Разработка и проектирование экспертной системы для анализа котировок акций
Автор: Окулов М.Д., Денисенко В.К.
Журнал: Бюллетень науки и практики @bulletennauki
Рубрика: Технические науки
Статья в выпуске: 6 т.11, 2025 года.
Бесплатный доступ
Рассматривается разработка экспертной системы для анализа фондового рынка с использованием технологий искусственного интеллекта. Представлена архитектура системы, включающая базу знаний, механизм логического вывода и пользовательский интерфейс. Описаны ключевые этапы разработки: от сбора и предобработки финансовых данных до реализации алгоритмов анализа на Python с применением библиотек NumPy, Pandas и методов машинного обучения. Особое внимание уделено анализу существующих решений (WallStreetZen, SeekingAlpha) и выбору инструментария (VS Code, QT Designer). Приведены примеры реализации основных компонентов системы, включая обработку временных рядов котировок акций и визуализацию результатов. Разработанная система демонстрирует эффективность в решении задач прогнозирования и может быть полезна участникам финансового рынка.
Экспертная система, линейная регрессия, прогноз, акции
Короткий адрес: https://sciup.org/14132798
IDR: 14132798 | DOI: 10.33619/2414-2948/115/24
Текст научной статьи Разработка и проектирование экспертной системы для анализа котировок акций
Бюллетень науки и практики / Bulletin of Science and Practice
УДК 004.89
Экспертная система — система, основанная на знаниях, где одним из направлений в области исследования является искусственный интеллект, направленный на создание вычислительной системы, который может принимать значение как эксперт. Этапы разработки ЭС включают в себе шесть шагов: идентификация знаний, концептуализация
(знания собираются в базу данных: таблицу, графики), формализация (перевод языка), реализация (создание программного продукта), тестирование (испытания), опытная эксплуатация [1].
Типичная ЭС состоит из следующих основных компонентов: решателя (интерпретатора), рабочей памяти (РП), называемой также базой данных (БД), базы знаний (БЗ), компонентов приобретения знаний, объяснительного и диалогового компонентов (Рисунок 1).
Рисунок 1. Типовая структура экспертной системы
База данных предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, применяемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (и в первую очередь - не текущих, а долгосрочных), хранимых в системе. Решатель, используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи. Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, это облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Диалоговый компонент ориентирован на организацию дружелюбного общения со всеми категориями пользователей как в ходе решения задач, так и приобретения знаний, объяснения результатов работы.
В разработке ЭС участвуют представители следующих специальностей: эксперт в той проблемной области, задачи которой будет решать ЭС; инженер по знаниям — специалист по разработке ЭС; программист — специалист по разработке инструментальных средств.
Экспертная система работает в двух режимах: приобретения знаний и решения задач (называемым также режимом консультации или режимом использования ЭС). Характеристиками ЭС являются цель, проблемная область, глубина анализа проблемной области, используемые методы и типы знаний, класс системы, стадия существования, инструменты. Обычно выделяют следующие типы задач: интерпретация символов или сигналов — составление смыслового описания по входным данным; диагностика — определение неисправностей; предсказание — определение последствий наблюдаемых ситуаций; конструирование — разработка объекта с заданными свойствами при соблюдении установленных ограничений; планирование — определение последовательности действий, приводящих к желаемому состоянию объекта; слежение — наблюдение за изменяющимся состоянием объекта и сравнение его показателей с установленными или желаемыми; управление — воздействие на объект для достижения желаемого поведения.
Анализ существующих аналогов: WallStreetZen, SeekingAlpha. Одной из ведущих платформ для биржевых опросов является WallStreetZen — это программное обеспечение для анализа запасов объединяет последние финансовые данные и автоматически выполняет подробный фундаментальный анализ, а также предоставляет простое описание в 1 строку, чтобы вы могли за считанные минуты узнать точный метод, используемый при расчете любых запасов. WallStreetZen позволяет инвесторам отслеживать свои инвестиции, настраивать уведомления об изменении цен и получать торговые рекомендации. Платформа также предоставляет учебные материалы и руководства по инвестированию, которые помогают пользователям расширить свои финансовые знания и навыки (Рисунок 2).
