Predykcja danych w szeregach czasowych

Predykcja danych w szeregach
czasowych
na przykładzie predykcji cen akcji giełdowych spółki
KGHM Polska Miedź S.A.
Piotr Kupczyk (pkk@wp.pl)
Michał Stanek (michal.stanek@student.pwr.wroc.pl)

13 czerwca 2005

Abstract:
Prognozowanie przyszłych wartości akcji giełdowych jest marzeniem wielu
osób. Artykuł przedstawia wykorzystanie hybrydowego rozwiązania
bazującego na sieciach neuronowych oraz analizie statystycznej podczas
predykcji danych w szeregach czasowych na przykładzie predykcji cen
akcji KGHM Polska Miedź S.A. W dokumencie zostały szczegółowo
omówione dwie architektury sieci neuronowych jedna bazująca na
znakowej reprezentacji wartości funkcji druga bazująca na jej wartościach
rzeczywistych. Na koniec omówiono rozwiązanie hybrydowe łączące

1/42

Predykcja danych w szeregach czasowych
moŜliwości tych sieci z predykcją opartą na funkcji regresji. Zostały
omówione otrzymane wyniki oraz przedstawione moŜliwe ulepszenia.

2/42

Predykcja danych w szeregach czasowych

3/42

Spis treści:
1.
2.
3.
4.

Wstęp.............................................................................................................................. 6
Dane ............................................................................................................................... 7
Predykcja ...................................................................................................................... 11
Metody predykcji ......................................................................................................... 13
Sieć neuronowa numeryczna............................................................................................ 13
Sieć neuronowa znakowa ................................................................................................. 15
Regresja ............................................................................................................................ 17
5. Eksperymenty............................................................................................................... 18
1. Badanie..................................................................................................................... 18
6. Wnioski ........................................................................................................................ 41
7. Literatura ...................................................................................................................... 42

Spis tabel:
Tabela 1. Dane giełdowe dla akcji spółki KGHM. .................................................................... 7
Tabela 2. Dane po preprocessingu. ............................................................................................ 7
Tabela 3. Błąd predykcji sieci liczbowej dla zbioru uczącego. ............................................... 19
Tabela 4. Liczba epok uczących sieci numerycznej dla zbioru testowego. ............................. 19

Spis rysunków:
Rysunek 1. Dane giełdowe spółki KGHM................................................................................. 8
Rysunek 2. Wykres funkcji liniowej. ......................................................................................... 9
Rysunek 3. Wykres funkcji kwadratowej................................................................................... 9
Rysunek 4. Funkcja okresowa sin(x) + a ................................................................................. 10
Rysunek 5. Funkcja okresowa sin(x) + x ................................................................................ 10
Rysunek 6. Związek pomiędzy wartościami funkcji predykowanymi i rzeczywistymi. ......... 11
Rysunek 7. Idea predykcji krótko okresowej. .......................................................................... 12
Rysunek 8. Idea predykcji długo okresowej. ........................................................................... 12
Rysunek 9. Schemat blokowy hybrydy.................................................................................... 13
Rysunek 10. Schemat sieci numerycznej. ................................................................................ 14
Rysunek 11. Schemat konwersji danych dla sieci znakowej. .................................................. 15
Rysunek 12. Budowa sieci znakowej. ...................................................................................... 16
Rysunek 13. Przykład przybliŜenia funkcji wielomianem drugiego stopnia. .......................... 17
Rysunek 14. Przykład przybliŜenia funkcji wielomianem trzeciego stopnia........................... 17
Rysunek 15. Przykład przybliŜenia funkcji wielomianem czwartego stopnia......................... 17
Rysunek 16. Przykład przybliŜenia funkcji wielomianem piątego stopnia.............................. 17
Rysunek 17.Przykład przybliŜenia funkcji wielomianem szóstego stopnia. ........................... 17
Rysunek 18. Wykres zaleŜności błędu sieci numerycznej od ilości epok uczących................ 18
Rysunek 19. Wykres zaleŜności błędu sieci znakowej od ilości epok uczących. .................... 18
Rysunek 20. Funkcja linowa. ................................................................................................... 21
Rysunek 21. Predykcja na zbiorze uczącym. ........................................................................... 21
Rysunek 22. Predykcja krokowa na zbiorze testowym............................................................ 22
Rysunek 23. Predykcja ciągła na zbiorze testowym. ............................................................... 22

Predykcja danych w szeregach czasowych

4/42

Rysunek 24. Predykcja na zbiorze uczącym. ........................................................................... 22
Rysunek 25 Predykcja krokowa na zbiorze testowym............................................................. 22
Rysunek 26 Predykcja ciągła na zbiorze testowym. ................................................................ 22
Rysunek 27. Predykcja na zbiorze uczącym. ........................................................................... 23
Rysunek 28. Predykcja krokowa na zbiorze testowym............................................................ 23
Rysunek 29. Predykcja na zbiorze uczącym. ........................................................................... 23
Rysunek 30. Predykcja krokowa na zbiorze testowym............................................................ 23
Rysunek 31. Funkcja kwadratowa............................................................................................ 24
Rysunek 32. Predykcja na zbiorze uczącym. ........................................................................... 24
Rysunek 33. Predykcja krokowa na zbiorze testowym............................................................ 25
Rysunek 34. Predykcja ciągła na zbiorze testowym. ............................................................... 25
Rysunek 35. Predykcja na zbiorze uczącym. ........................................................................... 25
Rysunek 36. Predykcja krokowa na zbiorze testowym............................................................ 25
Rysunek 37. Predykcja ciągła na zbiorze testowym. ............................................................... 25
Rysunek 38. Predykcja na zbiorze uczącym. ........................................................................... 26
Rysunek 39. Predykcja krokowa na zbiorze testowym............................................................ 26
Rysunek 40. Predykcja na zbiorze uczącym. ........................................................................... 26
Rysunek 41. Predykcja krokowa na zbiorze testowym............................................................ 26
Rysunek 42. Funkcja sinusoidalna. .......................................................................................... 27
Rysunek 43. Predykcja na zbiorze uczącym. ........................................................................... 27
Rysunek 44. Predykcja krokowa na zbiorze testowym............................................................ 28
Rysunek 45. Predykcja ciągła na zbiorze testowym. ............................................................... 28
Rysunek 46. Predykcja na zbiorze uczącym. ........................................................................... 28
Rysunek 47. Predykcja krokowa na zbiorze testowym............................................................ 28
Rysunek 48. Predykcja ciągła na zbiorze testowym. ............................................................... 28
Rysunek 49. Funkcja sinusoidalno-malejąca. .......................................................................... 29
Rysunek 50. Predykcja na zbiorze uczącym. ........................................................................... 29
Rysunek 51. Predykcja krokowa na zbiorze testowym............................................................ 30
Rysunek 52. Predykcja ciągła na zbiorze testowym. ............................................................... 30
Rysunek 53. Predykcja na zbiorze uczącym. ........................................................................... 30
Rysunek 54. Predykcja krokowa na zbiorze testowym............................................................ 30
Rysunek 55. Predykcja ciągła na zbiorze testowym. ............................................................... 30
Rysunek 56. Predykcja na zbiorze uczącym. ........................................................................... 31
Rysunek 57. Predykcja krokowa na zbiorze testowym............................................................ 31
Rysunek 58. Predykcja na zbiorze uczącym. ........................................................................... 31
Rysunek 59. Predykcja krokowa na zbiorze testowym............................................................ 31
Rysunek 60. Funkcja notowań akcji firmy KGHM Polska Miedź S.A. .................................. 32
Rysunek 61. Predykcja na zbiorze uczącym. .......................Błąd! Nie zdefiniowano zakładki.
Rysunek 62. Predykcja krokowa na zbiorze testowym............................................................ 33
Rysunek 63. Predykcja ciągła na zbiorze testowym. ............................................................... 33
Rysunek 64. Predykcja na zbiorze uczącym. ........................................................................... 33
Rysunek 65. Predykcja krokowa na zbiorze testowym............................................................ 34
Rysunek 66. Predykcja ciągła na zbiorze testowym. ............................................................... 34
Rysunek 67. Predykcja na zbiorze uczącym. .......................Błąd! Nie zdefiniowano zakładki.
Rysunek 68. Predykcja krokowa na zbiorze testowym............................................................ 35
Rysunek 69. Predykcja ciągła na zbiorze testowym. ............................................................... 35
Rysunek 70. Predykcja na zbiorze uczącym. ........................................................................... 35
Rysunek 71. Predykcja krokowa na zbiorze testowym............................................................ 35
Rysunek 72. Predykcja na zbiorze uczącym. ........................................................................... 35
Rysunek 73. Predykcja krokowa na zbiorze testowym............................................................ 35

