а) Качественное определение сульфатов
Примерно 10 мл пробы подкисляют в пробирке несколькими каплями соляной кислоты и прибавляют около 0.5 мл. 10% - ого раствора хлорида бария. При содержании 5-50 мг/л сульфатов возникает слабое помутнение, при более высоком содержании выпадает осадок.
б) Качественное определение хлора
Приблизительно 10 мл пробы в пробирке подкисляют несколькими каплями разбавленной (1:4) азотной кислоты и приливают около 0,5 мл 5%-ого раствора нитрата серебра. В зависимости от концентрации хлоридов возникает слабое помутнение или выпадает осадок. При добавлении аммиака в избытке раствор снова становится прозрачным.
в) Определение Fe3+
Отбор проб природных вод. Пробы отбирались в полиэтиленовые бутылки, промытые раствором HCl (1:1).Анализ вод проводился в течение суток после отбора проб.
Подготовка накопленного материала.
Оборудование: химические стаканы объемом 50-100 мл, реагент-роданид аммония (калия)- с массовой долей 20%, пробы природной воды, полоски фильтровальной бумаги.
Приготовление раствора реагента -роданида аммония(калия) массовая доля 20%.Взвешивают 20 г роданида аммония (или калия), помещают навеску в химический стакан и растворяют 80 мл дистиллированной воды. Фильтровальную бумагу нарезали полосками размером 5 см2.
Выполнение анализа.
В химический стакан наливают по 50 мл природных вод из различных водоемов. Стакан нумеруют: Во все стаканы помещают полоски фильтровальной бумаги на 20 мин. Во избежание путаницы на полосках бумаги следует предварительно проставить номера. Через 20 мин полоски извлекаются и высушиваются на воздухе. На каждую полоску фильтровальной бумаги наносят по капле реагента-20%-ного раствора роданида аммония. В зависимости концентрации ионов Fe3+ на бумаге появится окрашивание разной интенсивности (от розового до буро-красного).
Сравнивая интенсивность окрашивания на полосках с данными по концентрации ионов Fe3+ , делают вывод о приблизительной концентрации ионов Fe3+ природных водах. Полученные данные помещают в таблицу, делают выводы о степени загрязненности водоемов ионами железа.
Метод основан на использовании наиболее чувствительной реакции взаимодействия ионов Fe3+ с роданид-ионами, приводящей к красному окрашиванию раствора: Fe3++6CNS=[Fe(CNS6)]
1. Качественное определение ионов сульфатов
Результат.Концентрация сульфатов низка и качественно не обнаруживается.
2. Качественное определение хлора.
Результат. После проведения опыта, выяснено, что во всех трёх пробах концентрация хлора настолько низка, что качественно не обнаруживается.
3.Качественное определение ионов Fe3+.
Результат.Исследование показало, что речная, водопроводная и «Аква Минерале» содержит следовые количества ионов железа (Fe ). Хотя в водопроводной воде их немного больше (более интенсивная окраска). Вероятно это связано с подачей воды из чугунных (Fе) труб.
Качественный анализ воды на содержание различных ионов показан в табл. 2.
Таблица 2 – Качественный анализ воды на содержание различных ионов
№ пробы
|
Ионы SO-24
|
Хлор
|
Ионы Fe3+
|
Проба №1
|
качественно не обнаруживается.
|
качественно не обнаруживается.
|
следовые количества ионов
|
Проба № 2
|
качественно не обнаруживается.
|
качественно не обнаруживается.
|
следовые количества ионов
|
Проба № 3
|
качественно не обнаруживается.
|
качественно не обнаруживается.
|
следовые количества ионов
|
Проба № 1-питьевая вода «Аква минерале»
Проба №2-водопроводная вода 3 микрорайон школа №18
Проба №3-вода верхней части реки Волги
В ходе нашего исследования, было выявлено, что речная вода обладает достаточно высоким качеством. Исследовав воду до забора (речная вода из Волги) и после (водопроводная вода) и сравнив с водой «Аква Минерале» (питьевая вода из магазина), мы пришли к заключению, что водопроводная вода содержит те же ионы, что и речная, но в меньших концентрациях. Некоторые примеси (железо) имеются в следовых количествах. Концентрация сульфатов и хлора в данных пробах мала, не обнаруживается качественно. В завершение несколько практических рекомендаций.
1. Водопроводная вода хорошего качества, поэтому её применение в быту не ограничено.
2. Кипятите употребляемую воду для её смягчения .
3.Применяйте бытовые фильтры, для дополнительной очистки воды.
4.Для удаления хлора водопроводную воду желательно отстаивать.
Список литературы
Евилович А. З. Утилизация осадков сточных вод М.: Стройиздат 1989.
Охрана окружающей природной Среды. Под редакцией Г. В. Дуганова Киев: “Выща школа” 1990.
Комплексное использование и охрана водных ресурсов. Под редакцией О. А. Юшманова М.: Агропромиздат 1985.
Охрана производственных сточных вод и утилизация осадков. Под редакцией В. Н. Соколова М.: Стройиздат 1992.
Проблемы прогнозирования фондового рынка
Смирнов М.А., Рубанов А.В. (КВТ-071)
Научный руководитель – Морозова Е.В.
Камышинский технологический институт (филиал) ВолгГТУ
Тел.: (84457) 9-45-67; факс 9-43-62; E-Mail: kti@kti.ru
В современном мире всё с большей остротой проявляется интерес к качественному прогнозированию финансовых рынков. Это связано с быстрым развитием высоких технологий и, соответственно, с появлением новых инструментов анализа данных. Однако тот технический анализ, которым привыкли пользоваться большинство участников рынка, не эффективен. Прогнозы на основе экспоненциальных скользящих средних, осцилляторах и прочих индикаторах не дают ощутимый результат, т.к. экономика часто бывает иррациональна, потому что движима иррациональными мотивациями людей.
