автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная многоконтурная система поддержки принятия решений аналитика

4094526

Карлов Дмитрий Николаевич

ИНТЕЛЛЕКТУАЛЬНАЯ МНОГОКОНТУРНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ АНАЛИТИКА

Специальность 05.13.01 - Системный анализ, управление и обработка информации (информационные и технические системы)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 4 023 "

Краснодар-2011

4854526

Работа выполнена в ГОУ ВПО «Кубанский государственный технологический университет»

Научный руководитель: кандидат технических наук

Шумков Евгений Александрович

Официальные оппоненты: доктор технических наук, профессор

Плахотнюк Александр Николаевич

кандидат технических наук, доцент Ермоленко Владимир Валентинович

Ведущая организация: Кубанский государственный

аграрный университет

Защита состоится "2" марта 2011 г. в 16.00 час. на заседании диссертационного совета Д 212.100.04 в Кубанском государственном технологическом университете по адресу: 350072, г. Краснодар, ул. Московская 2, ауд. Г-251

С диссертацией можно ознакомиться в библиотеке Кубанского государственного технологического университета по адресу: 350072, г. Краснодар, ул. Московская, 2

Автореферат разослан "29 "января 2011г.

Ученый секретарь

диссертационного совета Д 212.100.04, /7 л

канд. техн. наук, доцент А. В. Власенко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность исследования. В связи с все возрастающими объемами хранимых данных, так и с возрастающей сложностью решаемых задач, в текущее время остро встает вопрос автоматической обработки данных, в том числе получение новых знаний. Как пример можно привести хранилища данных торговых предприятий (в том числе гипермаркетов и розничных сетей), в которых скопился большой объем информации о торговых транзакциях, контрагентах, поставщиках и так далее. Эти данные содержат в себе много важной бизнес - информации, в которой необходимо находить новые знания для дальнейшей успешной работы бизнеса. Другим примером огромных накопленных данных служит фармацевтика, медицина и генетические исследования - есть много накопленных данных и знаний о человеческом организме, лекарствах, болезнях и необходимо искать и находить новые химические соединения для создания лекарств. Можно привести много примеров, где необходим поиск новых знаний на базе накопленных массивов информации.

В данной работе исследуется применимость поиска новых закономерностей на финансовых рынках. Данная задача актуальна по ряду причин, например, институт игры на бирже все больше и больше проникает к обычному человеку, в нашей стране появляется все большее количество дистрибьюторских центров доступа к биржам. Ежедневный оборот только на рынке Форекс в 2010 году - 4 трлн долларов (оценочно). В России так-

же наблюдается повышенный интерес к игре на финансовых играх, например, по данным РТС - только у нее свыше 80 тысяч клиентов.

Цслыо диссертационной работы является разработка интеллектуальной многоконтурной системы поддержки принятия решения аналитика финансовых рынков и методов автоматического поиска новых закономерностей.

Задачи исследовании:

• исследование методов прогнозирования и анализа временных рядов финансовых рынков;

• разработка алгоритмов автоматического построения механической торговой системы (далее МТС);

• создание алгоритма поиска новых математических закономерностей на рынке Рогех на базе технических индикаторов;

• анализ современных методов обучения нейронных сетей;

• проверка возможностей использования нейронных сетей на рынке Рогех;

• разработка нового алгоритма обучения нейронных сетей;

• создание информационной системы автоматического отслеживания событий на финансовых рынках и автоматического поиска новых закономерностей поведения финансовых рынков в рамках системы поддержки принятия решений (далее СППР).

Методы исследовании. Задачи исследования решены с использованием методов теории искусственных нейронных сетей, системного анализа, математической статистики, фундаментального и технического анализа, нечеткой логики и искусственного интеллекта.

Научная новизна исследования заключается в следующих результатах:

• разработан скоростной метод обучения многослойного персеп-трона;

• разработан подход к построению систем поиска новых знаний;

• разработан подход автоматического поиска механических торговых систем с заданными параметрами;

• реализована система поддержки принятия решений для поиска новых знаний для финансовых рынков.

Практическая ценность работы заключается в разработке и апробации нового метода обучения многослойного персептрона, разработке подхода к построению системы поиска новых знаний и реализация этого подхода в СППР аналитика финансового рынка.

Реализация и внедрение результатов работы. Разработанная система Р8у$1ет внедрена в ЗАО Банк «Первомайский».

Основные положения, выносимые на защиту:

• скоростной метод обучения многослойного персептрона;

• метод создания многоконтурной системы управления поиска знаний на финансовых рынках;

• метод автоматического построения МТС;

• система поддержки принятия решений аналитика финансового рынка.

Публикации. Результаты исследования опубликованы в 4 печатных работах соискателя (в том числе 2 в журналах рекомендованных ВАК), также подана заявка на патент.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы и приложений. Объем диссертации составляет 131 страницу, содержащую 21 таблиц и 37 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность и сформулирована научная проблема исследования, определены его объект и предмет, поставлены цель и задачи исследования.

В первой главе проведен анализ существующих методов поиска новых знаний, а также большое внимание уделено анализу существующих методов анализа финансовых временных рядов. Отмечено, что основными инструментами аналитиков финансовых рынков являются фундаментальный и технический анализ, а также в последнее время широкое распространение получают методы теории хаоса и искусственного интеллекта. Рассмотрены существующие методы обучения нейронных сетей, отмечены их достоинства и недостатки. Основным способом обучения многослойно-

го персептрона является метод обратного распространения ошибки. Данный метод обучения хорошо себя зарекомендовал при решении многих задач. Но у данного метода есть недостатки, к которым можно отнести: длительное время обучения; частое нахождение локальных, а не глобальных минимумов; проблема выбора адекватной архитектуры сети и другие. Но основной проблемой обучения нейронной сети по данному методу является длительное время обучения, то есть через сколько итераций ошибка сети будет меньше заданной. Рассмотренные современные скоростные алгоритмы обучения многослойного персептрона в основном имеют ограничения либо по количеству выходов, либо требуют априорной информации о моделируемой задачи в виде формул или правил.

Во второй главе обоснован и описан новый метод обучения многослойного персептрона - "скоростной метод обучения".

В данной работе предлагается метод обучения нейронной сети, который также как и алгоритм обратного распространения ошибки использует ошибку на выходах сети и последовательно пропускает ее через слои нейронной сети от выходного к входному. В основе предлагаемого метода лежит вычисление обратной функции от гиперболического тангенса, подсчет разницы между желательным и реальным значением на входе в нейрон и корректировка синаптических связей на необходимые значения. Метод относится к классу обучения с учителем.

