Материал: Модели и алгоритмы проектирования и разработки систем поддержки принятия инвестиционных решений. Морозов В.П., Баркалов С.А

Рис. 2.42. Главная экранная форма ПК НПВР

способ их нормализации. В данной версии ПК НПВР предусмотрена линейная и экспоненциальная нормализация, а также ее отсутствие. На рис. 2.43 представлен пример визуального отображения загруженной обучающей выборки с вычисленными значениями ее статистических характеристик – математического ожидания и дисперсии.

Рис. 2.43. Экранная форма ПК НПВР с загруженной обучающей выборкой

Вкладка «Обучение» реализует структурную настройкуИНС (рис. 2.44).

141

Рис. 2.44. Экранная форма ПК НПВР с открытой вкладкой «Обучение»

Она позволяет задать параметры обучения, в том числе: размер обучающей выборки, уровень погрешности, параметр сигмоиды, скорость обучения. В левой верхней части данной экранной формы расположена панель «Параметры сети», внутри которой можно задавать необходимую конфигурацию ИНС. Панель «Параметры графика», которая размещена в нижней правой части экранной фомы, предоставляет возможность просмотра графика обучающей выборки и распределения ошибки после обучения. Кнопка «Обучить» запускает модуль «Алгоритм обратного распространения ошибок», внутри которого инициируется введённая конфигурация сети и параметры обучения. После этого происходит обучение сети. Результаты обучения ИНС (количество итераций и достигнутая погрешность) отображаются в окне информации - «Information» (рис. 2.45).

Рис. 2.45. Внешний вид окна «Information»

Чтобы сохранить обученную сеть, необходимо нажать кнопку «Сохранить». При этом появится типизированное окно сохранения файла Windows, где

142

следует указать место сохранения файла и нажать кнопку «Сохранить». Нейронная сеть будет сохранена в текстовый файл с расширением .txt.

Для дальнейшей работы с ПК НПРВ – прогнозирования наобходимо перейти на вкладку «Прогнозирование» (рис. 2.46).

Рис. 2.46. Экранная форма ПК НПВР с открытой вкладкой «Прогнозирование»

На панели «Параметры прогнозирования» данной вкладки необходимо выбрать вид прогноза. Одношаговый прогноз является результатом единичного прогнозирования. При многошаговом прогнозе многократно реализуется последовательное применение прогноза и обучения. После этого задаётся количество предсказаний и нажимается кнопка «Прогноз». Пример экранной формы с результатами прогноза приведен на рис. 2.47. Нажатие кнопки «Сохранить»

Рис. 2.47. Экранная форма ПК НПВР с результатами прогноза

143

позволяет записать полученные результаты прогноза в текстовый файл. Нажатие кнопки «Загрузить сеть» позволяет загрузить ранее обученную ИНС из файла и использовать ее для прогнозирования.

Для апробации работоспособности ПК НПВР была проведена серия экспериментов по прогнозированию курса акций Сбербанка РФ.

Обучение сети проводилось на 10–минутном, часовом и суточном интервале представления данных. Для каждого из вариантов формировалась выборка изменения курса акций за один и тот же период – с 15.04.14 по 01.05.14.

Каждый эксперимент разбивался на этапы.

Первым этапом было формирование обучающей выборки. На данном этапе определялся вид представления исторических и прогнозируемых данных и формировался набор входных и выходных сигналов. На втором этапе выбиралась архитектура сети и проводилась настройка параметров обучения. Третьим этапом являлось обучение нейронной сети на основе сформированной на первом этапе обучающей выборки. Обучение останавливалось в случае, если ошибка обучения не превышала значения 0,01. На завершающем этапе осуществлялось тестирование ИНС и определялось качество прогноза котировок и других экономических показателей, позволяющих судить о состоятельности и применимости нейронной сети в данной конфигурации.

Всего было проведено 23 эксперимента. Рассматривались 10-минутный, часовой и суточный графики котировок. В результате выяснилось, что качество прогноза зависит от протяженности интервала представления входных данных. Чем больше интервал, тем выше качество прогноза. Это объясняется тем, что на большем интервале меньше так называемого «шума», т.е. случайных колебаний, мешающих качественному обучениюсети.

В 11 из проведенных экспериментов получен положительный результат прогнозирования. Первые 12 экспериментов показали результат со значительными погрешностями. Начиная с 13 эксперимента, ошибка сети уменьшилась до приемлемых значений (в среднем до 1,8 %). Это было достигнуто за счет оптимизации структуры нейросети.

На рис. 2.48-2.50 представлены результаты прогнозов трех показательных экспериментов. Параметры экспериментов приведены в табл. 2.14.

Таблица 2.14

Параметры экспериментов исследования ИНС

Во всех экспериментах, в качестве критерия отбора входных данных используется поле «Объем» и линейная нормализация.

144

Рис. 2.48. Экранная форма с результатами прогноза для эксперимента №1

Рис. 2.49. Экранная форма с результатами прогноза для эксперимента №2

Рис. 2.50. Экранная форма с результатами прогноза для эксперимента №3

145