Были рассчитанны значения вероятностей Pt*(с) совершения последней сделки по направлению хвоста незаконченного ИПС в зависимости от размера хвоста - “с” по формуле:

где - количество ИПС, у которых последняя сделка была совершена по направлению хвоста индекса незаконченного ИПС,

- количество ИПС, у которых последняя сделка была совершена против направления хвоста индекса незаконченного ИПС.

Возможны только два варианта трансформирования текущего незаконченного ИПС в законченный ИПС. В первом варианте новая сделка совершается по направлению хвоста индекса незаконченного ИПС, при этом образуется ИПС с одними параметрами, а во втором варианте ее направление совершения не совпадает с направлением хвоста индекса незаконченного ИПС, при этом образовавшийся ИПС имеет другие параметры.

Соответственно, при совершении новой сделки по направлению хвоста индекса, если с>0, значение “с” увеличивается на 1, если с<0, то значение “с” становится равным 1. Параметр “а” также увеличивается на 1, если для незаконченных ИПС направление хвоста индекса совпадает с рыночным направлением.

При совершении новой сделки против направления хвоста индекса незаконченного ИПС, если с>0, значение “с” становится равным -1, если с<0, то значение “с” уменьшается на 1. Параметр же “b” увеличивается 1.

Зависимость (10) можно представить такой же, как и в (3) функцией:

Найденное методом наименьших квадратов значение exp(-) равно 0,94.

2.1.4. Нахождение вероятностей повышения и понижения САЛК в конце ИПС неизвестного размера

Рассмотрим схему образования законченного ИПС из незаконченного. Ввиду большого числа возможных вариантов трансформаций незаконченного ИПС в различные ИПС в случаях большого размера последних, ограничимся рассмотрением формирования ИПС, размер которых не превышает 3 сделки. Схема образования различных ИПС размером в 3 сделки показана на рис. 4.

Схема формирования различных ИПС размером в 3 сделки

Рис. 4

Линиями с наклоном вверх, обозначены сделки, совершаемые в направлении аккумулирования. Линии с наклоном вниз обозначают сделки, совершенные в направлении диссипации. Возле каждой линии указаны вероятности совершения соответствующей ей сделки.

Зная вероятности Ррac(a,b,c) и Рnac(a,b,c) изменения САЛК по завершению ИПС определенного размера, рассмотрим случай, когда размер ИПС неизвестен, что соответствует реальным условиям торгов.

Из экспериментальных данных следует, что частота появления ИПС определенного размера l=а+b уменьшается с увеличением значения l (табл. 2).

Таблица 2

Количество ИПС размера l=а+b в экспериментальной статистической базе данных

l	N(l)
1	182
2	117
3	86
4	67
5	44
6	38
7	25
8	18
9	12
10	13
11	4
12	4
13	7

N(l)-количество ИПС размера l в экспериментальной статистической базе данных.

Общее количество ИПС в экспериментальной статистической базе данных - n=627.

Делением каждой величины N(l) на n были получены экспериментальные значения вероятностей f(l) появления ИПС с размером l. Значения функции f(l) приведены в табл. 3.

Таблица 3

Экспериментальные значения вероятностей f*(l)появления ИПС с размером l

l	f*(l)
1	0,290
2	0,187
3	0,137
4	0,107
5	0,070
6	0,061
7	0,040
8	0,029
9	0,019
10	0,021
11	0,006
12	0,006
13	0,011

Экспериментально полученная зависимость f*(l) хорошо аппроксимируется показательной функцией:

.

Согласно правилу В.И. Романовского, гипотезу о данном виде функции f(l) можно считать верной, если число R<3:

,

где - статистика Пирсона;

k - число степеней свободы.

Величина вычисляется по формуле:

,

где - абсолютные экспериментальные частоты: =N(j);

- абсолютные теоретические частоты;

m - минимальная величина размера ИПС до которой происходит подсчет .

