ГЛАВА 5. ПРОГНОЗИРОВАНИЕ КУРСОВ ВАЛЮТ

5.1. О зависимости курсов валют
от астрономических параметров
небесных тел Солнечной системы

Вообще говоря, тонкое влияние планет распространяется не только на процессы в живых организмах, но и на экономические процессы, что особенно сказывается на курсах валют. Разумеется, курсы валют формируются под влиянием игроков на рынке, психология которых зависит от положения планет.

Моделирование курсов валют является одной из популярных задач математической экономики. Существует несколько подходов к решению этой задачи. Наиболее содержательные результаты можно получить путем применения интеллектуальных систем на основе нейросетей. Принципиальным вопросом здесь является оценка степени влияния параметров отдельных планет на курсы валют. В работе [17] была исследована задача о зависимости курсов валют двадцати стран (см. список валют в таблице 28) от астрономических параметров одиннадцати небесных тел Солнечной системы – Солнца, Луны, Меркурия, Венеры, Марса, Юпитера, Хирона, Сатурна, Урана, Нептуна и Плутона в период с 1 января 2000 года по 15 июня 2006 года. Для моделирования этой задачи была разработана нейросеть, позволяющая установить относительную значимость входных параметров. Среди входных параметров вводились астрономические параметры небесных тел, время в секундах, а также календарное время – год, месяц, день месяца и день недели. В качестве астрономических параметров использовались: синус и косинус долготы, широта и расстояние от Земли до центра небесного тела. База данных была подготовлена в виде одного массива, в котором наряду с данными валютных рядов были введены астрономические параметры.

Предсказательная сила такого рода модели сильно варьируется для разных стран – см. данные таблицы 28. Так, при прогнозе на день вперед модель позволяет правильно установить знак скорости изменения курса для 14 валют из 20. При этом уровень прогноза изменяется для валют разных стран от 37% (Новая Зеландия) до 76% (Китай) правильных предсказаний на 100 случаев прогноза. Иначе говоря, не все валютные ряды прогнозируются в равной степени хорошо или плохо. Можно выделить группу стран, для которых уровень прогноза курсов валют превосходит 2/3, но есть и такая группа стран, для которых уровень прогноза не выше 1/2. Это связано, видимо, с тем что, во-первых, система входных параметров модели не является полной, а во вторых, в реальном случае следует учитывать поведение игроков на рынке, оказывающих влияние на формирование цен. Тем не менее, эта модель позволяет установить относительную роль входных параметров, что представляет самостоятельный интерес.

На рис. 87 и в таблицах 28-31 представлена в процентах относительная роль входных параметров. Как было установлено, наиболее важным параметром для всей исследованной совокупности валют является календарный месяц. Относительный вклад этого параметра составляет около 14%. Очевидно, что календарный месяц наилучшим образом описывает сезонные колебания валют, которые являются самыми значительными в валютных рядах. Отметим, что деление года на месяцы соответствует разбиению зодиакального круга на знаки. Интересным и наиболее интригующим является то, что суммарный вклад параметров планет в 4 раза превосходит вклад календарного (циклического) времени и в 100 раз превосходит вклад линейного времени, которое обычно используется для моделирования не только физических процессов, но и в экономике. То, что линейное время оказалось, по уровню значимости ниже, чем астрономические параметры небесных тел, свидетельствует в пользу астросоциотипологии, как адекватной модели «случайных» экономических процессов. Более того, среди всех астрономических параметров суммарный вклад расстояния составляет только 22,68%, тогда как на долю угловых параметров и времени (входные параметры астросоциотипологических моделей) в сумме приходится 77,32% – см. таблицу 31.

Таблица 28. Уровень предсказания курсов валют 20 стран на день вперед. True (T) – правильные предсказания, False (F) – ложные предсказания.

Страна	True/False	ln(T/F)	T%	F%
UK	1,142857	0,133531	53%	47%
TAIWAN	1,454545	0,374693	59%	41%
SWITZERLAND	1,545455	0,435318	61%	39%
SINGAPORE	2	0,693147	67%	33%
AUSTRALIA	1	0	50%	50%
SWEDEN	1,071429	0,068993	52%	48%
NEW ZEALAND	0,578947	-0,54654	37%	63%
NORWAY	0,928571	-0,07411	48%	52%
MEXICO	0,928571	-0,07411	48%	52%
MALAYSIA	2,428571	0,887303	71%	29%
KOREA	1,9	0,641854	66%	34%
JAPAN	0,733333	-0,31015	42%	58%
INDIA	1,363636	0,310155	58%	42%
HONG KONG	0,833333	-0,18232	45%	55%
EURO	1,333333	0,287682	57%	43%
DENMARK	1,357143	0,305382	58%	42%
CHINA	3,2	1,163151	76%	24%
CANADA	1,307692	0,268264	57%	43%
BRAZIL	1,285714	0,251314	56%	44%
SOUTH_AFRICA	1,818182	0,597837	65%	35%

Среди всех планет наибольший вклад в валютные тренды вносит Юпитер (9,59%), затем идут Меркурий (9,05%), Луна (8,63%) и Венера (8,55%) – см. таблицу 29. Интересно, что вклад астероида Хирон (8,44%) превосходит вклад Сатурна (8,09%). Солнце (6,14%) вносит наименьший вклад среди семи видимых планет. Вклады невидимых глазу планет Урана (4,07%) и Нептуна (3,97%) в два раза меньше, чем, например, вклад Сатурна. Но при этом вклад сравнительно небольшой планеты Плутон (5,07%) превосходит вклад Урана или Нептуна, Марс вносит 7,84%. Но пара планет Марс и Плутон вносит уже 12,91%.

Таблица 29. Относительный вклад входных параметров модели для 11 небесных тел, %%

	Солнце	Луна	Меркурий	Венера	Марс	Юпитер	Сатурн	Уран	Нептун	Плутон	Хирон
Синус долготы	1,80	3,27	1,12	1,38	1,24	1,25	5,06	0,74	0,69	1,94	4,48
Косинус долготы	0,86	2,70	1,36	1,77	2,59	2,13	0,90	1,07	0,83	0,91	1,18
Широта	1,54	1,52	3,19	2,34	1,67	1,82	0,84	0,98	0,85	0,85	1,89
Расстояние	1,94	1,14	3,38	3,06	2,34	4,39	1,29	1,28	1,60	1,37	0,89
Итого:	6,14	8,63	9,05	8,55	7,84	9,59	8,09	4,07	3,97	5,07	8,44

Таблица 30. Относительный вклад календарного
(циклического) времени и линейного времени

День месяца	2,69%
День недели	2,38%
Месяц	14,07%
Год, начиная с 2000 г.	0,60%
Линейное время	0,82%
Итого:	20,56%

Таблица 31. Сравнительная роль угловых параметров,
расстояния и времени.

