WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 13 |

нее исследователи разработали несколько универсальных, неконтро-

лируемых процедур, которые могут правильно регулировать весовые

параметры сети. Все эти процедуры имеют два общих качества: они

оперируют, явно или неявно, с некоторым понятием качества предс-

тавления и работают, изменяя веса, чтобы повысить качество предс-

тавления, вырабатываемого скрытыми элементами. Не смотря на отме-

ченные недостатки применение метода обратного распространения в

целях прогнозирования требований оправданно, так как при прогно-

зировании не возникает ситуации неопределенности действий, кото-

рые необходимо проделать с информацией поступающей на вход НС.

5. ПРОГНОЗИРОВАНИЕ КУРСА UKB/USD

В данной главе описаны эксперименты по прогнозированию курса

американского доллара по отношению к украинскому карбованцу

(UKB/USD). Сначала описаны задачи исследования и общая структура

экспериментов. Далее описаны проделанные эксперименты, при этом

подробно перечислены особенности каждого из них. Для эксперимен-

тов, которые показали удовлетворительные результаты обучения

(сеть распознала не менее 80% образов, на которых обучалась) в

приложениях приведены таблицы с подробным описанием результатов

по каждому образу, который распознавался.

5.1. Общий подход к прогнозированию курса UKB/USD

Исследования проводились на основе модели сети с обратным

распространением (подробнее смотри главу 3). Примененная методика

прогнозирования подробно описана в главе 4.

Целью экспериментов было прогнозирование курса UKB/USD. Для

достижения данной цели было проведено исследование влияния предс-

тавления исторических и прогнозируемых данных на ошибку прогнози-

рования. Также были рассмотрены вопросы влияния структуры НС на

скорость обучения сети и ошибку прогнозирования. При этом стави-

лись следующие задачи:

- поиск критериев прогнозирования;

- поиск оптимального представления исторических данных о

курсе;

- поиск оптимального представления результата прогнозирова-

ния;

- поиск оптимального размера окна;

- поиск оптимальной структуры сети.

Прогнозирование курса UKB/USD проводилось на основе времен-

ной последовательности ежедневных данных о курсе. Такой подход к

прогнозированию основан на идее американских экономистов, что для

прогнозирования некоторых экономических показателей вполне доста-

точно исследования истории их изменения. Успешное применение дан-

ного подхода другими исследователями [7] для прогнозирования кур-

сов DM/USD и SUR/USD позволяет надеяться на успех прогнозирования

UKB/USD.

Исходными данными для экспериментов служили ежедневные изме-

рения курса UKB/USD с 15.06.93 по 26.06.95 всего 842 измерений

(данные взяты из архивов банка Porto-Franco). Прогнозировалось

среднее значение курса за день (среднее арифметическое дневных

курсов покупки и продажи).

Каждый из экспериментов, можно разбить на несколько этапов.

Первым этапом было формирование обучающей выборки. На этом

этапе определяется вид представления исторических и прогнозируе-

мых данных и происходит формирование наборов, подаваемых на вход-

ные нейроны и соответствующих им наборов снимаемых с выходов сети

(подробнее смотри раздел 2.2.4). Большинство опытов прогнозирова-

ло не фактический курс, а его относительное изменение (ОИК). От-

носительное изменение курса определяется по формуле

OIKt = (Kt+1 - Kt)/Kt (5.1)

Для автоматизации процесса формирования обучающих выборок был ис-

пользован пакет MS EXCEL 5.0.

Вторым этапом является обучение НС на основе сформированной

на первом этапе обучающей выборке. Качество обучения характеризо-

валось ошибкой обучения, определяемой как суммарное квадратичное

отклонение значений на выходах НС в обучающей выборке от реальных

значений, полученных на выходах НС. Критерием прекращения обуче-

ния было прохождение сетью 1500 итераций или уменьшение ошибки на

выходах сети на два порядка, по сравнению с первичной ошибкой. В

том случае, если при описании опыта не указано, что произошло

снижение ошибки на два порядка, обучение было остановлено по пер-

вому критерию.

На третьем этапе проводилось тестирование обучения сети. На

вход подавалось порядка 4 - 5% наборов из обучающей выборки и оп-

ределялось качество распознавания сети. Опыт считался успешным

если относительная достоверность распознавания образов была не

менее 80%.

На четвертом этапе проводилась симуляция прогнозирования. На

вход сети подавались наборы, которые не были внесены в обучающую

выборку, но результат по ним (прогноз) известен.

Результаты успешных опытов приведены в приложениях 2.1-2.3.

Каждая из таблиц приложений разделены на две части. В первой рас-

положены результаты тестирования обучения, во второй - результаты

симуляции прогнозирования. Первый столбец в таблице описания опы-

тов содержит номер набора в тестовой или симуляционной выборке.

Остальные столбцы содержат результаты экспериментов. В них может

находиться знак *, или пара цифр. Энак * означает, что данный на-

бор распознан правильно. Цифры в строке обозначают, что при рас-

познавании произошла ошибка. Первая цифра обозначает номер нейро-

на, который соответствует фактическому значению переменной, а

вторая - фактическому.

5.2. Описание экспериментов

ЭКСПЕРИМЕНТ 1

ОПИСАНИЕ ИСТОРИЧЕСКИХ ДАННЫХ: Данные подаются на входы НС в виде

временной последовательности ежедневных измерений фактического

курса (в тысячах карбованцев).

ОПИСАНИЕ ПРОГНОЗИРУЕМЫХ ДАННЫХ: Выход НС образует 17 классов

прогнозируемого результата - курс с шагом от 5 до 25 тыс. крб.

РАЗМЕР ОКНА: 7

СТРУКТУРА СЕТИ: 7:13:17 (количество входных нейронов : количество

нейронов в скрытом слое : количество выходных нейронов).

