🔍 Поиск работ

ИСПОЛЬЗОВАНИЕ АГРЕГИРОВАНИЯ В МЕТОДАХ НЕЛИНЕЙНОЙ ДИНАМИКИ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ

Работа №28061

Тип работы

Диссертация

Предмет

экономика

Объем работы158
Год сдачи2005
Стоимость500 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
942
Не подходит работа?

Узнай цену на написание


Введение 5
Глава 1 АНАЛИЗ ОСНОВНЫХ ПРИНЦИПОВ СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ 17
1.1 Неопределенность котировки акций и проблема ее прогнозирования 17
1.2 Анализ и классификация традиционных подходов к прогнозированию временных рядов котировки акций
1.3 Современные подходы к прогнозированию котировки акций методами нелинейной динамики
1.4 Выводы к главе 1 50
Глава 2 ФРАКТАЛЬНЫЙ АНАЛИЗ ИСХОДНЫХ И АГРЕГИРОВАННЫХ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 52
2.1 Фрактальная статистика в экономико-математическом моделировании 52
2.2 Предмет исследования и его статистические характеристики 58
2.3 Агрегирование как способ усиления структурированности данных 62
2.4 Инструментарии фрактального анализа 64
2.4.1 Верификация алгоритма нормированного размаха Херста 68
2.4.2 Алгоритм последовательного R/S- анализа 74
2.5 Фрактальный анализ временных рядов котировок четырех видов акций 80
2.5.1 Фрактальный анализ временных рядов ежедневных показателей 80
2.5.2 Фрактальный анализ временных рядов недельного интервала агрегирования 82
2.5.3 Фрактальный анализ временных рядов двухнедельного интервала агрегирования 86
2.6 Результат сравнительного анализа эффективности агрегирования 89
2.7 Выводы к главе 2 92
Глава 3 ПРЕДПРОГНОЗНЫЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ
КОТИРОВКИ АКЦИЙ НА БАЗЕ ФАЗОВЫХ ПОРТРЕТОВ И АГРЕГИРОВАНИЯ 93
3.1 Фазовые пространства и фазовые портреты 93
3.2 Фазовые портреты исходных временных рядов котировки акций 95
3.3 Фазовые портреты временных рядов котировки акций, агрегированных недельными интервалами 99
3.4 Фазовые портреты временных рядов котировки акций, агрегированных двухнедельными интервалами 101
3.5 Предпрогнозный анализ временных рядов на базе их фазовых портретов и агрегирования 109
3.5.1 Предпрогнозная информация для временного ряда Z~1котировки акций РАО ЕЭС 11
3.5.2 Предпрогнозная информация для временного ряда Z~2котировки акций Сбербанка 111
3.5.3 Предпрогнозная информация для временного ряда Z~3котировки акций Ростелекома 112
3.5.4 Предпрогнозная информация для временного ряда Z~4котировки акций Сибнефти 113
3.6 Выводы к главе 3 113
Глава 4 АДАПТАЦИЯ КЛЕТОЧНО-АВТОМАТНОЙ ПРОГНОЗНОЙ
МОДЕЛИ ДЛЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ 116
4.1 Особенности временных рядов, для которых традиционные методы
прогнозирования неадекватны 116
4.2 Клеточные автоматы для прогнозирования экономических временных рядов их преимущества перед классическими методами 117
4.3 Общая схема и принципы работы клеточно-автоматной прогнозной модели 119
4.3.1 Преобразование числового временного ряда в лингвистический
временной ряд методом огибающих ломаных 119
4.3.2 Частотный анализ памяти лингвистического временного 124 ряда
4.3.3 Формирование прогнозных значений котировки акций российской компании «Сбербанк», верификация и валидация прогнозной модели 132
4.3.4 Получение числового прогноза и оценка его точности 135
Выводы к главе 4 139
Заключение 141
Список использованных источников 142
Приложения 151

Актуальность темы исследования. Российский рынок ценных бумаг за свою новейшую постсоветскую историю пережил много хороших и плохих времен. Финансовый кризис 1998 года почти разрушил этот сектор экономики. Однако, следует понимать, что без развитого рынка ценных бумаг по¬строить рыночную экономику невозможно. Не случайно в последние годы одно из важнейших направлений развития России связано с принципиальным изменением роли рынка ценных бумаг в финансовой системе государства и его хозяйственном механизме в целом. Развиваются институты рынка ценных бумаг, регулирующиеся государством. Огромные усилия государства направлены на повышение доверия инвесторов к российской экономике.
