Professional Documents
Culture Documents
Dudka Magistr
Dudka Magistr
Магістерська дисертація
на здобуття ступеня магістра
зі спеціальності 122 Компьютерні науки та інформаційні технології
на тему: «Фрактальні моделі економічних процесів»
Виконав (-ла):
студент II курсу, групи КА-65м
Дудка Богдан Романович __________
Керівник:
професор, д.ф.т.н., проф.,
Бідюк П.І. __________
Рецензент:
Завідувач кафедри математичного
аналізу і теорії ймовірностей ,
д.ф.-м..н., проф.,
Кльосов О.І. __________
Київ
5
2018
РЕФЕРАТ
ABSTRACT
ЗМІСТ
ВСТУП...........................................................................................................9
Висновки до розділу...............................................................................36
Висновки до розділу...............................................................................46
Висновки до розділу...............................................................................87
ПЕРЕЛІК ПОСИЛАНЬ...............................................................................89
2
R – коефіцієнт множинної детермінації;
AIC – Akaike info criterion (інформаціонний критерій Акайке);
DW – Darbin-Wotson (статистика Дарбіна-Уотсона);
MAE (САП) – mean absolute error (середня абсолютна похибка);
MAPE (СААП) – mean absolute percent error (середня абсолютна
похибка у процентах);
RMSE(СеКП) – root mean squared error (стандартне відхилення
залишків, середньоквадратична похибка);
SSE – sum of squared errors (сума квадратів похибок);
U – коефіцієнт Тейла.
АКФ – автокореляційна функція;
АРКС – авторегресія з ковзним середнім;
КС – ковзне середнє;
МНК – метод найменших квадратів;
РМНК – рекурсивний метод найменших квадратів;
ЧАКФ – часткова автокореляційна функція;
10
ВСТУП
РОЗДІЛ 1
ОСОБЛИВОСТІ РОЗВИТКУ СУЧАСНИХ ФІНАНСОВО-
ЕКОНОМІЧНИХ ПРОЦЕСІВ
1.1 Нелінійні нестаціонарні процеси в економіці та фінансах
Стаціонарні
1.2 Огляд моделей нелінійних нестаціонарних Нестаціонарні
процесів
1.2.1Нестаціонарні
Моделі процесів з лінійним трендом
Нелінійні
стосовно параметрів
Нелінійні
стосовно змінних
15
k−1
´ bk+ ε ( k),
y ( k )=a0 + ∑ a i y (k−i)+ (1.1)
i=1
k−1
´ b1 t +b2 t 2 + ε (k ),
y ( k )=a0 + ∑ a i y (k−i)+ (1.2)
i=1
16
k−1
´ −i)+ 1
y ( k )=∑ ai y (k a 0 +a1 k
+ ε (k ), (1.3)
i=1 e +1
1
де y ( k )= a0+ a 1 k
−¿ логістичний тренд.
e +1
Логістична форма тренду підходить для опису такого процесу, при
якому досліджуваний показник проходить повний цикл розвитку,
починаючи, як правило, від нульового рівня, спочатку повільно, але з
прискоренням зростаючи, потім прискорення стає нульовим у середині
циклу, тобто зростання відбувається за лінійним трендом, потім, в
завершальній частині циклу, зростання сповільнюється по гіперболі в міру
наближення до граничного значення показника.
17
y ( k )=a ( k ) +d 1 (k )k , (1.4)
y ( k )= y ( k −1 ) +ε ( k ) , (1.6)
k
y ( k )= y 0+ ∑ ε(i ). (1.7)
i=1
Ek [ y ( k +1 )| y ( k ) , y ( k −1 ) , … , ε ( k−1 , .. ) ]=E [ y ( k ) +ε ( k +1 ) ] = y (k ) ;
(1.8)
k +s
Ek [ y ( k + s ) ] = y ( k )+ E k [ ∑ ε ( i )= y ( k )] . (1.9)
i=k+1
p
h (k) = β0 + ∑ β i ε2(k – i) + ε1(k).
2
(1.11)
i=1
p q
h2(k) = β0 + ∑ β iε2(k – i) + ∑ α i h2(k – i) + ε1(k). (1.12)
i=1 i=1
(1.13)
p q
y(k) = β + γ h(k) + ε1(k), h2(k) = a0 + a1∑ ε 2 (k – i) + ∑ h2(k - i) + ε2(k),
i=1 i=1
(1.13)
Нормування даних
Розповсюдженим методом нормування даних є логарифмування з
наступним формуванням додаткових часових рядів з перших чи других
різниць.