Синус долготы	22,97%
Косинус долготы	16,30%
Широта	17,49%
Расстояние	22,68%
Циклическое и линейное время	20,56%

Рис. 87. Относительный вклад входных параметров 11 небесных тел, календарного (циклического) и линейного времени

Выполненное исследование позволяет по-новому взглянуть на астросоциотипологию, как на прогностическую модель. Во-первых, ясно, что астросоциотипология вполне может быть использована для описания процессов в экономике. Во-вторых, очевидно, что уровень прогноза сильно варьируется от случая к случаю и никогда не достигает 100%, Поэтому не следует требовать от этой модели слишком высокой точности прогноза в любом случае, но надо сосредоточить внимание на тех процессах, для которых уровень прогноза превосходит, например, 2/3.

5.2. Прогнозирование курсов валют на основе системы «Эйдос-астра»

Заметим, что множество событий W(t) может иметь любую природу, например, это могут быть ежедневные данные котировок валют разных стран [17-19]. При этом в качестве категорий выступают сами валюты, вернее, их котировки в отношении к американскому доллару или к любой другой валюте. Предложенная в работе [17] модель позволяет прогнозировать котировки валют на день вперед. В процессе моделирования был определен параметр отношения истинных прогнозов к ложным прогнозам для 20 стран – таблица 28.

Из приведенных в этой таблице данных следует, что использование астрономических параметров позволяет делать 76 % правильных прогнозов в случае Китая и 66% в случае Кореи. Таким образом, предложенный метод можно использовать для распознавания событий любой природы, включая события, связанные с техногенными катастрофами [43].

Рассмотрим метод прогнозирования курсов валют на основе системы «Эйдос-астра» [7]. В качестве категорий можно выбрать повышение (CAT1)/снижение (CAT2) курса валюты для каждой страны. Неизменный курс валюты будем относить к случаю понижения при игре на повышение (рынок «быков»), или к случаю повышения при игре на понижение курса («медвежий» рынок).

В качестве астрономических параметров используем долготу и расстояние от Земли до десяти небесных тел – Солнца, Луны, Марса, Меркурия, Венеры, Юпитера, Сатурна, Урана, Нептуна и Плутона. Исходная база данных формируется на основе ежедневных котировок валют, опубликованных в статистическом отчете Федеральной Резервной Системы США [44], а также данные котировок FOREX, доступные для свободного копирования на сайтах [45-46]. Всего было разработано 5 моделей прогноза авлют [18-19, 47], первая из которых [18], основанная на данных [44] предназначалась для сравнения с моделью [17]. Рассмотрим эту модель более подробно.

Модель 1. Список 12 стран вместе с международными обозначениями валют, исследованных ниже, дан в таблице 32. В соответствии с идеологией проводимого исследования модель тестировалась на выборке из N=50 записей для каждой категории. По результатам тестирования определялся параметр сходства, который оказался достаточно велик в данной задаче. Поэтому, распознавание категорий валют можно выполнить на период несколько дней.

В таблице 32 представлен прогноз курсов валют на период с 13-16 марта 2006 г. В первый день число сбывшихся прогнозов составляет 8 из 10, во второй и третий день – 8 из 12, а в 4 день - 5 из 10. Как видно из данных таблицы 2, система прогнозирует курсы валют избирательно, оставляя лишь достоверные прогнозы с положительным параметром сходства. Поэтому на каждый день можно прогнозировать с достаточной достоверностью курсы валют не всех стран, а лишь некоторых.

С наибольшей достоверностью в этот период можно было спрогнозировать NZD, хотя курс этой валюты повышался 14 марта и понижался 13, 15 и 16 марта. Отметим, что в модели [17] новозеландский доллар, напротив, прогнозируется с самой низкой достоверностью на уровне 37%. Достаточно хорошо прогнозируется курс NOK, тогда как в модели [17] норвежская крона прогнозируется на уровне 48%.

Таблица 32. Список валют 12 стран и прогноз на период 1-4 дня при игре на повышение (красным цветом отмечен сбывшийся прогноз)

13.03.2006	%	14.03.2006	%	15.03.2006	%	16.03.2006	%	Country	CAT
A10-SGD2	100	A29-CAD1	83	A5-TWD1	62	A19-NZD2	55	UK	GBP
A31-JPY2	57	A20-NZD1	50	A14-AUD1	59	A25-EUR2	51	TAIWAN	TWD
A29-CAD1	48	A10-SGD2	49	A29-CAD1	51	A22-NOK2	50	SWITZERLAND	CHF
A19-NZD2	46	A14-AUD1	46	A19-NZD2	45	A29-CAD1	40	SINGAPORE	SGD
A16-SEK2	40	A16-SEK2	45	A16-SEK2	36	A8-CHF1	40	AUSTRALIA	AUD
A14-AUD1	31	A35-CNY1	33	A10-SGD2	34	A15-AUD2	33	SWEDEN	SEK
A22-NOK2	29	A22-NOK2	28	A22-NOK2	34	A35-CNY1	25	NEW ZEALAND	NZD
A26-EUR1	21	A5-TWD1	25	A35-CNY1	33	A17-SEK1	17	NORWAY	NOK
A5-TWD1	12	A2-GB1	24	A32-JPY1	32	A32-JPY1	14	JAPAN	JPY
A35-CNY1	12	A31-JPY2	21	A26-EUR1	30	A16-SEK2	10	EURO	EUR
		A7-CHF2	15	A2-GB1	19			CHINA	CHY
		A26-EUR1	7	A7-CHF2	14			CANADA	CAD
True	0.8		2/3		2/3		0.5

Японская йена хорошо прогнозируется на первый и второй день, тогда как в модели [17] подтверждается только 42% прогнозов по этой валюте на первый день. С другой стороны, китайский юань прогнозируется в системе «Эйдос-астра» с низкой достоверностью, тогда как по модели [17] для курса этой валюты сбывается 76% прогнозов. Таким образом, развитая в работе [18] модель прогнозирования курсов валют позволяет делать до 80% правильных прогнозов на день вперед и до 2/3 правильных прогнозов на два и три дня вперед.

