Системно-когнитивный анализ временных рядов на примере фондового рынка (синтез и верифи-кация семантической информационной модели)

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Данная статья является продолжением работы [19].

4. Синтез семантической информационной модели (СИМ).

Далее с применением режима _25 системы «Эйдос» (рисунок 1) [16] автоматически осуществляется синтез семантической информационной модели (СИМ) и измерение ее адекватности.

Рисунок 1. Вызов режима _25 системы «Эйдос», обеспечивающего

синтез семантической информационной модели и ее верификацию

В результате синтеза СИМ формируются различные базы данных, в частности база данных абсолютных частот (таблица 1) и база знаний (таблица 2):

Таблица 1 - БАЗА ДАННЫХ АБСОЛЮТНЫХ ЧАСТОТ (ФРАГМЕНТ)

Таблица 2 - БАЗА ЗНАНИЙ в БитЧ100 (ФРАГМЕНТ)

Эти базы данных имеют размерность 72Ч173 и поэтому здесь в полном виде не приводятся. В базе данных абсолютных частот и в базе знаний строки соответствуют градациям описательных шкал, а столбцы соответствуют градациям классификационных шкал. В базе абсолютных частот на пересечении строк и столбцов приведено количество фактов (случаев) наблюдения сочетания: «Градация классификационной шкалы» Ч «Градация описательной шкалы» по данным обучающей выборки. Всего в базе абсолютных частот обобщено 61695 экономических фактов, что по сути и представляет собой объем исследуемой выборки.

В базе знаний приведено количество знаний (в битахЧ100), которое мы получаем из факта наблюдения определенной градации описательной шкалы о том, что наступит определенное состояние фондового рынка, описанное определенной градацией классификационной шкалы:

- если это значение больше нуля, то это знание о том, что данное значение фактора, соответствующее строке, способствует переходу фондового рынка в состояние, соответствующее столбцу;

- если это значение меньше нуля, то это знание о том, что данное значение фактора, соответствующее строке, препятствует переходу фондового рынка в состояние, соответствующее столбцу.

Если состояние фондового рынка на определенную дату характеризуется системой показателей, описывающих его предысторию о каждом из которых известно, как он влияет на поведение фондового рынка в будущем, то в соответствии с леммой Неймана-Пирсона [7] в СК-анализе считается, что вероятнее всего фондовый рынок перейдет в то состояние, о переходе в которое во всей системе его показателей содержится наибольшее количество информации.

На рисунке 2 приведена экранная форма системы «Эйдос» с прогнозом времени завершения пакетного распознавания (идентификации, прогнозирования).

Рисунок 2. Экранная форма системы «Эйдос» с прогнозом времени завершения пакетного распознавания (идентификации, прогнозирования)

когнитивный временной верификация семантический

5. Повышение эффективности СИМ.

Рассмотрение этого вида работ не входит в задачи в данной статьи.

6. Верификация СИМ.

Верификация СИМ (оценка ее достоверности или адекватности) может осуществляться различными способами, реализованными в инструментарии СК-анализа - системе «Эйдос», но в примере, описанном в данной статье это было сделано путем идентификации и прогнозирования состояний фондового рынка по всем его ретроспективным описаниям, содержащимся в обучающей выборки и подсчета количества ошибок 1-го и 2-го рода, т.е. ошибок не идентификации и ошибок ложной идентификации. В принципе, если отнести все объекты ко всем категориям (классам), то при этом они обязательно будут отнесены и к тем классам, к которым они действительно относятся, т.е. ошибка 1-го рода будет равна нулю, однако при этом будет максимальна ошибка ложной идентификации, т.к. все объекты будут отнесены не только к тем классам, к которым они на самом деле относятся, но и к тем, к которым они не относятся. И наоборот, если все объекты не относить ни к одному из классов, то обратится в нуль ошибка 2-го рода, однако при этом будет максимальна ошибка не идентификации. Таким образом имеет смысл оценивать качество модели по средней ошибке 1-го и 2-го рода, что и реализовано в системе «Эйдос».

Отчет по достоверности модели в целом и в разрезе по классам приведен на экранной форме (рисунок 3) и в таблице 3:

Рисунок 3. Экранная форма отчета по достоверности модели

Таблица 3 - ОТЧЕТ ПО ДОСТОВЕРНОСТИ МОДЕЛИ,

ФОРМИРУЕМЫЙ СИСТЕМОЙ «ЭЙДОС» (ФРАГМЕНТ)

Краткая характеристика отчета по достоверности модели.

Всего физических анкет: 935 (100% для п.15).

Всего логических анкет: 2805.

4. Средняя достоверность идентификации логических анкет с учетом сходства : 6.639%.

5. Среднее сходство логических анкет, правильно отнесенных к классу : 2.525%.

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу : 0.213%.

7. Среднее сходство логических анкет, ошибочно отнесенных к классу : 0.407%.

8. Среднее сходство логических анкет, правильно не отнесенных к классу : 4.734%.

9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 65.518%.

10. Среднее количество физич-х анкет, действительно относящихся к классу: 418.435 (100% для п.11 и п.12).

