Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів
A forecasting problem at the stock exchange is considered. For its solution the application of a cascade neo-fuzzy neural network (CNFNN) is suggested. The architecture of the neo-fuzzy neuron and architecture of CNFNN is presented. Training algorithms of CNFNN in packet mode and on-line are describ...
Saved in:
| Date: | 2017 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2017
|
| Subjects: | |
| Online Access: | https://journal.iasa.kpi.ua/article/view/108823 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
| Download file: |  |
Institution
System research and information technologies| _version_ | 1867334316802965504 |
|---|---|
| author | Zaychenko, Yuriy P. Hamidov, Galib |
| author_facet | Zaychenko, Yuriy P. Hamidov, Galib |
| author_institution_txt_mv | [
{
"author": "Yuriy P. Zaychenko",
"institution": "Учебно-научный комплекс \"Институт прикладного системного анализа\" Национального технического университета Украины \"Киевский политехнический институт им. И. Сикорского\", Киев"
},
{
"author": "Galib Hamidov",
"institution": "Департамент информационных технологий Азербайджанэнерго, Баку"
}
] |
| author_sort | Zaychenko, Yuriy P. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2018-03-30T15:35:30Z |
| description | A forecasting problem at the stock exchange is considered. For its solution the application of a cascade neo-fuzzy neural network (CNFNN) is suggested. The architecture of the neo-fuzzy neuron and architecture of CNFNN is presented. Training algorithms of CNFNN in packet mode and on-line are described and discussed. The experimental investigations of CNFNN for market index forecasting at the German stock exchange are carried out. During experiments, the number of cascades, inputs, linguistic terms, and the training-to-test ratio of samples were varied. In the experiments, the optimal values of the aforesaid parameters of the training algorithm were found. The comparative experiments estimating forecasting efficiency of the cascade neo-fuzzy neural network and FNN ANFIS were carried out. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2017.2.09 |
| first_indexed | 2025-07-17T10:22:54Z |
| format | Article |
| fulltext |
Ю.П. Зайченко, Гамидов Галиб И., 2017
92 ISSN 1681–6048 System Research & Information Technologies, 2017, № 2
TIДC
ПРОБЛЕМНО І ФУНКЦІОНАЛЬНО
ОРІЄНТОВАНІ КОМП’ЮТЕРНІ СИСТЕМИ
ТА МЕРЕЖІ
УДК 519.8
DOI: 10.20535/SRIT.2308-8893.2017.2.09
КАСКАДНЫЕ НЕЙРО- НЕЧЕТКИЕ СЕТИ В ЗАДАЧАХ
ПРОГНОЗИРОВАНИЯ НА РЫНКАХ ЦЕННЫХ БУМАГ
Ю.П. ЗАЙЧЕНКО, ГАМИДОВ ГАЛИБ И.
Аннотация. Рассмотрена проблема прогнозирования на рынках ценных бумаг.
Для решения этой задачи предложено использование каскадных нео-
фаззинейронных сетей (CNFNN). Рассмотрены архитектура нео-фаззи нейрона
и архитектура CNFNN. Описаны алгоритмы обучения нео-фаззи-нейронной
сети в пакетном и он-лайновом режимах. Проведены экспериментальные ис-
следования CNFNN в задаче прогнозирования биржевых индексов на рынке
ценных бумаг ФРГ. В ходе экспериментов варьировалось число входов ней-
ронной сети, число каскадов, число значений лингвистических переменных,
соотношение размеров обучающей и проверочной выборок. В результате экс-
периментов найдены оптимальные значения указанных параметров для рас-
сматриваемой задачи. Проведены сравнительные эксперименты по оценке эф-
фективности прогнозирования CNFNN и нечеткой нейронной сети ANFIS.
Ключевые слова: прогнозирование, рынок ценных бумаг, каскадная нео-
фаззи нейронная сеть, ННС ANFIS.