При этом m и вычисляются по формулам:

m1+ln n

=f(j)n

Число степеней свободы k для экспоненциального вида функции f(l) вычисляется как:

k=m-2

Было выбрано m=8, при этом число R, вычисленное по формулам (13)-(17) составило 0,95<3, т.е. гипотезу о данном виде функции (12) можно считать верной.

Значения f(l), в зависимости от величины l, приведены в табл. 4.

Таблица 4

Значения аппроксимированной зависимости f(l)вероятности появления ИПС размером l от величины l

l

f(l)

1

2

1

0,262

2

0,192

Продолжение табл. 4

1

2

3

0,140

4

0,103

5

0,075

6

0,055

7

0,040

8

0,029

9

0,021

10

0,016

11

0,011

12

0,008

13

0,006

Пусть lmax-размер ИПС, начиная с которого, вероятность появления ИПС с размерами llmax по статистике меньше 0,01. Из приведенных в табл.4.12 результатов видно, что lmax =12 для исследуемых акций. В дальнейших расчетах, будем считать, что максимальный размер ИПС не превышает величины lmax. С учетом этого каждому незаконченному ИПС, размера l (llmax) можно поставить в соответствие функцию fl(х), которая определяет вероятности появления законченных ИПС с размером х: lх12. Функции fl(х) выражаются как:

,

где 1 llmax, lxlmax.

Искомые величины Рр(a,b,c) и Рn(a,b,c) рассчитываются следующим образом:

Рn(a,b,c)=1-Рр(a,b,c),

где l - размер текущего незаконченного ИПС, l=a+b;

fl(x) - вероятность того, что ИПС размером x будет законченным;

H(x) - вероятность того, что новая сделка вызовет повышение САЛК

законченного ИПС размером x.

Поскольку с увеличением значения x число слагаемых в функции H(х) увеличивается по закону геометрической прогрессии, формулы расчета значений H(х) приведены только для H(l) и H(l+1), так что:

если с>0:

H(l)=Рpаc(a,b,c)

H(l+1)=Pt(c)Рpаc(a+1,b,c+1)+(1-Pt(c))Рpаc(a,b+1,-1)

если с<0:

H(l)=Рpаc(a,b,c)

H(l+1)=(1-Pt(c))Рpаc(a+1,b,1)+Pt(c)Рpаc(a,b+1,c-1)

где Рpаc(a,b,c) - вероятность повышения САЛК законченного ИПС с параметрами a,b,c;

Pt(c) - вероятность совершения новой сделки по направлению хвоста индекса незаконченного ИПС в зависимости от величины с.

2.2. Применение теории проверки гипотез Байеса

Пусть имеется выборка х=(х1,...,xn) размера n. Известно, что эта выборка принадлежит одному из двух распределений: W(x|A1) или W(x|A2). Априорные вероятности состояний А1 и А2 равны, соответственно, v1 и v2=1-v1. Необходимо найти оптимальный с точки зрения возможных потерь метод принятия решения о том, какому из указанных распределений принадлежит выборка.

Пусть H1 и H2 гипотезы о том, что выборка принадлежит распределениям, соответственно, W(x|A1) и W(x|A2), а и -решения, состоящие в принятии гипотез, соответственно, Н1 или Н2.

Определим граничное значение х*, в зависимости от которого по текущему х будем принимать решения в пользу гипотезы Н1 или Н2. При х<х*, условимся принимать решение , тогда, как при х>х*, будем принимать решение . Вероятности неизбежных ошибок при принятии решения выражаются как:

где р1 - вероятность принятия решения при реализации гипотезы Н1;

р2 - вероятность принятия решения при реализации гипотезы Н2.

Вероятности принятия правильных решений можно выразить как:

Пусть известны цены правильных и ошибочных решений, так что:

С11-цена правильного принятия решения ;

С21-цена ошибочного принятия решения ;

С22-цена правильного принятия решения ;

С12-цена ошибочного принятия решения ;

С12>C11, C21>C22.