Предлагаемый метод обучения разработан для стандартного многослойного персептрона прямого распространения сигнала, по может применяться и для некоторых других нейросетевых топологий. Нейрон функционирует стандартным способом:

=ХХ~" ' (1)

/.-о

где - вектор, входящий в сумматор /-го нейрона к -го слоя; /(г) -функция активации нейрона (в данной работе рассматривается только гиперболический тангенс); у)1) - сигнал на выходе /-го нейрона к -го слоя, % - веса синоптических связей между слоями.

Многослойный персептрон состоит из к - слоев: входного, который не производит никаких вычислений, а только распространяет входной вектор далее; скрытых слоев, количество которых может быть неограниченным; выходного слоя, с которого снимается результат вычислений многослойного перссптрона.

Алгоритм скоростного обучения многослойного персептрона состоит из следующих шагов:

1. Подача на вход выбранного случайным образом примера и расчет значений V, на выходе сети. Или, в зависимости от выбранного способа подсчета ошибки, пакетная подача примеров с суммированием ошибки на выходе.

2. Расчет обратной функции от гиперболического тангенса, то есть расчет того, что должно было входить в нейроны выходного слоя для правильного ответа сети. Обратная функция от гиперболического тангенса:

(О

О

где а - параметр гиперболического тангенса.

3. Расчет разницы между тем, что должно было входить в нейрон и тем, что реально было на него подано:

¿¡-г?(4) где г - число, которое должно было быть подано на вход нейрона выходного слоя для правильного ответа, г - то, что реально вошло в нейрон. Таким образом, мы вычисляем разницу между желаемым и действительным входом в нейрон.

4. Генератором случайных чисел разбиваем 8 по всем синаптическим связям, входящим в данный нейрон в процентном соотношении. При этом:

2>,=1, (5)

5. Вычисляем - на сколько нужно изменить сигнал, исходящий из нейрона предыдущего слоя, при этом учитываем, что данный сигнал идет на все нейроны последующего слоя умноженный на соответствующие веса связей. При этом мы хотим распределить ошибку и на

веса связей м> и на выход предыдущего слоя г"''1), чтобы изменения затронули и предыдущие слои нейронной сети. Исходная система уравнений для первого нейрона (к-1) слоя:

(6)

В данном случае получается (п+1) неизвестное - это и',у'1 и г,1,' ". Наиболее простым решением является следующее - пусть:

^'^-¿•■А.Ц-А 0, (7)

где р - случайное число (//е[0;1]). Далее подставляя установленное

М*) '(к-1)

значение IV,, в первое уравнение системы (6) находим г,- , после подставляем найденное значение выхода первого нейрона в остальные уравнения системы (6) находим новые значения весов связей. Система (6) составляется для каждого нейрона слоя (к-1). Далее, аналогично вычисляются изменения для предыдущих слоев, то есть от предпоследнего к входному, в частности следующий шаг - вычислить через обратную функцию гиперболического тангенса, сколько должно получиться на входах нейронов [к -!) слоя.

В скоростном методе обучения ошибку можно считать: • по валидационной выборке после каждого поданного во время обучения примера;

• суммарно по всем обучающим примерам (пакетный способ).

При этом второй способ целесообразен при небольшой обучающей выборке.

Общий алгоритм решения задач с помощью скоростного алгоритма обучения многослойного персептрона состоит из следующих шагов

1. Выбор значащих входных и выходных переменных модели.

2. Формализация переменных модели.

3. Дискретизация переменных модели

На этом шаге выполняется приведение всех переменных входящих в формулу к дискретному виду. Непрерывные переменные подвергаются процедуре шкалирования на области допустимых значений. Количество и интервалы шкал переменных определяются экспертом на основании прагматической целесообразности, или рассчитываются из условия равновероятного распределения. Значениям переменных имеющих нечисловую природу ставятся в соответствие наборы дискретных значений. Каждому интервалу шкалы каждой непрерывной переменной ставится в соответствие дискретная переменная.

4. Построение архитектуры нейронной сети согласно выбранным критериям определения количества скрытых слоев и нейронов в них.

5. Инициализация связей между нейронами сети генератором случайных числе в интервале [-1;1].

6. Выбор примера для обучения генератором случайных чисел.

7. Подача выбранного примера на входы и выходы нейронной сети и изменение связей согласно выше написанным формулам.

8. Расчет ошибки сети либо на тестовой выборке, либо на всех примерах.

9. Если ошибка меньше заданной, то окончание процесса обучения, если нет, то цикл на шаг 6.

После завершения обучения нейронной сети для получения правильного значения выходов необходимо провести операцию обратную шкалированию на шаге 3.

Данный метод позволяет за меньшее количество итераций обучить многослойный персептрон на заданном множестве примеров по сравнению с методом обратного распространения ошибки. При этом вычислительная сложность алгоритма также меньше. Скоростной метод обучения многослойного персептрона позволяет оценить - возможно, ли выйти на заданную ошибку обучения нейронной сети или нет. Также скоростной метод обучения можно использовать как самостоятельный при решении некритических задач.

В третьей главе рассматривается разработанная СППР аналитика финансовых рынков. Данная система многокомпонентная и разработана по современным методикам построения систем интеллектуального анализа данных. В общем виде СППР реализована, как показано на рисунке 1.

Рисунок 1. Общая структура СППР

Разработанная СППР состоит из следующих компонент: блок сбора информации, блок хранения информации, блок предварительной обработки информации, OLAP - модуля, блок поиска новых знаний, блок тестирования, блок торговли, торговых терминалов и др.

Блок хранения информации реализуется на основе технологии Хранилище Данных (далее ХД). В ХД содержится вся необходимая для анализа информация, в том числе значения котировок финансовых инструментов.

Блок сбора информации предназначен для загрузки данных из заранее определенных источников, а также для поиска новых источников данных. Его структура показана на рисунке 2.

Рисунок 2. Блок сбора информации в сети Интернет В качестве поставщика событий для системы анализа используются ЯБв - каналы. Информационный ресурс в минимальном составе состоит из БД, скрипта загрузки данных и скриптов (макросов) обработки данных. Для исследования влияния событий анализируются временные ряды финансовых рынков и макроэкономических показателей, при этом оценивается влияние макроэкономических показателей на финансовые временные ряды. В качестве источников временных рядов используются торговые терминалы Ме1айга<1ег (по валютному рынку) и С)шк (по российскому фондовому рынку) от соответствующих дистрибьюторских центров.