Рисунок 2. Домашняя страница (WallStreetZen)
Seeking Alpha — это онлайн-платформа для финансового анализа, инвестиций и торговли акциями. Сайт предлагает широкий спектр финансовой информации, новостей, аналитических материалов и обзоров компаний для инвесторов и трейдеров (Рисунок 3). Seeking Alpha также предлагает инструменты анализа акций и портфеля ценных бумаг.
Анализ инструментов и методов для проектирования экспертной системы. VS Code (Visual Studio Code) — один из самых популярных текстовых редакторов, разработанный Microsoft. Он предназначен для написания кода, отладки, рефакторинга и работы с различными технологиями и языками программирования. Область применения VS Code: редактор имеет встроенную подсветку синтаксиса, автозавершение, отладчик и множество расширений, что делает его мощным инструментом для создания программного обеспечения. Он часто используется для создания веб-сайтов и веб-приложений. Его возможности включают поддержку HTML, CSS, JavaScript, фреймворков, библиотек для вебразработки и инструментов для работы с Git и другими системами контроля версий. Редактор можно использовать для создания скриптов на таких языках, как PowerShell, Bash и других, для настройки и автоматизации процессов управления операционной системой и сетью. Он популярен среди специалистов в области анализа данных и машинного обучения. Существуют расширения для работы с такими языками, как R, Python, и инструменты для визуализации данных. Он также интегрируется с Docker, позволяя разработчикам управлять контейнерами и манипулировать композициями Docker непосредственно из редактора.
Я Markel News fl Markel Dala
Berkshire Hathaway 01 operating earnings of $11 22B
Ford has an $608 beast under the hood. Will Investors start. .
Trending Analysis
Trending News
В Education
41 Pottosis a IFNESTING GROUPS
Explore Investing Groups
✓ POHIhDllCS
Berkshire Hathaway Q1 operating earnings gain 39% Y/Y, cash hits record $189 В
£ Slock Analysis
C Dividends
Create Portfolio
Alibaba Stock May Reverse Massively
About Portfolio
2 Dividends Set To Soar When The Fed Cuts Rates
KM
Nvidia's Stock Is Still A Bargain
Slock Screener
ETF Screener
Apple's Disastrous Q2 2024 Results Overshadowed By S11OB Buybacks
Comparisons
Palantir Q1 Preview: AIP Is Taking Off
Trust says stocks are in reset mode versus a fundamental r. . Elon Musk says Tests 260-mile RWD model V owners to get
U S. wards federal health coverage for OACA Immigrants
Ford has an $80B beast under the hoed. Will investors start noticing?
Elon Musk says Tesla ’M-nileRWD model Y owners to get more ige
Catalyst Watch Disney earning: Apple IPad event i nd Fed spe Aers back onthecircui
TYuist says stocks are In reset mode versus a fundamental retreat
Рисунок 3. Домашняя страница (Seeking Alpha)
Python с использованием Disigner. «Конструктор» (например, «QT Designer») — это инструмент, который позволяет визуально создавать интерфейс для вашего приложения с использованием графических элементов. Обычно он используется в сочетании с библиотекой Qt. Процесс создания графического интерфейса (GUI) на Python с использованием Designer (например, Qt Designer или какого-либо другого инструмента) заключается в следующем. Как только интерфейс будет готов, сохраните его в соответствующем формате, который вы сможете загрузить и использовать на Python. Загрузите сохраненный дизайн интерфейса в скрипт на Python и используйте его для создания функционального приложения. Для этого вам понадобится библиотека для работы с графическим интерфейсом на Python, такая как PyQt или PySide. Используйте Python для определения действий, которые вам необходимо выполнять при взаимодействии с элементами интерфейса. После создания приложения запустите тесты, чтобы убедиться, что все элементы взаимодействуют правильно и функциональность соответствует вашим ожиданиям
Bash — это терминал для операционной системы Linux, который также может быть установлен в Windows в качестве аналога командной строки (cmd). В обоих интерфейсах оболочки пользователь может использовать команды для управления файлами и каталогами в операционной системе Cmd с помощью команд: dir (для отображения списка файлов и каталогов), cd (для изменения текущего каталога), del (в Bash:ls (для отображения списка файлов и каталогов), и так далее. Просмотр), cd (изменить текущий каталог), rm (удалить файлы).