Predykcja danych w szeregach czasowych

5/42

Rysunek 74. Predykcja na zbiorze uczącym. ........................................................................... 35
Rysunek 75. Predykcja krokowa na zbiorze testowym, ciągły w stosunku do zbioru uczącego.
.......................................................................................................................................... 37
Rysunek 76. Predykcja ciągła na zbiorze testowym, po okresie jednorocznej przerwy, w
stosunku do zbioru uczącego............................................................................................ 37
Rysunek 77. Okno główne programu - widok parametrów nauki. .......................................... 38
Rysunek 78. Okno główne programu - widok parametrów predykcji ..................................... 39
Rysunek 79. Okno główne programu - widok danych wyników. ............................................ 39
Rysunek 80. Okno główne programu - widok danych predykcji............................................. 40

Predykcja danych w szeregach czasowych

6/42

1. Wstęp
Dokument ten poświęcony jest zagadnieniu predykcji danych w szeregach czasowych. Na
wstępie postaramy się wyjaśnić podstawowe pojęcia uŜywane zarówno w tytule jak i dalszej
części niniejszej pracy. Jednym z kluczowych pojęć jest predykcja danych, polega ona na
próbie przewidzenia t przyszłych wartości funkcji na podstawie n wcześniejszych wartości.
Drugim bardzo waŜnym pojęciem jest szereg czasowy, który jest ciągiem następujących po
sobie czasowo wartości. Szereg czasowy moŜe na przykład stanowić odczyt wskazań
urządzenia pomiarowego lub zestawienie cen akcji giełdowych danej spółki na giełdzie.
Predykcja cen akcji giełdowych jest niezmiernie interesująca dziedziną biorąc pod uwagę
korzyści, jakie moŜe przynieść dokładne prognozowanie kolejnych wartości cenowych. Na
podstawie tych prognoz moŜna podejmować decyzję czy dane akcje warto kupować w danej
chwili czy teŜ moŜe lepiej je sprzedać. Im predykcja jest bardziej dokładna tym lepiej moŜna
operować dysponowanymi przez nas pieniędzmi. Nic więc dziwnego, Ŝe prowadzi się wiele
prac na ten temat. Niestety wiele z rozwiązań nie jest publikowanych i stanowią one jedynie
część całych pakietów, których cena jest czasami niesamowicie wysoka.
Predykcja moŜe być krótko lub długookresowa. Predykcja krótko okresowa dotyczy
zazwyczaj predykcji kilku wartości w przód, podczas gdy predykcja długookresowa swoim
zasięgiem moŜe obejmować bardzo długie okresy. Przyjmuje się, Ŝe dla predykcji krótko
okresowych błąd szacowanych wartości z wartościami rzeczywistymi powinien być bardzo
mały. Podczas predykcji długookresowej tolerowana jest nawet znaczna rozbieŜność na rzecz
zachowania ogólnego trendu danych.
W dokumencie tym opisane jest wykorzystanie sieci neuronowych oraz metod regresji w
zadaniu predykcji danych. Metody te zostaną dokładnie scharakteryzowane w dalszej części
tej pracy.

7/42

Predykcja danych w szeregach czasowych

2. Dane
Udało się uzyskać dane giełdowe spółki KGHM z lat 2001 – 2005, pobrane one zostały z
serwisu www.money.pl. Wśród wartości, jakimi dysponowaliśmy były:





Cena otwarcia
Cena minimalna w ciągu dnia
Cena maksymalna w ciągu dnia
Cena podczas zamknięcia giełdy
Procentowa zmiana w stosunku do dnia poprzedniego
Ilość sprzedanych akcji w ciągu dnia (wolumen)

W Tabela 1 znajduje się przykład formatu wykorzystywanych danych.
Tabela 1. Dane giełdowe dla akcji spółki KGHM.
Data
2005-05-27
2005-05-25
2005-05-24
2005-05-23
2005-05-20
2005-05-19
2005-05-18
2005-05-17
2005-05-16

Otw

Min

Max

Zamkn

29,10
28,60
28,60
28,70
28,90
28,90
28,30
28,90
29,00

29,00
28,60
28,10
28,50
28,50
28,50
27,70
27,70
28,20

29,40
29,00
28,70
29,00
29,40
29,00
28,50
28,90
29,00

29,40
28,90
28,60
28,60
28,60
29,00
28,40
28,10
28,60

Zmn.[%] Wolumen
1,73
1,05
0,00
0,00
-1,38
2,11
1,07
-1,75
-1,72

328848
271585
256392
231664
549326
1188384
818496
702573
207168

s
Uznaliśmy, Ŝe interesująca z naszego punktu widzenia jest szczególnie wartość dotycząca
ceny akcji podczas zamknięcia giełdy. Posiadane przez nas dane zostały poddane wstępnemu
preprocessingowi, w którym usunęliśmy kolumny nie istotne z naszego punktu widzenia. W
Tabela 2 został pokazany widok danych po tym procesie.
Tabela 2. Dane po preprocessingu.
Data

Zamkn

2005-05-27
2005-05-25
2005-05-24
2005-05-23
2005-05-20
2005-05-19
2005-05-18
2005-05-17
2005-05-16

29,40
28,90
28,60
28,60
28,60
29,00
28,40
29,40
28,90

Na Rysunek 1 przedstawiona jest zmiana wartości akcji w czasie.

