Интеллектуальная многоконтурная система поддержки принятия решений аналитика

• Автор: Карлов, Дмитрий Николаевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Краснодар
• Количество страниц: 131 с. : ил.

Оглавление
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 x
1.7 Современные методы прогнозирования временных рядов рынка
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 персептр1
2.3 Расчет ошибки и структура сети.
2.4 Общий алгоритм решения задач с помощью скоростного алгоритг1
обучения многослойного персептрона
Выводы второй главы
Г лава 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 в составе СППР аналитика рынка x.
3.4 Модуль индикаторов на примере
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 Нсйросетевой 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.
Заключение
Список литературы


Возможно ли создание автоматической системы создания МТС (механических торговых систем)? Проанализировать существующие методы автоматического поиска новых закономерностей. Исследовать возможность применения нейронных сетей для поиска новых закономерностей. 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". 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. 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. Разработан скоростной метод обучения многослойного персептрона. Разработан подход к построению систем поиска новых знаний. Разработан подход автоматического поиска механических торговых систем с заданными параметрами. 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. Скоростной метод обучения многослойного персептрона. Подход к созданию информационных систем поиска новых закономерностей. Метод создания миогоконтурной системы управления поиска знаний на финансовых рынках. 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 1 страницу текста, содержащего таблиц и рисунков. Котировки валютных курсов брались с реального торгового счета в торговом терминале «Меїаігабег» (ДІД «Альпари»), котировки акций российских компаний брались с реального торгового счета в терминале «С)иік» (ДЦ «Кит Финанс»), история значений цен на сырье и зарубежные фондовые индексы собирались из различных источников, в частности: «РосБизнесКонсалтинг» www. Финам» www. Министерство природных ресурсов и экологии РФ, «Министерство энергетики США» и других, поэтому данные по ценам на сырье и фондовые индексы могут нести в себе некоторую ошибку.