Линейная регрессия — это метод анализа данных, который предсказывает ценность неизвестных данных с помощью другого связанного и известного значения данных. Он математически моделирует неизвестную или зависимую переменную и известную или независимую переменную в виде линейного уравнения [2].
Для регрессии общая прогнозная формула линейной модели выглядит следующим образом:
Бюллетень науки и практики / Bulletin of Science and Practice Т. 11. №6 2025 у = и{ 0] * х[0] + и[ I] * х[1] +... + и[^] * х[/>] + Ъ (1)
Здесь х[0] по х[р] обозначают признаки (в данном примере число характеристик равно р+1) для отдельной точки данных, w и b –параметры модели, оцениваемые в ходе обучения, и yˆ — прогноз выдаваемый моделью. Для набора данных с одним признаком эта формула имеет вид:
V = li[0]*A[0]+i (2)
Линейные модели для регрессии можно охарактеризовать как регрессионные модели, в которых прогнозом является прямая линия для одного признака, плоскость, когда используем два признака, или гиперплоскость для большего количества измерений (рис. 4-5).
Рисунок 4. Пример-1 Линейная регрессия
Рисунок 5. Пример-2 Линейная регрессия
NumPy (Numerical Python) — это библиотека для языка программирования Python, предназначенная для работы с многомерными массивами, линейной алгеброй, случайными числами и другими математическими вычислениями. NumPy предоставляет мощные инструменты для работы с массивами и эффективных операций над ними, что делает ее незаменимым инструментом для научных вычислений и анализа данных.
Seaborn — это библиотека для визуализации данных в Python, которая строит на базе библиотеки Matplotlib и предоставляет простой и красивый интерфейс для создания информативных графиков. Seaborn удобно работать с данными в формате pandas DataFrame и позволяет создавать сложные графики с минимальным объемом кода, включая столбчатые диаграммы, гистограммы, ящики с усами, тепловые карты, scatter plot и многое другое.
Pandas — это высокоуровневая библиотека для анализа данных, написанная на языке программирования Python, обладающая структурами данных и инструментами, необходимыми для эффективной работы с данными. Pandas предоставляет удобные и гибкие структуры данных, такие как Series (одномерные массивы) и DataFrame (двумерные таблицы данных), которые позволяют проводить операции на данных, являющиеся стандартными для работы с таблицами данных.
DataFrame — это основная структура данных в Pandas, представляющая двумерную таблицу данных со столбцами, которая может быть легко и эффективно обработана, проанализирована. DataFrame позволяет хранить и манипулировать данными различных типов (числовые, строковые, логические и прочие). Поддерживает множество операций над данными, такие как фильтрация, сортировка, группировка, агрегация, преобразование и многое другое. Это делает анализ и обработку данных более эффективной.
PyKnow — это библиотека на языке Python, которая предоставляет инструменты для разработки экспертных систем, такие как системы диагностики, системы принятия решений, системы рекомендаций и др. Основные компоненты PyKnow включают в себя факты, правила и движок (inference engine). Факты представляются в виде объектов Python, описывающих данные или знания о проблеме. Правила определяют, какие выводы можно сделать на основе определенных фактов. Движок отвечает за выполнение правил и вывод результатов.
Использование инструментов VS Code, Python с Disigner, Bash, библиотек numpy, seaborn, pandas, spyknow и метода линейной регрессии позволяет создать мощную экспертную систему, способную анализировать данные, принимать решения и предсказывать результаты на основе имеющейся информации [3]. Комбинация этих инструментов и методов обеспечивает возможность эффективной работы с данными, автоматизации процессов, визуализации информации и создания правил экспертной системы.