8/42

Predykcja danych w szeregach czasowych
Dane giełdowe spółki KGHM
45,00

40,00

35,00

Wartość akcji [zł]

30,00

25,00

20,00

15,00

10,00

5,00

1998-11-09

1999-01-22

1999-03-29

1999-05-25

2000-08-11

2001-04-04

2001-07-30

2001-11-20

2002-04-09

2002-05-20

2002-07-01

2002-08-08

2002-09-17

2002-10-24

2002-12-05

2003-01-17

2003-02-25

2003-04-03

2003-05-15

2003-06-24

2003-07-31

2003-09-09

2003-10-16

2003-11-25

2004-01-07

2004-02-13

2004-03-23

2004-05-04

2004-06-11

2004-07-20

2004-08-26

2004-10-04

2004-11-12

2004-12-21

2005-01-27

2005-03-07

2005-04-18

2005-05-27

0,00

Data [dni]

Rysunek 1. Dane giełdowe spółki KGHM.

PoniewaŜ nie widać w tych danych wyraźniej zaleŜności postanowiliśmy przebadać nasze
rozwiązanie równieŜ na innych danych wejściowych. Wybraliśmy do tego następujące
funkcje:



Funkcja liniowa y = ax+b
Funkcja kwadratowa y = ax2 + bx + c
Funkcja okresowa y = sin(x) + a
Funkcja okresowa y = sin(x) + x

PoniŜej znajdują się wykresy tych funkcji.

900

800

700

600

500

400

300

200

100

0

14000

12000

10000

8000

6000

4000

2000

0

2003-01-27

2002-04-16

2003-03-27

2002-06-16
2002-08-16

2003-05-27

2002-10-16

2003-07-27

2002-12-16

2003-12-16
2004-02-16
2004-04-16
2004-06-16

2003-11-27
2004-01-27
Data [dni]

2003-10-16

2003-09-27

2004-03-27
2004-05-27

Funkcja liniowa y=-ax+b

2003-08-16

Rysunek 2. Wykres funkcji liniowej.

2003-06-16

Funkcja kwadratowa y=ax^2+bx+c

2003-04-16

Data [dni]

Rysunek 3. Wykres funkcji kwadratowej.

2003-02-16

Predykcja danych w szeregach czasowych

Cena [zł]

Cena [zł]

2004-07-27

2004-09-27

2004-08-16
2004-10-16
2004-12-16

2004-11-27
2005-01-27

2005-02-16

2005-03-27
2005-04-16

9/42

2005-05-27

Cena [zł]

2002-12-16

2002-12-16

2003-12-16
2004-02-16
2004-04-16

2003-06-16
2003-08-16
Data [dni]

2003-10-16

2003-04-16

2003-10-16
2003-12-16
2004-02-16
2004-04-16

2004-06-16

2004-06-16

2004-08-16

2004-08-16

2004-10-16

2004-10-16

2004-12-16

2004-12-16

2005-02-16

2005-02-16

2005-04-16

2005-04-16

Funkcja okresowa y=sin(x)+a

2003-08-16

Fukncja sin(x)+x

2003-06-16

Rysunek 4. Funkcja okresowa sin(x) + a

2003-04-16

2003-02-16

11,5

2002-10-16

11

2002-10-16

10,5

2002-08-16

10

2002-08-16

9,5

2002-06-16

9

2002-06-16

8,5

8

14,00

12,00

10,00

8,00

6,00

4,00

2,00

0,00

2002-04-16

2003-02-16

Data [dni]

Rysunek 5. Funkcja okresowa sin(x) + x

2002-04-16

Predykcja danych w szeregach czasowych

Cena [zł]

10/42

11/42

Predykcja danych w szeregach czasowych

3. Predykcja
Jak wspominaliśmy juŜ we wstępie predykcja ma za zadanie oszacowanie wartości funkcji na
podstawie innych jej wartości. Predykcja w szeregach czasowych bazuje na wartościach z
przeszłości w celu próby oszacowania wartości w kolejnych punktach czasu. Jakość predykcji
mierzy się zazwyczaj jako średnie odchylenie wartości uzyskanych w poszczególnych
punktach od wartości rzeczywistych (oczekiwanych).
Weźmy pod uwagę przykładową funkcję przedstawioną na Rysunek 6, oraz pewne punkty
kontrolne t0, t1 oraz t2. Funkcja rzeczywista, czyli ta która próbujemy oszacować narysowana
jest linią ciągłą, zaś nasze oszacowanie na wykresie narysowane jest linią przerywaną. Z
rysunku łatwo moŜna zobaczyć, Ŝe znalezione oszacowanie róŜni się od funkcji jakiej
szukaliśmy.

Rysunek 6. Związek pomiędzy wartościami funkcji predykowanymi i rzeczywistymi.

Przyjęta przez nas miara jakości predykcji wyraŜona jest wzorem (1).
Błąd predykcji:
n

Err =

∑o

z

−o

i =1

n

Objaśnienie:
Err – całkowity błąd predykcji
o – wartość uzyskana z predykcji
oz – wartość oczekiwana
n – ilość elementów predykowanego zbioru

(1)

Predykcja danych w szeregach czasowych

12/42

Cena [zł]

Predykcja krótko okresowa – jest to rodzaj predykcji, który na podstawie wartości z
przeszłości (okna) próbuje oszacować małą liczbę wartości w przyszłości. Podczas takiej
predykcji nacisk kładziony jest na minimalizacje błędu predykcji. Podczas predykcji kaŜdej
wartości wykorzystuje się dane rzeczywiste. W przypadku naszego programu byłaby to
sytuacja, w której prognozuje on cenę akcji na następny dzień na podstawie wartości
poprzednich. Za kaŜdym razem do programu podawane są rzeczywiste wartości cen akcji z
dni poprzednich.

Rysunek 7. Idea predykcji krótko okresowej.

