Помощь в написании студенческих работ
Антистрессовый сервис

Управление инвестициями и прогнозирование динамики фондового рынка на основе алгоритмов ассоциативного поиска

Диссертация: Управление инвестициями и прогнозирование динамики фондового рынка на основе алгоритмов ассоциативного поиска
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В основе фундаментального анализа акций лежит прогнозирование финансовых потоков компаний. На базе некоторой оценки деятельности компании, ее доходности, финансовых и производственных показателей (потоков платежей, величины выплачиваемых дивидендов, задолженности, наличных средств, доходов, расходов и т. п.) определяется ее так называемая «внутренняя стоимость». В большинстве случаев на практике… Читать ещё >

Управление инвестициями и прогнозирование динамики фондового рынка на основе алгоритмов ассоциативного поиска (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. ОБОСНОВАНИЕ АКТУАЛЬНОСТИ СОЗДАНИЯ НОВЫХ МЕТОДОВ АНАЛИЗА И КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ КОНЪЮНКТУРЫ ФОНДОВОГО РЫНКА
    • 1. 1. МЕТОДЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ НА ФОНДОВОМ РЫНКЕ
      • 1. 1. 1. Адаптивные алгоритмы
      • 1. 1. 2. Алгоритмы на базе нечеткой логики
      • 1. 1. 3. Генетические алгоритмы
    • 1. 2. МЕТОДЫ ТЕХНИЧЕСКОГО АНАЛИЗА ФИНАНСОВОГО РЫНКА И КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ
      • 1. 2. 1. Основные аксиомы технического анализа
      • 1. 2. 2. Особенности технического анализа конъюнктуры биржевого рынка
      • 1. 2. 3. Основные типы трендов на финансовом рынке
      • 1. 2. 4. Виды трендов
      • 1. 2. 5. Основные индикаторы прогнозирования в техническом анализе
  • ВЫВОДЫ ПО ГЛАВЕ 1
  • ГЛАВА 2. МЕТОДЫ РАЗРАБОТКИ ПРОГНОЗИРУЮЩИХ МОДЕЛЕЙ НА БАЗЕ ВИРТУАЛЬНЫХ МОДЕЛЕЙ И ПРОЦЕДУРЫ АССОЦИАТИВНОГО ПОИСКА
    • 2. 1. МЕТОДЫ РАЗРАБОТКИ ПРОГНОЗИРУЮЩИХ МОДЕЛЕЙ, ОСНОВАННЫЕ НА ИСПОЛЬЗОВАНИИ ТЕХНОЛОГИЧЕСКИХ ЗНАНИЙ АНАЛИТИКА
    • 2. 2. АЛГОРИТМ НЕЛИНЕЙНОГО ДИНАМИЧЕСКОГО ПРОГНОЗИРОВАНИЯ НА БАЗЕ ВИРТУАЛЬНЫХ МОДЕЛЕЙ
    • 2. 3. ПРИМЕНЕНИЕ АЛГОРИТМА ИДЕНТИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ ВИРТУАЛЬНЫХ МОДЕЛЕЙ ДЛЯ ПРОЦЕДУРЫ АССОЦИАТИВНОГО ПОИСКА
    • 2. 4. ПРОЦЕДУРЫ АССОЦИАТИВНОГО ПОИСКА В ЗАДАЧЕ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ
  • ВЫВОДЫ ПО ГЛАВЕ 2
  • ГЛАВ A3. НЕЧЕТКИЕ МЕТОДЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ФОНДОВЫХ РЫНКОВ
    • 3. 1. ПРИМЕНЕНИЕ НЕЧЕТКОЙ МОДЕЛИ ТАКАГИ-СУГЕНО
      • 3. 1. 1. Описание модели
    • 3. Л.2.Преимущества нечетких моделей в задачах трейдинга
      • 3. 2. АССОЦИАТИВНЫЙ ПОИСК В НЕЧЕТКИХ МОДЕЛЯХ ТАКАГИ СУГЕНО
  • ВЫВОДЫ ПО ГЛАВЕ 3
  • ГЛАВА 4. ПРИМЕНЕНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ ДЛЯ ТРЕЙДИНГА И РИСК-МЕНЕДЖМЕНТА ТРЕЙДИНГОВЫХ КОМПАНИЙ
    • 4. 1. ПРОВЕДЕНИЕ ПРОЦЕДУРЫ ТРЕЙДИНГА С ПОМОЩЬЮ РАЗРАБОТАННОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
    • 4. 2. СТРЕСС-ТЕСТИНГ ИНВЕСТИЦИОННЫХ ПОЗИЦИЙ
    • 4. 3. РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ
  • АЗА.Применение рекуррентных алгоритмов для прогнозирования цен акций
    • 4. 3. 2. Применение алгоритмов с использованием процедуры ассоциативного поиска
    • 4. 3. 3. Ассоциативный поиск в нечетких моделях Такаги
  • Сугено
    • 4. ЗА.Модель авторегрессии
  • ВЫВОДЫ ПО ГЛАВЕ 4

Рынок обращения материальных ресурсов оперирует двумя видами капитала: это реальный капитал, представленный производственными фондами, и его отражение в ценных бумагах.

