Модели и алгоритмы поддержки принятия решений на основе анализа временных рядов

Актуальность темы

исследования. Задача анализа и прогнозирования временных рядов актуальна и востребована во многих развивающихся направлениях, таких как:

• интеллектуальный анализ данных (data mining);

• анализ взаимосвязей экономических данных;

• эконометрика финансовых рынков.

Отдельной актуальной задачей является создание электронных систем, предназначенных для автоматизации анализа факторов, влияющих на изменение временных рядов и подачи сигналов пользователю, либо другим системам при возникновении определенных условий.

В настоящее время в связи с развитием сферы информационных технологий, происходит её интеграция в решениях прикладных задач анализа и прогнозирования временных рядов. Одной из наиболее востребованных областей приложения задачи анализа временных рядов являются системы ведения торгов на биржах капиталов. Переход брокеров и бирж на электронные площадки позволил предоставлять конечным пользователям возможность совершения сделок посредством конечных программных терминалов, программных интерфейсов (API) и протоколов, являющихся отраслевыми стандартами (FIX, FIXML), что позволило использовать ЭВМ для реализации систем поддержки принятия решений на основе анализа рынка в реальном времени. Высокая востребованность в решении задачи в данной области определила её как основную область приложения моделей и алгоритмов, разработанных в ходе диссертационного исследования.

В области анализа временных рядов проводят исследования, как частные аналитики, так и отдельные подразделения крупных компаний, что ведет к значительной дифференциации в качественном уровне разработки и недостаточной освещенности вопроса:

• крупные разработчики не освещают технические и алгоритмические аспекты разрабатываемых моделей анализа;

• частные аналитики обладают недостаточным ресурсом для создания собственных систем анализа и проведения научно-исследовательских разработок.

Сложившаяся ситуация обуславливает необходимость исследования и формализации процессов построения, анализа и оптимизации систем поддержки принятия решений на основе анализа временных рядов с точки зрения технического, алгоритмического и структурного аспекта и подтверждает актуальность и научно-практическую значимость выбранной темы исследования, позволяя сформулировать цели и задачи диссертационной работы.

Цель исследования состоит в разработке моделей и методов реализации систем поддержки принятия оперативных решений на основе трендового анализа временных рядов.

Объектом диссертационного исследования являются системы поддержки принятия оперативных решений на основе трендового анализа временных рядов.

Предметом исследования являются модели технического анализа временных рядов и нейросетевая логическая модель.

В соответствии с поставленной целыо работы, определены основные задачи диссертации:

1. разработка модели системы анализа и поддержки принятия решений на основе анализа временных рядов;

2. построение системы, позволяющей реализовать различные модели анализа;

3. разработка алгоритма оценки эффективности и дальнейшей оптимизации системы анализа и поддержки принятия решений;

4. применение аппарата нейронных сетей для анализа временных рядов;

5. экспериментальное исследование разработанных моделей, алгоритмов и методов.

Используемые методы: оптимизации, искусственных нейронных сетей, аппарата математической статистики, системного анализа, вычислительной математики, искусственного интеллекта, финансового менеджмента.

Достоверность полученных результатов обеспечивается следованием принципам системного подхода к анализу процессакорректной интерпретацией рабочих циклов систем анализапостроением детерминированных моделей и алгоритмов анализа временных рядов, работа которых подтверждается экспериментально применительно к различным наборам тестовых данных.

Научные положения, выносимые на защиту:

1. модель системы поддержки принятия решений на основе анализа временных рядов;

2. алгоритм оценки эффективности и оптимизации системы анализа и поддержки принятия решений;

3. способ применения нейронных сетей, обеспечивающий классификацию временного ряда;

4. алгоритм создания обучающих выборок для нейронной сети;

Научная новизна:

1. предложена модель системы поддержки принятия оперативных решений на основе трендового анализа временных рядов, позволяющая строить модели анализа, применяя различные наборы индикаторов. Новизна модели состоит в универсализации блока принятия решений за счет применения настраиваемых интерпретаторов числовых значений индикаторов;