Разработка и проектирование экспертной системы для анализа котировок акций. Сбор финансовых данных. Онлайн-платформа для финансового анализа, инвестиций и торговли акциями предоставляет пользователям доступ к различным инструментам и ресурсам, которые помогают им принимать информированные решения о своих инвестициях. Можно проводить анализ финансовых показателей компаний, изучать отчеты о доходах и убытках, балансы и другие финансовые отчеты для принятия решений об инвестировании. Платформа обычно обеспечивает доступ к торговым рынкам, позволяя пользователям покупать и продавать акции и другие активы онлайн. Данная платформа предоставляет образовательные ресурсы, аналитические отчеты, рекомендации и инструменты для помощи пользователям в развитии их финансовых знаний и навыков (Рисунок 6).
Рисунок 6. Онлайн платформа import time as tp import numpy as np import pandas as pd import seaborn as sns import datetime as DT from datetime import datetime import iriatplotlib.pyplot as pit from sklearn.linear_ztiodel import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean squared error, mean absolute error, r2 score
Рисунок 7. Используемые библиотеки
-
# NumPy (import numpy as np) — это библиотека для языка программирования Python, добавляющая поддержку больших многомерных массивов и матриц, вместе с большой библиотекой высокоуровневых математических функций для операций с этими массивами (Рисунок 7).
-
# Pandas (import pandas as pd) — это библиотека Python, предоставляющая высокоуровневые структуры данных и методы, предназначенные для быстрого и простого анализа данных.
-
# Seaborn (import seaborn as sns) — это библиотека визуализации данных Python, основанная на Matplotlib, предоставляющая более высокоуровневый интерфейс для создания красочных и информативных статистических графиков.
-
# Datetime — это библиотека, которая предоставляет функции для получения текущих даты и времени, создания объектов даты и времени, а также для выполнения математических операций с датами и временем.
-
# Matplotlib (import matplotlib. pyplot as plt) — это библиотека визуализации данных для Python, которая позволяет создавать графики и диаграммы различных типов.
-
# train_test_split — это функция из Scikit-learn (библиотеки для машинного обучения), которая позволяет разделить набор данных на обучающую и тестовую выборки.
-
# LinearRegression — класс из Scikit-learn, предоставляющий функционал для линейной регрессии.
-
# RandomForestClassifier — класс из Scikit-learn, предоставляющий функционал для случайного леса.
-
# Импорт метрик для оценки качества модели: среднеквадратическая ошибка (MSE), средняя абсолютная ошибка (MAE) и коэффициент детерминации (R^2).
|,<ТССКЕ1?>~<1^Н^0АТЕС<Г1МЕ>,<о15>М>Улп)0Н>^<ЕО1^<СЕОЯЁ>><У()ич<А^
0,AAPL,60,240322,90066,171.73,172.31,170.06,171.03,453477,330322
l.AA PL ,60,240322,100600,171.07,172.55,176.88,171.89,A99830,340322
2,AAPL,60,240322,110066,171.91,172.87,171.83,172.6,303823,350322
3,AAPL,60,240322,120600,172.59,172.89,172.69,172.65,281765,360322
4,AAPL,60,246322,136660,172.64,172.94,172.365,172.66,233644,370322
5,AAPL,60,240322,140000,172.66,172.93,172.37,172.74,257026,380322
6,AAPL,60,240322,150006,172.75,173.05,172.23,172.25,545453,390322
7,AAPL,60,240325,90000,170.54,170.61,169.45,170.17,420156,330325
8,AAPL,60,240325,100660,170.18,170.61,169.77,170.545,314146,340325
9,AAPL,60,240325,110000,170.54,170.76,170.09,170.62,192314,350325
16,AAPL,60,246325,126600,170.62,171.14,170.39,170.99,193530,360325
11,AAPL,60,246325,136600,171.0,171.51,170.99,171.46,194252,376325
12,AAPL,60,240325,140000,171.47,171.6,171.24,171.45,144019,380325
13,AAPL,66,246325,156600,171.45,171.93,170.795,170.85,506663,390325
14, AAPL ,60,246326,96660,170.0,170.82,169.66,170.74,284312,330326
!5,AAPL,60,240326,100000,170.74,171.06,170.37,170.65, 350746,340326
16,AAPL,60,240326,110000,170.65,170.86,170.44,170.57,198265,350326
Рисунок 8. Файлы и формат
На данном этапе data["
for i in Name File Promotion:
print(data[:4])
new data = data["
Рисунок 9. Листинг
Паттерное программирование. В разработке экспертной системы использовались такие классы как (Рисунок 10). Class Select_Graphics () — это концепция создания класса (или объекта) в программировании, который позволяет выбирать различные виды графиков для отображения данных. Этот класс может содержать методы и свойства, которые позволяют пользователю выбирать типы графиков, стиль отображения, цвета, масштабы и другие параметры.