Система поиска новых знаний в первую очередь предназначена для поиска прибыльной стратегии для данного временного ряда в текущий временной интервал, или поиска временного ряда, на котором в данный временной промежуток возможна прибыльная стратегия. Общая схема блока

поиска новых знаний представлена на рисунке 3.

Блок поиска новых знаний построен на базе технологии Data - mining (интеллектуальный анализ данных) с введением новой технологии OLAM (On - Line Analytical Mining - анализ и поиск новых знании в режиме реального времени). В СППР реализованы следующие методы, отнесенные к составу Data - mining: модуль определения линий поддержки и

сопротивления, модуль поиска оптимальных параметров индикаторов, модуль определения фигур, модуль статистических методов прогнозирования, нейросетевой модуль, деревья решений, а также библиотеки генетических алгоритмов и нечеткой логики. При этом модули могут взаимодействовать друг с другом, запрашивая или предоставляя данные. Непосредственно поиском новых знаний занимается модуль ОЬАМ. Общая суть работы данного модуля, применительно к разработанной СППР- имеется большое количество финансовых временных рядов, также имеется библиотека методов анализа этих временных рядов, необходимо найти торговые стратегии (или методы прогнозирования), которые бы работали со статистическим преимуществом. Детальная схема модуля ОЬАМ представлена на рисунке 4.

Рисунок 4. Схема ОЬАМ - модуля

где СУ - система управления, МП - метод прогнозирования, СТ -система торговли. В общем виде реализованные СУ СТ и СУ СП — показаны на рисунке 5.

Рисунок 5. Основные блоки OLAM - модуля

БРМФ ТС - это блок реализации математических формул торговых систем. МФ СП - математическая формула системы прогнозирования и БВР - блок выбора результата. Crawler - это программный робот, который обходит в определенном порядке (возможно случайном) ячейки OLAP -куба параметров данного метода и подает их в соответствующие блоки. По

главной шине сигналов (выделена толстой линией) в случае СУ СТ идут параметры системы, например таймфрейм, условия открытия / закрытия позиций и т.д. В случае СУ СТ обратно идут параметры полученных торговых систем, в случае СУ МП точность прогнозирования (оценивается де-факто).

В связи с тем, что в системе идет постоянный многопоточный процесс анализа данных и в связи с ограниченными вычислительными ресурсами необходим блок ограничения поиска моделей, как контурах прогнозирования, так и торговых систем. В качестве такого блока предлагается разработанный блок самомодификации контуров (БСМК). Задача данного блока - управление контурами СУ МП и СУ СТ. БСМК реализует операции остановки работы конкретного СУ МП или СУ СТ и сохранение его конечных и наиболее успешных параметров, клонирование успешных моделей и скрещивание эффективных моделей с другими моделями

Учитывая сложность принятия решения о выборе торговой системы, решение ищется с помощью нечеткой логики, которая позволяет использовать опыт экспертов и чрезвычайно гибка для подстройки в процессе работы. Блок Нечеткого Выбора результата (далее БНВ) предназначен для выбора лучшей, с точки зрения текущих настроек, торговой стратегии или метода прогнозирования. База правил нечеткого вывода показана в таблице 1.

Таблица 1. - База правил нечеткого вывода

P/L РЛ. 1-0«/ Р/1. М*с1 P/L High

ADP АйР 1.о*у ADP Mid lAOP High АОР АРР МИ АОР АОР Low ADP Mid ADP High

¡MS MS 1 им М|с1 МИ Mid Hiqh

MS 2 Ш М|С) ША Ми) МИ Hiqh Hiqh

MS 3 Ми) ММ ми МИ Н1дЬ КдЬ НдЬ High Hiqh

В Таблице 1 показан выбор ТС по трем параметрам (простая модель): рц - прибыль к убыткам, ЛОР - математическое ожидание выигрыша и МБ - максимальное проскальзывание. Выходная переменная - уверенность отбора торговой системы. Покажем правило вывода для затемненной ячейки:

ЕСЛИ (Доходность) - (средняя) И (Матожидание выигрыша) = {низкое) И {Максимальное проскальзывание) = (среднее) ТОГДА (Уверенность отбора ТС) = (средняя)

Отдельно отметим блок методов искусственного интеллекта, который содержит макросы и скрипты реализующие: нейронные сети, генетические алгоритмы, методы нечеткой логики, деревья решений. В частности реализованы нейронные сети двух типов: многослойный персептрон для прогнозирования и сеть Кохонена для классификации. При этом реализованы следующие алгоритмы обучения: обратного распространения ошибки, 11Ргор, скоростной метод обучения и подбор весов генетическим алгоритмом.

В четвертой главе исследовался метод скоростного обучения многослойного персептрона и методика автоматической генерации торговых систем на базе разработанной СППР аналитика финансовых рынков. В ре-

зультате экспериментов было получено, что разработанный скоростной метод обучения обучает многослойный персептрон в среднем в 4 раза быстрее, чем алгоритм обратного распространения ошибки ив 1.77 раза быстрее, чем алгоритм ЯР го р. Также использование скоростного алгоритма сокращает количество нейронов в скрытом слое, в сравнении с стандартным методом на 9.5%, а в сравнении с алгоритмом 11Ргор на 6.5%. В то же время проигрывает в точности прогнозирования на заранее неизвестных примерах алгоритму обратного распространения ошибки (в среднем на 6.4%) и превосходит по точности алгоритм ЯР гор на 3.3%.

В случае использования нейронной сети в качестве ядра торговой системы, применение скоростного метода обучения, в сравнении с методом обратного распространения ошибки, дает многократное преимущество по времени нахождения адекватной модели, некоторое преимущество по количеству перебираемых моделей, практически не использует два и более скрытых слоя, однако проигрывает по времени жизни модели. Все эксперименты по прогнозированию проводились для прогноза абсолютного значения прогнозируемой величины, в данном случае по точности прогноза алгоритм обратного распространения ошибки имеет преимущество, однако для данной задачи в реальной торговле используется прогнозирование знака изменения относительного движения котировки - в таком случае по качеству прогнозирования методы практически идентичны, но скоростной алгоритм имеет неоспоримое преимущество по времени генерации адекватной модели.

