ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΝΑΥΠΗΓΩΝ...

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟΣΧΟΛΗ ΝΑΥΠΗΓΩΝ ΜΗΧΑΝΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ

ΠΕΡΙΟΧΗ ΘΑΛΑΣΣΙΩΝ ΜΕΤΑΦΟΡΩΝ

«Στρατηγική Διαπραγμάτευσης Ναυτιλιακών Παραγώγων με Χρήση Τεχνητών Νευρωνικών

Δικτύων»

ΑΘΗΝΑ 2008

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

«Είναι πολύ καλύτερο το να προβλέπει κανείς χωρίς βεβαιότητα από το να μην προβλέπει καθόλου»

Ηenri Poincare

ΣΥΝΟΨΗ

Εργαστήριο Θαλασσιών Μεταφορών, Σχολή Ναυπηγών Μηχανολόγων Μηχανικών ΕΜΠ 16 Απριλίου 2008 2

Ανάπτυξη αυτοματοποιημένου μοντέλου πρόβλεψης ικανό να συμβουλεύει προς ασφαλείς και κερδοφόρες κινήσεις στην αγορά των Ναυτιλιακών Παραγώγων

Σκοπός:

Στόχος:

Διεξαγωγή συμπερασμάτων για τη χρήση ΤΝΔ στην πρόβλεψη οικονομικών μεγεθών και αξιολόγηση αυτών

Δομή: • Παρουσίαση Ναυτιλιακών Παραγώγων και Τεχνητών

Νευρωνικών Δικτύων• Σχεδίαση και παραμετροποίηση μοντέλου• Αξιολόγηση παραγόμενων αποτελεσμάτων (Πρόβλεψης)

Spot: Η φυσική (πραγματική) αγορά, στην οποία οι συναλλαγές εκκαθαρίζονται αμέσως

Ενεργητικό: Το οποιοδήποτε περιουσιακό στοιχείο (φυσικό ή χρηματοοικονομικό) το οποίο διαπραγματεύεται στη

Spot αγορά και υποκαθιστάται από παράγωγα στην αγορά παραγώγων

Αρνητική θέση (Short position)

Θέση short ή αρνητική λαμβάνει ο διαπραγματευτής που συμφωνεί να πουλήσει κάποιο αγαθό (φυσικό ή χρηματοοικονομικό)

Θετική θέση (Long position)

Θέση long ή θετική λαμβάνει ο διαπραγματευτής που συμφωνεί να αγοράσει κάποιο αγαθό (φυσικό ή χρηματοοικονομικό)

Ορολογία


“Χρηματοοικονομικές αξίες των οποίων η τιμή παράγεται από την πραγματική τιμή των ενεργητικών στα οποία βασίζονται, είτε αυτά είναι χρηματοοικονομικά ή φυσικά”

Παράγωγα μέσα


Ορισμός:

• Αποτελούν οικονομική συμφωνία μεταξύ δύο μερών (αντισυμβαλλόμενοι), ανταλλαγής ενεργητικού στο μέλλον

• Δε συνιστούν περιουσιακό στοιχείο από μόνα τους• Αποσκοπούν στην αποτελεσματική διαχείριση του

περιουσιακού στοιχείου που αντιπροσωπεύουν• Συνεισφέρουν θετικά στη σταθερότητα και εξέλιξη της

αγοράς

Τεχνητά Νευρωνικά Δίκτυα


“Οποιοδήποτε τεχνολογικό σύστημα επεξεργασίας πληροφοριών εμπνευσμένο από μελέτες του ανθρώπινου εγκεφάλου και νευρικού συστήματος”

Ορισμός:

Βιολογικοί Νευρώνες

Δενδρίτες Πυρήνας

Νευρώνας A

Σύναψη

Νευρίτης

Πυρήνας

Νευρώνας B• Εισαγωγή πληροφορίας από Δενδρίτες

• Επεξεργασία στο Σώμα (πυρήνας)

• Εξαγωγή από τους Νευρίτες• Ρύθμιση στη Σύναψη• Εισαγωγή σε νέο νευρώνα

Λειτουργίες

Τεχνητός Νευρώνας


X 1

X 2

X 3

X n

.........

