UNIVERZITET U KRAGUJEVCU

EKONOMSKI FAKULTET
___________________________________________________________________________________

STUDIJSKI ISTRAIVAKI RAD

Tema:

Neuronske mree kao metod

multivarijacione analize

Mentor:
Prof. dr Miodrag Lovri

Doktoranti:
Aleksandra Fedajev
Vladimir Mihajlovi

2008/30
2008/23

_______________________________________________________________________
Kragujevac, jun 2009. godine

S AD R AJ

UVOD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
l
1. NASTANAK, POJMOVNO ODREENJE
I KARAKTERISTIKE NEURONSKIH MREA . . . . . . . . . . . . . . . . . . . . . . . . . 2
LLL1.1. Bioloke osnove neuronskih mrea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
LLL1.2. Istorijski razvoj neuronskih mrea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
LLL1.3. Arhitektura neuronske mree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
LLL1.4. Podele neuronskih mrea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
L
2. PRIMENA NEURONSKIH MREA U EKONOMIJI . . . . . . . . . . . . . . . . . . . . . 7
LLL2.1. Primeri konkretne primene neuronskih mrea . . . . . . . . . . . . . . . . . . . . . . . 8
LLLLLL2.1.1. Primena neuronskih mrea za predvianje cene
akcija na odreeni dan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
LLLLLL2.1.2. Primena neuronskih mrea za klasifikaciju . . . . . . . . . . . . . . . . . . . .15
L
ZAKLJUAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20
L
LITERATURA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21
L

UVOD

Neuronske mree su relativno nov koncept u analizi podataka, i potpuno

drugaiji pristup od onog koji je zastupljen kod multivarijacionih tehnika. Pritom, pod
izrazom neuronske mree podrazumevaju se vetake neuronske mree, ali e u
daljem tekstu biti korien krai izraz, bez prideva vetake.
Poeci razvoja neuronskih mrea ne seu daleko u prolost. Meutim, metode
na njima izgraene nalaze iroku primenu, kako u tehnikim naukama, tako i u
drutvenim, od kojih nas svakako najvie interesuje ekonomija. Primena u ekonomiji
je uglavnom vezana za predvianje buduih vrednosti koje se posmatraju, a koje se
npr. mogu odnositi na predvianje obima prodaje u zavisnosti od propagandnih
aktivnosti koje se razmatraju, predvianje cene akcija na odreeni dan (ovaj sluaj je
obuhvaen konkretnim primerom u ovom radu), i slino. to tanije predvianje
vrednosti relevantnih varijabli je od esencijalnog znaaja za poslovanje svih
privrednih subjekata. Pored upotrebe neuronskih mrea za potrebe predvianja,
znaajna je i upotreba u svrhu klasifikacije. Uspenost neuronskih mrea u obavljanju
ove dve funkcije kvalifikuje ih kao izuzetno sredstvo multivarijacione analize.
Neuronske mree predstavljaju jednu od metoda vetake inteligencije. Umesto
to konceptualizuju problem u matematikoj formi, neuronske mree koriste principe
ljudskog mozga i njegove strukture, kako bi razvile strategiju procesiranja podataka.
Na samom poetku bie objanjeni neke od glavnih pojmova kao i sutinski principi
vezani za neuronske mree. Poto su neuronske mree razvijene po ugledu na mozak
oveka, poi emo do bioloke osnove razvoja neuronskih mrea.

1. NASTANAK, POJMOVNO ODREENJE I OSNOVNE

KARAKTERISTIKE NEURONSKIH MREA
1.1. Bioloke osnove neuronskih mrea
Ljudski mozak i celokupni nervni sistem je sainjen od nervnih elija, neurona,
kojih ima oko 1011, i koji ostvaruju oko 1015 konekcija. Neuron ima etiri osnovna
dela:
ulazni deo elije,
telo elije (soma),
izlazni deo elije, i
sinapse.
Ulazni deo elije sadri skup razgranatih niti nazvanih dendriti. Telo elije
obrauje signale koje dobija od dendrita, dobijajui na taj nain izlazni impuls koji se
prosleuje na sve krajeve razgranate niti nazvane aksonom, koji predstavlja izlazni
deo elije. Mesto gde se akson dodiruje sa dendritima neke druge elije se naziva
sinapsa. To je mesto gde se impulsi prenose od jedne do druge nervne elije (tzv.
celularna transdukcija).
Po analogiji sa biolokim neuronom, formiran je model vetakog neurona. Za
predstavljanje vetakog neurona, koristiemo sledee oznake:
xi (i = 1, 2, ... , m) ulazne veze, vrednosti inputa koje neuron prima
(signali ili potencijali inputa kod biolokog neurona);
wki (i = 1, 2, ... , m) tzv. teinski koeficijenti (sinapse kod biolokog
neurona);
uk zbirna vrednost, koja se dobija sabiranjem ponderisanih ulaza (telo
prirodnog neurona);
a(.) aktivacijska funkcija (akson kod biolokog neurona);
k prag aktivacije ;
yi vrednost izlaza tj. outputa (potencijal izlaza kod biolokog neurona).
ematski prikaz, uz upotrebu navedenih oznaka, predstavljen je na dijagramu 1.
Svaka od ulaznih veza, koje su oznaene sa xi, i kojih ima m, mnoi se svojim
teinskim koeficijentom wki. Ovako pomnoene vrednosti se potom sabiraju, i dobija
se vrednost uk. Dakle:
m

