BG112248A - Мемс прибор с функционални елементи - Google Patents

Abstract

Изобретението се отнася до система и метод за прогнозиране на данни в реално време, по-специално за прогнозиране на данни за финансови, стокови, фондови, борсови и валутни пазари. Системата съгласно настоящото изобретение включва: клиентска система, SVMR модул и модул визуализация, където клиентската система (А) включва поне една клиентска база данни(l), клиентски интерфейс (2), резултативна база данни (3); модулът за визуализация включва свързани към клиентски интерфейс (2) съответно устройство за визуализация (4) и устройство за разпечатка (5) на резултативни данни; а SVMR модулът е включен към в сървърната система (В) заедно с база данни (6), уеб сървър (7), аналитична изчислителна група (8)и конфигурационен интерфейс (9), където аналитичната изчислителна група (8) се състои от последователно свързани модул за стационарна вълнова трансформация (СВТ) , SVMR модул и модул обратна стационарна вълнова трансформация (ОСВТ). Методът за прогнозиране на финансови и/или пазарни данни, съгласно изобретението включва последователно стационарна вълнова трансформация (СВТ) на реални и/или исторически данни до разлагане на коефициентни низове;SVМR обработка на коефициентни низове, получени от СВТ до нови исторически прогнозни коефициентни низове; и обратна стационарна вълнова трансформация (ОСВТ) на прогнозните низове, получени от SVMR обработката до търсените прогнозни данни. Използваната система съгласно настоящото изобретение осигурява такава оптимална комбинация от модули, които използват входящи финансови и/или пазарни данни и ги обработват посредством аналитичния изчислителен модул до получени прогнозни финансови и пазарни данни с висока точност на данните, постигната посредством обработката им чрез комбиниране на метода на стационарна вълнова трансформация с метода на опорните вектори, последван от обратна вълнова трансформация. По този начин се постига разлагане данните на няколко нива и използване на няколко паралелно работещи предварително обучени SVMR модела, което повишава точността на прогнозните резултати.

Description

(54) СИСТЕМА и МЕТОД ЗА ПРОГНОЗИРАНЕ НА ФИНАНСОВИ И/ИЛИ ПАЗАРНИ ДАННИ (57) Изобретението се отнася до система и метод за прогнозиране на данни в реално време, по-специално за прогнозиране на данни за финансови, стокови, фондови, борсови и валутни пазари.

Системата съгласно настоящото изобретение включва: клиентска система, SVMR модул и модул визуализация, където клиентската система (А) включва поне една клиентска база данни(1), клиентски интерфейс (2), резултативна база данни (3); модулът за визуализация включва свързани към клиентски интерфейс (2) съответно устройство за визуализация (4) и устройство за разпечатка (5) на резултативни данни; a SVMR модулът е включен към в сървърната система (В) заедно с база данни (6), уеб сървър (7), аналитична изчислителна група (8)и конфигурационен интерфейс (9), където аналитичната изчислителна група (8) се състои от последователно свързани модул за стационарна вълнова трансформация (СВТ), SVMR модул и модул обратна стационарна вълнова трансформация (ОСВТ). Методът за прогнозиране на финансови и/или пазарни данни, съгласно изобретението включва последователно стационарна вълнова трансформация (СВТ) на реални и/или исторически данни до разлагане на коефициентни HH3OBe;SVMR обработка на коефициентни низове, получени от СВТ до нови исторически прогнозни коефициентни низове; и обратна стационарна вълнова трансформация (ОСВТ) на прогнозните низове, получени от SVMR обработката до търсените прогнозни данни. Използваната система съгласно настоящото изобретение осигурява такава оптимална комбинация от модули, които използват входящи финансови и/или пазарни данни и ги обработват посредством аналитичния изчислителен модул до получени прогнозни финансови и пазарни данни с висока точност на данните, постигната посредством обработката им чрез комбиниране на метода на стационарна вълнова трансформация с метода на опорните вектори, последван от обратна вълнова трансформация. По този начин се постига разлагане данните на няколко нива и използване на няколко паралелно работещи предварително обучени SVMR модела, което повишава точността на прогнозните резултати.

претенции, 3 фигури

СИСТЕМА и МЕТОД ЗА ПРОГНОЗИРАНЕ НА ФИНАНСОВИ И/ИЛИ ПАЗАРНИ ДАННИ

ОБЛАСТ НА ИЗОБРЕТЕНИЕТО

Изобретението се отнася до система и метод за прогнозиране на данни в реално време, по-специално за прогнозиране на данни за финансови, стокови, стокови, фондови, борсови и валутни пазари, предназначено за използване от инвестиционните оценки и бизнеса, с цел преценка стойността на инвестициите, икономическата обосновка за сделки, анализ на данни, търсене оптимални решения свързани с капитал и ресурси, подобряване продуктивността, обмяна и анализ на данни, обработване на големи количества информация, при представянето на мениджъри за наблюдение поведение и пазарни тенденции в отрасли, както и при вземане на планови финансови решения във всички функционални области на икономиката.

