Информационно-аналитическое мобильное приложение прогнозирование отдельных позиций товарной биржи драгоценных и цветных металлов

2



Реферат

Выпускная квалификационная работа на тему «Информационно-аналитическое мобильное приложение прогнозирование отдельных позиций товарной биржи драгоценных и цветных металлов» состоит из расчётно-пояснительной записки объёмом  72 страницы и графического материала на 15 листах. Расчётно-пояснительная записка состоит из 6 разделов, введения, заключения, списка использованных источников и приложений.

В первойглаве проводится анализ предметной области, рассматривающий игровой искусственный интеллект,на основании чего сформулирована цель выпускной квалификационной работы и поставлены задачи, которые разрабатываемая система должна решать.

Вторая глава посвящена рассмотрению теоретических аспектов разрабатываемой системы. В ней будет разработана концептуальная модель и проанализированы все её основные элементы. Далее будут рассмотрены структура системы и функциональные взаимосвязи. 

В третьей и четвертой главе будут рассмотрены аспекты практической реализации разрабатываемой программной системы. Будут описаны программные инструменты, использованные для разработки этой системы и приведены обоснования его выбора в рамках выполнения выпускной квалификационной работы.

В шестой главе были представлены описание бизнес-плана, расчет трудозатрат и технико-экономическое обоснование целесообразности выполнения работы, а также произведен анализ рынка сбыта.

	Расчётно-пояснительная записка содержит 19 рисунков, 15 из которых включены в графическую часть проекта, 4 таблицы Библиографический список состоит из 20 элементов.

Содержание



	Введение	6

	Глава 1: Обзор проблематики дипломного проектирования	7

	Введение	7

	1.2.1 Фундаментальный анализ рынка	9

	1.2.1.1 Основные методы фундаментального анализа	10

	1.2.2 Технический анализ рынка	11

	1.3 Методы прогнозирования	13

	1.3.2 Метод авторегрессии	16

	1.3.2 Метод наименьших квадратов	17

	1.4 Методы прогнозирования с использованием нейронных сетей	19

	1.4.1 Прогнозирования бизнес-процессов с использованием нейросети	22

	1.5 Постановка задачи	23

	Выводы	23

	Глава 2: Теоретические аспекты разрабатываемой системы	23

	2.1 Концептуальная модель системы	23

	2.2 Структурно-функциональный анализ системы	28

	2.2.1 Структурный анализ системы	29

		2.2.2	Функциональный анализ системы	31

		2.3	Структура пользовательского интерфейса	34

	Выводы	34

	Глава 3: Обоснование выбора программного обеспечения	35

	Введение	35

	3.1 XamarinStudio	35

	3.2 БД SQLite	36

	3.3 Технология .Net	37

	3.4 Язык программирования C#	37

	Вывод	38

	Введение	38

	4.1Используемые алгоритмы прогнозирования	38

	4.3 Работа с БД	41

	4.4 Пользовательский интерфейс и управление	46

	Вывод	49

	Глава 5: Руководство пользователя и результаты эксперимента	50

	Введение	50

	5.1 Назначения и условия применения программного продукта «FinancialAssistant»	50