uk wki xi
i 1

Dijagram 1. ematski prikaz vetakog neurona

Zatim se vrednost uk koristi kao ulaz u aktivacionu funkciju, koja je generalno
nelinearna, a najee je u pitanju tzv. sigmoidna (logistika) funkcija (Grafik 1.)
Pritom, povezanost izmeu praga aktivacije k i aktivacione funkcije je najee
takva da se vrednost k oduzima od vrednosti uk, pa se ta razlika koristi kao ulaz u
aktivacionu funkciju. Na taj nain se dobija vrednost izlaza, tj. outputa yi.
a(v)
1

b1
b2
b1 b2

Grafik 1. Sigmoidna (logistika) funkcija

1.2. Istorijski razvoj neuronskih mrea
Kao zaetnici razvoja neuronskih mrea navode se Warren McCulloch i Walter
Pitts, koji su u svom radu iz 1943. uveli prvi, jednostavni matematiki model neurona,
kao osnovne elije nervnog sistema. Ovaj model je bio diskretan i zasnovan na
binarnoj logici. Oni su pokazali da odreene logike ili aritmetike funkcije mogu biti
proraunate ak i jednostavnim tipovima neuronskih mrea. Meutim, nedostatak
njihovog modela bio je to to nije bio sposoban da ui. Sa druge strane, njihov rad je
imao uticaja na druge istraivae. Tako, osniva kibernetike, Norbert Wiener, bio je
inspirisan ovim modelom kada je ispitivao slinosti izmeu nervnog i kompjuterskog
sistema. Pored njega, i autor Amerikog projekta elektronskih kompjutera, John von
Neumann, u nekoliko svojih radova je sugerisao istraivanje kompjutera koji se
zasnivaju na funkcionisanju ljudskog mozga.

Donald Hebb je 1949. napisao knjigu pod nazivom Organizacija ponaanja

(The organisation of behaviour), u kojoj je opisao paradigmu uenja, koja nosi
njegovo ime (Hebb-ovo uenje), a koja se zasniva na stavu da se propustljivost sinapsi
(spojeva neurona) poveava ako su aktivnosti dva susedna neurona odreeno vreme u
sprezi. Ovaj princip je u sutini vezan za auriranje veza. Knjiga je imala znatan uticaj
na autore u 40-im i 50-im godinama XX veka, koji su dalje razvijali njegove stavove.
Glavni predstavnik ovog perioda je Marvin Mynski, koji je zasluan za prvu primenu
neuronskih mrea. On je 1951. godine, zajedno sa Dean Edmonds-om dizajnirao prvi
neurokompjuter Snark (od 40 neurona), sa sinapsama koje imaju sposobnost
proraunavanja vrednosti teinskih koeficijenata (mere sinaptike propustljivosti) u
zavisnosti od uspenosti obavljanja specifinog zadatka (to je zasnovano na Hebbovom nainu uenja).
1957. godine Frank Rosenblatt je izumeo perceptron, koji se zasniva na
McCulloch-Pitts-ovom neuronu, kome je dodat algoritam uenja, tj. nain na koji
treba da menja vrednosti teinskih koeficijenata iterativnim postupkom, dok se ne
dobije eljeni rezultat.
Rosenblatt je u saradnji sa Charles Wightman-om konstruisao i uspeno
demonstrirao rad neurokompjutera nazvanog Mark I Perceptron, koji je dizajniran da
bi obavljao funkciju prepoznavanja karaktera.
Ubrzo nakon otkria Perceptrona, Bernard Widrow i njegov student Marcijan
Hoff, razvili su jo jedan tip neuronskog raunskog elementa koji je nazvan
ADALINE (ADAptive LINear Element), i koji je ukljuivao novo efikasno pravilo
uenja koje je korieno za adaptivno procesiranje signala, kontrolu sistema i sl.
Ovakav ekspanzivni razvoj neuronskih mrea naglo je prekinut objavljivanjem
izuzetno uticajne knjige Perceptroni, koja je objavljena 1969. a napisali su je Minsky
i Papert. U njoj izraavaju veliki pesimizam kada su u pitanju mogunosti
jednoslojnog perceptrona, navodei da on ne moe da se iskoristi ni za reavanje
nekih od jednostavnih logikih funkcija. Sa druge strane, oni su preporuili da se
panja vie usmeri na razvoj sistema zasnovanih na znanju, tj. ekspertskih sistema.
Polovinom osamdesetih godina neuronske mree doivljavaju svoj preporod
zahvaljujui naglom porastu interesovanja istraivaa za ovu oblast. Amari je u
Japanu prouavao mehanizme obuavanja neuronskih mrea kao i njihovu
matematiku pozadinu. Japanski istraiva Fukushima je razvio novu klasu
neuronskih mrea poznatih kao Cognitroni i Neocognitroni. Znaajna istraivanja na
polju asocijativne memorije razvio je i Kohonen u Finskoj. Jedno od njegovih
znaajnijih otkria je i uenje bez nadgledanja. Velika otkria na polju neuronskih
mrea imali su i Carpenter i Grossberg, kojima se pripisuje razvoj ART mrea
(Adaptive Resonance Theory). Arhitekturu rekurentnih neuronskih mrea za
asocijativne memorije prvi je razvio Hopfield. Neuronsku mreu, poznatiju kao
Boltzmann-ova maina, razvio je Hinton. Osamdesetih godina naroito su bile
popularne neuronske mree bazirane na algoritmima uenja sa prostiranjem greke
unazad (engl. Backpropagation BP neuronske mree). Tako, 1986. istraivai na
ovom polju formiraju PDP (Parallel Distributed Processing) Istraivaku Grupu, a
svoje rezultate objavljuju u kompletu knjiga u dva toma, u kojem Rumelhart, Hinton i
Williams objanjavaju Backpropagation algoritam uenja vieslojnih neuronskih
mrea, kojim se upravo reavaju problemi za koje su Minsky i Papert smatrali da su
nereivi (dodue, jednoslojnim neuronskim mreama).

