Студопедия

КАТЕГОРИИ:

АстрономияБиологияГеографияДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРиторикаСоциологияСпортСтроительствоТехнологияФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника


Прогнозирование аукционной цены акций




В качестве меры инвестиционной привлекательности предприятия рассматривалась аукционная цена акций после торгов. За несколько месяцев до торгов в газете печатаются данные о предприятиях, участвующих в торгах. В результате определенного отбора и преобразований на вход сети подавались следующие восемь показателей:

· размер уставного фонда,

· номинальная стоимость акции (стартовая цена одной акции),

· отношение количества выставленных акций на торг к уставному фонду,

· износ фондов (в процентном отношении),

· балансовая прибыль в ограниченный период,

· разность между дебиторской и кредиторской задолженностями,

· количество рабочих,

· площадь земельного участка.

Входные данные и выходной показатель подвергались нормализации. В задачах интеллектуального анализа данных такая процедура как нормализация выполняется почти всегда. Это позволяет уменьшить ошибки при обучении. Существует множество алгоритмов нормализации. Зачастую они применяются для того, чтобы перейти от абсолютных величин к относительным. В частности, при обучении нейронных сетей важно, чтобы исходные параметры не различались на несколько порядков (один показатель изменяется, например, от 1000 до 9999, а второй — от –0.9 до 0.9). В этом случае сеть будет плохо обучаться, поэтому желательно первый параметр изменить так, чтобы по существу данные не поменялись, но диапазоны стали близкими. Как это можно сделать? Например, вместо каждого значения первого параметра поставить отклонение от среднего значения деленное на среднее.

Для ведения данных о торгах, а также для преобразования их, нормализации и передачи в систему Trajan создана информационная подсистема с помощью среды программирования Delphi 3.0.

Естественно, что в сети — 8 входных нейронов и один выходной, принимающий различные значения, т.е. решалась задача регрессии. Путем экспериментов был выбран один скрытый слой из девяти нейронов и всевозможные связи между элементами скрытого слоя с входами и выходами. Первоначально в обучающем множестве было 130 примеров, однако по результатам обучения было выявлено, что часть из них не позволяют сети обучиться, т.е. они являются исключениями из правил. Система Trajan позволяет легко такие примеры обнаруживать. В результате сеть была обучена на выбранных 106 примерах. На рис.6 представлен фрагмент обучающих примеров. Последний правый показатель является выходным. Проводилась его нормализация таким образом, чтобы он оказался в диапазоне [0,1].

При решении задачи регрессии важным показателем, характеризующим степень обучения сети, является отношение стандартного отклонения. В результате выбора требуемой топологии (количества скрытых элементов и связей), отсева некоторых нестандартных примеров, а также с помощью нормализации удалось снизить отношение стандартного отклонения от 0.97 до 0.26. Последнее значение говорит о приемлемом качестве обучения. Это было видно и на каждом примере — отличие прогнозируемого выхода от реального незначительно.


Рис.6 – Примеры для обучения сети по торгам

 


Поделиться:

Дата добавления: 2015-08-05; просмотров: 48; Мы поможем в написании вашей работы!; Нарушение авторских прав





lektsii.com - Лекции.Ком - 2014-2024 год. (0.006 сек.) Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав
Главная страница Случайная страница Контакты