Про один підхід до фазифікації даних на прикладі часового ряду індексу Доу-Джонса.
DOI:
https://doi.org/10.34121/1028-9763-2020-2-3-13Ключові слова:
Dow Jones index, historical data, fuzzy time series, membership function, fuzzy inference, індекс Доу-Джонса, історична дана, нечіткий часовий ряд, функція приналежності, нечіткий висновокАнотація
Природа слабоструктурованих систем обумовлена використанням експертних оцінок, притаманна невизначеність яких відноситься до класу нечіткості. На відміну від стохастичної невизначеності нечіткість ускладнює або навіть виключає застосування статистичних методів і моделей, але може бути використана для прийняття предметно-орієнтованих рішень на основі наближених міркувань людини. Формалізація інтелектуальних операцій, які моделюють нечіткі висловлювання людини про стан і поведінку слабоструктурованих систем і/або складних явищ, сьогодні утворює самостійний напрям науково-прикладних досліджень, одним з яких є нечітке моделювання тимчасових (або динамічних) рядів. Цей напрям включає комплекс завдань, методологія вирішення яких спирається на теорію нечітких множин, нечіткої логіки і нечітких моделей (або систем нечіткого виводу). Початковою процедурою нечіткого моделювання часових рядів є фазифікація історичних даних, отриманих шляхом спостережень на основі «м'яких вимірів» за поведінкою динамічної системи за певний проміжок часу. У статті пропонується нове правило фазифікації таких даних, яке апробовано на показниках індустріального індексу Доу-Джонса, що встановлюється за результатами щоденних торгів на фондовій біржі США шляхом звичайного арифметичного усереднення складових показників. Пропонована у статті процедура фазифікації реалізується через систему нечіткого виводу, яка забезпечує знаходження значень функцій приналежності відповідних нечітких підмножин дискретного універсуму, що покриває всю сукупність показників індексу Доу-Джонса за більш ніж річний період.Посилання
1. Zadeh L.A. The concept of a linguistic variable and its application to approximate reasoning. Information sciences. 1975. Vol. 8, N 3. P. 199–249.
2. Song Q., Chissom B.S. Fuzzy time series and its models. Fuzzy Sets and Systems. 1993. N 54. P. 269–277.
3. Kumar N., Ahuja S., Kumar V. Fuzzy time series forecasting of wheat production. International journal on computer science and engineering. 2010. Vol. 2, N 3. P. 635–640.
4. Chen S.M. Forecasting enrollments based on fuzzy time series. Fuzzy sets and systems. 1996. N 81. P. 311–319.
5. Cheng C.H., Chang J.R., Yen C.A. Entropy-based and trapezoid fuzzification fuzzy time series approaches for forecasting IT project cost. Technological forecasting & social change. 2006. N 73. P. 524–542.
6. Poulsen J.R. Fuzzy time series forecasting – developing a new forecasting model based on high order fuzzy time series. AAUE: CIS 4, 2009. 67 p.
7. Рзаев Р., Шихалиева Г., Агамалыев М. Моделирование временных рядов на основе нечѐткого анализа данных. Нечеткие системы и мягкие вычисления. 2014. Т. 9. № 1. С. 39–86.
8. Промышленный индекс Доу-Джонса. URL: https://ru.tradingview.com/symbols/DJ-DJI/ (дата обращения: 11.03.2020).
59
18Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
