИМ) и измерение ее адекватности.
Lutsenko Evgeny Veniaminovich Dr. Sci.Econ., Cand. Tech.Sci., professor
Lebedev Evgeniy Aleksandrovich post-graduate student
Kuban State Agrarian University, Krasnodar, Russia
In the article the technology and a technique of application of systemic-cognitive analysis and its toolkit -"Eidos" system is shown for synthesis and verification of information semantic models of time numbers (on an example of one of segments of the share market)
Keywords: SYSTEMIC-COGNITIVE ANALYSIS, TIME NUMBERS, SHARE MARKET, TECHNICAL ANALYSIS, FUNDAMENTAL ANALYSIS, SEMANTIC INFORMATION MODEL
Рисунок 1. Вызов режима _25 системы «Эйдос», обеспечивающего синтез семантической информационной модели и ее верификацию
В результате синтеза СИМ формируются различные базы данных, в частности база данных абсолютных частот (таблица 1) и база знаний (таблица 2):
Таблица 1 - БАЗА ДАННЫХ АБСОЛЮТНЫХ ЧАСТОТ (ФРАГМЕНТ)
КОй_РР 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 7 73 153 6 1 7 170 63 4 3 4 4 5 2 4 5 3 2 3 4 3 3 2
2 4 58 121 2 1 1 7 150 28 9 3 3 2 4 4 4 4 3 2 3 2 2 2
3 1 34 80 1 4 103 9 7 1 3 2 3 2 2 3 1 1 1 2 1 1
4 50 122 172 3 3 2 1 3 3 5 5 2 2 1 3 1 4
5 60 161 221 6 5 3 3 5 3 7 5 3 2 2 1 4
6 8 74 148 6 1 9 168 60 4 3 4 3 4 2 4 5 3 2 3 4 3 3 2
7 4 58 122 2 1 1 5 150 31 9 3 4 3 3 4 4 5 3 2 3 2 2 2
8 34 76 1 4 101 6 4 1 2 2 2 3 2 2 1 1 1 2 1 1
9 50 109 156 3 6 3 1 1 1 3 2 3 5 2 2 3 1 3
10 59 182 241 6 5 4 4 5 4 9 5 3 2 3 1 5
11 1 2 1 1 2 1 1
12 3 6 14 2 1 17 7 1 1 1 1 1 1 1 1
13 6 238 550 4 11 716 71 19 9 10 11 13 15 13 17 19 9 9 7 9 4 12
14 3 29 69 3 1 5 77 21 7 2 3 1 4 1 2 3 2 2 1
Таблица 2 - БАЗА ЗНАНИЙ в Битх100 (ФРАГМЕНТ)
КОй_РР 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 46 2 -4 53 37 23 -12 50 -35 -1 25 6 18 -40 -1 -4 -30 -19 9 19 3 29 -29
2 29 3 -3 6 52 90 37 -4 19 25 23 4 -19 13 13 -2 0 18 0 18 -5 20 -14
3 -22 -0 1 -6 33 1 -18 37 -22 49 8 31 1 0 11 -17 -12 -17 21 8 -27
4 -1 2 8 -32 17 -14 -53 1 1 14 17 -1 5 -39 22 -14 29
5 -4 4 8 -7 32 -5 -5 16 -13 19 3 8 -9 -15 -53 15
6 54 3 -5 54 38 38 -12 48 -34 -1 26 -9 7 -39 -1 -4 -29 -19 9 20 4 29 -28
7 29 3 -2 6 51 90 18 -5 25 25 23 20 4 -3 12 -3 12 17 -0 17 -5 20 -15
8 2 0 -4 35 2 -38 8 -20 29 10 10 26 3 -10 -15 -10 -15 24 10 -24
9 4 0 7 -97 11 22 -30 -49 -49 6 -17 -10 22 4 9 26 -10 17
10 -10 6 8 -12 27 6 6 11 -2 28 -2 3 -14 3 -58 22
11 -9 -17 266 143 -31 47 117
12 125 -11 -11 118 41 -14 54 14 64 55 48 47 74 68 94
13 -30 1 1 -37 -19 2 -10 -15 -7 9 -5 5 5 -3 -3 6 -2 3 -16 -2 -22 4
14 45 -3 -1 61 123 51 -9 36 43 23 37 -32 30 -45 27 50 27 53 -21
Эти базы данных имеют размерность 72*173 и поэтому здесь в полном виде не приводятся. В базе данных абсолютных частот и в базе знаний строки соответствуют градациям описательных шкал, а столбцы соответствуют градациям классификационных шкал. В базе абсолютных частот на пересечении строк и столбцов приведено количество фактов (случаев) на-
блюдения сочетания: «Градация классификационной шкалы» х «Градация описательной шкалы» по данным обучающей выборки. Всего в базе абсолютных частот обобщено 61695 экономических фактов, что по сути и представляет собой объем исследуемой выборки.