Σ Xi Wi

Σ :θ N

YN

ΒάρηWi :

ΑθροιστήςXi : ΣτοιχείαΕισόδου

f : ΣυνάρτησηΕνεργοποίησης

YΝ : ΣτοιχείοΕξόδου

f

W

W

W

W

1

2

3

n

θΝ : Κατώφλι

1. Εισαγωγή Δεδομένων Χi

2. Πολ/σμος με βάρος Wi

3. Φιλτράρισμα από το Κατώφλι θΝ

4. Ενεργοποίηση Αθροιστή

5. Εφαρμογή Συνάρτησης Ενεργοποίησης

6. Εξαγωγή νέας πληροφορίας στο περιβάλλον ή προς άλλους νευρώνες

Παράλληλη λειτουργία νευρώνων

Δομή Νευρωνικών Δικτύων


• Πλήρης Διασύνδεση (Full Connection)• Μερική Διασύνδεση (Partial

Connection)

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

......

ΠΛΗΡΟΦΟΡΙΕΣ ΕΙΣΟΔΟΥ

ΠΛΗΡΟΦΟΡΙΕΣ ΕΞΟΔΟΥ

ΣΤΡΩΜΑΕΞΟΔΟΥ

ΣΤΡΩΜΑΕΙΣΟΔΟΥ

ΕΝΔΙΑΜΕΣΟ ΣΤΡΩΜΑ

Επικοινωνία ΝευρώνωνΔιαχωρισμός Στρωμάτων

• Στρώμα Εισόδου (Input Layer)• Ενδιάμεσα (κρυφά) Στρώματα

(Hidden Layers)• Στρώμα Εξόδου (Output Layer)

Τα δεδομένα επεξεργάζονται στους νευρώνες όλων των στρωμάτων ταυτόχρονα

Εκπαίδευση


ΣΧΕΔΙΑΣΤΗΣ

ΔΙΚΤΥΟ

1. Αρχική διέγερση από το περιβάλλον και εφαρμογή βαρών

2. Σύγκριση παρηγμένων αποτελεσμάτων με επιθυμητά

3. Επαναπροσδιορισμός βαρών και επανάληψη της διαδικασίας

1. Ορισμός του προβλήματος και της μορφής των Επιθυμητών Αποτελεσμάτων (Desired Outputs)

2. Συλλογή δεδομένων Εισόδου βάσει συσχέτισης με τα Επιθυμητά Αποτελέσματα

3. Διαχωρισμός των δεδομένων σε

4. Επιλογή και παραμετροποίηση ΤΝΔ

• Δεδομένα Εκπαίδευσης (Training Data)• Δεδομένα Αξιολόγησης (Testing Data)• Δεδομένα Επίβλεψης (Cross Validation Data)

Βασικά Χαρακτηριστικά

Δίκτυα Πολλαπλών Στρωμάτων (MLP)


• Μη γραμμικές Συναρτήσεις Ενεργοποίησης• Περιέχουν ένα ή περισσότερα Κρυμμένα Στρώματα• Μεγάλη διάρκεια Εκπαίδευσης• Μεγάλο εύρος δεδομένων

Τμηματικά (Modular) MLP

• Είδος ΜLP• Συνθέτονται από παράλληλα συνδεδεμένα MLPs• Πλήρης αλληλεξάρτηση μεταξύ των Στρωμάτων• Καμία επικοινωνία μεταξύ των νευρώνων

παράλληλων τμημάτων

Η ανακατανομή των Βαρών γίνεται μέσω του αλγορίθμου Αντίστροφης Διάδοσης

(Back Propagation)

Μοντελοποίηση ΤΝΔ


Ρυθμίζονται οι ακόλουθες παράμετροι:

Επιλογή Μοντέλου

Τοπολογία

Ρυθμός Εκμάθησης

Αριθμός Εποχών

Κριτήριο Επίβλεψης

Εξαρτάται από:– Είδος του προβλήματος– Μορφή των δεδομένων και αποτελεσμάτων– Ύπαρξη Γραμμικότητας

– Αριθμός Στρωμάτων– Διασύνδεση Στρωμάτων– Πλήθος νευρώνων

– Ορίζει το μέγεθος της διόρθωσης που εφαρμόζεται στα βάρη– Μεγάλος Ρ.Ε. → Επιτάχυνση Εκπαίδευσης