Среднее значение потерь равно:

R=v1r1+v2r2

r1=C11P(|A1)+C12P(|A1)=C11(1-p1)+C12p1

r2=C21P(|A2)+C22P(|A2)=C21p2+C22(1-p2)

Подставляя в (29) выражения (30) и (31), получим:

R=v1C11+v2C21+v1(C12-C11)p1-v2(C21-C22)(1-p2)

Подставляя величины р1 и р2 из (25) и (26) в промежуточное выражение (32), находим, что окончательно среднее значение потерь определяется как:

Минимальное значение средних потерь R достигается, когда подынтегральная функция будет неотрицательной, или когда при интегрировании в области [x*,xn]:

v2(C21-C22)W(x|A2)v1(C12-C11)W(x|A1)

Граничное значение х* находится из выражения:

Функция называется отношением правдоподобия.

Обычно вместо граничного значения х* используется пороговое значение , так что:

Тогда оптимальный метод принятия решения можно выразить так:

при L, принимается решение ; при L<, принимается решение .

Отношения правдоподобия есть, по сути, отношение вероятностей наступления состояний А2 и А1 в зависимости от значения х:

С учетом вышеописанного, рассмотрим нахождение порога принятия решения для прогнозирования и принятия соответствующего рыночной ситуации правильного решения.

Пусть необходимо совершить определенную сделку покупки или продажи ценной бумаги. Такая ситуация может быть обусловлена приказом клиента, распоряжением руководства фирмы или просто собственным решением трейдера, принятым в результате рыночного анализа. Допустим, необходимо купить пакет акций.

Автор диссертации /1/ рассматривает два варианта вычисления порога принятия решения в зависимости от игнорирования или учета величины потенциальной потери.

Рассмотрим первый вариант, когда величина потенциальной потери не принимается в расчет. В этом конкретном случае переменные, входящие в выражение (36), определяются следующим образом.

Величины v2 и v1 описывают вероятности, соответственно, повышения и понижения котировок, которые показывают, как часто встречаются эти события в реальных условиях. Пусть частоты появления этих двух событий одинаковы, тогда:

v1=v2=0,5

Величина С11 представляет собой стоимость правильного решения «не покупать» при последующем снижении котировок. В рассматриваемом варианте:

С11=0

при этом отсутствуют как потери, так и выигрыши.

Величина С12 описывает стоимость ошибочного решения «покупать», при последующем снижении котировок. Эта стоимость складывается из величины убытка L, обусловленного снижением котировочных цен на купленные акции, и уплаченной комиссии за совершение сделки q:

С12=L+q

L вычисляется как произведение величины изменения САЛК и количества купленных акций :

L=|S(i+1)-S(i)|N

S(i+1)<>S(i)

В данной работе принимается, что величина ближайшего изменения САЛК |S(i+1)-S(i)| равняется текущей разнице между ценами лучших предложений на покупку и продажу.

Величина C21 представляет собой стоимость ошибочного решения «не покупать» при дальнейшем увеличении котировок. В данном случае теряется потенциальная прибыль, величина которой равна:

С21=L-q

Величина C22 выражает стоимость правильного решения «покупать» при дальнейшем увеличении котировок, равную полученной прибыли:

С22=-(L-q)

Подставив величины С11, С12, С21, С22, определенные выражениями (38), (39), (40), (41), (44) в формулу (36), получим:

Из выражения (45) видно, что если величина q сравнима с L, потенциальная прибыль, в основном, пойдет на компенсацию комиссионных. В таких случаях, в соответствии с вышеизложенным методом оптимального принятия решения, следует покупать только при значениях Рр(a,b,c), близких к 1.

В случае, когда прибыль много больше комиссии (L>>q), из выражения (45) следует, что ~0,5. Это означает, что осуществлять покупку следует, если:

Рр(a,b,c)0,5Pn(a,b,c)

Во втором варианте вычисления порога принятия решения учитывается величина потенциальной потери. В этом случае в выражении (36) переменная С11 определяется, исходя из следующих соображений. При правильном решении не покупать, с учетом последующего понижения котировок, трейдер виртуально выигрывает величину L+q. Так что:

С11=-(L+q)

После подстановки (38), (40), (43), (44), (47) в выражение (36), последнее приобретает следующий вид:

При условии L>>q, решение о покупке можно принимать только когда Рр(a,b,c)Pn(a,b,c).

