Прогнозирование цен на рынке драгоценных металлов с помощью нейронных сетей

 

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«Пермский государственный педагогический университет»

факультет ИНФОРМАТИКИ И ЭКОНОМИКИ

Кафедра прикладной информатики

Выпускная квалификационная работа

ПРОГНОЗИРОВАНИЕ ЦЕН НА РЫНКЕ ДРАГОЦЕННЫХ МЕТАЛЛОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Работу выполнила:

Студентка 1253 группы

Черткова Марина Николаевна

«Допущен к защите в ГАК»

Зав. кафедрой, д.т.н., профессор

Ясницкий Леонид Нахимович

Научный руководитель:

Кандидат физико-математических наук

Гладкий Сергей Леонидович

Кандидат экономических наук,

доцент кафедры экономической теории ПГТУ

Лепихина Татьяна Леонидовна

Пермь 2011

Содержание

Введение

Глава 1. Характеристика рынка драгоценных металлов

.1 Рынок драгоценных металлов как составляющая финансового рынка

.2 Виды сделок на рынке драгоценных металлов

.3 Золото как экономическая категория

.4 Основы нейросетей и нейросетевого моделирования

Глава 2. Прогнозирование цен на рынке драгоценных металлов с помощью нейронных сетей

.1 Сбор данных для проектирования нейросети

.2 Проектирование нейросети

.3 Обучение и тестирование нейросети

.4 Оптимизация нейросети

Глава 3. Расчет экономической эффективности

.1 Расчет себестоимости программы

.2 Определение цены и срока окупаемости программного продукта

Заключение

Литература

Приложения

Введение

Актуальность темы исследования. Актуальность выбранной темы заключается в том, что драгоценные металлы традиционной использовались инвесторами всего мира в качестве гаранта от потрясений валютных рынков.

Рынок драгоценных металлов - это специальные центры торговли драгоценными металлами, где осуществляется их регулярная купля-продажа по рыночной цене в целях промышленно-бытового потребления, инвестиций, страхования риска, спекуляции, приобретения необходимой валюты для международных расчетов.

Основным сектором рынка драгоценных металлов является рынок золота. На всех этапах эволюции экономической системы изменялась роль золота в соответствии с проводимой правительствами стран политикой, при этом производство, обращение и использование драгоценных металлов всегда выступали важным фактором обеспечения стабильности национальной экономики. В современных условиях золото перестало быть основой денежного обращения, но является составной частью золотовалютных резервов государств и необходимым ресурсным компонентом важнейших отраслей: электроники, телекоммуникаций, приборостроения, медицины. Поэтому существует потребность в организации рынка золота, эффективность функционирования которого оказывает воздействие на финансовый рынок и на структуру экономики.

Формирование рыночной цены золота - многофакторный процесс: она колеблется в зависимости от экономических, политических, спекулятивных факторов. В их числе: экономическая и политическая обстановка, объем промышленного потребления золота и инвестиционно-тезаврационного спроса, инфляция, колебания ведущих валют и процентных ставок, распространение альтернативных золоту финансовых инструментов, используемых для страхования рисков.

Цель и задачи исследования. Целью данной работы является. Исследование и разработка информационной системы в области прогнозирования цены золота с использованием искусственных нейросетей. Для достижения поставленной цели в дипломной работе решаются следующие задачи:

) Изучение литературы, ресурсов сети Интернет, а также рынка программных средств, реализующих нейросетевые принципы для решения задач прогнозирования;

) Изучение и анализирование рынка золота. Получение факторов влияющих на цену золота.

) Разработка приложения с использованием искусственного интеллекта целью определения этапов процесса решения задач прогнозирования.

) на основе полученных результатов посчитать расчетную стоимость этого проекта.

Глава 1. Характеристика рынка драгоценных металлов

цена прогнозирование драгоценный металл

1.1 Рынок драгоценных металлов как составляющая финансового рынка

Финансовый рынок состоит из денежного рынка и рынка капиталов. Это обусловлено разным характером финансовых ресурсов, обслуживающих основной и оборотный капитал. На денежном рынке обращаются средства, обеспечивающие движение краткосрочных ссуд. На рынке капиталов же происходит движение долгосрочных накоплений.

Внутри финансового рынка функционирует фондовый рынок. На нем объектом торговли выступают ценные бумаги, ценность которых должна определяться стоящими за ними активами. Рынок ценных бумаг обслуживает как денежный рынок, так и рынок капиталов. Но ценные бумаги обслуживают лишь часть движения финансовых ресурсов (кроме них существуют еще внутрифирменные и межфирменные кредиты, прямые банковские ссуды и т.п.).

Таким образом, финансовый рынок состоит из двух частей- денежного рынка и рынка капиталов. Входящий же в его состав фондовый рынок является сегментом обоих этих рынков. Движение средств на финансовом рынке имеет направление от сберегателей к пользователям. Посредством финансового рынка может осуществляться перелив финансовых ресурсов из одних секторов экономики в другие. Всего выделяют 4 сектора: домохозяйства, коммерческие фирмы, государственный сектор и финансовые посредники. Большая часть капитала домашних хозяйств формируется за счет собственных средств. Именно здесь образуется основной избыток финансовых средств, направляемый на финансирование коммерческих фирм, государства и размещается в финансовых институтах (инвестиционные фонды, банки и т.д.). Наибольшую потребность в финансовых средствах испытывает крупнейший сектор - государство. Оно является крупнейшим заемщиком на финансовом рынке, но также выступает как крупнейший кредитор домохозяйств, коммерческих фирм и финансовых посредников. Имеет место и внутрисекторное движение средств. Однако эти денежные потоки взаимопогашаются, т.к. в конечном итоге сумма сбережений (финансовых активов) равна сумме инвестиций (финансовым обязательствам) [14].

Характерной чертой развития рыночных отношений является быстрое развитие финансового рынка и всех его звеньев.

Современный финансовый рынок представляет собой семиблочную систему относительно самостоятельных звеньев. Звено - это рынок определённой группы однородных финансовых активов. К таким звеньям финансового рынка относятся денежный рынок, рынок ссудных капиталов, рынок недвижимости, валютный рынок, рынок драгоценных металлов.

Рынок драгоценных металлов состоит из следующих секторов:

·рынок золота

·рынок серебра

·рынок платины

·рынок палладия

·рынок изделий из драгоценных металлов

·рынок ценных бумаг, котируемых в золоте.

Рынок драгоценных металлов представляет собой механизм, являющийся важнейшей составной частью производства, распределения и потребления финансовых активов, обеспечивающий и регулирующий потребности путем реализации продуктов добычи и перераспределения высвобожденных запасов.

В современной экономике роль драгоценных металлов существенно изменилась - золото больше не является «мировыми деньгами», но благодаря своим уникальным физико-химическим свойствам драгоценные металлы все шире входят в сферу промышленного производства, особенно в отраслях, использующих новейшие технологии. Высокая удельная ценность (редкость, компактность, возможность неоднократного потребления и длительного использования), ликвидность (развитая сеть сбыта и постоянный спрос) определяют использование драгоценных металлов и камней в качестве финансовых активов.

Таким образом, в условиях произошедшей демонетаризации драгоценные металлы выполняют двойную функцию. С одной стороны, слитки и монеты из драгоценных металлов являются объектом банковского и биржевого оборотов, входят в состав государственных и международных золотовалютных резервов и тезаврационных фондов, выступают важнейшим ресурсом, способным обеспечить экономический и финансовый потенциал государства-продуцента, гарантировать стабильность банка, а также благосостояние отдельного человека. Основой мировой финансовой системы на данный момент является американский доллар, обеспеченный всеми активами США, в том числе и самыми большими в мире золотыми резервами, что объясняет стремление, как государств, так и частных владельцев поддерживать золотые активы в высоколиквидном состоянии. Многие страны постоянно котируют стоимость национальных золотых запасов в соответствии с мировыми ценами[4].

С другой стороны, драгоценные металлы остаются важнейшим видом военно-стратегического и промышленного сырья, без которого невозможно функционирование предприятий военно-промышленного комплекса, электроники, а также гражданского самолетостроения, ювелирной, автомобильной, химической промышленностей и многих других отраслей народного хозяйства. Несмотря на тот факт, что индустриальные державы активно финансируют программы поиска технологий, направленных на минимизацию использования драгоценных металлов, уменьшения их промышленного потребления не наблюдается.

Стратегическая роль драгоценных металлов в мировой экономике определяется стабильностью спроса на эти ценности. Высокая ликвидность золотых активов на мировом рынке обеспечивается паритетом между тремя основными сферами вложения капитала в:

добычу и производство драгоценных металлов;

производство ювелирных изделий и торговлю ими;

финансовое обращение слитков из драгоценных металлов.

Основой этого паритета является исторически сложившаяся культура обращения драгоценных металлов на мировом рынке, предоставляющая всем участникам юридически корректные процедуры сделок, большой набор финансовых инструментов для диверсификации вложений и снижения рисков, практически неограниченный набор сервисных услуг.

Драгоценные металлы на данном этапе экономического развития необходимо рассматривать в качестве объекта частной тезаврации и сырьевого товара: «последняя функция золота, как индустриального потребления, является единственной функцией, сохранившей актуальность в настоящее время».

Несмотря на факт утраты драгоценными металлами особой роли денег, нельзя рассматривать их в качестве традиционного товара. Таким образом, «двойная сущность» драгоценных металлов - объектов финансового и товарно-сырьевого рынков одновременно - определяет специфические особенности функционирования рынков драгоценных металлов, соответственно государственного регулирования сферы добычи, производства, использования и обращения драгоценных металлов[14].

Драгоценные металлы, за исключением металлов, направляемых на производство товаров промышленно-бытового назначения, используемые в деятельности кредитно-финансовых институтов, а также находящиеся в частном владении, можно рассматривать в качестве финансовых активов.

Понятие «финансовый актив» может быть сформулировано как вид аккумулированных финансовых ресурсов, реализуемый для достижения доходности.

К основаниям для включения драгоценных металлов в структуру финансовых активов относятся:

сохранение ими таких денежных функций, как средство сбережения и инвестиций, средство платежа и чрезвычайные мировые деньги;

обладание всеми характеристиками финансовых активов: имеют денежную оценку; цена формируется на рынке; являются объектом купли-продажи (т.е. ликвидны); при изменении цены приносят доход;

они служат объектом банковских операций и сделок. При этом в качестве «банковских» металлов рассматриваются только золото, серебро, платину и палладий, что вполне соответствует как мировой, так и российской практике.

До настоящего времени стремление накапливать драгоценные металлы сохранилось в обычае и в традиции народов ряда стран как средство страхования достигнутого уровня благополучия, как признак благосостояния и как способ защиты от инфляции. С этой целью частные и корпоративные инвесторы приобретают слитки и монеты, ценные бумаги, номинированные в драгоценных металлах или обеспеченные ими, открывают металлические счета (ответственного хранения или обезличенные). В российской практике также стало нормой вкладывать часть денежных средств в драгоценные металлы.

Таким образом, благодаря своему свойству сохранять стоимость, драгоценные металлы способны в современных условиях выполнять функцию средства сбережений; а как средство инвестиций, они приносят своему владельцу дополнительный доход за счет роста их курсовой стоимости. Причем вложения в драгоценные металлы носят, как правило, средне- и долгосрочный характер, что вполне отвечает указанной функции.