	5.2 Подготовка к работе	51

	5.2.1 Состав и содержание дистрибутивного носителя данных	51

	5.2.2 Порядок загрузки данных	51

	5.2.3 Порядок проверки работоспособности	51

	5.3 Описание операций	51

	5.3.1 Графическое отображение данных	53

	3.2 Табличное отображение данных	54

	3.3 Составление прогноза	55

	5.4Аварийные ситуации	56

	Вывод	56

	Глава 6: Организационно-экономическая часть	56

	Введение	56

	6.1 Разработка бизнес-плана проекта	57

	6.1.1 Описание продукта	57

	6.1.2 Анализ рынка сбыта	58

	6.1.3 Анализ конкурентной среды	59

	6.1.4 Маркетинг	59

	6.1.5 Организационный план	60

	6.1.6 Календарный график выполнения выпускной квалификационной работы	61

	5.2 Расчет трудозатрат и составление сметы на выполнение проекта	63

	5.2.1 Материалы, покупные изделия и комплектующие на единицу изделия	64

	5.2.2 Основная заработная плата (ОЗП) работников	65

	5.2.3 Дополнительная заработная плата сотрудников (ДЗП)	65

	5.2.4 Страховые отчисления (СО) от заработной платы	66

	5.2.5 Накладные расходы	66

	5.2.6 Командировочные расходы	66

	5.2.7 Оплата работы сторонних предприятий	66

	5.2.8 Расчет договорной цены	66

	5.3 Источники финансирования	67

	5.4 Технико-экономическое обоснование целесообразности выполнения проекта	68

	Вывод	68

	Заключение	70

	Перечень сокращений и специальных терминов	71

	Список использованных источников:	72








Введение

С момента основания биржи, как централизованного пункта купли/ продажи правильное взвешивание всевозможных влияющих факторов, интуиция, а, порой, и банальное везение могли привести к неслыханному богатству удачливого трейдера.

С развитием экономической теории, любители рискнуть, а так же управляющие различными производствами, многие из которых напрямую зависят от биржевых  котировок на тот или иной товар, будьто валюта, металлы или сельскохозяйственная продукция, получили возможность получать прогноз, основанных на различных подходах экономического прогнозирования, а так же на математических моделях. Многие крупные производства пользуются услугами финансовых аналитиков, чья задача заключается в построении достоверных прогнозов, для моделирования дальнейшей стратегии управления.

Начиная с середины XX века стремительно начала стремительно развиваться отрасль вычислительной  техники, а с ней и область искусственного интеллекта. Разработки и исследования, последних сорока лет в компьютерной индустрии, позволили создать множество систем ведения биржевых торгов, хранения архивных данных по биржевым котировкам, а также прогнозирования с определенной точностью предстоящих торгов в краткосрочной, среднесрочной или  долгосрочной перспективе. Выпуск этих систем позволил существенно расширить круг трейдеров и игроков, в силу возможности участвовать в торгах дистанционно, и сегодня валютные, фондовые и товарные биржи доступны практически любому желающему, вне зависимости от его местонахождения и профессии. 

Для помощи начинающим игрокам рынок программной продукции выпускает различные системы прогнозирования, эффективность которых определяется исключительно выбранной стратегией, а также квалификация разработчиков и экспертов-экономистов, участвующих в проекте. Большая часть программных продуктов данной категории направлена на анализ рынка и составление прогноза в двух наиболее востребованных направлениях: валютный и фондовый рынок. Остальные рынки остаются без внимания в силу их узкой направленности. Наиболее точным методом прогноза на данный момент считаются системы, базирующиеся на методах искусственного интеллекта – использование финансовых временных рядов в нейросети.

В процессе исследования программных продуктов в области приложений прогнозирования было выявлено, что на данный момент существует заинтересованность в системе прогнозирования котировок на драгоценные металлы. Однако, предложенные на рынке продукты не удовлетворяют данную потребность пользователей, поэтому в данной выпускной квалификационной работе будет рассмотрено приложение просчитывающее прогноз котировок на товарной бирже цветных и драгоценных металлов. Безусловно данное приложение не сможет заменить финансового аналитика, но полученная информация может стать одним из критерия принятия решений.

Глава 1: Обзор проблематики дипломного проектирования

	Введение

Прогнозирования товарных рынка в значительной мере отличается от прогнозирования валют, которое получило распространение у широкой публики за счет доступности и простоты участия в этих биржевых играх. Рынок металлов является скорее узкопрофильным направлением, на которое имеют значительное влияние не только экономико-политические факторы, страны, в которой добывается сырье. В данном случае речь пойдет о влиянии экономико-политических факторах индустриальных стран, таких как Китай или Индия, так как большинство производств выведено именно туда.