– Ορίζει τις ανακυκλώσεις βαρών που λαμβάνουν μέρος

– Minimum– Incremental– Increase

Η διαδρομή Ρ2Α


7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000

Ma

y 20

02

July

200

2

Se

p 20

02

Nov

200

2

Jan

2003

Ma

r 2

003

Ma

y 20

03

July

200

3

Se

p 20

03

Nov

200

3

Jan

2004

Ma

r 2

004

Ma

y 20

04

July

200

4

Se

p 20

04

Nov

200

4

Jan

2005

Ma

r 2

005

Ma

y 20

05

July

200

5

Se

p 20

05

Nov

200

5

Jan

2006

Ma

r 2

006

Ma

y 20

06

July

200

6

Se

p 20

06

Nov

200

6

Jan

2007

Ma

r 2

007

Ma

y 20

07

July

200

7

7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000

P2A T/C Skaw Gibraltar - Far East

$/d

ay

Διακύμανση τιμών των ναύλων από 01/05/2002 έως και 31/07/2007

Baltic Standard Vessel74000 mt DWT89000 cbm grain

Καλάθι διαδρομών BPI

Ανήκει στο:

Αναφέρεται σε:

Διακύμανση Spot - Futures


7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000

May

200

2

July

200

2

Sep

200

2

Nov

200

2

Jan

2003

Mar

200

3

May

200

3

July

200

3

Sep

200

3

Nov

200

3

Jan

2004

Mar

200

4

May

200

4

July

200

4

Sep

200

4

Nov

200

4

Jan

2005

Mar

200

5

May

200

5

July

200

5

Sep

200

5

Nov

200

5

Jan

2006

Mar

200

6

May

200

6

July

200

6

Sep

200

6

Nov

200

6

Jan

2007

Mar

200

7

May

200

7

July

200

7

7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000


$/d

ay

Spot (monthly avg)Future (1 month fwd - expiration day)

7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000

May

200

2

July

200

2

Sep

200

2

Nov

200

2

Jan

2003

Mar

200

3

May

200

3

July

200

3

Sep

200

3

Nov

200

3

Jan

2004

Mar

200

4

May

200

4

July

200

4

Sep

200

4

Nov

200

4

Jan

2005

Mar

200

5

May

200

5

July

200

5

Sep

200

5

Nov

200

5

Jan

2006

Mar

200

6

May

200

6

July

200

6

Sep

200

6

Nov

200

6

Jan

2007

Mar

200

7

May

200

7

July

200

7

7000

11000

15000

19000

23000

27000

31000

35000

39000

43000

47000

51000

55000

59000

63000

67000

71000


$/d

ay

Spot Future (1 month fwd)

Διακύμανση ημερήσιων τιμών των ναύλων (Spot prices)

Διακύμανση ημερήσιων τιμών των συμβολαίων(Future prices)

Τα Futures εκτιμούν καθημερινά τομέσο όρο των Spot του επόμενου μήνα

Διακύμανση μηνιαίων τιμών των ναύλων (Spot Avg prices)

Διακύμανση ημερήσιων τιμών των συμβολαίων(Future prices), κατά την ημέρα εκκαθάρισης

Επιθυμητή Πρόβλεψη


Ma

y 20

02

July

200

2

Se

p 2

002

Nov

200

2

Jan

200

3

Mar

200

3

Ma

y 20

03

July

200

3

Se

p 2

003

Nov

200

3

Jan

200

4

Mar

200

4

Ma

y 20

04

July

200

4

Se

p 2

004

Nov

200

4

Jan

200

5

Mar

200

5

Ma

y 20

05

July

200

5

Se

p 2

005

Nov

200

5

Jan

200

6

Mar

200

6

Ma

y 20

06

July

200

6

Se

p 2

006

Nov

200

6

Jan

200

7

Mar

200

7

Ma

y 20

07

July

200

7

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

Desired Output

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

Λόγος ΕκκαθάρισηςSPOTavg (next month)

FUTURE (present day)= • Λ.Ε. Εκκαθάρισης > 1

Ι. Αγορά Future Συμβολαίων

• Λ.Ε. Εκκαθάρισης < 1

Ι. Πώληση Future Συμβολαίων

Κατά τη διενέργεια του Hedge, ο πλοιοκτήτης πουλάει futures, ενώ ο ναυλωτής αγοράζει

ΙΙ. Ενεργοποίηση Ηedging από ναυλωτή

ΙΙ. Ενεργοποίηση Ηedging από πλοιοκτήτη

Συγκέντρωση δεδομένων Εκπαίδευσης


...και να αναφέρονται στις ημέρες συνεδρίασης του Χρηματιστηρίου Παραγώγων

1. Διασύνδεση δεδομένων (58 χρονοσειρές)

Τα δεδομένα πρέπει να είναι διαθέσιμα σε

ημερήσια μορφή...