С конца XX в. золото, серебро, платина и палладий становятся цифровыми деньгами для проведения платежей и расчетов с помощью электронных систем. Такое решение приняли разработчики глобальных компьютерных финансовых систем, опираясь на довод: компьютерная валюта должна быть независима от тенденций национальных экономик. В настоящее время функционируют четыре системы цифрового золота: e-gold, DigiDold, Gold Money и E-dinar, обороты которых составляют миллиарды долларов США. Однако пользователями данных систем являются пока только частные лица, в будущем предполагается привлечь и центральные банки, которые обладают значительными объемами запасов золота[9].

В периоды кризисов, политических и экономических неурядиц драгоценные металлы способны выполнять функцию чрезвычайных мировых денег. Это подтверждает тот факт, что значительная часть золота (около 22% от общего объема, добытого за всю историю человечества, что составляет почти 33 тыс. т) продолжает храниться в государственных резервах многих стран[6]. Монетарное прошлое драгоценных металлов продолжает играть в экономическом обществе роль «чрезвычайных мировых денег, обеспечения международных кредитов, средство образования сокровищ».

Таким образом, драгоценные металлы сохранили денежные функции как в частных накоплениях (средство сбережения и инвестиций), так и в государственных резервах (чрезвычайные мировые деньги), а также при использовании их в качестве средства платежа.

Возможность сохранения денежных функций драгоценными металлами обусловлена, прежде всего, их естественными природными свойствами, ограниченностью и редкостью нахождения в природе, а также трудностью их добычи.

В настоящее время драгоценные металлы являются объектом купли-продажи на международных и внутренних товарных и финансовых рынках, а также первичного и вторичного, биржевого и внебиржевого рынков. Торги по золоту, серебру, платине и палладию проводятся ежедневно, а в средствах массовой информации также ежедневно публикуются текущие котировки на металлы. Мировые цены на драгоценные металлы по сложившимся десятилетиями традициям устанавливаются в долларах США в расчете за тройскую унцию (31,1 г), а внутренние цены - в национальной валюте[7].

Банк России ежедневно публикует учетные цены (в соотношении руб./г), которые устанавливаются с учетом мировых цен и дисконта в зависимости от вида металла. Учетные цены применяются для целей бухгалтерского учета в кредитных организациях. В настоящее время дисконты к действующим на момент расчета значениям фиксингов на драгоценные металлы на лондонском рынке наличного металла «спот» таковы: для золота - 0,5%; для серебра - 2,0%; для платины и палладия - 7,5%. Дисконт учитывает среднюю величину расходов по поставке на международный рынок каждого вида металла и пересчитывается в рубли по официальному курсу доллара США к российскому рублю, действующему на день, следующий за днем установления учетных цен.

Сделки купли-продажи на внутреннем российском рынке производятся на рыночных условиях по ценам, учитывающим текущую конъюнктуру мирового рынка и уровень рисков, связанных с колебаниями мировых цен на аффинированные драгоценные металлы.

Факторы, влияющие на динамику цен на драгоценные металлы, достаточно разнообразны. Они носят не только экономический, но и политический характер, а в отдельные периоды последний имеет преобладающее значение. Кроме того, немаловажное значение оказывает и динамика цен на другие виды финансовых активов - ценные бумаги, основные валюты и т.п. Однако определяющим по-прежнему является поведение продавцов и покупателей на каждый конкретный вид металла.

Торговля металлами производится как в физической, так и обезличенной форме, где базовым активом выступает какой-либо драгоценный металл, причем в настоящее время преобладает использование обезличенного металла. Данные операции, как правило, осуществляют кредитно-финансовые институты (банки, инвестиционные компании, брокерские фирмы и т.п.). Ликвидность драгоценных металлов на мировом рынке достаточно высокая, чего нельзя сказать о внутреннем российском рынке. Тем не менее, ряд российских коммерческих банков, в числе которых Сбербанк России, не только продает слитки и монеты, но и производит их обратный выкуп.

Финансовые активы в драгоценных металлах могут приносить своему владельцу либо курсовой, либо процентный доход. Первый обеспечивается за счет роста цены на драгоценные металлы на рынке, а второй - при открытии срочных обезличенных металлических счетов (при этом владелец счета может получить дополнительно и курсовой доход). В последние годы складывающаяся положительная ценовая динамика способствовала повышению спроса на драгоценные металлы как со стороны корпоративных, так и частных инвесторов.

Использование драгоценных металлов в современной практике финансовых институтов и интерес со стороны частных инвесторов обусловлены, прежде всего, потребностью страховать риски при вложении денежных средств в различные виды финансовых инструментов, и зависят в немалой степени от развитости рынка.

1.2 Виды сделок на рынке драгоценных металлов

Рынок драгоценных металлов определяется как сфера экономических отношений между участниками сделок с драгоценными металлами и ценными бумагами, котируемыми в драгоценных металлах. К последним относятся золотые сертификаты, облигации, фьючерсы и т.п.

Рынок драгоценных металлов включает в себя совокупность разнообразных взаимоотношений между субъектами рынка на этапе разведки, добычи, переработки и т.д. до конечного изготовления изделий из драгоценных металлов.

К драгоценным металлам относятся золото, серебро и металлы платиновой группы: платина, палладий, родий, рутений, иридий, осмий. По своему назначению драгоценные металлы играют двоякую роль:

они предназначены для промышленного использования (техника, электроника, медицинское оборудование, протезирование и т, д.);

они являются предметом инвестиций (изготовление монет, ювелирных изделий), используются как сокровища, резервы.

Фактически рынок драгоценных металлов был неотличим от валютного рынка до 1968 года, когда курсы валют стали плавающими, а сами валюты стали продаваться независимо от золота.

Существенной особенностью рынка золота является торговля, которая привязана к месту нахождения металла. Центрами торговли являются: Локо Лондон, Локо Цюрих, Локо Нью-Йорк, Локо Токио[3].

Крупнейший мировой центр по торговле золотом - Лондон. Это место оплаты стандартных золотых контрактов, то есть место осуществления поставки золота, независимо от того, где была заключена сделка. Такие сделки носят название «Локо Лондон», то есть с поставкой в Лондоне[1].

Золото выступает:

в качестве валютного актива, выполняющего ряд функций денег;

в качестве обычного товара, со своей себестоимостью производства, подверженного законам спроса и предложения, а также спекуляции.

Наибольший объем торговли драгоценными металлами наблюдается на международном межбанковском рынке золота.

Межбанковский рынок безналичного металла включает широкий спектр торговых операций. Рассмотрим некоторые операции с драгоценными металлами[2].

) Операции типа «спот» осуществляются на условиях спот, то есть с датой зачисления-списания на второй рабочий день после дня заключения сделки. Все остальные сделки купли-продажи металла называются сделки «аутрайт» («неправильные сделки»).

Цена «спот Локо-Лондон» служит базой для расчетов цен, лежащих в основе всех прочих сделок.

Стандартный объем сделки в золоте на условиях спот на международном рынке - 5 тыс. тройских унций, или 155 кг; в серебре - 100 тыс. тройских унций (называется один ЛЭК, 50 тыс. тройских унций - полЛЭКа), или около 3 тонн; в платине - 1000 тройских унций.

Поведение каждого банка на рынке обусловлено, прежде всего, его клиентской базой, то есть наличием или отсутствием у него клиентских заказов на покупку-продажу драгоценных металлов.

) Операции типа «своп» («обмен») - это купля-продажа металла с одновременным присутствием обратной стороны сделки. Стандартная сделка по свопам - 1 тонна, или 32 тыс. унций.

Виды свопов:

своп по времени (финансовый своп) - покупка-продажа одного и того же количества металла на условиях спот против продажи-покупки на условиях форвард. Процентная ставка по финансовым свопам представляет собой разницу между ставками по долларовому депозиту и по золотому депозиту. Ставки по золотым свопам ниже, чем по долларам на тот же период. Это связано с тем, что депозит в золоте дешевле, чем депозит в долларах.

свопы по качеству металла - это одновременная покупка-продажа металла одного качества (например, пробы 999,9) против продажи-покупки золота другого качества (например, пробы 999,5). Сторона, продающая золото более высокого качества, будет получать премию.

свопы по местонахождению - это покупка-продажа золота в одном месте (например, в Лондоне) против продажи-покупки его в другом месте (например, в Цюрихе). Поскольку, в зависимости от конъюнктуры рынка, золото в одном месте может стоить дороже, то в этом случае одна из сторон получает компенсирующую премию.

) Депозитные операции. Они проводятся, когда необходимо привлечь металл на счет или, наоборот, разместить его на определенный срок. Депозитные ставки по золоту ниже депозитных ставок по валюте (разница около 1,5 %), что объясняется более низкой по сравнению с валютой ликвидностью. Процент по золотому депозиту обычно выплачивается в валюте. Сумма процентов за пользование депозитом зачисляется на счет контрагента, предоставившего металл в депозит, в день истечения такого депозита.

) Опцион - право (но не обязательство) продать или купить определенное количество золота по определенной цене на определенную дату или в течение всего оговоренного срока. Опцион, который может быть исполнен в любой день в течение всего срока действия контракта, называется американским опционом. Опцион, который можно исполнить только в день истечения контракта, называется европейским опционом.

Существует 2 вида опциона:

опцион на продажу (опцион put). Он дает право покупателю опциона продать металл по цене исполнения или отказаться от его продажи.

опцион на покупку (опцион call). Он дает право покупателю опциона купить металл по цене исполнения или отказаться от его покупки.

Такие сделки используются для хеджирования.

Дилеры в своей работе используют комбинации опционов.

Все опционы можно подразделить на три категории:

опцион с выигрышем - это такой опцион, цена исполнения которого более выгодна, чем текущая форвардная цена, посчитанная на момент его исполнения.

опцион без выигрыша.

опцион с проигрышем.

В момент заключения опционного контракта покупатель уплачивает продавцу премию, которая представляет собой цену опциона. Премия складывается из двух компонентов: внутренней стоимости и временной стоимости. Внутренняя стоимость - это разность между текущей форвардной ценой металла и ценой исполнения опциона, когда он является опционом с выигрышем. Временная стоимость - это разность между суммой премии и внутренней стоимостью.

Величина премии опционов зависит от: цены «спот» на металл; цены исполнения; срока до истечения опциона; существующих процентных ставок на валюту и металл; специфической величины - «степени изменяемости рынка».

С помощью опционов инвестор получает возможность строить различные стратегии хеджирования.

) Фьючерсный контракт - это соглашение между контрагентами о будущей поставке металла, которое заключается на бирже. Исполнение всех сделок гарантируется Расчетной палатой биржи.

В мировой практике фьючерсные контракты на золото торгуются на нескольких биржах: Комекс (Нью-Йорк); Нимекс (Нью-Йорк), торговля платиной; Симекс (Сингапур); Током (Токио); Люксембургская биржа золота[3].

Фьючерсные контракты используются не для осуществления реальной поставки, а для хеджирования и спекуляции.

Спекуляция основывается на колебаниях фьючерсной цены. Спекулянт получит выигрыш по фьючерсному контракту, если он: купит его по более низкой цене и в последующем продаст по более высокой цене; продаст контракт по более высокой цене и в последующем выкупит по более низкой цене.

С помощью фьючерсных контрактов хеджер может застраховаться от изменения в последующем цены золота. Если хеджер страхуется от понижения цены золота, то ему следует продать фьючерсный контракт. А если инвестор страхуется от повышения цены золота, поскольку планирует купить его через какое-то время, он должен приобрести фьючерсный контракт.