Одной из важных задач на пути стабилизации фондового рынка России является привлечение частных лиц для инвестирования в предприятия и крупные компании нашей страны. Для инвесторов особо необходимым и актуальным является возможность прогнозирования ситуации на рынке ценных бумаг Прогнозирование предполагает научно-обоснованное суждение о возможных состояниях экономической системы в будущем, об альтернативных путях и сроках его осуществления, оно должно предполагать получение качественных оценок этих состояний при помощи математических и инструментальных средств реализации.
Сложившейся к настоящему времени методологии экономико-математического прогнозирования присущи общие черты. Практически все прогнозные модели в той или иной мере используют экстраполяцию прошлых тенденций в отношении как общенациональных, так и частичных показателей производства, народонаселения, технического прогресса. Общая черта эконометрических и эмпирических прогнозов - стремление на основе от-дельных, частичных показателей составить общую картину будущего экономического роста.
Развитие экономического моделирования, анализа и прогнозирования в современных условиях связано с последовательным ростом уровня их формализации. Основу этого заложил прогресс в области прикладной математики, математической статистики, методов оптимизации, теории приближений, в эконометрике, прогностике и пр.
Среди факторов, характеризующих динамику рынка и влияющих на нее, есть изрядное количество данных нечисловой природы, значения которых известны только с определенной долей уверенности. Можно выделить различные типы неопределенностей, из которых для финансового анализа важны следующие:
- связанные с незнанием или неточным знанием некоторых факторов или процессов, влияющих на развитие ситуации;
- связанные с математической несоизмеримостью численных оценок величин, характеризующих динамику системы;
- связанные с нелинейностью и наличием у системы нескольких со-стояний равновесия или аттракторов;
- связанные с недостатком или неадекватностью понятийного аппарата и невозможностью отождествления фактов.
С целью понимания того, какие преимущества дают предлагаемые далее новые методы анализа данных и прогнозирования, необходимо указать на три принципиальные проблемы, возникающие при создании систем анализа финансовых рынков и разработке прогнозных моделей.
Первая - это определение необходимых и достаточных параметров для оценки состояния рынка, а также целевых функций, т.е. выбор критериев эффективности действий. Формализация, т.е. моделирование поведения системы, состоящей из разнородных компонентов, требует использования единой метрики для их описания.
Вторая проблема - это проблема размерности. Желание учесть в моде¬ли как можно больше показателей и критериев оценки может привести к нереализуемым практически объемам вычислительной сложности. Иными словами, суть этой проблемы сводится к ограничению на быстродействие и раз-меры вычислительного комплекса в зависимости от количества информации, обрабатываемого в единицу времени.
Третья проблема возникает в силу проявления признака надсистемности. Известно, что взаимодействующие системы образуют надсистему - систему более высокого уровня, обладающую собственными (надсистемными) свойствами, которых не имеет ни одна из составляющих систем. Проблема заключается в принципиальной невозможности выявить указанные проявления надсистемного отображения средствами, входящих в состав взаимодействующих систем.