Osamdesetih i devedesetih godina XX veka odrava se veliki broj konferencija

na temu neutronskih mrea, npr. 1987. u San Dijegu, sa oko 1700 uesnika, a poinju
da izlaze i struni asopisi, kao to su Neural Networks, Neural Computation (1989) i
mnogu drugi. Uz to, poevi od 1987. godine, mnogi prestini univerziteti osnivaju
nove institute za istraivanje i edukativne programe koji se bave neurokomputing
om.
1.3. Arhitektura neuronske mree
Arhitekturu ili topologiju vetake neuronske mree predstavlja specifino
ureenje i povezivanje neurona u obliku mree. Po arhitekturi, neuronske mree se
razlikuju prema broju neuronskih slojeva. Najpoznatija neuronska mrea sa jednim
slojem je jednoslojni perceptron. Kod mrea sa vie slojeva, obino svaki sloj prima
ulaze iz prethodnog sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva
ulazni, poslednji je izlazni, ostali slojevi se obino nazivaju skrivenim slojevima.
Jedna od najeih arhitektura neuronskih mrea je mrea sa tri sloja. Prvi sloj
(ulazni) je jedini sloj koji prima signale iz okruenja. Prvi sloj prenosi signale
sledeem sloju (skriveni sloj) koji obrauje ove podatke i izdvaja osobine i eme iz
primljenih signala. Podaci koji se smatraju vanim se upuuju izlaznom sloju,
poslednjem sloju mree. Na izlazima neurona treeg sloja se dobijaju konani
rezultati obrade. Sloenije neuronske mree mogu imati vie skrivenih slojeva,
povratne petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to
efikasnije odvajanje vanih osobina ili ema sa ulaznog nivoa. Danas se uglavnom
izuavaju i primenjuju vieslojne neuronske mree koje pored ulaznih i izlaznih
slojeva sadre neurone na srednjim (skrivenim) slojevima. Na dijagramu 2. je dat
prikaz mree sa tri sloja.
skriveni sloj

ulazni sloj

izlazni sloj

Dijagram 2. ematski prikaz neuronske mrea sa tri sloja

1.4. Podele neuronskih mrea

Postoji veliki broj razliitih realizacija neuronskih mrea, a samim tim postoji i
mnogo podela.
Neuronske mree se mogu podeliti prema vrstama veza tj. arhitekturi na:

slojevite - Neuroni su rasporeeni tako da formiraju slojeve. Na ulaz

jednog neurona se dovode izlazi svih neurona sa prethodnog sloja, a
njegov izlaz se vodi na ulaze svih neurona na narednom sloju. Neuroni
sa prvog (ulaznog) sloja imaju samo po jedan ulaz. Izlazi neurona sa
zadnjeg (izlaznog) sloja predstavljaju izlaze mree. Predstavnik:
backpropagation algoritam.

potpuno povezane - Izlaz jednog neurona vodi ka ulazu svih neurona u

mrei. Predstavnik: Hopfildova NM.

celularne - Meusobno su povezani samo susedni neuroni. Bez obzira na

lokalnu povezanost, signali se prostiru i na neurone i van susedstva zbog
indirektnog prostiranja informacija. Predstavnik: CNN Cellular Neural
Network.

