Введение
Глава 1. Анализ и классификация существующих автоматизированных систем прогнозирования. Методика построения автоматизированных систем прогнозирования, решающих задачу регрессионного анализа 20
1.1. Анализ и классификация существующих автоматизированных систем прогнозирования 21
1.2 Основные особенности автоматизированных систем прогнозирования 28
1.3. Требования к функциональным возможностям автоматизированных систем прогнозирования, решающих задачи регрессионного анализа 30
1.4. Обобщенная методика построения автоматизированных систем прогнозирования, решающих задачи регрессионного анализа 33
Выводы по главе 1 36
Глава 2. Математические модели, методы и алгоритмы автоматизированных систем прогнозирования, решающих задачи регрессионного анализа 37
2.1. Операции над временными рядами, определенные для преобразования исходных данных прогнозируемой величины и аргументов 39
2.2. Описание функций и моделей, предоставленных для реализации аппроксимирующей функции 44
2.2.1. Описание нелинейных функций, применяемых в нейросетевом анализе 45
2.2.2. Описание нелинейных функций, полученных в рамках теории детерминированного хаоса 46
2.3. Представление аппроксимирующей функции в виде двухслойной, неоднородной, искусственной нейронной сети 50
2.4. Разложение двухслойной нейронной сети на потоки. Обобщенный алгоритм обучения двухслойной нейронной сети 53
2.5. Методы и алгоритмы обучения многослойных, искусственных нейронных сетей 58
2.5.1. Линейный регрессионный анализ 60
2.5.1.1. Применение метода наименьших квадратов в линейном регрессионном анализе 60
2.5.1.2. Применение метода гребневой оценки в линейном регрессионном анализе 63
2.5.2. Универсальный метод обучения многослойных, искусственных нейронных сетей - метод обратного распространения ошибки 64
2.5.3. Методы безусловной минимизации, использующие производные функции 66
2.5.3.1. Краткое описание метода градиентного спуска 67
2.5.3.2. Краткое описание метода наискорейшего спуска 68
2.5.3.3. Краткое описание метода сопряженных градиентов 68
2.5.3.4. Краткое описание метода Ньютона 69
2.5.3.5. Краткое описание квазиньютоновских методов 70
2.5.4. Методы обучения Коши и Больцмана 71
2.5.5. Разработанные методы обучения многослойных нейронных сетей, созданные на основе методов обратного распространения ошибки, безусловной минимизации, использующих градиент функции, и обучения Коши 73
2.5.6. Алгоритм метода обратного распространения ошибки, усовершенствованный с помощью метода обучения Коши 76
2.5.7. Обобщенные алгоритмы методов безусловной минимизации, использующих производные функции, усовершенствованные с помощью метода обучения Коши 78
2.6. Определение значимости параметров и входных сигналов с целью сокращения множества аргументов прогноза 87
2.6.1. Определение значимости параметров и входных сигналов на основании функции оценки 87
2.6.2. Определение значимости параметров и входных сигналов по изменению выходных сигналов 89
2.7. Проверка возможности с помощью заданной нейронной сети реализовать полученную функцию 90
Выводы по главе 2 93
Глава 3. Разработка программного комплекса автоматизированных систем прогнозирования, решающих задачу регрессионного анализа 95
3.1. Требования к проектированию и реализации автоматизированных систем прогнозирования, решающих задачи регрессионного анализа 96
3.2. Проектирование размещения типовых компонент автоматизированных систем прогнозирования 98
3.3. Разработка информационного, программного и методического обеспечения модулей сервера приложений, образующих ядро исследуемых автоматизированных систем прогнозирования 102
3.3.1. Обоснование выбора средств разработки библиотек сервера приложений автоматизированной системы прогнозирования 103
3.3.2. Описание библиотек сервера приложений автоматизированных систем прогнозирования, решающих задачи регрессионного анализа 104
3.3.3. Классификация таблиц БД, с которыми работают функции библиотек сервера приложений автоматизированных систем прогнозирования 106
3.3.4. Методическое обеспечение 108
Выводы по главе 3 110
Глава 4. Создание автоматизированной дилинговои системы с использованием библиотек ядра автоматизированных систем прогнозирования 111
4.1. Описание задач, решаемых автоматизированными дилинговыми системами. Определение подсистем, входящих в состав автоматизированной дилинговои системы 112
4.1.1. Задачи, решаемые автоматизированными дилинговыми системами 112
4.1.2. Определение подсистем, входящих в состав автоматизированной дилинговои системы. Требования к функциональным возможностям подсистем 116
4.2. Описание функциональных возможностей подсистем автоматизированной дилинговои системы 119
4.2.1. Описание функциональных возможностей подсистемы ввода данных 119
4.2.2. Описание функциональных возможностей подсистемы технического анализа рынка 121
4.2.3. Описание функциональных возможностей подсистемы прогноза тенденций финансовых рынков 122
4.2.4. Описание функциональных возможностей подсистемы оптимального распределения свободных средств инвестора 123
4.2.4.1. Решение задач оптимального распределения свободных средств инвестора для модели Блека 126
4.2.4.2. Решение задач оптимального распределения свободных средств инвестора для модели Марковица 128
4.3. Разработка программного комплекса автоматизированной дилинговои системы 132
4.3.1. Выбор информационного и системного программного обеспечения, аппаратного обеспечения и средств разработки клиентских приложений АДС 132
4.3.1.1. Обоснование выбора сервера СУБД для работы с автоматизированной дилинговои системой 135
4.3.1.2. Обоснование выбора операционных систем для работы с автоматизированной дилинговои системой 138
4.3.1.3. Обоснование выбора средств разработки клиентских приложений автоматизированной дилинговои системы 140
4.3.1.4. Обоснование выбора аппаратного обеспечения автоматизированной дилинговои системы 143
4.3.1.4.1. Серверы на базе Intel-процессоров 143
4.3.1.4.2. Серверы на базе RISC-процессоров 144
4.3.1.4.3. Нейрокомпьютеры 147
4.3.2. Типовые реализации автоматизированной дилинговои системы 147
4.3.3. Состав приложений клиента. Взаимодействие приложений типовых компонент автоматизированной дилинговои системы 148
4.3.4. Описание потоков данных автоматизированной дилинговои системы 151
4.3.5. Методическое обеспечение автоматизированной дилинговои системы 153
Выводы по главе 4 155
Глава 5. Экспериментальные исследования работы автоматизированной дилинговой системы 157
5.1. Описание задач, поставленных перед экспериментальными исследованиями 159
5.2. Сравнение качества аппроксимации зависимости прогнозируемой величины от аргументов прогноза с помощью двухслойной и трехслойной нейронных сетей 161
5.3. Оценка величины линейной составляющей зависимости прогнозируемой величины от множества аргументов прогноза 165
5.4. Исследование качества аппроксимации искомой нелинейной составляющей посредством различных функций из предоставляемого АСП набора 173
5.5. Сравнение качества обучения двухслойной нейронной сети с помощью различных методов и алгоритмов 181
5.6. Иллюстрация работы подсистемы оптимального распределение свободных средств инвестора для различных классов портфеля и задач инвестора 187
Выводы по главе 5 191
Заключение 193
Список литературы 195
Приложения 203