Різниці n-го порядку представляють собою наближений дискретний
аналог n-ї похідної. Використання різниць дає можливість будувати моделі
для швидкості та прискорення основної змінної. Часто із значень ряду
віднімають його середнє значення для того щоб отримати можливість
працювати з відхиленнями. Такий підхід застосовують, наприклад, при
побудові моделей у просторі станів з їх подальшим використанням для
оптимальної фільтрації або оптимального керування процесом. Застосування
того чи іншого методу підготовки даних для моделювання визначається в
кожному випадку індивідуально.
Досить гарні результати нормування при оцінюванні множинної
регресії:
y ( k )= β0 + β 1 x 1 ( k ) + β 2 x 2 +...+ β p x p ( k ) +ε (k ), (1.14)
x i ( k )− x́ i x i ( k )− x́ i
x iH ( k ) = =
√ Si N
1 /2 , k=1,…,N, i=1,…,p; (1.15)
( ∑ ( xi ( k ) − x́i )2)
k=1
y ( k )− ý y ( k )− ý
y H ( k )= = N
√S y 2 1 /2 , (1.16)
(∑ ( y ( k )− ý ) )
k=1
~
x i ( k )=x i ( k )− x́ i ; ~y ( k )= y ( k )− ý , (1.17)
~y ( k )=β ~ ~ ~ (1.18)
1 x 1 ( k ) + β 2 x 2 ( k ) + ... β p x p ( k ) + ε ( k ) .
1 1 1
y H ( k ) S 2y =β 1 S 12 x 1 H ( k ) + β 2 S22 x2 H ( k )+ …
λmax
ŋ= | |
λmin
, (1.21)
Цифрові фільтри
Основними перевагами цифрових фільтрів над аналоговими є наступні:
а) висока точність: в аналогових фільтрах точність обмежена
допусками на елементи;
б) стабільність, так як відсутній дрейф параметрів в залежності від
умов зовнішнього середовища;
в) гнучкість в налаштуванні та легкість зміни параметрів фільтрів;
г) компактність.
R=[ ], (1.24)
∑ ( xli−x́ l ) ( x ji−x́ j )
i =1
rx x = , l, j=1 ,… ,m , (1.25)
l j n n
√∑ (
i=1
x li − x́l )
2 2
∑ ( x ji− x́ j )
i=1
N
1
x́ j= ∑x , (1.26)
N i=1 ji
де N – це число вимірів.
Використовуючи значення коефіцієнтів кореляції, можна прийняти
рішення про включення їх у рівняння регресії, яке представляється у
загальному вигляді як:
1
∑ [ y ( k )− ý ][ y ( k−s )− ý ] (1.29)
k=s +1
r y ( s )=r y(k) y (k− s)= 2
, s=1,2,3 , … ,
N−1 σ y
29
r 2−r 21
Ф11 =r ( 1 ) , Ф22= 2
, (1.30)
1−r 1
s−1
r s−∑ Ф s−1 , j r s− j
j=1
Ф ss = s−1
, (1.31)
1−∑ Фs−1 , j r j
j=1
^ [ X T X ]−1 X T y ,
θ= (1.33)
X =[ ]. (1.35)
Таким чином:
θ^ МП =argmax l ( X 1 , .. . , X n|θ )
θ ∈Θ .
(1.37)
var ( ^y )
R 2= , (1.38)
var ( y )
N N
∑ e (k )= ∑ [ ^y (k )− y (k )]2→ min
2
k =1 k =1 ^ θ ,
(1.39)
N
AIC=N ln( ∑ e 2 (k ))+2 n .
k=1 (1.40)
∆ y ( k ) =γy ( k −1 ) +ε ( k ) , (1.41)
∆ y ( k ) =a0 + γy ( k−1 ) + ε ( k ) , (1.42)
∆ y ( k ) =a0 + γy ( k−1 ) + a0 k +ε ( k ) , (1.43)
r s=1−6 [ ]
∑ di
i=1
2
n ( n −1 )
,
(1.44)
2 RSS
Тоді відношення R= RSS буде мати (за у мови правдивості припущення
1
S
СКП =
√ 1
∑
S i=1
2
( y ( k +s )− y ( k + s , k )) . (1.45)
S
1
СП = ∑ y ( k + s )− y ( k +s , k ).
S i=1
(1.46)
S
1 y ( k + s )− y (k + s , k )
СПП = ∑ × 100 %. (1.47)
S i=1 y ( k+ s)
Висновки до розділу
Постановка задачі
1. Сформулювати методику побудови моделей часових рядів.
