Системи підтримки прийняття рішень фінансового аналізу на базі алгоритмів нечіткої логіки

Оскільки прогнозування ніколи не зможе повністю знищити ризик при прийнятті рішень, необхідно явно визначити неточність прогнозу. Рішення, що приймається, визначається результатами прогнозу з урахуванням можливої помилки прогнозування.

Вищевказане передбачає, що прогнозуюча система повинна забезпечувати визначення помилки прогнозування, також як і саме прогнозування. Такий підхід значно знижує ризик об’єктивно пов’язаний з процесом прийняття рішень.

Так в чому ж корені інтересу до нечіткої логіки, як методу, на основі якого можна створити системи підтримки прийняття рішень фінансового аналізу?Як вже було сказано, заміщаючи сувору детерміновану математичну модель об'єкту, нечіткий опис потребує лише мінімального набору закономірностей, не прямуючи до узгодженого опису системи (в термінах ефективності це означає насамперед кардинальне скорочення циклу розробки - впровадження, і практично будь-який наперед обраний додаток виграє від рішення на основі нечіткої логіки). Це дозволяє працювати з даними, що отримані системою на невеликому проміжку часу, з так званими нечіткими числами.

Нечіткі числа (fuzzy numbers), одержані в результаті "не цілком точних вимірів", багато в чому аналогічні розподілам теорії ймовірностей, але вільні від властивих останній відхилень (мала кількість придатних до аналізу функцій розподілу, необхідність їхньої примусової нормалізації, дотримання вимог адитивності, важкість обгрунтування адекватності математичної абстракції для опису поведінки фактичних образів). Як і очікувалось, у межі зростання точності нечітка логіка приходить до стандартної, булевої.

Таким чином, використовуючи алгоритми нечіткої логіки, спеціалісти фінансового аналізу отримали потужний засіб для складання прогнозів, практично незамінний у випадках, коли правила, по яких змінюється курс цінних паперів, невідомі або важко їх виявити.

При створенні системи підтримки прийняття рішень для фінансового аналізу на фондовому ринку доцільно використовувати розвинутий алгоритм застосування нечіткої логіки – нейронні мережі.

На нейронних мережах задача прогнозування формалізується через задачу розпізнавання образів. Данні про змінну, що прогнозується, за деякий проміжок часу створюють образ, клас якого визначається значенням змінної, що прогнозується, в деякий момент часу поза межами даного проміжку, тобто значенням змінної через інтервал прогнозування.

Для прогнозування ціни на фондовому ринку доцільно використовувати метод вікон. Цей метод передбачає використання 2-х вікон A1 та А2 з фіксованими розмірами відповідно n та m. Ці вікна здатні переміщуватись з деяким кроком по часовій послідовності історичних даних, починаючи з першого елементу, і призначені для доступу до даних часового ряду, причому перше вікно А1, отримавши данні, передає їх на вхід нейронної мережі, а друге вікно А2 – на вихід. Пара, яку ми отримуємо на кожному кроці А1 -> А2 (1) використовується як елемент навчаючої вибірки. Приведемо приклад:

Нехай є данні про курс цінного паперу за 2 тижні:

100 94 90 96 91 94 95 99 95 98 100 97 99 98 96 98 (2)

Нехай розміри вікон відповідно n=4, m=1, крок рівний 1. За допомогою методу вікон для нейронної мережі буде згенерована наступна навчаюча вибірка:

100 94 90 96 -> 91

9490 96 91 -> 94

9096 91 94 -> 95

96 91 94 95 -> 99 (3)

Кожний наступний вектор отримується в результаті зсуву вікон А1 та А2 праворуч на один елемент. Передбачається наявність прихованих залежностей в часовій послідовності як множина наглядів. Нейронна мережа системи підтримки прийняття рішень, навчаючись на цих наглядах і настроюючи свої коефіцієнти робить спробу виділити закономірності та сформувати в результаті функцію прогнозу.