Активизация коммерческой и производственной деятельности и широкое использование Интернет-технологий приводит к необходимости привлечения большего объема кредитных ресурсов. Механизмом кредитования выступает покупка ценных бумаг. Таким образом, рынок ценных бумаг способствует привлечению инвестиций к предприятиям, обеспечивая им доступ к более дешевому, по сравнению с банковскими кредитами, капиталу. Фондовый рынок представляет собой часть финансового рынка, где проводятся операции с ценными бумагами и производными от них финансовыми инструментами (фьючерсами, опционами, и др.).

Основными характеристиками финансовых активов являются их рыночные цены. Для различных типов финансовых активов цены могут выражаться различным образом [1], например, в виде цен покупки и продажи акций и облигаций, обменных курсов валют, процентных ставок по привлекаемым и размещаемым депозитам. Совокупность значений этих характеристик для всех активов в каждый момент времени определяет конъюнктуру финансового рынка и является объектом анализа со стороны его участников.

В частности, к основным индикаторам, характеризующим конъюнктуру рынка ценных бумаг, относят следующие [2]:

Торговое сальдо, т. е. разница между объемом продаж и покупок ценных бумаг;

Общий объем продаж ценных бумаг (общее количество контрактов, заключенных за определенный промежуток времени, 5 как правило, за один торговый день) — индикатор стабильности рынка ценных бумаг и общей экономической активности;

Открытая позиция, или открытый интерес представляет собой общее число неликвидных не закрытых контрактов на конец дня. Этот показатель характеризует приток денег на рынок и их отток с рынка. Когда открытая позиция увеличивается, деньги притекают на рынок: новые продавцы открывают позиции с новыми покупателями. Это повышает вероятность того, что существующая тенденция сохранится. Уменьшающаяся открытая позиция отражает ликвидирующийся рынок и возможное изменение тенденции.

Объем промышленного производства ~ отражает степень интенсивности экономических спадов и бумов;

Валовой национальный продукт (ВНП) — совокупная стоимость конечных товаров и услуг, произведённых за конкретный период времени (обычно за год);

Индекс потребительских цен — определяет уровень инфляции и является решающим фактором для установления цен на боны, облигации и другие ценные бумаги.

Цены считаются первичными индикаторами конъюнктуры биржевого рынка, а объем торговли — вторичным. Объем торговли считается индикатором, усиливающим ценовые тенденции.

Курсы ценных бумаг на фондовом рынке формируется спросом и предложением. Спрос и предложение являются отчасти субъективными, поскольку представления участников рынка о ситуации не совпадают с так называемой «истинной» стоимостью [3]. Выявление истинной (true value) или собственной стоимости (intrinsic value) ценной бумаги является объектом финансового анализа участников рынка. Действия участников в соответствии с «золотым правилом инвестирования», когда покупаются «недооцененные» и продаются «переоцененные» рынком ценные бумаги, получило название «эффективного рынка».

В соответствии с постулатом «эффективности», т. е. логичности рынка, участники ожидают, что растущий спрос на «недооцененные» бумаги приведет к повышению их рыночной цены, и наоборот, увеличение предложения «переоцененных» бумаг приведет к снижению их курса. Обратные операции инвестора с ценными бумагами, например, продажа по более высокой цене ранее купленных «дешево» ценных бумаг, должны обеспечить увеличение его дохода.

Логичные действия инвесторов в условиях эффективного рынка должны приводить к достижению равновесия между спросом и предложением ценных бумаг [2], а следовательно — к установлению равновесных курсов ценных бумаг [4,5] на уровне их «истинной стоимости». Показателем эффективности подобных операций служит относительное изменение капитала инвестора за период инвестирования денежных средств в ценные бумаги. Эта характеристика называется ставкой доходности {rate of return) финансовых инвестиций или просто доходностью.

Цены финансовых инструментов фондового рынка называют котировками [3]. Они выражают определенное количество валюты за единицу финансового инструмента. Одни и те же ценные бумаги могут котироваться на разных региональных фондовых рынках и иметь котировки в нескольких валютах. Котировка дается на покупку и на продажу (BID и ASK, BID и OFFER) с указанием краткого буквенного обозначения финансового инструмента — тикера.

К основным методам анализа конъюнктуры рынка ценных бумаг [5], позволяющим прогнозировать рыночную ситуацию, можно отнести следующие.