Модель 2. База данных [44], использованная в прогнозах, приведенных в таблице 32, содержит средневзвешенные параметры, усредненные за день. В реальных прогнозах часто требуется знать параметры на момент закрытия, содержащиеся, например, в базе данных FOREX [45-46]. По данным [45] была создана база данных для моделирования 12 относительных курсов валют на момент закрытия – см. табл. 33. На основе системы «Эйдос-астра» осуществлялся прогноз на 1-5 дней для 24 категорий валют из таблицы 33.

Таблица 33. Прогноз на период 1-2 дня при игре на повышение по данным котировок /11/ (красным цветом отмечен сбывшийся прогноз)

29.06.2009	%	30.06.2009	%	30.06.2009	%	01.07.2009	%	RATE
JPY1	74	EUR/GBP2	81	NZD2	34	A22-EUR/CHF2	67	GBP/USD
GBP/CHF1	73	GBP/CHF1	75	CAD2	25	A25-EUR2	65	USD/CAD
GB2.	61	AUD1	57	GBP/JPY1	21	A29-CAD1	51	USD/CHF
EUR/CHF1	41	JPY1	52	EUR/GBP2	20	A36-EUR/JPY2	45	GBP/JPY
EUR/JPY2	27	GBP/JPY1	38	JPY1	17	A1-GB2	43	AUD/USD
GBP/JPY2	26	EUR/CHF2	36	EUR/JPY1	17	A8-CHF1	37	GBP/CHF
EUR2	26	EUR/JPY1	36	AUD1	15	A31-JPY2	35	NZD/USD
EUR/GBP2	25	EUR2	33	GBP/CHF2	14	A16-GBP/JPY2	35	EUR/GBP
CHF1	17	CHF1	29	EUR2	9	A19-NZD2	14	USD/JPY
CAD1	13	NZD2	16	CHF1	8	A10-GBP/CHF2	9	EUR/USD
AUD2	8	CAD1	13	GB2	7			EUR/JPY
NZD2	6	GB1	6					EUR/CHF
TRUE	0.5		0.583		0.636		0.3

Как оказалось, данные на момент закрытия из базы [45] прогнозируются хуже, чем средние за день данные из базы [44]. Это объясняется наличием флуктуаций, которым подвержен курс на протяжении дня, включая момент закрытия торгов. Интересно, что прогноз на два дня вперед в некоторых случаях является более достоверным, чем на день вперед. В таблице 33 дан прогноз на 29-30 июня 2009 г на день вперед и на 30 июня на 2 дня вперед (отмечен красным цветом).

В задачах прогнозирования курсов валют традиционно считается, что среди определяющих параметров наиболее существенными являются сами курсы валют. Поэтому, на первый взгляд кажется, что добавление курсов валют в число определяющих параметром может повысить вероятность распознавания. Для исследования этого вопроса в число определяющих параметров которой были введены данные котировок британского фунта относительно доллара и европейской валюты. В среднем параметр сходства увеличился на 5.1% за счет введения котировок британского фунта в число определяющих параметров. Однако вероятность распознавания курсов валют на следующий день резко упала. Это объясняется тем, что зависимость категорий от текущих курсов является сильной, но сам курс на следующий день еще неизвестен. Поэтому при распознавании используется некоторая экстраполяция, которая ухудшает достоверность прогноза.

Отсюда можно сделать вывод, что достоверность прогноза изменения курса валют в большей степени зависит от астрономических параметров в день прогноза, чем от самих курсов в предыдущий день. Какие же астрономические параметры играю определяющую роль в процессе распознавания категорий валют? Как оказалось, среди исследованных параметров наиболее сильное влияние оказывают угловые параметры долготы Юпитера и Сатурна, расстояние до Луны, Марса, Юпитера Сатурна и Урана. Это объясняется влиянием точек концентрации событий, возникающих при отображении множества событий. Интересно, что все европейские валюты чувствительны к прохождению Луны через точки перигея и апогея.

Разумеется, описанные модели не могут быть использованы в торгах. Целью выполненных исследований является демонстрация эффективности распознавания категорий событий с использованием астрономических параметров. На примере 24 категорий валют показано, что использование алгоритмов распознавания системы «Эйдос-астра» позволяет распознавать с высокой достоверностью повышение/снижение средневзвешенных курсов валют на 1-2 дня вперед. Эти результаты позволяют объективно оценить эффективность методов распознавания социальных категорий по астрономическим параметрам в астросоциотипологии, поскольку они получены с использованием независимых баз данных.

Тем не менее, вторая модель позволяет установить ряд закономерностей распознавания курсов валют. На ее основе был сделан прогноз на протяжении 15 дней торгов с 29 июня по 17 июля 2009 г. В таблице 34 в колонке TRUE дано отношение числа сбывшихся прогнозов к общему числу прогнозов для каждой пары валют.

Таблица 34. Список 8 стран, 12 пар валют (RATE) и отношение числа сбывшихся прогнозов к общему числу прогнозов в модели М160 (TRUE)

Country	CURRENCY	RATE	TRUE
UK	GBP	GBP/USD	0.5
USA	USD	USD/CAD	0.75
SWITZERLAND	CHF	USD/CHF	0.466667
AUSTRALIA	AUD	GBP/JPY	0.571429
NEW ZEALAND	NZD	AUD/USD	0.333333
JAPAN	JPY	GBP/CHF	0.4
EURO	EUR	NZD/USD	0.5
CANADA	CAD	EUR/GBP	0.5
		USD/JPY	0.666667
		EUR/USD	0.666667
		EUR/JPY	0.25
		EUR/CHF	0.636364

На рис. 88 представлен средний и максимальный параметр сходства в совокупности 171 модели - М3-М173, по состоянию на 10 июля 2009г. Отметим, что зависимость среднего параметра сходства от числа ячеек (номера) модели с большой степенью точности описывается логарифмической функцией. Аналогичная зависимость ранее было обнаружено в задачах астросоциотипологии – см. рис. 49, что указывает на общность законов распознавания категорий по астрономическим данным.

Для установления оптимального объема тестируемой выборки были сделаны расчеты на базе модели М160, которые показали, что при N=50 происходит установление параметра сходства для большинства категорий.

Достоверность ежедневного прогноза в любой частной модели является крайне неустойчивой, например, в модели М160 достоверность ежедневного прогноза колеблется в пределах 15-90%. Одним из методов стабилизации является накопление прогнозов, осуществляемых в разные дни. Так, в монографии [3] было использовано 30 прогнозов для получения курса рубля относительно американского доллара.