В базе знаний приведено количество знаний (в битахх100), которое мы получаем из факта наблюдения определенной градации описательной шкалы о том, что наступит определенное состояние фондового рынка, описанное определенной градацией классификационной шкалы:
- если это значение больше нуля, то это знание о том, что данное значение фактора, соответствующее строке, способствует переходу фондового рынка в состояние, соответствующее столбцу;
- если это значение меньше нуля, то это знание о том, что данное значение фактора, соответствующее строке, препятствует переходу фондового рынка в состояние, соответствующее столбцу.
Если состояние фондового рынка на определенную дату характеризуется системой показателей, описывающих его предысторию о каждом из которых известно, как он влияет на поведение фондового рынка в будущем, то в соответствии с леммой Неймана-Пирсона [7] в СК-анализе считается, что вероятнее всего фондовый рынок перейдет в то состояние, о переходе в которое во всей системе его показателей содержится наибольшее количество информации.
На рисунке 2 приведена экранная форма системы «Эйдос» с прогнозом времени завершения пакетного распознавания (идентификации, прогнозирования).
N наименование операции: % исп стадия выполнения
1 2 3 1 Пакетное распознавание 1 53.6
Сортировка результатов Создание базы итогов
ПАКЕТНОЕ РАСПОЗНАВАНИЕ:
Процесс распознавания запущен в 10 59:11 всего: 14926751 сек.с нач.года
Прошло с начала процесса 0 5:13 всего: 313 сек.
Прогноз длительности исполнения 0 9:44 всего: 524 сек.
Ожидаемое время окончания 11 2:55 всего: 4013 5 сек.с нач.суток
Средн.время идент-ии 1-й анкеты 0 0: 1 всего: 0.624451 сек.
Прогноз времени до окончания 0 4: 31 всего: 271 сек.
Рисунок 2. Экранная форма системы «Эйдос» с прогнозом времени завершения пакетного распознавания (идентификации, прогнозирования)
5. Повышение эффективности СИМ.
Рассмотрение этого вида работ не входит в задачи в данной статьи.
6. Верификация СИМ.
Верификация СИМ (оценка ее достоверности или адекватности) может осуществляться различными способами, реализованными в инструментарии СК-анализа - системе «Эйдос», но в примере, описанном в данной статье это было сделано путем идентификации и прогнозирования состояний фондового рынка по всем его ретроспективным описаниям, содержащимся в обучающей выборки и подсчета количества ошибок 1-го и 2-го рода, т.е. ошибок не идентификации и ошибок ложной идентификации. В принципе, если отнести все объекты ко всем категориям (классам), то при этом они обязательно будут отнесены и к тем классам, к которым они действительно относятся, т.е. ошибка 1-го рода будет равна нулю, однако при этом будет максимальна ошибка ложной идентификации, т.к. все
Подсистема распознавания. Пакетное
объекты будут отнесены не только к тем классам, к которым они на самом деле относятся, но и к тем, к которым они не относятся. И наоборот, если все объекты не относить ни к одному из классов, то обратится в нуль ошибка 2-го рода, однако при этом будет максимальна ошибка не идентификации. Таким образом имеет смысл оценивать качество модели по средней ошибке 1-го и 2-го рода, что и реализовано в системе «Эйдос».