Среднее количество физич-х анкет, действительно не относящихся к классу: 516.565 (100% для п.13 и п.14).

Всего физических анкет: 935.000 (100% для п.15).

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 374.600, т.е. 89.524%.

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 43.834, т.е. 10.476% (Ошибка 1-го рода)

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 117.368, т.е. 22.721% (Ошибка 2-го рода).

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 399.198, т.е. 77.279%.

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 44.752.

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 9.774.

17. Обобщенная достоверность модели (Д1+Д2)/2: 83.402%. Обобщенная ошибка (E1+E2)/2: 16.598%.

Под эффективностью СИМ мы понимаем отношение вероятности верной идентификации с применением модели к вероятности случайного угадывания. Отметим, что эта величина меньше 2.5 только для трех последних классов (по ней и рассортирована таблица), т.е. для большинства классов созданная модель является статистически достоверной на уровне выше 0.95.

Выводы

Созданная семантическая информационная модель имеет довольно высокую достоверность, и это позволяет обоснованно предположить, что СК-анализ окажется эффективным для решения задач прогнозирования динамики различных сегментов фондового рынка, поддержки принятия решений на фондовом рынке, а также для исследования закономерностей, отраженных в созданных информационных семантических моделях. Исследованию этих вопросов авторы надеются посвятить последующие работы.

Литература

Лебедев Е.А. Исследование достоверности оптимизированной модели скоринга путем прогнозирования кредитных историй заемщиков, данные которых не использовались при синтезе модели. // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №06(30). - Шифр Информрегистра: 0420700012\0107. - Режим доступа: http://ej.kubagro.ru/2007/06/pdf/16.pdf. -12 с.

Лебедев Е.А. Оценка рисков кредитования физических лиц (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №01(17). - Шифр Информрегистра: 0420600012\0012. - Режим доступа: http://ej.kubagro.ru/2006/01/pdf/13.pdf. -5 с.

Лебедев Е.А. Прогнозирование кредитоспособности физических лиц на основе применения АСК-анализа (проблема исследования, ее актуальность и идея решения). // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №05(21). - Шифр Информрегистра: 0420600012\0106. - Режим доступа: http://ej.kubagro.ru/2006/05/pdf/06.pdf. -14 с.

Лебедев Е.А. Прогнозирование рисков кредитования физических лиц с применением системно-когнитивного анализа. Научное обеспечение агропромышленного комплекса: материалы 7-й региональной научно-практической конференции молодых ученых. - Краснодар: КубГАУ, 2005. -13 с.

Лебедев Е.А. Прогнозирование рисков при кредитовании физических лиц на основе применения новых математических и инструментальных методов экономики (скоринг). Научное издание «Математические методы и информационно-технические средства» Труды 2 Всероссийской научно-практической конференции 23 июня 2006г. - Краснодар: Краснодарский университет МВД России, 2006. С.45-46.

Лебедев Е.А. Синтез скоринговой модели методом системно-когнитивного анализа. // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2007. - №05(29). - Шифр Информрегистра: 0420700012\0092. - Режим доступа: http://ej.kubagro.ru/2007/05/pdf/14.pdf. -14 с.

Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. -280с.

Луценко Е.В. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. - 50с.

Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. - 50с.

Луценко Е.В. Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003.

Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2009. - 520 с.

Луценко Е.В., Лебедев Е.А. Определение кредитоспособности физических лиц и риски их кредитования. - М.: Финансы и кредит, ноябрь 2006 - № 32(236). 2,157

Луценко Е.В., Лебедев Е.А. Подсистема автоматического формирования двоичного дерева классов семантической информационной модели (Подсистема "Эйдос-Tree") (патент 1). Пат. № 2008610096 РФ. Заяв. № 2007613721 РФ. Опубл. от 09.01.2008. - 50 с.

Луценко Е.В., Лебедев Е.А. Подсистема формализации семантических информационных моделей высокой размерности с сочетанными описательными шкалами и градациями (Подсистема "ЭЙДОС-Сочетания"). Пат. № 2008610775 РФ. Заяв. № 2007615168 РФ. Опубл. от 14.02.2008. - 50 с.

Луценко Е.В., Шеляг М.М. Подсистема синтеза семантической информационной модели и измерения ее внутренней дифференциальной и интегральной валидности (Подсистема "Эйдос-м25"). Пат. № 2007614570 РФ. Заяв. № 2007613644 РФ. Опубл. от 11.10.2007.

Луценко Е.В., Шульман Б.Х. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке «ЭЙДОС-фонд». Свидетельство РосАПО №940334. Заяв. № 940336. Опубл. 23.08.94. - 50с.

Официальный сайт Московской межбанковской валютной биржи (ММВБ), [Электронный ресурс]. Режим доступа: http://www.micex.ru

Луценко Е.В., Лебедев Е.А. Системно-когнитивный анализ временных рядов на примере фондового рынка (когнитивная структуризация и формализация предметной области) // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(51). - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/01.pdf

Размещено на Allbest.ru