В системе «Эйдос-астра» [7] имеется несколько инструментов повышения достоверности прогноза за счет комбинации прогнозов, полученных в различных моделях. В свою очередь, эти модели генерируются путем задания числа ячеек сетки. Генерируя несколько моделей, можно обобщить их прогнозы, используя один из пяти алгоритмов [4], когда в итоговый прогноз берется:

1) СУММАРНАЯ ЧАСТОТА ИДЕНТИФИКАЦИИ, рассчитанная по всем частным моделям;

2) СРЕДНЕЕ уровней сходства из всех прогнозов частных моделей;

3) Уровень сходства из той частной модели, в которой он МАКСИМАЛЬНЫЙ;

4) Уровень сходства из той частной модели, которая показала МАКСИМАЛЬНУЮ достоверность распознавания ДАННОГО КЛАССА из всех моделей;

5) СРЕДНЕЕ СУММЫ ПРОИЗВЕДЕНИЙ уровней сходства с данным классом на достоверность его идентификации в частных моделях.

Эти модели были проверены в наихудших прогнозах с целью повышения их достоверности. Как оказалось, наиболее эффективным в задачах распознавания категорий валют является третий алгоритм. Так, применение третьего алгоритма позволяет поднять уровень достоверности в прогнозе на 1 июля 2009 г из таблицы 28 с 3/10 до 5/12. В таблице 35 приведены средний и максимальный параметр сходства для каждой категории и модель, в которой реализуется максимум достоверности распознавания. Отметим, что категории повышения и понижения котировок валют распознаются с разной достоверностью, причем у некоторых валют лучше распознается повышение курса, а других – его понижение. Можно предположить, что распознавание будет более эффективным в таком наборе частных моделей, в котором реализуется максимум каждой их категорий, что достигается, как это следует из данных, представленных в таблице 30, в моделях М7, М27, М34, М54, М79, М93, М150, М160, М170, М172. Разумеется, что эта совокупность моделей не является наилучшей из всех возможных. Наилучшая же по достоверности прогнозов совокупность моделей, если она когда-нибудь будет найдена, составит предмет ноу-хау, поскольку ее применение позволит, возможно, осуществлять беспроигрышную игру на валютных биржах.

Таблица 35. Частота повторяемости категорий курсов валют, среднее и максимальное значение параметра сходства и модель, в которой реализуется максимум достоверности распознавания

RATE_CAT	ABS	AVERAGE	MAX	MODEL
GBP/USD2	1207	18.205	27.049	7
GBP/USD1	1190	2.070	17.955	170
EUR/GBP2	1223	30.299	40.621	27
EUR/GBP1	1174	6.485	24.582	172
USD/CHF2	1222	-0.319	20.597	172
USD/CHF1	1175	34.043	45.219	27
GBP/CHF2	1176	11.904	27.862	172
GBP/CHF1	1221	23.209	35.436	79
AUD/USD2	1153	22.808	32.104	93
AUD/USD1	1244	0.851	16.829	160
GBP/JPY2	1170	5.849	18.641	150
GBP/JPY1	1227	17.456	28.831	150
NZD/USD2	1146	33.150	42.542	54
NZD/USD1	1251	-16.273	6.545	160
EUR/CHF2	1185	16.966	27.494	93
EUR/CHF1	1212	3.726	18.255	160
EUR/USD2	1181	25.857	36.254	93
EUR/USD1	1216	-0.526	19.237	172
USD/CAD2	1232	-3.338	12.902	170
USD/CAD1	1165	23.646	31.949	34
USD/JPY2	1207	10.409	20.173	170
USD/JPY1	1190	9.557	21.035	160
EUR/JPY1	1254	2.448	16.212	160
EUR/JPY2	1143	12.104	21.763	170

Из полученных данных следует, что максимальный параметр сходства, используемый в прогнозе по третьему алгоритму, реализуется в модели М27, которая соответствует циклу 2 недели. Этот цикл, видимо, является наиболее значимым в валютных торгах.

Средняя достоверность прогноза категорий повышения/снижения по астрономическим данным в модели М160 для всей совокупности пар валют из таблицы 29 составляет около 52%. Это превосходит вероятность случайного угадывания, но все еще недостаточно для успешной торговли. Кроме того, для успешной торговли необходимо иметь прогноз дневного тренда, что трудно осуществить в рамках предложенной модели. Для решения этой проблемы можно применить системно-когнитивный анализ временных рядов [48-49] и использовать технологию моделирования на основе системы искусственного интеллекта «Эйдос-астра». Модель почасового и 15-минутного прогнозирования курсов валют по астрономическим данным обсуждается ниже.

Модель 3. Тем не менее, преложенный подход удалось применить для оценки повышения (1)/снижения (0) высокого (High), низкого (Low) и на момент закрытия (Close) курсов на протяжении одного дня торгов. Для этого была использована база данных [45] для валют семи стран и 12 пар валют, приведенных в таблице 31, в период с 3 января 2000 года по 24 июля 2009 года. Полученная таким образом БД содержит 72 (12х3х2) категории. Было установлено, что наиболее эффективной частной моделью является М160. На ее основе было сделан прогноз для 72 категорий в период с 20 по 24 июля 2009 г. Результаты реализации прогнозов для всех курсов 12 пар валют приведены в таблице 36, а данные за три дня в таблице 37.

Таблица 36. Список 7 стран, 12 пар валют (RATE) и отношение числа сбывшихся прогнозов к общему числу прогнозов в модели М160 для высокого (High), низкого (Low) и на момент закрытия (Close) курсов

Country	CURRENCY	RATE	Close	High	Low	Среднее
UK	GBP	GBP/USD	0.6000000	0.4000000	0.5000000	0.5000000
USA	USD	USD/CAD	0.5000000	0.8000000	0.7500000	0.6833333
SWITZERLAND	CHF	USD/CHF	0.6000000	0.6000000	0.7500000	0.6500000
AUSTRALIA	AUD	GBP/JPY	0.4000000	0.2500000	0.4000000	0.3500000
JAPAN	JPY	AUD/USD	0.6000000	0.7500000	0.4000000	0.5833333
EURO	EUR	GBP/CHF	0.0000000	0.4000000	0.2000000	0.2000000
CANADA	CAD	CHF/JPY	0.6000000	0.2500000	0.2500000	0.3666667
		EUR/GBP	0.0000000	0.2000000	0.2000000	0.1333333
		USD/JPY	0.2500000	0.5000000	0.6666667	0.4722222
		EUR/USD	0.4000000	0.8000000	0.7500000	0.6500000
		EUR/JPY	0.4000000	0.5000000	0.4000000	0.4333333
		EUR/CHF	0.3333333	0.7500000	0.5000000	0.5277778
		Среднее	0.3902778	0.5166667	0.4805556	0.4625000

Используя полученные данные, можно определить пары валют, для которых был сделан наиболее достоверный прогноз на протяжении 4 недель торгов. Наилучшая достоверность прогноза на протяжении четырех недель получена для пары доллар США/канадский доллар (не менее 68%) и для пары европейская валюта/доллар США (не менее 65%). Эти пары были использованы в почасовой модели, описанной ниже.