) Форвардные сделки предусматривают реальную покупку или продажу металла на срок, превышающий второй рабочий день.

Цель заключения форвардной сделки покупателем состоит в том, чтобы застраховаться от повышения в будущем цены металла на спотовом рынке. Цель заключения форвардной сделки продавцом - застраховаться от понижения в будущем цены металла на спотовом рынке.

При определении цены форвардного контракта необходимо учитывать то, что:

продавец форвардного контракта обязуется поставить золото по истечении определенного в сделке срока. Это позволяет ему в пределах срока действия контракта разместить золото на депозите и получить определенный процент. Поэтому форвардную цену следует уменьшить на величину данного процента;

отказавшись от продажи золота на спотовом рынке, в день заключения форвардной сделки инвестор теряет процент по валютному депозиту, который можно было бы получить, разместив деньги от продажи золота в банке. Поэтому форвардная цена должна быть увеличена на данную сумму.

Многолетняя практика свидетельствует о том, что нормальное функционирование рынка драгоценных металлов требует соблюдения следующих условий:

- свободной покупки и продажи различных слитков драгоценных металлов, а также монет и ювелирных изделий из этих металлов;

наличия широкого круга участников торговли, включая банки, различные предприятия и физических лиц. При этом государство, в лице своих уполномоченных органов также является одним из участников торговли драгоценными металлами;

свободного формирования цены на золото и другие драгоценные металлы в зависимости от спроса и предложения металла;

наличия соответствующей инфраструктуры в виде биржи или другой, аналогичной Лондонскому фиксингу или Цюрихскому пулу, системы, которая в зависимости от конъюнктуры регулярно бы публиковала котировки цен на золото;

интеграции внутреннего и международного рынка путем свободного ввоза и вывоза золота и других драгоценных металлов;

свободного обращения государственных, корпоративных и других ценных бумаг, номинированных в золоте;

использования фьючерсных, опционных и других контрактов в целях хеджирования операций с золотом;

государственного лицензирования деятельности участников рынка и государственного пробирного надзора за качеством металла.

Важное значение для функционирования рынка драгоценных металлов имеет биржа как организация, выполняющая роль посредника в торговых операциях, способствующая установлению контакта между продавцами и покупателями и формированию рыночных цен на драгоценные металлы[2].

Биржу можно рассматривать, во-первых, как учреждение, организующее торговлю реальным (физическим) металлом; во-вторых, как организатора торговли контрактами на золото в виде фьючерсов и опционов.

В первом случае основным видом деятельности является обеспечение условий для совершения сделок купли-продажи аффинированных стандартных слитков в форме гласных публичных торгов, проводимых по установленным правилам.

Во втором случае торговля осуществляется контрактами, ценными бумагами на покупку и продажу драгоценных металлов в будущем. Это создает необходимые условия для страхования рисков, хеджирования будущей золотодобычи и благоприятные условия для привлечения ресурсов коммерческих банков и внебюджетных источников для инвестиций в золотодобывающую промышленность.

1.3 Золото как экономическая категория

·Золото имеет высокую ликвидность и небольшую разницу между ценой покупки и продажи.

·Золото - заменяемый товар.

·Золото с лёгкостью подаётся транспортировке и имеет хорошее соотношение цена-вес в отличие от других товаров.

·Золото может быть разделено на меньшие части без утери его цены, оно также может быть перелито в слитки или монеты.

·Плотность золота - одна из самых высоких, что значительно усложняет процесс фальсификации изделий.

·Небольшое количество золота на рынке позволяет его цене оставаться стабильной.

В настоящее время золото набирает всё большую популярность. И по мере того, как стоимость унции золота приближается к 2000 $, возникает вопрос, почему же золото стало таким популярным товаром и правда ли, что вкладывать денежные средства в него не рискованно[14].

Несомненно, рост цены на золото является исключительно спекулятивным. С начала 2010 года количество акций на крупнейших биржах, занимающихся торговлей золотом, возросло на 33%. Спрос на золото значительно возрос[14].

Независимое от стоимости доллара, золото сильно возросло в цене.

Есть ещё одна вещь, которой присваивается ценность, как и золоту - это деньги. Однако деньги и золото сильно отличаются, потому что правительство не может устанавливать неденежный эквивалент ценности золота, а только влиять на его стоимость, выражаемую в деньгах.

Золото ещё не превысило своего исторического максимума из-за доллара США. Доллар нашёл широкое применение в годы экономической рецессии. При прочих равных условиях, это снижает стоимость золота для американских инвесторов, покупающих этот драгоценный металл за доллары[6].

Размер золотых запасов также влияет на цену. Во время кризиса многие инвесторы столкнулись с убытками в своей деятельности и были вынуждены продавать свои золотые запасы. Многие обычные люди вынуждены продавать старые золотые изделия, что приводит к большому предложению на рынке торговли золотом и снижает темпы роста его цены.

Параллельно с этим, снижение цены на нефть подстёгивалось спекулянтами, пытавшимся увеличить ликвидность своих вложений для покрытия убытков. Однако обвал нефтяного рынка не затронул рынок золота. В рынок золота влились новые средства. Многие люди, вынужденные продавать свои вложения, покинули старые рынки и полностью сконцентрировались на рынке золота, вместо того чтобы покинуть его для покрытия убытков.

Перед лицом популяризации доллара и экономической оттепели, золото всё ещё удерживает свои высочайшие позиции. Спекулянты продолжают свирепствовать на рынке. Однако спекуляция на рынке золота совсем не похожа на спекуляции на других рынках. В отличие от нефти, золото не исчезает с рынка, не потребляется. И даже если оно используется в таких изделиях, как ювелирные украшения, ценность его не изменяется, и оно всё равно может участвовать в торговле. Другими словами, общий запас золота только увеличивается с его добычей.

Зачастую спекуляции мотивированы жаждой наживы. Однако интерес к золоту судя по всему мотивирован желанием поддерживать его цену.

Цена золота в долларах всё ещё держится на приемлемом уровне и не кажется неустойчивой. Наблюдая за дорогостоящими действиями правительства, которые кажутся многим неадекватным способом выхода из кризиса, люди боятся худшего развития событий для мировой экономики и доллара в частности. Таким образом, цена на золото стала мерилом уверенности в действиях правительства по преодолению кризиса[5].

Традиционно люди запасались золотом, если они не доверяли политической или экономической линии правительства. В странах Азии обычные люди - не крупные инвесторы - издавна имеют огромные запасы золота в ювелирных изделиях. Такой же концепции придерживаются и сегодняшние матёрые инвесторы, хранящие золото не в перстнях, но в слитках и деривативах.

Если рассматривать золото как валюту, то оно уникально тем, что не привязано ни к одной стране. В условиях экономической рецессии, которая не обещает вскоре окончиться и продолжает негативно влиять на стоимость различных валют, золото полностью обезопасит от экономической и политической нестабильности. Гигантское количество спекуляций и неопределенность на международном биржевом рынке делает цены на золото подвижными и изменчивыми. Как и любой финансовый рынок, рынок золота очень чувствителен к манипуляциям[5].

Инвестиции в золото могут быть сделаны напрямую покупкой металла, или не напрямую, приобретая сертификаты, счета, ставки на спрэды, деривативы или акции. К тому же, кроме хранения золота в банковской ячейке или у себя дома, вы можете хранить золото в присвоенном (или неродовом), или неприсвоенном (родовом) хранилище банка или другой организации. В случае последнего при банкротстве банка клиент не сможет получить золото и станет обыкновенным кредитором, а в случае присвоенного хранилища золото должно быть возвращено клиенту в полном размере. Однако, даже держа своё золото в присвоенном хранилище, многие играющие на повышение курса золота игроки тщательно выбирают хранилище, уделяя внимание чистым активам компании, и часто предпочитают оффшорные банки или специализированные хранилища.

Методы инвестирования:

Слитки. Наиболее традиционный способ приобретения золота - это покупка слитков. В некоторых странах, таких как Аргентина, Австрия, Лихтенштейн и Швейцария, их можно без проблем купить за прилавком в крупном банке. В качестве альтернативы существуют дилеры золота, предоставляющие подобные услуги. Слитки имеют разные размеры, например, в Европе это обычно 1 или 12.5. килограмм (1 кг = 32.15072 тройских унций), при этом существуют и другие веса, такие как лян, тола, 10 унций, 10 г, 1 унция. В связи с большими трудностями транспортировки, хранения и проверки слитков из чистого золота, всё большую популярность набирает метод удалённого инвестирования, через присвоенные хранилища, используя банковский счёт.

Монеты. Приобретение монет - это очень популярный способ инвестиций в золото. Как правило, золотые монеты имеют стоимость, практически равную стоимости использованного в них золота, с небольшой или вовсе отсутствующей надбавкой. Среди наиболее популярных монет южноафриканский крюгерранд, канадский золотой кленовый лист, американский золотой орёл, американский золотой буйвол и австралийский золотой слиток, в каждой из которых содержится ровно одна тройская унция золота. Другие популярные монеты в одну унцию это китайская панда и австрийская филармония. Золотые монеты, доступные в продаже, также включают в себя британский соверен и швейцарский франк, но они весят значительно меньше, чем унция. Крупные банки Швейцарии и Лихтенштейна продают их, опять же, из-за прилавка. Также доступен для потенциальных покупателей исламский золотой динар.

Биржевой индексный инструмент. Биржевые индексные инструменты золота (или GETF - Gold Exchange-Traded Fund) имеются в продаже как акции на крупнейших мировых биржах в Лондоне, Нью-Йорке и Сиднее. Первый GETF, ценные бумаги золота, был выпущен в марте 2003 года на австралийском биржевом рынке. Изначально он представлял собой ровно десятую часть унции. Вследствие повышения цен количество золота в каждом сертификате теперь немного уменьшилось. Сертификаты полностью подкреплены хранимым и застрахованным золотом. Общий золотой запас контролируется путём продажи и покупки определённого количества золота на открытом рынке.- это прекрасный способ фактически стать владельцем золота и получить выгоду с роста его цены, при этом не подвергаясь неудобству его хранения. Обыкновенно при приобретении GETF с вас будет взята небольшая комиссия, и вы должны будете выплачивать ежегодную небольшую сумму за хранение. Ежегодные расходы на поддержку GETF, такие как хранение, страхование и управление, вычитаются путём изымания у владельца GETF небольшого количества золота и его продажи, поэтому количество золота, предписанное в сертификате, будет постепенно уменьшаться. В некоторых странах GETF стали широко распространённым инструментом уклонения от налогов на продажу и подоходного налога, которыми облагаются продажа и покупка золотых слитков и монет. Разумная экономия, устойчивость, ликвидность и простота приобретения делают GETF всё более и более популярным методом вложения средств в золото.

Сертификаты. Инвестор, желающий вложить деньги в золота, может вместо самих золотых слитков приобрести документы, подтверждающие его право на владение ими. Сертификаты золота позволяют их владельцам торговать этими ценными бумагами, не испытывая неудобств, связанных с транспортировкой самого золота. Многие противники сертификатов утверждают, что владение бумагой и владение металлом - совершенно разные вещи, в особенности во время войны, кризиса или кредитного краха. Сторонники же замечают, что в связи с большими трудностями в хранении и обеспечении безопасности некоторого количества золота, поддерживаемый правительством продукт представляет собой наиболее удобный и дешёвый выбор.

