Принципові відмінності досконалої (повної) конкуренції від інших форм організ...
Chabanenko seminar20121226
1. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Чабаненко Дмитро Миколайович
Математичнi моделi та методи прогнозування
часових рядiв на основi складних ланцюгiв
Маркова
За матерiалами дисертацiї на здобуття наукового ступеня
кандидата технiчних наук.
Спецiальнiсть 01.05.02 - Математичне моделювання та
обчислювальнi методи.
26 грудня 2012, м. Черкаси
Чабаненко Д.М. Складнi ланцюги Маркова
2. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Актуальнiсть дослiдження.
Прогнозування стану об’єктiв будь-якої природи є дуже
актуальною, не розв’язаною на даний час задачею. Фiнансовi
ринки є складними системами з великою кiлькiстю агентiв,
що взаємодiють, що створює значнi труднощi застосування
загальновiдомих методiв прогнозування до прогнозування їх
стану. Наявнiсть кризових явищ на фiнансових ринках
вимушує учасникiв ринкiв шукати бiльш точнi та надiйнi
моделi для прийняття обгрунтованих рiшень. Проблеми
методiв прогнозування складних систем вимушують
дослiдникiв шукати суттєво новi концепцiї, парадигми для
бiльш адекватного описання сучасних фiнансових ринкiв,
здатних пояснювати динамiку кризових явищ.
Чабаненко Д.М. Складнi ланцюги Маркова
3. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Зв’язок роботи з науковими програмами, планами,
темами
Робота виконана у рамках науково-дослiдницької теми
“Моделювання складних фiнансово-економiчних систем”, що
проводяться на кафедрi економiчної кiбернетики
Черкаського нацiонального унiверситету iменi Богдана
Хмельницького.
Чабаненко Д.М. Складнi ланцюги Маркова
4. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Мета i завдання дослiдження
Метою даної роботи є розробка моделей часових рядiв на
основi складних ланцюгiв Маркова для покращення точностi
довгострокових прогнозiв iндексiв свiтових фондових ринкiв.
Для досягнення мети поставлено наступнi завдання:
проаналiзувати сучаснi методи прогнозування, здiйснити їх класифiкацiю,
висвiтлити проблеми та можливi шляхи їх подолання;
розробити методику прогнозування, основану на складних ланцюгах Маркова;
розробити методику оцiнки можливих сценарiїв ряду для урахування
невизначеностi моделi;
здiйснити апробацiю методу на часових рядах рiзної природи, оцiнити можливий
горизонт прогнозу та довiрчi iнтервали;
виконати експериментальне порiвняння якостi прогнозiв з вiдомими методами
прогнозування iндексiв фондових ринкiв.
Чабаненко Д.М. Складнi ланцюги Маркова
5. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Об’єкт, предмет та методи дослiдження
Oб’єкт дослiдження - процес прогнозування часових рядiв
при аналiзi iндексiв свiтових фондових ринкiв.
Предмет дослiдження - методи та моделi прогнозування
часових рядiв, основанi на складних ланцюгах Маркова.
Методи дослiдження У роботi використовувалися методи
теорiї випадкових процесiв, складних ланцюгiв Маркова, що
дозволяють побудувати модель ряду, статистики та
економетрiї, якi використанi для вибору множини значних
факторiв, якi впливають на прогнозований показник,
нелiнiйної динамiки, рекурентних дiаграм, якi дозволяють
здiйснити побудову низькочастотної складової ряду, методiв
нелiнiйної оптимiзацiї для побудови нелiнiйної трендової
моделi з гармонiчними складовими.
Чабаненко Д.М. Складнi ланцюги Маркова
6. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Наукова новизна одержаних результатiв
Основними науковими результатами, що виносяться на
захист, є такi: Вперше:
Запропоновано метод прогнозування часових рядiв на
основi складних ланцюгiв Маркова, тобто ланцюгiв
Маркова з пам’яттю, якi, на вiдмiну вiд вiдомих моделей
часових рядiв, враховують ефект пам’ятi та здатнi
виявити закономiрностi ряду, прихованi вiд класичних
методiв прогнозування.
Запропоновано технологiю прогнозування згiдно iєрархiї
приростiв часу та процедуру “склеювання”, що
дозволило вiдтворювати мультифрактальнi властивостi
часових рядiв складних фiнансово-економiчних систем
та пiдвищити точнiсть середньо- та довгострокових
прогнозiв.