ПРЕДШЕСТВАЩО СЪСТОЯНИЕ НА ТЕХНИКАТА

Инвестиционните,бизнес общносттите и държавни институции и др., с цел преценка стойността на инвестициите, икономическа обосновка за сделки и политики, наблюдение на тенденции в областите и изготвяне на ключови решения, използват данни за 25 тенденциите на пазара, който е обект на техния интерес.

От особена важност е актуалността на данните, т.е да черпят актуална информация и допълнителна информация под формата на надеждни прогнозни данни, които да обосноват вземането на съответните решения.

Допълнителната информация под формата на прогнози се основава на анализ и преценка на наличната актуална информация в реално време, които (прогнози) се получават при използване на различни подходи за анализ на тенденциите на пазара, за да може потребителят да бъде предварително информиран за тях при взимане на решение за участие в търговията.

.:2..:.. ·..··..·

Използваните методи от брокерските компании и индивидуалните търговци, при анализа на пазарите и прогноза посоката на ценовите тенденции най-общо са разделени в два различни подхода: фундаментален анализ и технически анализ. Фундаменталният анализ се фокусира върху основните макро- и / или микро-икономически фактори като брутен национален продукт, политиките на централните банки, инфлация, равнището на безработица, пазарен дял, приходи, рентабилност и снабдяване / потребление. За техническия анализ са важни предпоставките по отношение на това, че всички фактори, които влияят на конкретен пазар в даден момент вече са вградени в този пазар, дори ако тези фактори се основават на масова психология. Вниманието е концентрирано върху използването на технически разработки, различни индикатори и теории за предвиждане на пазарните движения за да се постигнат чрез анализа на точни прогнози поведението на пазара. За тези цели се използват данните за борсовата търговия, като обичайно тези данни са представят под формата на таблици или списъци за наблюдение. Някои от по-често срещаните технически показатели включват показатели за тенденциите (като нива на икономически растеж, брутен вътрешен продукт /БВП/, лихвени равнища, инфлация, безработица, парично предлагане, чуждестранни банкови резерви, данни за продуктивността и други.), моментни индикатори (скоростта на цените в определен период от време, показващи силата и слабостта на тенденция; попадащи стохастик, RSI и CCI) и индикатори за променливост, които показват размера и мащаба на ценовите колебания. Често при много технически показатели, най-вече при пълзящи средни показатели се филтрират краткосрочните промени в цената, така че да може да се наблюдава основната тенденция. Нежелана последица от осредняването, е че този показател изостава от текущите показатели на пазара. Това води до изоставане/забавяне на реакцията на търговците, в резултат от което могат да се генерират пропуснати ползи или загуби. Това показва важността и потребността от прецизен, акуратен метод и система за • · · · · ···· .:3. .:λ ’ прогнозиране на данни.

Известни са математически модели на база вълнова трансформация като времево честотни-трансформации които намират приложение както при обработка на сигнала на ускорения, например 5 при анализ на походката, при откриване на дефекти, при свръхшироколентова (UWB) безжични комуникации, така и във финансиите.

Известни са множество приложения на метода на опорните вектори за регресия т.н. съпорт вектор машини (SVMR модел) за 10 предвиждане на данни в различни области на техниката, поспециално при решаване на класификационни и регресионни задачи/проблеми, при класифициране на химически вещества за целите на научни или медицински изследвания и за прогнозиране на времето (климата), анализ на времеви серии от данни за прогнозиране на бъдещи данни, включително и за прогнозиране на финансови и пазарни данни.

От JP5276927 (В2)е известна система за предсказване на наводнения, съдържаща модул за входящи данни за наводнения, модул карта на предварително определен район, модул данни за 20 минали наводнения, модул критерии за наводнения; (SVMR) модул, прдварително обучен за създаване на прогнозни данни и прогнозиране на референтни данни и прогнозни данни и модул визуализация, където всичките описани модули формират клиентска система. Клиентската система е ситуирана непосредствено в 25 изчислителните мощности на ползвателя.

Съгласно изобретението, данните на валежите в повече от една точка на наблюдение по време на възникване на наводнения се събират и анализират чрез въвеждане в съпорт вектор машина, като се извличат закономерностите и критериите за всяка от 30 множеството точки за наблюдение, които в последствие се използват за предсказване на неизвестни данни.

В научна публикация Wei Hao Songnian Yo, 2006 IFIP, vol 207, pp 825-830; Knowledge Enterprise: Intelligent Strategies in Product Design, Manufacturing, and Management е публикувана статия Support Vector Regression for Financial Time Series .:4..:.. ·..··..·

Forecasting описваща метод за прогнозиране на финансови данни за стокова борса, създаване на прогнозни индекси посредством SVMR. Този метод претендира за висока точност при прогнозиране рачитайки единствено на точността на SVMR, посредством 5 подобряване на параметрите.