Счета. Большинство швейцарских банков предлагают счета золота, которые позволяют покупать и продавать золото как любую другую валюту. Цифровая золотая валюта, доступная на многих биржах, специализирующихся на торговле золотом, работает по такому же принципу. К примеру, предприятие GoldMoney предоставляет электронное золото с 2001 года. Счета обыкновенно подкрепляются неприсвоенными и присвоенными хранилищами золота. Различные виды счетов формируют различные уровни взаимодействия между клиентом и предприятием, от доверенности до ответственного хранения. Ответственным хранением называется легальное действие, когда клиент доверяет своё физическое имущество другому лицу для хранения в безопасности, и платит ему за это некоторую сумму.

Деривативы. Деривативы на золото, такие как форварды, фьючерсы и права на дополнительную квоту, находятся в широкой продаже и всегда доступны к приобретению на бирже во всём мире. В США деривативы на золото обыкновенно продаются на Нью-йоркской товарной бирже и Чикагской торговой палате. В ноябре 2006 года индийская товарная и деривативная биржа представила фьючерсы, эквивалентные 100 граммам золота.

Акции добывающих компаний. В этом случае вы не приобретаете золота вовсе, а покупаете акции золотодобывающих компаний. Если растёт цена на золото, в общем случае вырастают и доходы добывающей компании, а значит и вырастает цена акций. Однако, в таком вопросе следует учесть дополнительные факторы, и не всегда цена акций золотодобывающей компании возрастает с возрастанием цены золота. В отличие от золотых слитков, которые считаются отличным способом сохранения средств, незащищённые акции считаются очень рискованным и нестабильным приобретением. Изменчивость вызывается свойственным золотодобывающему сектору рычагам. К примеру, вы владеет акциями компании, стоимость производства одной унции для которой составляет $300, а цена продажи - $600. В таком случае размер прибыли компании составит $300. Рост цены на золото на рынке в 10% ($660) приведет к тому, что доходы компании возрастут до $360, то есть на 20%, а значит, в потенциале на 20% вырастет и цена одной акции. К сожалению, падение цены золота на 10% также приведёт к сокращению прибыли компании на 20%, а значит и уменьшению цены акции на 20%.

Сильное увеличение доходов с добычи золота во время роста цен на этот металл может спровоцировать золотую лихорадку в этой области.

Чтобы снизить эту изменчивость, многие золотодобывающие компании фиксируют цену на золото на период в 18 месяцев. Это позволяет и компании, и инвесторам стать менее уязвимыми к кратковременным ценовым флуктуациям, однако это и снижает прибыль, получаемую при росте цены на золото.

Анализ факторов, влияющих на цены драгоценных металлов. Для цены на золото характерна высокая изменчивость, она связана с рядом факторов. Например, существенное влияние на стоимость золота оказывает спрос ювелиров на этот драгоценный металл, и он постоянно растет. Также большую роль играет международная банковская система и национальные центральные банки. Они способны очень сильно повлиять на текущий спрос золота. Характерной тенденцией для развитых государств за последние пять лет, стало увеличение доли золотых слитков в золотовалютных резервах страны. К основным же факторам, влияющим на стоимость золота можно отнести:

. Объем поставок со стороны добывающих компаний: недостаточное предложение со стороны продавцов золота приводит к повышению его рыночной стоимости за счет неудовлетворенного спроса.

. Политические кризисы и природные катаклизмы в основных странах экспортерах: эти факторы могут повлиять на работу добывающих компаний, что приведет к сокращению поставок металла.

. Стоимость доллара США на валютном рынке: инвестиции в драгоценные металлы являются альтернативным видом вложений относительно инвестиций в валютные активы. При подорожании доллара цена золота уменьшается, так как инвесторы предпочитают вкладывать средства в более прибыльные активы. И, наоборот: при падении курса доллара цена золота растет, так как инвесторы переводят свой капитал в более надежные инструменты.

. Активность центральных банков крупных в экономическом отношении стран: пересмотр структуры золотовалютных резервов любой из крупных экономических держав может оказать сильное влияние на стоимость золота.

. Макроэкономическая ситуация в США и европейских странах (публикация основных экономических индикаторов): макроэкономические показатели отражают состояние экономики стран, поэтому влияют на валютные курсы, что в свою очередь отражается на цене на золото. В первую очередь смотрят на ситуацию в США и крупнейших европейских странах.

. Спрос на золото со стороны ювелиров и других частных потребителей: при растущем спросе цена на золото растет.

. Технические факторы и спекулятивная игра инвесторов: игра на слухах и ожиданиях относительно предыдущих факторов.

Другие факторы, влияющие на цену золота.

Остановимся на двух других факторах, которые обычно воспринимаются как влияющие на цену золота, а именно на продажах золота центральными банками и изменениях в спросе на ювелирные украшения.

Продажи Центробанков, включая американское министерство финансов и МВФ:

Центробанки владеют 30% МИ золота и поэтому имеют возможность влиять на кратко- и среднесрочную динамику цен на него. Фактические продажи за последние 20 лет были слишком малы, чтобы оказывать долгосрочное влияние на цены. По оценкам Всемирного золотого совета (World Gold Council), они распродавали свое золото со скоростью 250 тонн в год в 1990-е годы и 400 тонн в год в 2000-е годы. Это означает, что, сокращая свои запасы с большей скоростью Центробанки, тем не менее, не смогли значительно повлиять на цену золота.

Новости о продажах ЦБ имеют только краткосрочное влияние на цену.

Продажи ЦБ - это сокращение спроса у некоторых держателей МИ золота, но они одновременно могут привести к росту спроса на МИ золото. Ведь доверие к бумажной валюте падает, когда золото, «обеспечивающее» эту валюту, продается, и падает особенно сильно в тот период, когда валюта ослаблена по другим причинам. Что-то подобное произошло во второй половине 1970-х годов, когда за продажами золота американским казначейством последовал рост цен на него.

Монетарные махинации ЦБ (манипуляции процентными ставками, предложением денег и т.д.) имеют, куда большее влияние на долгосрочную цену золота, чем периодические покупки/продажи.

Изменения в спросе на ювелирные украшения:

Аналитики часто придают большое значение изменениям в спросе на ювелирные изделия. Утверждения, что ювелирный спрос составляет 60% общего спроса на золото. На самом деле они имеют в виду 60% нового золота (как свежей добычи, так и лома). Тем самым они игнорируют огромные существующие запасы золота.

В действительности изменения в ежегодном объеме спроса на ювелирные изделия еще менее значительны, чем изменения в объемах добычи.

1.4 Основы нейросетей и нейросетевого моделирования

Нейронные сети - это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека. А именно: способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.

Нейронная сеть или нервная система человека - это сложная сеть структур человека, обеспечивающая взаимосвязанное поведение всех систем организма.

Биологический нейрон - это специальная клетка, которая структурно состоит из ядра, тела клетки и отростков. Одной из ключевых задач нейрона является передача электрохимического импульса по всей нейронной сети через доступные связи с другими нейронами. Притом, каждая связь характеризуется некоторой величиной, называемой силой синаптической связи. Эта величина определяет, что произойдет с электрохимическим импульсом при передаче его другому нейрону: либо он усилится, либо он ослабится, либо останется неизменным[16].

Биологическая нейронная сеть обладает высокой степенью связности: на один нейрон может приходиться несколько тысяч связей с другими нейронами. Но, это приблизительное значение и в каждом конкретном случае оно разное. Передача импульсов от одного нейрона к другому порождает определенное возбуждение всей нейронной сети. Величина этого возбуждения определяет реакцию нейронной сети на какие-то входные сигналы. Например, встреча человека со старым знакомым может привести к сильному возбуждению нейронной сети, если с этим знакомым связаны какие-то яркие и приятные жизненные воспоминания. В свою очередь сильное возбуждение нейронной сети может привести к учащению сердцебиения, более частому морганию глаз и к другим реакциям. Встреча же с незнакомым человеком для нейронной сети пройдет практически незаметной, а значит и не вызовет каких-либо сильных реакций.

Можно привести следующую сильно упрощенную модель биологической нейронной сети:

Рис.1.1. Упрощенная модель биологической нейронной сети[17]

Каждый нейрон состоит из тела клетки, которое содержит ядро. От тела клетки ответвляется множество коротких волокон, называемых дендритами. Длинные дендриты называются аксонами. Аксоны растягиваются на большие расстояния, намного превышающее то, что показано в масштабе этого рисунка. Обычно аксоны имеют длину 1 см (что превышает в 100 раз диаметр тела клетки), но могут достигать и 1 метра[12].

В 60-80 годах XX века приоритетным направлением исследований в области искусственного интеллекта были экспертные системы.

Экспертные системы хорошо себя зарекомендовали, но только в узкоспециализированных областях. Для создания более универсальных интеллектуальных систем требовался другой подход. Наверное, это привело к тому, что исследователи искусственного интеллекта обратили внимание на биологические нейронные сети, которые лежат в основе человеческого мозга.

На этом сходство заканчивается. Структура человеческого мозга гораздо более сложная, чем описанная выше, и поэтому воспроизвести ее хотя бы более менее точно не представляется возможным.

У нейронных сетей много важных свойств, но ключевое из них - это способность к обучению. Обучение нейронной сети в первую очередь заключается в изменении «силы» синаптических связей между нейронами. Следующий пример наглядно это демонстрирует. В классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик. Собака достаточно быстро научилась ассоциировать звонок колокольчика с приемом пищи. Это явилось следствием того, что синаптические связи между участками головного мозга, ответственными за слух и слюнные железы, усилились. И в последующем возбуждение нейронной сети звуком колокольчика, стало приводить к более сильному слюноотделению у собаки[17].

На сегодняшний день нейронные сети являются одним из приоритетных направлений исследований в области искусственного интеллекта.

Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер. Он состоит из огромного числа структурных компонентов - нервных клеток, называемых также нейронами. Нейрон создает соединения с другими нейронами, количество которых может составлять от 10 до 100 000 в точках сопряжения. Сигналы, распространяемые по нейронной сети, управляют активностью мозга в течение короткого интервала, а также становятся причиной долговременных изменений состояния самих нейронов и их соединений.

Мозг человека обладает способностью организовывать работу нейронов, так, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие современные компьютеры. Примером такой задачи обработки информации может служить обычное зрение. В функции зрительной системы входит создание представления окружающего мира в таком виде, который обеспечивает возможность взаимодействия с этим миром. Более точно, мозг последовательно выполняет ряд задач распознавания (например, распознавание знакомого лица в незнакомом окружении). На это у него уходит около 100-200 миллисекунд, в то время как выполнение аналогичных задач даже меньшей сложности на компьютере может занять несколько дней.

Разработка искусственных нейронных сетей началась в начале ХХ века, но только в 90-х годах, когда вычислительные системы стали достаточно мощными, нейронные сети получили широкое распространение. Создание нейронных сетей было вызвано попытками понять принципы работы человеческого мозга и, без сомнения, это будет влиять и на дальнейшее их развитие. Однако в сравнении с человеческим мозгом нейронная сеть сегодня представляют собой весьма упрощенную модель, но несмотря на это весьма успешно используются при решении самых различных задач. Хотя решение на основе нейронных сетей может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей «обучается», а «не программируется»: сеть учиться выполнять задачу, а не программируется непосредственно[16].