Пришедшие на смену классическим новые подходы к прогнозированию появились именно с целью преодоления некоторых из перечисленных проблем. Эти подходы базируются на применении таких разделов современной математики, как нейрокомпьютеры, теория стохастического моделирования (теория хаоса), теория катастроф, синергетика и теория самоорганизующихся систем, включая генетические алгоритмы, теория фракталов и не¬четкие логики. Считается, что эти методы позволят увеличить глубину прогноза на финансовых рынках за счет выявления скрытых закономерностей, присущих этим рынкам.
Таким образом, в связи с тем, что в рамках классического подхода не удается получить существенного улучшения качества прогнозирования кур¬сов ценных бумаг на фондовом рынке, актуальным является совершенствование методик прогноза, сочетая достоинства теории хаоса, клеточных автоматов и теории нечетких множеств.
Степень разработанности проблемы. Большой вклад в исследование фондового рынка внесли зарубежные ученые, особо можно отметить труды У.Ф. Шарпа, Г. Марковитца, Г.Дж. Александера, Дж.В. Бэйли, Б.Вильямса, Р.Колби, Д. Мерфи, Дж. Швагера, а так же труды соотечественников Я. М. Миркина, А.В. Захарова, И.В. Костикова, Б.Б. Рубцова, А.О. Недосекина, Ю.В. Жваколюк, П.П. Кравченко Т.Ю. Сафоновой, Н.И. Червякова и др..
В развитии теоретической прогностики стоит отметить работы И.Бернара, Н. Винера, Д.Ж. Джонстона, Ж.-К.Колли, В.В.Леонтьева, К.Паррамоу, М. Песарана, О. М.Дж.Кендалла, Ю.Колека, Л.Слейтера и др. История развития продуктивной прикладной прогностики начинается с про-гнозов Г.Ландсберга, Л.Фишмана, Дж. Фишера, прогноза Дж.Ф.Дьюхорста, Дж.О.Коппока, П.Л.Йейста, и др.
В бывшем СССР проводились серьезные экономические прогностические исследования. Отметим труды известных советских и российских ученых: А.Г. Аганбегяна, Л.В.Канторовича, С.А. Айвазяна, В.А. Кардаша, В.С. Немчинова, В.В. Новожилова, Н.П. Федоренко, С.С. Шаталина, А.Н. Ширяева, В.А.Буторова, И.Г.Винтизенко, Г.В.Гореловой, А.А.Горчакова, В.Е.Демидова, А.С.Емельянова, Э.Б.Ершова, С.В.Жака, П.С.Завьялова,А.Н.Ильченко, В.И.Калиниченко, В.В.Ковалева, Ф.М.Левшина,Ю.П.Лукашина, В.И.Максименко, Е.Н.Мельниковой, А.В.Морозова, А.Л. Новоселова, Б.В. Рязанова, Е.М.Четыркина и др.
При большом числе серьезных работ, широте исследований, обилии полученных в прогнозировании результатов, все еще находятся разделы про-гностической науки, в которых новые методы могут улучшить решение, сделать его универсальным, конструктивным и более точным.
Важно отметить, что последнее десятилетие - это начало активного изучения и переосмысливание вопросов математического моделирования экономических процессов. Пересматриваются законы линейной парадигмы, появляются публикации (Б.М. Фридман, Д.И. Лейсбон, Е.Д. Вейгель, А.Л. Тернер и др.), в которых отмечается, что многие экономические процессы не следуют нормальному закону распределения по причине невыполнения условия независимости наблюдений. Это в свою очередь ставит вопрос о не-правомерности применения известных классических методов прогнозирования эволюционных процессов. В контексте экономических теорий появляется экономическая синергетика, как наука, занимающаяся изучением хаоса в поведении экономических процессов. Исследованию этих вопросов посвящены работы как, в основном, зарубежных, так и отечественных авторов:
А.Е.Андерсон, Дж.Грендмонт, В.-Б.Занг, Б.Мандельброт, Э.Петерс, А.И. Пригожин, Э.Сигел, Р.Чен, В.А. Долятовский, С.П. Курдюмов, Г.Г. Малинецкий и др.