Таблица 37. Ежедневный прогноз в модели М160. Сбывшиеся прогнозы отмечены красным цветом

20 июля 2009 г	%	21 июля 2009 г	%	22 июля 2009 г	%
A230-EUR/CHF High0	73	A21-EUR/USD High1	74	A80-USD/CHF High0	45
A260-AUD/USD High0	64	A90-USD/CHF Low0	64	A180-EUR/GBP Low0	37
A330-CHF/JPY Low0	57	A31-EUR/USD Low1	59	A281-GBP/JPY Close1	37
A270-AUD/USD Low0	42	A80-USD/CHF High0	51	A21-EUR/USD High1	31
A21-EUR/USD High1	41	A201-EUR/JPY High1	47	A230-EUR/CHF High0	31
A31-EUR/USD Low1	39	A130-USD/CAD Close0	45	A330-CHF/JPY Low0	28
A101-GBP/USD Close1	38	A251-AUD/USD Close1	42	A50-USD/JPY High0	25
A181-EUR/GBP Low1	38	A111-GBP/USD High1	40	A31-EUR/USD Low1	25
A240-EUR/CHF Low0	36	A321-CHF/JPY High1	38	A131-USD/CAD Close1	24
A80-USD/CHF High0	34	A140-USD/CAD High0	35	A240-EUR/CHF Low0	23
A61-USD/JPY Low1	34	A70-USD/CHF Close0	34	A220-EUR/CHF Close0	22
A251-AUD/USD Close1	34	A11-EUR/USD Close1	33	A191-EUR/JPY Close1	22
A161-EUR/GBP Close1	34	A101-GBP/USD Close1	33	A311-CHF/JPY Close1	22
A11-EUR/USD Close1	33	A170-EUR/GBP High0	29	A361-GBP/CHF Low1	19
A340-GBP/CHF Close0	30	A61-USD/JPY Low1	29	A210-EUR/JPY Low0	19
A210-EUR/JPY Low0	29	A301-GBP/JPY Low1	28	A110-GBP/USD High0	18
A70-USD/CHF Close0	29	A261-AUD/USD High1	26	A11-EUR/USD Close1	18
A50-USD/JPY High0	28	A40-USD/JPY Close0	23	A261-AUD/USD High1	17
A301-GBP/JPY Low1	27	A311-CHF/JPY Close1	22	A101-GBP/USD Close1	16
A151-USD/CAD Low1	23	A150-USD/CAD Low0	22	A90-USD/CHF Low0	16
A311-CHF/JPY Close1	22	A221-EUR/CHF Close1	22	A170-EUR/GBP High0	15
A350-GBP/CHF High0	21	A271-AUD/USD Low1	21	A351-GBP/CHF High1	13
A360-GBP/CHF Low0	20	A191-EUR/JPY Close1	18	A70-USD/CHF Close0	12
A320-CHF/JPY High0	20	A121-GBP/USD Low1	18	A290-GBP/JPY High0	12
A90-USD/CHF Low0	20	A281-GBP/JPY Close1	17	A41-USD/JPY Close1	9
A170-EUR/GBP High0	20	A361-GBP/CHF Low1	15	A340-GBP/CHF Close0	8
A110-GBP/USD High0	19	A50-USD/JPY High0	12	A201-EUR/JPY High1	7
A140-USD/CAD High0	19	A211-EUR/JPY Low1	8	A141-USD/CAD High1	7
A281-GBP/JPY Close1	17	A350-GBP/CHF High0	7	A321-CHF/JPY High1	7
A291-GBP/JPY High1	15	A160-EUR/GBP Close0	7	A270-AUD/USD Low0	6
A130-USD/CAD Close0	14	A291-GBP/JPY High1	5	A251-AUD/USD Close1	5
A201-EUR/JPY High1	13	A181-EUR/GBP Low1	5
A190-EUR/JPY Close0	8
A300-GBP/JPY Low0	6
TRUE=0.5		TRUE=0.4375		TRUE=0.451612903

Модель 4. Для моделирования курсов валют на каждый час была сформирована база данных из стандартных параметров, взятых с сервера [46]. Всего было исследовано 32 категории повышения (1)/снижения (0) курсов на момент открытия (Open), высокого (High), низкого (Low) и на момент закрытия (Close) курсов четырех пар валют – USD/CAD, EUR/USD, GBP/USD, USD/JPY, в период с 27 июля 2008 18:00 GMT по 24 июля 2009 г 16:00 GMT (всего 6118 записей) – см. таблицу 38.

Таблица 38. Частота повторяемости категорий курсов валют (ABS), среднее (AVERAGE) и максимальное (MAX) значения параметра сходства и модель, в которой реализуется максимум достоверности почасового распознавания

RATE_CAT	ABS	AVERAGE	MAX	MODEL
A10-USD/CAD Open0	3052	2.768	12.024	110
A11-USD/CAD Open1	3066	7.904	15.527	170
A20-USD/CAD High0	3187	7.357	19.216	130
A21-USD/CAD High1	2931	8.299	12.191	170
A30-USD/CAD Low0	2863	27.426	43.383	30
A31-USD/CAD Low1	3255	-9.894	2.006	20
A40-USD/CAD Close0	3027	-28.844	-19.592	140
A41-USD/CAD Close1	3091	40.820	55.961	20
A50-EUR/USD Open0	3081	-9.534	0.599	20
A51-EUR/USD Open1	3037	26.328	42.897	170
A60-EUR/USD High0	3284	4.792	12.145	20
A61-EUR/USD High1	2834	3.670	18.655	170
A70-EUR/USD Low0	2869	53.472	64.341	30
A71-EUR/USD Low1	3250	-38.451	-22.148	10
A80-EUR/USD Close0	3051	5.998	19.835	20
A81-EUR/USD Close1	3067	10.519	24.948	170
A90-GBP/USD Open0	3048	26.578	34.136	110
A91-GBP/USD Open1	3070	-22.938	-9.569	130
A100-GBP/USD High0	3298	-23.154	-5.063	10
A101-GBP/USD High1	2820	35.189	49.794	170
A110-GBP/USD Low0	2855	43.068	52.064	20
A111-GBP/USD Low1	3263	-33.618	-21.107	10
A120-GBP/USD Close0	3044	22.746	40.187	20
A121-GBP/USD Close1	3074	-10.113	0.884	170
A130-USD/JPY Open0	3029	15.270	24.769	150
A131-USD/JPY Open1	3089	-7.214	0.025	20
A140-USD/JPY High0	3337	10.820	19.882	100
A141-USD/JPY High1	2781	1.029	15.922	10
A150-USD/JPY Low0	2771	7.796	19.942	170
A151-USD/JPY Low1	3347	8.820	15.952	170
A160-USD/JPY Close0	3044	3.855	12.653	170
A161-USD/JPY Close1	3074	3.950	11.074	10