ВВЕДЕНИЕ
Задачи прогнозирования курсов акций и биржевых индексов на рынках цен-
ных бумаг в последние годы вызывают значительный интерес среди инве-
сторов и руководства инновационных фондов. Для прогнозирования на фи-
нансовых рынках традиционно использовались методы регрессионного
анализа, метод экспоненциального сглаживания [1] и метод группового уче-
та аргументов [2]. Однако в последние годы все шире для этих целей ис-
пользуют системы с нечеткой логикой и нечеткие нейронные сети. Их пре-
имуществом являются возможность работы с нечеткой и качественной
информацией, а также использование экспертной информации в виде базы
нечетких правил вывода.
Для организации применения нейро-нечетких сетей (ННС) в задачах
прогнозирования необходимо настроить базу правил и обучить параметры
функций принадлежности нечетких правил вывода. Это сопряжено с большими
вычислительными затратами и требует значительного времени обучения.
В последние годы появился новый класс ННС — каскадные нео-фаззи
нейронные сети (CNFNN), которые не требуют обучения базы правил и па-
Каскадные нейро- нечеткие сети в задачах прогнозирования на рынках ценных бумаг
Системні дослідження та інформаційні технології, 2017, № 2 93
раметров функций принадлежности нечетких множеств. Они обучаются по
выборке только веса связей, что позволяет существенно сократить вычис-
лительные затраты и время обучения [3] , а также решать задачи большой
размерности. Это дает возможность применения каскадных нео-фаззи сетей
в задачах анализа многоразмерных данных (Big Data Mining).
Цель работы — исследование CNFNN в задачах прогнозирования кур-
сов акций и индексов на финансовых рынках и сравнительный анализ ее
эффективности.
НЕО-ФАЗЗИ НЕЙРОН, АРХИТЕКТУРА И ФУНКЦИИ КАСКАДНОЙ НЕО-
ФАЗЗИ СЕТИ
Рассмотрим нео-фаззи нейрон с несколькими входами и единственным вы-
ходом, который изображен на рис. 1. Он реализуется следующим отображе-
нием [2, 3]:
n
i
ii xfy
1
)(ˆ ,
где ix — i -й вход ( ni ,,2,1 ); ŷ — выход системы.
x1
x2
xn
f1(x1)
f2(x2)
fn(xn)
Рис. 1. Архитектура нео-фаззи нейрона
Ю.П. Зайченко, Гамидов Галиб И.
ISSN 1681–6048 System Research & Information Technologies, 2017, № 2 94
Структурный блок нео-фаззи нейрона является нелинейным синапсом
NS i , который переводит i -й входной сигнал в форму
h
j
ijijiii xwxf
1
)()(
и выполняет нечеткий вывод: если ix есть jix , то выходом есть jiw , где
jix — нечеткое число, функция принадлежности которого ji ; jix — си-
наптический вес. Очевидно, что нелинейный синапс фактически реализует
нечеткий вывод Такаги–Сугено нулевого порядка [2].
Когда векторный сигнал T
21 ))(,...),(),(()( kxkxkxkx n ( ,2,1k ди-
скретное время) подается на вход нео-фаззи нейрона, выход его определяется
обеими функциями принадлежности ))(( kxiji и настраиваемыми синапти-
ческими весами )1( kwji , которые получены в предыдущей эпохе обучения:
n
i
n
i
h
j
ijijiii kxkwkxfky
1 1 1
))(()1())(()(ˆ .
Таким образом, нео-фаззи нейрон содержит nh синаптических весов,
которые необходимо определить.
АРХИТЕКТУРА КАСКАДНОЙ НЕО-ФАЗЗИ НЕЙРОННОЙ СЕТИ
Архитектура каскадной нео-фаззи сети показана на рис. 2, и характеризую-
щие ее отображения имеют следующий вид:
x1
x2
xn
ŷ1
ŷ2
ŷ3
ŷn
NFN[1]
NFN[2]
NFN[3]
NFN[m]
·
·
·
Рис. 2. Структура каскадной нео-фаззи сети
Каскадные нейро- нечеткие сети в задачах прогнозирования на рынках ценных бумаг
Системні дослідження та інформаційні технології, 2017, № 2 95
– нео-фаззи нейрон первого каскада ( ]1[NFN )
n
i
h
j
ijiij xwy
1 1
]1[]1[ )(ˆ ;
−нео-фаззи нейрон второго каскада ( ]2[NFN )
n
i
h
j
h
j
njnjijiji ywxwy
1 1 1
]1[
1,
]2[
1,
]2[]2[ )ˆ()(ˆ ;
− нео-фаззи нейрон третего каскада ( ]3[NFN )
n
i
h
j
h
j
njnj
h
j
njnjijiji ywywxwy
1 1 1
]2[
2,
]3[
2,
1
]1[
1,
]3[
1,
]3[]3[ )ˆ()ˆ()(ˆ ;
− нео-фаззи нейрон m-го каскада ( ][NFN m )
n
i
h
j
h
j
nl
lj
m
lj
mn
nl
iji
m
ji
m ywxwy
1 1 1
][
,
][
,
1
1
][][ )ˆ()(ˆ . (1)
Следовательно, каскадная нео-фаззи нейронная сеть содержит
1
)(
m
l
lnh настраиваемых параметров и, что важно, все они линейно вклю-
чены в описание (1).