Отчет по достоверности модели в целом и в разрезе по классам приведен на экранной форме (рисунок 3) и в таблице 3:
~ H:\WINDOWS\system32\cmd.exe
Универсальная когнитивная аналитическая система.
11:13 (с) НПП *ЭИД0С*
=Подсистема анализа. Измерение адекватности семантическом информационной модели
Всего анкет физических (объектов распозн.выборки):
% верно идент.лог.анк: 89.524% Ошибка 1-го рода : Я % верно не идент.лог.анк: 77.279% Ошибка 2-го рода : Я обобщенная достоверность: 83.402% обобщенная ошибка: (
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-20.44, -10.65}
КОД
класса Наименование класса
935 логических:
% неидентификации % ложной идентиф. (Е1+Е2)/2 ‘
2805 10.476 22.721* 16.598
2
3
4
5
6
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД:
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД:
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД:
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД:
ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД:
{-20.44, -10.65} {-10.65, -0.87} {-0.87, 8.92} {8.92, 18.71} {18.71, 28.49}
ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-100.00, -72.91}
РІГенерация отчетаР2СортировкаРЗПечатьР4ПоискР8Расч.внешней вапид.РЭУдап.классов
Рисунок 3. Экранная форма отчета по достоверности модели
Таблица 3 - ОТЧЕТ ПО ДОСТОВЕРНОСТИ МОДЕЛИ, ФОРМИРУЕМЫЙ СИСТЕМОЙ «ЭЙДОС» (ФРАГМЕНТ)
ГО о о го с; О Наименование класса Кол-во ситуаций о і ф 0 ф 1 т о о і Ф СО Ошибочно не отнесено (ош.1-го рода) о н е с е н) о її но ро чо о гиб .2- иш ш О о( Верно не отнесено Вероятность случайного угадывания Эффективность СИМ
6 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-100.00, -72.91} 1 1 0 387 547 0,107 934,579
5 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {18.71, 28.49} 2 2 0 61 872 0,214 467,290
41 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б38 6 5 1 23 906 0,642 129,803
56 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б51 6 5 1 29 900 0,642 129,803
47 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б43 6 5 1 45 884 0,642 129,803
26 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б24 7 5 2 67 861 0,749 95,365
4 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {8.92, 18.71} 9 8 1 62 864 0,963 92,304
24 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б22 7 4 3 37 891 0,749 76,292
1 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-20.44, -10.65} 12 9 3 35 888 1,283 58,457
59 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б54 10 6 4 25 900 1,070 56,075
21 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б19 10 6 4 29 896 1,070 56,075
40 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б37 13 10 3 50 872 1,390 55,340
23 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б21 11 7 4 52 872 1,176 54,113
45 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б41 11 7 4 52 872 1,176 54,113
49 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б45 14 10 4 45 876 1,497 47,714
60 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б55 16 13 3 72 847 1,711 47,487
46 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б42 10 5 5 39 886 1,070 46,729
48 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б44 9 4 5 16 910 0,963 46,152
34 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б31 9 4 5 24 902 0,963 46,152
28 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б26 9 4 5 41 885 0,963 46,152
50 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б46 12 7 5 49 874 1,283 45,466
65 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б6 13 7 6 38 884 1,390 38,738
20 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б18 11 5 6 16 908 1,176 38,652
29 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б27 11 4 7 21 903 1,176 30,921
38 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б35 11 4 7 24 900 1,176 30,921
22 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б20 11 4 7 26 898 1,176 30,921
16 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б14 16 8 8 20 899 1,711 29,223
55 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б50 14 6 8 37 884 1,497 28,629
33 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б30 10 3 7 22 903 1,070 28,037
13 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б11 10 3 7 24 901 1,070 28,037
44 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б40 15 6 9 12 908 1,604 24,938
57 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б52 15 6 9 13 907 1,604 24,938
15 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б13 14 5 9 17 904 1,497 23,857
8 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-45.82, -18.73} 18 8 10 4 913 1,925 23,088
