Реферат: Генетичні алгоритми в СППР
Курков Максим Семенович, аспірант денноїформи навчання Київського національно економічного університету.
Генетичні алгоритми в системах підтримкиприйняття рішень для фінансового аналізу на фондовому ринку.
Прогнозування єключовим етапом при прийнятті рішень в управлінні. Кінцева ефективністьбудь-якого рішення залежить від послідовності подій, які виникають вже післяприйняття рішення. Можливість передбачити некеровані аспекти цих подій передприйняттям рішення дозволяє зробити найкращий вибір, який в іншому випадку мігбути не таким вдалим. Але прийняття рішення особою, що приймає рішення дужеускладнюється великим потоком даних. Аналізувати данні можливо передоручитизасобам комп’ютерної техніки.
Одним з напрямківвикористання новітніх технологій є створення систем підтримки прийняття рішень.Дуже важливо використання таких систем при проведенні фінансового аналізу у зв’язку з необхідністю прийняттянайбільш адекватного рішення, яке може вплинути на прибутковість проекту. Дужечасто необхідно приймати рішення, маючи протиречиві данні, які мають високийрівень так званого “шуму”. Це потрібно враховувати при створенні системпідтримки прийняття рішень фінансового аналізу. Одним з виходів з подібноїскладної ситуації є використання апарату нечіткої логіки.
Нечітка логіка є розширенням класичної(булевої) логіки і заснована на концепції часткової правди — правди, щознаходиться десь посередині між "є" і «немає».
Що найбільшважливо при проведенні фінансового аналізу на фондовому ринку? Це по-першескладання найбільш вірогідного прогнозу поведінки цінних паперів. Прогнозування– це ключовий момент при прийнятті рішень в управлінні. Можливість передбачитинекеровані аспекти подій перед прийняттям кінцевого рішення дозволяє зробитинайкращий вибір, який, в іншому випадку міг бути невдалим.
Окрім традиційнихстатистичних методів в системах підтримки прийняття рішень для фінансовогоаналізу на фондовому ринку використовують розвинутий алгоритм застосуваннянечіткої логіки – нейронні мережі. Але е ще один цікавий метод – це генетичніалгоритми. Спробуємо розробити систему підтримки прийняття рішень, яка б булапобудована на генетичних алгоритмах.
Нехай є деякаскладна функція, яка залежить від деяких змінних, і необхідно знайти такезначення змінних, при яких значення функції максимально.
В нашому випадку,в задачі пошуку прийняття оптимального рішення на фондовому ринку стосовнорозподілу інвестицій в цінні папери багатьох емітентів. В цієї задачі зміннимибудуть обсяги коштів, які вкладаються в ті чи інші цінні папери, а функцією,яку треба максимізувати – сумарний обсяг доходів особи, яка приймає рішеннящодо розподілу інвестицій. Також в базі знань системи повинні міститисьзначення максимального та мінімального обсягу вкладень в кожний вид цінногопаперу, які задають область зміни значень кожної з змінних.
Використовуючиметоди генетичних алгоритмів в системі підтримки прийняття рішень фінансовогоаналізу необхідно передбачати в ній природні способи оптимізації. Кожнийваріант вкладення в цінні папери розглядається системою як індивідуум, априбутковість варіанту, як пристосованість даного індивідуума. Тоді, відповіднодо методів генетичних алгоритмів, в процесі “еволюції” пристосованістьіндивідуумів буде зростати, а значить, будуть з’являтись все більш і більш прибуткові варіанти інвестування. В деякий момент еволюція повинна бути призупинена і вибір найкращогоіндивідуума і буде достатньо добрим рішенням задачі.
Для генеруванняеволюційного процесу системою підтримки прийняття рішень генерується випадковапопуляція – декілька індивідуумів з випадковим набором хромосом ( числовихвекторів). Для цього попередньо в базу знань системи повинна заноситисьінформація стосовно цінних паперів, які обертаються на ринку.
Для завантаженнябази знань необхідно отримати з торгових систем інформацію стосовно курсівцінних паперів мінімум за останній квартал. Але у цьому випадку акціїемітентів, по яких рідко проходять угоди повинні вивчатись більш ретельно.Тобто для таких емітентів повинні вивчатись не тільки курси, а й іншаінформація. Це стосується по-перше фінансових показників, а також інформації,яка отримується з балансу підприємств.
Вся інформаціястосовно емітентів повинна завантажуватись в окрему базу даних, з якої по мірінеобхідності вона береться для проведення аналізу. Як основне джерелоінформації використовується щорічний звіт підприємства. Звіт містить всюнеобхідну інформацію стосовно фінансових показників та баланс підприємства. Дляаналізу фінансового стану підприємства, а також розрахунків ступеню ризику слідвикористовувати ще один апарат нечіткої логіки – нейронні мережі. Саме задопомогою апарату нейронних мереж система може зробити виключення тихемітентів, інвестування в цінні папери яких є недоцільним.
