§ 5. Экспериментальная проверка алгоритма LGAP

Экспериментальная проверка алгоритма проводилась на ежедневно публикуемых курсах различных валют на Московской межбанковской валютной бирже. Этот материал лишь косвенно отражает сложные внешние процессы, влияющие на формирование курсов валют, и потому задача прогнозирования курсов является заведомо сложной.

Были взяты данные за период  дней 1986-1987 гг. по шести валютам (доллар США, немецкая марка, фунт стерлингов, французский франк, японская иена и ЭКЮ). Вычислялись отношения курсов валют друг к другу, и эти кросскурсы нормировались по времени в диапазоне от нуля до единицы. Предсказывались значения кросскурсов в день . В качестве базовых выбирались все неизоморфные штаммы мощностью  ( от трех до двенадцати), которые можно было построить из элементов  дней, предшествовавших дню  ( от одного до десяти дней). Компетентные штаммы определялись в оставшемся массиве в  дней. Кроме ,  и  в экспериментах варьировались количества компетентных предикторов на всех трех этапах их отбора.

Ввиду того, что после нормировки все кросскурсы изменяются в одинаковых пределах от нуля до единицы, в роли меры качества прогноза использовалась абсолютная величина ошибки в процентах.

Эксперименты подтвердили целесообразность использования дисперсионного критерия для оценки ожидаемой точности прогноза. Этот критерий оказался заметно более эффективным по сравнению с ранее использовавшимся в алгоритме ZET критерием аналогичного назначения.

Выяснилось, что наиболее компетентные штаммы концентрируются в непосредственной близости к прогнозируемому дню. Для одного и того же дня при прогнозе разных кросскурсов оказываются компетентными предикторы, порождаемые разными штаммами, так что настраивать программу на отдельные штаммы, которые в процессе ретроспективного прогнозирования давали наилучшие результаты, нельзя. Нужно использовать все штаммы и для каждого прогнозируемого элемента отбирать группы предикторов по дисперсионному критерию.

Ошибки прогноза для разных валют бывают разными. Наибольшую трудность представляет прогноз кросскурсов, в которых задействованы немецкие марки и/или французские франки. При наилучшей настройке параметров алгоритма прогноз 90 последних дней (на один день вперед) дал среднюю ошибку, равную 2,37%. Знаки изменения кросскурсов прогнозируются с точностью 67%. Эти результаты сравнивались с результатами прогнозов по так называемой нулевой стратегии, при которой предполагается, что завтра будет то же, что и сегодня. Ошибка кросскурса при этом была равной 4,012%, а знаки предсказывались с точностью 54,3%.

Если отобрать те дни, прогнозы в которые отличались малой дисперсией , то точность прогноза повышается. Так, если брать в среднем один прогноз из пяти, то ошибка для кросскурса уменьшалась до 1,102%, а знак изменения кросскурса прогнозировался с точностью 81,1%.

Алгоритм LGAP предполагается использовать для решения прикладных задач, которые традиционно решались нами с помощью алгоритма ZET: прогноз результатов деятельности предприятий, прогноз урожайности сельхозкультур, прогноз состояния наблюдаемых пациентов и т. д. Большой интерес представляют новые задачи прогнозирования процессов экономического, экологического и демографического характера, возникающие при изучении проблемы устойчивого развития ноосферы [79].