Таким образом, средняя точность прогноза, согласно индексу MAPE (mean absolute percentage error) применения линейной регрессии и градиентного бустинга составили 93,49% и 93,03% соответственно. Средне значение результата применения алгоритмов линейной регрессии и градиентного бустинга дает более высокий процент точности равный 93,55%.

Индекс MAPE - довольно популярный метод определения точности построенной модели, представлен ниже в формуле 5%

(5)

где: Z(t) - фактическое значение временного ряда.

- прогнозное значение временного ряда.

N - Количество элементов прогнозируемых значений.

Под поставленную цель можно считать это вполне достойным результатом, поскольку ИС рассматривается как поддержка принятия решений, а не как база для торгового бота. К тому же, если рассматривать данные, можно увидеть, что максимальные отклонения в точках, где произошёл большой скачек. Скорее всего этот скачек обусловлен сильной новостью. При этом при обогащении используются методы, имеющие лаг в 1 день. Следовательно, как и предполагалось, программа не способна принимать во внимание фундаментальный анализ и быстро реагировать под изменившиеся условия рынка.

В дальнейшем планируется увеличить точность результатов путем добавления новых методов обогащения данных, не имеющих лагов в своем алгоритме. Также предполагается поработать с данными, применить сглаживание, обогатить дополнительными данными и так далее.

Выводы по главе 4

Был описан процесс проектирования информационной системы прогнозирования финансовых временных рядов. Пошагово описаны процессы создания форм и их функционала. Также было проведено тестирование прототипа информационной системы. Согласно результатам тестирования средняя точность прогноза составляет 93,55%. Данный результат можно считать достойным, поскольку ИС рассматривается как поддержка принятия решений, а не как база для торгового бота.

Заключение

Использование информационных систем само по себе может не приносить прямых экономических выгод, однако, безусловно, является действенным механизмом повышения эффективности деятельности компании, или отдельного человека благодаря которой, в свою очередь, достигаются финансовые результаты.

В данной работе были рассмотрены временные ряды, их виды, правила по которым строятся временные ряды. Анализ теоретической литературы временных рядов помог определиться с методами их прогнозирования. Таким образом, были определены методы прогнозирования, описана теория данных методов, написано Техническое задание в соответствии с ГОСТ 34-602.89 а также разработан прототип ИС и проведено тестирование, на основании которого были сделаны соответствующие результаты.

Результатом работы является прототип ИС, дающий прогноз значения закрытия торгов последующего дня с точностью равной 93,55%. Следует отметить, что программу дающую такое отклонение нельзя использовать как единственный инструмент для торгов. Но логично и полезно использовать как дополнительный инструмент для прогнозирования цен и анализа рынка.

В дальнейшем планируется улучшить полученные результаты путем применения дополнительных алгоритмов прогнозирования, более глубокой обработкой данных, обогащения данных новыми методами, которые, в идеале, привели бы к отсутствию дневного лага при прогнозе данных.

Библиографический список

1. Технический анализ [Электронный ресурс]

2. Бурцева Е.В. Информационные системы // И.П. Рак, А.В. Серезнев, А.В. Терехов, В.Н. Чернышов. Издательство ТГТУ 2009, - 87c.

3. Временной ряд. [Электронный ресурс]

4. В.А. Дюк, В.В. Фомин Прогнозирование временных рядов на основе методов Data Mining. Санкт-Петербургский институт информатики и автоматизации РАН 199178, Санкт-Петербург, 14 линия, 39. 2009, - 4c.

5. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование - М., Финансы и статистика, Инфра-М, 2010.

6. Прогнозирование финансовых временных рядов с MLP в Keras [Электронный ресурс]

7. Орлов Ю.Н., Осминин К.П. Нестационарные временные ряды. Методы прогнозирования с примерами анализа финансовых и сырьевых рынков - М., Либроком, 2011.

8. Методы анализа временных рядов: сглаживание [Электронный ресурс]

9. Прогнозирование временных рядов [Электронный ресурс]

10. Кондратьева Т.Н. Прогнозирование тенденции финансовых временных рядов с помощью нейронной сети // Интернет-журнал Науковедение. 2017. №4 (41)

11. Болдыревский П.Б., Кистанова Л.А. Модели прогнозирования основных показателей инновационной деятельности промышленных предприятий // Экономический анализ: теория и практика. 2014. №29 (380)

12. Меркулова В.С. Модель прогнозирования финансовых временных рядов в условиях гипотезы эффективного рынка // Среднерусский вестник общественных наук. 2009. №4

13. Любицын В.Н. Повышение качества данных в контексте современных аналитических технологий // Вестник ЮУрГУ. Серия: Компьютерные технологии, управление, радиоэлектроника. 2012. №23

14. Кирьянов Б.Ф. Петрова Ю.Ю., Прогнозирование временных рядов с «Особыми» значениями // Вестник НовГУ. 2004. №28

Размещено на allbest.ru