Курс обучения в моей Школе основан на специальных знаниях и законах,
правиль-ное применение которых, позволяет беспрепятственно обходить расчеты устро-ителей любых игровых систем,
рассчитанных на рядовую психотехнику масс.
/Барислав Карин/
Наиболее простыми считаются линейные
прогнозирующие системы, для которых очередное значение
ряда определяется линейной комбинацией
предыдущих членов.
Рис.1. Устройство линейной прогнозирующей
системы.
Более сложным способом,
считается строить нелинейную функциональную
зависимость между членами временного ряда. Этим как раз
и занимаются искусственные нейронные сети (ИНС), как
утверждают математики, доказано, что многослойная
нейронная сеть прямого распространения, способна
аппроксимировать произвольную нелинейную
функцию. Каждый нейрон нейросети прямого
распространения, получает возбуждающие сигналы от от
входов нейросети или других нейронов, умножает их на
соответствующие весовые множители и суммирует.
Полученная в результате свертка сигнала, с
настраиваемыми весами, пропускается через нелинейную
функцию и далее выдается в сеть.
Скажу еще о возможности настройки
синаптических весов, путем обучения нейросети, правильно
выдавать значение ряда в следующий момент времени.
Рис.2.Устройство
искусственной нейросети
прямого распространения с одним скрытым
слоем.
Следующий, предлагаемый
метод анализа временных рядов, представляет собой
нейронную сеть, реализующую алгоритм самоорганизующихся
отображений Кохонена (SOM). В связи
с мало известностью этого способа, я вкратце
постараюсь пояснить суть этой методики:
Представьте
себе, что в многомерное пространство данных погружается
двумерная сетка. Эта сетка изменяет свою форму таким
образом, чтобы по возможности точнее аппроксимировать
облако данных. Каждой точке данных ставится в
соответствие ближайший к ней узел сетки и таким образом
каждая точка данных получает некоторую координату на
сетке. Близким точкам на карте соответствуют близкие
точки в исходном пространстве, а вот близким точкам в
исходном пространстве могут соответствовать и далекие
точки на карте (за счет размерности). Таким образом,
распределение данных на двумерной карте позволяет очень
наглядно судить о локальной структуре многомерных
данных. Далее несколько слов, об обучении сети,
синаптические веса нейрона в сети Кохонена являются его
координатами в исходном многомерном пространстве. Данные
по очереди подаются на входы всех нейронов и для каждого
входа определяется ближайший к нему нейрон. Обучение
состоит в подгонке весов нейрона-победителя и его
ближайших соседей, минимизурующих отклонение данных от
нейронов-победителей. Постепенно сеть находит
равновесное положение, оптимально аппроксимирующее
данные. Другими словами говоря, соседние точки на
карте должны показывать очень схожее поведение
временного ряда. Вот наверное я указал принципы
основных методик анализа временных рядов или в нашем
контексте "финансовых рядов". Теперь, учитывая
вышеизложенное, Вам будет проще познакомиться с
устройством исследовательского программного
комплекса моей Школы на следующей странице
сайта.
Как изучать сайт
На этом сайте кратко представлена информация о курсе обучения. После знакомства с историей Школы,
Вы можете получить понятие о трех составляющих "Модели", на основе которой будет базироваться обучение в Школе.
Если чувствуете, что это Ваше, то добро пожаловать в Школу....