Neuronske mree se prema smeru prostiranja informacija kroz mreu mogu

podeliti na:
Feedforward (nerekurzivne, nerekurentne ili nepovratne) - Vii slojevi ne
vraaju informaciju u nie slojeve. Vre prostiranje (propagaciju) signala
samo u jednom smeru (od ulaza prema izlazu). Kao predstavnik ove vrste
neuronske mree moe se navesti vieslojni perceptron, odnosno mrea sa
vie slojeva.
(Feedback) rekurzivne ili rekurentne ili povratne - Vii slojevi vraaju
informacije nazad u nie slojeve. Izlaz iz neurona se vraa u nie slojeve
ili u isti sloj. Predstavnici ove vrste mrea su: Hopfildova, Celularna
Neuronska Mrea (CNN), Kohonenova neuronska mrea, dvostruko
asocijativna, i sl. Feedback mree imaju mnogo vee procesne
sposobnosti od Feedforward mrea.

Znaajna karakteristika neuronskih mrea, koja je sutinski razdvaja od ostalih

multivarijacionih tehnika je njihova sposobnost da ue. Prema tipu uenja u mrei,
algoritmi neuronskih mrea se dele na:
1.

Nagledano (supervised) uenje poznate su vrednosti izlaznih varijabli

skupa za uenje mree (Backpropagation, Radial Basis Funktion,
Probabilistika mrea), i

2.

Nenagledano (unsupervised) uenje nisu poznate vrednosti izlaznih

varijabli skupa za uenje mree (Kohonenova samoorganizirajua,
ART mrea).

Konkretno, mogu se navesti nekoliko primera ispitivanja problema putem ova

dva algoritma:

Predvianje bankrotstva nekog preduzea sa znanjem da li je preduzee

imalo slinih problema u prolosti ili nije;

Ocena kreditne sposobnosti sa znanjem da li je kredit u prolosti

otplaivan na vreme ili nije;

Ponaanje kupaca u odnosu na neki proizvod sa poznatim prolim

akcijama kupaca ili bez poznatih prolih akcija.

Treba naglasiti da se najvie koristi upravo uenje sa nadgledanjem. U tom

sluaju, porede se aktuelne vrednosti sa vrednostima outputa. Ako postoji razlika
izmeu ove dve vrednosti, moemo pristupiti tzv. treniranju sistema. Najea forma
treniranja je backpropagation, odnosno algoritam povratnog prostiranja, kod kojeg se
greka u vrednosti outputa izraunava i alje unazad kroz sistem neurona, pri emu
dolazi do proporcionalnih promena vrednosti teinskih koeficijenata, koje se
poveavaju ili smanjuju, u zavisnosti od pravca greke. Kada su ove vrednosti
izmenjene, input vezan za drugi sluaj ulazi u sistem i proces se ponavlja. Cilj je da se
procesuira veliki broj sluajeva kroz neuronsku mreu u fazi treninga, kako bi se
obezbedio najvii kvalitet outputa u odnosu na postojee inpute.
Fleksibilnost neuronskih mrea omoguava njihovu primenu na irokom
dijapazonu problema, poev od predvianja do klasifikacije, pa i analize vremenskih
serija. Ipak, primenljivost zavisi od konkretnih karakteristika problema. Problemi na
koje se mogu uspeno primeniti neuronske mree su oni kod kojih:
1. postoji mnogo prolih reprezentativnih primera (barem oko 100, a
poeljno je to vie);
2. nisu poznata pravila dolaenja do odluke (black box) tj. eksperata nema
ili nisu dostupni;
3. se varijable mogu kvantitativno izraziti (to je u veini sluajeva
mogue);
4. standardne statistike metode nisu pokazale uspeh, tj. pojava se ne moe
predstaviti nekim linearnim modelom;
5. je ponaanje pojave esto neizvesno, podaci nepotpuni, te je potreban
robustan alat.
2. PRIMENA NEURONSKIH MREA U EKONOMIJI
Kao to je ve navedeno, neuronske mree nalaze iroku primenu u ekonomiji,
posebno u oblasti finansija i investiranja.
Procene i budui uslovi u okruenju determiniu mnoge kritine poslovne
aktivnosti kao to su inventarisanje, nabavka materijala, cena rada, tranja za
proizvodom, cene proizvoda, usluga i hartija od vrednosti, ponaanje konkurencije itd.
Netane i pogrene procene mogu dovesti do pogoranja ekonomije poslovanja u
preduzeu. Smanjenje prodaje, neefikasna raspodela resursa i prekomerne zalihe esto
su direktna posledica netanog predvianja. U oblasti finansija, loe procene kretanja
cena akcija, obveznica, finansijskih derivata i drugih hartija od vrednosti mogu
dovesti do ogromnih gubitaka.
Pored toga, u finansijama, nauci i poslovanju, analitiari su esto suoeni sa
zadatkom klasifikovanja entiteta zasnovanoj na istorijskim ili izmerenim podacima.
Analitiari na tritu akcija mogu imati potrebu da klasifikuju akcije u grupe: kupi,
prodaj i zadri. Na hipotekarnom tritu, analitiari mogu kategorisati kredite kao
dobre i loe. Glavni problem sa kojim se svi oni susreu je veliki broj kriterijuma za