• мониторинг;

• статистический анализ;

• фундаментальный анализ;

• технический анализ;

• рейтинговый анализ;

• экспертный анализ.

Мониторинг предполагает фиксацию в определенной форме всех событий, происходящих на рынке ценных бумаг (сообщения средств массовой информации, мнения специалистов, содержание биржевых бюллетеней, события экономической и политической жизни, которые имеют отношение или могут оказать какое-либо воздействие на рыночную ситуацию).

Статистический анализ осуществляет вычисление минимальных, максимальных и средних цен покупки и продажи, количество сделок по видам ценных бумаг, средние объемы сделок, фондовые индексы, обобщенные индексы и т. п.

В основе фундаментального анализа акций лежит прогнозирование финансовых потоков компаний. На базе некоторой оценки деятельности компании, ее доходности, финансовых и производственных показателей (потоков платежей, величины выплачиваемых дивидендов, задолженности, наличных средств, доходов, расходов и т. п.) определяется ее так называемая «внутренняя стоимость». В большинстве случаев на практике она не совпадает с рыночной ценой акций, которая определяется отношением спроса и предложения на фондовом рынке.

В последнее время фундаментальный анализ осуществляется с применением моделей движения рынка, которые могут включать в себя до нескольких тысяч показателей.

К основным факторам движения фондового рынка относятся следующие [6]:

• экономические факторы (относительные процентные ставки, паритет покупательной способности (Ш 1С), экономические условия (торговый, платежный баланс, экономический рост, уровень инфляции, предложение денег, базработица, ставки налогов));

• политические факторы (экономическая политика, нестабильность политической ситуации, финансовая политика, валютные интервенции.

ЦБ);

• настроения рынка;

• состояние отраслей экономики.

Технический анализ, или чартизм (от англ. chart — график), изучает динамику соотношения спроса и предложения, а также ценовые изменения на основе различных графиков, диаграмм, изучении показателей открытых позиций и объема торговли. Технический анализ используется как для прогнозирования курсов и определения времени открытия и закрытия позиций, так и для установления основных тенденций развития рынка ценных бумаг. В рамках парадигмы технического анализа принимаются следующие аксиомы:

• любой фактор, влияющий на цену (экономический, политический, психологический), заранее учтен и отражен в графике. Т. е. динамика цены имеет фундаментальные причины, которые, в отличие от фундаментального анализа, не анализируются;

• цены двигаются в рамках определенного тренда [7]: растущего бычьего") — падающего («медвежьего») или бокового, когда 9 колебания цен незначительны. Задачей технического анализа является выявление данных трендов и определение их развития на основе общих закономерностей- • история повторяется, т.к. психология участника рынка в основе своей неизменна. Следовательно, понимание будущего лежит в изучении прошлого.

Задачей рейтингового анализа является составление ранжированных по определенным признакам рядов (рейтингов) и соответствующее ранжирование инвесторов, ценных бумаг на рынке.

Экспертный анализ выполняется высококвалифицированным специалистом на заданную тему. Это может быть анализ отдельной проблемы или общий обзор.

Анализ конъюнктуры рынка может производиться или по определённому сегменту рынка, или по сравнимым элементам рынка ценных бумаг и чаще всего не одним, а несколькими методами [8,9].

Несмотря на хорошо известную ограниченность традиционных подходов к прогнозированию конъюнктуры рынка, обусловленную сложностью динамических процессов движения рынка и одновременного влияния большого количества взаимно коррелирующих факторов, а также сложностью исследования психологии многочисленных игроков, определяющее значение, сегодня имеет разработка эффективных современных методов математического моделирования, в полной мере использующих как результаты экономических исследований, так и современные методы теории идентификации.

Использование таких алгоритмов полезно, например, при анализе рисков выполнения операций, выборе стратегии управления [10,11].

Выводы по Главе 4.

1. Предложенные в диссертационной работе алгоритмы могут быть использованы инвестиционными и треидинговыми компаниями как для трейдинга, так и для решения задач рискового менеджмента, в частности, стресс-тестинга инвестиционных позиций.

2. Для большинства исследуемых компаний процедура ассоциативного поиска и использование виртуальных моделей приводили к более эффективному результату по сравнению с традиционными рекуррентными алгоритмами.

ЗАКЛЮЧЕНИЕ

.

1. Анализ существующих методов краткосрочного прогнозирования на фондовом рынке показал ограниченность традиционных подходов к прогнозированию конъюнктуры рынка, обусловленную сложностью динамических процессов динамики рынка и, одновременно, влиянием большого количества взаимно коррелированных факторов, недостаточностью априорной информации о конкретной рыночной ситуации, а также сложностью исследования психологии многочисленных игроков.