Эта БД была использована для создания 17 рабочих моделей, по которым осуществлялось прогнозирование в последующее время с 26 июля 18:00 GMT до 31 июля 2009 года 16:00 GMT – всего 119 часов. В таблице 38 представлен список категорий вместе частотой их повторяемости и максимальный параметр сходства в системе из 17 моделей – М10, М20, М30, М40, М50, М60, М70, М80, М90, М100, М110, М120, М130, М140, М150, М160, М170. Наиболее эффективной частной моделью в данном случае является М170. По ней осуществлялся прогноз на протяжении 119 часов. Было установлено, что первые четыре дня средняя достоверность прогноза превышает 50%, а затем падает. В таблице 39 представлено отношение числа сбывшихся прогнозов к общему числу прогнозов на каждый час суток на 5 дней первой недели (отметим, что торги начинаются в предыдущие сутки). Средняя по 119 часам достоверность прогноза составила 51.58%, а максимальная достоверность достигает 100%.

Достоверность полученных прогнозов сильно зависит от времени суток и колеблется от 1/8 до 16/16 – рис. 89. Наилучшая достоверность в первый день прогноза реализуется с 1:00 до 6:00 GMT. В этот период достоверность прогноза изменяется от 9/16 (56.25%) до 15/16 (93.75%), а средняя достоверность превосходит 75%.

Отметим, что в указанный период времени предложенная модель может быть использована для успешной торговли на валютных биржах. При этом лучше всего можно предсказать поведение пары EUR/USD, для которой достоверность прогноза составила 95.83%. Во второй и третий день прогноза можно использовать островок стабильности достоверности с 4:00 до 6:00. В этот период достоверность прогноза для пары EUR/USD составляет 90% на второй день и 83% на третий день. Отметим, что наибольшее среднее и максимальное значения достоверности прогноза достигаются на третий день – 58.3% и 100% соответственно.

Таблица 39. Отношение числа сбывшихся прогнозов к общему числу прогнозов, среднее (AVERAGE) и максимальное (MAX) значения этого параметра на каждый час и на каждый день недели

GMT	Jul-27	Jul-28	Jul-29	Jul-30	Jul-31	AVERAGE	MAX
22:00	0.5	0.4	0.533333	0.6875	0.2	0.464167	0.6875
23:00	0.125	0.461538	0.8125	0.75	0.5	0.529808	0.8125
0:00	0.285714	0.533333	0.428571	0.3125	0.25	0.362024	0.533333
1:00	0.933333	0.538462	0.3125	0.3125	0.357143	0.490788	0.933333
2:00	0.5625	0.4	0.375	0.1875	0.307692	0.366538	0.5625
3:00	0.866667	0.615385	0.357143	0.75	0.1875	0.555339	0.866667
4:00	0.5625	0.923077	0.533333	0.6875	0.133333	0.567949	0.923077
5:00	0.6875	0.785714	0.625	0.5625	0.357143	0.603571	0.785714
6:00	0.9375	0.785714	0.6875	0.5625	0.733333	0.74131	0.9375
7:00	0.533333	0.733333	0.5	0.375	0.533333	0.535	0.733333
8:00	0.466667	0.375	0.5625	0.4375	0.6	0.488333	0.6
9:00	0.833333	0.266667	0.8125	0.625	0.4375	0.595	0.833333
10:00	0.692308	0.571429	0.75	0.5	0.133333	0.529414	0.75
11:00	0.75	0.25	0.75	0.5625	0.3125	0.525	0.75
12:00	0.4375	0.533333	0.5	0.5625	0.666667	0.54	0.666667
13:00	0.3125	0.4	0.5	0.625	0.625	0.4925	0.625
14:00	0.5625	0.5	0.625	0.428571	0.1875	0.460714	0.625
15:00	0.4375	0.2	1	0.571429	0.25	0.491786	1
16:00	0.466667	0.466667	0.5625	0.333333	0.375	0.440833	0.5625
17:00	0.466667	0.571429	0.875	0.466667	0.4375	0.563452	0.875
18:00	0.4	0.625	0.75	0.4375	0.25	0.4925	0.75
19:00	0.642857	0.6	0.266667	0.6	0.5625	0.534405	0.642857
20:00	0.357143	0.666667	0.3125	0.5	0.5	0.467262	0.666667
21:00	0.571429	0.466667	0.5625	0.5625		0.540774	0.571429
AVERAGE	0.557963	0.527892	0.583085	0.516667	0.386825	0.515769
MAX	0.9375	0.923077	1	0.75	0.733333

Зависимость среднего по всем категориям параметра сходства от числа ячеек почасовых моделей хорошо описывается логарифмической функцией – рис. 90. Максимальный параметр сходства достигается в модели М30. Таким образом, обнаруженные на суточной модели закономерности – см. рис. 88, видимо, являются универсальными. Эти результаты позволяют сформулировать общие закономерности распознавания социальных и экономических категорий по астрономическим параметрам на основе системы искусственного интеллекта «Эйдос-астра» /7/.

Модель 5. Как было установлено, курсы валют на момент открытия (Open), высокий (High), низкий (Low) и на момент закрытия (Close) на каждый час связаны между собой простыми линейными соотношениями, которые выполняются с большой степенью точности. В качестве примера на рис. 91 представлены ежечасные данные трех курсов в зависимости от курса на момент открытия для пары USD/JPY c 16 января 2004 г по 24 июля 2009 г – всего 28630 записей. Из этих данных следует, что среднеквадратичный разброс точек вокруг линейных зависимостей не превышает 0.03%. Однако категории повышения/снижения курсов, как и параметры сходства, рассчитанные на основе системы «Эйдос-астра», не так тесно связаны между собой, но изменяются достаточно индивидуально - рис. 92. Однако именно эти категории является основанием для установки торговых ордеров на валютных биржах. Действительно, существует два вида ордеров – на продажу и на покупку. В первом случае подразумевается, что со временем курс валюты понизится, а во втором случае повысится, поэтому зарезервированный объем валюты может быть продан по более выгодной цене.