Характеризуя степень разработанности новых подходов можно отметить следующее. Существуют уже разработанные системы и методики, использующие аппарат нечетких логик. Оболочки экспертных систем, поддерживающие работу с нечеткими знаниями, такие, например, как Gold Works, Guru, Flex и т.д. Созданы первые в мире электронные таблицы Fuzzi Calc, способные работать с нечеткими данными. Являются предметом промышленного использования и достаточно мощные средства разработки приложений, использующих аппарат нечетких логик, - это пакеты фирмы HyperLogic CubiCalc RTS и CubiCalc 2.0 для Windows.
Уже завоевали признание и нейросетевые технологии. Практика использования нейросетей показала их эффективность в таких областях, как прогнозирование, выявление зависимостей, ситуационное управление. Все это применимо и на финансовых рынках. Этот инструментарий позволяет выявлять и получать новые знания о динамике стоимости ценных бумаг, об изменениях показателей экономической активности и о колебаниях обменного курса валют, включая, государственные облигации. На базе этих знаний можно выявить взаимозависимости, существующие между этими характеристиками, что в свою очередь позволяет существенным образом повысить надежность прогнозирования.
Еще один подход, находящий все большее применение при анализе финансовых рынков, и, особенно, в случае наличия в них быстротекущих процессов базируется на методах теории хаоса, или, в другой терминологии, нелинейной динамики.
Применительно к области финансов на основе теории хаоса впервые был разработан принципиально новый подход к анализу рынка, отличный от "портфельной теории". Этот подход базируется на положении о том, что рынок представляет собой сложную нелинейную систему с обратной связью, а характер группового взаимодействия участников рынка порождает хаотическую динамику цен вследствие спорадического использования инвесторами информационного потока и, как следствие, возникновение квазистохастических временных интервалов их действия на рынках.
В условиях резкого увеличения требований к масштабам и темпам развития науки и техники для получения эффективных прибылей на российском рынке (в частности на рынке ценных бумаг) становятся актуальными вопросы планирования и принятия решений на основе прогнозирования.
Исследования в этой области обусловлены необходимостью внедрения в практику работы профессиональных участников рынка, методов научного управления, основанного на строгой формализации процедур принятия инвестиционных решений, и необходимостью использования на практике новых инвестиционных технологий. Существенными составными частями таких технологий, используемых в настоящей работе, являются клеточные автоматы, фрактальный анализ и фазовые портреты, позволяющие в явлениях, на первый взгляд случайных, обнаружить порядок и некоторую структуру. Тот факт, что хаотические модели дают хорошее приближение для финансовых временных рядов, говорит о важности изучения поведения финансовых рынков как нелинейных динамических систем и является дополнительным аргументом в пользу применения в задачах прогноза различных методов нелинейной динамики.
Цель и задачи исследования. Целью настоящей диссертационной работы является исследование потенциальной прогнозируемости временных рядов курсов акций на фондовой бирже России на базе новых инструментариев нелинейной динамики, в частности, фрактального анализа, теории клеточных автоматов и фазовых портретов.
В соответствии с целью работы решались следующие задачи:
- анализ и оценка принципиальной возможности использовать некоторые методы нелинейной динамики, в первую очередь фрактального анализа, фазового анализа и клеточных автоматов для предпрогнозного анализа и прогнозирования временных рядов котировки акций, для которых использование классических методов является проблематичным;
- оценка предпрогнозных характеристик временных рядов котировки акций российских компаний «Сбербанк», «Ростелеком», «РАОЕЭС», «Сибнефть» и разработка методов предпрогнозного анализа этих рядов на базе их агрегирования с последующим использованием инструментария фрактального анализа;
- использование и адаптация инструментария фазового анализа для по-лучения предпрогнозных характеристик, выбор подходящего принципа агрегирования и его применение для улучшения предпрогнозных характеристик агрегированных временных рядов;
- использование клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций и ее адаптация к специфике поведения курсов акций российских компаний;
- использование комбинированного подхода к построению визуализации и совместному применению результатов фазового анализа и R/S- анализа временных рядов с целью получения дополнительной информации для их прогнозирования.