SVMR алгоритъмът обработва една времева серия от данни, включващи множество параметри, които трябва да бъдат анализирани и обработени с цел получаване на прогнозни бъдещи данни. Недостатък на този алгоритъм са голямото множество параметри, 10 сред които следва да бъде избран един набор, с използването които алгоритъмът работи най-добре и дава най-точни прогнозни резултати. Изборът на работните параметри се извършва на експериментален принцип, което не гарантира постоянство и стабилност в работата на метода, което дава отражение в 15 недостатъчната точност на прогнозните резултати, което не отговарят на практическите нужди за вземане на планови финансови решения във всички функционални области на икономиката. Същевременно известните SVMR модели извършват репресия на една единствена времева серия от данни, като получените след 20 репресията параметри на сипнала невинапи по представят достатъчно комплексно, което също влияе върху точността на пропнозните данни.

При този описан метод, копато данните са репулярни и циклични, трудно се избира подходящо множество от данни, които да дадат 25 резултат с постигната висока точност, все още съществува ефектът на случайност и нестабилност и тези методи и системи в недостатъчна степен отговорят на практическите нужди за вземане на планови финансови решения във всички функционални области на икономиката.

Задачата на настоящето изобретение е да се създаде система и метод, които да позволяват такава обработка и подготовка на параметрите на входящите данни, която да ги представи двумерно или многоизмерно в зависимост от тяхната сложност, както и да се постигне подбор на оптималните параметри при обработката на които да се осигури търсената висока точност и сигурност на прогнозните данни при избягване на необходимостта от значителен скъп изчислителен ресурс.

ТЕХНИЧЕСКА СЪЩНОСТ НА ИЗОБРЕТЕНИЕТО

Съгласно изобретението задачата се решава посредством система за прогнозиране на финансови и/или пазарни данни, включваща клиентска система, състояща се от поне една клиентска база данни, клиентски интерфейс, резултативна база данни и устройство за визуализация и разпечатка на резултативни данни; и сървърна система, състояща се от база данни, уеб сървър, конфигурационен интерфейс, свързващ клиент база данни и аналитична изчислителна група, където аналитичната изчислителна група включва последователно свързани модул за стационарна вълнова трансформация (СВТ) , изчислителен SVMR модул и модул обратна вълнова трансформация (ОСВТ). Клиентската система включва:

Клиентската база данни е избрана от Postgrade, Oraqle или SQL, съхраняваща исторически данни и данни в реално време за движението на цените на стоките на стоковата борса или движението на цените на акциите на фондовата борса или движението на валутните курсове на форекс пазарите.

Клиентският интерфейс служи за въвеждане на заявка за прогнозиране на данни, комуникира с Конфигурационния интерфейс от Съвърната система, получава резултатите от заявката за прогнозиране и попълва Резултативната база данни.

Резултативната клиентска база данни в която постъпват и се съхраняват прогнозните резултати получени в резултат на подадената заявка за прогнозиране.

Устройство за визуализация на прогнозните данни комуникира с клиентски интерфейс.

Устройство за разпечатване на прогназните данни комуникира с клиентски интерфейс.

Сървърната система включва:

.:6. .:λ ’

Сървър база данни избрана от Postgrade, Oraqle или SQL, която съхранява данните получени от Външна база данни, която може да бъде клиентската база, данни за финансовите пазари или друга стокова и фондова борса.

Уеб сървърът осигурява интерфейс връзка между вътрешната инфраструктура на Сървърната система, като осъществява млежовия трафик и комуникацията между клиентите и системата.

Аналитична изчислителна група може да бъде избрана от всички видове мултипроцесорни изчислителни машини. Аналитична изчислителна група изтегля в реално време данните от Сървър база данните и ги обработва чрез използване на вълнова трансформация и SVMR модели до получаване на нови прогнозни данни, които през Уеб сървъра и Конфигурационния интерфейс се връщат в Клиентския интерфейс.

Конфигурационият интерфейс - конфигурира данните за предвиждане.

Свързващ клиент за данни, представлява софтуер за осъществяване на връзка между Клиентската база-данни и Уебсървъра.

В един друг вариант системата обект на изобретението комуникира и допълнително външни бази данни, избрани от: Standard & Poor's Global Industry Classification System or the U.S. Government's North American Industry Classification System, Commitment of Traders published by the U.S. Commodity Futures

Trading Commission, композитни индекси като на пример Deutcher Aktienindex, Financial Times Stock Exchange 100, Brent Crude Index и т.н. които могат да предоставят корелационни исторически на прицелния пазар данни в базата данни в Сървър- база-данни, като аналитичната изчислителна група ползва тези данни за постигане на висока точност на прогнозните данни.

Настоящото изобретение се отнася и до метод за прогнозиране на финансови и пазарни данни, чрез който се комбинират възможностите на стационарна вълнова трансформация СВТ (SWT) и метод на опорните вектори за регресия SVMR модел, при които последователно се извършват следните действия:

..1..:.. ·..··..·

а) стационарна вълнова трансформация (СВТ) на реални и/или исторически данни до разлагане на коефициентни низове.

б) SVMR обработка на коефициентни низове, получени от ВТ до нови исторически прогнозни коефициентни низове;

в) обратна стационарна вълнова трансформация(ОСВТ) на прогнозните низове, получени от SVMR обработката до търсените прогнозни данни.