2. Актуальной является разработка методов, сочетающих в себе позитив традиционных подходов к исследованию фондового рынка (в рамках фундаментального и технического анализа) с учетом специфических сложностей объекта на основе принципиально новых подходов к построению моделей рыночной ситуации.

3. Представляется актуальным иметь более надежный инструментарий анализа, нежели анализ графического материала. В этом аспекте требуется разработка методов и алгоримов, сочетающих концептуальное преимущество методов технического анализа и современных методов идентификации.

4. Для краткосрочного прогнозирования в процессе трейдинга могут быть использованы алгоритмы идентификации с применением виртуальных моделей на основе процедуры ассоциативного поиска. Используются цепочки ассоциаций с запоминанием любой возможной глубины. Алгорритмы используют базу технологических знаний эксперта (аналитикатрейдера).

5. Преимуществом нечетких алгоритмов прогнозирования в задачах трейдинга является определенная гибкость нечеткой модели, позволяющая компенсировать недостаточность априорной информации о рыночой ситуации и неформализуемость ряда факторов цен акций на фондовом рынке. Формально это выражено в свободе выбора экспертом количества термов, описывающих нечеткую переменную, формы функций принадлежности для каждого терма.

6. При всей очевидной эффективности, использование нечетких моделей существенно снижает быстродействие алгоритмов прогнозирования, в то время как для систем прогнозрования в трейдинге быстродействие является одним из определяющих успех факторов. Этот факт делает очевидной необходимость разработки алгоритмов, сочетающих в себе все преимущества нечеткого подхода и алгоритмов ассоциативного поиска на базе виртуальных моделей.

7. Использование разработанных в настоящей работе алгоритмов идентификации как для трейдинга, так и для решения задач рискового менеджмента, в частности, стресс-тестинга инвестиционных позиций компаниями ОАО 'Ютрэйд.ру', Duntonse Enterprises Limited (Cyprus) продемонстрировало более эффективные результаты по сравнению с традиционными рекуррентными алгоритмами.