2. разработан алгоритм оценки эффективности и оптимизации системы анализа и поддержки принятия решений, отличающийся использованием интегрального показателя эффективности, получаемого путем обработки сигналов блока принятия решений для поиска наборов параметров, обеспечивающих наилучший результат;

3. разработан новый алгоритм создания выборок путем выделения и классификации подмножеств значений временного ряда для организации процесса обучения нейронной сети;

4. предложен способ применения нейронных сетей, обеспечивающий классификацию временного ряда, отличающийся использованием данных, получаемых от индикаторов.

Практическая ценность полученных результатов заключается в создании набора инструментов, применимого для построения систем поддержки принятия оперативных решений на основе трендового анализа временных рядов, а так же разработке обучаемой системы анализа, использующей механизм нейронных сетей.

Непосредственную практическую значимость имеют следующие полученные результаты:

1. система многокритериального анализа применима для прогнозирования тренда в различных процессах, представляемых в виде временных рядов;

2. инструменты оценки и оптимизации системы принятия решений на основе анализа временных рядов позволяют решить проблему подбора параметров при изменяющихся внешних факторах;

3. алгоритм выделения обучающих выборок и предложенный способ применения нейронной сети позволяет реализовать систему, автоматически регулирующую отзывчивость иа различные факторы на основе их влияния в краткосрочной ретроспективе.

Внедрение результатов. Результаты диссертационной работы внедрены в учебный процесс СПБГЭТУ при преподавании дисциплины «Технологии баз данных» на кафедре автоматизированных систем обработки информации и управления.

Апробация. Основные положения и результаты диссертации докладывались на Международной заочной научно-практической конференции.

Технические науки: теоретические и прикладные аспекты" (Новосибирск, 6.

2012) — Международной заочной научно-практической конференции «теория и практика актуальных исследований» (Краснодар, 2012) — Региональной научно-практической конференции «Молодежь, образование и наука XXI века».

Публикации. Основные теоретические и практические результаты диссертации опубликованы в 6 статьях, в том числе 3 публикации в ведущих рецензируемых изданиях, рекомендованных в действующем перечне ВАК. Доклады доложены и получили одобрение на 3 международных научно-практических конференциях.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав с выводами по каждой из них, заключения, содержит 104 страниц машинописного текста, включая 37 рисунков, 8 таблиц и список литературы из 86 источников.

Выводы.

В ходе разработки системы были использованы современные технологии и средства разработки, что позволило создать достаточно гибкую и настраиваемую систему, для развертывания которой требуется минимум подготовительных шагов.

Применение библиотеки hibernate позволило сделать систему независимой от конкретной реализации СУБД и избежать необходимости поддержки отдельных скриптов подготовки и обновления БД при изменении сущностей системы.

Использование каркаса разработки Spring позволило вынести выбор и конфигурацию конкретных реализаций иа уровень XML дескриптора. Богатый набор дополнительных средств интеграции каркаса упростил работу с библиотекой hibernate. Идеология 1оС позволила многократно вносить существенные изменения в систему при минимальном вмешательстве в код.

Заключение

.

В ходе работы были рассмотрены общие вопросы анализа и прогнозирования изменений во временных рядах, проведен сравнительный аиализ различных методов анализа и прогнозирования временных рядов:

— фундаментальный;

— статистический;

— нейросетевой;

— аналитического маделироваиия.

Были сделаны выводы о том, что для автоматизации торговой деятельности в качестве основного инструмента наиболее подходящим является технический аиализ. Для такой системы был разработай набор требований: поддержка различных классов и типов индикатороввозможность задания уровней срабатывания и логики интерпретациивозможность применения к различным данным.

