Постановка задачи следующая – Департамент Сельского Хозяйства в лице своих региональных представительств в хранилищах имеет запас сельскохозяйственных культур, которое необходимо в пределах года (обычно в течении полугода) продать производителям конечной продукции. Например, подсолнечник – заводам по производству подсолнечного масла, сахарную свеклу – сахарозаводам, и так далее[1]. Естественно, Департамент не монополист, есть большие запасы продукции принадлежащие частному бизнесу, который сам устанавливает цены и играет на их повышение. Экономическая выгода Департамента при этом нечетко определена, с одной стороны желательно максимизировать прибыль, но с другой есть четкая ценовая политика государства не позволяющая Департаменту, как государственному учреждению, этого делать. Получать максимальную выгоду позволяет экспорт, но его величина зависит от ситуации на мировом и российском рынках по конкретной культуре и краевому урожаю по ней в данный год. Таким образом, мы создадим модель системы поддержки принятия решений на локальном Краснодарском рынке. При этом краевой продовольственной биржи, как таковой нет и сбор информации о продажах конкурентов затруднен, но зато есть точные данные по ценам по всем регионам края.

Целевая функция системы поддержки принятия решений: сельхозпродукцию необходимо продавать по таким ценам и в таком количестве, чтобы не произошло резкого скачка цен вверх. В случае повышения цен частным бизнесом необходимо ее снизить.

Под Действием понимается реакция Департамента – купить или продать данный вид сельхозпродукции, при этом покупать не особенно выгодно, так как необходимы затраты на хранение.

Порог распознавания повысилась ли цена или нет, привяжем к официальному уровню инфляции в стране. Сельхозпродукция не должна пропадать на хранилищах. Большим плюсом для системы является то, что Департамент самый большой игрок на данном рынке.

Введем понятие регулятора локального рынка – это система: эксперт + Predictor, первый принимает решение, второй – делает прогноз и предлагает варианты решений и оценкой последствий.

Рисунок 23. Регулятор локального рынка

Итак, согласно вышесказанному, постановка задачи формулируется следующим образом:

· при необходимости доработать классическую автотрейдера так, чтобы существовали выделенные параметры настройки работы системы (в канонических реализациях, параметры уже выделены);

· сформулировать алгоритм подстройки этих параметров;

· выделить критерий качества, который позволит автоматически оценивать показатели эффективности системы;

· предусмотреть защитные механизмы (система не должна допускать катастрофических ошибок – автотрейдер может торговать недостаточно эффективно, но не должен торговать в убыток);

· построить систему управления (автотрейдер) в режиме реального времени автоматически подстраивающуюся под изменения внешней среды.

Имеются следующие входные факторы:

· Временные ряды продажных цен на сельхоз продукцию ;

· Временные ряды внутренних (закупочных) цен на сельхоз продукции ;

· Временные ряды остатков ;

· Временные ряды расхода ;

· Временные ряды прихода ;

· Матрица корреляции цен ;

· Временной ряд спроса

При этом остаток на момент времени считается, как:

(3.7)

А также, значения прогноза на момент времени каждой учитываемой величины: цен, остатков, расхода, прихода.

Также введем следующие обозначения:

- реакция Департамента на временном шаге . При этом:

, продавать;

, не предпринимать действий;

, покупать.

Целевая функция достигается с помощью системы поддержки принятия решений на базе нейро – нечеткого критика и следующими принципами формирования ценового рынка:

· на многие сельхозпродукты устанавливается конкретная цена, либо она выкручивается из конечного продукта, на остальные задается диапазон допустимой цены;

· департамент, как крупнейший игрок рынка и, как регулирующее госучереждение может непосредственно влиять на цены сельхозпродукции.