Predykcja długo okresowa – to rodzaj predykcji który ma na celu prognozę trendu badanej
funkcji. Nacisk kładziony jest na zachowanie ogólnego charakteru funkcji, a niŜeli dokładne
przewidzenie przyszłych wartości. Predykcja taka dokonywana jest zazwyczaj poprzez
przesuwanie okna danych z jednoczesnym włączaniem do szeregu uczącego przewidzianych
wartości. Schemat ideowy takiego rozwiązania przedstawiony jest na Rysunek 8.

Rysunek 8. Idea predykcji długo okresowej.

Predykcja danych w szeregach czasowych

13/42

4. Metody predykcji
W programie zostały zastosowane trzy metody predykcji. Dwie z nich wykorzystują sztuczną
sieć neuronową, trzecia natomiast opiera się na metodzie regresji wielomianowej dowolnego
stopnia. Rozwiązanie hybrydowe umoŜliwia wykorzystanie dowolnej kombinacji tych metod.
Na Rysunek 9 przedstawiony jest ideowy schemat pracy hybrydy z włączonymi wszystkimi
metodami predykcji.

Rysunek 9. Schemat blokowy hybrydy.

W dalszej części tego rozdziału zostanie dokładnie wyjaśnione kaŜde z tych rozwiązań.
Sieć neuronowa numeryczna
Jako pierwsze omówimy rozwiązanie bazujące na sieci neuronowej z propagacją wsteczną.
Nazwa „sieć numeryczna” została jej nadana ze względu na sposób pracy z danymi.
Sieć ta składa się przynajmniej z trzech warstw (Rysunek 10), pierwsza warstwa – wejściowa,
jest odpowiedzialna za pobieranie wartości funkcji. Liczność tej warstwy odpowiada
dokładnie szerokości okna danych. KaŜdy neuron pobiera wobec tego jedną wartość z okna i
przekazuje go do warstwy ukrytej.
Warstwa ukryta jest konfigurowalna w programie. MoŜemy określić ile neuronów będzie
wchodzić w jej skład. Dodatkowo mamy równieŜ moŜliwość określenia ilości tych warstw. W
literaturze podawane jest jednak najczęściej, Ŝe sieć taka powinna posiadać jedną warstwę
ukrytą o liczności równej ilości neuronów w warstwie wejściowej. W naszym programie
postanowiliśmy jednak sprawdzić jak zachowują się sieci z większą ilością warstw ukrytych
oraz z róŜna od wejściowej liczbą neuronów w nich zawartych.
Warstwa wyjściowa składa się zawsze z jednego neuronu, którego wartość na wyjściu
stanowi wynik działania sieci.

14/42

Predykcja danych w szeregach czasowych

Wyjście – denormalizacja wartości

Warstwa wyjściowa

Warstwa ukryta

Warstwa wejściowa

1

1

2

3

2

4

3

4

5

5

6

6

7

7

8

8

Wejścia do sieci – normalizacja danych

Rysunek 10. Schemat sieci numerycznej.

Błąd działania sieci:
ilośl _ wyjsc

Blad =

ilosc _ wzorców


i =1

∑ (o

Z

− o) 2

i =0

(2)

ilosc _ wyjsc

Objaśnienie:
Blad –błąd pracy sieci neuronowej
o – wartość uzyskana na wyjściu z neuronu warstwy wyjściowej
oz – wartość oczekiwana na wyjściu neuronu
ilosc_wzorców – ilość wzorców danych
ilosc_wyjsc – ilość wyjść sieci neuronowej
Wartości dostarczane do warstwy wejściowej poddaje się normalizacji zgodnie z
następującym wzorem:
Normalizacja wartości wejściowej

xs =

xr − min
max − min

Objaśnienie:
xs – wartość podawana na wejście sieci

(3)

Predykcja danych w szeregach czasowych

15/42

xr – wartość rzeczywista przekazana na wejście
min – minimalna wartość w zbiorze danych
max – maksymalna wartość w zbiorze danych
Wyjście z sieci następnie poddawane jest procesowi denormalizacji:

xs = xr ⋅ (max − min) + min

(4)

Objaśnienie:
xs – wartość podawana na wejście sieci
xr – wartość rzeczywista przekazana na wejście
min – minimalna wartość w zbiorze danych
max – maksymalna wartość w zbiorze danych
Do uczenia sieci zastosowany jest algorytm propagacji wstecznej. KaŜdy z neuronów
wchodzących w skład sieci ma dodatkowe wejście zwane biasem, które zawsze na wejściu ma
podawaną wartość 1. Jako funkcja aktywacji neuronu zastosowana została funkcja unipolarna.
Sieć neuronowa znakowa
Sieć znakowa w naszym programie to specyficzny rodzaj sieci, która na wejściu analizuje nie
wartości liczb a cyfry, z jakich one się składają. Efektem działania takiej sieci jest zatem
predykcja pewnego napisu, który w szczególności będzie liczbą. Przykład konwersji liczby
2.5 na wejścia sieci znakowej został pokazany na Rysunek 11.

Rysunek 11. Schemat konwersji danych dla sieci znakowej.

NaleŜy zwrócić uwagę, Ŝe dla ciągu liczb 2.5; 2.51; 4.321 naleŜy ujednolicić ich zapis. W
programie realizowane jest to dopisaniem tylu zer końcowych, aby długość kaŜdej liczby była
taka sama. Dla naszego przykładu po takiej konwersji uzyskalibyśmy liczby (a w zasadzie
napisy): 2.500 ; 2.510; 4.321

Predykcja danych w szeregach czasowych

16/42

Budowa sieci znakowej jest następująca:


Liczba neuronów w warstwie wejściowej – długość najdłuŜszej liczby (w postaci
napisu) * 4 * szerokość okna
Liczba neuronów w warstwie ukrytej – 0.5 * ilość neuronów wejściowych
Liczba neuronów wyjściowych – długość najdłuŜszej liczby z danych uczących (w
postaci napisu) * 4

Rysunek 12. Budowa sieci znakowej.

Liczba, 4 przez która przemnaŜana jest liczba neuronów warstwy wejściowej i wyjściowej,
wynika z faktu konwersji kaŜdej cyfry na postać binarną. PoniewaŜ musimy zakodować 10
cyfr oraz przecinek, potrzebnych jest naw w tym celu 11 wartości, a najbliŜsza potęgą dwójki
jest 4 (liczba 16).
KaŜdy neuron sieci znakowej zbudowany jest tak samo jak neuron sieci numerycznej. Błąd
sieci równieŜ liczony jest ze wzoru (2). Sieć uczona jest równieŜ algorytmem
BackPropagation.
Zdecydowaną róŜnicą, jaka cechuje sieć znakową i sieć liczbową poza sposobem interpretacji
danych wejściowych jest ilość neuronów, jaka wchodzi w ich skład.
Zastosowanie sieci znakowej wynikało z paru czynników. Pierwszy z nich polegał na chęci
przetestowania zastosowalności i przydatności takiego podejścia. Nigdzie w literaturze nie
spotkaliśmy się z podobnym rozwiązaniem, dlatego ciekawiło nas jakie rezultaty jesteśmy w
stanie osiągnąć z jego pomocą. Drugim powodem jaki przemawiał za zastosowaniem sieci
znakowej był fakt jej wraŜliwości nawet na bardzo małe zmiany wartości wejściowych.
Wystarczy, Ŝe weźmiemy taki przykład:
Zakres danych = 100
Wartość 1 = 45.500
Wartość 2 = 49.000
Wartość 3 = 45.506
Dla sieci numerycznej wartości 1 oraz 3 są w zasadzie nierozróŜnialne, podczas gdy w sieci
znakowej zmianie ulegnie wartość 3 neuronów.

