setVerbose($is_verbose)

задает отображение ошибок НС

showWeights()

выводит текущие веса нейронов

train($maxEpochs,$maxError)

запускает тренировочный процесс

Класс MainController описан в таблице 4.

Таблица 4 - Описание класса MainController

Класс EParseQuotesManager описан в таблице 5.

Таблица 5 - Описание класса EParseQuotesManager

Класс StockController описан в таблице 6.

Таблица 6 - Описание класса StockController

Класс RSAnalyze описан в таблице 7.

Таблица 7 - Описание класса RSAnalyze

3.3 Интерфейс приложения

Главное окно приложения представлено на рисунке 3.2:

Рисунок 3.2 - Главное окно приложения

Для добавления новых исторических данных необходимо зайти в меню «Справочники» и выбрать «Компании» (Рисунок 3.3).

Рисунок 3.3 - Меню компании

Затем необходимо нажать на кнопку «Добавить компанию». Откроется форма (Рисунок 3.4). Введите название компании и путь к текстовому файлу с историческими данными и нажмите «Сохранить».

Рисунок 3.4 - Добавление компании

В меню «Действия» (Рисунок 3.5) доступны следующие функции:

- «Обновить БД» - записывает исторические данные в базу данных

- «Обновить Херста» - рассчитывает экспоненту Херста

- «Обучение НС» - выполняет псевдофазовую реконструкцию и проводит обучение нейронной сети

Рисунок 3.5 - Доступные действия

С историческими данными можно ознакомиться в меню «Графики» (Рисунок 3.6):

Рисунок 3.6 - Исторические данные

С прогнозами временных рядов можно ознакомиться в меню «Прогнозы» (Рисунок 3.7):

Рисунок 3.7 - Прогнозы

Заключение

Главной целью дипломной работы являлась разработка веб-приложения для прогнозирования временных рядов методом фрактального анализа.

Для достижения этой цели были решены следующие задачи:

-изучены методы фрактального анализа временных рядов;

- разработана нейронная сеть для прогнозирования временных рядов, использующая на этапе формирования обучающей выборки фрактальный анализ;

- разработан веб-интерфейс для взаимодействия с пользователем.

Созданное веб-приложение позволяет пользователю:

-проводить R/S анализ временных рядов;

- обновлять исторические данные различных тикеров;

-добавлять исторические данные для новых компаний;

-просматривать исторические данные;

-получать прогноз следующего значения временного ряда.

Благодаря данному веб-приложению, автоматизирована работа по созданию прогноза методом фрактального анализа. Приложение легко можно расширить благодаря модульному строению фреймворка Yii. Дружеский интерфейс пользователя, единообразие в отображении данных - делают информационную систему понятной и легкой для освоения даже неопытным пользователям.

Список использованных источников

1 Граничин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. М.: Наука. 2003.

2 Готовчинков И.Оценка путей совершенствования стратегий поведения на российском валютном рынке // Финансовый менеджмент, №4. 2003.

3 Мандельброт Б., Хадсон Р.. (Не)послушные рынки. Фрактальная революция в финансах. Изд.: Вильямс.2006.

4 Морозов А. Введение в теорию фракталов. Н.Новгород: ННГУ. 2004.

5 Пардо Р. Разработка, тестирование, оптимизация торговых систем для

биржевого трейдера. Москва: Минакс. 2002.

6 Пашутин С. Нелинейная динамика российского рынка: фрактальный подход к устранению хаоса.

7 Пустовит Д., Подколзина И. История биржевой торговли. СПб.: Вектор. 2009.

8 Петерс Э. Фрактальный анализ финансовых рынков. Применение теории Хаоса в инвестициях и экономике.

9 Ширяев В. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: Либроком. 2009

10 Интернет энциклопедия Википедия //URL: www.ru.wikipedia.org (дата обращения: 29.04.2014)
11 Головко В.А. Нейросетевые методы обработки хаотических процессов // В книге «Лекции по Нейроинформатике». - M.: МИФИ, 2005. - C. 43-88.

12 Петерс Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. - М.: Мир, 2000. - 333 с.

13 Волков М.В. Структура и классификация рынка ценных бумаг. Операции с ценными бумагами в деятельности банков. Управление портфелем ценных бумаг // Финансы и кредит. - 2005. - № 10 (178) - с. 31-40.

14 Найман Э.Л. Трейдер-инвестор. - Киев.: ВИРА-Р, 2000. - 640 с.

15 Хаертфельдер М. Фундаментальный и технический анализ рынка ценных бумаг. Спб.: Питер, 2005. - 352 с.

16 Найман Э.Л. Путь к финансовой свободе: профессиональный подход к трейдингу и инвестициям. - М.: Альпина Бизнес-Букс, 2004. - 480 с.
17 Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. Горячая Линия-Телеком, 2008. - 452 с.

18 Барский А.Б. Нейронные сети: Распознавание, управление, принятие решений. Финансы и статистика, 2007 г. - 175 с.

19 Кесиян Г.А., Шахмеликян Т.А. Анализ и моделирование хаотических процессов в экономике // Прикладная математика XXI века: материалы XI объединенной науч. конф. студентов и аспирантов / под ред. Ю.В. Кольцова. Краснодар: Кубанский гос. ун-т, 2011.

Приложение А График выходов нейронной сети по обучающей выборке для обычных акций Сбербанка

Размещено на Allbest.ru