2. Υπολογισμός Συσχέτισης τους με χρονοσειρά των Ναύλων (Spots)

Αξιοποίηση πληροφοριών


TIMESERIES ID Cor.coef.

6 Month Timecharter Rate 70/72,000 dwt Bulkcarrier X1 0.985

Panamax 73K Bulkcarrier 5 Year Old Secondhand Prices X2 0.862

Panamax 72K Bulkcarrier 10 Year Old Secondhand Prices X3 0.855

Panamax 69K DWT 15 Year Old Secondhand Prices X4 0.861

75K DWT Panamax Bulkcarrier Newbuilding Prices X5 0.778

Panamax Bulker Contracting DWT X6 0.453

Panamax Bulker Orderbook DWT X7 0.770

Panamax Bulkcarrier Deliveries DWT X8 0.260

Panamax Bulkcarrier Fleet Development DWT X9 0.528

Panamax Bulkcarrier Demolition Number X10 -0.555

Panamax Bulker Scrap Value X11 0.724

Panamax Bulker Sales $ Million X12 0.663

World FT/S&P World ($) X13 0.363

Panamax, 1980s-built, Average Spot Earnings X14 0.970

LIBOR Interest Rates X15 0.325

USA Interest Rates X16 0.320

SSY Australian coal port Congestion X17 0.800

Panamax 70k $/cgt X18 0.611

Exchange Rates SDR (usd) X19 0.799

– Επιλέγονται 19 χρονοσειρές δεδομένων ως καταλληλότερες να εκπαιδεύσουν το ΤΝΔ

– Δημιουργία νέων χρονοσειρών Mi :

Μi = f (ΣΧj ) , i = 1,2,…n

j=1

19

Οι χρονοσειρές Μ παράγονται από επεξεργασία των Χ

1ο ΣΤΑΔΙΟ

2ο ΣΤΑΔΙΟ

Επιλογή μεταβλητών Εκπαίδευσης


• Βάσει συσχέτισης με Λ.Ε.

2. Συσχέτιση μεταξύ 2 μεταβλητών Μi : < 0.800 1. Συσχέτιση μεταξύ Μi και Λ.Ε.: > 2/√N

• Βάσει αξιολόγησης δοκιμαστικών δικτύων ως προς:

1. Ποσοστό Ορθών Προβλέψεων (Ικανότητα Γενίκευσης) → > 50 %2. Μεγέθη Σφάλματος Πρόβλεψης → MSE < 0.033. Αφομοίωση εκπαιδευτικών στοιχείων (Γνώση)

Γνώση: Το συνολικό εύρος των δεδομένων εκπαίδευσης και οι συσχετίσεις που αυτά μεταφέρουν

Γενίκευση: Η ικανότητα του ΤΝΔ να εφαρμόζει τη γνώση του σε νέες συνθήκες

Μέσο Τετραγωνικό Σφάλμα:

Σ et 2

t=1

N

1

NΜSE =

Δομή Δοκιμαστικών δικτύων


.

.

.

.

.

.

.

ΑΝΩ ΤΜΗΜΑ

.

.

.

.

.

.

.

ΚΑΤΩ ΤΜΗΜΑ

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.


ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ I

ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ II


ΑΝΩ ΤΜΗΜΑ

ΚΑΤΩ ΤΜΗΜΑ

• Τύπος Δικτύου: Μodular• Αριθμός Στρωμάτων: 4• Συν. Ενεργοποίησης: tanh• Κριτίριο Επίβλεψης: Increase

Οι υπόλοιπες παράμετροι ρυθμίζονται μέσω γενετικών αλγορίθμων βελτιστοποίησης (Genetic Optimization)