2. Виконати загальний огляд деяких методів заповнення пропусків у
статистичних даних та проаналізувати вплив кожної з них на
статистичні характеристики моделей відповідних процесів.
38
¿ p ( ε ≤θ T x ¿ )= Λ (θT x ¿ ). (2.2)
Передостання рівність випливає з симетричності логістичного
розподілу, Λ позначає логістичну функцію — функцію розподілу
логістичного розподілу:
ex ex
Λ ( x )= = . (2.3)
1+ e x 1+e− x
p( 1∨X ) p( 1∨X )
ln =ln =b + b x +…+b j x j. (2.4)
1− p(1∨ X ) p(0∨X ) 0 1 1
ẋ=A ( x , u ) + B1 w
{ z=K ( x , u) ,
y=C ( x ) +v
(2.5)
s s
Ф ( x ( 0 ) ) +∫ L1 ( w ( t ) , v ( t ) ) dt ≤d +∫ L2 ( z ( t ) ) dt , (2.6)
0 0
∂ ∇ x V ( A ( x ,u 0 ) +B 1 w)
{ ∂t
V +max w∈ R m
{
−L1 ( w , y 0−C ( x ) ) + L2 ( K ( x ,u 0)) ,
V (.,0 )=Ф
} (2.8)
V̇ =F ( V ,u 0 , y 0 ) , (2.9)
∇ x V ( A ( x , u0 ) + B1 w)
F ( V , u0 , y 0 )=−max
u∈ Rm {
−L1 ( w , y 0−C ( x ) ) + L2 ( K ( x , u0 )) } (2.10)
u0 ( t ) , y 0 ( t ) , 0 ≤t ≤ s , V̇ =F ( V , u0 , y 0 ) , (2.11)
χ s={ x ∈ Rn :V ( x , s ) ≤ d } , (2.12)
~ '
x ( t ) ) X ( t ) ( x −~x ( t ) )+ ϕ(t ).
V ( x , t ) =0.5∗ ( x−~ (2.13)
Тоді
n '
~
χ s= { x ∈ R : 0.5∗( x−~
x ( s ) ) X ( s ) ( x−~
x ( s ) ) ≤ d−ϕ(s) } . (2.14)
2
E [ ε ( k ) ε ( l ) ]= σ ε , k =l .
{ 0,k≠l
(2.16)
y ( k +1 )−μ y ( k ) −μ ε ( k +1 )
[ ] [ ][ ] [ ]
y ( k )−μ
…
y ( k− p+2 )−μ
a1 ⋯ a p
y ( k −1 )−μ = ⋮ ⋱ ⋮
0 ⋯ 0
y ( k −1 )−μ
y ( k −2 )−μ + 0
…
y ( k− p+1 )−μ
…
0
0
(2.18)
y ( k )−μ
[…
]
z ( k )= y ( k ) =μ +[1 0 … 0] y ( k −1 )−μ .
y ( k− p+1 ) −μ
(2.20)
43
σ 2ε ⋯ 0
[ ]
Q= ⋮ ⋱ ⋮ .
0 ⋯ 0
(2.21)
P( E ∩ H )
P ( E|H )=
P( H )
. (2.22)
P( H ∩ E)
P ( H| E )=
P(E)
. (2.23)
P( E∨H) P( H )
P ( H| E )=
P( E)
. (2.24)
N
PB ( X 1 , … , X N ) =∏ P B (X i ∨Pa( X i)) . (2.25)
i=1
45
1 ^ ( xi ∨e)2))
MSE= (i) ∑
( ∑ ( P ( x (i)|e )− P
∑ card( A ) X є X ¿ ∀ x є X
i i i . (2.26)
i
X єX¿
P ( x (i )|e )
D K ( P ( x( i)|e ) , P
^ ( x i|e ) ) = ∑ (P ( x (i )|e )∗log ( )¿).¿ (2.27)
∀xєX
i i ^ (xi ∨e)
P
1 ^ ( x i|e ) ). (2.28)
Dk ( P , P
^ )= ∑ D K ( P ( x (i)|e ) , P
card( X ¿) X є X ¿
i
1 ^ ( x i|e ) ).
