Отличный вариант протестировать новую фичу, и оценить аудиторию сайта

Добрый день, уважаемые читатели этого сообщества блогов.
Просим Вас оценить какое количество людей посещает блог и начать регистрировать себе аккаунты в блоге.
Спасибо, с ув Админ

eb8f81fb0ebd29371871704cf3626c70

АНАЛИЗ ИНВЕСТИЦИОННОГО ПОРТФЕЛЯ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ КУРСОВ АКЦИЙ 2 часть

3. Нечетко-множественный метод оптимизации фондового портфеля
Пусть имеется фондовой портфель из активов на интервале. Прогнозное поведение каждой из компонент портфеля на момент характеризируется свой финальной расчетной доходностью (оцененной в точке как относительное приращение цены актива за период). Поскольку доход по ЦБ случаен, его точное значение в будущем неизвестно, а вероятностное описание такого сорта случайности не вполне корректно, то в качестве описания доходности уместно использовать треугольные нечеткие числа. Таким образом, для -ой ценной бумаги имеем:

( Читать дальше )

АНАЛИЗ ИНВЕСТИЦИОННОГО ПОРТФЕЛЯ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ КУРСОВ АКЦИЙ 1 часть

УДК
Авторы: Зайченко Ю.П., д.т.н., проф., Малихах Есфандиярфард, Заика А.И.

АНАЛИЗ ИНВЕСТИЦИОННОГО ПОРТФЕЛЯ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ КУРСОВ АКЦИЙ

Работа посвящена исследованию в области портфельной оптимизации, проводимой в расплывчатых информационных условиях. Рассмотрена задача формирования оптимального портфеля акций максимальной доходности при заданном уровне риска на основе метода нечетко-множественной оптимизации фондового рынка. Интервальная оценка доходности каждой акции на следующий период определяется нечетким методом группового учета аргументов по предыстории. Лаги переменных индексов доходности, которые принимают участие в построении модели, определяются при помощи корреляционного анализа.

( Читать дальше )

СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ С РАЗЛИЧНЫМИ АЛГОРИТМАМИ ВЫВОДА В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ КУРСОВ АКЦИЙ 1 часть

СРАВНИТЕЛЬНЫЙ АНАЛИЗ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ С РАЗЛИЧНЫМИ АЛГОРИТМАМИ ВЫВОДА В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ КУРСОВ АКЦИЙ

Авторы: Ю.П. Зайченко, Ю.В. Келестин., Севаее М. Фатма
Введение
В последние годы появилось достаточно большое число публикаций, посвященных исследованиям систем с нечеткой логикой и нечетких нейронных сетей (ННС) в задачах управления, классификации и распознавания образов [1,2,3,7,8]. Их основными достоинствами по сравнению с обыкновенными ННС являются возможность работы с неполными и неопределенными данными, возможность учета знаний экспертов в виде нечетких предикатных правил вывода, «если-то». Появились также работы, посвященные исследованию ННС в задачах прогнозирования в экономике. Так, в работе [4] проведено исследование нечетких контроллеров с выводом Мамдани и Цукамото, в задачах макроєкономического прогнозирования, с треугольными функциями принадлежности. В работах [5,6] проведено исследование ННС ANFIS с выводом Сугено в задачах прогнозирования. Цель настоящей работы состоит в проведении сравнительного анализа ННС с различными алгоритмами нечеткого вывода и функциями принадлежности в задачах прогнозирования финансовых рынков с целью определения наиболее адекватного метода для класса задач прогнозирования состояния финансовых рынков, в частности, курсов акций…

( Читать дальше )

Исследование эффективности нечеткого МГУА с различными видами частных описаний и алгоритмами адаптации в задачах прогнозирования 3 часть

Как видим, наилучшие результаты при моделировании имеют модели, которые используют тригонометрические полиномы в качестве частных описаний. Несколько хуже оказываются результаты для классических квадратичных полиномов. Худшие показатели имеют модели, построенные с помощью ортогональных полиномов в качестве частных описаний. Явный аутсайдер – АРСС-модели, что можно объяснить тем, что они являются линейными функциями одной переменной, что является несомненным недостатком при использовании многоуровневого алгоритма МГУА.

