Прогнозирование экономических показателей при помощи сетей Байеса

УДК 62-50

, , (Украина, Киев)

Прогнозирование экономических показателей при помощи сетей Байеса

Введение. Методы интеллектуального анализа данных (ИАД) предоставляют возможность  автоматического поиска закономерностей, характерных для многомерных данных. О востребованности ИАД объективно говорит тот факт, что на сегодняшний день из 100 крупнейших банков США 45 банков уже внедрили системы ИАД и еще около 50 банков начали реализацию подобных проектов или планируют это сделать в ближайшее время. В основе большинства инструментов интеллектуального анализа данных лежат две технологии: машинное обучение (machine learning) и визуализация (визуальное представление информации). Байесовские сети (БС) как раз и объединяют в себе эти две технологии.

Постановка задачи. Ставится задача (1) построения структуры сети Байеса, отображающей связь композитного индекса с другими макроэкономическими показателями, (2) выполнение прогнозирования и анализ экспериментальных результатов.

Решение задачи. На рис. 1 представлена структурная схема динамического прогнозирования композитного индекса с помощью БС. При построении БС использовался эвристический метод построения БС [1]. Для построения таблиц условных вероятностей (ТУВ) используется классический алгоритм вычисления вероятностей [2].

Рис. 1 Структурная схема прогнозирование композитного индекса сетями Байеса

Обучающая выборка была сформирована по данным, представленным на сайте Нью-Йоркской фондовой биржи http://www. ,. На рис.2 представлена БС, описывающая композитный индекс, которая построена по обучающей выборке из 500 значений. Стоит отметить, что в первоначальном анализе принимало участие большее количество индексов, но в модели представлены наиболее значимые индексы для множества обучающих данных, по которым строилась БС.

Рис.2 Сеть Байеса описывающая композитный индекс Нью-Йоркской фондовой  биржи

Композитный индекс отражает изменения в курсе всех акций, котируемых на Нью-Йоркской фондовой бирже, включающих в себя более 1500 крупнейших американских компаний, с общей капитализацией более 20 триллионов долларов. Этот индекс служит удобным показателем состояния экономики США.

Финансовый индекс отражает изменение курса акций непривилегированные акции финансового сектора США и сельскохозяйственных предприятий.

Индекс СМИ и телекоммуникаций отражает изменения 100 компаний лидеров из сектора СМИ и телекоммуникаций. Представленные в этом индексе компании имеют капитализацию рынка в размере 2,3 триллионов долларов.

Индекс мировых лидеров отображает изменения курса непривилегированных акций 200 крупнейших компаний мира (включая 100 крупнейших компаний США), с общей капитализацией 9,7 триллионов долларов, из 10 промышленных секторов всех регионов мира (по состоянию на май 2007 года, в этом индексе, представлены 19 стран). Индекс отражает диверсификацию акционерного капитала и помогает прослеживать не американские инвестиционные рынки.

Индекс 100 компаний США  отражает изменения курса непривилегированных акций 100 крупнейших компаний США, с общей капитализацией 6,7 триллионов долларов.

Международный индекс отражает изменения курса непривилегированных акций 100 крупнейших компаний мира не из США, с общей капитализацией 5,1 триллионов долларов.

Рис. 3 Диаграмма изменения прогнозного и реального отклонений композитного индекса на 50 временных интервалах

Выводы. При проведении вычислительного эксперимента выполнено 100 итераций прогнозирования композитного индекса. В 96% случаев было точно предсказано рост или падение значения композитного индекса, в 52% случаев прогнозное и реальное значения отклонения композитного индекса от значения в предыдущий момент времени  полностью совпали. На рис. 3 показана диаграмма  изменения прогнозного и реального отклонений композитного индекса на первых 50 временных интервалах.

Список литературы

1. , , Эвристический метод построения Байесовских сетей // Математические машины и системы. – 2006. – 3. – С. 12-23.

2. , , Гасанов и методы обучения Байесовских сетей  // Кибернетика и системный анализ. – 2005. – 4. – С. 133-147.

: д. т.н., профессор, каф. Математических методов системного анализа, Институт прикладного системного анализа Национального технического университета Украины “Киевский политехнический институт”, пр-т Победы, 37, корп. 35, Киев, Украина, 03056.

E-mail: *****@***ntu-kpi.

, (044) 241-68-47.

: инженер 1-й категории, Институт прикладного системного анализа Национального технического университета Украины “Киевский политехнический институт”, пр-т Победы, 37, корп. 35, Киев, Украина, 03056.

E-mail: *****@***com

, м. т. 8-066-995-05-35.

: ассистент, Институт прикладного системного анализа Национального технического университета Украины “Киевский политехнический институт”, пр-т Победы, 37, корп. 35, Киев, Украина, 03056.

E-mail: *****@***

.

УДК 62-50

Анотація

Бідюк П. І., Терентьєв А. Н.,

Прогнозування економічних показників за допомогою мереж Байеса

Байєсові мережі (БМ) – потужний інструмент для інтелектуального аналізу даних різної природи. Для аналізу взаємного впливу економічних показників пропонується застосовувати евристичний метод побудови БМ, а для побудови прогнозів імовірнісний висновок в БМ. В роботі наведені експериментальні результати.

Іл. 3.: Бібліогр. 2.

Ключові слова: Байєсова мережа, евристичний метод навчання, імовірнісний висновок.

УДК 62-50

Аннотация

, ,

Прогнозирование экономических показателей при помощи сетей Байеса

Байесовские сети (БС) являются серьёзным востребованным инструментом для  выполнения интеллектуального анализа данных различной природы. Для анализа влияния экономических показателей друг на друга предлагается использовать эвристический метод построения БС, а для построения прогнозных значений вероятностный вывод в БС. В статье приведены результаты экспериментов.

Рис. 2.: Библиогр. 2 названия.

Ключевые слова: Байесовская сеть, эвристический метод обучения, вероятностный вывод.

UDC 62-50

Abstract

Bidyuk P. I., Terentyev O. M., Korchevnyuk L. O.

Forecasting of economic indicators using Bayesian networks

Bayesian networks represent a useful and seriously claimed instrument for implementation in data-mining systems of various applications. For analysis of mutual influence of economic indicators it is suggested to use the heuristic method of BN construction, and for the construction of forecast values the probabilistic inference in BN is proposed. The experimental results are presented.

Figs. 3.: Refs. 2.

Key words: Bayesian networks, heuristic method of learning, probabilistic inference.