В последние годы, у финансовых аналитиков стали вызывать большой интерес так называемые искусственные нейронные сети – это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Впоследствии эти модели стали использовать в практических целях, как правило, в задачах прогнозирования. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным, тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.
Рассмотрим на практике применение метода прогнозирования с помощью нейронных сетей. Для примера возьмём данные индекса ММВБ в период с 01.10.2008 по 03.04.2009. Задача состоит в том, что на основе представленной статистической информации необходимо сделать прогноз на 10 дней. Как видно из графика (рис.1), с 01.10.08 по 28.10.08 индекс ММВБ «просел» примерно на 534 пункта. После чего последовал рост до максимальной отметки в 871 пункт. Далее, некоторое время, рынок находился в боковом тренде, затем наметилась восходящая тенденция. В данном примере будем строить прогноз для одной переменной (остальные аналогично), но для того, чтобы выбрать ту из четырех переменных, которая наиболее сильно поможет спрогнозировать остальные, построим корреляционную матрицу.
Таблица 1 – Корреляции (MICEX)
|
|
OPEN
|
HIGH
|
LOW
|
CLOSE
|
OPEN
|
1,00
|
0,98
|
0,97
|
0,93
|
HIGH
|
0,98
|
1,00
|
0,96
|
0,96
|
LOW
|
0,97
|
0,96
|
1,00
|
0,98
|
CLOSE
|
0,93
|
0,96
|
0,98
|
1,00
| Итак, построив матрицу парных корреляций (табл.1), делаем вывод о том, что переменная LOW наиболее сильно коррелирует с остальными. Займёмся прогнозом данной переменной.
Нелинейные по своей сути нейронные сети, позволяют с любой степенью точности аппроксимировать произвольную непрерывную функцию, не взирая на отсутствие или наличие какой-либо периодичности или цикличности. Поскольку временной ряд представляет собой непрерывную функцию (на самом деле нам известно значение этой функции лишь в конечном числе точек, но её можно легко непрерывно продолжить на весь рассматриваемый отрезок), то применение нейронных сетей вполне оправдано и корректно.
Построим тысячу нейронных сетей различной конфигурации в пакете STATISTICA, обучим их, а затем выберем десять наилучших.
В результате идентификации процесса построения сетей мы получили следующие результаты: выбранные сети, как можно заметить, имеют различные конфигурации (табл.2).
В результате обучения была найдена нейронная сеть, соответствующая модели 7 (рис.2) с хорошей производительностью (регрессионное отношение: 0,253628, ошибка: 0,003302). Нетрудно заметить, что производительность сетей с архитектурой Радиально Базисной Функции (РБФ) в среднем хуже производительности сетей с архитектурой Многослойно персептрона. Во многом это объясняется тем, что сети с архитектурой РБФ плохо экстраполируют данные (это связано с насыщением элементов скрытой структуры). Для оценки правдоподобности модели 7 построим гистограмму частот (рис.3). Данная гистограмма является самой симметричной по сравнению с другими моделями. Это подтверждает стандартные предположения о нормальности остатков. Следовательно, модель 7 больше всего подходит для данного временного ряда.
 
Осуществим проекцию для прогнозирования временного ряда. В результате имеем прогноз (рис.4, табл.3). Как видно из графика, нейронная сеть верно спрогнозировала направление тренда. Однако, требовать от этого метода анализа более точных данных, особенно в период мирового экономического кризиса как минимум некорректно.
Таблица 3
|
Дата
|
Прогноз
|
Реальные данные
|
06/04/09
|
824,5331
|
829,24
|
07/04/09
|
829,2901
|
815,96
|
08/04/09
|
832,4234
|
821,1
|
09/04/09
|
836,3328
|
882,57
|
10/04/09
|
839,5387
|
905,6
|
13/04/09
|
841,7281
|
902,84
|
14/04/09
|
842,0062
|
892,76
|
15/04/09
|
842,4472
|
892,8
|
16/04/09
|
843,0414
|
902,75
|
17/04/09
|
841,5117
|
917,11
| 
Как и предполагалось, нейронные сети дали хороший результат. Во многом это обусловлено сложностью и нелинейностью структуры данного ряда, тогда как классические методы рассчитаны на применение к рядам с более заметными и очевидными структурными закономерностями.
Но даже, несмотря на все видимые положительные качества нейронных сетей не стоит считать их некоей «панацеей». Во-первых, нейронные сети являются «черным ящиком», который не позволяет в явном виде определить вид зависимостей между членами ряда. Таким образом, конкретную нейронную сеть можно «научить» строить прогноз лишь на строго фиксированное количество шагов вперед (которое мы указываем в спецификации этой сети), следовательно, имеет место сильная зависимость от вида задачи. Во-вторых, при наличии явной линейности, простоты структуры в задаче, способность нейронных сетей к обобщению оказывается более слабой по отношению к классическим методам. Объясняется это как раз нелинейностью сетей по своей сути.
В общем случае для достижения наилучшего результата необходимо использовать нейронные сети вкупе с грамотной стратегией управления капиталом.
Список литературы
1. Э.А.Вуколов. Основы статистического анализа. Издательство «Форум», Москва 2008г.
2. В. Боровников. STATISTICA: искусство анализа данных на компьютере. 2003г.
3. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. Изд. Сезам, 2002г.
МЕЛЬНИЦА НА «КАЧЕЛЯХ» |