2003- 02-18
2003- 01-13
2002- 12-02
2002- 10-22
2002- 09-16
2002- 08-08
2002- 07-02
2002- 05-22
2002- 04-12
2001- 12-14
2001- 08-22
2001- 05-16
2000- 10-13
1999- 08-25
1999- 04-26
1999- 02-15
1998- 12-02

2004-12-27
2004-11-19
2004-10-12
2004-09-06
2004-07-30
2004-06-24
2004-05-18
2004-04-07
2004-03-02
2004-01-26
2003-12-15
2003-11-06
2003-10-01
2003-08-26
2003-07-18
2003-06-11
2003-05-06
2003-03-26
2003-02-18
2003-01-13
2002-12-02
2002-10-22
2002-09-16
2002-08-08
2002-07-02
2002-05-22
2002-04-12
2001-12-14
2001-08-22
2001-05-16
2000-10-13
1999-08-25
1999-04-26
1999-02-15
1998-12-02

2004- 03-02

2003- 12-15
2003- 11-06
2003- 10-01
2003- 08-26
2003- 07-18
Data [dni]

2003- 06-11
2003- 05-06
2003- 03-26
2003- 02-18

Wartość akcji [zł]
Wartość akcji [zł]

2004- 10-12
2004- 09-06
2004- 07-30
2004- 06-24
2004- 05-18
2004- 04-07

2004- 01-26
2003- 12-15
2003- 11-06
2003- 10-01
2003- 08-26

Data [dni]

2003- 06-11
2003- 05-06
2003- 03-26
2003- 02-18
2003- 01-13
2002- 12-02
2002- 10-22
2002- 09-16
2002- 08-08
2002- 07-02
2002- 05-22
2002- 04-12
2001- 12-14
2001- 08-22
2001- 05-16
2000- 10-13
1999- 08-25
1999- 04-26
1999- 02-15
1998- 12-02

2005- 03-09
2005- 02-01
2004- 12-27
2004- 11-19
2004- 10-12
2004- 09-06
2004- 07-30
2004- 06-24
2004- 05-18
2004- 04-07
2004- 03-02
2004- 01-26
2003- 12-15
2003- 11-06
2003- 10-01
2003- 08-26
2003- 07-18
Data [dni]

2003- 07-18

2005- 04-19

2003- 06-11
2003- 05-06
2003- 03-26
2003- 02-18
2003- 01-13
2002- 12-02
2002- 10-22
2002- 09-16
2002- 08-08
2002- 07-02
2002- 05-22
2002- 04-12
2001- 12-14
2001- 08-22
2001- 05-16
2000- 10-13
1999- 08-25
1999- 04-26
1999- 02-15
1998- 12-02

Dane giełdowe spółki KGHM

2004- 03-02

25,00

2004- 11-19

20,00

2004- 12-27

15,00

1998- 12-02

2005- 02-01

Dane giełdowe spółki KGHM

1999- 02-15

2005- 03-09

5,00

1999- 04-26

2005- 04-19

10,00

1999- 08-25

2005- 05-27

17/42

Rysunek 14. Przykład przybliŜenia funkcji
wielomianem trzeciego stopnia.

2000- 10-13

45,00

2001- 05-16

40,00

2001- 08-22

35,00

2001- 12-14

30,00

2002- 04-12

25,00

2002- 05-22

20,00

2002- 07-02

15,00

2002- 08-08

5,00

2002- 09-16

Rysunek 16. Przykład przybliŜenia funkcji
wielomianem piątego stopnia.

2002- 10-22

10,00

2005- 05-27

0,00

2002- 12-02

0,00

2003- 01-13

Dane giełdowe spółki KGHM

2004- 01-26

Predykcja danych w szeregach czasowych

2003- 03-26

2005-02-01

Regresja

2003- 05-06

2005-03-09

Dane giełdowe spółki KGHM

2003- 06-11

2005-04-19

Data [dni]

2003- 07-18

45,00

2003- 08-26

40,00

2003- 10-01

45,00

2003- 11-06

35,00

2003- 12-15

40,00

2004- 01-26

30,00

2004- 03-02

35,00

2004- 04-07

30,00

2004- 05-18

25,00

2004- 06-24

20,00

2004- 07-30

15,00

2004- 09-06

5,00

2004- 10-12

10,00

2004- 11-19

0,00

2004- 12-27

Rysunek 13. Przykład przybliŜenia funkcji
wielomianem drugiego stopnia.

2005- 02-01

Dane giełdowe spółki KGHM

2004- 04-07

45,00

2004- 05-18

40,00

2004- 06-24

35,00

2004- 07-30

30,00

2004- 09-06

25,00

2004- 10-12

20,00

2004- 11-19

15,00

2004- 12-27

10,00

2005- 02-01

5,00

2005- 03-09

0,00

2005- 04-19

2005- 03-09

Data [dni]

Rysunek 15. Przykład przybliŜenia funkcji
wielomianem czwartego stopnia.

45,00

40,00

35,00

30,00

25,00

20,00

15,00

5,00

10,00

2005- 05-27

0,00

Rysunek 17.Przykład przybliŜenia funkcji wielomianem szóstego stopnia.

