Проверяемый текст
Беляков, Станислав Сергеевич. Использование агрегирования в методах нелинейной динамики для анализа и прогнозирования временных рядов котировки акций (Диссертация 2005)
[стр. 51]

Если у рассматриваемого временного ряда достаточно часто сменяется тренд и он обладает долговременной памятью, то применение к нему классических методов прогнозирования зачастую оказываются неадекватными.
Отсюда естественным является вопрос о существовании таких принципиально новых моделей и методов прогнозирования, у которых «мешающий» (в указанном выше смысле) фактор долговременной памяти становится
«созидательным».
Положительный ответ на этот вопрос удается не только обосновать, но и конструктивно реализовать, используя идеи искусственного интеллекта и алгоритмы, родственные генетическим («квазигенетические алгоритмы»)
[97J, которые, в частности могут быть реализованы на базе клеточных автоматов [80].
Клеточные автоматы реализуют собой алгоритмический подход к математическому моделированию процессов и систем, имеющих дискретный характер
[136].
Для исследования системы методами клеточных автоматов к настоящему времени можно выделить два подхода: статистический и конструктивный [80].
Реализация первого из них начинается с составления перечня всех возможных конфигураций, которые могут встречаться при неограниченном продолжении рассматриваемого временного ряда.
На базе
этой информации можно вводить определения известных понятий теории детерминированного хаоса [111,136], по аналогии с теорией ляпуновских показателей [111,136], фрактальных размерностей [111] и т.д.
Реализация второго подхода начинается с конструирования и анализа различных типов структур, возникающих в изучаемой системе или процессе, и выявления типа взаимодействия между структурами.
Выводы
по первой главе.
Анализ динамики спроса (его структура) и прогноз спроса есть основа для прогнозирования бюджетных расходов (и оптимизации) региона.
51
[стр. 115]

Глава 4 АДАПТАЦИЯ КЛЕТОЧНО-АВТОМАТНОЙ ПРОГНОЗНОЙ МОДЕЛИ ДЛЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 4.1 Особенности временных рядов, для которых традиционные методы прогнозирования неадекватны Областью применения предлагаемого в настоящей главе алгоритма прогнозирования являются эволюционные процессы, временные ряды (ВР) показателей которых обладают долговременной памятью [110].
К их числу относятся чаще всего либо природные ВР, либо ВР основных показателей эволюционных процессов в различных отраслях народного хозяйства: ВР урожайности в области растениеводства, ВР заболеваний в региональной или городской отрасли здравоохранения, ВР индекса цен стройматериалов, ВР стоимости ценных бумаг государственных облигаций, курса валют, и др.
Применение к этим ВР традиционных методов статистического анализа [110] весьма часто приводит к неудовлетворительному результату прогнозирования.
Например, для ВР урожайности основных сельскохозяйственных культур, выращиваемых в южно-российской зоне рискового земледелия, является в принципе неправомерным использование классических методов прогнозирования, которые базируются на авторегрессии и скользящем среднем [110,112].
Причиной тому оказалось, что многие реальные ВР обладают долговременной памятью [110], что означает отсутствие независимости наблюдений и неподчинение ВР нормальному закону, более того, в характере их поведения проявляются такие свойства как хаотичность, наличие тяжелых хвостов [110] при отсутствии сезонной компоненты и долговременного тренда [60,62].
Таким образом, если у рассматриваемого ВР достаточно часто сменяется тренд и он обладает долговременной памятью, то применение к нему классических методов прогнозирования зачастую оказываются неадекватными.
Отсюда естественным является вопрос о существовании таких принципиально новых моделей и методов прогнозирования, у которых «мешающий», в указанном выше смысле, фактор долговременной памяти становится


[стр.,116]

«созидательным».
Положительный ответ на этот вопрос удается не только обосновать, но и конструктивно реализовать, используя идеи искусственного интеллекта и алгоритмы, родственные генетическим («квазигенетические алгоритмы»)
[115], которые, в частности, могут быть реализованы на базе клеточных автоматов [80].
4.2 Клеточные автоматы для прогнозирования экономических временных рядов их преимущества перед классическими методами Американский математик Дж.Нейман еще более полувека назад полагал, что многие сложные явления, такие как самовоспроизведение, рост и развитие, морфогенез, которые трудно моделировать с помощью дифференциальных уравнений, удастся описать с помощью клеточных автоматов [94].
К настоящему времени уже осознано, что теория клеточных автоматов (КА) по существу связывает два междисциплинарных подхода синергетику и кибернетику.
По своей сути клеточные автоматы реализуют собой алгоритмический подход к математическому моделированию процессов и систем, имеющих дискретный характер.
Для исследования системы методами клеточных автоматов к настоящему времени можно выделить два подхода: статистический и конструктивный [80].
Реализация первого из них начинается с составления перечня всех возможных конфигураций, которые могут встречаться при неограниченном продолжении рассматриваемого временного ряда.
На базе
той информации можно вводить определения известных понятий теории детерминированного хаоса, аналоги ляпуновских показателей, фрактальных размерностей и т.д.
Реализация второго подхода начинается с конструирования и анализа различных типов структур, возникающих в изучаемой системе или процессе, и выявления типа взаимодействия между структурами.
В
настоящей главе предлагается математическая модель и метод для анализа рынка ценных бумаг, в частности прогнозирование котировки акций

[Back]