Объектом исследования является фондовый рынок ценных бумаг, как один из главных финансовых элементов международной экономической системы.
Предметом исследования являются временные ряды такого финансово-экономического показателя, как котировки акций российских компаний на протяжении переходного периода отечественной экономики.
Методология и методы исследования. Теоретическую и методологическую базу исследования составляют научные труды современных российских и зарубежных ученых по методам статистического и фрактального анализа временных рядов, экономической синергетики, теории фазовых портретов и клеточных автоматов, а также работы, посвященные вопросам моделирования, прогнозирования и содержательной экономической интерпретации прогнозных процессов и результатов.
Информационную базу исследования составили аналитические и статистические материалы Госкомстата России, а также региональной власти и научно-практические публикации по финансово-экономическим вопросам.
Диссертационная работа выполнена в соответствии с пунктом 1.8 «Паспорта специальности 08.00.13 - математические и инструментальные методы экономики»: «Математическое моделирование экономической конъюнктуры, деловой активности, определение трендов, циклов и тенденций развития».
Научная новизна. Научная новизна диссертационного исследования заключается в решении научной задачи - создание целостного теоретического, методологического и инструментального обеспечения для математического моделирования, анализа и прогнозирования экономических временных рядов. Научную новизну содержат следующие положения:
1. Развита методика анализа динамики котировки ценных бумаг с использованием фрактального анализа экономических временных рядов с памятью, адаптировано и апробировано на конкретных временных рядах математическое обеспечение реализации на персональной ЭВМ этого анализа с целью получения предпрогнозной информации, включая ее содержательную интерпретацию.
2. Разработан и апробирован новый метод преобразования временных рядов макроэкономических показателей в соответствующие им временные ряды методом агрегирования, что позволяет снять проблему размерности исследуемого временного ряда и улучшить их предпрогнозные характеристики.
3. На примере временных рядов котировки акций известных российских компаний таких как «Сбербанк», «Ростелеком», «РАО ЕЭС», «Сибнефть» осуществлен фрактальный анализ агрегированных временных рядов на базе алгоритма нормированного размаха и предложена содержательная предпрогнозная их интерпретация.
4. Осуществлено распространение и развитие фазового анализа для выявления предпрогнозной характеристики динамики агрегированных временных рядов котировки акций.
5. Адаптирована и реализована клеточно-автоматная прогнозная модель на базе агрегированных временных рядов котировки акций.
Практическая значимость полученных результатов. Практическая значимость работы определяется тем, что основные положения, выводы, рекомендации, модели, методы и алгоритмы диссертации ориентированы на широкое использование организационно-экономического, методического, алгоритмического обеспечения и инструментальных средств и могут быть использованы финансовыми учреждениями, органами регионального управления, разработчиками информационно-аналитических систем для поддержки принятия управленческих решений на различных уровнях социальной, экономической и административной деятельности.
Предложенные методы, алгоритмы, модели и программы апробированы на реальных экономических временных рядах и оправдали себя. Их корректность и адекватность подтверждаются расчетами на конкретных данных котировки акций российских компаний: «Сбербанк», «Ростелеком», «РАО ЕЭС» и «Сибнефть».
Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается применением: системного анализа, математических и инструментальных методов экономики, включая статистику, прогностику и методы агрегирования; построением информационных моделей, включая проверенные практикой методы экспертных систем; известных методов теории нечетких множеств и теории клеточных автоматов; построением экономико-математических моделей, реализующих методы анализа и прогнозирования на базе современных информационных технологий; наглядной визуализацией результатов моделирования, анализа и прогнозирования; документальным характером использованных данных по объектам приложений разработанных моделей и методов.