2.3. Метод принятия решения с применением теории нечетких множеств

Предлагаемая в данной работе нечеткая модель предназначена для принятия решения. В качестве входной ин-формации (входных переменных модели) приняты следующие па-раметры:

- сравнение затраченных расходов на одну сделку с возможным убытком от совершения очередной сделки (сравнение комиссии с величиной возможного убытка);

- вероятность повышения САЛК текущего незаконченного ИПС;

- денежные средства на счету после совершения очередной сделки.

Модель должна оперировать с обычными (четкими) значениями переменных u (i=1,3). По этим данным модель должна принять решение о дальнейшей стратегии трейдера. В качестве такой выходной ин-формации принимается один из трех возможных вариантов решения: продавать акции, или ждать, или покупать акции. Эти решения обозначим переменной v.

Переменные называются базовыми переменными. Каждая из них определена на своем универсальном множестве, определяемом физическим смыслом переменной. Обозначим эти множества соот-ветственно .

Входные данные были оценены с помощью субъективных качественных понятий типа "много", "мало" и т.п. Эти качественные оценки отношения возможных убытков к комиссии, вероятности повышения, наличия денежных средств формализуются с помощью так называемых лингвистических перемен-ных соответственно.

Лингвистическая переменная /3/ Aj ( j =1,4) характе-ризуется следующим набором:

<>,

где Aj - название переменной;

T(Aj) - множество зна-чений переменной (множество термов);

Uj - универ-сальное множество соответствующей базовой перемен-ной u.

Ниже приведены значения компонент указанного набора:

= "сравнение комиссии с величиной возможного убытка", Т() = "комиссия больше убытков, комиссия сравнима с убытками, комиссия меньше убытков";

= "вероятность повышения", Т() = "маленькая, сред-няя, большая ";

= "денежные средства на счету", Т() = "недостаточно средств для совершения сделки, достаточно средств для совершения сделки".

Множествам Т() и Т() соответствуют три терма, множеству Т() два.

Каждый терм Tji(Aj) (i = 1,3) характеризуется функцией принадлежности ji(uj), которая определена на соответствующем универсальном множестве Uj и выражает смысл данного терма.

Функции принадлежности имеют вид трапеций. Практика построения и использования функций принадлежности показала, что кусочно-линейная (тре-угольная или трапецеидальная) форма функции вполне удовлетворяет практическим потребностям /3/.

Определим теперь описание выходной переменной - принятия решения. Это лингвистическая пере-менная В, которая характеризуется также набором, по-добным предыдущему:

<В, Т(В), V>,

где В - название переменной (В = "Принятие решения");

Т(В) - множество термов (Т(В) = "продавать", "ждать", "покупать");

V - универсальное мно-жество базовой переменной v.

Заданы значения функции принадлежности .

Модель управления в рассматриваемом случае есть модель связи между входными переменными и выходной переменной v. Механизм этой связи включает суждения трейдера о значениях переменных. В результате на основе численного значения каждой из входных переменных оператор присваивает им качест-венные (то есть нечеткие) значения. Свое решение он также принимает на основе нечеткого значения выход-ной переменной. Это означает, что трейдер интуитив-но пользуется нечеткой логикой, а конкретно - прави-лами нечеткого вывода. Поэтому в формальную модель управления включены эти правила.

Смысл нечеткого вывода состоит в следующем. Ес-ли А - причина (предпосылка), а В - результат (заклю-чение), то можно определить нечеткое отношение R соответствия между А и В, смысл которого отражается в знании: из А скорее всего следует В. Это знание вы-ражено формулой (где - это символ нечет-кой импликации /3/ ). Тогда связь между нечеткой предпосылкой А и нечетким заключением В можно за-писать в виде:

здесь значок - это правило композиционного вывода (правило свертки) /3/.