Показать весь текст

Список литературы

  1. .И. Рынок ценных бумаг. Введение в фондовые операции. М.: Финансы и статистика, 1991.
  2. С., Мюррей С. Ф., Блок Ф. Е. Анализ ценных бумаг Грема и Додда. М.: Олимп-Бизнес, 2000.
  3. В.И. Рынок ценных бумаг: количественные методы анализа. М.: Дело, 2003.
  4. Т.Б. Рынок ценных бумаг. М.: ИНФРА-М, 2002.
  5. Т.Б. Рынок ценных бумаг и биржевое дело. М.: ИНФРА-М, 2002.
  6. И. Финансовый рынок. Т. 1. Киев: 2000.
  7. Franses Р.Н., Time series models for business and economic forecasting. Cambridge University Press, 1998.
  8. A. H. Рынок ценных бумаг и производных финансовых инструментов. М.: Первая Федеративная книготорговая палата, 1998.
  9. Я. С. Теоретическое и практическое пособие по финансовой математике. М.: ИНФРА-М, 1996.
  10. А. А., Первозванская Т. Н. Финансовый рынок: расчет и риск. М.: ИНФРА-М, 1994.
  11. Г. А. Математические модели финансовых рисков. Минск: БГУ, 1999.
  12. П. С. Банковский менеджмент. М.: Дело, 1996.
  13. . Б. Зарубежные фондовые рынки. М.: ИНФРА-М, 1996.
  14. А.Н. Основы стохастической финансовой математики. Теория, факты, модели. М.: Фазис, 1998.
  15. Н. Markovitz. Portfolio selection // Journal of Finance. 1952.V.7. P. 77−91.
  16. M.G. Kendall. The analysis of economic time-series. Part 1. Prices // Journal of Royal Statistical Society. 1953.V.96. P. l 1−25.
  17. R.F. Engle, Т. Bollerslev. Modelling the persistence of conditional variance //Econometrics reviews. 1986. V.5.P. 1−50.
  18. E.E.Peters. Fractal market analysis: applying chaos theory to investment and economics. New-York: Wiley, 1994.
  19. Финансовая математика. Математическое моделирование финанасовых операций / Под редакцией В. А Половникова и А. И. Пилипенко. М.: Вузовский учебник, 2004.
  20. Дж. Бокс, Г. Дженкинс. Анализ временных рядов. Прогноз и управление. М: Мир, 1974.
  21. С.Д. Браун, М. П. Крицмен. Количественные методы финансового анализа. М.: ИНФРА, 1996.
  22. Ю.П. Лукашин. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1979.
  23. К.Д. Лыоис. Методы прогнозирования экономических показателей. М.: Финансы и статистика, 1986.
  24. M.Ruth, В. Hannon. Modelling dynamic economic systems. Springer-Verlag New York Inc., 1997.
  25. С. А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998.
  26. Т. У., Паррамоу К. Количественные методы в финансах. М.: ЮНИТИ, 1999.
  27. Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. М.: Дело, 2000.
  28. Schoenberg, I. Contributions to the problem of approximation of equidistant data by analytic functions. Quart. Appl. Math., vol. 4, pp. 45−99 and 112— 141, 1946.
  29. В.Я. Экспертная оценка алгоритмов управления методами нечеткой логики и теории вероятностей // Теплоэнергетика. 2002. № 4. С. 51−56.
  30. Mamdani E.H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller // Int. J. Man-Machine Studies. 1975. No. 7. P. 1−13.
  31. Kickert W.J.M., Van Nauta Lemke H.R. Application of fuzzy controller in a warm water plant//Automatica. 1976. No. 12. P. 301−308.
  32. King P.J., Mamdani E.H. Application of fuzzy control system to industrial processes // Automatica. 1977. No. 13. P. 235−242.
  33. Braae M., Rutherford D.A. Fuzzy relations in a control setting // Kybernetes. 1978. No. 7. P. 185−188.
  34. Kickert W.J.M., Mamdani E.H. Analysis of a fuzzy logic controller // Fuzzy sets and systems. 1978. No. 1. P. 29−44.
  35. Pedrycz W. On the use of fuzzy Lukasiewicz logic for fuzzy control // Archiwum automatyki i telemechaniki. 1980. Vol. 25. No. 3. P. 301−314.
  36. Baldwin J.F., Guild N.C.F. Modelling controllers using fuzzy relations // Kybernetes. 1980. No. 3. Vol. 9. P. 223−229.
  37. Mills Т. C. The econometric modelling of financial time series. Cambridge: Cambridge University Press, 1999.
  38. Jain R. Outline of an approach for the analysis of fuzzy systems // Int. J. Control. 1976. Vol. 27, No. 3. P. 627−640.
  39. Braae M., Rutherford D.A. Theoretical and linguistic aspects of the fuzzy controller // Automatica. 1979. — Vol. 12. — P. 553−577.
  40. Ю.И. Синтез нечеткой системы управления // Известия РАН. Теория и системы управления. 1999. № 1. С. 166−172.
  41. Ю.И., Дорохов И. Н. Новый принцип построения регуляторов для сложных химико-технологических объектов на основании качественной информации // Докл. РАН. 1994. Т. 336. № 1. С. 75−79.
