Прогнозирование котировок валют с использованием нейронных сетей

Объектом исследования выступает процесс прогнозирования. Существует множество методов прогнозирования. Самыми популярными и наиболее используемыми являются методы экспертных оценок, фактографические методы, моделирование и пр. Метод экспертных оценок — является обоснованным и аргументированным суждение одного или группы экспертов о перспективах развития наблюдаемого объекта (данный метод часто имеет применение в экономике). Фактографические методы являются экстраполяцией, заключающейся в изучении тенденций прошлого и проецирование этих тенденций в будущее. Моделированием является построение уменьшенной копии (модели) объекта и проведение над построенной моделью ряда экспериментов, получение результатов, на основе которых делают заключение о оригинальном объекте.

С появлением искусственных нейронных сетей (ИНС) появился еще один способ прогнозирования — прогнозирование с использованием нейронной сети. ИНС появились в конце первой половины 1900-х годов. В 1943 году были разработаны У. МакКаллоком и У. Питтсем первые математические модели нейронных сетей, послужившие основой для развития в этом направлении.

Актуальность прогнозирования объясняется тем, что знание прогноза в различных областях помогает в управлении в рассматриваемой области. Например, знание экономических прогнозов является одним из факторов успешного развития бизнеса, развития экономики предприятия, организации, государства и т.д. Осведомленность о прогнозах погоды упрощает ведение сельскохозяйственной деятельности.

Искусственная нейронная сеть в том виде, в котором она существует в настоящее время, способна успешна решать четыре рода задач:

• распознавание образов (видео, фото, аудио и др.);
• классификация;
• кластеризация;
• прогнозирование.

Существуют известные программные продукты, позволяющие работать с нейронной сетью и использовать её для решаемых её задач. Задачи прогнозирования способны решать следующие системы:

• matlab;
• deductor;
• neuro shell traider;
• statistica;
• brainmaker.

Matlab, deductor и statistica являются мощными инструментами, задачи которых не ограничиваются одной лишь возможностью работы с нейронными сетями. Они направлены на большой спектр задач, и для работы с этими системами необходимы определенные знания, навыки, умения и опыт работы с этими (или подобными) системами. Необходимость опыта, знаний, навыков и умений можно отнести к минусам.

Также, большим минусом приведенных выше программных продуктов является лицензия несвободного использования, или, иначе говоря — платность продуктов.

В таблице ниже приведено сравнение рассматриваемых программных аналогов по пятибалльной шкале, где 5 — высший балл, и 0 — низший балл. Некоторые критерии (поддержка разработчиком, например, может быть оценена только баллами 0 или 5, где 5 — поддерживается в настоящее время, 0 — не поддерживается. Необходимо заметить, что данные оценки глубоко субъективны и являются видением автора данной статьи.

Искусственная нейронная сеть в простейшем ее представлении имеет некоторое количество нейронов, соединенных между собой. Модель искусственной многослойной нейронной сети представлена на рисунке ниже. Входной слой — это тот слой, на который поступает вектор входного сигнала. Скрытый слой расположен между входным и выходным слоем, в нем происходит основная работа с данными. Выходной слой выводит результаты работы нейронной сети.

Разработанная программная система направлена на процесс прогнозирования. Для пользования системой нет необходимости в опыте работы с подобными программными продуктами, потенциальный пользователь сможет разобраться с порядком необходимых действий в течении некоторого непродолжительного времени. На рисунках ниже будет общее описание системы на унифицированном языке UML.

С разработанной программой были проведены эксперименты, скриншоты работы программы, а также конечные результаты отображены ниже.

Самым эффективным прогнозом оказался случай, при котором типом обучения был метод сопряженных градиентов, и функция активации TANH (гиперболическая функция активации касательной). Разница с реальными данными в этом случае расходилась всего, на 1.6%, что является, несомненно хорошим результатом, но тем не менее недостаточно точным.

Заключение

В ходе выполнения выпускной квалификационной работы была разработана система, делающая прогнозы на основе нейронных сетей. Поскольку прогнозирование является очень актуальным, данную систему необходимо развивать и совершенствовать для получения еще более точных прогнозов.