В работе описан эксперимент по техническому прогнозированию цены акций на следующий день с использованием
нейросетевого классификатора со случайными подпространствами, рассмотрены случаи разделения множества значений
приращения цены на две и пять категорий. Исследованы динамика числа ошибок прогнозирования и скорость обучения
нейронной сети в зависимости от количества входных параметров, проведено структурное исследование полученных
результатов. Вероятностный анализ эксперимента позволяет оценить количество полезной информации, предоставляемой
классификатором. Рассмотрены совместные распределения между входными параметрами и номерами классов, которые
определяются реальным изменением цены. Малые значения полученных коэффициентов корреляции демонстрируют
сложность поставленной задачи.
У роботi описано експеримент по технiчному прогнозуванню цiни акцiй на наступний день з використанням нейромережевого
класифiкатора з випадковими пiдпросторами, розглянутi випадки роздiлення множини значень приросту цiни на двi та п’ять
категорiй. Дослiдженi динамiка числа помилок прогнозування та швидкість навчання нейронной мережi в залежностi вiд
кiлькостi вхiдних параметрiв, проведено структурне дослiдження отриманих результатiв. Ймовiрнiсний аналiз даних
експеримента дозволяє оцiнити кiлькiсть корисної iнформацiї, що надається класифiкатором. Розглянутi сумiснi розподiли
мiж вхiдними параметрами та номерами класiв, якi обумовленi дiйсною змiною цiни. Малi значення отриманих коефiцiєнтiв
кореляцiї демонструють складнiсть поставленої задачi.
This article describes the technical forecasting procedure, which was conducted using the feedforward neural network classifier. In
order to predict the price move for the next day two experiments were considered: the set of price increment values was divided on
two and five categories correspondingly. The error rate and training speed dependencies on the number of input paramemers were
investigated. The results, obtained in these experiments, were structured according to the actual price change. The probabilistic
analysis allows to estimate the quantity of useful information provided by the classifier. Some joint distributions for input parameters
and required class numbers were investigated. The small values of the obtained correlation coefficients show the complexity of the
forecasting problem.
