5 - Опис класу EParseQuotesManager
Властивості і методиОпісаніеUpdateDB () парсит котирування в БД
Клас StockController описаний в таблиці 6.
Таблиця 6 - Опис класу StockController
Властивості і методиОпісаніе $ layoutссилка на базову розмітку страніциFilters () повертає масив з фільтрами доступу до контроллеруAccessRules () повертає масив прав доступаCreate () повертає форму створення нового тікераUpdate ($ id) повертає форму поновлення тікераDelete ($ id ) за певним id видаляє тікерAdmin () повертає адміністративну сторінку управління тікераміLoadModel ($ id) по id повертає певну модель тікераShowGraph ($ id) повертає графік по id тікераHurst () вважає показник Херста для всіх тікеровTestAnn () навчає НС
Клас RSAnalyze описаний в таблиці 7.
Таблиця 7 - Опис класу RSAnalyze
Властивості і методиОпісаніе $ quotesмассів котіровокGetLog ($ values) повертає масив логаріфміровать тимчасового рядаGetAvgInSubperiod ($ n, $ values) повертає масив з середніми значеннями для кожного подперіодаGetSumDevPerPeriod ($ avgPerPeriod, $ values) повертає часовий ряд накопичених отклоненійGetR ($ sumDev, $ n) повертає масив розмахів для кожного подперіодаGetS ($ avgPerPeriod, $ values) повертає масив стандартних відхилень для кожного подперіодаGetRS ($ arrR, $ arrS) повертає показник R/SGetArrN ($ values) повертає всі можливі кількості елементів у подперіодеGetOptR ($ values) повертає оптимальну тимчасову задержкуСвойства і методиОпісаніеPseudoReconst ($ values, $ m, $ tau) проводить псевдофазовую реконструкцію, повертає 2 масиву, вхідних і вихідних векторів
3.3 Інтерфейс програми
Головне вікно додатка представлено на малюнку 3.2:
Рисунок 3.2 - Головне вікно програми
Для додавання нових історичних даних необхідно зайти в меню «Довідники» і вибрати «Компанії» (Малюнок 3.3).
Малюнок 3.3 - Меню компанії
Потім необхідно натиснути на кнопку «Додати компанію». Відкриється форма (Малюнок 3.4). Введіть назву компанії і шлях до текстового файлу з історичними даними та натисніть «Зберегти».
Малюнок 3.4 - Додавання компанії
У меню «Дії» (Малюнок 3.5) доступні наступні функції:
«Оновити БД» - записує історичні дані в базу даних
«Оновити Херста» - розраховує експоненту Херста
«Навчання НС» - виконує псевдофазовую реконструкцію та проводить навчання нейронної мережі
Малюнок 3.5 - Доступні дії
З історичними даними можна ознайомитися в меню «Графіки» (Малюнок 3.6):
Малюнок 3.6 - Історичні дані
З прогнозами часових рядів можна ознайомитися в меню «Прогнози» (Малюнок 3.7):
Малюнок 3.7 - Прогнози
Висновок
Головною метою дипломної роботи була розробка веб-додатки для прогнозування часових рядів методом фрактального аналізу.
Для досягнення цієї мети були вирішені наступні завдання:
вивчені методи фрактального аналізу часових рядів;
розроблена нейронна мережа для прогнозування часових рядів, що використовує на етапі формування навчальної вибірки фрактальний аналіз;
розроблений веб-інтерфейс для взаємодії з користувачем.
Створене веб-додаток дозволяє користувачеві:
проводити R/S аналіз часових рядів;
оновлювати історичні дані різних токарів;
додавати історичні дані для нових компаній;
переглядати історичні дані;
отримувати прогноз наступного значення часового ряду.
Завдяки даному веб-додатком, автоматизовано роботу по створенню прогнозу методом фрактального аналізу. Додаток легко можна розширити завдяки модульному будовою фреймворку Yii. Дружній інтерфейс користувача, однаковість у відображенні даних - роблять інформаційну систему зрозумілою і легкою для освоєння навіть недосвідченим користувачам.
Список використаних джерел
1 Гранічін О.Н., Поляк Б.Т. Рандомізовані алгоритми оцінювання та оптимізації при майже довільних перешкодах. М .: Наука. 2 003.
2 Готовчінков І.Оценка шляхів вдосконалення стратегій поведінки на російському валютному ринку//Фінансовий менеджмент, №4. 2 003.
3 Мандельброт Б., Хадсон Р .. (Не) сл...