	Для прогнозирования цен в области рынка металлов, как и при любом другом прогнозировании, используют математические методы и модели. Среди этих методов выделяют в том числе методы общей-направленности и общей-цикличности  предложенные Энглом и Козински(1993), Вахидои и Энглом(1993, 1997), Энглом и Ислером (2002) и т.д. все эти методы базируются на декомпозиции нестационарного экономического ряда на интегрированные трендовые компоненты и эргодические циклические элементы, где их свойства исследуются путем построения векторной авто регрессивной модели. Также применимы методы прогнозирования максимально большой ошибки, путем скрещивания различных моделей. Так или иначе на данный момент все значимые исследования в области ценообразования на рынке металлов сводятся к построению математических моделей, базирующихся на исследовании временных рядов.

Однако, как уже указывалось ранее за последние десятилетия активно развивалась область искусственного интеллекта, что дало возможность использовать мощный и широкопрофильный инструмент – нейронные сети. Благодаря этим разработкам специалисты в различных областях получили возможность получать зависимости не заметные даже высококвалифицированному человеку.

1.1 История товарной биржи металлов

На данный момент сам большой биржей металлов является Лондонская Биржа Металлов (LME), которая была официально основана в 1887 году. Безусловно торги подобным товаром велись и ранее, но зарегистрирована она была именно тогда. 

Первоначальный ассортимент биржи состоял из цинка, меди и свинца, чрезвычайно популярные на тот момент, однако со временем биржа разрослась и на данный момент может предложить куда более широкий ассортимент. 

С началом Второй Мировой войны биржа закрылась и ее работа восстановилась только в 1952 году. С 1978 по 2010 годы на бирже металлов появились алюминий, кобальт, молибден, и никель.

	Также на Лондонской Бирже Металлов представлены благородные металлы: золото, палладий, платина и серебро.

1.2 Методы анализа рынка

Одним из основных этапов прогнозирования является анализ рынка. Существуют различные методики анализа, но в конечном итоге они делятся на технологический и фундаментальный.

1.2.1 Фундаментальный анализ рынка

Фундаментальный анализ — сбор и анализ сведений влияющих на стоимость актива. Макроэкономические показатели государств влияющие на состояние рынка:

– инфляционные ожидания и сам уровень инфляции;

	– банковская процентная ставка;

– динамика роста денежной массы на собственном рынке;

– доверие к данной валюте мирового финансового рынка;

– платёжеспособность страны;

– объемы добычи и производства из конкретных позиций.

Фундаментальный анализ сложен тем, что невозможно четко сформулировать методику прогноза. В различных условиях одни и те же макроэкономические показатели имеют разное влияние.

Лишь общий анализ финансово-политической деятельности государства и экономической обстановки может оказать существенную помощь в оценке ситуации.

1.2.1.1 Основные методы фундаментального анализа

Метод сравнения

Метод сравнения заключается в том, что для долгосрочного прогноза необходимо не просто знать те или иные ключевые показатели, влияющие на стоимость актива, но и уметь сравнивать их в различных государствах. Только сопоставив аналогичные показатели и их динамику, можно делать вывод о направлении движения цены. Из общего числа макроэкономических показателей всегда можно выделить универсальные, при помощи которых можно делать анализ динамики практически в любой стране. Чаще всего в качестве этих показателей используются ВВП и процентная ставка. Сопоставив их, можно строить прогноз на курс национальных валют, стоимость энергоносителей, металлов и сырья.

Сезонность

На многие движения рынка валют влияют сезонные факторы. Это курс акций сельскохозяйственных корпораций, цены на продукты, на энергоносители в зависимости от времени года и многое другое. Колебания этих активов неизбежно вызывают изменение курса самой национальной валюты.





Дедукция и индукции

Ничуть не меньшую эффективность имеет и методы дедукции и индукции. Индукция – это собирание воедино большого числа факторов, их обобществление. Дедукция – это оценка реальной ситуации, умение объяснить и отыскать причинно-следственную связь происходящих событий.

Метод корреляции

Не менее интересен и метод корреляции. На курс валюты влияют разные показатели, включая объём производства, инфляцию, уровень безработицы, и не учитывать это в фундаментальном анализе нельзя.

Группировка и обобщение

Группировка и обобщение также полезны в прогнозировании валютных курсов. При помощи этого метода делается разбивка валют на отдельные блоки и расчёт индексов в каждом из них.