РЕЗУЛЬТАТЫ: Неудача. Не были распознаны образы на которых обуча-

лась сеть.

ЭКСПЕРИМЕНТ 2

ОПИСАНИЕ ИСТОРИЧЕСКИХ ДАННЫХ: Данные подаются на входы НС в виде

временной последовательности ежедневных измерений нормированного

десятичного логарифма относительного изменения курса в процентах

(ОИК в %).

ОПИСАНИЕ ПРОГНОЗИРУЕМЫХ ДАННЫХ: Выход НС образует 20 классов

прогнозируемого результата - нормированный десятичный логарифма

ОИК в % с шагом 0.05 и два класса, определяющих направление изме-

нения курса - рост или падение (см. таблицу 5.1).

Таблица 5.1. Выходы НС

в эксперименте 2.

┌────────────────────┬─────────────────────────────────────────┐

│ Номер нейрона │ Распознаваемый образ │

├────────────────────┼─────────────────────────────────────────┤

│ 1 │ Повышение курса │

│ 2 │ Понижение курса │

│ 3 │ от 0 до 0.05 │

│ 4 │ от 0.05 до 0.10 │

............

│ 21 │ от 0.90 до 0.95 │

│ 22 │ от 0.95 до 1.00 │

└────────────────────┴─────────────────────────────────────────┘

РАЗМЕР ОКНА: 7

СТРУКТУРА СЕТИ: 7:11:22

РЕЗУЛЬТАТЫ: Неудача. Не были распознаны образы на которых обуча-

лась сеть.

В экспериментах с 3 по 8 были проделаны попытки улучшить ка-

чество результатов полученных в экспериментах 1 и 2. Предполага-

лось, что этого можно добиться изменяя ширину окна и структуру

нейронной сети (количество нейронов в скрытом слое). Были прове-

дены эксперименты со структурой сети 14:11:22, 21:11:22, 14:6:22,

21:6:22, 14:18:22, 21:18:22. Все эксперименты закончились неуда-

чей - не были распознаны образы на которых обучалась сеть.

ЭКСПЕРИМЕНТ 9

ОПИСАНИЕ ИСТОРИЧЕСКИХ ДАННЫХ: Каждое измерение подавалось на три

нейрона: первые два определяли направление изменения курса - рост

или падение, на третий подавался нормированный десятичный лога-

рифм ОИК в % с шагом 0.05.

ОПИСАНИЕ ПРОГНОЗИРУЕМЫХ ДАННЫХ: Выход НС образует 20 классов

прогнозируемого результата - нормированный десятичный логарифм

ОИК в % с шагом 0.05 и два класса, определяющих направление изме-

нения курса - рост или падение (см. таблицу 5.1).

РАЗМЕР ОКНА: 7

СТРУКТУРА СЕТИ: 21:11:22

РЕЗУЛЬТАТЫ: Неудача. Не были распознаны образы на которых обуча-

лась сеть.

В экспериментах с 10 по 13 продолжались попытки улучшить ка-

чество результатов. Предполагалось, что этого можно добиться на

основе подхода описанного в эксперименте 9, изменяя ширину окна и

структуру нейронной сети (количество нейронов в скрытом слое).

Были проведены эксперименты со структурой сети 42:11:22,

63:11:22, 42:18:22, 63:18:22. Все эксперименты закончились неуда-

чей - не были распознаны образы на которых обучалась сеть.

Начиная с 14 эксперимента было предложено работать при прог-

нозировании со свернутым описанием исторических данных. Единичным

измерением при таком подходе считается описание периода времени,

в течении которого приращение исследуемой переменной оставалось

постоянным. Такой период описывается парой чисел. В это паре пер-

вое число обозначает приращение переменной, которое держалось в

течении некоторого периода, а второе - длительность периода, в

течении которого удерживалось это приращение. Далее рассматрива-

ются различные варианты представления предложенного описания дан-

ных. Свертка описания исторических данных проводилось на основе

временной последовательности ОИК в % (интервал - один день).

ЭКСПЕРИМЕНТ 14.

Исследовалось влияние числа прогнозируемых на одной НС переменных

на достоверность прогнозирования. Прогнозирование значения и дли-

тельности приращения проводилось на двух различных сетях. Окно на

входе НС организовано из пар, описывающих промежуток времени

(приращение, длительность).

ЭКСПЕРИМЕНТ 14.1. Прогнозирование значения приращения

ОПИСАНИЕ ИСТОРИЧЕСКИХ ДАННЫХ: ОИК в % кластеризуется и подается

на входы НС в соответствии с данными из таблицы 5.2. Время клас-

теризуется и подается на входы НС в соответствии с данными из

таблицы 5.3.

Таблица 5.2. Интервалы кластеризации

и соответствующая им кодировка входов

для данных по ОИК. Эксперимент 14.

┌──────────────────────────┬───────────────────────────────────┐

│ Интервал кластеризации,% │ Код, подаваемый на вход нейрона │

├──────────────────────────┼───────────────────────────────────┤

│ менее - 10 │ - 100 │

│ от - 9.99 до - 2.41 │ - 10 │

│ от - 2.40 до - 0.01 │ - 1 │

│ 0 │ 0 │

│ от 0.01 до 2.40 │ 1 │

│ от 2.41 до 9.99 │ 10 │

│ от 10 и более │ 100 │

└──────────────────────────┴───────────────────────────────────┘

Таблица 5.3. Интервалы кластеризации

и соответствующая им кодировка входов

для данных по времени. Эксперимент 14.

┌──────────────────────────┬───────────────────────────────────┐

│Интервал кластеризации,дни│ Код, подаваемый на вход нейрона │

├──────────────────────────┼───────────────────────────────────┤

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.