На защиту выносятся следующие основные положения:
1. Концепция предпрогнозного исследования экономических временных рядов с памятью, реализуемая на базе инструментария фрактального анализа и теории нечетких множеств.
2. Адаптация методов предпрогнозного анализа временных рядов котировки акций на базе их агрегирования и методов фрактального анализа.
3. Предпрогнозный анализ временных рядов котировки акций на базе фазовых портретов и агрегирования этих рядов.
4. Адаптация известной клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций.
5. Комбинированный подход к построению, визуализации и совместному использованию фазовых портретов и R/S- анализа временных рядов для получения дополнительной прогнозной информации.
Апробация и внедрение результатов исследования. Результаты исследования и его положения докладывались и получили положительную оценку на следующих конференциях и симпозиумах, проводимых различными академическими учреждениями и высшими учебными заведениями России:
- на VII Всероссийском симпозиуме «Математическое моделирование и компьютерные технологии» (Кисловодск, 2005);
- на XIII Международной научно-практической конференции «Математика. Экономика. Образование» (Ростов-на-Дону, 2005);
- на VI Международной научно-практической конференции «Математическое моделирование в образовании, науке и производстве» (Тирасполь, 2005);
- на II Международной конференции «Нелокальные краевые задачи и родственные проблемы математической биологии, информатики и физики» (Нальчик, 2001);
- на I Региональной научно-практической конференции «Теория и практика экономических реформ: Проблемы и перспективы» (Черкесск, 1998);
- на II Региональной научно-практической конференции «Региональная экономика, управление и право» (Черкесск, 1999).
Результаты исследования, отдельные положения и рекомендации получили принципиальное одобрение Министерства экономики КЧР. Отдельные рекомендации, вытекающие из диссертации, приняты к внедрению в акционерном коммерческом банке «Кавказ-Гелиос». Разработанные модели фрактального анализа и прогнозирования включены в лекционный материал дисциплины «Экономическая кибернетика» для студентов специальности «Прикладная математика» Карачаево-Черкесской государственной технологической академии.
Публикации. Основные результаты диссертации были опубликованы в 10 печатных работах общим объемом 3,38 п.л., в которых автору в совокупности принадлежит 2,9 п.л.
Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения, списка использованной литературы и приложений.
Во введении обоснована актуальность темы диссертационного исследования, сформулирована цель и задачи работы, описана структура и дан краткий обзор работы, изложены основные научные результаты, выносимые на защиту.
Основные результаты, полученные в ходе исследований можно представить в виде следующего перечня:
1. Проведен анализ основных принципов существующих подходов к прогнозированию временных рядов, осуществлено обоснование факта ограниченной применимости классических методов прогнозирования для экономических временных рядов с памятью.
2. Сформулирована и развита авторская концепция агрегирования экономических временных рядов для получения предпрогнозной информации методами нелинейной динамики и теории хаоса, в частности, фрактального анализа временных рядов, базирующейся на выявлении таких фундаментальных характеристик, как глубина памяти, наличие свойства персистентности и наличия (или отсутствия) свойства трендоустойчивости.
3. Выполнен предпрогнозный анализ временных рядов котировки акций на базе фазовых портретов и агрегирования этих рядов, в результате чего выявлена эффективность использования процедуры агрегирования.
4. Осуществлена адаптация вычислительной схемы этапов известной клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций.
5. Для получения дополнительной прогнозной информации предложено совместное использование R/S-анализа, клеточно-автоматной прогнозной модели и фазовых портретов.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

Основные результаты, полученные в ходе диссертационного исследований можно представить в виде следующего перечня:
1. Проведен анализ основных принципов существующих подходов к прогнозированию временных рядов, осуществлено обоснование факта ограниченной применимости классических методов прогнозирования для экономических временных рядов с памятью, составляющих предмет диссертационного исследования.