Также в четвертой главе исследовался ОЬАМ - модуль, который позволяет в автоматическом режиме получить МТС работающие со статистическим преимуществом. Результаты экспериментов показали, что ней-росетевые модели имеют значительное преимущество над моделями, созданными на базе методов технического анализа.

В заключении описаны выводы и результаты проделанной работы. В приложениях представлены результаты частотного анализа повторяемости комбинаций японских свечей и распределения движения валютных временных рядов по времени суток.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ Проделанная в рамках диссертации работа позволила ответить на поставленные вопросы, цели и задачи исследования. Основными задачами исследования являлись: возможность создания автоматической системы поиска новых закономерностей на финансовых рынках и разработка алгоритма обучения многослойного персептрона с высокими скоростными характеристиками обучения. Выполненные нами исследования и разработки позволили сделать следующие выводы:

1. Разработан скоростной метод обучения нейронной сети, который характеризуется высокой скоростью обучения. Нейронная сеть обучается в среднем в 4 раза быстрее и использует меньшее на 9.5% количество нейронов в скрытом слое в сравнении с алгоритмом обратного распространения ошибки. При этом скоростной алгоритм обучения проигрывает в точности прогнозирования на

заранее неизвестных примерах (в среднем на 6.4 %) методу обратного распространения ошибки и выигрывает у алгоритма 11Ргор на 3.3 %. В тоже время в задаче прогнозирования знака изменения котировки, разработанный алгоритм идентичен по точности алгоритму обратного распространения ошибки, а высокая скорость обучения дает преимущество при использовании.

2. Разработан подход к созданию систем автоматического поиска новых знаний (скрытых закономерностей), реализованный в виде ОЬАМ - модуля. При этом подход универсален в плане выбора инструмента поиска, в частности используются методы математической статистики, искусственные нейронные сети, генетические алгоритмы, деревья решений и нечеткая логика.

3. На основе современных информационных технологий и методов искусственного интеллекта реализована интеллектуальная многоконтурная система поддержки принятия решений аналитика финансовых рынков, которая реализует следующую цепочку: "поиск и накопление данных - предварительная обработка данных - поиск торговых систем - торговля".

4. В ходе работ было выявлено, что торговые системы, использующие нейронные сети в качестве прогнозирующего ядра, имеют преимущество по основным показателям МТС, над системами, построенными на базе методов технического анализа.

5. В результате экспериментов выявлено, что нейросетевые МТС, использующие для обучения скоростной метод выигрывают у алгоритма обратного распространения ошибки по времени поиска адекватной модели, по количеству перебранных моделей, по длине обучающей выборки, а также практически не используют два и более скрытых слоя, в то же время проигрывают по времени жизни модели.

6. Построена система автоматического поиска и ранжирования политических и экономических новостей (в том числе и макроэкономических индикаторов)

ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Карлов Д.Н., Шумков Е.А. Система поиска адекватных математических моделей // Сборник статей XXIV Международной научно - технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (зимняя сессия). - Пенза: Приволжский Дом знаний. - 2009. - С. 149-150.

2. Карлов Д.Н., Шумков Е.А. Автоматическая система отслеживания политических и экономических новостей // Сборник статей XXV Международная научно - техническая конференция (летняя сессия) «Математические методы и информационные технологии в экономике, социологии и образовании». - Пенза: Приволжский Дом знаний. - 2010. - С. 29-31.

3. Шумков Е.А., Карлов Д.Н. Построение МТС на базе частотного и временного анализа японских свечей. // Известия ЮФУ. Технические науки. - Таганрог, 2010. - №2 (103). - С. 236- 242.

4. Шумкова O.A., Карлов Д.Н., Шумков Е.А. Многоконтурная система анализа финансового рынка. // Труды Кубанского Аграрного Университета. - Краснодар: КубГАУ, 2010 - № 4(25). - С. 31 -35.

Подписано и печать 28.01.2011. Печать трафаретная. Формат 60x84 V|f„ Усл. псч. л. 1,35. Тираж 100 экч. Заказ № 434. ООО «Издательский Дом-Юг» 350072, г. Краснодар, ул. Московская 2, корм. «В», оф. В-120

тел. 8-918-41-50-571 e-mail: oHbmcnko@yandcx.ru Сайг: http://id-yiig.narod2.ru

Оглавление.^

Введение.^

Глава 1. Задача анализа финансовых временных рядов.

1.1 Гипотеза эффективного рынка.

1.2 Фундаментальный анализ.

1.3 Технический анализ.^

1.4 Волновой анализ.

1.5 Цифровые фильтры для финансовых временных рядов.-.

1.6 Анализ и классификация традиционных методов прогнозирован^*^ временных рядов рынка Рогех.

1.7 Современные методы прогнозирования временных рядов рынка Рогех.

1.7.1 Применение теории хаоса.

1.7.2 Фрактальный анализ.-

1.7.3 Нейронные сети."

1.7.4 Генетические алгоритмы.-- —

1.8 Механические торговые системы.

Выводы первой главы.

Глава 2. Скоростной метод обучения многослойного персептрона.- - ~" ^

2.1 Топология многослойного персептрона.— - "

2.2 Алгоритм скоростного метода обучения многослойного персептр-*^

2.3 Расчет ошибки и структура сети.- — ~ '

2.4 Общий алгоритм решения задач с помощью скоростного алгоритг^^^ обучения многослойного персептрона.— — ~ ^

Выводы второй главы.— —

Глава 3.— ^

3.1 Системы поддержки принятия решений.- — ~

3.2 Общая структура системы поддержки принятия решений на финансовых рынках.

3.2.1 Блок сбора информации.

3.2.2 Блок предварительной обработки информации.

3.2.3 Блок статистики.

3.2.4 Модуль факторного анализа.

3.2.5 Блок технического анализа.

3.2.6 Блок тестирования.

3.2.7 Блок торговли.

3.2.8 Блок методов искусственного интеллекта.

3.3 Общая структура модуля ОЬАМ в составе СППР аналитика рынка Рогех.

3.4 Модуль индикаторов (на примере МАСБ).

3.5 Система самомодификации систем управления.

3.6 Нечеткий мультиплексор.

3.6.1 Алгоритм подстройки нечеткого мультиплексора.

3.7 Система управления нейросетевым модулем прогнозирования.

3.8 Нейросетевой модуль поиска фигур технического анализа на графике

Выводы третьей главы.

Глава 4.

4.1 Тестирование скоростного метода обучения многослойного персептрона.