Чабаненко Д.М. Складнi ланцюги Маркова
7. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Наукова новизна одержаних результатiв
Удосконалено:
методи дискретизацiї часового ряду, враховуючи
особливостi негаусового розподiлу прибутковостей
фiнансових часових рядiв;
методи апроксимацiї та екстраполяцiї часових рядiв на
основi виокремлення низькочастотного тренду за
допомогою дискретного Фур’є-продовження з
двохчастотним наближенням;
здiйсненно оптимiзацiю швидкодiї алгоритму за рахунок
використання хеш-таблиць, що дозволило зменшити час
розрахунку прогнозiв;
Чабаненко Д.М. Складнi ланцюги Маркова
8. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Наукова новизна одержаних результатiв
Дiстали подальшого розвитку:
клiтинно-автоматний пiдхiд до прогнозування часових
рядiв введенням методу прогнозування при змiннiй
довжинi пам’ятi.
мультиагентний пiдхiд до паралельного обчислення
прогнозiв часових рядiв, що дозволило зменшити час
розрахунку множини показникiв за рахунок
паралельного та розподiленного обчислення.
Чабаненко Д.М. Складнi ланцюги Маркова
9. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Практичне значення одержаних результатiв
Запропонованi моделi часових рядiв та методи
прогнозування можуть бути використанi при аналiзi та
прогнозуваннi часових рядiв рiзної природи, зокрема
дiяльностi фiнансово-економiчних органiзацiй, яким корисне
прогнозування. Для технiчних систем, що характеризуються
динамiкою показникiв у виглядi часових рядiв, розробленi
методи також можуть бути корисними для аналiзу та
прогнозування.
Чабаненко Д.М. Складнi ланцюги Маркова
10. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Публiкацiї
Основнi результати роботи викладено у 4-х статтях ,
опублiкованих у виданнях, що внесенi до перелiку наукових
фахових видань України, 3-х статтях у зарубiжних фахових
виданнях та додатково вiдображено в матерiалах
конференцiй.
Чабаненко Д.М. Складнi ланцюги Маркова
11. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Апробацiя результатiв дисертацiї
Основнi результати дослiдження доповiдалися на наступних
наукових конференцiях рiзного рiвня:
Working Group on Physics of Socio-economic Systems, Dresden, October 5-8, 2009.;
International Conference “Information Technologies, Management and Society”. April
16-17, Riga, Latvia.;
Х Мiжнародна науково-технiчна конференцiя “Системний аналiз та iнформацiйнi
технологiї”, м Київ, 2008, 2009, 2010 та 2011 р.
Проблеми iнформатики та моделювання, м. Харкiв, 15-17 вересня 2010 р.
Мiжнародна науково-практична конференцiя “Dynamical systems modeling and
stability investigation”, DSMSI-2011, м. Київ;
VI Мiжнародна науково-технiчна конференцiя “Комп’ютернi технологiї в
будiвництвi”, Київ-Севастополь, 9-12 вересня 2008 р.;
Гумбольдт-коллег - 2009, м. Київ;
Мiжнародна науково-практична конференцiя “Iтонт-2009” , “Iтонт-2012”, м. Черкаси;
Мiжнародна науково-технiчна конференцiя “Обчислювальний iнтелект-2011”, м.
Черкаси;
Мiжнародна науково-практична конференцiя “Монiторинг, моделювання та
менеджмент емерджентної економiки”, 2008 р., м. Черкаси, 2010 р., м. Одеса;
Мiжнародна науково-практична конференцiя “Iнформацiйнi технологiї та
моделювання в економiцi”, 2009 р., м. Черкаси.
Чабаненко Д.М. Складнi ланцюги Маркова
12. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Структура дисертацiї
Дисертацiя складається зi вступу, 4-х роздiлiв, списку
лiтератури (112 джерел) та додаткiв. Загальний обєм
дисертацiї складає 172 сторiнок.
Чабаненко Д.М. Складнi ланцюги Маркова
13. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Класифiкацiя методiв прогнозування:
Чабаненко Д.М. Складнi ланцюги Маркова
14. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Постановка задачi прогнозування
Динамiка системи задана послiдовнiстю значень yi , (i = 1..N)
показника, що прогнозується, вимiряного з постiйним
кроком дискретизацiї ∆t.