klasifikaciju to problem kategorizacije podataka ini veoma kompleksnim. Potrebno

je uloiti veliki napor i vreme da se ovako kompeksan problem klasifikacije rei na
optimalan nain, uz zadovoljavanje svih ili bar veine zadatih kriterijuma.
Ovi, i mnogi problemi sa kojima se svakodnevno susreu menaderi, ekonomisti
i analitiari mogu se reiti primenom neuronskih mrea.
Jedan od najmonih alata za konstruisanje i oblikovanje neuronskih mrea jeste
Neuro XL. Neuro XL je u stvari dodatak (add-on) klasinom MS Excel-u i
kompatibilan je sa njim. Postoje dva tipa ovog programa u zavisnosti od namene za
koju se koriste:
1.

Neuro XL Predictor dodatak za predvianje;

2.

Neuro XL Classifier dodatak za klasifikaciju.

2.1. Primeri konkretne primene neuronskih mrea

2.1.1. Primena neuronske mree za predvianje cene akcija na odreeni dan
Za predvianje buduih uslova poslovanja, ponaanja konkurencije i potroaa,
koristi se Neuro XL Predictor, kao dodatak klasinom MS Exscel-u. Sposobnost
Neuro XL Predictor-a da otkrije nelinearne veze meu ulaznim podacima ini ovaj
program idealnim sredstvom za predvianje u dinamikim sistemima kao to je berza.
Cena akcija i drugih investicija kao to su obveznice, derivati i opcije su pod uticajem
mnogobrojnih faktora koji su neretko veoma povezani.
Neuro XL Predictor zasnovan na najnovijim istraivanjima u oblasti vetake
inteligencije, prepoznaje ak i veoma slabe veze izmeu promenljivih. Veliki broj
softvera za predvianje putem neuronskih mrea zahteva od korisnika odreeni nivo
znanja iz oblasti neuronskih mrea, kao i odgovarajuu obuku na tzv. tutorial
verzijama programa i odgovarajuu pripremu podataka. Za razliku od njih, ovaj
program ne zahteva prethodno znanje o neuronskim mreama, ime kompleksnost
neuroskih mrea ostaje tajna za korisnika a korisna predvianja se dobijaju samo
nekoliko trenutaka nakon instalacije ovog programa.
Kako je Neuro XL Predictor dodatak Exscel-u, on omoguava da se predvianje
obavi na osnovu ve unetih podataka u Exscel-ovoj tabeli.
U ovom primeru podaci o cenama akcija su prikupljeni korienjem jo jo
jednog dodataka Excel-u koji se naziva Downloader XL koji se instalira isto kao
Predictor u meniju Add-ons u okviru Excela. Downloader XL download-uje besplatno
istorijske podatke o akcijama, indeksima i fondovima iz Yahoo baze podataka Yahoo
Finance sa berzi irom sveta, iz SAD, Kanade, Velike Britanije, Nemake,
Francuske,...
Dakle u okviru Exscel-ovog menija Add-ons aktiviramo dodatak Download XL
i u okviru padajueg menija aktiviramo opciju Download Prices (slika 1.).

Slika 1. Aktiviranje opcije Download Prices

Nakon toga, otvara se prozor za dijalog u kome se definie konkretna vrsta
akcija (u ovom sluaju akcije Microsoft-a), datumi odnosno period za koji se ele
preuzeti podaci o cenama akcija, periodinost podataka (dnevni, nedeljni ili meseni
prikaz podataka), vrsta cene koja se eli preuzeti (cena na otvaranju, cena na
zatvaranju, najnia, najvia i/ili cena na zatvaranju) i drugi parametri koji definiu
vrstu podataka koje elimo da preuzmemo.

Slika 2. Prozor za definisanje konkretne vrste akcija

Klikom na opciju Get Historical Data preuzimamo eljene podatke koji
su upisani u Exscel-u prema zadatim kriterijumima (Slika 3.).