• Εποχές / χρωμόσωμα: 1000• Χρωμοσώματα / γενιά: 50• Γενιές εκπαίδευσης: 100

Κατηγοριοποίηση στοιχείων


CROSS VALIDATION

3

DATA SETΗΜΕΡΟΜΗΝΙΑ ΑΡΙΘΜΟΕ

ΚΕΛΙΟΥ ΠΟΣΟΣΤΟ

ΑΠΟ ΕΩΣ ΑΠΟ ΕΩΣ %

TRAINING 01/05/2002 30/06/2006 1 1016 69.15

TESTING 03/07/2006 31/07/2007 1017 1274 20.17

CROSS VALIDATION - - - - 10.67

Ma

y 2

00

2

July

20

02

Se

p 2

00

2

No

v 20

02

Jan

20

03

Ma

r 2

00

3

Ma

y 2

00

3

July

20

03

Se

p 2

00

3

No

v 20

03

Jan

20

04

Ma

r 2

00

4

Ma

y 2

00

4

July

20

04

Se

p 2

00

4

No

v 20

04

Jan

20

05

Ma

r 2

00

5

Ma

y 2

00

5

July

20

05

Se

p 2

00

5

No

v 20

05

Jan

20

06

Ma

r 2

00

6

Ma

y 2

00

6

July

20

06

Se

p 2

00

6

No

v 20

06

Jan

20

07

Ma

r 2

00

7

Ma

y 2

00

7

July

20

07

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

DATA RANGETesting DataTraining Data

Cross Validation Data

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

Τα δεδομένα CV διαμοιράζονται σε όλο το εύρος δεδομένων για συνολική επίβλεψη

Τα δεδομένα αξιολόγησης παραμένουν άγνωστα στο δίκτυο μέχρι το πέρας της εκπαίδευσης

Ποσοστά Επιτυχίας Πρόβλεψης


TEST 1

TEST 3

TEST 2

TEST 4

TEST 6

TEST 8

TEST 9

TEST 10

TEST 11

TEST 12

TEST 13

TEST 14

TEST 15

TEST 16

TEST 17

TEST 18

TEST 19

TEST 20

TEST 21

TEST 22

TEST 23

TEST 24

TEST 25

TEST 26

TEST 27

TEST 28

TEST 29

TEST 7

TEST 5

TEST 1

TEST 3

TEST 2

TEST 4

TEST 6

TEST 8

TEST 9

TEST 10

TEST 11

TEST 12

TEST 13

TEST 14

TEST 15

TEST 16

TEST 17

TEST 18

TEST 19

TEST 20

TEST 21

TEST 22

TEST 23

TEST 24

TEST 25

TEST 26

TEST 27

TEST 28

TEST 29

TEST 7

TEST 5

July

20

06

Se

p 2

006

Nov

200

6

Jan

200

7

Mar

200

7

May

200

7

July

20

07

Au

g 2

006

Oct

200

6

Dec

200

6

Feb

200

7

Ap

r 20

07

Jun

e 20

07

Au

g 2

007

July

20

06

Se

p 2

006

Nov

200

6

Jan

200

7

Mar

200

7

May

200

7

July

20

07

Au

g 2

006

Oct

200

6

Dec

200

6

Feb

200

7

Ap

r 20

07

Jun

e 20

07

Au

g 2

007

10 20 30 40 50 60 70 80 90 1000

(% Percentage)

10 20 30 40 50 60 70 80 90 1000

(% Percentage)

Αριθμός δοκιμών: 29

ΔΟΚΙΜΗ MSE ΔΟΚΙΜΗ MSE

Test1 0.1373 Test16 0.0423

Test2 0.0501 Test17 0.0350

Test3 0.0464 Test18 0.0323

Test4 0.0567 Test19 0.0160

Test5 0.0316 Test20 0.0322

Test6 0.0247 Test21 0.0828

Test7 0.0371 Test22 0.0728

Test8 0.0683 Test23 0.0244

Test9 0.0220 Test24 0.0248

Test10 0.0226 Test25 0.0525

Test11 0.0172 Test26 0.0487

Test12 0.0353 Test27 0.0662

Test13 0.0221 Test28 0.0519

Test14 0.0384 Test29 0.0180

Test15 0.0252 - -

Κατάταξη βάσει Ποσοστού Επιτυχίας


1020

3040

5060

7080

9010

00

(% P

erce

ntag

e)

TE

ST

1

TE

ST

3

TE

ST

2

TE

ST

4

TE

ST

6

TE

ST

8

TE

ST

9

TE

ST

10

TE

ST

11

TE

ST

12

TE

ST

13

TE

ST

14

TE

ST

15

TE

ST

16

TE

ST

17

TE

ST

18

TE

ST

19

TE

ST

20

TE

ST

21

TE

ST

22

TE

ST

23

TE

ST

24

TE

ST

25

TE

ST

26

TE

ST

27

TE

ST

28

TE

ST

29

TE

ST

7

TE

ST

5

IDE

AL

50% ΠΟΣΟΣΤΟ ΟΡΘΩΝ ΠΡΟΒΛΕΨΕΩΝ

(TEST #)