Возникает вопрос, с каким из параметров сходства из 8 категорий повышения/снижения курсов валют в наибольшей степени соотносится реальный курс? Чтобы ответить на этот вопрос, была разработана 15-минутная модель прогноза, основанная на базе данных [45], взятых в период с 10 августа 2008 г по 21 августа 2009 года – всего 25397 записей. На основе этой модели осуществлялось прогнозирование 32 категорий повышения/снижения 4 курсов 4 пар валют, перечисленных в таблице 40. Для каждой пары определялись параметры сходства 8 категорий, типа приведенных на рис. 91. Как было установлено, отношение числа сбывшихся прогнозов к общему числу прогнозов сильно отличается для разных категорий. Так, для пары EUR/USD этот параметр изменяется от 0.264 до 0.825 – см. таблицу 40.

Таблица 40. Отношение числа сбывшихся прогнозов к общему числу прогнозов (TRUE), среднее значение производной курса (DER) и весовые множители в 15-минутной модели

CAT	EUR/USD Open0	EUR/USD Open1	EUR/USD High0	EUR/USD High1	EUR/USD Low0	EUR/USD Low1	EUR/USD Close0	EUR/USD Close1
TRUE	0.422018	0.597403	0.825328	0.264423	0.556122	0.556034	0.387387	0.671171
DER	-0.00059	5.62E-04	-4.92E-04	0.000468	-5.36E-04	0.000431	-6.01E-04	5.47E-04
w	-0.00025	0.000336	-0.00041	0.000124	-0.0003	0.00024	-0.00023	0.000367

Используя параметры сходства, можно определить тренд курса в виде:

(67)

Здесь параметр j соответствует числу шагов по времени, весовые множители определяются по результатам измерения числа подтвердившихся прогнозов (TRUE) и по средней величине производных соответствующих курсов (DER) в виде w=TRUE*DER. Для пары EUR/USD эти множители приведены в таблице 40. Как было установлено, для этой пары достаточно будет удержать в сумме в правой части первого уравнения (67) два слагаемых. Например, путем оптимизации модели было установлено, что можно выбрать для моделирования курса с 23 по 28 августа EUR/USD Low0 и EUR/USD Low1.

Проверялась корреляция параметров тренда с курсами соответствующих валют. На рис. 93 представлена зависимость курса EUR/USD от параметра тренда. По этим данным можно построить полином четвертой степени, аппроксимирующий данные с большой степенью точности, а, используя полином, построить теоретическую кривую курса европейской валюты – сплошная линия на рис. 94.

Полученная модель позволяет осуществлять прогноз курса на неделю вперед, однако различия между прогнозируемым курсом и реальным курсом довольно велики. На рис. 95 представлены данные курса EUR/USD вместе с прогнозом, осуществленным по данным на рис. 94 и с линией, построенной по модели тренда (67), по которой можно осуществить прогноз на следующую неделю. Хорошо видно, что прогноз хорошо повторяет все движения курса, однако не совпадает с ним в деталях.

5.3.Технология моделирования курсов валют

Методы моделирования социальных категорий на основе системы «Эйдос-астра» подробно рассмотрены в главах 2-4. Технология моделирования экономических категорий, типа курсов валют, практически не отличается от технологии, развитой для социальных категорий ни по структуре используемых баз данных, ни по стадиям анализа. Отличие заключается только в использованием параметров расстояния от Земли до небесных тел вместо угловых параметров т.н. домов Плацидуса, используемых при распознавании социальных категорий.

Формирование исходной БД категорий валют происходит автоматически на трех листах системы Excel, на первом из которых записываются исходные данные, взятые с сервера [45], на втором листе вычисляются значения функции повышения (1)/снижения (0) курса, а на третьем определяются категории курсов валют, которые объединяются в общий список – см. таблицу 40. Отметим, что для удобства данные представлены на время, соответствующее торгам на бирже в Нью-Йорке, США.

Астрономические параметры вычисляются на основе швейцарских эфемерид (см. www.astro.com) в топоцентрической системе координат с началом в точке (0 в.д.; 51.4833 с.ш.), что соответствует координатам г. Гринвич, Великобритания. Эти параметры нормируются в соответствии с уравнением (70) в процессе обработки БД в системе «Эйдос-астра». Вычисления начинаются с синтеза моделей, число и номер которых задается в диалоге – рис. 96. Модели можно создать сразу за одну сессию или добавлять последовательно. Их число определяется типом решаемых задач. Так, например, для получения данных, представленных на рис. 88, была создана мультимодель, содержащая 171 модель – М3-М173 (номер модели соответствует числу интервалов). Для прогнозирования курсов валют достаточно будет одной модели, например М160 или М170.

Таблица 40. Формирование списка категорий валют

DATE	EST	USD/CAD Open	USD/CAD High	USD/CAD Low	USD/CAD Close	EUR/USD Open	EUR/USD High	EUR/USD Low	EUR/USD Close
2008.07.27	18:00	1.0191	1.0191	1.0186	1.0187	1.5697	1.5698	1.5685	1.5697
2008.07.27	19:00	1.0186	1.0198	1.0186	1.0195	1.5696	1.5697	1.5683	1.5692
2008.07.27	20:00	1.0196	1.0204	1.0195	1.0202	1.5693	1.5707	1.5684	1.5695
2008.07.27	21:00	1.0203	1.0203	1.0192	1.0194	1.5694	1.5704	1.5686	1.5696
Лист2
2008.07.27	19:00	0	1	1	1	0	0	0	0
2008.07.27	20:00	1	1	1	1	0	1	1	1
2008.07.27	21:00	1	0	0	0	1	0	1	1
Лист3
2008.07.27	19:00	A10	A21	A31	A41	A50	A60	A70	A80
2008.07.27	20:00	A11	A21	A31	A41	A50	A61	A71	A81
2008.07.27	21:00	A11	A20	A30	A40	A51	A60	A71	A81
Лист3
2008.07.27	19:00	A10:A21:A31:A41:A50:A60:A70:A80:A90:A100:A110:A120:A130:A141:A151:A161:
2008.07.27	20:00	A11:A21:A31:A41:A50:A61:A71:A81:A90:A101:A110:A121:A131:A141:A151:A161:
2008.07.27	21:00	A11:A20:A30:A40:A51:A60:A71:A81:A91:A101:A111:A121:A131:A140:A151:A160:

Рис. 96. Скриншот программы синтеза мультимодели

Рис. 97. Скриншот программы синтеза информационной модели

Синтез каждой модели включает семь стадий, начиная с суммирования абсолютных частот признаков и, заканчивая, синтезом информационной модели СИМ-1 или СИМ-2 (тип информационной модели задается в диалоге) – рис. 97.