Slika 3. Excel-ova tabela sa preuzetim podacima

Kolona G predstavlja promenu cene na zatvaranju svakog dana od 30.07.2008.
pa nadalje u odnosu na cenu na zatvaranju poetnog datuma 28.07.2008 (Change). U
koloni H prikazan je Cutler's Relative Strenth Index koji meri brzinu i veliinu pravca
kretanja cena na zatvaranju koji je takoe neophodan za predvianje cena akcija. Za
izraunavanje ovih berzanskih indeksa koristi se dodatak Excel-u Analyzer XL, koji
se automatski instalira instalacijom Download XL-a. Klikom na ovaj dodatak otvara
se padajui meni prikazan na slici 3.

Slika 4. Padajui meni za aktivaciju Analyzer XL-a

Izborom opcije Analyzer XL otvara se prozor za dijalog u okviru kog biramo
vrstu funkcije koja nam je potrebna sa leve strane ovog menija i konkretan indeks koji
elimo da izraunamo u desnom delu prozora (Slika 4.)

Slika 5. Prozor za dijalog u Analyzer XL-u (prvi korak)

Nakod toga, izborom opcije Next otvaramo sledei prozor u kome zadajemo
polja na osnovu kojih se vri izraunavanje indeksa (Slika 5).

Slika 6. Prozor za dijalog u Analyzer XL-u (drugi korak)

Klikom na opciju Finish dobijamo podatke o vrednosti ovog indeksa u koloni
G. Isti postupak vai i za izraunavanje Cutler's Relative Strength Index-a.

10

Nakon to smo prikupili neophodne podatke, pristupamo oblikovanju neuronske

mree odnosno definisanju parametara neuronske mree i predvianju cene na
zatvaranju za dan 25.11.2008. Definisanje parametara neuronske mree i parametara
za predvianje vri se u 6 koraka:
1. Selektovanje Neuro XL Predictor-a iz MS Exscel menija.

Slika 7. Startovanje Neuro XL Predictor-a

Program se pokree otvaranjem sledeeg prozora za dijalog:

Slika 8. Prozor za dijalog u Neuro XL Predictor-u

11

2. U okviru prozora za dijalog najpre se definie opseg podataka za ulazne i

izlazne veliine. U ovom sluaju kao ulazne podatke uzeli smo polja od B13 do H 86
a kao izlazne veliine uzeli smo podatke od E13 do E86.
3. Zatim se, ukoliko je to potrebno, bira poravnanje opsega podataka na bazi
ulaznih podataka i/ili na bazi najvie ili najnie vrednosti. U naem sluaju to nije
neophodno. Zatim ekiramo opciju Scale input and output values da bi definisali
parametre vezane za broj epoha i minimalne greke uenja. Broj epoha pokazuje
koliko puta se vri korekcija unazad kako bi se greka uenja svela na zadati
minimum. U ovom sluaju izabrali smo 3000 epoha i minimalnu greku uenja od
0,001. Ukoliko elimo da pratimo odvijanje procesa uenja ekiramo opciju Show
learning process.
4. U etvrtom koraku definiemo sledee parametre procesa uenja:
a) poetni teinski koeficijenti (Initial weights) Za inicijalni teini
koeficijenti svakog neurona u ovom primeru je uzeta je vrednost od 0,3.
b) ocena odnosno stopa uenja (Learning rate) - Njome se definie brzina
uenja i ne bi trebalo da se definie na suvie visokom nivou da bi se obezbedio
kvalitetan proces uenja. Ovaj parametar je u ovom primeru definisan na nivou od
takoe 0,3.
c) inercija (Momentum) Visoke stope uenja dovode do velikih oscilacija
teinskih koeficijenata tokom treniranja procesa, koje imaju za rezultat
nekonvergentnost i povratak na neoptimalno reenje. Uvoenjem ovog parametra
smanjuje se mogunost nastanka ovakvih neeljenih sluajeva. U ovom primeru je
inercija odreena na nivou od 0,6.
d) aktivaciona funkcija (Activation function) U okviru ovog programa na
raspolaganju su sledee funkcije: Threshold, Hyperbolic tangent, Zero-based logsigmoid, Log-sigmoid and Bipolar sigmoid. U ovom sluaju primenjena je Zero-based
log-sigmoid funkcija.
e) broj neurona u skrivenom sloju (Neurons in hidden layer) u ovom
primeru broj neurona u skrivenom sloju je 3.
6. Klikom na opciju New a zatim na opciju Start training pokree se
proces treniranja mree koji se moe pratiti u donjem delu prethodnog
prozora za dijalog, s obzirom da smo u treem koraku ekirali opciju
Show learning process

12

Slika 9. Prozor za dijalog kada je zavreno treniranje mree

Proces traje sve dok se ne dostigne definisani minimum greke uenja i u
ovom sluaju se to dogodilo u 13. epohi pri koeficijentu greke uenja
od 0,003. Zelena linija pokazuje stvarne vrednosti a roze predikovane
odnosno predviene vrednosti.
7. Kada je treniranje mree zavreno potrebno je definisati opseg ulaznih i
izlaznih veliina koji se koriste za predvianje. Kao ulazne veliine
uzeta su polja od B86 do H86 a kao izlazna veliina javlja se predikcija
cene na zatvaranju za naredni dan u polju E87. Aktiviranjem opcije
Predict u odgovarajue polje E87 biva upisana predikovana vrednost
odnosno predviena cena na zatvaranju za dan 25.11.2008. koja u ovom
sluaju iznosi 20,74114.