Мозг и цифровой компьютер выполняют совершенно разные задачи и имеют различные свойства. В типичном мозгу человека имеется в 1000 раз больше нейронов, чем логических элементов в процессоре типичного компьютера высокого класса. Микросхемы компьютера способны выполнить отдельную команду меньше чем за наносекунду, тогда как нейроны действуют в миллионы раз медленнее. Но мозг сторицей восполняет этот свой недостаток, поскольку все его нейроны действуют одновременно, тогда как большинство современных компьютеров имеет только один процессор (но с несколькими ядрами) или небольшое количество процессоров. Таким образом, даже, несмотря на то, что компьютер обладает преимуществом более чем в миллион раз в физической скорости переключения, оказывается, что мозг по сравнению с ним выполняет все свои действия примерно в 100 000 раз быстрее.

Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который соответствует анатомии мозга. Даже при таком поверхностном сходстве, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные[16].

Несмотря на такое функциональное сходство, даже самый оптимистичный их защитник не предположит, что в скором будущем искусственные нейронные сети будут дублировать функции человеческого мозга. Однако равным образом было бы неверным игнорировать удивительное сходство в функционировании некоторых нейронных сетей с человеческим мозгом. Эти возможности, как бы они ни были ограничены сегодня, наводят на мысль, что глубокое проникновение в человеческий интеллект, а также множество революционных приложений, могут быть не за горами.

Итак, рассмотрим некоторые свойства нейронных сетей.

. Обучение. Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами. Все еще существуют проблемы относительно того, чему сеть может обучиться и как обучение должно проводиться.

. Обобщение. Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознавания образов в реальном мире. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных программ.

. Абстрагирование. Некоторые из искусственных нейронных сетей обладают способностью извлекать сущность из входных сигналов. Например, сеть может быть обучена на последовательности искаженных версий буквы «А». После соответствующего обучения предъявление такого искаженного примера приведет к тому, что сеть породит букву совершенной формы (в данном случае букву «А»). В некотором смысле она научится порождать то, что никогда не видела. Способность извлекать идеальные прототипы является для людей весьма ценным качеством.

. Применимость. Искусственные нейронные сети не являются панацеей. Они, очевидно, не пригодны для выполнения таких задач, как начисление заработной платы, однако они незаменимы в большом классе других задач, с которыми плохо или вообще не справляются обычные вычислительные системы[12].

Таким образом, нейронные сети имеют ряд преимуществ перед традиционными вычислительными системами. Приведем некоторые наиболее важные из них.

. Решение задач при неизвестных закономерностях. Используя способность обучения на множестве примеров, нейронная сеть способна решать задачи, в которых неизвестны закономерности развития ситуации и зависимости между входными и выходными данными. Традиционные математические методы и экспертные системы в таких случаях неприменимы.

. Устойчивость к шумам во входных данных. Возможность работы при наличии большого числа неинформативных, шумовых входных сигналов. Нет необходимости делать их предварительный отсев, нейронная сеть сама определит их малопригодность для решения задачи и отбросит их.

. Адаптирование к изменениям окружающей среды. Нейронные сети обладают способностью адаптироваться к изменениям окружающей среды. В частности, нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров среды. Более того, для работы в нестационарной среде (где статистика изменяется с течением времени) могут быть созданы нейронные сети, переучивающиеся в реальном времени. Чем выше адаптивные способности системы, тем более устойчивой будет ее работа в нестационарной среде. При этом следует заметить, что адаптивность не всегда ведет к устойчивости; иногда она приводит к совершенно противоположному результату. Например, адаптивная система с параметрами, быстро изменяющимися во времени, может также быстро реагировать и на посторонние возбуждения, что вызовет потерю производительности. Для того чтобы использовать все достоинства адаптивности, основные параметры системы должны быть достаточно стабильными, чтобы можно было не учитывать внешние помехи, и достаточно гибкими, чтобы обеспечить реакцию на существенные изменения среды.

. Потенциальное сверхвысокое быстродействие. Нейронные сети обладают потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации.

. Отказоустойчивость при аппаратной реализации нейронной сети. Нейронные сети потенциально отказоустойчивы. Это значит, что при неблагоприятных условиях их производительность падает незначительно. Например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно[18].

Нейронные сети могут быть классифицированы по ряду признаков.

Классификация нейронных сетей по характеру обучения делит их на:

·нейронные сети, использующие обучение с учителем;

·нейронные сети, использующие обучение без учителя.

Рассмотрим их подробнее.

В нейронных сетях, использующих обучение с учителем, для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Далее веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого уровня.

Обучение нейросети без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Развитая Кохоненом и его последователями, она не нуждается в целевом векторе для выходов и, следовательно, не требует сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы.

По методу настройки весов нейронные сети делятся на:

·сети с фиксированными связями - весовые коэффициенты нейронной сети выбираются сразу, исходя из условий задачи;

·сети с динамическими связями - для них в процессе обучения происходит настройка синаптических весов.

По типу входной информации нейросети классифицируются на:

·сети с аналоговой входной информацией - входная информация представлена в форме действительных чисел;

·сети с двоичной входной информацией - вся входная информация в таких сетях представляется в виде нулей и единиц.

В зависимости от применяемой модели нейронной сети, нейросети можно разделить на четыре класса: сети прямого распространения, реккурентные сети, радиально базисные функции и самоорганизующиеся карты или Сети Кохонена.

В сетях прямого распространения все связи направлены строго от входных нейронов к выходным. К таким сетям относятся, например: простейший персептрон (разработанный Розенблаттом) и многослойный персептрон.

В реккурентных нейросетях сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя.

Радиально базисные функции - вид нейронной сети, имеющий скрытый слой из радиальных элементов и выходной слой из линейных элементов. Сети этого типа довольно компактны и быстро обучаются. Предложены в работах Broomhead and Lowe (1988) и Moody and Darkin (1989). Радиально базисная сеть обладает следующими особенностями: один скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию и синаптические веса входного и скрытого слоев равны единице.

Самоорганизующиеся карты или Сети Кохонена - такой класс сетей, как правило, обучается без учителя и успешно применяется в задачах распознавания. Сети такого класса способны выявлять новизну во входных данных: если после обучения сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну. Сеть Кохонена имеет всего два слоя: входной и выходной, составленный из радиальных элементов.

Нейрон представляет собой единицу обработки информации в нейронной сети. На рисунке ниже приведена модель нейрона, лежащего в основе искусственных нейронных сетей.

Рис.1.2. Модель нейрона

В этой модели нейрона можно выделить три основных элемента:

·синапсы, каждый из которых характеризуется своим весом или силой. Они осуществляют связь между нейронами, умножают входной сигнал на весовой коэффициент синапса , характеризующий силу синаптической связи;

·сумматор, аналог тела клетки нейрона. Выполняет сложение внешних входных сигналов или сигналов, поступающих по синаптическим связям от других нейронов. Определяет уровень возбуждения нейрона;

функция активации, определяет окончательный выходной уровень нейрона, с которым сигнал возбуждения (торможения) поступает на синапсы следующих нейронов[12]. Наиболее часто используются следующие функции активации.

. Единичный скачок или жесткая пороговая функция. Простая кусочно-линейная функция. Если входное значение меньше порогового, то значение функции активации равно минимальному допустимому, иначе - максимально допустимому.

Рис.1.3. Жесткая пороговая активационная функция

. Линейный порог или гистерезис. Несложная кусочно-линейная функция. Имеет два линейных участка, где функция активации тождественно равна минимально допустимому и максимально допустимому значению и есть участок, на котором функция строго монотонно возрастает.

Рис.1.4. Линейная пороговая активационная функция

. Сигмоидальная функция или сигмоид. Монотонно возрастающая всюду дифференцируемая S-образная нелинейная функция с насыщением. Сигмоид позволяет усиливать слабые сигналы и не насыщаться от сильных сигналов.

Примером сигмоидальной функции активации может служить логистическая функция, задаваемая следующим выражением: , где - параметр наклона сигмоидальной функции активации. Изменяя этот параметр, можно построить функции с различной крутизной.

Рис.1.5. .Логистическая активационная функция

Следует отметить, что функции активации типа единичного скачка и линейного порога встречаются очень редко и, как правило, используются на учебных примерах. В практических задач почти всегда применяется сигмоидальная функция активации[14].

Модель нейрона имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, пропорциональный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта модель нейрона. Здесь множество входных сигналов, обозначенных , , … поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором , соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес , , … и поступает на суммирующий блок, обозначенный . Каждый вес соответствует «силе» одной биологической синаптической связи. Множество весов в совокупности обозначается вектором . Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход . Далее поступает на вход функции активации, определяя окончательный сигнал возбуждения или торможения нейрона на выходе. Этот сигнал поступает на синапсы следующих нейронов и т.д.

Рассмотренная простая модель нейрона игнорирует многие свойства своего биологического двойника. Например, она не принимает во внимание задержки во времени, которые воздействуют на динамику системы. Входные сигналы сразу же порождают выходной сигнал. И, что более важно, данная модель нейрона не учитывает воздействий функции частотной модуляции или синхронизирующей функции биологического нейрона, которые ряд исследователей считают решающими.

Несмотря на эти ограничения, сети, построенные на основе этой модели нейрона, обнаруживают свойства, сильно напоминающие биологическую систему. Только время и исследования смогут ответить на вопрос, являются ли подобные совпадения случайными или следствием того, что именно в этой модели нейрона, верно схвачены важнейшие черты биологического прототипа.

Вероятно, архитектура многослойных нейронных сетей используется сейчас наиболее часто. Она была предложена в работе Rumelhart, McClelland в 1986 году и подробно обсуждается почти во всех учебниках по нейронным сетям. Многослойными персептронами называют многослойные нейронные сети прямого распространения. Входной сигнал в таких сетях распространяется в прямом направлении, от слоя к слою. Многослойный персептрон в общем представлении состоит из следующих элементов:

·множества входных узлов, которые образуют входной слой;

·одного или нескольких скрытых слоев вычислительных нейронов;

·одного выходного слоя нейронов.

Многослойный персептрон представляет собой обобщение однослойного персептрона Розенблатта. Примером многослойного персептрона является следующая модель нейронной сети:

Рис.1.6. Пример двухслойного персептрона

Количество входных и выходных элементов в многослойном персептроне определяется условиями задачи. Сомнения могут возникнуть в отношении того, какие входные значения использовать, а какие нет. Вопрос о том, сколько использовать промежуточных слоев и элементов в них, пока совершенно неясен. В качестве начального приближения можно взять один промежуточный слой, а число элементов в нем определить по формуле Арнольда-Колмогорова-Хехт-Нельсова: , где - размерность выходного сигнала, - число элементов множества обучающих примеров, - необходимое число синаптических связей, - размерность входного сигнала. Оценив с помощью этой формулы необходимое число синаптических связей , можно рассчитать необходимое число нейронов в скрытых слоях. Так, число нейронов скрытого слоя двухслойного персептрона будет равно .

Многослойные персептроны успешно применяются для решения разнообразных сложных задач и имеют три следующих отличительных свойства.

1.Каждый нейрон сети имеет нелинейную функцию активации. Важно подчеркнуть, что такая нелинейная функция должна быть гладкой (т.е. всюду дифференцируемой), в отличие от жесткой пороговой функции, используемой в персептроне Розенблатта. Самой популярной формой функции, удовлетворяющей этому требованию, является сигмоидальная. Наличие нелинейности играет очень важную роль, так как в противном случае отображение «вход-выход» сети можно свести к обычному однослойному персептрону.

2.Несколько скрытых слоев. Многослойный персептрон содержит один или несколько слоев скрытых нейронов, не являющихся частью входа или выхода сети. Эти нейроны позволяют сети обучаться решению сложных задач, последовательно извлекая наиболее важные признаки из входного образа.

.Высокая связность. Многослойный персептрон обладает высокой степенью связности, реализуемой посредством синаптических соединений. Изменение уровня связности сети требует изменения множества синаптических соединений или их весовых коэффициентов.

Комбинация всех этих свойств наряду со способностью к обучению на собственном опыте обеспечивает вычислительную мощность многослойного персептрона. Однако эти же качества являются причиной неполноты современных знаний о поведении такого рода сетей: распределенная форма нелинейности и высокая связность сети существенно усложняют теоретический анализ многослойного персептрона.

Алгоритм обратного распространения ошибки является одним из самых эффективных методов обучения многослойных персептронов. Обучение алгоритмом обратного распространения ошибки предполагает два прохода по всем слоям сети: прямого и обратного. При прямом проходе входной вектор подается на входной слой нейронной сети, после чего распространяется по сети от слоя к слою. В результате генерируется набор выходных сигналов, который и является фактической реакцией сети на данный входной образ. Во время прямого прохода все синаптические веса сети фиксированы. Во время обратного прохода все синаптические веса настраиваются в соответствии с правилом коррекции ошибок, а именно: фактический выход сети вычитается из желаемого, в результате чего формируется сигнал ошибки. Этот сигнал впоследствии распространяется по сети в направлении, обратном направлению синаптических связей. Отсюда и название - алгоритм обратного распространения ошибки[16].

Целью обучения сети алгоритмом обратного распространения ошибки является такая подстройка ее весов, чтобы приложение некоторого множества входов приводило к требуемому множеству выходов. Для краткости эти множества входов и выходов будут называться векторами. При обучении предполагается, что для каждого входного вектора существует парный ему целевой вектор, задающий требуемый выход. Вместе они называются обучающей парой. Сеть обучается на многих парах.

Таким образом, алгоритм обратного распространения ошибки следующий:

1.Инициализировать синаптические веса небольшими случайными значениями.

2.Выбрать очередную обучающую пару из обучающего множества; подать входной вектор на вход сети.

3.Вычислить выход сети.

4.Вычислить разность между выходом сети и требуемым выходом (целевым вектором обучающей пары).

.Подкорректировать веса сети для минимизации ошибки.

.Повторять шаги с 2 по 5 для каждого вектора обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемого уровня.

Алгоритм обратного распространения ошибки осуществляет так называемый градиентный спуск по поверхности ошибок. Не углубляясь, это означает следующее: в данной точке поверхности находится направление скорейшего спуска, затем делается прыжок вниз на расстояние, пропорциональное коэффициенту скорости обучения и крутизне склона, при этом учитывается инерция, то есть стремление сохранить прежнее направление движения. Можно сказать, что метод ведет себя как слепой кенгуру - каждый раз прыгает в направлении, которое кажется ему наилучшим. На самом деле шаг спуска вычисляется отдельно для всех обучающих наблюдений, взятых в случайном порядке, но в результате получается достаточно хорошая аппроксимация спуска по совокупной поверхности ошибок.

Несмотря на достаточную простоту и применимость в решении большого круга задач, алгоритм обратного распространения ошибки имеет ряд серьезных недостатков. Отдельно стоит отметить неопределенно долгий процесс обучения. В сложных задачах для обучения сети могут потребоваться дни или даже недели, а иногда она может и вообще не обучиться. Это может произойти из-за следующих нижеописанных факторов.

1. Паралич сети. В процессе обучения сети, значения весов могут в результате коррекции стать очень большими величинами. Это может привести к тому, что все или большинство нейронов будут выдавать на выходе сети большие значения, где производная функции активации от них будет очень мала. Так как посылаемая обратно в процессе обучения ошибка пропорциональна этой производной, то процесс обучения может практически замереть. В теоретическом отношении эта проблема плохо изучена. Обычно этого избегают уменьшением размера шага (скорости обучения), но это увеличивает время обучения. Различные эвристики использовались для предохранения от паралича или для восстановления после него, но пока что они могут рассматриваться лишь как экспериментальные.

. Локальные минимумы. Как говорилось вначале, алгоритм обратного распространения ошибки использует разновидность градиентного спуска, т. е. осуществляет спуск вниз по поверхности ошибки, непрерывно подстраивая веса в направлении к минимуму. Поверхность ошибки сложной сети сильно изрезана и состоит из холмов, долин, складок и оврагов в пространстве высокой размерности. Сеть может попасть в локальный минимум (неглубокую долину), когда рядом имеется более глубокий минимум. В точке локального минимума все направления ведут вверх, и сеть неспособна из него выбраться. Статистические методы обучения могут помочь избежать этой ловушки, но они медленны.

. Размер шага. Алгоритм обратного распространения ошибки имеет доказательство своей сходимости. Это доказательство основывается на том, что коррекция весов предполагается бесконечно малой. Ясно, что это неосуществимо на практике, так как ведет к бесконечному времени обучения. Размер шага должен браться конечным, и в этом вопросе приходится опираться только на опыт. Если размер шага очень мал, то сходимость слишком медленная, если же очень велик, то может возникнуть паралич или постоянная неустойчивость.

. Временная неустойчивость. Если сеть учится распознавать буквы, то нет смысла учить «Б», если при этом забывается «А». Процесс обучения должен быть таким, чтобы сеть обучалась на всем обучающем множестве без пропусков того, что уже выучено. В доказательстве сходимости это условие выполнено, но требуется также, чтобы сети предъявлялись все векторы обучающего множества прежде, чем выполняется коррекция весов. Необходимые изменения весов должны вычисляться на всем множестве, а это требует дополнительной памяти; после ряда таких обучающих циклов веса сойдутся к минимальной ошибке. Этот метод может оказаться бесполезным, если сеть находится в постоянно меняющейся внешней среде, так что второй раз один и тот же вектор может уже не повториться. В этом случае процесс обучения может никогда не сойтись. В этом смысле алгоритм обратного распространения ошибки не похож на биологические системы.

Глава 2. Прогнозирование цен на рынке драгоценных металлов с помощью нейронных сетей

2.1 Сбор данных для проектирования нейросети

Для прогнозирования цены золота, использовался метод нейросетевого моделирования. Этот метод позволяет решать задачи, для которых еще не существует строго формализованных или работающих с приемлемой точностью алгоритмов, а также для задач с неполной или плохо определенной информацией.

Нейросетевая модель была создана при помощи специальной программы «Нейросимулятор 3.0»[10], которая представляет собой полноценный симулятор полносвязных нейронных сетей. Нейросимулятор обладает простым, понятным, настраиваемым, удобным интерфейсом. Каждое действие снабжено пиктограммой и кратким пояснением. При задании структуры сети она в реальном времени отображается в графическом виде. Каждая функция активации снабжена окном конфигурации, на котором приводиться её формула, график. В этом же окне можно настроить параметры функции, при их наличии. Это же относится к функциям начальной инициализации весов и к функциям предобработки данных. В программе также присутствуют средства автоматизированного анализа данных, такие как: определение значимости параметров и обнаружение выбросов в обучающей выборке[19].

В рамках модели рассматриваются цена золота за 3 месяца. Нейросети обучаются по некоторому набору примеров из предметной области с известными входными и выходными параметрами - обучающей выборке.

Обучающая выборка была составлена на основе данных, взятых на официальных сайтах ЦБ[13] и инвестиционного фонда[15]. В нее были включены такие основополагающие показатели, как индексы Dow Jones, S&P500, RTS, ММВБ, FTSE100, Nasdaq Composite. Цены на нефть марки Brent, доллар и евро. Инфляция, ставка рефинансирования, динамика роста курсов доллара и евро, цены предыдущего дня на золото. Таким образом, цену золота в обучающей выборке отражают 15 показателей.

Таблица 1. Описание входных и выходных параметров

Х1День недели (1 - понедельник, 2 - вторник… 5 - пятница)Х2Цена золотаХ3Курс доллараХ4Цена нефти марки BrentХ5Ставка рефинансированияХ6Индекс ММВБХ7Индекс RTSХ8Индекс Dou JonesХ9Индекс S&P500Х10Индекс FTSE_100Х11Курс евроХ12Динамика роста доллара(1 - есть рост, 0 - нет роста)Х13Динамика роста евро(1 - есть рост, 0 - нет роста)Х14Индекс Nasdaq CompositeХ15ИнфляцияY1Цена золота на следующий день

Разработанная нейросетевая модель имеет один выходной параметр - цена золота на следующий день - его и должна спрогнозировать обученная нейросеть.

В обучающую выборку вошло 56 примеров (приложение 1), что является достаточным количеством для довольно успешного обучения нейросети. После того как сформирована обучающая выборка, можно переходить непосредственно к проектированию сеть и ее обучению.

2.2 Проектирование нейросети

Уже известно количество входных и выходных параметров - 15 и 1 соответственно, осталось определить количество скрытых слоев и число нейронов в каждом из них.

Как уже было сказано в предыдущей главе, изначально можно взять один промежуточный слой, а число элементов в нем определить по формуле Арнольда-Колмогорова - Хехт-Нельсона:

где - размерность выходного сигнала, - число элементов множества обучающих примеров, - необходимое число синаптических связей, - размерность входного сигнала. Сделав необходимые вычисления, можно заключить, что необходимое число синаптических связей находится в диапазоне . Необходимое количество нейронов в скрытом слое определяется по формуле: . Таким образом, число нейронов в скрытом слое будет в диапазоне . Исследуем весь диапазон и выберем то количество нейронов на скрытом слое, при котором ошибка обучения будет меньше. Возьмем для начала 6 нейронов на скрытом слое.

Осталось выбрать активационные функции для каждого слоя. Нейроны входного и выходного слоя отвечают только за ввод и вывод данных, их функции можно оставить линейными. Основная расчетная нагрузка ложится на нейроны скрытого слоя, поэтому его активационную функцию следует сделать сигмоидной.

Рис.2.1. Проектирование сети в «Нейросимуляторе 3.0»

Таким образом, первоначальное проектирование сети завершено, и можно приступать к его обучению.

2.3 Обучение и тестирование нейросети

Обучение. С помощью специальной кнопки «Загрузить данные из файла Excel» загружаем обучающую выборку из соответствующего файла. Необходимо проследить, чтобы количество столбцов в таблице Excel строго совпадало с числом нейронов на входном и выходном слое. В данном случае это число должно быть равным 16 (15 нейронов на входе, 1 - на выходе).

Далее необходимо выбрать алгоритм обучения сети. Для многослойного персептрона более всего подходит алгоритм обратного распространения ошибки. Данный алгоритм имеет ряд недостатков, описанных в предыдущей главе. Чтобы их избежать, нужно серьезно подходить к выбору скорости обучения и количества эпох - полных циклов предъявления полного набора примеров обучения.

При очень маленьких значениях скорости обучение нейронной сети будет проходить медленно. При очень больших ее значениях возникает вероятность того, что в момент достижения минимума функции ошибки нейронная сеть не сможет попасть в этот минимум и будет бесконечно долго «прыгать» справа и слева от него, производя перерасчеты весовых коэффициентов. Становится очевидным, что динамическое управление величиной скорости обучения может серьезно повысить эффективность обучения нейронной сети методом обратного распространения ошибки.