2. Сформулирована и развита авторская концепция агрегирования экономических временных рядов для получения предпрогнозной информации методами нелинейной динамики и теории хаоса, в частности фрактального анализа временных рядов, базирующейся на выявлении таких фундаментальных характеристик, как глубина памяти, наличие свойства персистентности и наличия (или отсутствия) свойства трендоустойчивости.
3. Выполнен предпрогнозный анализ временных рядов котировки акций на базе фазовых портретов и агрегирования этих рядов, в результате чего выявлена эффективность использования процедуры агрегирования.
4. Осуществлена адаптация вычислительной схемы этапов известной клеточно-автоматной прогнозной модели для прогнозирования временных рядов котировки акций.
5. Для получения дополнительной прогнозной информации реализован комбинированный подход к построению, визуализации и совместному ис-пользованию клеточного автомата, фазовых портретов и фрактального анализа временных рядов.



1. (EHIPS) ИКИ РАН. Генетические алгоритмы. Режим доступа: [http://www.iki.rssi.ru/ehips/Genetic.htm09.08.2004].
2. Bak P., Tang C., Wiesenfeld K. Self -organized criticality: An explanation of 1/f - noise //Phys. Rev. Lett.1987. - P.128-140.
3. Billings S.A. Hong X. Dual - orthogonal radial function networks for nonlinear time series prediction // Neural Networks, 1998. 11. P. 479 - 493.
4. Cheland P.B., Scholes I. Soft Systems Methodology in Action. - Chichester, Wiley, 1990.
5. Cootner, P. “Comments on the Variation of Certain Speculative Prices,” in P. Coot- ner, ed., The Random Character of Stock Market Prices. Cambridge: MIT Press, 1964 a.
6. Fama, E.F. “Portfolio Analysis in a Stable Paretian Market,” Management Science 11, 1965 a.
7. Funobashi M., Moeda A., Morooka Y., Mori K. Fussy and Neural Hybrid Expert Sys-tems: Sinergetic AI. - Alin Japan, IEEE,1995,august. - Pp.33-40.
8. Holden K., Peel D.A., Thomson J.L. Economic forecasting: an introduction. - Press Syndicate of the University of Cambridge, 1990. - 213 p.
9. Holland J. The dynamics of searches directed by Genetic Algorithms.In: LeeY.S. (ed.) Evolution, Learning and Cognition. - Word Scientific,Singapore,1988.
10. Honovar V. Symbolic Artificial Intelligence and Numeric Artificial Neural Net¬works: Toward a Resolution of Dichotomy. Invited chapter. In : Computational Ar¬chitectures Integrating Symbolic and Neural Processes. Sun, R. a Bookman, L.(Ed) N.Y.: Kruwer, 1994. - Pp. 351-385.
11. Hurst H.E. The Long-Term Storage Capacity of Reservoirs, Transactions of the American Society of Civil Engineers, 116, 1951.
12. International workshop on combination of genetic algorithmsand neural networks (1992; Baltimore, Md), June 6, 1992. / COGANN-92;Ed. L.P. Whitley,J.P. Schof- fer. - Los Alamatic (Ca) et al.: lEEEcomputer. soc. press, 1992. - VIII, 262p.
13. Jones A.J. Genetic algorithms and their applications to thedesign of neural net- works//Neural computing and applications,v. 1, no. 1, 1993.
14. Karni, E, Decision Making Under Uncertainty: the Case of State - Dependent Prefer-ences /E.Karni. - Cambridge: Harvard U.P., 1985. - 147 p.
15. Mandelbrot, B. “The Variation of Certain Speculative Prices” in P. Cootner, ed., The Random Character of Stock Prices. - Cambridge: MIT Press, 1964.
16. Mandelbrot, B. The Fractal Geometry of Nature. New York: W.H. Freeman, 1982.
17. Osborne, M.F.M. “ Brownian Motion in the Stock Market,” in P. Cootner, ed., The Random Character of Stock Prices. - Cambridge: MIT Press, 1964.
