Рассмотрена проблема прогнозирования финансовых процессов на рынках ценных бумаг. Для ее решения предложено применение каскадных нео-фаззи нейронных сетей. Описана архитектура этих сетей, рассмотрены алгоритмы обучения — градиентный и Уидроу-Хоффа. Рассмотрена проблема синтеза структуры нео-фаззи каскадной сети и предложен алгоритм МГУА для ее решения. Проведены экспериментальные исследования точности прогнозирования биржевых индексов с применением указанных методов обучения в зависимости от числа каскадов, числа входных переменных и их лингвистичеcких значений и оценена их эффективность. Проведенные исследования показали, что каждый алгоритм имеет свои сильные и слабые стороны. Градиентный метод может давать более точные прогнозы, но при этом время его работы достаточно большое. Алгоритм Уидроу-Хоффа, наоборот, дает прогноз за очень короткое время, но имеет довольно большие отклонения от реальных значений. В целом, каскадная нео-фаззи нейронная сеть является хорошим инструментом для прогнозирования финансовых процессов на фондовых рынках в условиях неопределенности и неполноты информации. При этом ее прогноз значительно точнее в сравнении с классическими нечеткими нейронными сетями ANFIS и TSK, а также ННС с выводом Мамдани.
Розглянуто проблему прогнозування фінансових процесів на ринках цінних паперів. Для її розв’язку запропоновано застосування каскадних нео-фаззі нейронних мереж. Описано архітектуру цих мереж, розглянуто алгоритми навчання — градієнтний та Уідроу-Хоффа. Розглянуто проблему синтезу структури нео-фаззі каскадної мережі та запропоновано алгоритм МГУА для його розв’язання. Проведено експериментальні дослідження точності прогнозування біржових індексів із застосуванням зазначених методів навчання в залежності від кількості каскадів, кількості вхідних змінних та їх лінгвістичних значень й оцінено їхню ефективність. Проведені дослідження показали, що кожний алгоритм має свої сильні та слабкі властивості. Градієнтний метод може давати більш точні прогнози, при цьому час його роботи досить значний. Алгоритм Уідроу–Хоффа, навпаки, дає прогноз за дуже короткий час, але має досить великі відхилення від реальних значень. В цілому, каскадна нео-фаззі нейронна мережа є ефективним інструментом для прогнозування фінансових процесів на фондових ринках в умовах невизначеності та неповноти інформації. При цьому її прогноз більш точний у порівнянні з класичними нечіткими нейромережами ANFIS та TSK, а також нечіткою мережею з висновком Мамдані.
The problem of stock prices forecasting at stock exchanges is considered. The application of cascade neo-fuzzy neural networks (CNFNN) for its solution is suggested. The architecture and training algorithms (gradient and Widrow-Hoff) for CNFNN networks are considered. The experimental investigations of stock prices forecasting accuracy with application of CNFNN network depending on the number of cascades, the number of input variables and their linguistic values were carried out and the efficiency of training methods was estimated. The investigations had shown that each algorithm had strong and weak properties. The Gradient method may give more accurate forecasting, but it needs a lot of time for work. The runtime of Widrow- Hoff algorithm is short, but its accuracy of forecasting is worse. In a whole, CNFNN is the efficient tool for forecasting at stock exchanges under uncertainty. Its forecasting proves to be much more accurate in comparison with classical fuzzy neural networks ANFIS, TSK, and Mamdani.