Известно е, че за да работи един SVMR модел той се обучава 10 предварително, като се ползват исторически времеви серии от данни за минали периоди, като част от тези данни служат за обучение, а друга част за тестване на резултатите на модела. Обучението се състой в многократно повтаряне на метода за прогнозиране с използване на едни и същи избрани исторически 15 данни да постигане на мин. грешки и отклонения от тестовите исторически данни.

По-детайлно SVMR обработката на коефициентните низове, получени от СВТ включва следните стъпки:

I. ПОДГОТОВКА НА SVMR модела (обучение и тестване)- работа с исторически данни до получаване на прогнозни исторически данни, които се сравняват с тестови исторически данни.

1. Обучение:

.а. избор на историческа серия данни (ИД) от избрания пазар (валутни двойки, борсови коефициенти, цени на злато и ценни метали);

1.б избор на набор от параметри на SVMR модела за обучение и тестване;

1.в. вълнова трансформация на избраните данни до получаване на множество коефициентни низове (КН);

1.г. нормализация на всеки от коефициентните низове в границите между 0 и 1;

1.д. обработка на всеки от коефициентните низове със собствен /индивидуален SVMR до получаване на прогнозни коефициентни низове (ПКН);

.:λ ’

1.е. обратна стационарна вълнова трансформация -ОСВТ на всички прогнозни коефициентни низове заедно до прогнозни данни (ПД) ;

1.ж. изчисляване/измерване на средната квадратна грешка между прогнозни данни и тестови данни. Записва се средна квадратична грешка (ИГ1 на исторически данни);

1.з. избор на нови набори параметри по методите Нелдер Мид и Рояк частици за груба и фина настройка на параметрите, свързани с SVMR и стационарна вълновата трансформация и мнгократно повтаряне на действията от т.1.б. до 1.ж. до получаване на минималните средни квадратни грешки;

1.и. определяне работните параметри на SVMR и отклонения от тестовите исторически данни.

2. Тестване (дообучение) на модела

2.а. В обучения SVMR модел се въвеждат актуални данни (АД) от същия избран пазар в реално време, повтарят се стъпки от τ.Ι.Β. до 1.е. до получаване на прогнозни данни (ПД).

2.6. Сравнение на получените прогнозни данни ПД с реалните актуални данни (РАД) и изчисляване на средната квадратна грешка (АГ на актуални данни) и прогнозните данни (съвпада с 1. ж) ;

2.в.определяне оптимизираните параметри на SVMR модела.

II. РАБОТА НА SVMR МОДЕЛА

V - З.а. Получените оптимизирани параметри на SVMR модела се залагат за работа на модела при предвиждане на данни в реално време;

З.б. изпълнение на стъпки от 1.в.до 1.е. с използването на актуални данни в реално време за получаване на търсените прогнозни данни.

Използваната система съгласно настоящото изобретение, осигурява такава оптимална комбинация от модули, които използват входящи финансови и/или пазарни данни и ги обработват посредством аналитичния изчислителен модул до получени прогнозни финансови и пазарни данни с висока точност на данните, постигната посредством обработката им чрез комбиниране на метода на стационарна вълнова трансформация с метода на опорните вектори, последван от обратна вълнова трансформация. По този начин се постига разлагане данните на няколко нива и използзване на няколко паралелно работещи предварително обучени SVMR модела, което повишава точността на прогнозните резултати.

Получените прогнозни данни от използваната система и метод са предназначени за прогнозиране на финансови и/или стокови и валутни пазари и служат за изчисляване на предсказуем технически/ценови показател, например съотношението на валутната двойка евро/долар, цени злато, петрол, акции идр.

с

Предимство е и използването на интелигентен метод за подбор на параметрите чрез прилагане на методите на нелдер мид и рояк частици, чрез което се постига груба и фина настройка и се получават най-точни резултати.

ПОЯСНЕНИЕ НА ПРИЛОЖЕНИТЕ ФИГУРИ

Фиг. 1 представлява блок схема на система за прогнозиране на данни.

Фиг.2 представлява схема на функционирането на аналитичния изчислителен модул/1 пазар

С

Фиг.З представлява подробна схема на функционирането на аналитичния изчислителен модул за прогнозиране на цени на един прицелен пазар с помощта на данни от корелационни пазари (Множество пазари)

ПРИМЕР ЗА ИЗПЪЛНЕНИЕ НА ИЗОБРЕТЕНИЕТО

Настоящото изобретение е описано по-подробно с позоваване на приложените фигури, които служат за илюстриране на неговото примерно изпълнение, предназначено за по-доброто разбиране на изобретението и не ограничават неговия обхват, чиито блокови схеми са показани на фиг.1, 2 и 3.

В едно изпълнение на изобретението, системата съгл фиг. 1 • · · » · ··· • · · · · · · · · включва първо клиентска система А с клиентска база данни 1 за предвиждане на движението на определен от клиента прицелен пазар.

Системата включва и резултативна база-данни 3, в която постъпват 5 и се съхраняват прогнозните резултати, устройство за визуализиране 5 и устройство за разпечатване 4;

Системата включва още и клиентския интерфейс 2 свързан с конфигурационен интерфейс 9 от сървърният модул В който от своя страна е свърван с уеб сървъра 7.