Математичнонейронні мережі можна розглядати як клас методів статистичного моделювання, щоу свою чергу можна розділити на три класи: оцінка щільності ймовірності,класифікація і регресія. Передбачається, що система підтримки та прийняттярішень (СППР) може бути цілком реалізована на нейронній мережі. Нейронна мережаСППР представляє собою набір нейронів, які з’єднані між собою. Передаточні функціївсіх нейронів можуть змінюватись, а ваги є параметрами мережі і не можутьзмінюватись. Нейронна мережа СППР обирає ті сигнали, які мають максимальний рівень. Далі ті емітенти, які мають максимальний рівень сигналу повиннірозглядатись як данні для обробки генетичним алгоритмом системи.
Ми отримали данніщодо курсів цінних паперів, які отримуються з торговельної мережі та данні щодоорієнтовних цін паперів, які не обертаються постійно на ринку, а інформація проїх ціну підготована нейронною мережею. Далі обчислюється прибутковість кожногоз цінних паперів та завантажується до бази даних.
Таким чином мистворили хромосоми для роботи нашого генетичного алгоритму. Для нашої СППРхромосома буде числовим вектором, який відповідає потребам, щодо наявностіінформації про прибутковість в деякий історичний період. Доходи за ціннимипаперами і будуть генами даних хромосом. Система генерує випадкові хромосомидля обробки їх генетичним алгоритмом. Далі вводяться такі поняття яккросинговер та мутація.
Мутація – цезмінювання хромосоми, яке викликане випадковою зміною її позицій (генів). Всистемі емулюється мутація шляхом випадкової зміни одного з генів – векторів.
Кросинговер єоперацією, при якій з двох хромосом породжується одна або декілька нових. Внайпростішому випадку в генетичному алгоритмі кросинговер реалізується також які в біології. При цьому хромосоми розрізаються і обмінюються частинами міжсобою. Блок схему генетичного алгоритму системи представлена на Рис.1.
В даній схемівказані всі етапи роботи генетичного алгоритму: створення початкової популяції,відбір, кросинговер, мутація та поява нової популяції.
Блок-схемагенетичного алгоритму
/>
Мутація
Перехід донового/>/> покоління
Відповідь
Рис.1.
З початку системою генерується випадкова популяціяіндивідуумів, тобто деякий набір рішень задачі. Далі моделюється розмноження вмежах популяції. Для цього система обирає декілька пар “індивідуумів”,проводиться кросинговер між хромосомами в кожній парі, а отримані новіхромосоми розміщується в нову популяцію. В генетичному алгоритмі зберігаєтьсяосновний принцип відбору – чим більше пристосований індивідуум, тим більшеймовірність, що він буде брати участь у наступному кросинговері. Далі система підтримки прийняття рішень моделюємутації, тобто випадково змінює деякі “гени” у вибраних векторах новогопокоління. Далі стара популяція векторів знищується і система переходить дорозгляду наступного покоління. Популяція наступного покоління містить ту ж кількістьвекторів, що і початкова, але у зв’язку з отбором загальна прибутковість по ній вище, ніж в попереднійпопуляції. Тепер система повторює описані процеси відбору, кросинговеру тамутації для нової популяції.В кожномунаступному поколінні ми будемо бачити виникнення зовсім нових рішень задачі.Серед них будуть як добрі, так і погані, але завдяки відбору кількість добрихрішень буде зростати. Імітуючи еволюцію система підтримки прийняття рішень будезавжди зберігати життя найкращому з “індивідуумів” наступного покоління. Такаметодика називається “стратегією елітизму”.
Таким чином на деякому етапіпокращення якостей рішень задачі буде уповільнюватись і далі стане дужеповільним. Тоді з отриманих наборів “індивідуумів” відбирається ті, які надаєнайбільше значення функції прибутковості. Отримані відповіді і є рекомендаціямисистеми для проведення процесу інвестування в цінні папери.
Приведений варіант системи лише один збагатьох, які можна використовувати при створенні універсальної системифінансового аналізу. На жаль на вітчизняному ринку ці системи поки що незнайшли широкого застосування. Насамперед це пов’язано з недосконалістю фінансового ринку. Але це не означає, що подібнісистеми не знайдуть місця в Україні. По мірі розвитку фінансового ринку постаєпитання про створення СППР на базі генетичних алгоритмів та інших методахнечіткої логіки на Україні.
Список літератури.
1. [Диссер] ЖдановА.А. Принципи автономного адаптивного керування. Дисертація на конкурс вченогоступеню доктора фізико-математичних наук. -Москва.: ОЦ РАН, 1993.-с. 318
2. В.Брауэр.Введення в теорію кінцевих автоматів.-М.: «Радіо і зв'язок», 1987.-с. 392
3. McCulloch W.W., Pitts W. 1943. A logical calculusof the ideas imminent in nervous activiti. Bulletinn of Mathematical biophysics5: 115-33. (Російський переклад: Маккалок У.С., Питтс У. Логічне числення ідей,що відносяться до нервової діяльності. Автомати. — М: ІЛ., 1956. -c. 296)
4. Уоссермен Ф… Нейрокомпьютерна техніка. — М.: Світ,1992, -c. 231
5. Герман О.В. Введення втеорію експертних систем і опрацювання знань. – Мінськ: ДизайнПРО, 1995. -c. 205