  42. Takagi Т., Sugeno М. Fuzzy identification of systems and its applications to modeling and control. // IEEE Trans. Systems Man Cybernet. 1985. Vol. 15, No. 116. P. 116−132.
  43. Buckley J J. Sugeno-type controller are universal controllers // Fuzzy Sets and Systems. 1993. No. 53. P. 299−303.
  44. А.Г. Построение и идентификация нечетких математических моделей технологических процессов в условиях неопределенности / Дисс. канд. техн. наук, Липецк: ЛГТУ. 2002. 147 с.
  45. АН Y.M., Zhang L. A methodology for fuzzy modelling of engineering systems // Fuzzy Sets and Systems. 2001. No. 118. P. 181−197.
  46. Kim C.W., Cho Y.W., Park M. A multirule-based controller using the robust property of a fuzzy controller and its design method // IEEE Trans. Fuzzy Systems. 1996. No. 4. P. 315−327.
  47. Wang H.O., Tanaka K., Griffin M.F. An approach to fuzzy control of nonlinear systems: stability and design issue // IEEE Trans. Fuzzy Systems. 1996. No. 4. P. 14−23.
  48. Tanaka K., Ikeda Т., Wang H.O. Robust stabilization of a cross of uncertain nonlinear systems via fuzzy control: quadratic stabilizability, IT0 control theory and linear matrix inequalities // IEEE Trans. Fuzzy Systems. 1996. -No. 4. P. 1−13.
  49. Ying H. Analytical study on structure, stability and design of general nonlinear Takagi-Sugeno fuzzy control systems // Automatica. 1998. Vol. 34. No. 12. P. 1617−1623.
  50. Tanaka K., Ikeda Т., Wang H.O. Fuzzy regulators and fuzzy observers: relaxed stability conditions and LMI-based designs // IEEE Trans. Fuzzy Systems. 1998. Vol. 6, No. 12. P. 1−16.
  51. Yoneyama J., Nishikawa M., Katayama H. Output stabilization of Takagi-Sugeno fuzzy systems // Fuzzy Sets and Systems. 2000. No. 111. P. 253−266.
  52. Ma X.-J., Sun Z.-O. Output tracking and regulation of nonlinear system based on Takagi-Sugeno fuzzy model // IEEE Trans. Syst. Man and Cybern., Part B. 2000. Vol. 30, No. 1. P. 47−59.
  53. Chou J.-H., Chen S.-H. Stability analysis of the discrete Takagi-Sugeno fuzzy model with time-varying consequent uncertainties // Fuzzy Sets and Systems. 2001. No. 118. P. 271−279.
  54. Zang J.-M., Li R.-H., Zhang P.-A. Stability analysis and systematic design of fuzzy control systems // Fuzzy Sets and Systems. 2001. No. 120. P. 65−72.
  55. Guerra T.M., Vermeiren L. Control laws for Takagi-Sugeno fuzzy models // Fuzzy Sets and Systems. 2001. No. 120. P. 95−108.
  56. Yoneyama J., Nishikawa M., Katayama H., Ichikawa A. Design of output feedback controllers for Takagi-Sugeno fuzzy systems // Fuzzy Sets and Systems. 2001. No. 121. P. 127−148.
  57. Sun Q., Li R., Zhang P. Stable and optimal adaptive fuzzy control of complex systems using fuzzy dynamic model // Fuzzy Sets and Systems. 2003. No. 133. P. 1−17.
  58. Chang W.-J., Sun C.-C. Constrained fuzzy controller design of discrete Takagi-Sugeno fuzzy model // Fuzzy Sets and Systems. 2003. No. 133. P. 37−55.
  59. Chen C., Wong C.-C. Self-generating rule-mapping fuzzy controller design using a genetic algorithm // IEE Proc. Control Theory Appl. 2002. Vol. 149. No. 2. P. 143−148.
  60. Д.Бэстенс, В. Ван Ден Берг, Д. Вуд. Нейронные сети и финансовые рынки. М.: ТВП, 1997.
  61. Lin С.Т., Lee C.S.G. Neural-network-based fuzzy logic control and decision system // IEEE Trans. Comput. 1991. Vol. 40, No. 12. P. 1320−1336.
  62. Jang J.-S.R. ANFIS Adaptive-network-based fuzzy system // IEEE Trans. Systems Man Cybernet. 1993. Vol. 23. No. 6. P. 665−685.
  63. Bukcley J.J., Hayashi I., Czogala E. Fuzzy neural controller // Proc. IEEE Int. Conf. on Fuzzy Systems. San Diego. 1992. P. 197−202.
  64. Yager R.R. Implementing fuzzy logic controllers using a neural network framework//Fuzzy Sets and Systems. 1992. No. 48. P. 53−64.
  65. Bukcley J.J., Hayashi I. Neural nets for fuzzy systems // Fuzzy Sets and Systems. 1995. No. 71. P. 265−276.
  66. Tang J.R., Sun C. Neuro-fuzzy modelling and control // Proc. IEEE. 1995. Vol. 83.No. 3. P. 378−406.
  67. Shi Y., Mizumoto M., Yubazaki N., Otani M. A method of fuzzy rules generation based on neuro-fuzzy learning algorithm // J. Japan Soc. Fuzzy Theory Systems. 1996. Vol. 8. No. 4. P. 695−705.
  68. Juang C.F., Lin C.-T. An on-line self-constructing neural fuzzy inference network and its applications // IEEE Trans, on Fuzzy Systems. 1998. Vol. 5. No. l.P. 12−32.
  69. Ishigami H., Fukuda Т., Shibata Т., Arai F. Structure optimization of fuzzy neural network by genetic algorithm // Fuzzy Sets and Systems. 1995. No. 71. P. 257−264.