Необхiдно оцiнити величини майбутнiх значень
yN+1 , yN+2 , ..., yN+NP , базуючись на закономiрностях,
виявлених вибраною прогнозною моделлю.
Чабаненко Д.М. Складнi ланцюги Маркова
15. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Математичнi моделi прогнозiв
Методи прогнозування можуть бути поданi у виглядi
наступної математичної моделi:
(1) (1)
f(t, yt , yt−1 , ..., yt−m , xt , ..., xt−m1 ,
yt+1 = (2) (2) (k) (k) (1)
xt , ..., xt−m2 , xt , ..., xt−mk ),
де yt - величина показника, що прогнозується в момент часу
(i)
t; xt - величина i-го фактора в момент часу t, який впливає
на y; m, m1 , ...mk - довжини “памятi” рядiв факторiв, якi
використовуються при прогнозуваннi. Вiдмiнностi рiзних
методiв будуть стосуватися структури вхiдних даних x та
виду функцiї f(...).
Чабаненко Д.М. Складнi ланцюги Маркова
16. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Пiдходи до побудови залежностi (вибiр виду зв’язку):
Лiнiйна
Тi, що зводяться до лiнiйної (експоненцiальна, обернена
залежнiсть тощо)
нелiнiйна алгебраїчна
нейромережевi
випадковi (маркiвськi)
нечiткi
Чабаненко Д.М. Складнi ланцюги Маркова
17. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Методи побудови моделей та оцiнювання їх параметрiв:
Метод найменших квадратiв;
Метод найменших модулiв;
Методи оптимiзацiї:
метод Ньютона;
градiєнтнi методи;
генетичнi алгоритми.
Методи iндуктивного моделювання (метод групового
урахування аргументiв)
Чабаненко Д.М. Складнi ланцюги Маркова
18. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Метод ARIMA (Бокса-Дженкiнса)
AR(p) -авторегресiйна модель порядку p, яка має вигляд:
Y(t) = f0 + f1 · Y(t − 1) + f2 · Y(t − 2) + ... + fp · Y(t − p) + E(t)
де Y(t) - значення залежної змiнної в момент часу t.
f0 , f1 , f2 , ..., fp - параметри, якi оцiнюються. E(t) - похибка вiд
впливу змiнних, якi не врахованi в моделi. Задача полягає к
тому, щоб оцiнити значення параметрiв f0 , f1 , f2 , ..., fp . MA(q)
-модель ковзного середнього порядку q, яка має вигляд:
Y(t) = m + e(t) − w1 · e(t − 1) − w2 · e(t − 2) − ... − wp · e(t − p),
де Y(t)-залежна змiнна в момент часу t. w0 , w1 , w2 , ..., wp -
параметри, якi оцiнюються, e(t)- залишки.
AR(p)+MA(q)->ARMA(p,q)->ARMA(p,q)(P,Q)-
>ARIMA(p,q,r)(P,Q,R)->...
Чабаненко Д.М. Складнi ланцюги Маркова
19. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Огляд середовищ розробки програмного забезпечення
для прогнозування
Спецiальне програмне забезпечення для аналiзу та
прогнозування часових рядiв:
Matlab (Statistics toolbox, Neural Network Toolbox та
iншi)
Statistica (має моделi для багатофакторного аналiзу,
неромереж);
SSA (Метод “Гусениця”), спецiалiзована;
NeuroShell
та багато iнших.
Недолiки: для аналiзу часових рядiв бiльшiсть готових
систем вимагає формування вибiрки навчання саме для
часових рядiв (для лагових, авторегресiйних моделей).
Чабаненко Д.М. Складнi ланцюги Маркова
20. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Авторегресiйнi методи прогнозування
4
x 10
1.2
S&P 500
1.15
1.1
1.05
6900 7000 7100 7200
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
21. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Авторегресiйнi методи прогнозування
8000
6000
S&P 500
4000
2000
0
1000 2000 3000 4000 5000 6000 7000
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
22. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Авторегресiйнi методи прогнозування
900
800
DJI
700
600
500
6000 6500 7000 7500 8000 8500
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
23. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Авторегресiйнi методи прогнозування
5000
4000
S&P 500
3000
2000
1000
0 5000 10000 15000
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
24. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Проблеми методiв прогнозування?