Wartość akcji [zł]

2005-05-27

2005- 04-19

Regresja jest metodą, która polega na ustaleniu wzoru krzywej pewnego stopnia, w naszym
przypadku jest to krzywa wielomianowa, poprzez dostrajanie jej parametrów. Dostrajanie to
polega na minimalizacji średniego odchylenia krzywej aproksymującej prostą od funkcji
bazowej. Wybranie stopnia wielomianu pozawala na mniejsze lub większe dopasowanie się
krzywej regresji do funkcji. PoniŜej przedstawionych jest kilka przykładów, które
demonstrują wpływ stopnia wielomianu na otrzymany wynik:

Wartość akcji [zł]
Wartość akcji [zł]

2005- 05-27

18/42

Predykcja danych w szeregach czasowych

5. Eksperymenty
1. Badanie błędu sieci podczas procesu uczenia
Pierwsze badanie miało na celu określenie zaleŜności pomiędzy wartością błędu sieci, a
długością procesu uczenia. Dla sieci numerycznej zaleŜność ta została przedstawiona na
Rysunek 18, a dla sieci znakowej, na Rysunek 19. Jak widać obie zaleŜności mają
charakter 1/x.
Uczenie sieci numerycznej
3,5
3

Wartość błędu

2,5
2
1,5
1
0,5
0
1

51

101

151

201

251

301

Ilość epok uczących

Rysunek 18. Wykres zaleŜności błędu sieci numerycznej od ilości epok uczących.
Błąd podczas uczenia sieci znakowej
5
4,5
4

Błąd sieci

3,5
3
2,5
2
1,5
1
0,5
0
1

26

51

76

Ilość epok

Rysunek 19. Wykres zaleŜności błędu sieci znakowej od ilości epok uczących.

351

19/42

Predykcja danych w szeregach czasowych

2. Badanie wpływu parametrów uczenia na ilość epok uczących oraz błąd sieci.
Badanie polegało na sprawdzeniu wpływu parametrów uczenia takich jak: maksymalny
dopuszczalny błąd, współczynnik uczenia. Jak widać (Tabela 3. Błąd predykcji sieci
liczbowej dla zbioru uczącego.Tabela 3 i Tabela 4) zmniejszenie wartośći dopuszczalnego
błędu wpływa na polepszenie jakości otrzymywanych rozwiązań. JednakŜe związane jest to z
dodatkowym kosztem obliczeniowym, wynikającym z dłuŜszego procesu uczenia.
Tabela 3. Błąd predykcji sieci liczbowej dla zbioru uczącego.
L.p.

Max_bład=0,1
Wsp_uczenia=0.25

Max_błąd=0,1
Wsp_uczenia=0.1

Max_błąd=0,01
Wsp_uczenia=0.25

1
2
3
4
5
6
7
8
9
10

0,33944595
0,40685362
0,3211001
0,39504743
0,30614528
0,3702581
0,55567235
0,4061748
0,44178638
0,34696692

0,40188
0,377126
0,435145
0,399811
0,388575
0,401558
0,39477
0,39934
0,405562
0,399018

0,119438
0,087539
0,139914
0,178516
0,166054
0,100523
0,119242
0,393672
0,096405
0,212274

Średnia:

0,388945093

0,400279

0,161358

Tabela 4. Liczba epok uczących sieci numerycznej dla zbioru testowego.
L.p.

Max_bład=0,1
Wsp_uczenia=0.25

Max_błąd=0,1
Wsp_uczenia=0.1

Max_błąd=0,01
Wsp_uczenia=0.25

1
2
3
4
5
6
7
8
9
10

128
51
54
32
61
31
47
73
36
38

156
67
104
87
121
131
108
130
109
104

443
638
723
879
505
660
848
480
742
637

Średnia:

50,11363636

101,5545

595,9318

Predykcja danych w szeregach czasowych

20/42

3. Predykcja funkcji
W celu porównania działania wykorzystanych metod, poddano predykcji następujące funkcje:
• funkcja liniowa
• funkcja kwadratowa
• funkcja sinusoidalna (sin(x) + a)
• funkcja sinusoidalna połączona z funkcja liniową (sin(x) + x)
• funkcja przedstawiająca notowania cen akcji firmy KGHM Polska Miedź S.A.
Proces testowania polegał na wyuczeniu sieci numerycznej i znakowej na wybranym
podzbiorze dziedziny funkcji, a następnie próbie predykcji wartości dla nieznanych dotąd
argumentów. W kolejnych punktach przedstawione są uzyskiwane rezultaty.

Predykcja danych w szeregach czasowych

21/42

4. Predykcja funkcji liniowej
Badania predykcji funkcji liniowej przedstawionej na Rys.20, miało na celu określenie
zdolności systemu do wykrywania prostych zaleŜności między danymi.

Rysunek 20. Funkcja linowa.

Jako pierwszą zastosowaną metodę opartą na sieci numerycznej. Predykcję przeprowadzono
dla dwóch wartości dopuszczalnego błędu: 1.0 i 0.01. Jak wynika z Rysunek 21 i Rysunek 24,
obniŜenie progu błędu, pozwala na lepsze odwzorowanie funkcji, dla wartości wchodzących
w skład zbioru uczącego. Wpływa to jednak ujemnie na zdolność uogólniania (Rysunek 22 i
Rysunek 25). Akceptowalne rezultaty otrzymujemy jedynie dla predykcji krótkookresowej
(krokowej). Dla predykcji długookresowej kumulacja błędu jest tak duŜa, Ŝe wartości
predykowane nie zachowują nawet trendu funkcji bazowej (Rysunek 23 i Rysunek 26).
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 1):

Rysunek 21. Predykcja na zbiorze uczącym.

22/42

Predykcja danych w szeregach czasowych

Rysunek 22. Predykcja krokowa na zbiorze
testowym.

Rysunek 23. Predykcja ciągła na zbiorze testowym.

Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.01):

Rysunek 24. Predykcja na zbiorze uczącym.

Rysunek 25 Predykcja krokowa na zbiorze testowym.

Rysunek 26 Predykcja ciągła na zbiorze testowym.

23/42

Predykcja danych w szeregach czasowych

Drugi test został przeprowadzony na sieci znakowej (zasada działania opisana w poprzednim
punkcie). Uzyskane wyniki dla duŜego błędu (powyŜej 1) nie wykazują Ŝadnej (bardzo
znikomą) korelacji z funkcją bazową (Rysunek 27 i Rysunek 28). Dopiero zmniejszenie
dopuszczalnego błędu pozwoliło uzyskać akceptowalne wyniki dla zbioru uczącego. JednakŜe,
tak jak podejrzewaliśmy, sieć ta ma tendencję do uczenia się na pamięć, co moŜna
zaobserwować na Rysunek 29 i Rysunek 30.
Predykcja z zastosowaniem sieci znakowej (max. błąd = 1):

Rysunek 27. Predykcja na zbiorze uczącym.

Rysunek 28. Predykcja krokowa na zbiorze testowym.

Predykcja z zastosowaniem sieci znakowej (max. błąd = 0.01)

Rysunek 29. Predykcja na zbiorze uczącym.

Rysunek 30. Predykcja krokowa na zbiorze testowym.

Predykcja danych w szeregach czasowych

24/42

5. Predykcja funkcji kwadratowej
Kolejny test przeprowadzony został dla funkcji kwadratowej, przedstawionej na Rysunek 31.
Badanie to ma na celu sprawdzenie zdolności uogólniania zaleŜności funkcyjnej. Badania
zostały przeprowadzone zarówno dla sieci numerycznej jak i sieci znakowej.