  70. Juang C.-F., Lin J.-Y. Genetic reinforcement learning through symbiotic evolution for fuzzy controller design // IEEE Trans. Syst., Man and Cybern. 2000. Vol. 30. No. 2. P. 290−302.
  71. Rajapakse A., Furuta K., Kondo A. Evolutionary learning of fuzzy logic controllers and their adaptation through perpetual evolution // IEEE Trans. Fuzzy Systems. 2002. Vol. 10, No. 3. P. 309−321.
  72. Karr C.L., Gentry E. Fuzzy control of PH using genetic algorithms // IEEE Trans. Fuzzy Systems. 1993. Vol. 1. No. 1.
  73. Karr C.L. Genetic algorithms for fuzzy controllers // AI Expert. 1991. Vol. 6. No. l.P. 26−33.
  74. Francisco H., Luis M. Genetic fuzzy systems // Tatra Mount. Math. Publ. 1997. No. 13. P. 93−121.
  75. Chin T.C. Genetic algorithms for learning the rule base of fuzzy logic controller // Fuzzy Sets and Systems. 1998. No. 97. P. 1−7.
  76. Juang C.-F., Lin J.-Y. Genetic reinforcement learning through symbiotic evolution for fuzzy controller design // IEEE Trans. Syst., Man and Cybern. 2000. Vol. 30. No. 2. P. 290−302.
  77. Rajapakse A., Furuta K., Kondo A. Evolutionary learning of fuzzy logic controllers and their adaptation through perpetual evolution // IEEE Trans. Fuzzy Systems. 2002. Vol. 10. No. 3. P. 309−321.
  78. Watanabe N. A fuzzy rule based time series model. / Proceeding of 2004 Annual Meeting of the North American Fuzzy Information Processing Society. Banff, Canada, 2004. P. 936−940.
  79. Watanabe N., T. Imaizumi, T. Kikuchi. A Fuzzy Model for Financial Time Series. / Proceeding of Artificial Intelligence and Soft Computing. Marbella, Spain, 2004.
  80. Tong H. Threshold Models in Non-linear Time Series Analysis. Springer: Lecture Note in Statistics.V.21. 1983
  81. Tong H. Non-linear Time Series: A Dynamical System Approach. Oxford Univercity Press: 1990.
  82. Tsukamoto Y. An approach to fuzzy reasoning method. / In: Mada M. Gupta, Rammohan K. Ragade & Ronald R. Yager, Editors, Advances in Fuzzy Set Theory and Applications. P. 137−149. North-Holland, Amsterdam, 1979.
  83. Lee C.-C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller, IEEE Transactions on Systems, Man & Cybernetics. Vol. 20(2). P. 419−435.1990
  84. Holland J.H. Adaptation in Natural and Artificial Systems. Ann Arbor: The University of Michigan Press. 1975.
  85. Y.M.Ali, Liangchi Zhang, A methodology for fuzzy modelling of engineering systems, Fuzzy Sets and Systems. Vol. 118. P.181−197. 2001.
  86. J. Korczak, P. Roger. Stock timing using genetic algorithms // Journal of Stochastic Models in Business and Industry. 2002. No 18. P. 121−134.
  87. Koza J.R. Genetic Programming: on the programming of computers by means of natural selection. MIT Press, 1992.
  88. Финансовый менеджмент: теория и практика / Под ред. Е. С. Стояновой. М.: Перспектива, 1996.
  89. А. Технический анализ товарных и финансовых рынков. М.: ИНФРА-М, 1996.
  90. Мэрфи Джон Дж. Технический анализ фьючерсных рынков: теория и практика. М.: Диаграмма, 2000.
  91. А. В. Финансовые рынки: стохастический анализ и расчет производных ценных бумаг. М.: ТВП, 1999.
  92. Найман Э.-JI. Малая энциклопедия трейдера. Киев: Альфа-Капитал Логос, 1997.
  93. О’Брайен Дж., Шривастава С. Финансовый анализ и торговля ценными бумагами (FAST). М.: Дело, 1995.
  94. Рынок ценных бумаг Республики Беларусь и тенденции его развития / Под ред. В. М. Шухно, А. Ю. Семенова, В. А. Котовой. Минск: РИВШ БГУ, 2001.
  95. Рынок ценных бумаг / Под ред. В. А. Галанова, А. И. Басова. М.: Финансы и статистика, 1999.
  96. Е. В. Операции с ценными бумагами. М.: ИНФРА-М, 1996.
  97. Е. М. Финансовая математика. М.: Дело, 2000.
  98. Владимир Трубицын. Технический анализ. Общие принципы. http://www.fxmag.ru/pub/10/shkola nachinajuschego trejdera lektsija 5/
  99. Н.И., Буянова Е. А., Кожевников М. А., Чаленко А. В. Фондовый рынок: Учебное пособие для высших учебных заведений экономического профиля. М.: Вита-Пресс, 1999.
  100. Р.В., Мейерс Т. А. Энциклопедия технических индикаторов рынка. Пер. с англ. М.: Альпина паблишер, 1998.
  101. М.В., Овчинников А. С. Технический анализ рынка ценныхбумаг. М.: ИНФРА-М, 1996.
  102. Д. Технический анализ. Полный курс. М.: Альпинапаблишер, 2002.
  103. ЮЗ.Элдер А. Как играть и выигрывать на бирже. Пер. с англ. М.: Альпина Бизнес Букс, 2007.