Проблеми, якi перешкоджають побудовi прогнозiв:
Неадекватнiсть моделi через складнiсть системи, що дослiджується;
Складнощi у побудовi моделей, що описують закономiрностi динамiки системи та ї ї
компонентiв;
Неможливiсть апрiорного врахування невизначенностi у вхiдних даних та у
побудованому прогнозi;
Прогнозування неочiкуваних явищ, тобто тих, якi зовсiм не були представленi в
навчаннi;
Недонавчання, перенавчання;
Неврахування “пам’ятi” часового ряду.
Чабаненко Д.М. Складнi ланцюги Маркова
25. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки до роздiлу I.
Проведено порiвняльний аналiз вiдомих методiв
прогнозування одновимiрних часових рядiв.
Виокремлено проблеми популярних методiв та можливi
шляхи їх подолання.
Одним з таких шляхiв є розробка методу прогнозування, що
враховує причинно-наслiдковi закономiрностi у дискретному
представленнi часового ряду та фрактальностi
(самоподiбностi на рiзних частотних рiвнях) реальних
часових рядiв.
Чабаненко Д.М. Складнi ланцюги Маркова
26. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Дискретний ланцюг Маркова - модель випадкового процесу,
в якому ймовiрнiсть наступного стану залежить тiльки вiд
наявного i не залежить вiд усiх попереднiх.
P(Xn+1 = in+1 | Xn = in , . . . , X0 = i0 ) = P(Xn+1 = in+1 | Xn = in ),
(2)
де Xn - послiдовнiсть дискретних випадкових подiй; in -
конкретна реалiзацiя даної випадкової послiдовностi.
Чабаненко Д.М. Складнi ланцюги Маркова
27. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Нехай задана матриця ймовiрностей переходiв мiж подiями:
p11 p12 p13
A = p21 p22 p23 ,
p31 p32 p33
де pij - ймовiрнiсть переходу зi стану i в стан j. Якщо задано
вектор початкових ймовiрностей стану системи
(1) (2) (3)
pt0 = (pt0 , pt0 , pt0 ), то для визначення вектору
ймовiрностей стану системи через k крокiв, у випадку
ланцюга Маркова 1-го порядку використовується наступна
формула:
pt0+k = pt0 · Ak . (3)
Чабаненко Д.М. Складнi ланцюги Маркова
28. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Принципова вiдмiннiсть ланцюгiв Маркова високих порядкiв
вiд простих полягає у врахуваннi “пам’ятi” (передiсторiї).
Ланцюги Маркова порядку вище першого можна звести до
простих за допомогою введення поняття “узагальнений стан”
як послiдовностi станiв (передiсторiї).
p11,11 0 0 p21,11 0 0 p31,11 0 0
p11,12 0 0 p21,12 0 0 p31,12 0 0
p11,13 0 0 p21,13 0 0 p31,13 0 0
0 p12,21 0 0 p22,21 0 0 p32,21 0
A=
0
0
p12,22
p12,23
0
0
0
0
p22,22
p22,23
0
0
0
0
p32,22
p32,23
0
0
,
0 0 p13,31 0 0 p23,31 0 0 p33,31
0 0 p13,32 0 0 p23,32 0 0 p33,32
0 0 p13,33 0 0 p23,33 0 0 p33,33
де pij,jk - ймовiрнiсть переходу з узагальненого стану ij в
стан jk, тобто iз елементарного стану j, перед яким вiдбувся
стан i, перейти в стан k.
Чабаненко Д.М. Складнi ланцюги Маркова
29. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Ряд неперервних значень часового ряду pt необхiдно
перетворити у ряд дискретних станiв ланцюга Маркова.
Методи кодування пов’язанi з величиною абсолютних (4) або
вiдносних (5) приростiв (прибутковостей) часового ряду:
rabs (t) = pt − pt−∆t (4)
pt − pt−∆t
rrel (t) = . (5)
0.5 · (pt + pt−∆t )
Чабаненко Д.М. Складнi ланцюги Маркова
30. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Дискретнi стани системи пов’язанi з абсолютними або
вiдносними приростами часового ряду r(t). Для кожного
дискретного стану i = 1, 2, . . . s необхiдно визначити
максимальний rlim,i−1 та мiнiмальний rlim,i величини
приростiв для стану i та середнє значення приросту ravg,i для
цього стану. Для кожної величини приросту rt номер стану
визначається так:
st = (i|rlim,i−1 > rt ≥ rlim,i) (6)
Чабаненко Д.М. Складнi ланцюги Маркова
31. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Автором запропоновано наступнi методи кодування
(дискретизацiї) приростiв у виглядi дискретних станiв:
Кодування з цiллю рiвномiрностi розподiлу мiж
станами;
Кодування з цiллю рiвномiрностi за величиною
вiдхилення;
Комбiнований метод.