На сървърната система В е разположена сървърна база данни 6 в която в реално време постъпват исторически и/или актуални данни за движението на индексите/стойностите на прицелния пазар от клиентската база данни 1 на клиентската система А. В други случай с цел точността на прогнозите да бъде повишена могат да се използват и данни в реално време и от други корелационни пазари;

Системата включва още аналитична изчислителна група 8, разположена на сървърния модул В, в която се помещават (са разположени) предварително обучените SVM модели.

Клиентът ползвател на системата съгл фиг.1 подава в реално време запитване чрез клиенсткия интерфейс 2, като през конфигурационния интерфейс 9, уеб сървърът 7 изтегля в реално време необходимите актуални текущи финансови данни от клиентската база данни, и ги съхранява в сървърната база данни

6. Уеб сървърът 7 проверява за правилното конфигуриране на необходимите данни на сървърната база данни 6, проверява тяхната цялост и в случай, че тези условия не са изпълнени, изисква през свързващия клиент за данни 10 необходимите допълнителни данни от клиентската база данни. Всички данни получени в сървърната база данни 6 постъпват в аналитично изчислителната група 8.

Изчислителната група 8 приема данните за движението на цената на еврото спрямо долара от сървърната база данни 6, като актуалните текущи входящи данни се разлагат чрез стационарна вълнова трансформация на няколко коефициентни низа (нива), съответстващи ·· · · · · < · Λ · * ··· ·· · · · на броя на предварително обучените SVMR модели и се подлагат на обработка по метода на опорните вектори до получаване на прогнозни коефициентни низове.

Новополучените прогнозни коефициенти се добавят на края на 5 обработените коефициентните низове, като същия брой коефициенти се отстраняват от началото на съответния обработен коефициентен низ. По този начин рамката на коефициентите е времево изместена напред. Така получените нови коефициентни низове, които имат в края си прогнозни коефициенти, се подлагат на обратна стационарна вълнова трансформация до получаване на прогнозна цена на еврото спрямо долара.

Получените прогнозни цени се изпращат през уеб сървъра 7 и конфигурационния интерфейс 9 към клиентския интерфейс 2, където влизат (се попълват) в резултативната клиентска база данни 3 или 15 се визуализират под формата на графика от устройство за визуализация 4 или се отпечатват в справочни таблици или списъци за наблюдение от устройство за разпечетка 5.

В друго изпълнение системата включва и допълнителни корелационни 20 данни за други пазари или валутни двойки, за които е установено, че е налице взаимосвързаност в движението на съответните индикатори. Например за валутната двойка долар евро корелационни данни могат да бъдат данните за валутната двойка долар/швейцарски франк и евро/швейцарски франк, а също и 25 движението на цената на трой унция злато на борсата.

Използването на допълнителните кореционни пазари при прогнозиране на цената на прицелния пазар има за цел повишаване на точността на прогнозата, чрез въвеждане на допълнителни данни в SVMR модела.

В това изпълнение при подаване на запитване от клиент ползвател на системата съгл фиг.З подава в реално време запитване чрез клиенсткия интерфейс 2, като през конфигурационния интерфейс 9, уеб сървърът 7 изтегля в реално време необходимите актуални текущи финансови данни от клиентската база данни 1, базите данни 35 на корелационен пазар 1 и корелационен пазар 2, и ги съхранява в • · · i « »··· .t2.

сървърната база данни 6. Уеб сървърът 7 проверява за правилното конфигуриране на необходимите данни на сървърната база данни 6, проверява тяхната цялост и в случай, че тези условия не са изпълнени, изисква през свързващия клиент за данни 10 необходимите допълнителни данни от клиентската база данни1, базите данни на корелационен пазар 1 и корелационен пазар2.

Всички данни получени в сървърната база данни 6 постъпватв аналитично изчислителната група 8 (Data crunching cluster). Изчислителната група 8 приема данните за движението на цената на 10 еврото спрямо долара, корелационен пазар 1 и корелационен пазар 2 от сървърната база данни 6, като актуалните текущи входящи данни на прицелния пазар, корелационен пазар 1 и корелационен пазар 2 поотделно се разлагат чрез стационарна вълнова трансформация на еднакъв брой нива/низове като за всяко ниво всеки пазар формира свой коефициентен низ. Преди постъпване за обработка в съответния SVMR коефициентните низове от всяко ниво на прицелния пазар, и съответните нива на корелационен пазар 1 и корелационен пазар 2 се обединяват в общ коефициентен низ, като коефициентните низове от корелационен пазар 1 се прибавят в края 20 на коефициентните низове на прицелния пазар, а коефициентните низове на корелационен пазар 2 в края на общите низове. Броят на низовете съответства на броя на предварително обучените SVMR модели. Коефициентните низове и се подлагат на обработка по метода на опорните вектори до получаване на прогнозни коефициентни низове.

Новополучените прогнозни коефициенти се добавят на края на обработените коефициентните низове, като същия брой коефициенти се отстраняват от началото на съответния обработен коефициентен низ. По този начин рамката на коефициентите е времево изместена 30 напред. Така получените нови коефициентни низове, които имат в края си прогнозни коефициенти, се подлагат на обратна стационарна вълнова трансформация до получаване на прогнозна цена на еврото спрямо долара.