DH ( P , ^
P )= ∑ DH ( P ( x (i)|e ) , P (2.29)
card (X ¿) X є X ¿
i
Висновки до розділу
РОЗДІЛ 3
ПОБУДОВА МАТЕМАТИЧНИХ МОДЕЛЕЙ ТА ОЦІНЮВАННЯ
ПРОГНОЗІВ ВИБРАНИХ НЕЛІНІЙНИХ НЕСТАЦІОНАРНИХ
ПРОЦЕСІВ
3.1 Існуючі комп’ютерні системи для обробки даних
y (k )=c 0 +c 1 y (k −1)+c 2 y (k −2)+ε(k )=0 , 1566+0 , 8648 y (k −1)+0 , 124 y(k −2) .
(3.3)
2
R =0 , 9808 ; J =СКП=69 , 7785 ; DW =1 , 99297 . (3.6)
2
R =0 , 9822; J =СКП =62 , 8651; DW =2 , 0114.
(3.8)
Побудуємо
модель
ARMA(1,1) .
На рисунку
3.7
зображені результати оцінювання моделі ARMA(1,1).
2
R =0 , 9805 ; J=СКП=72, 1677 ; DW =1 , 9747 . (3.10)
Рисунок 3.12 - Функціональне вікно для задання параметрів для побудови мережі
У
якості вхідних параметрів представлені відповідні змінні, які ми отримали за
вибраної регресійної моделі. Також для навчання та перевірки роботи мережі
вхідна вибірка була розділена на тестову на перевірочну у наступному
співвідношенні – 60/40. Для методу навчання мережі був обраний Наївний
баєсів класифікатор. У якості залежної змінної було обрано зміну Predict, яка
відповідає набору значень прогнозу, які були отримані за допомогою обраної
моделі авторегресії AR(4). На рисунку 3.13 зображена структура
побудованої мережі.
70
Рисунок 3.15 - Стан мережі, який відповідає заданим станам кожної з її вершин
22,107+ 22,205
Forecasted ¿ = =22,1965. (3.13)
2
22,107+22,205
Pre d New = =22,1965 (3.14)
2
|22,1965−22,15|
APE= ×100 %=0.2 % (3.16)
22,15
16
15.5
15
14.5
14
13.5
194 195 196 197 198 199 200 201 202 203 204 205 206
Рисунок 3.18 - Графіки значень прогнозу за моделю, мережею Байєса та істинних значень
Висновки до розділу
РОЗДІЛ 4
РОЗРОБЛЕННЯ СТАРТАП-ПРОЕКТУ
4.1 Опис ідеї проекту
№
Показники стану ринку (найменування) Характеристика
п/п
1 Кількість головних гравців, од 0
2 Загальний обсяг продаж, грн/ум.од 0
3 Динаміка ринку (якісна оцінка) Стагнує
4 Наявність обмежень для входу (вказати характер Нестабільна економіка
обмежень)
5 Специфічні вимоги до стандартизації та сертифікації Необхідне
врегулювання НБУ
6 Середня норма рентабельності в галузі (або по ринку), 300
%
діяльність
підприємства
(можливі дії
середовища характеристика компанії, щоб
бути
конкурентоспром
ожною)
1. Вказати тип конкуренції Монополія
- монополія/олігополія/
монополістична/чиста
2. За рівнем конкурентної Національний/міжнародний Покращення
боротьби якості продукту
- локальний/національний/… Постійне
3. За галузевою ознакою Внутрішньогалузева оновлення,
- міжгалузева/ додаткові
внутрішньогалузева можливості для
4. Конкуренція за видами Товарно-родова клієнта
товарів: Технічна
- товарно-родова підтримка
- товарно-видова цілодобово
- між бажаннями Низька
5. За характером конкурентних Цінова собівартість
переваг продукту
- цінова / нецінова
6. За інтенсивністю Не марочна
- марочна/не марочна
продукт. ринок.
2 Іноземні Середня. Якщо Середній Прямих Якщо
банки показати, на конкурентів на зареєструвати
скільки це ринку немає. компанію у
вигідно, вони рідній країні
сприймуть банків, то
продукт. можна просто
зайти на ринок.
3 Потенційні Висока. Якщо Високий Прямих За правильної
клієнти вартість конкурентів на маркетингової
банків додатку буде ринку немає. стратегії вийти
мінімальною, на ринок
користувачі просто.
будуть його
купляти.
4 Фірми Висока Середній Прямих Просто.
швидких (зважаючи конкурентів на
кредитів невелику ринку немає.
кількість
таких
компаній і їх
незначні
розміри)
10-20 осіб у
регіональному
відділенні)
Висновки до розділу
ПЕРЕЛІК ПОСИЛАНЬ
20.
93