4.1.1 Стандартная предобработка данных для прогнозирования.

4.1.2 Результаты методов обучения нейронных сетей при прогнозировании.

4.2 Тестирование Модуля Систем управления Методами Прогнозирования.

4.3 Тестирование Модуля Систем управления МТС.

Выводы четвертой главы.

В связи с все возрастающими* объемами хранимых данных, так и с все возрастающей сложностью^ решаемых задач, встает вопрос автоматической обработки данных, в том числе и в поиске закономерностей, как по существующим фильтрам, так и абсолютно новых [4]. Как пример можно привести хранилища данных торговых предприятий (в том числе гипермаркетов и розничных сетей), в которых скопился' большой объем информации о торговых транзакциях, контрагентах, поставщиках и так далее. Эти данные содержат в себе много важной бизнес - информации, в которой необходимо находить новые знания для дальнейшей успешной работы бизнеса. На решение данных задач направлена« технология CRM — систем. Другим примером огромных накопленных знаний служит фармацевтика, медицина и генетические исследования - есть много накопленных данных и знаний о человеческом организме, лекарствах, болезнях и необходимо искать и находить новые химические соединения для« создания- лекарств. Можно привести много примеров, где необходим поиск новых знаний на базе накопленных массивов информации и знаний. В данной* работе исследуется применимость поиска новых закономерностей на финансовых рынках. Данная задача актуальна по ряду причин, например, институт игры на бирже все больше и больше проникает к- обычному человеку, в нашей стране появляется все большее количество дистрибьюторских центров доступа к биржам, а также тем, что несмотря на колоссальный накопленный объем информации и методов игры на бирже, до сих пор практически все игроки "спотыкаются" на гипотезе эффективного рынка.

В данной работе рассматривается в основном рынок Forex, в случае рассмотрения фондового рынка - будет отдельно указано. Главное отличие на взгляд автора валютного от фондового рынка - большая средняя динамика, то есть количество изменения цены в единицу времени, а также большая относительная волантильность [3, 8]. Это особенно видно при сравнивании .отечественного фондового и валютногорынков.

Истинный механизм, который определяет динамику цен активов, вряд ли кому-нибудь доподлинно известен. Единственное, что можно сказать с уверенностью - в изменении цен присутствуют случайные факторы. А вот природа этих факторов может быть различной.

Игроками финансовых рынков применяется большое количество технологий анализа данных. Например, технический анализ, фундаментальный анализ, теория хаоса и нелинейная динамика, теория искусственных нейронных сетей, статистическая физика и т.д.

В данной работе особое внимание уделено применению аппарата искусственных нейронных сетей на финансовых рынках, в связи с тем, что-данное направление очень перспективно [17, 30, 32, 33, 88]. В частности нейронные сети хорошо подходят для задач в которых существует большое количество влияющих факторов, как известных, так и неизвестных. Также нейронные сети имеют следующие преимущества [16, 33, 79]: а) инвариантность методов синтеза нейронных сетей к размерности пространства признаков и размерам нейронной' сети; б) адекватность современным перспективным технологиям; в) отказоустойчивость в смысле монотонного (постепенного), а не катастрофического изменения качества решения задачи в зависимости от числа вышедших из строя элементов; г) высокая скорость формирования результата за счет естественного массового параллелизма функционирования; д) высокая помехоустойчивость и адекватность; е) возможность интеграции в одной модели переменных имеющих разную природу и типы значений; ж) нечувствительность к наличию пропусков и искажений в данных; з) неявный учет скрытого взаимного влияния известных переменных и реализация нелинейного влияния неизвестных параметров. Основными недостатками нейросетей, препятствующими их использованию относятся: а) невозможность вербализации нейросетевой базы знаний и, как следствие, неинтерпретируемость результата сформированного нейросетевой моделью; б) необходимость наличия большого объема исходных данных для 1 обучения и тестирования нейросетевой модели; в) значительное время обучения нейросетевой модели; г) необходимость обучения персонала основам теории искусственных нейронных сетей и работе с нейросетевыми программными комплексами.

Актуальность данной диссертационной работы заключается в следующих выводах:

1. Разработка нового скоростного метода обучения нейронных сетей является важным вкладом в развитие направления создания нейросетевых интеллектуальных сетей;

2. Программная реализация системы поиска адекватных математических моделей позволяет получить мощное и доступ1106 средство поиска новых знаний.

ЧУ

3. Система поддержки принятия решений поиска новых знании, реализованная для работы на финансовых рынках, позволяет получить доступное и привлекательное средство -Для оперативного анализа и управления портфелем инвестора. На основании перечисленных требований к методам нейросетезого моделирования процессов, сформулированы вопросы, отражающие научную проблему:

1. Возможно ли повысить скорость обучения нейронной сети с учителем?

2. Как математически и программно реализовать систему поиска новых знаний?

3. Возможно ли создание обобщенной методологии построения системы поиска новых знаний?

4. Возможно ли создание автоматической системы создания МТС (механических торговых систем)?

Целью работы является разработка интеллектуальной многоконтурной системы поддержки принятия решения аналитика финансовых рынков и методов автоматического поиска новых закономерностей.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Проанализировать существующие методы автоматического поиска новых закономерностей.

2. Исследовать возможность применения нейронных сетей для поиска новых закономерностей.

3. Проверка возможностей использования нейронных сетей на рынке Богех;

Содержание диссертационной работы отражает реализацию поставленных задач.

В первой главе проведен анализ существующих методов поиска новых знаний, а также большое внимание уделено анализу существующих методов анализа финансовых временных рядов. Рассмотрены существующие методы обучения нейронных сетей, отмечены их плюсы и минусы.

Во второй главе обоснован и описан новый метод обучения многослойного персептрона - "скоростной метод обучения". Данный метод позволяет за гораздо меньшее количество итераций обучить многослойный персептрон на заданном множестве примеров по сравнению с методом обратного распространения ошибки. При. этом вычислительная сложность алгоритма также меньше. Скоростной, метод обучения-многослойного персептрона позволяет оценить, возможно, ли выйти на заданную ошибку обучения нейронной сети или нет. Данный метод обучения предлагается использовать как оценочный в случае критически важных задач перед применением метода обратного распространения ошибки, в случае некритически важных задач результатами нейронной сети, обученной данным методом можно.пользоваться непосредственно.