Rysunek 31. Funkcja kwadratowa.

Uzyskane wyniki są porównywalne z wynikami otrzymanymi w poprzednim badaniu. Po raz
kolejny swoja przewagę wykazała sieć numeryczna. Podczas testów potwierdziło się
poprzednie przypuszczenie, Ŝe dla małej dopuszczalnej wartości błędu sieci, uczy się ona na
pamięć. PoniŜej znajdują się otrzymane wyniki.
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 1):

Rysunek 32. Predykcja na zbiorze uczącym.

25/42

Predykcja danych w szeregach czasowych

Rysunek 33. Predykcja krokowa na zbiorze testowym.

Rysunek 34. Predykcja ciągła na zbiorze testowym.

Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.01)

Rysunek 35. Predykcja na zbiorze uczącym.

Rysunek 36. Predykcja krokowa na zbiorze testowym.

Rysunek 37. Predykcja ciągła na zbiorze testowym.

26/42

Predykcja danych w szeregach czasowych

Predykcja z zastosowaniem sieci znakowej (max. błąd = 1)

Rysunek 38. Predykcja na zbiorze uczącym.

Rysunek 39. Predykcja krokowa na zbiorze testowym.

Predykcja z zastosowaniem sieci znakowej (max. błąd = 0.01)

Rysunek 40. Predykcja na zbiorze uczącym.

Rysunek 41. Predykcja krokowa na zbiorze testowym.

Predykcja danych w szeregach czasowych

27/42

6. Predykcja funkcji okresowej – y=sin(x) + a
Kolejne testy przeprowadzone zostały dla funkcji okresowej w celu zbadania zdolności sieci
do uczenia się schematów. Na Rysunek 42 przestawiony jest wykres funkcji bazowej.

Rysunek 42. Funkcja sinusoidalna.

Podczas prowadzenia badań zaobserwowaliśmy, iŜ okresowość funkcji pozwala zmniejszyć
dopuszczalny błąd. W poprzednich badaniach zabieg ten dał negatywne efekty, których
przejawem była nauka wzorców na pamięć. W aktualnie testowanej funkcji cecha ta jest
poŜądana.
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 1):

Rysunek 43. Predykcja na zbiorze uczącym.

28/42

Predykcja danych w szeregach czasowych

Rysunek 44. Predykcja krokowa na zbiorze testowym.

Rysunek 45. Predykcja ciągła na zbiorze testowym.

Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.01):

Rysunek 46. Predykcja na zbiorze uczącym.

Rysunek 47. Predykcja krokowa na zbiorze testowym.

Rysunek 48. Predykcja ciągła na zbiorze testowym.

Predykcja danych w szeregach czasowych

29/42

7. Predykcja funkcji okresowej – y=sin(x) + x
W celu zbadania zdolności uogólniania zaleŜności funkcyjnych przy jednoczesnym
wykorzystaniu faktu okresowości funkcji, badaniu poddaliśmy funkcję y=sin(x)+x. Wykres
funkcji znajduje się na Rysunek 49.

Rysunek 49. Funkcja sinusoidalno-malejąca.

Jak wykazują przeprowadzone badania sieć numeryczna z dobrym rezultatem potrafiła
odwzorować trend rozpatrywanej funkcji. Wysoka dokładność predykcji została uzyskana nie
tylko na wzorcach uczących, ale równieŜ na zbiorze testowym (Rysunek 54). Wyniki
predykcji długookresowej (ciągłej) pozostają nadal niezadowalające (Rysunek 52 i Rysunek
55).
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 1):

Rysunek 50. Predykcja na zbiorze uczącym.

30/42

Predykcja danych w szeregach czasowych

Rysunek 51. Predykcja krokowa na zbiorze testowym.

Rysunek 52. Predykcja ciągła na zbiorze testowym.

Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.01):

Rysunek 53. Predykcja na zbiorze uczącym.

Rysunek 54. Predykcja krokowa na zbiorze testowym.

Rysunek 55. Predykcja ciągła na zbiorze testowym.

31/42

Predykcja danych w szeregach czasowych
Predykcja z zastosowaniem sieci znakowej (max. błąd = 1):

Rysunek 56. Predykcja na zbiorze uczącym.

Rysunek 57. Predykcja krokowa na zbiorze testowym.

Predykcja z zastosowaniem sieci znakowej (max. błąd = 0.01):

Rysunek 58. Predykcja na zbiorze uczącym.

Rysunek 59. Predykcja krokowa na zbiorze testowym.

Predykcja danych w szeregach czasowych

32/42

8. Predykcja danych giełdowych na przykładzie notowań akcji firmy KGHM
Polska Miedź S.A.
Najbardziej istotnym testem z punktu widzenia projektu było badanie zaproponowanego
rozwiązania na danych rzeczywistych. Wstępna analiza ciągu uczącego nie pozwalała nam
zakładać, Ŝe istnieją w nim jakiekolwiek zaleŜności funkcyjne (Rysunek 60).

Rysunek 60. Funkcja notowań akcji firmy KGHM Polska Miedź S.A.

Predykcja z zastosowaniem sieci numerycznej (max. błąd = 1):

Rysunek 61. Predykcja na zbiorze uczącym

33/42

Predykcja danych w szeregach czasowych

Rysunek 62. Predykcja krokowa na zbiorze
testowym.

Rysunek 63. Predykcja ciągła na zbiorze testowym.

Dla duŜej wartości dopuszczalnego błędu, sieć numeryczna nie odwzorowuje funkcji bazowej.
Jest to związane z faktem bardzo małej róŜnicy pomiędzy kolejnymi wartościami w ciągu
uczącym (Rysunek 61, Rysunek 62 i Rysunek 63).
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.01):

Rysunek 64. Predykcja na zbiorze uczącym.

34/42

Predykcja danych w szeregach czasowych

Rysunek 65. Predykcja krokowa na zbiorze testowym

Rysunek 66. Predykcja ciągła na zbiorze testowym.

Przy obniŜeniu wartości dopuszczalnego błędu, uzyskane rezultaty na ciągu testowym
wykazują niesamowite zdolności predykcji danych. Sieć potrafiła poprawnie predykować
wartości dla 4-miesięcznego okresu następującego po ciągu uczącym. Niemniej jednak
zdolność do predykcji długoterminowej nie uległa znacznej poprawie. Okres predykcji w tym
przypadku nie przekracza nawet tygodnia.
Predykcja z zastosowaniem sieci numerycznej (max. błąd = 0.001):

Rysunek 67. Predykcja na zbiorze uczącym

35/42

Predykcja danych w szeregach czasowych

Rysunek 68. Predykcja krokowa na zbiorze
testowym.