Рис.2.2. Обучение сети в «Нейросимуляторе 3.0»

Присвоение скорости большего значения в момент начала обучения позволит получить более быстрое приближение к области, где находится оптимальное множество весовых коэффициентов.

Таким образом, сначала нужно задать достаточно высокую скорость обучения. Зададим скорость обучения - 0,1 и количество эпох - 5000.

Теперь, когда загружена обучающая выборка и заданы параметры обучения, можно начать обучение. После того как сеть обучилась, на экране появится график обучения.

Рис.2.3. График обучения сети

После обучения, посмотрим на значимость параметров. Как видно из следующего рисунка 2.4, наиболее значимый параметр для обучаемой сети - это курс доллара().

Рис.2.4. Значимость входных параметров для обучаемой сети

Тестироваие. На этом этапе можно рассчитать максимальную ошибку обучения, скопировав с помощью специальной функции примеры из обучающего множества. В данном случае ошибка составила 1,03 %.

Рис.2.5. Расчет максимальной ошибки обучения

Рассчитаем также максимальную ошибку обобщения, загрузив на вкладку «Проверка» тестирующее множество (приложение 2), не вошедших в обучающую выборку. Ошибка обобщения составила 2,47%.

Рис.2.6. Расчет максимальной ошибки обобщения

2.4 Оптимизация нейросети

После того как произвели первоначальное проектирование сети нужно оптимизировать ее для лучшего получения результата при прогнозировании. Для начала исследуем весь диапазон нейронов на скрытом слое.

В таблице 2 показаны итоги исследований всего диапазона нейронов на скрытом слое.

Таблица 2

Количество нейронов на скрытом слоеОшибка обученияОшибка обобщения61,03%2,47%50,79%0,89%41,61%1,91%30,86%2,03%21,66%1,01%11,61%0,90%

Для дальнейшего прогнозирования возьмем 5 нейронов на скрытом слое, так как при таком количестве нейронов ошибка обучения наименьшая.

Теперь увеличим количество эпох до 8000, и обучим сеть заново.

Рис.2.7. График обучения сети

После того как сеть обучилась ошибки обучения и обобщения уменьшились с 0,79% и 0,89% до 0,47% и 0,77% соответственно, что позволяет более точно спрогнозировать цену золота.

Рис. 2.8. Ошибка обучения

Рис.2.9. Ошибка обобщения

Рис.2.10. Значимость параметров

Из рисунка 2.10 следует, что самыми значимыми параметрами являются Х2(цена золота на предыдущий день), Х3(курс доллара), Х4(цена нефти), Х11(курс евро). Если мы удалим наименее значимые параметры, то ошибка возрастет, следовательно, их надо оставить.

Исследуем влияние значимых параметров на цену золота. Для этого сначала будем уменьшать значение параметра, а потом увеличивать, и увидим, как влияет параметр на цену. Результаты показали, что при увеличении курса доллара цена золота падает, а при уменьшении - возрастает (Рис.2.11). При увеличении цены нефти цена золота увеличивается, а при уменьшении - уменьшается (Рис.2.12). При увеличении курса евро цена золота увеличивается, а при уменьшении - уменьшается (Рис.2.13).

Рис.2.11. Влияние курса доллара на цену золота

Рис.2.12. Влияние цена нефти на цену золота

Рис.2.13. Влияние курса евро на цену золота

В программе «Нейросимулятор 3.0» существует возможность рассчитывать результат для данных, не вошедших в обучающую выборку - этим и должен заниматься обученный персептрон - для этого нужно перейти на вкладку «Вычисления». Но у неподготовленного пользователя могут возникнуть проблемы с вводом параметров и анализом рассчитанного персептроном результата. Поэтому для этой программы был разработан понятный интерфейс.

Рис.2.14. Главная форма интерфейса

Пользователь последовательно вводит входные параметры для нейросети. Уже введенные параметры выделяются зеленым цветом, оставшиеся - красным. В каждой стоке ввода предусмотрены подсказки, например, «Курс доллара, вводится в рублях за доллар», так что у пользователя не должно возникнуть особых проблем с заполнением данной формы.

Внизу формы показывается процент заполнения, и пользователь не может случайно пропустить какую-либо строку. После того как заполнены все строки, необходимо нажать на кнопку «Далее».

Рис.2.15. Форма интерфейса для вывода

Таким образом, сконструированная нейросетевая модель достаточно успешно обучилась и может использоваться в качестве определения цены золота на следующий день.

Глава 3. Расчет экономической эффективности

.1 Расчет себестоимости программы

Расчет экономической эффективности разработки информационной системы прогнозирования цены золота включает:

1.Определение количества затраченного времени на проектирование и разработку информационной системы;

2.Расчет экономических затрат на разработку информационной системы;

.Определение приблизительной стоимости разработанной информационной системы.

.Срок окупаемости при продаже данной информационной системы. Определим объем затраченного времени на разработку информационной системы.

При реализации нейросети тратится значительное количество времени на сбор данных для ее проектирования. Объем затраченного времени для проектирования данной нейросети составил 8 рабочих недель по 4 часа в день.

На этапе проектирования и разработки решались следующие задачи:

1.Сбор данных в программе «MS Excel» с официального сайта ЦБ: такие как индексы Dow Jones, S&P500, RTS, ММВБ, FTSE100, Nasdaq Composite. Цены на доллар, евро, нефть марки Brent. Инфляция, ставка рефинансирования.

2.Подготовка собранных данных в программе «MS Excel» (формирование в сводные таблицы, создание выборки для обучения сети), для ввода в программу «Нейросимулятор 3.0».

.Разработка интерфейса для конечного пользователя информационной системы

В целом разработка информационной системы заняла 11 рабочих недель по 4 часа в день:

·сбор и обработка данных: 7 нед. Ч 5 дней Ч 4 ч. = 140 ч.

·обучение нейросети: 2 нед. Ч 5 дней Ч 4 ч. = 40 ч.

·разработка интерфейса: 2 нед. Ч 5 дней Ч 4ч. = 40 ч.

Итого в сумме объем затраченного времени на разработку информационной системы составил 220 часов.

Далее произведем расчет экономических затрат на разработку системы.

Затраты на разработку информационной системы включают в себя:

. Определение себестоимости программного продукта:

Себестоимость программного продукта (Зтр) рассчитывается по следующей формуле:

ЧСi - часовая ставка i-го работника (руб./ч.);

Тi - время разработки проекта (ч);

i - категория работника;

n - количество работников, занятых разработкой проекта.

Общее время работы разработчика нейросети Ti определили ранее, 220 часов.

Среднечасовая заработная плата разработчика рассчитывается по формуле:

ЗПi - среднемесячная заработная плата разработчика проекта.

ФРВi - среднемесячный фонд рабочего времени.

Среднемесячная заработная плата начинающего программиста составляет 12 000 рублей.

Среднемесячный фонд рабочего времени берется = 100 часов.

Таким образом, стоимость одного часа работы программиста, равна:

ЧС = 12 000руб./100ч.=120руб.

Затраты на оплату труда каждого работника приведены в таблице 1.

Таблица 3. Затраты на оплату труда

Категория работникаКвалификация работникаВремя разработки нейросети (час)Часовая ставка(руб/ч.)Сумма (руб.)Разработчик нейросетиПрограммист220120.026 400Итого26 400

Таким образом, общая сумма затрат на разработку продукта, рассчитанная по формуле, равна: Зтр = 26 400 рублей.

2.Амортизация

Так как оборудование уже имеется в наличии, рассчитаем годовую сумму амортизационных отчислений.

Годовая сумма амортизационных отчислений рассчитывается по формуле:

Ф - первоначальная стоимость основных фондов по видам, в руб.

Nа - норма амортизации основных фондов по видам, в %

ТNi - возможный срок использования оборудования. Возьмем за возможный срок использования гарантийный срок оборудования, равный 5 лет.

Таблица 4. Затраты на амортизационные отчисления

Элементы основных фондовКол-воСтоимость, руб./ ед.измНорма амортизации, %Амортизационные отчисления, руб.Системный блок1 шт.12300202460Монитор1 шт.5000201000Итого3460

Таким образом, годовая сумма амортизационных отчислений составляет 3460 рублей.

Рассчитаем сумму амортизационных отчислений оборудования и помещения за период разработки нейросети:

Агод - годовая сумма амортизационных отчислений

Тфакт - фактический объем затраченных часов

N - количество рабочих часов в году, равный 1981 час. (8 час. x 245 дней + 7 час. x 3 дня);

Следовательно, сумма амортизационных отчислений, по формуле 2 составляет

Афакт= (3460*240)/1981 = 420 рублей

3. Затраты на электроэнергию

Таблица 5. Затраты на электроэнергию.

Наименование оборудованияПаспортная мощность, кВтКол-во, штВремя работы оборудования на разработку нейросети, чЦена электроэнергии, руб./кВт*чСумма, руб.Системный блок0,512402,49298,8Монитор0,312402,49179,3Лампы освещения0,622402,49717Итого:1195,1

4. Общие хозяйственные расходы.

В прочие затраты отнесем оплату на Интернет, канцтовары, диски, бумага, чернила что составит примерно 800 рублей.

Таблица 6. Итоговая таблица статей затрат.

Статья затратСумма, руб.затраты на оплату труда26 400амортизационные отчисления основных фондов420затраты на электроэнергию1195,1иные затраты800Итого:28815,1

Затраты на разработку нейросетевой системы составили 28815,1 рублей.

3.2 Определение цены и срока окупаемости программного продукта

Процент рентабельности (условно) - 25% ,

Прибыль рассчитывается по формуле:

П =,

где Сполн - себестоимость

Р - процент рентабельности

П = = 7203,8руб.

Цена программного продукта равна сумме полной себестоимости и прибыли:

Ц = Сполн + П

Ц =28815,1+ 7 203,8 = 36018,9руб.

Цена программного продукта с НДС:

НДС =

НДС = = 6483,4руб.

Цена = 36018,9 + 6483,4 = 42502,3руб.

Таким образом, стоимость программного продукта составляет 42503рублей.

Окупаемость программного продукта.

Эта программа сделана на заказ. В роли заказчика выступает частное лицо. Посчитаем выгоду от использования этой программы за год.

Возьмем динамику курса золота за прошлый год. Допустим, у заказчика есть 150 000руб. Проведем расчет: посчитаем прибыль, которую заказчик получит при использовании программы, при 100% попадании в локальные минимумы и максимумы.

Рис.3.1. График цены золота за 2010 год

На рисунке 3.1 показаны моменты покупки (красные точки) и продажи (синие точки) золота.

В точке 1 покупаем золото за 1030,7руб./гр. на 150 000руб. и получаем 145,5гр. золота, потом это количество золота в точке 2 продаем за 1088,77руб./гр. и получаем 158 416руб. и так далее.

) 150 000руб. / 1 030,7 руб./гр. = 145,5гр.

) 145,5гр. * 1 088,77руб./гр. = 158 416руб.

) 158 416руб. / 1 041,9руб./гр. = 152гр.

) 152 гр.. * 1 241,41руб./гр. = 188 694,3руб.

) 188 694,3руб. / 1 133,58руб./гр. = 166,5гр.

) 166,5гр. * 1 333,89руб./гр. = 222 092,7руб.

) 222 092,7руб. / 1 293,31руб./гр. = 177,7гр.