( Читать дальше )

Исследование эффективности нечеткого МГУА с различными видами частных описаний и алгоритмами адаптации в задачах прогнозирования 2 часть

3. Адаптация коэффициентов линейной интервальной модели
При прогнозировании с использованием методов самоорганизации (в частности, нечеткого МГУА) возникает проблема, связанная с необходимостью проведения большого объема повторных вычислений при увеличении числа точек обучающей последовательности хотя бы на единицу, а также при прогнозировании в режиме реального времени, когда желательно быстро откорректировать имеющуюся модель в соответствии с полученными новыми данными.
В работе для решения этой проблемы предложено использовать следующие методы пошаговой адаптации коэффициентов нечеткой прогнозирующей модели: стохастическая аппроксимация и рекурсивные методы идентификации – РМНК и фильтр Калмана.

( Читать дальше )

Dryzja saita:
Poisk:
Stranici: [a] [b] [c] [d] [e] [f] [g] [h] [i] [j] [k] [l] [m] [n] [o] [p] [r] [s] [t] [u] [v] [w] [x] [y] [z] [2] [3] [4] [5]
[l2](1) [la](2) [le](1) [li](5) [lo](2) [lu](2)

  1. link.ualinks.biz
    link.ua-links.biz

  2. lin.siteua.info
    Rozkrutka saita,zarabotok na raskrutke saita,1 000 000 posetitelei na sait vseho za 300 rublei.

  3. lingoclass.com
    Znanie pravovoi portal.

  4. linkzamok.ru
    Ukrainskii bodibilder Oleh Korkosenko.

  5. linka.kivix.info

    BizLinka - Poleznye resursy 2007 hoda.




Исследование эффективности нечеткого МГУА с различными видами частных описаний и алгоритмами адаптации в задачах прогнозирования 1 часть

УДК 683.519

Авторы: Ю.П. Зайченко, И.О. Заец

Исследование эффективности нечеткого МГУА с различными видами частных описаний и алгоритмами адаптации в задачах прогнозирования

Введение
Данная статья посвящена исследованию и анализу эффективности одного из алгоритмов метода индуктивного моделирования, известного под названием метода группового учета аргументов (МГУА), а именно нечеткого МГУА, в задачах моделирования и прогнозирования макроэкономических процессов. Достоинством МГУА является возможность построения объективной модели в процессе работы алгоритма, а также возможность работать на коротких выборках. Особенностью нечеткого МГУА является получение интервальных оценок для прогнозируемой переменной, что позволяет судить о точности получаемого прогноза.
В работе дается обзор основных результатов, полученных в области нечеткого метода самоорганизации, анализ применения различных видов функций принадлежности (ФП) и алгоритмов пошаговой адаптации, оцениваются перспективы использования нечеткого МГУА в задачах прогнозирования в макроэкономике.

( Читать дальше )

Исследование нечеткой нейронной сети ANFIS в задачах макроэкономического прогнозирования 2 часть

Применение градиентного метода обучения с использованием функции принадлежности в форме функции Гаусса
3. Постановка задачи прогнозирования

Исходные данные. Макроэкономические показатели экономики Украины представлены в виде статистических временных рядов(см. табл. 1).

( Читать дальше )

Исследование нечеткой нейронной сети ANFIS в задачах макроэкономического прогнозирования 1 часть

Авторы: Ю. П. Зайченко, Севаее Фатма

Исследование нечеткой нейронной сети ANFIS в задачах макроэкономического прогнозирования
Введение
Проблема макроэкономического прогнозирования в странах с переходной экономикой обладает рядом особенностей:
1) существенная нестационарность экономических процессов;
2) неопределенность и недостоверность исходных данных по ряду микроэкономических показателей;
3) ограниченность выборок данных (короткие выборки).
Указанные обстоятельства не позволяют применить для задач макроэкономического прогнозирования традиционные методы регрессионного и дисперсионного анализа и настоятельно требуют разработки принципиально новых подходов и методов, в частности использующих идеи искусственного интеллекта.

( Читать дальше )

Исследования нечеткого метода индуктивного моделирования (МГУА) в задачах прогнозирования макроэкономических показателей. 2 часть

Принцип свободы выбора (неокончательности промежуточного решения):
1. Для каждой пары и строятся частичные описания (всего ) вида:
• или, (линейные);
• или, (квадратичные).
2. Определяем коэффициенты этих моделей по МНК, используя обучающую выборку. Т.е. находим.
3. Далее на проверочной выборке для каждой из этих моделей ищем оценку
(где — действительное значение выходной переменной в k-той точке проверочной выборки; – выходное значение в k-той точке проверочной выборки в соответствии с s-той моделью) и определяем F лучших моделей.
Выбранные подаются на второй ряд.

( Читать дальше )