42 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б39 13 4 9 7 915 1,390 22,136
58 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б53 15 5 10 6 914 1,604 20,781
12 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б10 12 3 9 10 913 1,283 19,486
67 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б61 14 4 10 17 904 1,497 19,086
30 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б28 20 8 12 41 874 2,139 18,700
39 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б36 18 6 12 21 896 1,925 17,316
51 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б47 15 4 11 30 890 1,604 16,625
25 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б23 13 3 10 18 904 1,390 16,602
62 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б57 13 3 10 38 884 1,390 16,602
14 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б12 14 3 11 7 914 1,497 14,314
52 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б48 14 3 11 8 913 1,497 14,314
64 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б59 12 2 10 4 919 1,283 12,990
32 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б3 20 5 15 4 911 2,139 11,688
17 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б15 16 3 13 4 915 1,711 10,959
53 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б49 23 6 17 39 873 2,460 10,604
63 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б58 19 4 15 4 912 2,032 10,361
37 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б34 19 4 15 31 885 2,032 10,361
27 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б25 20 4 16 6 909 2,139 9,350
61 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б56 21 4 17 7 907 2,246 8,481
54 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б5 15 2 13 10 910 1,604 8,313
31 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б29 19 3 16 4 912 2,032 7,770
72 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б9 20 3 17 1 914 2,139 7,013
71 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б8 25 4 21 9 901 2,674 5,984
66 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б60 19 2 17 5 911 2,032 5,180
10 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {8.36, 35.44} 100 53 47 86 749 10,695 4,956
19 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б17 20 2 18 5 910 2,139 4,675
43 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б4 25 3 22 2 908 2,674 4,488
18 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б16 21 2 19 5 909 2,246 4,240
68 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б62 21 2 19 9 905 2,246 4,240
70 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б7 22 2 20 11 902 2,353 3,864
35 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б32 23 2 21 10 902 2,460 3,535
11 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б1 29 3 26 1 905 3,102 3,335
2 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-10.65, -0.87} 275 246 29 440 220 29,412 3,041
69 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б63 26 2 24 12 897 2,781 2,766
36 СЦЕНАРИЙ ДИНАМИКИ СУТОЧНОГО ТРЕНДА КУРСА НА НЕДЕЛЮ ВПЕРЕД-Б33 22 1 21 6 907 2,353 1,932
3 ТРЕНД СУТОЧНОГО КУРСА НА ДЕНЬ ВПЕРЕД: {-0.87, 8.92} 637 570 67 209 89 68,128 1,313
9 ТРЕНД НЕДЕЛЬНОГО КУРСА НА НЕДЕЛЮ ВПЕРЕД: {-18.73, 8.36} 816 748 68 58 61 87,273 1,050
Краткая характеристика отчета по достоверности модели.
Всего физических анкет: 935 (100% для п.15).
Всего логических анкет: 2805.
4. Средняя достоверность идентификации логических анкет с учетом сходства : 6.639%.
5. Среднее сходство логических анкет, правильно отнесенных к классу : 2.525%.
6. Среднее сходство логических анкет, ошибочно не отнесенных к классу : 0.213%.
7. Среднее сходство логических анкет, ошибочно отнесенных к классу : 0.407%.
8. Среднее сходство логических анкет, правильно не отнесенных к классу : 4.734%.
9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 65.518%.
10. Среднее количество физич-х анкет, действительно относящихся к классу: 418.435 (100% для п.11 и п.12).
Среднее количество физич-х анкет, действительно не относящихся к классу: 516.565 (100% для п.13 и п.14).
Всего физических анкет: 935.000 (100% для п.15).
11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 374.600, т.е. 89.524%.
12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 43.834, т.е. 10.476% (Ошибка 1-го рода)
13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 117.368, т.е. 22.721% (Ошибка 2-го рода).
14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 399.198, т.е. 77.279%.
15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 44.752.
16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 9.774.
17. Обобщенная достоверность модели (Д1+Д2)/2: 83.402%. Обобщенная ошибка (Е1+Е2)/2: 16.598%.