Получените прогнозни цени се изпращат през уеб сървъра 7 и конфигурационния интерфейс 9 към клиентския интерфейс 2, където • · · · · ·· · • · V · · · · · · .d. ’ ·..· ·..· ’ .:.

влизат (се попълват) в резултативната клиентска база данни 3 или се визуализират под формата на графика от устройство за визуализация 4 или се отпечатват в справочни таблици или списъци за наблюдение от устройство за разпечетка 5.

Представен е пример за предвиждане на движението на валутната двойка долар/евро за 2015.03.24, 22:01 до 22:15 часа. При обучението на SVMR модела са заложени исторически данни от 201503-24 18:00:00 до 22:00:00 часа, включващи четири цени за всяка 10 минута - начална цена, най-висока цена, най-ниска цена и крайна цена. Извлечение от данните, които сме използвали за обучението на модела са представени по-долу:

Дата и час	Начална	Най-висока	Най-ниска	Крайна
15	цена	цена	цена	цена
24.03.2015 18:00	1.09047	1.09069	1.09037	1.09068
24.03.2015 18:01	1.09066	1.09108	1.09065	1.09101
24.03.2015 18:02	1.09102	1.09139	1.09102	1.09113
24.03.2015 18:03	1.09113	1.09128	1.0911	1.09122
20 24.03.2015 18:04	1.09128	1.09153	1.09128	1.09147
24.03.2015 18:05	1.09148	1.09148	1.09129	1.09129
24.03.2015 18:06	1.09131	1.09138	1.09129	1.09136
24.03.2015 18:07	1.09137	1.09138	1.09096	1.09096
24.03.2015 18:08	1.09097	1.09135	1.09096	1.09135
25 24.03.2015 18:09	1.09136	1.09167	1.09135	1.0915
24.03.2015 18:10	1.09153	1.0916	1.09137	1.0915
24.03.2015 18:11	1.09149	1.0916	1.09149	1.0916
24.03.2015 18:12	1.09162	1.09199	1.09162	1.09197
24.03.2015 18:13	1.09205	1.09253	1.09196	1.09225
30 24.03.2015 18:14	1.09225	1.0923	1.09194	1.09195
2015-03-24 21:51	1.09276	1.09277	1.09263	1.09267
2015-03-24 21:52	1.09267	1.09268	1.09261	1.09261
2015-03-24 21:53	1.09263	1.09294	1.09263	1.09294
35 2015-03-24 21:54	1.09294	1.09294	1.09282	1.09289
2015-03-24 21:55	1.09289	1.09296	1.09287	1.09291
2015-03-24 21:56	1.0929	1.09296	1.09289	1.09289
2015-03-24 21:57	1.09291	1.09294	1.09274	1.09274
2015-03-24 21:58	1.09274	1.09274	1.09242	1.09255
40 2015-03-24 21:59	1.09254	1.09257	1.09241	1.09248
2015-03-24 22:00	1.09248	1.09248	1.09236	1.09245

Тези данни се подлагат на стационарна вълнова трансформация която има вълна модифицирана към моделираните входящи данни, • · · ·· · · · « » · · · · · · · постигната чрез тестване на множество фамилии вълни на принципа на пробата и грешката до откриване на вълна, която представя най-прецизно входящите данни и с най-малък брой коефициенти. При подготовката вълновите коефициенти се използват като мостри, а 5 историческите коефициенти като етикети на съответното вълново ниво/коефициентен низ и коефициентите на съседните вълнови нива. Като за подготовката на даден SVMR модел, разположен на η вълнови нива и m исторически стойности за вълново ниво 1 за мострен коефициент х в момент t (xl,t) се представя вектор у на етикетите към променящата функция на SVMR:

Xlt={Yl-n,t-1,Yl-n,t-2,Yl-n,t-3...Yl-n,t-m,Yl-n+1,t-1,Yln+1, t-2,Yl-n+1,t-3,...Yl-n+1,t-m,...Y1,t-1,Y1,t-2,Yl,t-3...Yl,tm,Yl+l,t-1,Yl+1,t-2,Yl+1,t-3,...Yl+1,t-m,Yl+n,t-1,Yl+n,t2,Yl+n,t-3,...Yl+n,t-m}

Получените от вълновата трансформация коефициентни низове дават двуизмерно (в две нива) представяне на входящите стойности или многоизмерно (в много нива) представяне, когато входящите данни са сложни и са подложени на няколко вълнови трансформации. При извършането на вълновата трансформация оригиналните входящи стойности се разлагат на толкова нива/низа, за колкото е осигурен изчислителен ресурс, при което входящите стойности се представят във всяко ниво под формата на низ от коефициенти, които се нормализират грубо в границите между 0 и 1.

Стартовите параметри на моделите за всяко ниво/низ се подлагат на интелигентен метод за оптимизация чрез прилагане на PSO и Nelder Mid. За PSO сме ползвали пет стъпки за пет частици, като са подбрани най-добре представящите се два набора параметри, след което тези два най-добри представящите се два набора параметри се подлагат на оптимизация в пет стъпки по метода на Нелдел Мид.

