Перспективи вдосконалення методів аналізу та збільшення точності прогнозів.

Перспективи вдосконалення методів аналізу та збільшення точності прогнозів.

У класичному технічному аналізі вже є кілька напрямків, робота у яких обіцяє збільшення точності прогнозів, зниження ризику від угод, збільшення доходів. Це добір параметрів для вже наявних індикаторів, пошук найбільш вдалих комбінацій індикаторів, і навіть створення нових. Праця у цих напрямах активно ведеться США, Батьківщині більшості методів технічного аналізу. Так, група Мэррилл Лінч провела дослідження роботи з кількох товарних та фінансових ринках з єдиною метою з'ясування ефективності роботи з застосуванням різноманітних видів що ковзають середніх та його поєднань. Було статистично доведено перевагу простих середніх що ковзають проти экспоненциальными і виваженими, і навіть поєднання двох що ковзають із поєднаним сполученням порядків 1:4, проти одиночними і комбінацією трьох що ковзають. Багато професійні трейдери поступово дійдуть створенню власних індикаторів, чи специфічних методів аналізу, добре адаптованих конкретної ринку.

Бистре розвиток комп'ютерних технологій відкриває нові перспективи для робіт у царині прогнозування ситуацій на фінансових і товарних ринках. Найбільш значним проривом у цій галузі більшість фахівців вважають розвиток нейрокомпьютинг.

Нейрокомпьютинг - цей науковий напрям, що займається розробкою обчислювальних систем шостого покоління - нейрокомп'ютерів, які з значної частини паралельно працюючих простих обчислювальних елементів (нейронів). Елементи пов'язані між собою, створюючи нейронну мережу. Вони виконують однакові обчислювальні дії і вимагають зовнішнього управління. Велика кількість паралельно працюючих обчислювальних елементів забезпечують високе швидкодія. Нині розробка нейрокомп'ютерів ведеться переважно промислово розвинутих країн. Нейрокомпьютеры дозволяють із високим ефективністю вирішувати низку "інтелектуальних" завдань. Це завдання розпізнавання образів, адаптивного управління, прогнозування (зокрема. в фінансово-економічної сфері), діагностику і т.д.

Поштовхом до розвитку нейрокомпьютинга послужили біологічні дослідження. За даними нейробіології нервова система людини і тварин складається з окремих клітин - нейронів. У мозку людини їх кількість сягає 1010 -1012 . Кожен нейрон пов'язані з 103 -104 іншими нейронами і виконує порівняно прості дії. Час спрацьовування нейрона - 2-5 мс. Сукупна робота всіх нейронів зумовлює складну роботу мозку, що у часі вирішує складні завдання.

Нині найбільш масовим напрямом нейрокомпьютинга є моделювання нейронних мереж на звичайних комп'ютерах, передусім персональних. Моделювання мереж виконується їхнього наукового дослідження, на вирішення практичних завдань, і навіть щодо значень параметрів електронних і оптоэлектронных нейрокомп'ютерів.

Нейросеть – це комп'ютерна програма, яка імітує здатність людського мозку класифікувати приклади, будувати припущення або приймати рішення, виходячи з досвіді минулого. Стрімкий розвиток технології нейронних мереж, і генетичних алгоритмів почалося лише наприкінці 80-х, і що залишається долею нечисленної групи фахівців, зазвичай, теоретиків у сфері штучного інтелекту. Однак у Росії почали з'являтися нейронные мережі, добре зарекомендували себе Заході, ведуться розробки власних програм, для прогнозування найрізноманітніших подій. Упрощая, техніку застосування нейронних мереж для прогнозів на фондовий ринок можна умовно розбити ми такі етапи:

- добір бази даних,

- виділення «входів» (вихідні дані) і «виходів» (результати прогнозу). Входами можна зробити ціни відкриття, закриття, максимуми, мінімуми за якийсь період часу, статистика значень різних індикаторів (наприклад, індекси Доу Джонса, Никкей, комбінації курсів валют, дохідність державних цінних паперів, відносини фундаментальних і технічних індикаторів та інших.), зазвичай вибирається від 6 до 30 різних параметрів. Кількість виходів рекомендується робити якнайменше, але ці може бути ціни відкриття, закриття, максимуми, мінімуми наступного дня,

виділення в масиві даних тренувальних і екзаменаційних ділянок,

навчання нейромережі: цьому етапі нейронна мережу обробляє тренувальні приклади, намагається дати прогноз на екзаменаційних ділянках бази даних, порівнює отриману помилку з відповіддю, наявних у прикладі (базі даних), ні з помилкою попереднього етапу навчання дітей і змінює свої параметри те щоб це й зміна зумовлювало постійному зменшенню помилки.

запровадження терміну прогнозу,

отримання значення прогнозованих даних не вдома нейромережі.