Пусть вектор функций принадлежности m -го нео-фаззи нейрона раз-
мерности )1( mnh имеет вид
),(),...,(),...,(),(),...,(( 2221211111
][
ijihh
m xxxxx
T1
1,
]1[
1,
]1[
1,1 ))ˆ(),...,ˆ(),...,ˆ(),(,
m
mnhnhnnhn yyyx ,
а соответствующий вектор синаптических весов:
,,...,,...,,,...,,( ][][
2
][
12
][
1
][
21
][
11
][ m
ji
m
h
mm
h
mmm wwwwwww
T][
1,
][
1,
][
1,1
][ ),...,,...,,, m
nmh
m
nh
m
n
m
hn wwww ,
который имеет ту же размерность. Тогда можно выражение (1) представить
в векторном виде
][T][][ˆ mmm wy .
ОБУЧЕНИЕ КАСКАДНОЙ НЕО-ФАЗЗИ НЕЙРОННОЙ СЕТИ
Обучение каскадной нео-фаззи нейронной сети может быть выполнено как в
пакетном режиме, так и в режиме последовательной обработки информации
(адаптивной настройки весов).
Пусть рассматривается ситуация, когда обучающая выборка опреде-
лена априорно, т.е имеется выборка значений ),();...;2(),2();1(),1( kxyxyx
).(),();...;( NyNxky Для нео-фаззи нейрона первого каскада ]1[NFN выборка
значений функций принадлежности 1
]1[]1[]1[]1[ ),(),...,(),...,2(),1( Nk (век-
тора размерности )1( mnh ) определяется как
Ю.П. Зайченко, Гамидов Галиб И.
ISSN 1681–6048 System Research & Information Technologies, 2017, № 2 96
)),(()),(()),...,((()( 21211111
]1[ kxkxkxk h
T
22 )))(()),...,(()),...,((, kxkxkx nhnijih .
Тогда, минимизируя критерий обучения
N
k
N
k
N kykykeE
1 1
2]1[2]1[]1[ ))(ˆ)((
2
1
))(
2
1
,
вектор синаптических весов можно оценить так:
N
k
N
k
N
k
kykNPkykkkNw
1 1 1
]1[]1[]1[T]1[]1[]1[ )()()()()())()(()( , (2)
где )( означает псевдоинверсию Мура–Пенроуза.
Для последовательной обработки данных используется рекуррентный
метод наименьших квадратов [1, 2]:
,)0(,
)1()()1(1
)()1()1()((
)()1(
,)1(
)1()()1(1
)1()()1()((
)()1(
]1[
]1[]1[]1[
]1[]1[]1[]1[
]1[]1[
]1[
]1[]1[]1[
]1[]1[]1[
]1[]1[
IP
kkPk
kPkkkP
kPkP
k
kkPk
kwkwkykP
kwkw
T
T
T
T
(3)
где — большое положительное число; I — единичная матрица соответ-
ствующей размерности.
Возможно использование алгоритмов адаптации (3) приводит к сокра-
щению вычислительной сложности процесса обучения. В любом случае ис-
пользование процедур (2), (3) существенно сокращают время обучения по
сравнению с градиентным методом, лежащим в основе алгоритма back
propagation [2, 3].