Новите оптимизирани параметри се въвеждат в SVMR моделите за всяко ниво и системата се стартира до получаване на нови прогнозни данни. Процесът се повтаря могократно до постигане на • · · · · ·· A • · · · · 4 · · · максимално близки прогнозни данни до историческите данни, които се ползват за оптимизацията на системата.

Параметрите на SVMR моделите при които системата е извела максимално близките данни до историческите данни се залагат като работни и системата е готова за прогнози в реални условия/време.

В резултат се получават прогнозни данни, чиято грешка е значително по-малка, сравнена с прогнозните данни, получени при 10 използване на обикновен SVMR без предварително подлагане на данните на вълнова трансформация.

Данните са подложени на стационарна вълнова трънсформация тип Coifl с разлагане на девет коефициентни низа, които се обработват от девет обучени SVM модела използващи ядра Gaussian Radial Basis Function

Параметри на SVM модела за първо ниво: цена 100, епсилон 0.00004, първи параметър на изчислителното ядро 18.1, втори параметър на изчислителното ядро 0.108544, съотношение на съседните нива 0.8, толеранс на грешка 0.0000001, авторегресионно закъснение 2.

Параметри на SVM модела за второ до девето ниво: цена 60, 25 епсилон 0.0000473067, първи параметър на изчислителното ядро 18.852, втори параметър на изчислителното ядро 0.108544, съотношение на съседните нива 0.5, толеранс на грешка 0.01, авторегресионно закъснение 2

Начална цена
реална цена	предвидена цена обикновен SVMR	предвидена цена съгл. изобретението	грешка при обикновен SVMR	грешка съгл. изобретението
1.09245	1.09172	1.09195	0.00073	0.0005
1.0924	1.09172	1.09194	0.00068	0.00046

1.09231	1.09174	1.09192	0.00057	0.00039
1.09234	1.09171	1.09192	0.00063	0.00042
1.09232	1.09168	1.09191	0.00064	0.00041
1.09217	1.09167	1.0919	0.0005	0.00027
1.09225	1.09162	1.0919	0.00063	0.00035
1.09227	1.09155	1.0919	0.00072	0.00037
1.09225	1.09146	1.09189	0.00079	0.00036
1.09227	1.09134	1.09189	0.00093	0.00038
1.09233	1.09119	1.09189	0.00114	0.00044
1.09235	1.09101	1.0919	0.00134	0.00045
1.09228	1.09082	1.0919	0.00146	0.00038
1.09217	1.09063	1.0919	0.00154	0.00027

Най-висока цена
реална цена	предвидена цена обикновен SVMR	предвидена цена съгл. изобретението	грешка при обикновен SVMR	грешка съгл. изобретението
1.09248	1.09444	1.09209	-0.00196	0.00039
1.0924	1.09443	1.09208	-0.00203	0.00032
1.09234	1.0943	1.09207	-0.00196	0.00027
1.0924	1.09422	1.09205	-0.00182	0.00035
1.09234	1.09418	1.09205	-0.00184	0.00029
1.09227	1.09416	1.09204	-0.00189	0.00023
1.09228	1.09406	1.09204	-0.00178	0.00024
1.09228	1.09391	1.09204	-0.00163	0.00024
1.09229	1.09372	1.09204	-0.00143	0.00025
1.09231	1.09348	1.09204	-0.00117	0.00027
1.09237	1.09317	1.09204	-0.0008	0.00033
1.09235	1.09279	1.09204	-0.00044	0.00031
1.09228	1.09236	1.09204	-0.00008	0.00024
1.09236	1.09193	1.09204	0.00043	0.00032

Най-ниска цена
реална цена	предвидена цена обикновен SVMR	предвидена цена съгл. изобретението	грешка при обикновен SVMR	грешка съгл. изобретението
1.0924	1.09081	1.09182	0.00159	0.00058
1.09224	1.09081	1.09181	0.00143	0.00043
1.0923	1.09082	1.09179	0.00148	0.00051
1.09233	1.09078	1.09178	0.00155	0.00055
1.09217	1.09077	1.09177	0.0014	0.0004
1.09217	1.09076	1.09176	0.00141	0.00041
1.09223	1.09073	1.09176	0.0015	0.00047
1.09225	1.09068	1.09176	0.00157	0.00049
1.09223	1.09061	1.09176	0.00162	0.00047
1.09225	1.09052	1.09176	0.00173	0.00049
1.09233	1.09042	1.09176	0.00191	0.00057

• · · · · · · · ·

1.09225	1.09028	1.09176	0.00197	0.00049
1.09215	1.09014	1.09176	0.00201	0.00039
1.09217	1.09001	1.09177	0.00216	0.0004

