2015-01-21
1085
1) формулировка задачи — один из принципиальных моментов разработки технологии. На этом этапе необходимо четко определить, что пользователь хочет увидеть в качестве результата нейросетевой технологии. Это могут быть:
· функция доходности ценных бумаг,
· доминирующие факторы развития рынка определенной номенклатуры товаров,
· результаты ревизии портфеля инвестиционных проектов фирмы и др.;
2) определение и подготовка исходных данных — отбор источников информации, которые наиболее точно и полно описывают процесс решения задачи. Для этого привлекаются специалисты, хорошо знающие предметную область задачи и имеющие достаточный опыт ее решения. При этом необходимо соблюдать равновесие между стремлением увеличить количество исходных параметров и вероятностью получить плохо обучаемую сеть, которая будет производить неправильные прогнозы;
3) физический ввод данных в систему, подготовка файлов для тренировки и тестирования системы — формирование того состава ситуаций, который поможет аналитику-пользователю при решении задач, и распределение исходных данных по этим ситуациям. Здесь очень важно выделить степень влияния того или иного параметра на прогнозируемую величину. Это соответствие выясняется в виде процедуры «если..., то...; иначе..,»;
4) обучение нейросетевой технологии. Система может быть настроена на решение разных задач, в частности на прогнозирование временных рядов. Эти ряды могут быть применены для описания финансовых рынков. Средством решения задачи часто становится так называемый генетический алгоритм (Genetic Algoritmus). В реализации задач автоматической классификации и распознавания образов могут быть применены технологии Hopfield и Kohonen. Принципиальная трудность состоит в настройке нейросети на обучающую выборку данных. При настройке следует определить оптимальное число параметров, свойств изучаемых данных, рациональное число соотношения дней ретроспективы и прогноза;
5) тестирование нейросети и ее запуск для получения пробного прогноза. Адекватность обученных нейросетей определяется по тестовой выборке данных. По результатам тестирования выбирается наиболее подходящий состав вариантов. Критерием отбора служит точность и надежность прогноза. В случае неудовлетворительных результатов тестирования еще раз анализируется набор входных данных, корректируются некоторые обучающие программы или переопределяется сеть.