Для решения формализации задачи построения системы поддержки принятия решений, была разработана модель, па основе которой была реализована система, решающая прикладную задачу поддержки принятия решений в задаче ведения биржевой торговой деятельности. На основании анализа процесса была разработана базовая модель сущностей и взаимодействий, которая позволила экспериментально оцепить разработки. Так же была разработана модель применения технического анализа с применением системы арбитража анализа и отправки сигналов, па основании которой, с учетом разработанных требований была построена архитектура системы поддержки принятия оперативных решений на основе анализа временных рядов. В ходе испытаний, разработанные подходы показали свою состоятельность, поскольку в тестировании участвовали различные модели анализа, появлялась необходимость внесения изменений в набор индикаторов и их параметров, что благодаря примененному подходу не требовало значительных трудозатрат. В ходе испытаний были получены данные об основных показателях эффективности различных стратегий на основе разработанного набора показателен.

Среди проблем подготовки и применения систем анализа и прогнозирования временных рядов стоит вопрос оптимизации модели анализа на основе подбора параметров применяемых инструментов анализа. В работах по автоматизации процесса анализа временных рядов выделяют этап оптимизации торговой системы, однако сам процесс не достаточно формализован. В связи с этим, он был вынесен и рассмотрен с точки зрения теории оптимизации, предложена модель, позволяющая проводить поиск оптимальных параметров системы анализа, использующей технический анализ. Так же было отмечено влияние ограниченности оптимизации торговых систем па их успешность вне интервала оптимизации. Для решения такой проблемы была предложена разработка системы анализа, обучаемой в процессе работы, способной подстраиваться под изменения характера временного ряда.

В результате исследования возможностей нейронных сетей и потребностей в задаче анализа и прогнозирования временных рядов, был сделан вывод о возможности их применения. Так в основу решения легли следующие факты:

• нейронные сети способны к распознаванию, в том числе был произведен эксперимент по распознаванию нейронной сетыо формы входного сигнала, но отдельным его точкам, в результате которого был получен высокий результат по точности распознавания;

• нейронная вычислительная модель имеет способность к обучению и самоорганизации на основе обучающих последовательностей;

Поскольку применение нейронных требует организацию обучения, была разработана система кластеризации и классификации данных. Для решения кластеризации данных был разработан алгоритм, выделяющий из временного ряда отдельные участки с помощью двух усредненных значений цены, далее, после уточнения участка (поиска ближайших экстремумов) происходит классификация участка на основании коэффициента силы тренда (тангенса угла наклона). После выделения и классификации набора данных, из него формируется обучающая выборка, распространяемая между обучаемыми системами. Используя предложенный алгоритм, была разработана система непрерывного обучения, использованная для создания обучаемого индикатора, использующего нейронную сеть. В качестве продолжения идеи использования нейронных сетей в поддержки принятия оперативных решений на основе трендового анализа временных рядов, был разработан и применен подход, использующий нейронную сеть для агрегации и конечного арбитража решения по данным, приходящим от индикаторов технического анализа. Такая система показала наилучшие результаты в ходе экспериментального исследования.

В результате разработки и исследований были решены все поставленные задачи: проведен анализ средств, применимых в автоматизации, выделены и разработаны модели, на основании которых построена архитектура системы анализа и поддержки принятия решений. Задача тестирования и оптимизации моделей так же была полностью автоматизирована. На основании разработок и результатов была разработана автономно обучающаяся система поддержки принятия оперативных решений па основе анализа временных рядов. В ходе разработки были применены современные технологии, позволившие создать достаточно гибкую систему.

Итогом проведенных в диссертационной работе исследований явились следующие научные и практические результаты:

1. Разработана модель и реализации системы поддержки принятия оперативных решений на основе анализа временных рядов, испытанная в области ведения торговой деятельности.

2. Предложен алгоритм оценки эффективности и оптимизации системы поддержки принятия решений, получивший отражение в программной реализации.

3. Разработан алгоритм создания выборок путем выделения и классификации подмножеств значений временного ряда, позволяющий обучать сеть на краткосрочных ретроспективных данных.

4. Разработана система анализа, использующая нейронную сеть для классификации временного ряда на основании данных индикаторов, работающая в контуре с системой непрерывного обучения.