Результати експериментальної роботи щодо вибору методу
кодування представлено у роздiлi 4 дисертацiї.
Чабаненко Д.М. Складнi ланцюги Маркова
32. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Обчислити ряд абсолютних або вiдносних приростiв;
Вибрати кiлькiсть станiв s та критерiї вiднесення для
кожного станiв;
Перетворити ряд прибутковостей в ряд станiв;
Вибрати порядок ланцюгу Маркова r та множину
узагальнених станiв;
Обчислити матрицю ймовiрностей переходу з кожного
узагальненого стану в кожен iнший;
Чабаненко Д.М. Складнi ланцюги Маркова
33. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Основнi iдеї методу прогнозування
Для n прогнозних станiв повторювати:
Взяти послiдовнiсть останнiх r станiв як останнiй
узагальнений стан та за матрицею ймовiрностей
переходiв визначити найбiльш ймовiрний наступний
стан;
Додати спрогнозований стан до ряду станiв;
Перетворити ряд спрогнозованих станiв у ряд значень,
використовуючи останнє значення ряду та середнi
значення в кожному станi.
Чабаненко Д.М. Складнi ланцюги Маркова
34. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
1600
1400
S&P
1200
1000
800
1.48 1.5 1.52 1.54
time, days 4
x 10
Чабаненко Д.М. Складнi ланцюги Маркова
35. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
1300
1250
S&P
1200
1150
1100
1.529 1.5295 1.53 1.5305
time, days 4
x 10
Чабаненко Д.М. Складнi ланцюги Маркова
36. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Iлюстрацiя склеювання
dt=4
1400
1350
1300
1250
S&P
1200
1150
Ishodnaya+predid
sglazhennaya+sglazh predid
1100
Ishodn+prognoz
NewSkleenoe
1050 Sglazh+Prognoz
1.52 1.525 1.53 1.535 1.54 1.545 1.55 1.555
Чабаненко Д.М. days
Складнi ланцюги Маркова 4
time,
37. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Методика склеювання при прогнозуваннi на основi
СЛМ
Генерувати послiдовнiсть приростiв часу (степенi 2,
степенi простих чисел);
Для всiх приростiв, починаючи з менших:
Здiйснити прогнозування, використовуючи даний
прирiст ∆t та вiдновити ряд по прогнозованих станах;
Для першого ∆t скопiювати ряд в ряд склеєний. Для
iнших здiйснити склеювання отриманого ряду з рядом,
отриманим при склеюваннi попереднiх приростiв ∆t.
Склеїти результат з початковим наближенням ряду
(лiнiйним трендом, лiнiйним трендом iз синусоїдою)
Чабаненко Д.М. Складнi ланцюги Маркова
38. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Прогнози, обчисленi з рiзною довжиною навчальної вибiрки.
all prognozes learningset=2001
2200
2000
1800
1600
1400
1200
1000
800
600
0 500 1000 1500 2000 2500 3000 3500
Чабаненко Д.М. Складнi ланцюги Маркова
39. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Усереднення прогнозiв, обчислених з рiзною довжиною
навчальної вибiрки.
all prognozes learningset=2001
2200
mean+std
mean−std
2000
1800
1600
1400
1200
1000
800
600
0 500 1000 1500 2000 2500
Чабаненко Д.М. Складнi3000 3500
ланцюги Маркова
40. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки до роздiлу II.
Запропоновано систему методiв прогнозування часових
рядiв, якi базуються на моделi складних ланцюгiв
Марковата дозволяють дослiджувати можливi сценарiї
майбутньої динамiки часового ряду.
Чабаненко Д.М. Складнi ланцюги Маркова
41. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Апаратнi засоби оптимiзацiї роботи алгоритмiв
прогнозування
Сучаснi персональнi компютери мають наступнi апаратнi
можливостi для збiльшення швидкостi обчислень:
Iнструкцiї процесора для однотипних операцiй над
масивами (векторами);
Векторнi регiстри;
Багатоядернi процесори, можливiсть паралельно
виконувати декiлька не пов’язаних мiж собою потокiв;
Вiдеокарти та графiчнi пiдсилювачi (GPU), якi
дозволяють паралельно виконувати однотипнi операцiї
над цiлочисельними векторами та матрицями;
Чабаненко Д.М. Складнi ланцюги Маркова
42. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Паралельнi алгоритми в методi ланцюгiв Маркова та
програмнi засоби їх реалiзацiї
Розглянемо деякi приклади паралельної органiзацiї
алгоритму.