Class Kategori(Fact): — это концепция создания класса (или объекта) в программировании, который представляет собой категорию фактов или данных. Этот класс может содержать свойства и методы для работы с данными, связанными с конкретной категорией информации.
Class Strategy(KnowledgeEngine) — это концепция в объектно-ориентированном программировании, которая представляет собой паттерн проектирования, используемый для определения стратегий поведения классов в зависимости от определенных условий или контекста.
Calss SecondWindow(QMainWindow) — это класс, который является подклассом стандартного виджета Qt под названием QMainWindow. QMainWindow - это виджет верхнего уровня в приложении Qt, который представляет собой основное окно приложения с панелью инструментов, меню и возможностью управления различными виджетами внутри окна.
Calss MainWindow(QMainWindow) — это класс, который также является подклассом стандартного виджета Qt под названием QMainWindow. Класс MainWindow(QMainWindow) обычно используется для создания основного окна приложения Qt, в котором размещаются основные элементы интерфейса, такие как меню, панель инструментов, центральная область и другие виджеты.
Рисунок 10. Классы
Сгенерированный код. Описание интерфейса в формате XML. Этот XML-файл описывает пользовательский интерфейс для программы [4]. Также присутствуют различные теги, свойства и значения, которые определяют размещение и параметры виджетов (элементов интерфейса) в окне приложения. QMainWindow (главное окно), QPushButton (кнопка), QLineEdit (поле для ввода текста), QLabel (метка). Также указаны различные свойства для каждого элемента, такие как геометрия (положение и размер), текст на кнопке, заголовок окна. Этот XML-файл используется для создания пользовательского интерфейса в программировании с использованием библиотеки, поддерживающей описание интерфейсов в формате XML, например, Qt для создания графических приложений на Python (Рисунок 11).
QMainWindow (главное окно), QGraphicsView (виджет для отображения графики).
Программа загружает данные о ценах акций из файлов формата CSV, проводит предобработку данных (удаляет ненужные столбцы, разделяет данные на обучающую и тестовую выборки), обучает модель линейной регрессии на обучающих данных и делает предсказания на тестовых данных [5].
Затем выводится результат предсказаний и осуществляется некоторая обработка данных (Рисунок 12‒14).
Бюллетень науки и практики / Bulletin of Science and Practice Т. 11. №6 2025
«widget elasS=”QMainwindow”w namc="MainWindOwH» «property name="geometry">
«/rent
«size»
«height»231«/hcight > «/size» «property name="maximumSize">
«/size» «/property» «property name'"windowTitle"» «string»Mainwindow«/string» «/property» avidget class=”Qwidgct** namc-”centralwidgct"» «widget class="QPushButton" name="pushButton"> «property name "geometry”»
«width>75«/width» «height>24 «/property» «property name=”text”»
«/property» «/widget» «widget class»“QLineEdit“ name»“FildInput_one”> «property name=”gecometry”> «TtecO
«width>241
GNU nano 7.2
«ui versione“4.0">
«class Hainwindowt/class»
aridget class="QMainWindow" none Hainwindow"»
«property namee’geometry"»
<0
«height 904«/height> «/r»ct «/property» «property пале "ininimumSize"» «size»
«/size» «/property» «property name "maximum$ite*> «size»
«height>904 «/size» «/property» «property name:’windowTitle'» «string Hainwindowt/string «/property» «widget class-"Qwidget" nameAentralwidget"» aridget class»*QGraphicsView* namea'graphicsview*» «property naees’geoeetry"» «rect? <<>10