В рассматриваемой логической системе предпосыл-ки определяются лингвистическими переменными , а заключение - лингвистической перемен-ной В. В каждом конкретном правиле имеются три предпосылки (по числу входных переменных) и одно заключение. Каждое такое логическое правило опреде-ляет одно из возможных состояний объекта управле-ния, а полный набор правил характеризует все возмож-ные состояния. Поскольку в правилах вывода должны при-сутствовать все комбинации значений, то общее число правил равно 3*2= 18.

В виде термов одно из этих правил может быть на-писано следующим образом: если комиссия сравнима с величиной возможного убытка, вероятность повышения большая, достаточно средств для совершения сделки, то принять решение «покупать».

Для превращения этого текста в формальную про-цедуру нужно установить вид правила композиционно-го вывода в форму нечеткой импликации.

В качестве правила композиционного вывода примем максиминную композицию, а в качестве нечет-кой импликации - правило минимума (пересечение не-четких множеств предпосылки и заключения).

Нечеткое отношение R для L-го правила между j-й входной переменной и выходной переменной v в со-ответствии с принятым правилом минимума выражено следующей функцией принадлежности:

Здесь индекс i(L) означает индекс i-го терма в L-м правиле вывода (напомним, что термов входных пере-менных всего три). Функция принадлежности (52) отоб-ражает отношение связи между числовыми значениями в паре (). Чем больше ее значение, тем теснее эта связь.

Результаты измерения (наблюдения) входных пере-менных могут быть выражены как обычными числовы-ми (четкими) значениями, так и качественными значе-ниями (нечеткими множествами).

Пусть входные переменные представлены нечет-кими множествами с функциями принадлежности . Заметим, что эти функции есть результат работы системы наблюдения (измерения) в отличие от ранее введенных функций ji(uj), которые выражают мнение эксперта-трейдера по поводу конкретных значений . Тогда в соответствии с формулой (51) и принятым пра-вилом композиционного вывода (maxmin) можно запи-сать связь между выходной переменной v и входной переменной следующим образом:

(

Здесь есть функция принадлежности, устанав-ливающая локальную связь между нечеткой входной переменной и нечеткой выходной переменной v.

Подставив (52) в (53), получим:

(

Поскольку в L-м правиле логического вывода ис-ходные посылки связаны логическим "и" (то есть на-личием данных обо всех трех входных переменных для вывода значения выходной переменной), то соот-ветствующая операция над нечеткими множествами реализуется в виде их пересечения. Последнее же реа-лизуется /3/ с помощью операции минимума над соот-ветствующими функциями принадлежности.

Обозначим нечеткое множество, соответствующее выходной переменной и полученное на основании L-гo правила вывода через ,а его функцию принадлеж-ности через . Тогда можно записать:

Данные о выходной переменной, полученные из всех правил вывода (в нашем случае их число равно 18), должны быть логически объединены. Это соответствует операции максимума над функциями принадлежности /3/. Обозначив через Q результирующее нечеткое мно-жество, соответствующее выходной переменной v, а че-рез - его функцию принадлежности, окончатель-но запишем:

Пусть теперь входные переменные (j = 1,3) имеют обычные числовые значения . Тогда значения определены на обычном множестве, для которого фор-мально можно записать функцию принадлежности, учи-тывая, что обычное множество есть частный случай не-четкого множества. Эта функция равна 1, если , и равна 0 - в противном случае. Тогда в формуле (53) и . При этом операция max в (53) сводится к выбору единственного значения при .

После этого формула (54) прини-мает вид:

Итак, вычислена функция принадлежности нечет-кой переменной "принятие решения". Теперь нуж-но оценить конкретное значение v* для принятия ре-шения о дальнейших действиях. Эта процедура на-зывается дефазификацией. Здесь предлагается исполь-зовать наиболее распространенный метод дефазификации /3/ - нахождение центра тяжести функции принад-лежности:

Здесь V- область определения (универсальное множест-во) функции.

Интеграл вычислялся методом трапеций /4/ по формуле:

где - значения независимой переменной,

- значения функции,

причем .