После того, как мультимодель была создана, можно ее верифицировать, используя специальную программу распознавания – рис. 98, в которой реализован алгоритм измерения внутренней дифференциальной валидности моделей. В этом режиме можно задать в диалоге объем выборки, на которой производится измерение параметра сходства – рис. 99.

Рис. 98. Скриншот программы распознавания.

Для прогнозирования курсов валют используется режим 4 программы распознавания. В этом режиме обрабатываются астрономические данные на каждый день и час прогноза – рис. 100.

Рис. 99. Скриншот программы измерения достоверности идентификации по классам в частных моделях

Рис. 100. Скриншот программы пакетного распознавания

Рис. 101. Скриншот программы обработки результатов распознавания

В результате распознавания формируется таблица категорий с указанием параметра сходства, которая используется для формирования итоговой таблицы достоверности прогноза. Для обработки этих данных используется специальный режим – рис. 101. В этом режиме каждой дате и времени прогноза (например, 30 августа 18:00 на рис. 92) сопоставляется набор категорий с указанием параметра сходства. Для обработки данных 15-минутной модели используется специальный алгоритм, преобразующий данные распознавания из файла RASP1.DBF в книгу Excel с 4 листами, на которых отображаются параметры сходства для 8 категорий четырех валют на диаграммах типа приведенной на рис. 92.

Наконец, для стабилизации достоверности прогноза в системе «Эйдос-астра» реализованы пять алгоритмов голосования, описанные выше.

Отметим, что в задачах распознавания валют используются астрономические параметры, вычисленные в топоцентрической системе координат. Это означает, что в часовой и 15-минутной модели учитывается вращение Земли вокруг своей оси. Суточный цикл имеет собственную когерентную моду, которая легко выявляется при анализе данных распределения абсолютной частоты появления категорий валют в зависимости от нормированных координат – рис. 102-103.

Интересно, что в случае Солнца частотные распределения категорий валют синхронизированы между собой с большой степенью точности – рис. 104, что позволяет осуществлять их распознавание. При этом исходные распределения категорий валют по времени практически не связаны между собой.

Возникает вопрос, почему же при отсутствии заметной корреляции изменений курсов валюты, как между собой, так и со временем категории повышения/снижения курсов распознаются достаточно хорошо. Многое проясняет анализ трендовой модели (67), в которой фигурируют параметры сходства, описывающие вероятность реализации категорий в зависимости от астрономических данных. Фактически хорошо распознается тренд, а не мгновенные значения категорий повышения/снижения курсов валют, которые распознаются в среднем на уровне чуть выше 50%.

Далее заметим, что отчетливые когерентные колебания частотных распределений, как в случае Солнца, наблюдаются для удаленных небесных тел, тогда как для Луны и внутренних планет распределения являются более размытыми.

Интересно, что в случае Солнца частотные распределения имеют максимум в точках остановки, где радиальная скорость обращается в нуль – рис. 103, а в случае Луны максимумы смещены во внутреннюю область, что связано с поведением радиальной скорости в системе Земля-Луна. Для удаленных небесных тел – Юпитера, Сатурна, Урана, Нептуна и Плутона радиальная скорость мало отличается от таковой для Солнца, поскольку она зависит, главным образом, от движения Земли вокруг Солнца и от вращения нашей планеты вокруг собственной оси. Поэтому частотные распределения категорий в зависимости от расстояния имеют вид, похожий на данные на рис. 104, однако при этом для каждого небесного тела сохраняются индивидуальные различия.

Мерой отклика случайного процесса на воздействие небесных тел является интегральная информативность, которая получается путем обработки частотных распределений. На рис. 105 представлена зависимость интегральной информативности от расстояния до Луны в 15-минутной модели М160. Отметим, что для категорий повышения/снижения курсов валют зависимости ИИ от расстояния в общем не отличаются от аналогичных зависимостей, полученных для социальных категорий (см. главу 4). Так, например, данные на рис. 105 находятся в соответствии с данными, полученными для социальных категорий – см. рис. 78.

Таким образом, установлено, что имеются общие закономерности распознавания категорий повышения/снижения курсов валют и социальных категорий по астрономическим данным. Это свидетельствует об общности методов астросоциотипологии, а также об универсальности АСК-анализа [3, 50], использованного для решения задач распознавания категорий по астрономическим данным.

Наконец, отметим, очевидную связь концепции астросоциотипологии с идеями эвентологии [51]. По-видимому, любую науку, занимающуюся исследованием фактов, построением моделей, отражающих взаимосвязи этих фактов и применением этих моделей для решения различных задач, можно считать одним из разделов эвентологии, если учесть, что факт и событие, - это по сути одно и тоже. Не является исключением и астросоциотипология, которая выявляет взаимосвязи между астрономическими событиями на момент рождения респондентов и событиями их жизни, в частности принадлежность к социотипам, а также решает задачи прогнозирования и поддержки принятия решений на основе знания этих взаимосвязей. Конечно построение содержательной интерпретации, объясняющей, почему выявленные взаимосвязи имеют именно такой, а не какой-либо другой вид, - это отдельная сложная задача. Однако необходимо отметить, что наличие или отсутствие подобной интерпретации не связано напрямую с эффективностью решения этих задач. Метод, в настоящее время применяемый в астросоцитипологии: системно-когнитивный анализ (СК-анализ), по-видимому, является методом вполне «в духе эвентологии», т.к. позволяет выявлять взаимосвязи между событиями в различных предметных областях на основе зашумленных и фрагментированных эмпирических данных большой размерности. Поэтому можно надеяться, что с одной стороны математические методы, применяемые в настоящее время в эвентологии, могут пополниться СК-анализом, а с другой стороны методы эвентологии могут быть с успехом применены как для подтверждения результатов, уже полученных в астросоцитипологии, так и для ее развития.