) 177,7гр. * 1 398,94руб./гр. = 240 198руб.

Полученная прибыль с использованием программы составляет:

198руб. - 150 000руб. = 90 198руб.

Учитывая погрешность программы, точность прогнозирования будет 95%. Следовательно, прибыль заказчика станет 90 198руб. * 0.95 = 85 688руб.

Рассчитаем срок окупаемости программы:

Чистая прибыль составит 85 688руб. - 42 503руб. = 43185руб. следовательно, для заказчика эта программа экономически эффективна. Экономическая эффективность = 1/(срок окупаемости) = 2.

Заключение

В заключение хочется отметить, что формирование рыночной цены золота - многофакторный процесс: она колеблется в зависимости от экономических, политических, спекулятивных факторов. В их числе: экономическая и политическая обстановка, объем промышленного потребления золота и инвестиционно-тезаврационного спроса, инфляция, колебания ведущих валют и процентных ставок, распространение альтернативных золоту финансовых инструментов, используемых для страхования рисков.

Результаты применения нейронных сетей для решения задач прогнозирования в данной работе показали, что система может быть обучена так, чтобы выполнять прогнозирование цены золота. Можно заключить, что работа по созданию собственной автоматизированной системы прогнозирования имеет перспективы.

Сегодня многие крупные фирмы и частные лица имеют собственные разработки в области технологий прогнозирования с использованием ИНС, но они не торопятся обнародовать их, предпочитая получать доход от непосредственного использования своих систем.

Данная работа, посвященная использованию нейронных сетей, для решения задачи прогнозирования цены золота, показала хорошие результаты. Прогноз основывался на различных показателях таких как: индексы Dow Jones, S&P500, RTS, ММВБ, FTSE100, Nasdaq Composite. Цены на доллар, евро, нефть марки Brent, инфляция, ставка рефинансирования.

Анализ показателей позволил сделать вывод, что наибольшее значение играют следующие факторы: цена золота на предыдущий день, курс доллара, цена нефти, курс евро. Наименьшее значение оказали факторы, такие как день недели, RTS, S&P500.

При анализируемых 15 факторах различного характера, оптимальной оказалась сеть с одним скрытым слоем (5 нейронов). При такой архитектуре достигается оптимизация ошибок обучения и обобщения. Максимальная ошибка прогноза составляет 0,77%.

Цель данной работы исследование и разработка информационной системы в области прогнозирования цены золота с использованием искусственных нейросетей была достигнута. Все поставленные задачи были выполнены.

Литература

.Архипов В.Я. Мировой рынок золота и его перспективы.- М.: Финансы. - 2007. - 69-71с.;

2.Балабанов И.Т. Драгоценные металлы и драгоценные камни: операции на российском рынке. - М.: Финансы и статистика. - 2006. - 288 с.

.Борисов С.М. Мировой рынок золота: новый этап развития. Мировые лидеры, страны-экспортеры // Деньги и кредит. - 2004 №8, с. 32-41.

4.Борисов С.М. Трансформация мирового рынка золота //Деньги и кредит. - 2003 №1, с. 57-64.

.Борисов, С.М. Цена золота / С.М. Борисов // Деньги и кредит.2005.-№4.-С. 32-36.

6.Гаврилов, Д. А. Рынок золота / Д.А. Гаврилов //Финансы. 2005. -№7.-С. 51-55.

7.Галлямова А.З. Драгоценные металлы в структуре финансовых активов // Банковское дело. 2006. № 5.

8.Сердинов Э.М. Мировой рынок золота //Банковское дело. - 2005 №1, с.37-43.

9.Что представляет собой E-Gold // Драгоценные металлы и драгоценные камни. 2001. № 8.

10.Черепанов Ф.М., Ясницкий Л.Н. Симулятор нейронных сетей «Нейросимулятор 1.0» // Свидетельство об отраслевой регистрации разработки № 8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007

11.Ясницкий Л.Н. Введение в искусственный интеллект // Издательский центр «Академия», 2005.

Электронные ресурсы:

12.#"justify">Приложения

Приложение 1. Обучающее множество

Х1Х2Х3Х4Х5Х6Х7Х8Х9Х10Х11Х12Х13Х14Х15Y131296,7828,17115,9981 779,242 012,2212 213,091 320,025 937,3039,4002 751,723,81 298,5341 298,5328,29115,2581 731,801 949,3511 984,611 295,115 845,2939,3112 701,023,81 302,2251 302,2228,44113,3481 719,951 929,5912 044,401 304,285 828,6739,32112 715,613,81 302,0911 302,0928,63113,1381 726,781 944,9111 993,161 296,395 775,2439,54112 700,973,81 302,7221 302,7228,66109,3581 700,541 906,8311 855,421 281,875 695,2839,93112 667,333,81 312,7731 312,7728,73110,1881 705,181 915,9511 613,301 256,885 598,2339,98112 616,823,81 299,4641 299,4628,66115,8181 737,621 945,7411 774,591 273,725 696,1140,07012 636,053,81 288,5551 288,5528,74114,4981 747,321 962,9211 858,521 279,205 718,1340,11112 643,673,81 296,9511 296,9528,48114,5981 753,191 981,9812 036,531 298,385 786,0940,06002 692,093,81 299,9421 299,9428,37116,0981 741,341 976,3812 018,631 293,775 762,7140,2012 683,873,81 302,1631 302,1628,16115,3681 770,561 997,0012 086,021 297,545 795,8840,09002 698,303,81 290,4241 290,4228,27115,7581 795,402 027,8912 170,561 309,665 880,8740,06102 736,423,81 302,4651 302,4628,41115,8881 807,462 041,4912 220,591 313,805 900,7639,95102 743,063,81 316,0511 316,0528,22114,7681 810,902 045,0612 197,881 310,195 904,4940,02012 730,683,81 298,2321 298,2328,41115,0981 788,142 018,7412 279,011 319,445 932,1739,93102 756,893,81 297,0831 297,0828,34115,1581 815,602 035,9212 350,611 328,265 948,3040,03012 776,793,81 288,5341 288,5328,43117,3281 813,592 044,2012 319,731 325,835 908,7640,02102 781,073,81 296,9851 296,9828,52119,1281 843,432 076,7812 376,721 332,416 009,9240,39112 789,604,31 311,9611 311,9628,37121,0281 852,022 092,3212 400,031 332,876 016,9840,2002 789,194,31 303,3621 303,3628,23121,6681 848,212 088,6412 393,901 332,636 007,0640,16002 791,194,31 300,0531 300,0528,31122,1481 859,992 110,9012 426,751 335,546 041,1340,17112 799,824,31 305,7241 305,7228,22122,5681 844,332 089,5212 409,491 333,516 007,3740,28012 796,144,31 321,7651 321,7628,23126,6681 855,972 123,5612 380,051 328,176 055,7540,35112 780,424,31 321,8811 321,8828,12123,2281 845,782 113,5512 381,111 324,466 053,4440,49012 771,514,31 327,5021 327,5027,98121,2181 799,942 062,5212 263,581 314,165 964,4740,44002 744,794,31 321,7331 321,7328,15123,2581 809,832 062,4712 270,991 314,416 010,4440,53112 761,524,31 322,2941 322,2928,11122,4181 781,512 028,6712 285,151 314,525 963,8040,76012 760,224,31 317,8951 317,8928,19123,6681 780,362 030,3212 341,831 319,685 996,0140,88112 764,654,31 320,9111 320,9128,22121,9381 714,071 950,1512 201,591 305,145 870,0840,83102 735,384,31 340,0521 340,0528,16121,2981 755,631 988,1212 266,751 312,625 896,8740,47002 744,974,31 344,1931 344,1928,42123,9281 783,382 030,9712 453,541 330,366 022,2640,44102 802,514,31 366,0841 366,0828,15123,9581 780,602 040,6012 505,991 337,386 018,3040,55012 820,164,31 361,8851 361,8827,94123,9581 793,962 049,0312 501,831 336,736 059,5340,81012 823,724,31 353,7211 353,7227,94123,5981 769,942 030,9312 479,881 335,256 063,1040,74002 825,884,31 352,0121 352,0127,99123,7181 766,282 033,3212 595,371 347,246 069,3640,79112 847,544,31 353,5631 353,5627,91125,4781 744,952 017,6412 690,961 355,666 068,1640,58002 869,884,31 349,8241 349,8227,71124,8181 749,652 028,9412 763,311 360,486 069,9040,67012 872,534,31 343,6951 343,6927,51126,2881 741,842 026,9412 810,541 363,616 073,1940,81012 873,544,31 353,5121 353,5127,51122,1581 691,451 976,7412 807,511 356,626 082,8840,81012 841,624,31 358,7131 358,7127,33120,6481 657,541 949,9412 723,581 347,325 984,0740,52002 828,234,31 359,1241 359,1227,37110,5181 644,921 916,3312 584,171 335,105 919,9840,58112 814,724,31 351,5051 351,5027,26109,2481 681,011 936,2912 638,741 340,205 976,7740,54002 827,564,31 327,4721 327,4727,66117,4881 678,131 927,8212 760,361 357,166 018,8940,3102 871,894,31 345,2131 345,2127,86113,0681 654,781 908,4612 630,031 342,085 976,0039,87102 845,064,31 359,2541 359,2527,63112,9181 630,781 864,9512 695,921 348,655 944,9639,78002 863,044,31 354,1951 354,1927,95113,8481 632,231 866,3012 595,751 337,775 925,8739,69102 828,474,31 337,2311 337,2327,85112,8781 622,981 846,3212 548,371 329,625 923,6939,71012 782,314,31 351,9321 351,9328,12110,8981 608,661 828,8912 479,581 328,985 861,0039,68002 783,214,31 351,6931 351,6928,12112,0181 627,031 849,6012 560,181 340,685 923,4939,85012 815,004,31 351,9441 351,9428,05111,4381 630,721 859,1412 605,321 343,605 955,9940,01012 823,314,31 344,6951 344,6927,96112,3581 603,971 825,3412 512,041 333,275 948,4939,89002 803,324,31 338,3311 338,3327,91109,9381 573,141 765,0412 381,261 317,375 835,8939,97012 758,904,31 364,6821 364,6828,34112,2481 598,821 800,0412 356,211 316,285 858,4139,81102 746,164,31 374,5631 374,5628,44114,8781 614,861 808,1312 394,661 320,475 870,1439,99112 761,384,31 390,3841 390,3828,48114,9981 606,211 818,3612 402,761 325,695 880,9939,96102 782,924,31 398,1751 398,1728,23115,1181 638,061 858,3912 441,581 331,105 938,8740,02012 796,864,31 380,84

Приложение 2. Тестирующее множество

Х1Х2Х3Х4Х5Х6Х7Х8Х9Х10Х11Х12Х13Х14Х15Y111381,2928,11114,5481 644,991 865,7412 553,021 329,825 984,3340,08002 822,814,31 382,6421 382,6428,06116,7281 666,301 888,6012 569,791 345,205 989,9940,06012 835,304,31 383,4131 383,4127,98114,0281 650,681 876,8112 290,141 314,555 928,6140,24012 769,194,31 382,6741 382,6727,96115,8881 658,391 883,0912 248,551 312,945 847,9240,35012 773,314,31 377,8051 377,8028,04115,4981 633,021 858,0812 240,391 311,345 855,0140,31102 798,924,31 389,09

Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования «Пермский государственный педаг

Больше работ по теме: