СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Аннотация
Процессы хаотической динамики характеризуются крайне низким уровнем прогнозируемости. Однако чистый хаос встречается столь же редко, как любые другие вырожденные состояния материи и энергии. В самой природе хаоса заложена тенденция к упорядочиванию. В результате в структуре хаотической динамики возникают локальные тренды, которые могут использоваться для построения эффективных управляющих стратегий. В качестве примера хаотической динамики в настоящей работе рассмотрены большие массивы тестовых данных, формируемые последовательностями наблюдений за котировками валютных инструментов на электронном рынке Forex. Управление активами в конечном счете сводится к умению своевременно обнаружить начало и конец тренда, т. е. участка динамики котировки c фиксированным в среднем направлением изменения. Соответствующие управляющие стратегии, основанные на обнаружении трендов, относятся к категории тредовых стратегий. На различных участках наблюдений различные стратегии будут иметь разную эффективность. Однако на достаточно больших участках наблюдения можно получить относительно устойчивые оценки их эффективности. В связи с этим в настоящей работе рассмотрена задача сравнительного анализа управляющих стратегий, основанных на обнаружении трендов, по терминальному критерию – результирующему выигрышу. Для сравнения использовались типовые трендовые стратегии с оптимальными для заданных участков наблюдения значениями параметров. Для оптимизации значений параметров управляющих стратегий используется метод эволюционного моделирования.

 

Список литературы
1. Peters E.E. Chaos and order in the capital markets: a new view of cycles, prices, and market volatility. – 2nd ed. – New York: John Wiley & Sons, 1996. – 288 p.

2. Williams B.M. Trading chaos. – New Jersey: John Wiley & Sons, 2002. – 251 p.

3. Мусаев А.А. Моделирование котировок торговых активов // Труды СПИИРАН. – 2011. – Вып. 2 (17). – С. 5–32.

4. Колодко Д.В. Нестационарность и самоподобие валютного рынка Forex // Управление экономическими системами. – 2012. – № 3. – URL: http://www.uecs.ru/uecs-39-392012/item/1144--forex (дата обращения: 04.06.2014).

5. Пригожин И., Стенгерс И. Порядок из хаоса. Новый диалог человека с природой: пер. с англ. – М.: Прогресс, 1986. – 432 с.

6. Prigogine I. The philosophy of instability // Futures. – 1989. – Vol. 21, iss. 4. – P. 396–400. – doi:10.1016/S0016-3287(89)80009-6.

7. Хакен Г. Информация и самоорганизация. Макроскопический подход к сложным явлениям: пер. с англ. – М.: Мир, 1991. – 240 с.

8. Мусаев А.А. Численный анализ инерционности хаотических процессов // Труды СПИИРАН. – 2014. – Вып. 2 (33). – С. 48–59.

9. Мусаев А.А. Анализ инерционности хаотических процессов для вычислительной схемы без сегментации // Труды СПИИРАН. – 2014. – Вып. 4 (35). – С. 83–93. – doi: http://dx.doi.org/10.15622/sp.35.6.

10. Мусаев А.А. Эволюционное моделирование в задаче оптимизации управляющей стратегии // Научный вестник НГТУ. – 2014. – № 3 (56). – С. 132–142.

11. Fogel L.J., Owens A.J., Walsh M.J. Artificial intelligence through simulated evolution. – New York: John Wiley & Sons, 1966. – 231 p.

12. Аверченков В.И., Казаков П.В. Эволюционное моделирование и его применение: монография. – 2-е изд., стер. – М.: Флинта, 2011. – 200 с.

13. Каширина И.Л. Эволюционное моделирование: учеб. пособие для втузов. – Воронеж: Изд. центр ВГУ, 2011. – 60 с.

14. Курейчик В., Гладков Л., Курейчик В. Эволюционное моделирование и генетические алгоритмы. – Saarbrücken, Germany: Lambert Academic Publishing, 2011. – 260 с.

15. Карпов В.Э. Методологические проблемы эволюционных вычислений // Искусственный интеллект и принятие решений. – 2012. – № 4. – C. 43–50.

16. Рутковский Л. Методы и технологии искусственного интеллекта: пер. с пол. – М.: Горячая линия-Телеком, 2010. – 520 с.

17. Survey of Multiobjective Evolutionary Algorithms for Data Mining: Pt. 1 / A. Mukhopadhyay, U. Maulik, S. Bandyopadhyay, C.A. Coello // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, iss. 1. – P. 4–19. –

doi: 10.1109/TEVC.2013.2290086.

18. Survey of Multiobjective Evolutionary Algorithms for Data Mining: Pt. 2 / A. Mukhopadhyay, U. Maulik, S. Bandyopadhyay, C.A. Coello // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, iss. 1. – P. 20–35. – doi: 10.1109/TEVC.2013.2290082.

19. Carreno J.E. Multi-objective optimization by using evolutionary algorithms: The p-Optimality Criteria // IEEE Transactions on Evolutionary Computation. – 2014. – Vol. 18, iss. 2. – P. 167–179. – doi: 10.1109/TEVC.2013.2243455.

20. Das S., Suganthan P.N. Differential Evolution: A Survey of the State-of-the-Art // IEEE Transactions on Evolutionary Computation. – 2011. – Vol. 15, iss. 1. – P. 4–31. – doi: 10.1109/TEVC.2010.2059031.

21. Мусаев А.А. Эволюционно-статистический подход к самоорганизации прогностических моделей управления ТП // Автоматизация в промышленности. – 2006. – Вып. 7. – С. 31–35.