Ποσοστό Ορθών Προβλέψεων: 70.20 %Μέσο Τετραγωνικό Σφάλμα: 0.0248

Τest 24

ΣΥΣΧΕΤΙΣΗ FUTURE SPOT M1 M2 M3 M4 M5 M6 M7

Output -0.224 -0.202 0.402 -0.084 0.253 -0.192 -0.246 -0.244 -0.262

Παραμετροποίηση Test 24


Μεταβλητές Εσόδου: 9Μεαβλητές Εξόδου: 1Τύπος Δικτύου: ModularΑριθμός Στρωμάτων: 6Συν. Ενεργοποίησης: Σιγμοειδής tanφ

.

.

.

.

.

.

.

ΑΝΩ ΤΜΗΜΑ

.

.

.

.

.

.

.

ΚΑΤΩ ΤΜΗΜΑ

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.


ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ I

ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ II


1

2

9

1

2

23

1

2

14

1

2

15

1

2

27

1

.

.

.

.

.

.

.

.

.

.

.

.

.

.

ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ IV

1

2

7

1

2

21

.

.

.

.

.

.

.

.

.

.

.

.

.

.

ΚΡΥΜΜΕΝΟ ΣΤΡΩΜΑ V

1

2

22

1

2

24

ΑΝΩ ΤΜΗΜΑ

ΚΑΤΩ ΤΜΗΜΑ

ΑΝΩ ΤΜΗΜΑ

ΚΑΤΩ ΤΜΗΜΑ

ΑΝΩ ΤΜΗΜΑ

ΚΑΤΩ ΤΜΗΜΑ

Κανόνας Εκμάθησης: MomentumΡυθμός Εκμάθησης: ΠροσαρμοστικόςAναδιάρθρωση βαρών: Αντίστροφη ΔιάδοσηΚριτήριο Επίβλεψης: IncreaseΑριθμός Εποχών: 1000

5060

7080

Ορ

θές

Πρ

οβ

λέψ

εις

(%)

Αριθμός Κρυμμένων Στρωμάτων

1 2 3 4 5

Πρόβλεψη Τελικού Μοντέλου


July

200

6

Sep

200

6

Nov

200

6

Jan

2007

Mar

200

7

May

200

7

July

200

7

Aug

200

6

Oct

200

6

Dec

200

6

Feb

200

7

Apr

200

7

June

200

7

Aug

200

7

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5

TESTING SETΠαραγόμενα αποτελέσματαΕπιθυμητά αποτελέσματα

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5


Πρόβλεψη Τελικού Μοντέλου


Επιθυμητά αποτελέσματαΠαραγόμενα αποτελέσματα

TRAINING SET

May

200

2

July

200

2

Se

p 2

002

Nov

200

2

Jan

200

3

Mar

200

3

May

200

3

July

200

3

Se

p 2

003

Nov

200

3

Jan

200

4

Mar

200

4

May

200

4

July

200

4

Se

p 2

004

Nov

200

4

Jan

200

5

Mar

200

5

May

200

5

July

200

5

Se

p 2

005

Nov

200

5

Jan

200

6

Mar

200

6

May

200

6

July

200

6

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

0.9

0.8

0.7

0.6

1.0

1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

0.9

0.8

0.7

0.6


Προσομοίωση υπό κανονικές συνθήκες


ΗΜΕΡΟ ΜΗΝΙΑ

Future Λ. Ε.Ορθήθέση

Αγορά Πώληση Λ.Ε.Προτεινόμενη θέση

Ορθότητα προβλέψεων Αποτέλε σμα ($)($) Τελικός

Κέρδη ($)

