Šiame magistro darbe apžvelgiami daugiamačių duomenų dimensijos mažinimo (vizualizavimo) metodai, tarp kurių nagrinėjami dirbtiniai neuroniniai tinklai. Pateikiamos pagrindinės dirbtinių neuroninių tinklų sąvokos (biologinis neuronas ir dirbtinio neurono modelis, mokymo strategijos, daugiasluoksnis neuronas ir pan.). Nagrinėjami autoasociatyviniai neuroniniai tinklai. Darbo tikslas – išnagrinėti autoasociatyviųjų neuroninių tinklų taikymo daugiamačių duomenų dimensijos mažinimui ir vizualizavimui galimybes bei ištirti gaunamų rezultatų priklausomybę nuo skirtingų parametrų. Siekiant šio tikslo atlikti eksperimentai naudojant kelias daugiamačių duomenų aibes. Tyrimų metu nustatyti parametrai, įtakojantys autoasociatyvinio neuroninio tinklo veikimą. Be to, gauti rezultatai lyginti pagal dvi skirtingas tinklo daromas paklaidas – MDS ir autoasociatyvinę. MDS paklaida parodo, kaip gerai išlaikomi atstumai tarp analizuojamų taškų (vektorių) pereinant iš daugiamatės erdvės į mažesnės dimensijos erdvę. Autoasociatyvinio tinklo išėjimuose gautos reikšmės turi sutapti su įėjimo reikšmėmis, taigi autoasociatyvinė paklaida parodo, kaip gerai tai gaunama (vertinamas skirtumas tarp įėjimų ir išėjimų). Tirta, kaip paklaidas įtakoja šie autoasociatyvinio neuroninio tinklo parametrai: aktyvacijos funkcija, minimizuojama funkcija, mokymo funkcija, epochų skaičius, paslėptų neuronų skaičius ir dimensijos mažinimo skaičiaus pasirinkimas. / This thesis gives an overview of dimensionality reduction of multivariate data (visualization) techniques, including the issue of artificial neural networks. Presents the main concepts of artificial neural networks (biological and artificial neuron to neuron model, teaching strategies, multi-neuron and so on.). Autoassociative neural networks are analyzed. The aim of this work - to consider the application of autoassociative neural networks for multidimensional data visualization and dimension reduction and to explore the possibilities of the results obtained from the dependence of different parameters. To achieve this, several multidimensional data sets were used. In analysis determinate parameters influencing autoassociative neural network effect. In addition, the results obtained by comparing two different network made errors - MDS and autoassociative. MDS error shows how well maintained the distance between the analyzed points (vectors), in transition from the multidimensional space into a lower dimension space. Autoassociative network output values obtained should coincide with the input values, so autoassociative error shows how well it is received (evaluated the difference between inputs and outputs). Researched how autoassociative neural network errors are influenced by this parameters: the activation function, minimizing function, training function, the number of epochs, hidden neurons number and choices of the number of dimension reduction.

Darbe tiriamas autoasociatyvinių neuroninių tinklų (AANN) bei prinicipinių komponenčių (PCA) taikymas vertybinių popieriui klasterizavimui. Supažindinama su šių metodų veikimo principais, išryškinami AANN privalumai prieš PCA, apžvelgiamas dabartinis šių metodų panaudojimas akcijų klasterizavimui, kainų prognozėms, bei ateities perspektyvos. Eksperimentinio tyrimo metu sukuriama programinė įranga AANN klasterizavimui. Darbe nagrinėtų metodų pagalba suformuojami akcijų portfeliai ir stebimas jų vertės kitimas metų bėgyje. / SUMMARY This is a survey on the application of auto associative neural networks and principal component analysis in clustering stocks. Main principles of these two methods are presented, reviewing the current usage of AANN and PCA and future outlook. An experiment is being carried out by building two stock portfolios using PCA. The portfolios are being monitored within one year. The main goal of the survey is to estimate the abilities of application of auto-associative neural networks stock forecasting in the US stock market. In order to reach the goal, the following tasks have been set: • To analyze the probability of general market prediction; analyze fundamental and technical factors, select the most suitable ones for further investigation. • To consider different implementations of artificial neural networks, select the most suitable ones for stock market forecasting • To compare various stock forecasting software solutions based on neural networks or different intelligent systems. • According to the chosen methods and software, perform the historical stock data analysis, build investment portfolios. • To analyze the performance of portfolios on the time basis, compare the efficiency level of different methods applied. The US stock market has been selected as the most popular market with the highest efficiency of economical laws. A set of 8 fundamental keys has been selected for the further investigation. The PCA and the AANN have been selected to compare the efficiency... [to full text]