Таким образом, полученная модель использует три входных переменных , имеющих четкие значе-ния, и выдает выходную переменную v также в четком виде. Внутренняя же структура модели является нечеткой.

3. АНАЛИЗ РЕЗУЛЬТАТОВ

3.1. Описание программы

В программе вызываются два окна.

Первое окно называется “Расчет вероятностей”. Оно предназначено для расчета вероятностей повышения и понижения САЛК на основе полученных статистических данных. Окно приведено на рис. 5.

Окно “Расчет вероятностей”

Рис. 5

В поле “Путь к данным из РТС” вводится путь к файлу Excel, в котором хранятся данные для расчета. Файл содержит следующие данные: время сделки, цена сделки, лучшее предложение на покупку, лучшее предложение на продажу. Путь может быть введен либо вручную, либо с помощью просмотра дерева каталогов, которое вызывается с помощью кнопки справа от поля.

В поле “Путь к выходному файлу” вводится путь к файлу Excel, в котором находятся полученные в результате расчета данные. Путь может быть введен либо вручную, либо с помощью просмотра дерева каталогов, которое вызывается с помощью кнопки справа от поля.

Расчет можно производить либо частично, либо полностью. Для того, чтобы расчитать полностью, достаточно поставить галочку перед надписью “Создать новый файл результатов”. Если было принято решение пересчитать какую-то часть, нужно выбрать соответствующую надпись, и поставить галочку перед ней.

С помощью кнопки “Запустить модель” вызывается второе окно программы, которое называется “Параметры моделей принятия решений”. Это окно содержит шесть закладок.

Первая закладка называется “Параметры”. В этой закладке задаются следующие параметры работы моделей принятия решений:

начальная сумма $ - вводится начальная сумма денежных средств, которая находится на счету трейдера до начала работы модели;

комиссия в сутки - вводится исходя из того, сколько денежных средств тратится на торговлю ценными бумагами за сутки; (Сюда включаются все расходы: комиссия за место на бирже, комиссия за совершение сделки, плата за пользованиие Интернетом и т. п.)

примерное количество сделок - приблизительно, сколько сделок вы собираетесь совершить в сутки. (Это нужно для предварительного расчета того, сколько может быть максимально потрачено денежных средств на одну сделку, чтобы не быть в убытке)

шаг сделок - периодичность, с которой будут осуществлены сделки, интервал между сделками;

порог принятия решения - вводится для Байесовской модели, вероятность от 0 до 1 повышения САЛК, выше которой акции продаются и понижения САЛК, ниже которой акции покупаются.

Закладка "Параметры" приведена на рис. 6.

Закладка "Параметры"

Рис. 6

Вторая закладка называется “L и q”. Здесь задаются точки перегиба функций принадлежности лингвистической переменной “отношение возможных убытков к комиссии”. Закладка “L и q” приведена на рис. 7.

Третья закладка называется “Вероятность”. Здесь задаются точки перегиба функций принадлежности лингвистической переменной “вероятность повышения”.

Закладка “Вероятность” приведена на рис. 8.

Четвертая закладка называется “Денежные средства”. Здесь задаются точки перегиба функций принадлежности лингвистической переменной “наличие денежных средств”.

Закладка “Денежные средства” приведена на рис. 9.

Закладка “L и q”

Рис. 7

Закладка “Вероятность”

Рис. 8

Закладка “Денежные средства”

Рис. 9

Пятая закладка называется “Принятие решения”. Здесь задаются точки перегиба функций принадлежности лингвистической переменной “принятие решения”. Закладка приведена на рис. 10.

Закладка “Принятие решения”

Рис. 10

Шестая закладка называется “Правила”. Здесь задаются правила, по которым строится нечеткая модель. Закладка “Правила” приведена на рис. 11.

Закладка “Правила”

Рис. 11

После установки всех параметров модели могут быть запущены с помощью кнопок “Запустить Байесовскую модель” и “Запустить нечеткую модель”. В процессе работы моделей на экране появляется окно “Работа модели”, показанное на рис. 12.

Окно “Работа модели”

Рис. 12

В этом окне показывается, сколько денежных средств и акций имеет в данный момент трейдер в своем распоряжении. В любой момент работа модели может быть прервана с помощью кнопки “Abort”. В случае если работа модели будет прервана и по завершении работы модели выводится окно “Результат работы”, представленное на рис. 13.

Окно “Результат работы”

Рис. 13

В качестве результатов выводятся следующие параметры: количество совершенных сделок (здесь за одну сделку приняты две подряд идущие: покупка и продажа акций, так как в противном случае (если последней будет сделка покупки акций) мы не сможем определить, убыточная она или прибыльная); количество прибыльных сделок (сделка считается прибыльной, если сумма денежных средств трейдера после ее совершения стала больше, чем до сделки); количество убыточных сделок (сделка считается убыточной, если сумма денежных средств трейдера после ее совершения стала меньше, чем до сделки); количество сделок, после которых средств стало меньше первоначальных; сколько осталось средств на счету.

3.2. Сравнение результатов работы методов

Для сравнения результатов обе модели были настроены наилучшим образом. Были приняты такие значения параметров, при которых модели дают наибольшую прибыль и при которых наблюдается наименьшее количество убыточных сделок.

Для Байесовской модели меняли порог принятия решения при одинаковых параметрах. Результаты подбора приведены в табл. 5.

Таблица 5

Подбор порога принятия решения для Байесовской модели

Порог

Всего сделок

Убыточных сделок

После которых средств стало меньше первоначальных

Количество денежных средств на счету, $

0,1

35

17

25

99,4

0,2

35

16

25

99,4

0,3

35

13

13

102,6

0,4

35

15

4

103,1

0,5

35

15

4

103,1

0,6

34

14

4

106,6

0,7

34

12

1

107,1

0,8

33

12

6

108,4

0,9

27

15

27

97,9

Таким образом, для Байесовсой модели был выбран порог 0,8.

Точки перегиба функций принадлежности задавались из тех же соображений.

После настройки моделей, менялась начальная сумма, остальные параметры оставались одинаковыми. Были получены результаты, которые приведены в табл. 6 и табл. 7.

Таблица 6

Результаты работы Байесовской модели

Начальная сумма, $

Всего сделок

Прибыльных сделок

Убыто-чных сделок

После которых средств стало меньше первоначальн-ых

Количество денежных средств на счету, $

Прибыль от работы модели, $

100

33

21

12

6

108,4

8,4

200

33

21

12

6

217,2

17,2

300

33

21

12

6

325,3

25,3

400

33

21

12

6

433,8

33,8

500

33

21

12

6

542,2

42,2

600

33

21

12

6

650,7

50,7

700

33

21

12

6

759,1

59,1

800

33

21

12

6

867,6

67,6

900

33

19

14

32

856,4

-43,6

1000

33

21

12

6

1084,4

84,4

1100

33

21

12

6

1192,9

92,9

1200

33

21

12

6

1301,3

101,3

1300

33

21

12

6

1409,8

109,8

1400

33

21

12

6

1518,2

118,2

1500

33

21

12

6

1625,3

125,3

1600

33

21

12

6

1735,1

135,1

1700

33

21

12

6

1843,5

143,5

1800

33

19

14

30

1737,7

-62,3

1900

33

21

12

6

2060,4

160,4

2000

33

21

12

6

2168,9

168,9

Страницы: 1, 2, 3

Рефераты

Cистема Aлор-Трейд

Таблица 2

Количество ИПС размера l=а+b в экспериментальной статистической базе данных

N(l)-количество ИПС размера l в экспериментальной статистической базе данных.

Общее количество ИПС в экспериментальной статистической базе данных - n=627.

Делением каждой величины N(l) на n были получены экспериментальные значения вероятностей f*(l) появления ИПС с размером l. Значения функции f*(l) приведены в табл. 3.

Таблица 3

Таблица 4

С21=L-q

Делением каждой величины N(l) на n были получены экспериментальные значения вероятностей f(l) появления ИПС с размером l. Значения функции f(l) приведены в табл. 3.