Κέρδη ($) Εκτίμηση

03/07/2006 24000 1.20388 ΑΓΟΡΑ 4893 -4893 1.03174 ΑΓΟΡΑ ΑΓΟΡΑ ΑΓΟΡΑ 4893





25/08/2006 30500 1.04747 ΑΓΟΡΑ 1448 -1448 0.99227 ΠΩΛΗΣΗ ΑΓΟΡΑ ΠΩΛΗΣΗ -1448


30/08/2006 32000 0.99837 ΠΩΛΗΣΗ -52 52 0.98514 ΠΩΛΗΣΗ ΠΩΛΗΣΗ ΠΩΛΗΣΗ 52

… … … … … … … … … … …


ΤΕΛΙΚΟ ΚΕΡΔΟΣ ($) 865351

ΑΒΓ Συμβολισμός λήψης θέσης αγοράς

ΑΒΓ Συμβολισμός λήψης θέσης πώλησης

ΑΒΓ Ταύτιση ορθής και προτεινόμενης θέσης

ΑΒΓ Μη ταύτιση ορθής και προτεινόμενης θέσης Το ιδανικό κέρδος θα ήταν 1196353 $

Συμπεράσματα


Παρατηρήσεις

3. Η πρόβλεψη παρουσιάζει το μεγαλύτερο σφάλμα κατά τον Οκτώβριο του 2006

Λογικά τα δεδομένα του μεταφέρουν νέες συνθήκες, άγνωστες μέχρι τώρα στο δίκτυο

2. Τα αποτελέσματα της πρόβλεψης επηρεαζονται από την εποχικότητα της Ναυλογοράς

Τους εαρινούς και θερινούς μήνες η πρόβλεψη κρίνεται περισσότερο επιτυχής

Συνεπώς...

1. Παραγόμενες τιμές λόγων εκκαθάρισης κοντά στη μονάδα είναι καλό να αποφεύγονται


– Αξιολόγηση μόνο των μηνών της Άνοιξης και Του Καλοκαιριού δίνει:

Ποσοστό Ορθών Προβλέψεων: 77.32 %

– Θέσπιση Περιθωρίου Εμπιστοσύνης |Λόγος Εκκαθάρισης - 1| > 0.05 , δίνει:

– Εξαίρεση του Οκτωβρίου 2006, δίνει:

Μέσο Τετραγωνικό Σφάλμα: 0.0115

July

20

06

Se

p 20

06

No

v 20

06

Jan

20

07

Ma

r 2

00

7

Ma

y 2

00

7

July

20

07

Au

g 20

06

Oct

20

06

De

c 20

06

Fe

b 2

00

7

Ap

r 2

00

7

Jun

e 2

00

7

Au

g 20

07

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5

TESTING SETΠαραγόμενα αποτελέσματαΕπιθυμητά αποτελέσματα

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5



July

200

6

Sep

200

6M

ar 2

007

May

200

7

July

200

7

Aug

200

6

Apr

200

7

June

200

7

Aug

200

7

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5

ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΑΠΟΔΟΣΗΣΕπιθυμητά αποτελέσματαΠαραγόμενα αποτελέσματα

1.0

1.1

1.2

1.3

1.4

1.5

0.9

0.8

0.7

0.6

0.5

Όριο Ασφαλείας

Ποσοστό Ορθών Προβλέψεων: 90.60 %

|Λ.Ε. - 1| > 0.04



• Απαραίτητη η συνεχής ανανέωση της Γνώσης (επανεκπαίδευση) ενός τέτοιου μοντέλου

• Σημαντικό ρόλο παίζει η απλή αποκωδικοποίηση της λαμβανόμενης Πρόβλεψης

• Η επιτυχία της Πρόβλεψης είναι αντιστρόφως ανάλογη με το χρονικό ορίζοντα αυτής

• Καταλυτικός στην αποδοτικότητα του μοντέλου είναι ο τρόπος διαχείρισης των εκρεόντων αποτελεσμάτων

Αυτοματοποιημένα μοντέλα Πρόβλεψης Οικονομικών μεγεθών μπορούν να υπάρξουν,

αλλά υπό τις σωστές προϋποθέσεις

Τελικώς...

Προτάσεις για περαιτέρω έρευνα


• Μοντέλων που θα τελούν όμοια πρόβλεψη για διαφορετικές διαδρομές

• Δικτύων που θα παράγουν πρόβλεψη σε συμβόλαια μεγαλύτερης χρονικής διάρκειας

• Ομοειδών συστημάτων απευθυνόμενα σε άλλους οικονομικούς τομείς

Προτείνεται η διεξαγωγή έρευνας ως προς τη σχεδίαση:

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΝΑΥΠΗΓΩΝ...

Documents

Transcript of ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΝΑΥΠΗΓΩΝ...