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 )