В третьей главе представлена разработанная система поддержки принятия решений игрока финансового рынка для поиска новых закономерностей. Данная система разработана на основе современных информационных технологий. В процессе поиска новых знаний используются: нейронные сети, генетические алгоритмы, нечеткая логика, методы математической. статистики, элементы теории автоматического-управления и др. Широко в; данной-системы используются также web — технологии. Также реализована многоконтурная система управления поиска адекватных параметров МТС. Разработанную систему по совокупности признаков также можно- отнести к классу Business Intelligence систем.

В четвертой главе представлены результаты работы системы поддержки принятия решений, как по поиску параметров МТС, так и сравнительные результаты работы нейронных сетей в задаче прогнозирования курса котировок.

В заключении описаны выводы и результаты проделанной работы.

Задачи исследования решены с использованием методов теории искусственных нейронных сетей, нечеткой логики, генетических алгоритмов, системного анализа, математической статистики и современных информационных технологий.

Научная новизна исследования заключается в следующих результатах:

1. Разработан скоростной метод обучения многослойного персептрона.

2. Разработан подход к построению систем поиска новых знаний.

3. Разработан подход автоматического поиска механических торговых систем с заданными параметрами.

4. Реализована система поддержки принятия решений по поиску новых знаний для финансовых рынков.

Практическая значимость работы заключается в разработке и апробации нового метода обучения многослойного персептрона, разработке подхода к построению системы поиска новых знаний, а также реализация данного подхода для финансовых рынков.

Основные положения, выносимые на защиту:

1. Скоростной метод обучения многослойного персептрона.

2. Подход к созданию информационных систем поиска новых закономерностей.

3. Метод создания многоконтурной системы управления поиска знаний на финансовых рынках.

4. Система поддержки принятия решений игрока финансового рынка.

Разработанная система поддержки принятия решений внедрена в ЗАО Банк «Первомайский.

Основной материал работы опубликован в 4 научных статьях в журналах из списка ВАК, а также в 2 тезисах международных конференций.

Диссертация состоит из введения, четырех разделов, заключения и списка литературы. Ее общий объем составляет 131 страницу текста, содержащего 20 таблиц и 37 рисунков.

Выводы четвертой главы

В данной- главе проверялся разработанный метод скоростного обучения многослойного- персептрона и методика автоматической генерации торговых систем на базе разработанной' в! Главе 3 системы поддержки принятия решений аналитика финансовых рынков. В-результате экспериментов было получено, что разработанный скоростной метод обучения обучает многослойный персептрон в среднем в 4 раза быстрее, чем алгоритм обратного распространения ошибки ив 1.77 раза быстрее, чем алгоритм КРгор. Также использование скоростного алгоритма сокращает количество нейронов в скрытом слое, в- сравнении со стандартным методом на 9.5%, а в сравнении с КРгор на 6.5%. В то же время- проигрывает в точности прогнозирования на заранее неизвестных примерах алгоритму обратного распространения ошибки (в, среднем на 6.4%) и превосходит по точности алгоритм КРгор на 3.3%.

В случае использования нейронной сети в качестве ядра торговой системы, применение скоростного алгоритма обучения, в сравнении' с алгоритмом, обратного распространения ошибки, дает многократное преимущество по времени нахождения адекватной модели, некоторое преимущество по количеству перебираемых моделей, практически не использует два скрытых слоя и более, однако проигрывает по времени жизни модели. В-то же время — все эксперименты по прогнозированию проводились для прогноза- абсолютного значения прогнозируемой величины, в данном случае по точности прогноза алгоритм обратного распространения ошибки имеет неоспоримое преимущество, однако' для данной задачи в реальной торговле используется прогнозирование знака изменения относительного движения котировки, в таком- случае, по качеству прогнозирования методы практически одинаковы, но скоростной алгоритм имеет неоспоримое преимущество по времени генерации адекватной модели.

Также исследовались системы управления системами торговли, которые позволяют в автоматическом режиме получить автотрейдер работающий со статистическим преимуществом. Результаты экспериментов показали, что нейросетевые модели имеют значительное преимущество над моделями, созданными на базе методов технического анализа.

Заключение

Проделанная в рамках диссертации работа позволила ответить на поставленные вопросы, цели и задачи исследования. Основными задачами; исследования являлись: возможность создания автоматической системы поиска новых закономерностей на финансовых рынках и разработка алгоритма обучения многослойного персептрона с высокими скоростными характеристиками обучения. Выполненные нами исследования и разработки позволили сделать следующие выводы:

1. Разработан скоростной метод обучения нейронной сети, который характеризуется высокой скоростью обучения. Нейронная сеть обучается в среднем в 4 раза быстрее и использует меньшее на 9.5% количество нейронов в скрытом слое в сравнении с алгоритмом обратного распространения ошибки. При этом скоростной алгоритм обучения проигрывает в точности прогнозирования на заранее неизвестных примерах (в среднем на 6.4 %) методу обратного распространения: ошибки и выигрывает у алгоритма RProp на 3:3 %. В тоже время в задаче прогнозирования знака, изменения котировки, разработанный; алгоритм* идентичен по точности алгоритму обратного распространения ошибки, а высокая скорость обучения дает преимущество при использовании.

2. Разработан подход к созданию систем автоматического поиска знаний (скрытых закономерностей), реализованный в виде OLAM - модуля: Данный подход основан на создании многоконтурной системы поиска по OLAP - кубам параметров. При этом подход универсален в плане выбора инструмента поиска, в частности, используются методы математической статистики, искусственные нейронные сети, генетические алгоритмы и нечеткая логика.

3. На основе современных информационных технологий и методов искусственного интеллекта реализована интеллектуальная многоконтурная система поддержки принятия решений аналитика финансовых рынков, которая реализует следующую цепочку: "поиск и накопление данных - предварительная обработка данных - поиск торговых систем - торговля".

4. В ходе работ было выявлено, что торговые системы, использующие нейронные сети в качестве прогнозирующего ядра, имеют преимущество по основным показателям МТС, над системами, построенными на базе методов технического анализа.

5. В результате экспериментов выявлено, что нейросетевые МТС, использующие для обучения скоростной метод выигрывают у алгоритма обратного распространения ошибки по времени поиска адекватной модели, по количеству перебранных моделей, по длине обучающей выборки, а также практически не используют два и более скрытых слоя, в то же время проигрывают по времени жизни модели.

6. Построена система автоматического поиска и ранжирования политических и экономических новостей (в том числе и макроэкономических индикаторов).

1. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. №3. - С. 72-77.