  104. Murphy John J. Technical Analysis of the Financial Markets. New York:1. NYIF, 1999.
  105. Статистика финансов. / Под ред. В. Н. Салина. М.: Финансы истатистика, 2001.
  106. Бестужев-Лада И. В. Рабочая книга по прогнозированию. М.: Мысль, 1982.
  107. Количественные методы финансового анализа / Под ред. С. Брауна, М.
  108. Крицмена. М.: ИНФРА-М, 1996.
  109. Р. Дж., Брэдли Э. С., Тьюлз Т. М. Фондовый рынок. М.: ИНФРА-М, 1999.
  110. Т. У., Паррамоу К. Количественные методы в финансах. М.: ЮНИТИ, 1999.
  111. Hunt Е. Cognitive science: definition, status and questions // Annual Reviewof Psychology. Vol.40. P. 603−629, 1989.
  112. Newell A., Simon H.A. Human problem solving. Englewood Cliffs. NJ:1. Prentice-Hall Inc., 1972.
  113. Bakhtadze N., Maximov E., Valiakhmetov R. Fuzzy soft sensors forchemical and oil refining processes. / Pr. of 17 IF AC World Congress, Seul, Korea, 2008.
  114. О.И., Нарыжный E.B. Компьютерное обучение процедуральным знаниям // Психологический журнал. № 6, 1999. С.53−61.
  115. Patel V.L., Ramoni M.F. Cognitive Models of Directional Inference in Expert Medical Reasoning // In: Feltovich P., Ford K., Hofman R. (Eds.) Expertise in Context: Human and Machine. AAAI Press, Menlo Pare, CA, 1997.
  116. Gavrilov A.V. The model of associative memory of intelligent system // The 6-th Russian-Korean International Symposium on Science and Technology. Proceedings., 2002. Vol. 1. P. 174−177.
  117. О.И., Мошкович E.M. Качественные методы принятия решения. М.: Физматгиз, 1996.
  118. А.Д. Адаптивные алгоритмы кусочной аппроксимации в задаче идентификации // Автоматика и телемеханика, 1972. № 12.
  119. В.М. Цифровая идентификация нелинейных динамических объектов // Автоматика и телемеханика. № 12, 2004. с. 85 -93.
  120. Lototsky V., Bachtadze N., Maximov E. Soft sensors design in manufactoring / «Машиностроительные технологии» 05″. Варна, Болгария. 2005, с.76−81.
  121. Н.Н., Лотоцкий В. А., Максимов Е. М. Виртуальные модели ассоциативного поиска в задачах идентификации / Тезисы докладов научно-практической конференции «ИНФО-2007», 2007. С. 23.
  122. Н.Н., Лотоцкий В. А., Максимов Е. М. Разработка программных анализаторов на основе нечетких алгоритмов ассоциативного поиска / Тезисы докладов научно-практической конференции «ИНФО 2007». 2007. С. 24.
  123. Bachtadze N., Kulba V, Lototsky V, Maximov E. Identification-based approach to soft sensors design. / Pr. of IF AC International Workshop Intelligent Assembly and Disassembly. Alicante, Spain, 2007.
  124. B.A., Максимов Е. М., Валиахметов P.T., Бахтадзе Н. Н. Модели ассоциативного поиска в производственных системах / Автоматизация в промышленности. № 10, 2007. С. 19−21.
  125. Н.Н., Валиахметов Р. Т. Применение моделей ассоциативногопоиска для прогнозирования в задачах трейдинга // Проблемы управления. № 6, 2007. С. 15−20.
  126. Н.Н., Максимов Е. М., Валиахметов Р. Т. Применение моделейассоциативного поиска в виртуальных анализаторах // Труды VI Международной конференции «Идентификация систем и задачи управления» (SICPRO'07). М.: ИПУ РАН, 2007, с. 1392−1397.
  127. Bakhtadze N., LototskyV., Valiakhmetov R.T. Associative search models intrading. /Pr. of 17th IFAC World Congress, Seoul, Korea. 2008. P. 42 804 284.
  128. Дж. Кризис мирового капитализма. Открытое общество вопасности. Пер. с англ. М.: ИНФРА-М, 1999.
  129. Kim J., Finger С.A. Stress Test to Incorporate C. rrelation Breakdown, 1. Journal of risk. 2000.
  130. Kupiec P. Stress-testing in a value at risk framework. Journal of Derivatives.1. Vol. 24. 1999.
  131. Chan Lily. FSAP Stress Testing: Singapore’s Experience. MAS of1. Singapore, 2004.
  132. А. Трейдинг с доктором Элдером. Энциклопедия биржевой игры. Альпина Бизнес Букс: 2008.
  133. В., Штатов Д. Информационные риски: анализ и количественная оценка // Бухгалтерия и банки. 2007, № 1.
  134. А.Г., Мандель А. С. Прогнозирование временных рядов на основе метода аналогов (элементы теории экспертно-статистических систем). М.: 2002 (Научное издание/ Институт проблем управления им. В. А. Трапезникова РАН).
  135. И.К. Стресс тестирование: обзор методологий. 2007.
  136. Basel Committee on Banking Supervision «International Convergence of Capital Measurement and Capital Standards», 2004.
  137. Consultative Paper «Credit Stress-Testing», Monetary Authority of Singapore, 2002. У
Заполнить форму текущей работой

Сессия? Спокойно!