После обучения первого каскада синаптические веса нео-фаззи нейрона
]1[NFN становятся «замороженными», все значения ),2(ˆ),1(ˆ ]1[]1[ yy
)(ˆ),...,(ˆ, ]1[]1[ Nyky определены: получаем второй каскад сети, который со-
стоит из единственного нео-фаззи нейрона ]1[NFN .Он имеет один дополни-
тельный вход для сигнала выхода первого каскада. Затем снова используем
процедуру (2) для настройки вектора весовых коэффициентов ]2[w , размер-
ность которого )1( nh .
В он-лайн методе нейроны обучаются последовательно, т.е. на основа-
нии входных сигналов )(kx . Пусть оценены синаптические веса )(]1[ xw и
получен вектор выходов )(ˆ ]1[ ky . Тогда, используя вектор входов второго
каскада ))(ˆ),(( ]1[T kykx , вычисляем веса )(]2[ xw и выходы )(ˆ ]2[ ky . Для этой
цели можно использовать одинаково успешно алгоритмы (2) и (3).
Процесс роста нейронной сети (увеличивающееся количество каскадов)
продолжается до тех пор, пока не получим требуемую точность решения
или пока величина общего критерия не начнет возрастать, а для настройки
(
Каскадные нейро- нечеткие сети в задачах прогнозирования на рынках ценных бумаг
Системні дослідження та інформаційні технології, 2017, № 2 97
весовых коэффициентов последнего m-го каскада используем следующие
выражения [3]:
N
k
N
k
N
k
mmmmmm kykNPkykkkNw
1 1 1
][][][T][][][ )()()()()())()(()(
в пакетном режиме;
,)0(,
)1()()1(1
)()1()1()((
)()1(
,)1(
)1()()1(1
)1()()1()((
)()1(
][
][][][
][][][][
][][
][
]1[]1[]1[
][][][
][][
IP
kkPk
kPkkkP
kPkP
k
kkPk
kwkwkykP
kwkw
m
mmTm
mTmmm
mm
m
T
mTmm
mm
или
режиме. ельномпоследоватв10,||)1(||)()1(
),1())1()()1(())1(()()1(
2][][][
][][T][1][][][
kkarkr
kkkwkykrkwkw
mmm
mmmmmm
Таким образом, предложенная каскадная сеть CNFNN значительно
превосходит стандартную каскадную архитектуру в скорости обучения
и может обучаться как в пакетном режиме, так и в последовательном (адап-
тивном) режиме. Лингвистическая интерпретация полученных результатов
значительно расширяет функциональные средства каскадной нео-фаззи ней-
ронной сети.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ КАСКАДНОЙ НЕО-ФАЗЗИ
СЕТИ
Цель исследований — анализ работы каскадной нео-фаззи нейронной сети
для прогнозирования поведения рынка ценных бумаг Германии, динамика
биржевого индекса которого приведена в табл. 1. Данные представляют со-
бой отношения NAS по методологии 2008 Systems of National Account.
Т а б л и ц а 1 . Динамика биржевого индекса рынка ценных бумаг ФРГ 2010–2016)
Годы
Месяц
2010 2011 2012 2013 2014 2015 2016
Январь 100 112,5032 96,8841 123,189 154,8426 140,4772 127,3783
Февраль 91,32258 119,0592 107,396 122,1897 155,3302 148,9331 123,2948
Март 96,74254 116,4645 109,996 122,595 154,2723 152,4478 131,1697
Апрель 99,67204 124,9138 105,958 120,2768 156,6237 154,271 135,7509
Май 89,38131 125,5138 98,0491 128,8783 159,2462 154,6962 135,1146
Июнь 88,73958 123,1834 92,7264 127,6049 161,3321 150,7816 132,4843
Июль 92,74674 124,5796 96,2023 127,7148 157,7584 148,275 131,6502
Август 94,39056 101,4666 103,017 132,616 147,5007 144,4888 141,021
Сентябрь 97,24559 88,79165 111,930 135,6962 148,5193 134,0826 140,8114
Октябрь 106,9113 96,40158 112,958 143,4353 136,0243 136,9621 139,7606
Ноябрь 109,9191 94,39673 111,048 147,9172 141,4704 140,8389 136,0866
Декабрь 110,4825 92,2427 118,689 151,2206 144,6012 138,8777 139,7837
Ю.П. Зайченко, Гамидов Галиб И.