Рисунок 24. Допустимый диапазон цен

Цепочка работы регулятора будет следующая:

(3.8)

Под действием понимается реакция Департамента – купить, ничего не предпринимать или продавать данный вид сельхозпродукции. При этом необходимо учитывать, то что высокая цена невыгодна конечным потребителям, а низкая цена не выгодна первичным производителям, то есть фермерам, фермерским хозяйствам и т. д. При этом реализация системы поддержки принятия решений на основе нейро – нечеткой топологии адаптивного критика, позволит выдавать предложения в терминах нечеткой логики: «скорее покупать, чем продавать», «скорее продавать, чем покупать» и т. д., то есть варианты действий со степенью уверенности, что позволит реализовать «мягкое» управление ценовой политикой. Отталкиваться будем, от следующих лингвистических переменных: , , . При этом вводим нечеткие правила сформулированные на основе здравого смысла - с случае, если цена по прогнозу повышается, то необходимо продавать данный товар, то есть:

Если Цена снижается, то Культуру покупать

Которое, в свою очередь трансформируется в нечеткие правила для критика:

Если Цена снижается и Действие покупать, то Подкрепление увеличится

Порог распознавания повысилась ли цена или нет, привяжем к официальному уровню инфляции в стране. То, что продукция не должна пропадать на складе учитывать не будет, так это невозможно отследить. Большим плюсом является то, что Департамент является самым большим игроком на рынке.

В качестве модели прогнозирования используем стандартную двухслойную нейронную сеть прямого распространения сигнала.

Входным является вектор , на выходе одно значение , то есть цена следующий квант времени.

Блок Регулятора предназначен для оценки подкрепления на последующем шаге. На блок Регулятора на каждом шаге подаются три варианта входных данных, при этом различно лишь действие , а изменение цены на основе прогноза остается неизменным. После расчета критика мы получаем величину подкрепления для действий: покупать, продавать и недействовать. Подкрепление будем считать следующим образом:

, если

, если , (3.9)

, если

где и - заданные «сверху» максимальная и минимальная цены на -ю сельхозпродукцию.

То есть в случае, если цена после выполненного действия на рынке входит в допустимый диапазон, то подкрепление максимальное, если выходит за пределы диапазона, то подкрепление снижается.

При подаче на вход блока Регулятора вектора на выходе формируется оценка подкрепления. При этом используя термины нечеткой логики, мы получаем «мягкую» рекомендацию, то есть с вероятностью.

Модель брокера сельскохозяйственного рынка

Рассмотрим более простой, для оценки качества работы, пример применения адаптивных критиков – модель агента брокера на сельскохозяйственном рынке. Основные отличия – запасы сырья агента не влияют на рыночные цены. Его главная задача – точно спрогнозировать и принять правильное решение.

Общие положения задачи:

1. Есть агент который располагает некоторым количеством ресурсов двух типов: денежные и сырье, то есть запасы сельскохозяйственных культур. Сумма этих ресурсов составляет общий капитал агента .

2. Внешняя среда определяется временными рядами , где , - цена - культуры.

3. Брокер стремится увеличить свой капитал , изменяя значение .

4. Система управления агента содержит блок Модель, которая служит для прогнозирования цен на сырье , при этом Модель аналогична Модели в задаче Регулятора локального рынка.

5. Система управления содержит блок критик, который оценивает качество ситуации . Ситуация задается вектором .

6. Действия системы управления:

, продавать;

, не предпринимать действий;

, покупать.

В данной задаче управление облегчается тем, что необходимо всегда играть на повышение капитала, в отличии от задачи регулятора локального рынка. В качестве подкрепления используется разница между капиталом на шагах и , то есть:

Для модели SARSA в данной задаче есть три детерминированных действия: перевести все деньги в сырье, не предпринимать действий и перевести все сырье в деньги. При этом, после оценки критиком возможных действий и оценки награды, используется - жадное правило.

[1] Пшеницу всех сортов рассматривать не будем, так это стратегический продукт и цена на него однозначно регулируется государством. Конечно, мукомольни не всегда частные, но цена хлеба в итоге фиксированная и цена муки подгоняется под нее.

Предметы

На главную страницу (Апшеронск)