1.2.2 Технический анализ рынка

Технический анализ - прогнозирование вероятного изменения цен на основе закономерностей, в виде аналогичных изменений цен в прошлом, в схожих обстоятельствах. В его основе лежит анализ графиков цен  и выделение определенных закономерностей в динамике движения цены. Помимо изучения динамики изменения цены, в техническом анализе используется информация об объемах торов и другие статистические данные. Наиболее часто методы технического анализа используются для анализа цен, изменяющихся свободно, например, набиржах.

В техническом анализе множество инструментов и методов, но все они основаны на одном предположении: динамика движения цены определяется психологией поведения участников рынка, которые в схожих обстоятельствах ведут себя одинаково, под воздействием человеческих инстинктов — жадности, боязни, страхов и т. д., что и позволяет спрогнозировать поведение цен, из-за действий участников рынка.

Технический анализ не рассматривает причины того, почему цена изменяет своё направление, но учитывает лишь факт, что цена движется в том или ином направлении, или определенном образом, например находясь в пределах какого-то интервала цен в течение некоторого времени.

С точки зрения аналитика, доход может быть получен на любом рынке, если верно распознать тренд и открыть позицию в направлении тренда, а затем вовремя закрыть торговую позицию. Так, если цена упала до нижнего предела, надо пользоваться случаем и открывать позицию на покупку, а если цена выросла до верхнего предела и развернулась — открывать позицию на продажу. 

Помимо трендов в техническом анализе рассматриваются и анализируются так называемые паттерны или модели — типовые рисунки, формирующиеся на графиках. Наиболее известными являются разворотные модели, такие как — «Тройная вершина», «Двойная вершина», а также обратные к ним «Тройное дно» «Двойное дно» а также модели продолжения тренда «Треугольник» «Флаг». Разновидностью тройной вершины является фигура «Голова и плечи», у которой первая и третья вершины ниже второй. Достаточно большое разнообразие треугольников.

Выводы, полученные на основании технического анализа, могут расходиться с выводами, получаемыми от фундаментального анализа. В основном, фундаментальный анализ основывается на том, что реальная стоимость товара (ценной бумаги, валютной пары) отличается от рыночной цены — она переоценена или недооценена. Если можно рассчитать «верную» цену, то можно предполагать, что рынок «скорректируется» до нужного уровня (коррекция может происходить вверх или вниз). Поэтому рекомендации фундаментального анализа могут противоречить рекомендациям технического анализа.

Необходимо отметить, что оба метода не учитывают возможного искажения рыночной конъюнктуры под воздействием различных внешних или внутренних факторов. Политические, экономические события, как в мире, так и внутри страны способны оказать самое серьёзное влияние на поведение как отдельных акций так и целых секторов. Также такие воздействия могут быть связаны с изменением законов, введением или отменой таможенных пошлин, изменением ставок налогов и иных событий.

1.3 Методы прогнозирования

Временной ряд (ВР)– это последовательность значений, описывающих протекающий во времени процесс, измеренных в последовательные моменты времени, обычно через равные промежутки. Примеры временных рядов приведены на рисунках 1.1-1.3



Рисунок 1.1 – Линейный тренд



Рисунок 1.2 – Случайные колебания



Рисунок 1.3 – Сложный цикл



 Данные типа временных рядов широко распространены в различных областях человеческой деятельности. В экономике это ежедневные цены на акции, курсы валют, еженедельные и месячные объемы продаж, годовые объемы производства и т.п.

Целью построения временных рядов является:

– краткое описание характерных особенностей ряда;

– подбор статической модели, описывающей временной ряд;

– предсказание будущих моделей на основе прошлых наблюдений;

– управление процессом, порождающим временной ряд. 

При  проведении анализа временных рядов принято выделять следующие стадии:

– представление и описание ряда графическим способом;

– выделение и удаление закономерных составляющих, зависящих от времени: тренда, сезонных и цикличных составляющих;

– фильтрация процесса;

– исследование случайной составляющей ряда, после вышеуказанной фильтрации;

–построение математической модели и проверка ее адекватности.