Алгоритм обчислення прибутковостей
% дано: y - вихiдний ряд, dt - часовий прирiст.
n=length(y);
y2=y(dt:n);
y1=y(1:n-dt);
r_abs=y2-y1;
r_rel=r_abs./y1;
Чабаненко Д.М. Складнi ланцюги Маркова
43. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Паралельнi алгоритми в методi ланцюгiв Маркова та
програмнi засоби їх реалiзацiї
Алгоритм класифiкацiї прибутковостей
n=length(r);
states=ones(1,n); % номери станiв - масив нулiв.
% Далi буде використовуватись як лiчильник
for j=1:length(r_lim)
statesj=r>r_lim(i); % Поелементна умовна операцiя.
% Повертає вектор значень 0 та 1
% результуючого вектору) нульовий.
states=states+statesj; % збiльшуються на 1 тiльки тi
% компоненти, якi на попередньому кроцi дали
% iстину операцiї порiвняння (бiльшi порогу)
end;
Чабаненко Д.М. Складнi ланцюги Маркова
44. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Iнформацiйна система клiєнт-сервер для задач
прогнозування
Основна цiль веб-орiєнтованої системи для прогнозування
часових рядiв - органiзацiя обчислювального кластеру та
оптимальне розподiлення обчислювальних задач мiж
вузлами кластеру. Особливостi системи:
Серверна частина: веб-сервер з iнтерпретатором php та
БД MySQL;
Сторона клiєнта - система Matlab+ПО клiєнта;
Комунiкацiя - протоколи TCP-IP: http для контролю та
ftp та http для передачi даних.
Iнтерфейс керування - веб-браузер (html+js)
Реально дiюча система вiльно доступна за адресою: http:
prognoz.ck.ua
Чабаненко Д.М. Складнi ланцюги Маркова
45. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Iнформацiйна система клiєнт-сервер для задач
прогнозування
Система розподiленого обчислення прогнозiв
http:prognoz.ck.ua
Чабаненко Д.М. Складнi ланцюги Маркова
46. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Дiаграма прецедентiв IС
Дiаграма прецедентiв IС
Реєстрацiя
Авторизацiя
Додавання завдання реєстрацiя
Користувач
ПК-обчислювач
Завантаження даних
Виконання завдання
Завантаження метода
Збереження прогнозу
Рис.: Дiаграма прецедентiв IC
Чабаненко Д.М. Складнi ланцюги Маркова
47. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Дiаграми класiв
users tasks
+id: int +id: int
+name: char(20) +platformid: int
+surname: char(20) +methodid: int
+loadtool: int = 1 +dataid: int
+loaddata: int = 1 +filename: char(50)
+type: int methods processes +command: char(50)
+login: char(20) +state: char(30)
+id: int +id: int
+pass: char(20) +name: char(20) +regdate: date +done: int
+register() +descr: varchar(100) +regtime: time +outfilename: char(50)
+IP: char(20)
+edit() +folder: varchar(100) +userid: int
+userid: int +processid: int +adduserid: int
+platformid: int +platformid: int +calcuserid:int
+processid:
int
+command: varchar(100) +ip: char(20) +begcalcdate: date
+upload() +register() +begcalctime: time
+getfolder() +gettask() +predictminutes: int
+update() +endcalcdate: date
+endcalctime: time
+add()
data +edit()
+id: int
+name: char(20)
+descr: varchar(100) platforms
+folder: varchar(100)
+userid: int +id: int
+upload() +name: char(20)
+getfolder() +description: varchar(20)
+update() +add()
+edit()
+delete()
Рис.: Дiаграма прецедентiв ICМаркова
Чабаненко Д.М. Складнi ланцюги
48. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Методи прогнозування, доступнi з системи
Чабаненко Д.М. Складнi ланцюги Маркова
49. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Додавання пакету даних для прогнозування
Чабаненко Д.М. Складнi ланцюги Маркова
50. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Додавання нової прогнозної задачi
Чабаненко Д.М. Складнi ланцюги Маркова
51. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Задачi, доданi для розрахунку
Чабаненко Д.М. Складнi ланцюги Маркова
52. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Перегляд та завантаження результатiв розрахункiв
Чабаненко Д.М. Складнi ланцюги Маркова
55. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки з проведеного експерименту
Результати експерименту дозволяють зробити такi висновки:
Вiдносний прирiст показує бiльш точне вiдтворення
ряду.