13

Slika 10. Excel-ova tabela sa prikazanom predvienom vrednou

Ovaj primer nam pokazuje kako se na vrlo jednostavan nain, pomou Neuro
XL Predict-a moe doi do aproksimacije jednog vrlo bitnog podatka za ulagae i
analitiare koji uestvuju na jednom stohastikom tritu kao to je trite akcija.
2.1.2. Primena neuronskih mrea za klasifikaciju
Neuronske mree su dokazano najbolja i nairoko primenjivana tehnika za
reavanje kompleksnih problema klasifikacije. One ustvari predstavljaju mree
meusobno nezavisnih procedura koje, menjanjem njihove konekcije (tzv. treningom)
pronalazi reenje za dati problem. Za reavanje problema klasifikacije primenili smo
softverski dodatak MS Exscel-u Neuro XL Classifier koji, na osnovu zadatih
parametara, sam konstruie neuronsku mreu za dati problem i vri kategorizaciju
podataka na osnovu njihovih trendova uenja i meusobnih veza.
U ovom primeru prikazano je kako se putem neuronskih mrea, korienjem
Neuro XL Classifier-a, izvrena klasifikacija 19 zemalja na osnovu zadatih
ekonomskih, demografskih i geografskih podataka. Klasifikacija je izvrena u tri
grupe prema zadatim kriterijumima. Ono to je karakteristino za probleme
klasifikacije jeste da pri definisanju problema imamo samo ulazne podatke dok se
izlazni podaci svode na grupe podataka koje su poznate tek nakon zavretka prosesa
uenja.
Na slici 11. prikazani su podaci o rastu drutvenog bruto proizvoda, broju
stanovnika, stopi nataliteta, povrini zemlje, povrini vode i povrini zemlje koja se
navodnjava.
14

Slika 11. Tabela sa ulaznim podacima za klasifikaciju

Na osnovu ovih podataka izvrena je podela ovih zemalja u tri grupe na osnovu
njihovih zajednikih karakteristika. Ova klasifikacija je izvrena u sledea etiri
koraka:
1. Selektovanje Neuro XL Classifier-a iz menija MS Exscela.

Slika 12. Pokretanje Neuro XL Classifier-a

Pokretanjem ove aplikacije otvara se prozor za dijalog prikazan na slici 13.
2. U okviru ovog prozora, najpre je potrebno definisati opseg ulaznih podataka
koje elimo da ka klasifikujemo (u ovom primeru od B2 do G20), kao i polja u kojima
elimo da nam budu prikazani izlazni podaci nakon zavrene klasifikacije (od H2).
3. Definisanje parametara mree:
a) broj klastera (Number of clusters) broj grupa u koje e biti klasifikovani
podaci. U ovom sluaju imaemo tri grupe.
b) broj epoha (Epochs) u ovom primeru 1000.

15

Slika 13.Prozor za dijalog u Neuro XL Classifier-u

c) ocena ili stopa uenja (learning rate) u ovom primeru 0,6.
d) poetni teinski koeficijent (Initial weights) - za inicijalni teini koeficijenti
svakog neurona u ovom primeru je uzeta je vrednost od 0,5.
e) automatsko filtriranje podataka (Set autofilter) ekiranjem ove opcije
omoguava da dati podaci budu rasporeeni po grupama odnosno doi e do promene
redosleda drava, u zavisnosti od grupe u kojoj pripadaju, u odnosu na prvobitnu
tabelu.
f) nain prikazivanja izlaza (Split to multiple columns or to one column)
prikazivanje izlaznih podataka moe biti izvreno u vie (multiple) ili u jednoj koloni.
U ovom primeru izabrano je prikazivanje u jednoj koloni.
g) izraunavanje proseka (calculate averages) ekiranje ove opcije prua
mogunost izraunavanja proseka za svaku kategoriju podataka. U veini sluajeva
ova informacija je veoma vana za tumaenje podataka dobijenih klasifikacijom.
4. Aktiviranjem opcije Classify vri se klasifikacija podataka a rezultati
klasifikacije su dati na slici 14.

16

Slika 14. Tabela sa rezultatima klasifikacije

Pored izvrene klasifikacije izraunati su i proseci za svaku grupu kao i uee
svake grupe u ukupnom broju datih zemalja. Na osnovu izraunatih proseka nacrtan je
i grafik koji najbolje pokazuje kako je ova klasifikacija izvrena (Slika 15).