– прогнозирование будущего развития процесса, представленного временным рядом.

– Исследование взаимодействий между различными временными рядами.

Методы анализа временных рядов можно разбить на подгруппы:

– корреляционный анализ;

– спектральный анализ;

– сглаживание и фильтрация;

– авторегрессия;

– прогнозирование.

При исследовании временного ряда принято выделять следующие компоненты:

T – тренд;

C – цикличность;

S – сезонная компонента;

e – случайная компонента.

Существует несколько методов прогнозирования временных рядом. На данный момент актуальными являются метод авторегрессии и метод нейронных сетей, которые получают временной ряд в качестве входных параметров.

Рассмотрим два метода прогнозирования временных рядов: метод авторегрессии и метод разработки прогноза с помощью наименьших квадратов.

1.3.2 Метод авторегрессии

	Данный метод относится к категории автокорреляционных методов анализа временных рядов. То есть корреляция ряда самого с собой.

Автокорреляция первого порядка характеризует тесноту связи между соседними значениями временного ряда, автокорреляция второго порядка – между отстоящими друг от друга на два периода и т.д. Автокорреляция n-го порядка относится к степени связанности откликов, разнесенных на n периодов. Предполагая, что возникшая связь между значениями сохранится некоторое время в будущем, получаем механизм прогнозирования, основанный на построении регрессии точек ряда на самих себя, то есть – авторегрессии.

Авторегрессионные модели разных порядков – первого, второго, в общем случае n-ого – можно описать уравнениями следующего вида:



где b0 – константа (свободный член) авторегрессионного уравнения, b1, b2,... bn – коэффициенты авторегрессии, Yi - величина отклика в некоторый момент времени,Yi–1, Yi–2,...Yi–n – соответственно отклики одним, двумя,... n периодами ранее заданного,  ?– некоррелированная случайная компонента, присутствующая в отклике и связанная с ошибками наблюдения и погрешностями модели.



1.3.2 Метод наименьших квадратов

Метод наименьших квадратов относится к методам экстраполяции. Экстраполяцией является анализ, построенный на изучении распространения прошлых и настоящих закономерностей, связей на будущее, развитие объекта прогнозирования.

Сущность метода наименьших квадратов состоит в минимизации суммы квадратических отклонений между наблюдаемыми и расчетными величинами. Расчетные величины находятся по подобранному уравнению – уравнению регрессии. Чем меньше расстояние между фактическими значениями и расчетными, тем более точен прогноз, построенный на основе уравнения регрессии.

Теоретический анализ сущности изучаемого явления, изменение которого отображается временным рядом, служит основой для выбора кривой. Иногда принимаются во внимание соображения о характере роста уровней ряда. Так, если рост выпуска продукции ожидается в арифметической прогрессии, то сглаживание производится по прямой. Если же оказывается, что рост идет в геометрической прогрессии, то сглаживание надо производить по показательной функции.

Рабочая формула метода наименьших квадратов:

У t+1 = а*Х + b

где,t + 1 – прогнозный период; Уt+1 – прогнозируемый показатель; a и b - коэффициенты; Х - условное обозначение времени.

Расчет коэффициентов a и b осуществляется по следующим формулам:









где, Уф – фактические значения ряда динамики; n – число уровней временного ряда;

Сглаживание временных рядов методом наименьших квадратов служит для отражения закономерности развития изучаемого явления. В аналитическом выражении тренда время рассматривается как независимая переменная, а уровни ряда выступают как функция этой независимой переменной.

Развитие явления зависит не от того, сколько лет прошло с отправного момента, а от того, какие факторы влияли на его развитие, в каком направлении и с какой интенсивностью. Отсюда ясно, что развитие явления во времени выступает как результат действия этих факторов.

Правильно установить тип кривой, тип аналитической зависимости от времени– одна из самых сложных задач предпрогнозного анализа.

