Рассмотрена проблема прогнозирования на рынках ценных бумаг. Для решения этой задачи предложено использование каскадных нео-фаззинейронных сетей (CNFNN). Рассмотрены архитектура нео-фаззи нейрона и архитектура CNFNN. Описаны алгоритмы обучения нео-фаззи-нейронной сети в пакетном и он-лайновом режимах. Проведены экспериментальные исследования CNFNN в задаче прогнозирования биржевых индексов на рынке ценных бумаг ФРГ. В ходе экспериментов варьировалось число входов нейронной сети, число каскадов, число значений лингвистических переменных, соотношение размеров обучающей и проверочной выборок. В результате экспериментов найдены оптимальные значения указанных параметров для рассматриваемой задачи. Проведены сравнительные эксперименты по оценке эффективности прогнозирования CNFNN и нечеткой нейронной сети ANFIS.
Розглянуто проблему прогнозування на ринках цінних паперів. Для її вирішення запропоновано застосування каскадних нео-фаззі нейронних мереж (CNFNN). Розглянуто архітектуру нео-фаззі нейрона та CNFNN. Описано алгоритми навчання нео-фаззі нейронної мережі в пакетному і он-лайновому режимі. Проведено експериментальні дослідження CNFNN в задачі прогнозування біржових індексів на ринку цінних паперів ФРН. У процесі експериментів варіювалась кількість каскадів, входів мережі, число значень лінгвістичних змінних, співвідношення обсягів навчальної та перевірної вибірок. У результаті експериментів знайдено оптимальні значення параметрів для розглянутої задачі. Проведено порівняльні експерименти з оцінювання ефективності прогнозування CNFNN та нечіткої нейронної мережі ANFIS.
A forecasting problem at the stock exchange is considered. For its solution the application of a cascade neo-fuzzy neural network (CNFNN) is suggested. The architecture of the neo-fuzzy neuron and architecture of CNFNN is presented. Training algorithms of CNFNN in packet mode and on-line are described and discussed. The experimental investigations of CNFNN for market index forecasting at the German stock exchange are carried out. During experiments, the number of cascades, inputs, linguistic terms, and the training-to-test ratio of samples were varied. In the experiments, the optimal values of the aforesaid parameters of the training algorithm were found. The comparative experiments estimating forecasting efficiency of the cascade neo-fuzzy neural network and FNN ANFIS were carried out.