«/reel» «/property» «/widget» widget class "QGraphicsView* naee='graphicsview_2"> «property name' geometry’» «rect> < «height 231 «/property» {/wiiWt Рисунок 11. Код для создания окна для ввода данных проекта Рисунок 12. Код для создания окна для отображения данных по выбору стратегий Программа загружает данные о ценах акций из файлов формата CSV, объединяет столбцы « Смысл программы заключается в обработке и изменении данных о ценах акций компаний перед их сохранением в новые файлы для дальнейшего использования или анализа (Рисунок 14). Визуализация проекта (Рисунок 15‒18). ОМА nano 7;2 import time as tp import numpy as op import pandas as pd import suaborn as ans import dncerine as ОТ from datetine fuport dacotice impart matplotlib.pyplot as pit fror sklaarn.linear_sodel import Linear^egression from sklearn.model_5election iaport train_test_split from sklearn.cetrics import nuan.squared.error. aoan.ubsolute.error, diractory directory graphics Naun File Pronation = | "Graphics/” 1: "AAFL. 240322 240422.csv”. 2: “AFLT-240322_240422.CSV". 3: ”GHN 240322240422.csv". 4: "CSCO 240322_240422.csv". 5: ”DG 240322 240422.CSV”. 6: "LNOH-240322240422.CSV”. 7: "MGNT 240322.240422.CSV”. 8: "PKK 240322240422.CSV”. 9: "SBER 240322-240422.csv”. 11: "SNGS 240222240422.CSV". 12: ’SONY 240322240422.CSV". 13: "TMOS 240322-240422.CSV”. 14: "TSLA 240522240422.CSV”. 18: "VNOX 240222,240422.CSV" for i in Hone Piln Prooption: data pd.road_csvidfractory buff daca data maue_FiId.Prouotlon(i). iudex_col-0) test_data_ciO5E = data[" size predict int(size_daca 0.2) GNU nano 7.2 import pandas as pd directory "Stock File/" directory.2 "Stock File test/" Nane_File Promotion = { 1: "AAPL 240322-240422.csv". 2: "AFLT_240322.240422.CSV", 3: "CHNF 240322,240422.CSV", 4: "CSCO 240322,240422.CSV", 5: "OG.240322_240422.CSV”, 6: "LKOH 240322.240422.CSV". 7: "MGMT 240322.240422,CSV". 8: "PIKK 240322.240422.CSV". 10: "SIBN 240322.240422.CSV", 11: "$NGS.240322_240422.CSV", 12: "SONY 240322.240422.CSV" 13: "TMOS 240322.240422.CSV", 14: "TSLA 240322.240422.CSV". 15: "UBER.240322_240422.CSV”, 16: "GAZP 240322.240422.CSV”. 17: "VTBR 240322.240422.CSV". 18: "YNDX 240322 240422.CSV" } for i in Name File.Promotion: Рисунок 13. Код программы Рисунок 15. Макет
Бюллетень науки и практики / Bulletin of Science and Practice
Т. 11. №6 2025
Рисунок 16. Начальное окно Рисунок 17. Макет Элемент Описание элемента 1 Кнопка 2 Г рафик 3 Г рафпк| 4 Г рафик 5 Данные успешно получены 6 Содержание 7 Содержание 8 Содержание Рисунок 18. Описание работы Заключение В ходе исследования была разработана экспертная система для анализа котировок акций, включающая все ключевые компоненты: базу знаний, решатель, механизмы объяснения и диалоговый интерфейс. Система реализована на Python с использованием современных библиотек (NumPy, Pandas, Seaborn) и методов машинного обучения (линейная регрессия). Основные этапы разработки включали сбор и предобработку финансовых данных, создание алгоритмов анализа, проектирование пользовательского интерфейса и тестирование системы. В результате создано решение, способное обрабатывать рыночные данные, выявлять закономерности и формировать прогнозы. Экспертная система демонстрирует эффективность при анализе котировок акций и может быть полезна как частным инвесторам, так и финансовым аналитикам. Дальнейшее развитие проекта может включать расширение функционала за счет дополнительных методов анализа и интеграции с другими источниками данных.
Бюллетень науки и практики / Bulletin of Science and Practice
Т. 11. №6 2025