Подбор вида функции, описывающей тренд, параметры которой определяются методом наименьших квадратов, производится в большинстве случаев эмпирически, путем построения ряда функций и сравнения их между собой по величине среднеквадратической ошибки, вычисляемой по формуле:



где Уф – фактические значения ряда динамики; Ур – расчетные (сглаженные) значения ряда динамики; n – число уровней временного ряда; р – число параметров, определяемых в формулах, описывающих тренд (тенденцию развития).

Недостатки метода наименьших квадратов:

– при попытке описать изучаемое экономическое явление с помощью математического уравнения, прогноз будет точен для небольшого периода времени и уравнение регрессии следует пересчитывать по мере поступления новой информации;

– сложность подбора уравнения регрессии, которая разрешима при использовании типовых компьютерных программ.

1.4 Методы прогнозирования с использованием нейронных сетей

	Начиная с 80-х годов, для решения экономических задач широкое распространение получили нейронные сети. Использование нейросетейобусловлено их способностью работать с противоречивыми и зашумленными данными.

Нейросеть представляет собой вычислительный алгоритм, функционирующий наподобие мозга, который состоитиз простейших вычислительных элементов — искусственных нейронов.



	Рисунок 1.1 – Пример использования  трехслойной нейроети в задаче прогнозирования

 Каждыйтакой элемент вычисляет взвешенную сумму своих входов x (с весами ?) и производит нелинейное преобразование F.Таким образом, выход нейрона вычисляется по следующей формуле:

S=F()

Основной этап работы с нейросетью– это ее обучение. На данном этапе определяются веса для каждого нейрона. При обучении происходит прогон множества примеров через сеть с коррекцией весов нейронов и с указанием значений, которые подаются на вход, и значений, которые должны быть получены на выходе нейросети. В процессе обучения происходит подстройка (коррекция) весов нейронов таким образом, чтобы уменьшить функцию ошибки, которая равнаразности выхода нейросети и требуемоговыходного значения.

В общем случае нейронные сети могут решать как задачи классификации (разделения входных примеров на заданное число классов), так и задачи аппроксимации (предсказания непрерывных функций). Второй класс задач нашелширокое применение при анализе временных рядов.Задача анализа временных рядов заключается в том, чтобы извлечь из нихполезную информацию с конечной целью предсказания будущих значений наоснове предыдущих. Такой подходстроится на предположении, что временной ряд имеет определенную математическую структуру. Эта структурасуществует в так называемом фазовомпространстве, координатами которогоявляются независимые переменные,описывающие поведение системы в целом. Поэтому главная проблема, которую необходимо решить, — это определение фазового пространства. Для этогонужно выбрать наиболее важные характеристики системы в качестве фазовыхпеременных (например, индикаторытехнического анализа).

Нейронные сети дают дополнительные возможности в моделировании нелинейных явлений и распознавании их. Благодаря своей гибкости они могут «ухватить» самые разные структуры в фазовом пространстве. Способность обобщения иопределения скрытых закономерностейявляется уникальным свойством нейросетей и позволяет их использовать втрудноформализуемых финансовых задачах.

Основным недостатком данного метода является недетерминированность. Имеется в виду то, что после обучения имеется "черный ящик", который каким-то образом работает, но логика принятия решений нейросетью совершенно скрыта от эксперта. Существуют алгоритмы "извлечения знаний из нейронной сети", которые формализуют обученную нейронную сеть до списка логических правил, тем самым создавая на основе сети экспертную систему. К сожалению, эти алгоритмы не встраиваются в нейросетевые пакеты, к тому же наборы правил, которые генерируются такими алгоритмами достаточно объемные.

1.4.1 Прогнозирования бизнес-процессов с использованием нейросети

	Самый простой вариант применения искусственных нейронных сетей в задачах бизнес-прогнозирования - использование обычного персептрона с одним, двумя, или (в крайнем случае) тремя скрытыми слоями. При этом на входы нейронной сети обычно подается набор параметров, на основе которого (по мнению эксперта) можно успешно прогнозировать. Выходом обычно является прогноз сети на будущий момент времени.