Оптимальна кiлькiсть станiв дискретного ланцюга
Маркова - 5-7, т.я. подальше збiльшення не призводить
до значного покращення представлення ряду.
Найкращi методи класифiкацiї для абсолютних
прибутковостей - стовпчик 1 (рiвномiрне за
вiдхиленням), для вiдносних прибутковостей -
стовбчики 0 (рiвномiрно за кiлькiстю) та 5 (комбiнована:
рiвномiрна за кiлькiстю для хвостiв розподiлу та
рiвномiрна за вiдхиленням для центру). та 1
(Рiвномiрна за вiдхиленням)
Чабаненко Д.М. Складнi ланцюги Маркова
58. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки з проведеного експерименту
Результати наступного експерименту дозволяють зробити
такi висновки:
Для усiх значень ∆t для абсолютних прибутковостей
оптимальне значення знаходиться в дiапазонi 3-5. Для
вiдносних це значення досягає 10.
Iнтервал дискретизацiї ∆t = 32 демонструє найточнiшi
прогнози як для абсолютних, так i вiдносних приростiв
Найгiрший - ∆t = 256.
Вiдносний варiант демонструє бiльш точнi прогнози
наступного стану
Чабаненко Д.М. Складнi ланцюги Маркова
59. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
4
x 10
2
1.8
1.6
DJI
1.4
1.2
1
0.8
0 500 1000 1500 2000 2500 3000
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
60. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
4
x 10
2
mean+std
1.8 mean−std
mean
1.6
1.4
DJI
1.2
1
0.8
0.6
0 1000 2000 3000 4000
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
61. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
UX all prognozes 20120210
3000
2500
2000
UX
1500
1000
500
0
0 100 200 300 400
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
62. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
UX all prognozes 20120210
3000
mean+std
mean−std
2500
UX
2000
1500
1000
0 100 200 300 400
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
63. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Прогнози, обчисленi з рiзною довжиною навчальної вибiрки.
all prognozes learningset=2001
2200
2000
1800
1600
1400
1200
1000
800
600
0 500 1000 1500 2000 2500 3000 3500
Чабаненко Д.М. Складнi ланцюги Маркова
64. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Усереднення прогнозiв, обчислених з рiзною довжиною
навчальної вибiрки.
all prognozes learningset=2001
2200
mean+std
mean−std
2000
1800
1600
1400
1200
1000
800
600
0 500 1000 1500 2000 2500
Чабаненко Д.М. Складнi3000 3500
ланцюги Маркова
65. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Прогнози фондового ринку Америки
0.9
0.8
0.7
indices,normalized
0.6
0.5
BVSP
0.4
S&P 500
0.3 GSPTSE
0.2 MERV
MXX
0.1
mean
0
0 500 1000 1500 2000 2500
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
66. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Прогнози фондового ринку Європи
0.9
0.8
indices, normalized
0.7
0.6
0.5 AEX
0.4 FTSEMIB.mi
CAC 40
0.3 FTSE 100
0.2 DAX
GD.AT
0.1
IBEX
ISEQ
0 500 1000 1500 2000 2500
time, days mean
Чабаненко Д.М. Складнi ланцюги Маркова
67. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Прогнози фондового ринку Азiї
0.8
indices, normalized
0.6
0.4 SSEC
BSESN
HSI
0.2 KS11
NIKKEI
mean
0
0 500 1000 1500 2000 2500
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
68. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Прогнози свiтового фондового ринку
0.9
0.8
0.7
indices,normalized
0.6
0.5
americas
0.4
asia
0.3 europe
world
0.2
0.1
0 500 1000 1500 2000 2500
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
69. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Порiвняння точностi прогнозування СЛМ з НМ
Для порiвняння, вибрано наступнi архiтектури нейромереж:
1 Cascade Back Propagation
2 Elman Back Propagation
3 Feed Forward BackProp
4 Linear Layer (design)
5 NARX (delays)
6 Perceptron
7 Radial Basis Fewer neurons
Чабаненко Д.М. Складнi ланцюги Маркова
72. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки з проведеного експерименту
З таблиць видно, що у переважної бiльшостi експериментiв
точнiсть прогнозування згiдно методики складних ланцюгiв
Маркова, є кращою (порядка 22 %). Також у деяких видiв
нейромереж (з 1 по 5 архiтектури) були помiченi дуже
великi вiдхилення вiд реального продовження, що звязане з
тим, що модель таких видiв нейромереж продемонструвала
зростання у нескiнченнiсть або падiння до нуля. При
архiтектурах 6 (Perceptron) та 7 (Radial Basis Fewer neurons)
таких прогнозiв не було помiчено.
