Прогнозирование экономических показателей при помощи сетей Байеса

Размещено на http://www.allbest.ru/

Прогнозирование экономических показателей при помощи сетей Байеса

П.И. Бидюк, А.Н. Терентьев, Л.А. Коршевнюк (Украина, Киев)

Методы интеллектуального анализа данных (ИАД) предоставляют возможность автоматического поиска закономерностей, характерных для многомерных данных. О востребованности ИАД объективно говорит тот факт, что на сегодняшний день из 100 крупнейших банков США 45 банков уже внедрили системы ИАД и еще около 50 банков начали реализацию подобных проектов или планируют это сделать в ближайшее время. В основе большинства инструментов интеллектуального анализа данных лежат две технологии: машинное обучение (machine learning) и визуализация (визуальное представление информации). Байесовские сети (БС) как раз и объединяют в себе эти две технологии.

Постановка задачи. Ставится задача (1) построения структуры сети Байеса, отображающей связь композитного индекса с другими макроэкономическими показателями, (2) выполнение прогнозирования и анализ экспериментальных результатов.

Решение задачи. На рис. 1 представлена структурная схема динамического прогнозирования композитного индекса с помощью БС. При построении БС использовался эвристический метод построения БС [1]. Для построения таблиц условных вероятностей (ТУВ) используется классический алгоритм вычисления вероятностей [2].

Рис. 1 Структурная схема прогнозирование композитного индекса сетями Байеса

Обучающая выборка была сформирована по данным, представленным на сайте Нью-Йоркской фондовой биржи. На рис.2 представлена БС, описывающая композитный индекс, которая построена по обучающей выборке из 500 значений. Стоит отметить, что в первоначальном анализе принимало участие большее количество индексов, но в модели представлены наиболее значимые индексы для множества обучающих данных, по которым строилась БС.

Рис. 2 Сеть Байеса описывающая композитный индекс Нью-Йоркской фондовой биржи

сеть байес интеллектуальный автоматический

Композитный индекс отражает изменения в курсе всех акций, котируемых на Нью-Йоркской фондовой бирже, включающих в себя более 1500 крупнейших американских компаний, с общей капитализацией более 20 триллионов долларов. Этот индекс служит удобным показателем состояния экономики США.

Финансовый индекс отражает изменение курса акций непривилегированные акции финансового сектора США и сельскохозяйственных предприятий.

Индекс СМИ и телекоммуникаций отражает изменения 100 компаний лидеров из сектора СМИ и телекоммуникаций. Представленные в этом индексе компании имеют капитализацию рынка в размере 2,3 триллионов долларов.

Индекс мировых лидеров отображает изменения курса непривилегированных акций 200 крупнейших компаний мира (включая 100 крупнейших компаний США), с общей капитализацией 9,7 триллионов долларов, из 10 промышленных секторов всех регионов мира (по состоянию на май 2007 года, в этом индексе, представлены 19 стран). Индекс отражает диверсификацию акционерного капитала и помогает прослеживать не американские инвестиционные рынки.

Индекс 100 компаний США отражает изменения курса непривилегированных акций 100 крупнейших компаний США, с общей капитализацией 6,7 триллионов долларов.

Международный индекс отражает изменения курса непривилегированных акций 100 крупнейших компаний мира не из США, с общей капитализацией 5,1 триллионов долларов.

Рис. 3 Диаграмма изменения прогнозного и реального отклонений композитного индекса на 50 временных интервалах

При проведении вычислительного эксперимента выполнено 100 итераций прогнозирования композитного индекса. В 96% случаев было точно предсказано рост или падение значения композитного индекса, в 52% случаев прогнозное и реальное значения отклонения композитного индекса от значения в предыдущий момент времени полностью совпали. На рис. 3 показана диаграмма изменения прогнозного и реального отклонений композитного индекса на первых 50 временных интервалах.

Список литературы

1. Терентьев А.Н., Бидюк П.И. Эвристический метод построения Байесовских сетей // Математические машины и системы. - 2006. - 3. - С. 12-23.

2. Бидюк П.И., Терентьев А.Н., Гасанов А.С. Построение и методы обучения Байесовских сетей // Кибернетика и системный анализ. - 2005. - 4. - С. 133-147.

Размещено на Allbest.ru