Рассмотрим пример прогнозирования продаж. На рисунке представлен график, отражающий историю продаж некого продукта по неделям. В данных явно заметна выраженная сезонность. Для простоты предположим, что никаких других нужных данных у нас нет. Тогда сеть логично строить следующим образом. Для прогнозирования на будущую неделю надо подавать данные о продажах за последние недели, а также данные о продажах в течении нескольких недель подряд год назад, чтобы сеть видела динамику продаж один сезон назад, когда эта динамика была похожа на настоящую за счет сезонности.

Если входных параметров много, крайне рекомендуется не сбрасывать их сразу в нейронную сеть, а попытаться вначале провести предобработку данных, для того чтобы понизить их размерность, или представить в правильном виде.







1.5 Постановка задачи

	В ходе проведения анализа предметной области, а также предполагаемого целевого рынка была выявлена необходимость в разработке мобильной информационно-аналитической системы для отображения котировок прошедших торгов, а также для составления краткосрочого прогноза для биржи металлов. 

Из этого следует, что целью дипломного проектирования является создание мобильной программы, позволяющей решать следующие задачи:

– представление биржевых котировок в графическом виде, с возможностью выбора интересующей позиции;

– представление котировок в табличном виде,с возможностью выбора интересующей позиции;

– составление краткосрочного прогноза,с возможностью выбора интересующей позиции;

Выводы

В главе рассматриваются теоретические методы, применимые для составления прогноза динамики цен на товарных биржах. Эти методы применимы для составления алгоритмов аналитических приложений. Также  был поставлена задача на выполнение дипломного проектирования.

	Глава 2: Теоретические аспекты разрабатываемой системы

2.1 Концептуальная модель системы

Для более качественного анализа системы построим ее концептуальную модель.

Концептуальная модель – это абстрактная модель, определяющая состав и структуру объекта, свойства элементов и их взаимосвязи, существенные для достижения целей моделирования. 

Согласно концептуальной модели любая задача может быть представлена как кортеж, состоящий из четырёх элементов:

                                      (1.1)

P – задача,

?– внешняя среда,

Z–цель,

C – условия,

I–исходные данные и знания.

В свою очередь условия можно рассмотреть, как кортеж:

(1.2)

M – методы решения,

A – алгоритмы решения,

P – программа (реализация алгоритма),

T – адекватность.

Заменив элемент C(условия задачи) в формуле (1.1) на кортеж, представленный в формуле (1.2), получен кортеж, состоящий из семи элементов, в полной мере отражающий все особенности и характеристики поставленной задачи:

                  (1.3)

? – внешняя среда,

Z–цель,

M – методы решения,

A – алгоритмы решения,

P – программа (реализация алгоритма),

T – адекватность,

I–исходные данные и знания.

Для определения полной концептуальной модели необходимо раскрыть каждый из элементов.

? – внешняя среда

Внешняя среда – факторы , влияющие на представление и реализацию задачи. К ним относятся сторонние аналоги программного обеспечения, тенденции развития компьютерной и программной индустрии, предположительные желания будущих пользователей и др.

Для поставленной задачи внешней средой являются все те разработки и методы в области анализа данных и прогнозирования.

Таким образом, на решение задачи оказывают влияния такие факторы, как:

	существующие приложения, используемые в них методы, а также достоинства и недостатки каждого метода;

	тенденции развития методов и инструментов прогнозирования;

	требования к программной системе.

Z – цель

Под целью понимается модель желаемого, эталонного результата решения задачи.

В данном случае цель – Разработкаинформационно-аналитическое мобильное приложение прогнозирование отдельных позиций товарной биржи драгоценных и цветных металлов.

M – методы решения

Методы решения системной задачи определяют, что надо делать для получения результата и достижения поставленной цели. В содержательном аспекте метод решения задачи представляет совокупность принципов, способов, приемов или операций, направленных на достижение определенных результатов в теоретической или практической деятельности.

Непосредственно к данной задаче относятся следующие группы методов:

– исследование области знаний и накопление информации о ней;

– структурно-функциональный анализ системы;

– практическая реализация системы;

– тестирование и отладка.

Первая группа методов является наиболее общей и используется на протяжении всей разработки программного продукта, особенно в его начальной фазе – анализе предметной области.