17

Slika 15. Grafik izvrene klasifikacije u Neuro XL Classifier-u

U prvu grupu (oznaenu zelenom bojom) svrstane su zemlje sa velikim
drutvenim bruto proizvodom, brojem stanovnika povrinom zemlje, vode i
navodnjavanog zemljita i niskom stopom nataliteta.
U drugu grupu (oznaenu utom bojom) svrstane su zemlje sa niskim
drutvenim bruto proizvodom, brojem stanovnika i stopom nataliteta, prosenom
povrinom zemlje, i malom povrinom vode i zemljita koje se navodnjava.
I najzad, u treoj grupi (oznaenom plavom bojom) nalaze se zemlje sa izrazito
niskim drutvenim bruto proizvodom, brojem stanovnika, povrinom zemlje, vode i
zemljita koje se navodnjava ali sa izuzetno visokom stopom rasta.

18

ZAKLJUAK

Neuronske mree, kao to se moglo videti, nalaze sve iru primenu u ekonomiji
i statistici. Njihova dokazana uspenost u primeni na probleme klasifikacije uticala je
da se u ovoj oblasti najvie i koriste.
Meutim, ne treba zanemariti i upotrebu neuronskih mrea u predvianju. U
primeru vezanom za predvianje u ovom radu izloen je prilino jednostavan
postupak kojim se dolazi do predvienih vrednosti konkretne veliine koju
posmatramo (u naem sluaju cene akcija), uz pomo kompjuterske aplikacije Neuro
XL. Za primenu iste nije potrebno znati samu sutinu koncepta neuronskih mrea, ali
smo u ovom radu ipak krenuli upravo od toga, kako bi se bolje razumela konkretna
primena.
Kao to se moglo videti, neuronske mree predstavljaju robustan alat,
prilagoen za primenu u situacijama neizvesnosti i nepotpunosti podataka. Znaajna
osobina neuronskih mrea vezana je za njihovu sposobnost generalizacije, tj. davanja
zadovoljavajue vrednosti outputa i kada neke ulazne vrednosti nisu poznate. Pored
toga, neuronske mree, za razliku od standardnih statistikih metoda multivarijacione
analize, nemaju problem sa nelinearnom meuzavisnosti izmeu zavisne i nezavisnih
promenljivih.
Znaajna sposobnost, karakteristina upravo za neuronske mree, je sposobnost
da ue. Kako je to u radu navedeno, uenje se vri na primerima, gde su poznate
ulazne i izlazna veliina (npr. ulazne veliine mogu biti ulaganje u propagandu,
ambalaa proizvoda, izgled prodajnog osoblja i sl., dok izlazna veliina moe biti
profit preduzea). Uvoenjem ulaznih veliina u mreu, uz odgovarajue teinske
koeficijente, dobijamo izlaze koje poredimo sa vrednostima izlaza u konkretnim
primerima. Uenjem se, dakle, deluje na menjanje teinskih koeficijenata u sluaju da
ovaj izlaz nije jednak izlazu koji daje neuronska mrea sa poetnim koeficijentima.
Kada je mrea nauena ili utrenirana, moe davati izlaze za vrednosti ulaza koje joj
zadajemo. Stoga, moemo zakljuiti da se primena koncepta neuronskih mrea u
multivarijacionoj analizi sutinski razlikuje od primene ostalih tehnika, poput
viestruke regresije, diskriminacione analize itd.
Meutim, treba imati u vidu da neuronske mree nisu toliko moan alat da bi
mogle da daju dobre izlazne vrednosti ako joj ne obezbedimo dobre inpute, tj. ulazne
vrednosti. Stoga, kao i kod ostalih tehnika, vai isti princip garbage in-garbage
out. Dakle, iako predstavljaju jednu od metoda vetake inteligencije, na sadanjem
stupnju razvoja neuronske mree nemaju tu mogunost. Kakav e dalji razvoj
neuronskih mrea biti, ostaje da se vidi.

19

LI T E R AT U R A

Subai P., Fazilogika i neuronske mree, prvo izdanje, Beograd: Tehnika

knjiga, 1997.

Miljkovi Z., Sistemi vetakih neuronskih mrea u proizvodnim

tehnoligijama, Beograd: Contact line, 2002.

D. Taniki, M. Mani, Primena neuronskih mrea za odreivanje

parametara procesa, MMA 2003 Fleksibilne tehnologije, Novi Sad, 2003.

Informaciona tehnologija za menadment, prevod knjige INFORMATION

TECHNOLOGY FOR MANAGEMENT, 3rd edition, Turban,E., McLean,E.
Wetherbe, J.John Wiley & Sons, Inc. 2002, Zavod za udbenike i nastavna
sredstva, 2003. Beograd
http://www.neuroxl.com/

http://solair.eunet.yu/~ilicv/neuro.html

20