Под эффективностью СИМ мы понимаем отношение вероятности верной идентификации с применением модели к вероятности случайного угадывания. Отметим, что эта величина меньше 2.5 только для трех последних классов (по ней и рассортирована таблица), т.е. для большинства классов созданная модель является статистически достоверной на уровне
выше 0.95.
Выводы.
Созданная семантическая информационная модель имеет довольно высокую достоверность, и это позволяет обоснованно предположить, что СК-анализ окажется эффективным для решения задач прогнозирования динамики различных сегментов фондового рынка, поддержки принятия решений на фондовом рынке, а также для исследования закономерностей, отраженных в созданных информационных семантических моделях. Исследованию этих вопросов авторы надеются посвятить последующие работы.
Литература
1. Лебедев Е. А. Исследование достоверности оптимизированной модели скоринга путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели. // Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2007. - №06(30). - Шифр Информрегистра: 0420700012\0107. - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf. -12 с.
2. Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №01(17). - Шифр Информрегистра: 0420600012\0012. - Режим доступа: http://ej.kubagro.ru/2006/01/pdf/13.pdf. -5 с.
3. Лебедев Е.А. Прогнозирование кредитоспособности физических лиц на основе применения АСК-анализа (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №05(21). - Шифр Информрегистра: 0420600012\0106. - Режим доступа: http://ej.kubagro.ru/2006/05/pdf/06.pdf. -14 с.
4. Лебедев Е.А. Прогнозирование рисков кредитования физических лиц с применением системно-когнитивного анализа. Научное обеспечение агропромышленного комплекса: материалы 7-й региональной научно-практической конференции молодых ученых. - Краснодар: КубГАУ, 2005. -13 с.
5. Лебедев Е. А. Прогнозирование рисков при кредитовании физических лиц на основе применения новых математических и инструментальных методов экономики (ско-ринг). Научное издание «Математические методы и информационно-технические средства» Труды 2 Всероссийской научно-практической конференции 23 июня 2006г. - Краснодар: Краснодарский университет МВД России, 2006. С.45-46.
6. Лебедев Е.А. Синтез скоринговой модели методом системно-когнитивного анализа.
// Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. -№05(29). - Шифр Информрегистра: 0420700012\0092. - Режим доступа:
http://ej.kubagro.ru/2007/05/pdf/14.pdf. -14 с.
7. 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.
8. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. -280с.
9. Луценко Е.В. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. -50с.
10. Луценко Е. В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв.№ 940103. Опубл.11.05.94. - 50с.
11. Луценко Е.В. Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003.
12. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2009. -520 с.
13. Луценко Е.В., Лебедев Е.А. Определение кредитоспособности физических лиц и риски их кредитования. - М.: Финансы и кредит, ноябрь 2006 - № 32(236). 2,157
14. Луценко Е.В., Лебедев Е.А. Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эйдос-Тгее") (патент 1). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008. -50 с.
15. Луценко Е.В., Лебедев Е.А. Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008. - 50 с.
16. Луценко Е.В., Шеляг М.М. Подсистема синтеза семантической информационной модели и измерения ее внутренней дифференциальной и интегральной валидности (Подсистема "Эйдос-м25"). Пат. № 2007614570 РФ. Заяв. № 2007613644 РФ. Опубл. от 11.10.2007.
17. Луценко Е.В., Шульман Б.Х. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке «ЭЙДОС-фонд». Свидетельство РосАПО №940334. Заяв. № 940336. Опубл. 23.08.94. - 50с.
18. Официальный сайт Московской межбанковской валютной биржи (ММВБ), [Электронный ресурс]. Режим доступа: http://www.micex.ru
19. Луценко Е.В. Системно-когнитивный анализ временных рядов на примере фондо-
вого рынка (когнитивная структуризация и формализация предметной области) / Е.В. Луценко, Е.А. Лебедев // Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2009. - №07(51). - Режим доступа:
http://ej.kubagro.ru/2009/07/pdf/01.pdf
