Декомпозиция обучающей выборки в задаче прогнозирования курса ценных бумаг

Изложены базовые основы постановки классической задачи прогнозирования курса ценных бумаг. Построена обучающая выборка, состоящая из цены открытия торговой сессии, максимальной и минимальной цен и цены закрытия торговой сессии. Для построения прогноза использованы цены закрытия сессии на 4 этапа (торгового дня) вперед. В качестве инструментального средства выбрана система символьной математики Wolfram Mathematica, являющаяся современной средой машинного обучения систем искусственного интеллекта. Построена оптимальная структура многослойной искусственной нейронной сети, содержащей три скрытых слоя и два слоя нормализации данных. Произведено аналитическое сравнение результатов прогнозирования курса ценных бумаг при использовании только обучающего множества с последующей проверкой на тестовом множестве с вариантом полной декомпозиции обучающей выборки на обучающее, проверочное и тестовое множества. Получено доказательство того, что использование проверочного множества для контроля точности обучения на каждом шаге (раунде) обучения позволяет существенно повысить точность предсказания (прогноза). Приведены кривые обучения для исследуемых вариантов декомпозиции обучающей выборки и величины параметров оценки качества прогнозных моделей.