2. Акелис G. Технический анализ от А до Я. Финанс Инвест. Электронный учебник. 1999. - 210 с.

3. Алексеенкова М.В. Применение отраслевого анализа ценных бумаг в российской переходной экономике. Автореферат канд. экон. Наук. М.: ГУ ВШЭ. 2002. - 24 с.

4. Армстронг Р. Семь этапов оптимизации производительности хранилища данных. Открытые системы 2002 №1.- С: 51-54.

5. Архангельский В.И., Богаенко И.Н., Грабовский Г.Г., Рюмшин H.A. Системы фуцци-управления. К.: Тэхника, 1997. - 208 с.

6. Астафьева Н.В. Вейвлет-анализ: основы теории и примеры применения // УФН, 1996, №11, С. 1145 - 1170.

7. Ахромеева Т.С., Курдюмов С.П., Малинецкий- Г.Г., Самарский A.A. Структуры и хаос в нелинейных средах. М.: ФИЗМАТ ЛИТ, 2007. — 488 с.

8. Барашов Н.Г. Циклическая динамика структурно технологических сдвигов в развитии экономических систем; Автореферат дисс. доктора экон. наук. Саратов: СГСЭУ, 2010.

9. Беллман Р., Заде JI. Принятие решений в расплывчатых условиях.- В кн.: Вопросы анализа и процедуры принятия решений.- М.:Мир, 1976. С. 172-215.

10. Белевский И. К. Маркетинговое исследование: информация, анализ, прогноз. -М.: Финансы и статистика, 2001. 320 с.

11. П.Беляев С.Р. Торговая система (расчет следующей свечи). Технический анализ рынка Forex. М.: ФГУП «Пик ВИНИТИ», 2004.-170 с.

12. Березин И. С. Маркетинг и исследования рынков. М.: Русская деловая литература, 1999. - 416 с.

13. Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. - 256 с.

14. Борисов А.Н., Алексеев A.B., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений.- М: Радио и связь. 1989. 304 с.

15. Бочарников В.П. Fuzzy-Технология: математические основы практика моделирования в экономике. Санкт-Петербург, 2001 328 с.

16. Бычков А. В. Нейросетевое управление рентабельностью предприятия: дис. канд. техн. наук. Краснодар, 2001. - 156 с.

17. Булашов С.В. Статистика для трейдеров. М.: Компания Спутник+, 2003.-245 с.

18. Вагнер Г. Основы исследования операций. В 3-х томах. — М.: Мир,-т.1. 1972-335с.-т.2. 1973.-488с.-т.3. 1973.-501 с.

19. Вайну Я. Я.-Ф. Корреляция рядов динамики. М.: Статистика, 1977. - 119 с.

20. Вентцель Е. С. Исследование операций. — М.: Высшая школа, 2001. -208 с.

21. Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. X.: ОСНОВА, 1997. 112 с.

22. Вучков И и др. Прикладной линейный* регрессионный анализ. М.: Финансы и статистика, 1987.

23. Байцур Г. «Гиперактивные торговые автоматы на рынках группы ММВБ — анализ влияния на общую активность торгов и технические риски участников». // Журнал «Биржевые технологии».2009 №9. стр.7-12.

24. Галушкин А.И. О Современных направлениях развития нейрокомпьютеров //Информационные технологии. 1997. - №5. - С. 2-5.

25. Галушкин. А.И. Нейрокомпьютерные системы. М.: Издательское предприятие журнала "Радиотехника", 2000.- 205с.

26. Гарбар П. Организация отказоустойчиво хранилища. Открытые системы 2002 №4. - С: 56-61.

27. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере Новосибирск: Наука, Сибирская издательская фирма РАН", 1996-276 с.

28. Де Марк Т. Технический анализ новая наука. - М.: Диаграмма, 1997. - 122 с.

29. Джейн А. К., Мао Ж., Моуддин К. М. Введение в искусственные нейронные сети // Открытые системы. 1997. - № 4. - С. 16-24.

30. Доререр М.Г. Психологическая интуиция искусственных нейронных сетей: дис. канд. техн. наук. Красноярск, 1998.- 126 с.

31. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их применение // УФН, 2001, №5. С.465 - 501.

32. Ежов А., Чечеткин В. Нейронные сети в медицине. // «Открытые системы.» -1997.- №4. С. 34-37.

33. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М: ФИАН, 1998. - 222с.34: Елисеева И: И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. -368 с.

34. Ермоленко В.В. Разработка нейросетевой- базы знаний интеллектуальной автоматизированной системы мониторинга образовательного процесса: дис. канд. техн. наук. Краснодар, 1996.- 130 с.

35. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений.-М. :Мир,-1976.-165 с.

36. Заенцев И. В. Нейронные сети: основные модели. Учебное пособие . Воронеж: ВГУ. 1998.- 76с.

37. Замков' 0.0.,Толстопятенко А.В.,Черемных Ю.Н. Математические методы в экономике. Учебник МГУ им. Ломоносова М.: Издательство "ДИС", 1998.-368с.

38. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - № 4. - С. 41-44.

39. Колби Р. Энциклопедия технических индикаторов- рынка. Пер. с англ. 2-е изд. М.: «А'льпина Бизнес Букс», 2004. 837 с.

40. Копыркин К. Индикатор-тренда на основе прорыва динамического-ценового канала. // Журнал «Современный трейдинг». 2001 №4. с. 24 28-.

41. Копыркин К. Динамические скользящие средние. Часть 2. // Журнал «Современный трейдинг», №5-6, 2001. стр. 8-12.

42. Кордунов Д.Ю., Битюцкий С .Я. Прогнозирование конъюктуры рынка нефтехимических предприятий. Нефтегазовое дело, 2004. 5 стр.

43. Кофман А. Введение в теорию нечетких множеств.- М.:РаДИО и связь, 1982.- 432 с.

44. Кречетов Н. Продукты для интеллектуального анализа данных. -Рынок программных средств, № 14-15, 1997, с. 32 39:

45. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. Физматлит, 2001. 224 с.

46. Крук Д., Коршун А. Экономический цикл и- опережающие индикаторы: методологические1 подходы и возможности исследования в Беларуси. Рабочий материал исследовательского центра ИПМ. WP/10/05. Минск: 2010, 35 с.

47. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1979.

48. Малышев Н.Г., Бернштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. — М.: Энергоиздат, 1991. — 13 6 с.