Rysunek 69. Predykcja ciągła na zbiorze testowym.

Predykcja z zastosowaniem sieci znakowej (max. błąd = 1):

Rysunek 70. Predykcja na zbiorze uczącym.

Rysunek 71. Predykcja krokowa na zbiorze testowym.

Predykcja z zastosowaniem sieci znakowej (max. błąd = 0.01)

Rysunek 72. Predykcja na zbiorze uczącym.

Rysunek 73. Predykcja krokowa na zbiorze testowym.

36/42

Predykcja danych w szeregach czasowych
Predykcja z zastosowaniem sieci znakowej (max. błąd = 0.001)

Rysunek 74. Predykcja na zbiorze uczącym.

Rysunek 75. Predykcja krokowa na zbiorze testowym.

Zaskakującym jest fakt, iŜ sieć znakowa wykazuje zdolność do wiernego odwzorowywania
tak złoŜonej funkcji. Wyniki uzyskane w tej części badań są dla nie duŜo lepsze, niŜ w
poprzednich testach. W pewnych sytuacjach jest ona lepsza niŜ sieć numeryczna.
Wytłumaczyć to moŜna faktem, iŜ w ciągu uczącym róŜnice pomiędzy kolejnymi elementami
są bardzo małe.
Predykcja z zastosowaniem sieci numerycznej i sieci znakowej (max. błąd = 0.01):

Rysunek 76. Predykcja na zbiorze uczącym.

Predykcja danych w szeregach czasowych

Rysunek 77. Predykcja krokowa na zbiorze
testowym, ciągłym w stosunku do zbioru uczącego.

37/42

Rysunek 78. Predykcja ciągła na zbiorze testowym, po
okresie jednorocznej przerwy, w stosunku do zbioru
uczącego.

Ostatnie badanie polegało na sprawdzeniu jakości predykcji dla danych testowych,
pochodzących z następujących po sobie lat. Jak moŜna zauwaŜyć dokładność działania sieci
maleje wraz z

38/42

Predykcja danych w szeregach czasowych

6. Opis programu
PoniŜsze rysunki przedstawiają interfejs programu oraz jego podstawowe funkcje.
Okno z wykresem
wyników
Wybór metod
predykcji
Otrzymane krzywe
predykcji

Parametry sieci
numerycznej
Parametry regresji
wielomianowej
Parametry nauki sieci
neuronowych
Parametry zbiorów
uczących
Rozpoczęcie nauki

Rysunek 79. Okno główne programu - widok parametrów nauki.

39/42

Predykcja danych w szeregach czasowych

Parametry dotyczące
zakresu predykcji
Parametry dotyczące
typu predykcji
Rozpoczęcie
predykcji

Uzyskane wartości z
predykcji

Rysunek 80. Okno główne programu - widok parametrów predykcji

Dane kontrolne gromadzone w procesie
nauki oraz predykcji

Rysunek 81. Okno główne programu - widok danych wyników.

40/42

Predykcja danych w szeregach czasowych

Wartość predykcji
sieci znakowej

Wartość predykcji
dla metody regresji

Wartość rzeczywista
funkcji
Wartość predykcji
sieci numerycznej

Rysunek 82. Okno główne programu - widok danych predykcji.

Predykcja danych w szeregach czasowych

41/42

7. Wnioski
Projekt dał nam moŜliwość zgłębienia wiedzy na temat predykcji i aproksymacji danych.
Postawiony przed nami rzeczywisty problem, pozwolił nam zastosować własne rozwiązanie
w postaci sieci znakowej. Podejście to nie było nigdzie opisane, dlatego z niecierpliwością
oczekiwaliśmy na pierwsze wyniki. W celu zwiększenia efektywności tej metody,
postanowiliśmy wspomóc ją innymi rozwiązaniami. Tworząc tym samym system hybrydowy.
Nie ogranicza to w Ŝaden sposób naszych moŜliwości związanych z konfiguracją
poszczególnych modułów.
W celu oceny otrzymanego rozwiązania, przeprowadzone zostały testy na wybranych
funkcjach o róŜnych charakterystykach. W dokumencie zamieszczone zostały wyniki
przeprowadzonych badań. Sieć numeryczna w znakomitej większości przypadków
wykazywała swoją przewagę nad innymi podejściami. Na jej korzyść przemawiają równieŜ:
prostota oraz powszechnie znany algorytm uczenia.
Zaproponowana przez nas sieć znakowa nie radziła sobie dobrze z funkcjami testowymi.
Jednak dla funkcji rzeczywistej (notowań akcji na giełdzie) spisywała się ona porównywalnie
lub w nielicznych przypadkach nawet lepiej niŜ sieć numeryczna. Efekt ten uzyskiwany był
jednak tylko na krótkich przedziałach czasowych, nieznacznie oddalonych od zbioru
uczącego.
W projekcie uŜytkownik ma równieŜ moŜliwość wykorzystania metod statystycznych, jaką
jest regresja wielomianowa.
Rozwiązanie nasze cechuje bardzo dobra zdolność predykcji krótkookresowej, która moŜe
być przydatna w rzeczywistych zastosowaniach, na przykład podczas gry na giełdzie. Wyniki
predykcji długoterminowej są niezadowalające, czego moŜna się było spodziewać ze względu
na kumulację błędów predykcji krótkookresowej, co w skali dłuŜszego okresu czasu
odbiegało znacznie od wartości rzeczywistych.
Projekt ten stanowił dla nas wyzwanie i pozwolił nam zgłębić nasza wiedzę w tej dziedzinie.

Predykcja danych w szeregach czasowych

42/42

Literatura
Benjamin W. Wah, Minglun Qian „Constrained Formulations and Algorithms for Stock-Price
Predictions Using Recurrent FIR Neural Networks”
G. E. P. Box, G. M. Jenkins „Time Series Analysis: Forecasting and Control”
Józef Kalisz, Ryszard Pełka, Ryszard Szplet „Problemy projektowe w precyzyjnej metrologii
odcinków czasu”
Rayid Ghani, Hillery Simmons „Predicting the End-Price of Online Auctions”
Rick Martinelli „Market data prediction with adaptive kalman filter”
Jeffrey K. MacKie-Mason Anna Osepayshvili Daniel M. Reeves Michael P. Wellman „Price
Prediction Strategies for Market-Based Scheduling”
Ivakhnenko, A.G. „Recent Developments of Self-Organising Modeling in Prediction and
Analysis of Stock Market”
Foster „Commodities Futures Price Prediction An Artificial Intelligence Approach”
(presentation)
Sven F. „Crone Bussiness Forecasting with Artificial Neural Networks” (presentation)