Чабаненко Д.М. Складнi ланцюги Маркова
73. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Висновки
Проаналiзовано сучаснi методи прогнозування,
розроблено їх класифiкацiю, висвiтлено проблеми та
можливi шляхи їх подолання;
Розроблено методику прогнозування, основану на
складних ланцюгах Маркова;
Розроблено методику оцiнки можливих сценарiїв ряду
для урахування невизначеностi моделi;
Здiйснено апробацiю алгоритму на часових рядах рiзної
природи, запропоновано методи оцiнювання можливого
горизонту прогнозу та довiрчих iнтервалiв;
Виконано експериментальне порiвняння якостi прогнозiв
з вiдомими методами прогнозування iндексiв фондових
ринкiв.
Чабаненко Д.М. Складнi ланцюги Маркова
74. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Дякую за увагу, доповiдь завершено.
Готовий вiдповiсти на Вашi запитанння.
http:prognoz.ck.ua
mailto:chdn6026@mail.ru
icq:345243743
skype:dmitry_chabanenko
Чабаненко Д.М. Складнi ланцюги Маркова
75. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Додатковi слайди.
Чабаненко Д.М. Складнi ланцюги Маркова
76. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Моделi нейронних мереж
x1
w1
x2
w2
wn
xn
n
Y=F wi · xi · F (WX) , (7)
i=1
де X = (x1 , x2 , . . . , xn )T – вектор вхiдного сигналу;
W = (w1 , w2 , . . . , wn ) – ваговой вектор; F – оператор
нелiнiйного перетворення.
Чабаненко Д.М. Складнi ланцюги Маркова
77. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Моделi нейронних мереж
x1 y1
Вхiд 1 Прихов 1 Вихiд 1
x2 y2
Вхiд 2 Прихов 2 Вихiд 2
xn yn
Вхiд n Прихов 2 Вихiд m
Вихiдний шар
Вхiдний шар Прихований шар
Чабаненко Д.М. Складнi ланцюги Маркова
78. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Метод групового урахування аргументiв
y = a0 + a1 xi xj ,
y = a0 + a1 xi + a2 xj ,
y = a0 + a1 xi + a2 xj + a3 xi xj ,
y = a0 + a1 xi + a2 xj + a3 x2 + a4 x2 + a5 xi xj .
i j (8)
В загальному випадку, використовується полiном
Колмогорова-Габора:
n n
y = a0 + ai xi + aij xi xj + aijk xi xj xk . (9)
i=1 i=1 i<j<k
Чабаненко Д.М. Складнi ланцюги Маркова
79. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Перевiрка усiх можливих сценарiїв продовження ряду
Чи завжди найкращим прогнозом буде ряд з найбiльшою
ймовiрнiстю?
Для перевiрки згенеруємо усi можливi продовження ряду
(повний перебор).
На основi формули (3) знайдемо ймовiрнiсть кожного
сценарiю.
Чабаненко Д.М. Складнi ланцюги Маркова
80. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Усi сценарiї, кумулятивна ймовiрнiсть яких складає 75 %.
Markov Predictions, p=75%
1250
1200
S&P500 index
1150
1100
1050
1000
10 20 30 40 50
time, days
Чабаненко Д.М. Складнi ланцюги Маркова
81. Вступ
Роздiл I.
Роздiл II
Роздiл III.
Роздiл VI.
Висновки
Результат прогнозування
Усi сценарiї, кумулятивна ймовiрнiсть яких складає 15 %.
MarkovPredictions, p=15%
1250
1200
S&P500 index
1150
1100
1050
1000
10 20 30 40 50
time, days
Чабаненко Д.М. Складнi ланцюги Маркова