Крайна цена
реална цена	предвидена цена обикновен SVMR	предвидена цена съгл. изобретението	грешка при обикновен SVMR	грешка съгл. изобретението
1.0924	1.09405	1.09196	-0.00165	0.00044
1.09232	1.09405	1.09195	-0.00173	0.00037
1.09233	1.09392	1.09194	-0.00159	0.00039
1.09233	1.09384	1.09192	-0.00151	0.00041
1.09217	1.09381	1.09191	-0.00164	0.00026
1.09225	1.09379	1.09191	-0.00154	0.00034
1.09228	1.09369	1.0919	-0.00141	0.00038
1.09225	1.09354	1.0919	-0.00129	0.00035
1.09226	1.09335	1.0919	-0.00109	0.00036
1.09227	1.09311	1.0919	-0.00084	0.00037
1.09234	1.0928	1.0919	-0.00046	0.00044
1.09228	1.09242	1.09191	-0.00014	0.00037
1.09217	1.092	1.09191	0.00017	0.00026
1.09236	1.09157	1.09191	0.00079	0.00045

ПАТЕНТНИ ПРЕТЕНЦИИ

Claims (2)

1. Система за прогнозиране на финансови и/или пазарни данни включваща: клиентска система, SVMR модул и модул визуалицация, характеризираща се с това , че клиентската

5 система (А) включва поне една клиентска база данни(1), клиентски интерфейс (2), резултативна база данни (3); модулът за визуалицация включва свързани към клиентски интерфейс (2)съответно устройство за визуализация (4) и устройство за разпечатка (5) на резултативни данни; a SVMR

10 модулът е включен към в сървърната система (В) заедно с база данни (6), уеб сървър (7), аналитична изчислителна група ' (8)и конфигурационен интерфейс (9), където аналитичната изчислителна група (8) се състои от последователно свързани модул за стационарна вълнова трансформация (СВТ), SVMR модул

15 и модул обратна стационарна вълнова трансформация (ОСВТ).

2. Метод за прогнозиране на финансови и/или пазарни данни, съгласно претенция 1, характеризиращ се с това, че последователно в системата се извършват следните стъпки:

20 а) стационарна вълнова трансформация (СВТ) на реални и/или исторически данни до разлагане на коефициентни низове;

б) SVMR обработка на коефициентни низове, получени от СВТ до нови исторически прогнозни коефициентни низове;

в) обратна стационарна вълнова трансформация (ОСВТ) на

25 прогнозните низове, получени от SVMR обработката до търсените прогнозни данни.

3. Метод съгласно Претенция 2, характеризиращ се с това,че SVMR обработката на коефициентните низове, получени от СВТ, 30 включва:

I. ПОДГОТОВКА НА SVMR модела (обучение и тестване)- работа с исторически данни до получаване на прогнозни исторически данни, които се сравняват с тестови исторически данни;

1/ Обучение:

l.a) избор на историческа серия данни (ИД) от избрания пазар (валутни двойки, борсови коефициенти, цени на злато и ценни метали);

1.6) избор на набор от параметри на SVMR модела за обучение и тестване;

1.в) вълнова трансформация на избраните данни до получаване на множество коефициентни низове (КН) ;

1.г) нормализация на всеки от коефициентните низове в границите между 0 и 1;

1.д) обработка на всеки от коефициентните низове със собствен /индивидуален SVMR до получаване на прогнозни коефициентни низове (ПКН);

1.е) обратна стационарна вълнова трансформация -ОСВТ на всички прогнозни коефициентни низове заедно до прогнозни данни (ПД);

1.ж) изчисляване/измерване на средната квадратна грешка между прогнозни данни и тестови данни. Записва се средна квадратична грешка (ИГ1 на исторически данни);

1.з) избор на нови набори параметри по методите Нелдер Мид и Рояк частици за груба и фина настройка на параметрите, свързани с SVMR и стационарна вълновата трансформация и мнгократно повтаряне на действията от 1.6). до 1.ж) до получаване на минималните средни квадратни грешки;

1.и) определяне работните параметри на SVMR и отклонения от тестовите исторически данни.

2) Тестване (дообучение) на модела

2.а) В обучения SVMR модел се въвеждат актуални данни (АД) от същия избран пазар в реално време, повтарят се стъпки от 1.в) до 1.е) до получаване на прогнозни данни (ПД).

2.6) Сравнение на получените прогнозни данни ПД с реалните актуални данни (РАД) и изчисляване на средната квадратна грешка (АГ на актуални данни) и прогнозните данни (съвпада с 1. ж) ;

2.в)определяне оптимизираните параметри на SVMR модела.

II. РАБОТА НА SVMR МОДЕЛА

З.а) получените оптимизирани параметри на SVMR модела се залагат за работа на модела при предвиждане на данни в реално 5 време;

З.б) изпълнение на стъпки от 1.в) до 1.е) с използването на актуални данни в реално време за получаване на търсените прогнозни данни.

4. Метод съгласно Претенция 2, характеризиращ се с това, че 10 реалните и/или исторически данни за прицелния пазар, подложени на СВТ, се разлагат на повече от един коефициентни Ч_ч, низове.

5. Метод съгласно Претенция 2, характеризиращ се с това, че 15 коефициентните низове се обработват аналитично с предварително обучени SVMR модели.

6. Метод съгласно претенция 2, характеризиращ се с това, че на ВТ се подлагат освен реални и/или исторически данни за 20 прицелния пазар и исторически и/или реални спомагателни данни на един или повече корелационни пазари.