Neuronske mreže u potpori upravljanju portfeljem dionica

Ribarić, Tomislav (2011) Neuronske mreže u potpori upravljanju portfeljem dionica. Diplomski rad thesis, Sveučilište Jurja Dobrile u Puli.

Puni tekst

PDF - Objavljena verzija Restricted to Samo registrirani korisnici Sva prava pridržana. Nije dopušteno niti jedan dio reproducirati ili distribuirati bez prethodnog pismenog odobrenja. Download (4MB)

Sažetak

Umjetna inteligencija predstavlja vrlo važan aspekt moderne računalne znanosti, gdje primjena njenih paradigmi rezultira iznimno uspješnim implementacijama programskih rješenja za širok spektar realnih problema. Mogućnost nadgledanog i ne nenadgledanog učenja, generalizacije naučenog, sposobnost zaključivanja, prepoznavanje novih uzoraka, te prilagodba novim situacijama samo su neke od mogućnosti kojima programska rješenja bazirana na strukturama i algoritmima tih paradigmi uspješno rješavaju one probleme koje konvencionalni algoritmi ne bi mogli riješiti dovoljno optimalno, ili bi im za to trebalo previše vremena. Rudarenje podataka i otkrivanje znanja, prepoznavanje rukopisa i govora, biometrički sigurnosni sustavi, samostalno prepoznavanje uzoraka i klasifikacija podataka, prognoziranje financijskih kretanja, te odabir optimalne orbite satelita samo su neke od efikasnih primjena metoda umjetne inteligencije. Sve paradigme umjetne inteligencije modeliraju određene aspekte bioloških sustava, poput mreže neurona biološkog mozga, živčanog sustava u cjelini, procesa evolucije organizama, imunološkog sustava organizama i dr. Iako su mogućnosti umjetnih struktura i algoritama još uvijek daleko od bioloških sustava koje modeliraju, te je računalo s inteligencijom koja bi se mogla mjeriti s ljudskom još uvijek daleka budućnost, te strukture gore navedene probleme rješavaju izrazito efikasno. Razlog tome je način njihova funkcioniranja koji uključuje niz jednostavnih operacija koje se istovremeno izvršavaju, pri čemu svaka obrađuje jedan dio problema; na taj se način problem rastavlja na jednostavnije elemente i pronalazak rješenja je prirodniji, što i jest u skladu s načinom rada bioloških sustava kojima se teži. Umjetne neuronske mreže jedna su od često primjenjivanih paradigmi, koje modeliraju strukturu i princip funkcioniranja biološkog mozga, odnosno mreže moždanih stanica - neurona. Način na koji biološka neuronska mreža funkcionira, a to je paralelna obrada informacija sa strane milijuna neurona, čiji je princip rada krajnje jednostavan, omogućava efikasno rješavanje različitih problema primjenom umjetnih neuronskih mreža čija se struktura i algoritmi baziraju na toj funkcionalnosti. Ti se problemi u svojoj biti svode na klasifikaciju i aproksimaciju kompleksnih, nelinearnih podataka, a uključuju prepoznavanje obrazaca poput rukopisa ili govora, rudarenje podataka i otkrivanje znanja, te predviđanja različitih budućih kretanja. Upravo je primjena za predviđanje financijskih kretanja, točnije kretanja cijena odnosno stopa rasta dionica, ona primjena umjetnih neuronskih mreža na temelju koje je ta paradigma detaljno razrađena u ovom radu. Nadalje, svi opisani teorijski principi implementirani su u sustavu za potporu upravljanju portfeljem dionica, koji prati rad. Nakon uvoda u paradigme umjetne inteligencije, biološke sustave koje modeliraju i načine njihove primjene, opisani su osnovni principi, strukture i vrste umjetnih neuronskih mreža. S obzirom da vrsta neuronske mreže koja se obrađuje u radu pripada skupini neuronskih mreža koje uče nadgledano, ta je skupina detaljnije razrađena, dok su svojstva neuronskih mreža koje uče nenadgledano okvirno predstavljena i opisana. Predstavljene su i arhitekture mreža koje uče nadgledano, kao i algoritmi kojima se te mreže uče, te pravila koja se pritom primjenjuju. Nadalje, opisana je struktura i način rada umjetnog neurona - osnovne građevne jedinice umjetne neuronske mreže - kao i veze (sinapse) među njima, te su ti modeli uspoređeni sa strukturom i principima bioloških neurona i sinapsi. Vrsta umjetne neuronske mreže koja se detaljno razlaže u ovom radu, te koja se primjenjuje u sustavu za potporu upravljanju portfeljem dionica, višeslojan je perceptron. No, prije obrade višeslojnog perceptrona, detaljno je razložen jednoslojan perceptron, čije je razumijevanje ključno za razumijevanje funkcionalnosti višeslojnog perceptrona. Opisani su osnovni elementi perceptrona, kao što su percetronske jedinice (neuroni) i njihove aktivacijske funkcije, zatim pojmovi praga, pojačanja, prostora ulaza, hiperravnina odluka te linearne odvojivosti. Nakon toga je dan prikaz praktične primjene opisanih pojmova kroz jednostavne probleme klasifikacije i aproksimacije koje jednoslojan perceptron može rješiti. Na kraju je opisan proces učenja perceptrona, sama priroda učenje, algoritmi i pravila koja se pri tome primjenjuju, kao i skupovi uzoraka za učenje. Nakon razrade jednoslojnog perceptrona slijedi detaljna razrada višeslojnog perceptrona, gdje se opisuje uloga skrivenih slojeva neurona, način njihova funkcioniranja i dr. Ovdje su detaljno opisana pravila učenja višeslojnih perceptrona, te su izvedeni algoritmi koji primjenjuju ta pravila, a koji su implementirani u sustavu za potporu upravljanju protfeljem dionica. Opisani su i nedostaci tih algoritama, kao i moguća rješenja istih, nakon čega su predstavljeni načini procjene efikasnosti, tj. kvalitete klasifikacije odnosno aproksimacije podataka. Tu je opisan problem generalizacije i učenja “napamet”, opisane su metode validacije, kao i metode testiranja, s krajnjim ciljem utvrđivanja optimalne arhitekture perceptrona za rješavanje danog problema. U nastavku su opisane različite metode optimizacije arhitekture višeslojnog perceptrona s ciljem pronalaska one optimalne. Razrada višeslojnih perceptrona završava s opisom primjene istih u predviđanju vremenskih nizova, gdje su razložena općenita svojstva vremenskih nizova, zatim financijski vremenski nizovi, te zaključno metode procjene kvalitete aproksimacije vremenskih nizova. U sljedećem poglavlju razloženi su financijski pojmovi vezani uz predviđanje financijskih vremenskih nizova, poput dionica, portfelja, tržišnog portfelja i indeksa tržišta vrijednosnica. Za primjer je uzet indeks Zgrebačke burze, CROBEX, koji je zatim detaljnije razrađen. Na kraju su opisani načini primjene višeslojnog perceptrona za predviđanje cijena odnosno stopa rasta dionica, kao i neke važnije postavke koje bi pritom trebalo uzeti u obzir. Posljednje poglavlje opis je sustava za potporu upravljanju portfeljem dionica, koji implementira većinu teorijskih principa predstavljenih u prethodnim poglavljima, a kojeg je razvio autor rada. Opis počinje s definiranjem softverske arhitekture na kojoj se sustav temelji, nakon čega slijedi prikaz modela sustava i opis svih tehnologija koje su korištene pri implementaciji. S obzirom da sustav za spremanje podataka koristi relacijsku bazu podataka, prikazan je model baze, te su zatim detaljno razloženi svi podsustavi, uz priložene dijagrame istih. Posljednje poglavlje opisuje postupak predviđanja cijena dionica, a za demonstraciju je odabrana dionica poduzeća Ericsson Nikola Tesla d.d. Za predviđanje su korištena tri višeslojna perceptrona sličnih arhitektura, čiji su rezultati opisani na kraju poglavlja.

[error in script]

Tip objekta:	Teza (Diplomski rad)
Mentor:	NIJE ODREĐENO
Dodatne informacije:	2011/193
Teme:	3 Društvene znanosti > 33 Ekonomija. Ekonomska znanost > 330 Ekonomija općenito > 330.4 Matematička ekonomija > 330.47 Ekonomska informatika
Odjeli:	Odjel za ekonomiju i turizam "Dr. Mijo Mirković" > Poslovna informatika
Datum pohrane:	21 Pro 2011 12:46
Zadnja promjena:	21 Pro 2011 12:46
URI:	http://eknjiznica.unipu.hr/id/eprint/927

Actions (login required)

Pregledaj stavku