Машинне навчання багатошарових прогнозних моделей біржових показників.

Анотація

Розглядається важливість прогнозування ціни на золото за допомогою штучних інтелектуальних систем. Наводяться аргументи щодо значення точного прогнозування цінових тенденцій у галузі золота, яка є ключовою для інвесторів, фінансових установ та економічних аналітиків. Використання штучного інтелекту (ШІ) у цьому контексті може допомогти у покращенні стратегій управління ризиками та прийнятті рішень на фінансових ринках. За допомогою інтелектуального моніторингу люди отримують інформацію про властивості об’єкта чи процесу шляхом створення та використання бази модельних знань під час обробки результатів спостережень. При використанні інтелектуального моніторингу для прогнозування фінансових показників виникає потреба у синтезі прогнозуючих моделей на обмеженій вихідній інформації про історію процесу, оскільки кожна майбутня величина прогнозованого показника визначається факторами, які існували в минулому. Моделювання процесів ціноутворення біржових облігацій проходить в умовах структурної та інформаційної невизначеності. З метою зниження невизначеності процесу прогнозування біржових показників у роботі подаються результати досліджень використання нового методу машинного навчання як додаткового структурного елемента у поєднанні з уже існуючими алгоритмами синтезу моделей багатошарового агентного синтезатора предикторів. Не завжди використання нового елемента приводить до покращення характеристик системи в цілому. Перевірялась гіпотеза про покращення характеристик агентних синтезаторів моделей при використанні нового методу машинного навчання як структурного елемента шару. Для прикладу досліджено процес прогнозування цін золота на біржі. Запропоновано одночасно зі створенням нових методів машинного навчання змінювати структуру багатошарового синтезатора моделей. Досліджено, яким чином нові властивості структурного елемента одного із шарів змінюють структуру агентного синтезатора моделей в цілому. Результати досліджень доводять ефективність процесу побудови нового методу машинного навчання як структурного елемента багатошарового агентного синтезатора моделей.