49. Марчук Г.И. Методы вычислительной математики. 3-е изд., М.:Наука,1989. 608 с.

50. Мёладзе В- Курс технического анализа М.: Серебряные нити, 1997. -272 с.

51. Мкртчян С. О. Нейроны и нейронные сети. М: Энергия, 1971. -232 с;

52. Наговицин A.F., Иванов В.В: Валютный курс. Факторы. Динамика. Прогнозирование. -М.: Инфра-М, 1995. 176 с.

53. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб: Изд-во Сезам, 2002. 181 с.

54. Нечеткие множества в моделях управления и искусственного интеллекта. Под ред. Д.А. Поспелова.- М.:Наука. Гл.ред.физ.-мат. лит., 1986.-312 с.

55. Нечеткие множества и теория возможностей. Последние достижения/Под ред. P.P. Ягера.-М: Радио и связь, 1986.-408 с.

56. Орловский С.А. Проблемы принятия решений при нечеткой информации.- М.:Наука, 1981.- 206 с.

57. Панов Е.В. Оценка ковариационной матрицы для случая временных рядов различной частотности и приложения для моделей финансовых рынков. Автореферат дисс. канд. физ.-мат. наук. М. ГУ ВШЭ. 2010;

58. Педерсен Т., Йенсен К. Технология; многомерных: баз- данных. Открытые системы—2002 №1. С: 45-50:.

59. Песин Я.Б. Характеристики размерного типа инвариантных множеств динамических систем // УМН. 1988. - Т.43, вып. 4(262): С.95-128.

60. Песин Я;Б. Общая теория гладких гиперболических динамических систем // Итоги- науки и техники. Совр. проб. Матем. Фундам. Напрвления. — 1985. Т:2. С.123- 172.

61. Плеханов JI., Плеханов С. Нейронные сети как инструмент распознавания фигур- Рынок ценных бумаг. №3 — 2005. с. 68-72.

62. Пупков К.А., Егупов Н.Д. Методы классической и современной теории автоматического управления: Т. 5. — М.: Издательство МГТУ им. Н.Э.Баумана; 2004. 784 с.

63. Ротштейн А.П., Штовба С.Д. Нечеткая надежность алгоритмических процессов Винница: Континент-ПРИМ^ 1997. 142с.

64. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая! логика, генетические алгоритмы, нейронные сети. — Винница: УНИВЕРСУМ—Винница, 1999. — 320 с. .

65. Рутковская Д!, Пилиньский М-. Рутковский JT. «Нейронные сети, генетические алгоритмы и нечеткие системы». Пер. с польск., И:Д. Рудинского. М.: Горячая линия Телеком, 2006. 452 с.

66. Семенов А.Д., Артамонов Д.В., Брюхачев A.B. Идентификация объектов управления: Учебн. пособие. — Пенза: Изд-во Пенз. гос. унта, 2003.-211 с.

67. Соколов E.H., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. -238 с.

68. Степанов В., Фондовый рынок и нейросети. Мир ПК, 1998 №12. С. 40-46.

69. Сураджит Чаудхури, Умешвар Дайал, Венкатеш Ганти. Технология баз данных в системах поддержки принятия решений. // Открытые системы 2002 №1. - С. 37-44.

70. Суровцев И. С., Клюкин В. И., Пивоварова Р. П., Нейронные сети: -Воронеж: ВГУ, 1994. 224с.

71. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. -М.: Мир, 1992. 240 с.

72. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений/Юткрытые системы. 1998. - №1. - С. 30-35.

73. Шпрингель В.К. Механизмы формирования валютных кризисов на развивающихся рынках. Автореферат дисс. канд. экон. Наук. М.: ГУ-ВШЭ. 2003.

74. Шумков Е.А. Система поддержки принятия решений1 предприятия на основе нейросетевых технологий. Дисс. канд. техн. наук. Краснодар, КубГТУ 2004, 158 с.

75. Шумков Е.А., Карлов Д.Н. Построение МТС на базе частотного и временного анализа японских свечей. // Известия ЮФУ. Технические науки. Таганрог, 2010. №2 (103). - с. 236 - 242.

76. Шумкова O.A., Карлов Д.Н:, Шумков Е.А. Многоконтурная система анализа финансового рынка. // Труды« Кубанского Аграрного Университета. Краснодар.:КубГЛУ, 2010 - № 4(25), с. 31 - 35;

77. Экспертные системы. Принципы работы и примеры / Под ред. Р.Форсайта.-М.: Радио и связь, 1987. -350 с.

78. Яковлев В-Л",. Яковлева: F.JI;,. Лисицкий« Л1А. "Применение* нейросетевых; алгоритмов, к анализу финансовых рынков" // "Информационные технологии". 1999, № 8. С. 35-36.

79. Яковлев« ВШ, Яковлева Г.Л;, Малиевский Д1А; Нейросетевая экспертная система управления портфелем банка // V Всероссийская конференция "Нейрокомпьютеры и их применение". Сборник докладов -1999.-С.291-294.

80. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. 320:;с.

81. Dacorogna M.,Gencay R., Muller U. An Introduction to high frequency finance. New York: Academic Press, 2001. 407 pi

82. Farmer J.D. Sencitive dependence on parameters in nonlinear dynamics // Phys. Rev. Lett. 1985; - V.55, N.4. - P: 351 - 354.

83. Gallant S.L Neural Network Learning and Expert Systems . MIT Press, Cambridge, MA, 1993 :

84. Hodrick R., Prescott E. Postwar U.S. Business Cycles: an Empirical Investigation. Journal of Money and Banking, V-29(l), 1997, pp. 1-16.

85. Kaufman Perry J. Smarter trading. McGraw Hill, 1995.

86. Knowledge-based artificial neuwral networks/ Towell G., Shavlik J. //Artificial Intelligence, vol. 70, no.1,2, pp.119-165,1994.

87. Maclin.R. Learning from Instruction and Experience: Metods for Incorporating Procedural Domain Teories Intu Knowledge-Based Newral Networks. PhD thesis, Departament of Computer Scinses, University of Wisconsin-Madison, 1995.

88. Marko A. Gronroos. Evolutionary Design of Neural Networks. 1998.

89. Stanley K.O., Mikkulainen R. Evolving Neural Networks through Augmenting Topologies. 2002.

90. Towell G. G. Symbolic Knowledge and Neural Networks: Insertion, Refinement and Extraction. PhD thesis, Department of Computer Sciences, University of Wisconsin-Madison. -1991.