Вторая группа методов позволяют провести полноценный анализ структуры системы, рассмотреть составляющие её блоки и их взаимосвязи. 

Третья группа методов насчитывает большое количество инструментов по созданию целевого продукта. В основном, это различные методы, связанные с составлением алгоритмов и их реализацией.

Четвёртая группа состоит из элементов, сопровождающих всю разработку программного продукта, так как каждый этап разработки должен отлаживаться и подвергаться разнообразным подходящим видам тестирования.

A – алгоритмы решения

Алгоритм предназначен для реализации метода решения задачи. Алгоритм определяет механизмы получения требуемого результата решения задачи на основе выбранного метода и варьируемых начальных данных.

В данном случае будет использоваться алгоритм прогнозирования методом наименьших квадратов.

P – программа

Программа – это реализации алгоритма. То есть под программой понимаются все действия, указанные в алгоритме, и полученные результаты как следствие их выполнения.

Касательно алгоритма, относящегося к первой группе методов – «Исследование области знаний» – программой является анализ предметной области, выделение необходимых данных и их использование при определении цели. Эта программа была выполнена при анализе предметной области, а её результаты подробно изложены в материалах первой главы.

Программа второго алгоритма – «Структурно-функциональный анализ системы» – анализ структуры системы и её блоков, построение необходимых схем и диаграмм. В следующем параграфе «Структурно-функциональный анализ системы» представлены результаты этой программы.

Программа третьего алгоритма – «Практическая реализация» – разработка программной системы, выполняющей поставленные задачи. 

Программой четвёртого алгоритма «Тестирование и отладка» является периодическая проверка программного обеспечения на работоспособность и соответствие поставленным целям.

T – адекватность

Адекватность – ещеодин компонент, входящий в состав условий, определяющий качественные и количественные требования к результату решения задачи. Адекватность– комплексный показатель, определяющий максимально допустимое несоответствие между идеальным и действительным  результатами решения системной задачи.

Поставленная задача должна соответствовать всем поставленным требованиям без каких-либо отклонений. Цель должна быть достигнута в полной мере.

I – исходные данные и знания

Целесообразным образом, сгруппированная и в удобной форме представленная необходимая для решения задачи информация.

Информация тесно коррелирует со всеми остальными элементами кортежа концептуальной модели задачи, так как содержит все данные о внешней среде, целях, методах и инструментах решения задачи.

Кроме уже представленных данных сюда относятся знания разработчиков, их возможности по модернизации и улучшения системы, их компетентность в исследуемой предметной области.

Детальное рассмотрение концептуальной модели задачи наглядно продемонстрировало все основные аспекты её решения.

Были определены:

	среда существования задачи – разработки и тенденции развития инструментов прогнозирования;

	цель задачи – Разработкаинформационно-аналитическое мобильное приложение прогнозирование отдельных позиций товарной биржи драгоценных и цветных металлов;

	методы решения задачи, их алгоритмы и соответствующие программы;

	коэффициент отклонения результата задачи от поставленных целей и требования – адекватность задачи;

	исходные данные и знания – вся накопленная информация, так или иначе помогающая решить поставленную задачу.

Концептуальная модель задачи позволяет определить дальнейшие шаги решения задачи и их алгоритмы.

2.2 Структурно-функциональный анализ системы

С целью постановки задачи для разработки системы прогнозирования был проведен структурно – функциональный анализ, который позволяет определить структуру разрабатываемой системы, а так же обозначить процессыпроисходящие в системе для решения поставленной задачи, т.е. работа с биржевыми данными, их получение и хранение, а так же составление прогноза динамики рынка на определенный срок.   

2.2.1Структурный анализ системы

Разрабатываемое приложение мобильное – поэтому здесь мы можем рассматривать три типа архитектуры

- клиент-серверное приложение, в котором база данных хранится на сервере, и процессы получения, хранения и передачи информации клиенту происходят на сервере. Графический интерфейс приложения и функция прогнозирования реализуется на стороне клиента. 

- вся система едина и находится на одном устройстве, т.е. база данных  находится вместе с приложением на одном устройстве и все п.......................