ISSN 1681–6048 System Research & Information Technologies, 2017, № 2 98
Объем выборки — 80 элементов. Обучение сети происходило гради-
ентным методом с коррекцией шага в последовательном режиме
В ходе экспериментов изменялось число входов ( длина предыстории),
число каскадов, число значений лингвистических переменных (число нечет-
ких множеств), число правил, а также соотношение обучающей и прове-
ряющей выборок ( провоб / NN , %).
В первой серии экспериментов исследовалось влияние числа каскадов
для разного соотношения провоб / NN . Соответствующие результаты приве-
дены в табл. 2. В обозначении CNFNN ),,( knm первое значение m — число
каскадов, второе значение n — число входов, третье значение k — число
значений лингвистических переменных ,
Т а б л и ц а 2 . Зависимость точности прогнозирования от числа каскадов
Точка
выборки
Real CNFNN(2,4,4) CNFNN(3,4,4) CNFNN(4,4,4) CNFNN(5,4,4)
1 123,8357 120,2385 120,0617 120,2182 120,0592
2 126,0397 120,4322 114,1211 117,2790 118,0517
3 128,409 117,7389 114,8922 117,9889 115,4811
4 128,7385 118,4927 113,208 117,6473 113,5136
5 132,4883 121,1244 111,1652 117,0835 112,7041
6 133,1655 121,4939 110,6172 116,9650 111,8039
7 132,7558 119,7117 109,0291 116,5953 110,7565
8 133,6719 120,0188 107,9253 116,2916 109,5454
9 137,1628 122,1271 106,9552 116,0143 108,4890
10 137,3587 122,6921 105,8058 115,7067 107,5251
11 137,8369 121,5249 104,8954 115,4196 106,6397
12 133,7879 121,6437 103,9669 115,1320 105,7586
13 131,7595 123,2983 103,0752 114,8453 104,9126
14 123,0304 123,9825 102,2693 114,5639 104,1018
15 125,2205 123,2698 101,4767 114,2843 103,3391
16 122,7718 123,3236 100,7373 114,0078 102,6109
17 120,376 124,6254 100,0392 113,7343 101,9165
18 126,8454 125,3622 99,3719 113,4634 101,2516
19 124,4129 124,9920 98,7449 113,1955 100,6181
20 126,7627 125,0476 98,1495 112,9303 100,0140
21 131,0407 126,0878 97,5853 112,6678 99,4383
22 128,8726 126,8343 97,0522 112,4080 98,8889
23 126,1661 126,7216 96,5466 112,1510 98,3649
24 123,4818 126,8151 96,0682 111,8966 97,8649
25 115,3801 127,6681 95,6152 111,6448 97,3882
26 119,0233 128,4008 95,1862 111,3956 96,9335
27 117,5468 128,4805 94,7801 111,1490 96,4998
28 113,9723 128,6299 94,3955 110,9050 96,0861
29 105,1481 129,3537 94,0314 110,6634 95,6916
30 103,2481 130,0627 93,6867 110,4244 95,3152
31 107,7221 130,2851 93,3602 110,1878 94,9563
Каскадные нейро- нечеткие сети в задачах прогнозирования на рынках ценных бумаг
Системні дослідження та інформаційні технології, 2017, № 2 99
Окончание табл. 2
Точка
выборки Real CNFNN(2,4,4) CNFNN(3,4,4) CNFNN(4,4,4) CNFNN(5,4,4)
32 110,0536 130,4976 93,0511 109,9537 94,6139
33 109,9942 131,1365 92,7585 109,7220 94,2873
34 107,4861 131,82 92,4814 109,4927 93,9759
35 105,812 132,1484 92,219 109,2658 93,6788
36 108,7387 132,4245 91,9706 109,0412 93,3955
37 109,2837 133,0117 91,7354 108,8190 93,1252
38 105,0767 133,6728 91,5126 108,5990 92,8674
39 102.8346 134,0803 91,3017 108,3813 92,6215
40 105.3798 134,4172 91,1021 108,1659 92,3870
MAPE,% – 25,78 23,8 14,3 15,6
Соответствующая зависимость точности прогноза MAPE от числа кас-
кадов показана на рис. 3.
Как следует из результатов, приведенных на табл. 2 и рис. 3, оптималь-
ное число каскадов для данного эксперимента равно 4.
Результаты исследования зависимости MAPE от числа входов приведе-
ны на рис. 4 для соотношения 50/50/ провоб NN .
Как следует из этих результатов, существует оптимальное число вхо-
дов, которое в общем случае зависит от соотношения Nоб/Nпров. Оптимальное
число входов равно 4 (для 50/50/ провоб NN ).
Рис. 3. Зависимость критерия MAPE (%) от числа каскадов для 50/50/ провоб NN
Рис. 4. Зависимость критерия МАРЕ (%)от числа входов
Ю.П. Зайченко, Гамидов Галиб И.
ISSN 1681–6048 System Research & Information Technologies, 2017, № 2 100
Важным параметром для каскадной нео-фаззи сети является число зна-
чений лингвистической переменной (нечетких множеств). Проведены соот-
ветствуюшие исследования, результаты которых показаны на рис. 5.
Полученные результаты свидетельствуют о том, что оптимальное чис-
ло значений лингвистических переменных равно 4 для данной задачи про-
гнозирования.
Далее были проведены исследования зависимости количества прогноза
от соотношения провоб / NN . Соответствующие результаты зависимости
точности прогноза от числа каскадов для различных соотношений
провоб / NN приведены на рис. 6 и табл. 3.
Та б лиц а 3 . Зависимость точности прогнозирования (%) от числа каскадов
провоб / NN 50/50 60/40 70/30 80/20 90/10
CNFNN(2,4,4) 25,78 20,2 11,052 7,0012 3,5213
CNFNN(3,4,4) 23,8 17,3 10,5341 5,9654 3,2592
CNFNN(4,4,4) 16,3 15,4 9,6584 4,4325 3,1952
CNFNN(5,4,4) 19,6 19,2 12,9532 6,3454 3,2421
Рис. 5. Зависимость критерия MAPE (%) от числа значений лингвистических пере-
менных
Рис. 6. Зависимость MAPE (%)от числа каскадов для различных соотношений
провоб / NN
50/50
60/40
70/30
80/20
90/10
Каскадные нейро- нечеткие сети в задачах прогнозирования на рынках ценных бумаг
Системні дослідження та інформаційні технології, 2017, № 2 101
Найденные зависимости критерия MAPE от числа входов для разных
соотношений Nоб/Nпров приведены на рис. 7 и табл. 4.
Т а б л и ц а 4 . Зависимость точности прогнозирования от числа входов
провоб / NN 50/50 60/40 70/30 80/20 90/10
CNFNN(4,3,4) 17,7 17,642 10,5329 4,8543 4,5213
CNFNN(4,4,4) 15,5 15,4 9,6584 4,4325 3,1952
CNFNN(4,5,4) 19,7 16,5922 8,5811 3,2151 1,6819
CNFNN(4,6,4) 21,5 19,6483 8,6954 4,9623 1,7651
Исследована зависимость точности прогноза от числа значений
лингвистических переменных для различных соотношений провоб / NN .
Соответствующие результаты показаны на рис. 8.
Как видно из полученых результатов, для каждого класса прогнозируе-
мых финансовых процессов имеется свое значение оптимального числа кас-
кадов. При дальнейшем их увеличении ошибка прогноза либо перестает из-
меняться, либо начинает расти. С ростом числа значений лингвистических
переменных ошибка прогноза сначала уменьшается, достигает минимума, а
Рис. 7. Зависимость MAPE (%) от числа входов
50/50
60/40
70/30
80/20
90/10
50/50
60/40
70/30
80/20
90/10
Рис. 8. Зависимость MAPE (%) от числа значений лингвистических переменных
Ю.П. Зайченко, Гамидов Галиб И.
ISSN 1681–6048 System Research & Information Technologies, 2017, № 2 102
затем начинает возрастать. Такая же зависимость прослеживается и для чис-
ла входов модели и числа значений лингвистических переменных.
Проведены также аналогичные эксперименты по прогнозированию
с использованием ННС ANFIS. Число входов и число значений лингвисти-
ческих переменных выбраны равными 4. Сравнивалась эффективность про-
гнозирования с каскадной сетью с аналогичными значениями параметров
CNFNN (4,4,4). Соответствующие результаты для обоих сетей при варьиро-
вании соотношения провоб / NN приведены в табл. 5.
Т а б л и ц а 5 . Сравнение результатов прогнозирования каскадной сети CNFNN и
ННС ANFIS
провоб / NN 50/50 60/40 70/30 80/20 90/10
FNN ANFIS 19,7 17,65 12,54 6,9554 4,5614
CNFNN(4,4,4) 15,5 15,4 9,6584 4,4325 3,1952
Как показывают результаты сравнения, каскадная нео-фаззи нейронная
сеть имеет более высокую точность прогнозирования. Дополнительными
преимуществами каскадной сети в сравнении с ННС ANFIS является отсут-
ствие необходимости настраивать параметры функций принадлежности, что
позволяет сократить вычислительные затраты и время обучения сети. Эти
свойства каскадной сети позволяют использовать ее в задачах анализа
с большими массивами данных (Big Data Mining).
ВЫВОДЫ
1. Рассмотрена каскадная нео-фаззи нейронная сеть (CNFNN), описаны
ее алгоритмы обучения в пакетном и последовательном режимах.
2. Проведены экспериментальные исследования CNFNN в задачах
прогнозирования финансовых индексов. Исследовалась зависимость точно-
сти прогноза от числа каскадов, входов, числа значений лингвистических
переменных и соотношения обучающей и проверочной выборок. В резуль-
тате экспериментов найдены оптимальные значения указанных параметров
для конкретной задачи прогнозирования.
3. Проведены сравнительные эксперименты с ННС ANFIS, которые
показали преимущество предлагаемой каскадной сети в сравнении с ANFIS
в рассмотренной задаче прогнозирования биржевых индексов.
ЛИТЕРАТУРА
1. Льюис К.Д. Методы прогнозирования экономических показателей: пер. с англ.
/ К.Д. Льюис. — М.: Финансы и статистика, 1986. — 133 с.
2. Згуровский М.З. Основы вычислительного интеллекта / М.З. Згуровский,
Ю.П. Зайченко. — К.: Наук. думка, 2013. — 406 с.
3. Bodyanskiy Ye. The cascade NFNN learning algorithm / Ye. Bodyanskiy, Ye. Vik-
torov, I. Pliss // Вісн. Ужгород. нац. ун-ту. Серія « Математика і інформати-
ка». — 2008. — Вип. 17. — С. 48–58.
4. Bodyanskiy Ye. Neo-fuzzy neural network structure optimization using GMDH for
solving forecasting and classification problems / Ye. Bodyanskiy, Yu. Zay-
chenko, E. Pavlikovskaya etc // Proc. Int. Workshop on Inductive Modeling
2009. Krynica, Poland, 2009. — P. 77–89.
Поступила 22.02.2017
|
| id | journaliasakpiua-article-108823 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:22:54Z |
| publishDate | 2017 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/ea/c1bff18022a5948e64c49859f06193ea.pdf |
| spelling | journaliasakpiua-article-1088232018-03-30T15:35:30Z Cascade neo-fuzzy neural network in the forecasting problem at stock exchange Каскадные нейро-нечеткие сети в задачах прогнозирования на рынках ценных бумаг Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів Zaychenko, Yuriy P. Hamidov, Galib forecasting stock exchange cascade neo-fuzzy neural network FNN ANFIS прогнозирование рынок ценных бумаг каскадная нео-фаззи нейронная сеть ННС ANFIS прогнозування ринок цінних паперів каскадна нео-фазі нейронна мережа ННМ ANFIS A forecasting problem at the stock exchange is considered. For its solution the application of a cascade neo-fuzzy neural network (CNFNN) is suggested. The architecture of the neo-fuzzy neuron and architecture of CNFNN is presented. Training algorithms of CNFNN in packet mode and on-line are described and discussed. The experimental investigations of CNFNN for market index forecasting at the German stock exchange are carried out. During experiments, the number of cascades, inputs, linguistic terms, and the training-to-test ratio of samples were varied. In the experiments, the optimal values of the aforesaid parameters of the training algorithm were found. The comparative experiments estimating forecasting efficiency of the cascade neo-fuzzy neural network and FNN ANFIS were carried out. Рассмотрена проблема прогнозирования на рынках ценных бумаг. Для решения этой задачи предложено использование каскадных нео-фаззинейронных сетей (CNFNN). Рассмотрены архитектура нео-фаззи нейрона и архитектура CNFNN. Описаны алгоритмы обучения нео-фаззи-нейронной сети в пакетном и он-лайновом режимах. Проведены экспериментальные исследования CNFNN в задаче прогнозирования биржевых индексов на рынке ценных бумаг ФРГ. В ходе экспериментов варьировалось число входов нейронной сети, число каскадов, число значений лингвистических переменных, соотношение размеров обучающей и проверочной выборок. В результате экспериментов найдены оптимальные значения указанных параметров для рассматриваемой задачи. Проведены сравнительные эксперименты по оценке эффективности прогнозирования CNFNN и нечеткой нейронной сети ANFIS. Розглянуто проблему прогнозування на ринках цінних паперів. Для її вирішення запропоновано застосування каскадних нео-фаззі нейронних мереж (CNFNN). Розглянуто архітектуру нео-фаззі нейрона та CNFNN. Описано алгоритми навчання нео-фаззі нейронної мережі в пакетному і он-лайновому режимі. Проведено експериментальні дослідження CNFNN в задачі прогнозування біржових індексів на ринку цінних паперів ФРН. У процесі експериментів варіювалась кількість каскадів, входів мережі, число значень лінгвістичних змінних, співвідношення обсягів навчальної та перевірної вибірок. У результаті експериментів знайдено оптимальні значення параметрів для розглянутої задачі. Проведено порівняльні експерименти з оцінювання ефективності прогнозування CNFNN та нечіткої нейронної мережі ANFIS. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2017-06-26 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/108823 10.20535/SRIT.2308-8893.2017.2.09 System research and information technologies; No. 2 (2017); 92-102 Системные исследования и информационные технологии; № 2 (2017); 92-102 Системні дослідження та інформаційні технології; № 2 (2017); 92-102 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/108823/103731 Copyright (c) 2021 System research and information technologies |
| spellingShingle | прогнозування ринок цінних паперів каскадна нео-фазі нейронна мережа ННМ ANFIS Zaychenko, Yuriy P. Hamidov, Galib Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title | Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title_alt | Cascade neo-fuzzy neural network in the forecasting problem at stock exchange Каскадные нейро-нечеткие сети в задачах прогнозирования на рынках ценных бумаг |
| title_full | Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title_fullStr | Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title_full_unstemmed | Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title_short | Каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| title_sort | каскадні нейро-нечіткі мережі в задачах прогнозування на ринках цінних паперів |
| topic | прогнозування ринок цінних паперів каскадна нео-фазі нейронна мережа ННМ ANFIS |
| topic_facet | forecasting stock exchange cascade neo-fuzzy neural network FNN ANFIS прогнозирование рынок ценных бумаг каскадная нео-фаззи нейронная сеть ННС ANFIS прогнозування ринок цінних паперів каскадна нео-фазі нейронна мережа ННМ ANFIS |
| url | https://journal.iasa.kpi.ua/article/view/108823 |
| work_keys_str_mv | AT zaychenkoyuriyp cascadeneofuzzyneuralnetworkintheforecastingproblematstockexchange AT hamidovgalib cascadeneofuzzyneuralnetworkintheforecastingproblematstockexchange AT zaychenkoyuriyp kaskadnyenejronečetkiesetivzadačahprognozirovaniânarynkahcennyhbumag AT hamidovgalib kaskadnyenejronečetkiesetivzadačahprognozirovaniânarynkahcennyhbumag AT zaychenkoyuriyp kaskadnínejronečítkímerežívzadačahprognozuvannânarinkahcínnihpaperív AT hamidovgalib kaskadnínejronečítkímerežívzadačahprognozuvannânarinkahcínnihpaperív |