18. Poggio Т., Girosi F.A. Theory of Networks for approximation and learning //A.I. Memo N 1140., C.B.I.P. Paper № 31. -1994.- 63 p.
19. Robert S. Pindyck, Daniel L. Rubinfeld. Econometric models and economic fore¬casts. - McGRAW-HILL,INC, 1991. - 596p.
20. Sharpe, W.F. Portfolio Theory and Capital Markets. - New York: MgGraw-Hill, 1970.
21. Takens F. Detecting strange attractors in turbulence //Dynamical systems and turbu-lence, eds. D.Rand, L.Young. Berlin: Springer - Verlag. - Р. 366-382.
22. Ulam S. Sets, Numbers and Universes. Cambridge, Mass: MIT Press, 1974. - 258 p.
23. Vaughan, E.J. Fundamentals Risk and Insurance / E.J. Vaughan, C. M. Elliott. 2 nd Ed. - S. Barbara: John Wiley, 1978. - 642 p.
24. Wolfram S. (ed) Theory and Application of Cellular Automata. Singapore /Teaneck, N.J.: World Scientific, 1986. - 878 p.
25. Wolfram S. Cellular automata as models of complexity //Nature. 1984. V.341. - P.419-424.
26. Wolfram Stephen, A New Kind of Science, Wolfram Media, Inc, 2002. - 1280 p.
27. Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. - С. 1089 - 1097.
28. Айвазян С.А. Т.2: Основы эконометрики.- М.: ЮНИТИ-ДАНА, 2001.- 432 с.
29. Айвазян С.А., Мхитарян В.С. Т.1: Теория вероятностей и прикладная статистика.- М.: ЮНИТИ-ДАНА, 2001. - 656 с.
30. Александров В.В., Алексеев А.И., Горский Н.Д. Анализ данных на ЭВМ (на примере СИТО). - М.: Финансы и статистика, 1990. -192с.
31. Алексеев В.И., Максимов А.В. Использование нейронных сетей с двухмерными слоями для распознавания образов//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение »: Сб. докл., 2002. - С. 69-72.
32. Алефельд Г.,Херцбергер Ю. Введение в интервальные вычисления. - М.: Мир, 1987. - 360 с.
33. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: - Тюмень: Изд-во ТюмГУ, 2000. - 352 с.
34. Сизов Ю. С. Анализ портфелей ценных бумаг и управление ими в современной России. Режим доступа: [http://mirkin.eufn.ru/articles_1.htm#sizov403.2004].
35. Бабков Г.А., Касаева М.Д., Перепелица В.А. Фрактальный анализ одного временного ряда урожайностей /Материалы V Всероссийского симпозиума «Математическое моделирование и компьютерные технологии», т.2. - Кисловодск: КИЭП, 2002.- С. 16-17.
36. Барский А.Б. Обучение нейросети методом трассировки //Труды VIII Все-российской конференции «Нейрокомпьютеры и их применение»: Сб. докл.,2002.-С. 862-898.
37. Батищев Д. И. Генетические алгоритмы решения экстремальных задач. - Воронеж: ВГУ, 1994. - 135 с.
38. Белим С.В. Математическое моделирование квантового нейрона//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб.докл., 2002. - С. 899 -903.
39. Бессонов В.А. Введение в анализ российской макроэкономической динамики переходного периода. - М.: ЦЭМИ РАН, 2003. - 151 с.
40. Билл Вильямс "Новые измерения в биржевой торговле", ИК Аналитика, 2000. - 262 с.
41. Бирман Э.Г. Сравнительный анализ методов прогнозирования //НТИ.Сер.2 -
1986. - №1. - С.11-16.
42. Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сети //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. - С. 69-72.
43. Булашев С.В. Статистика для трейдеров. - М.: Компания «Спутник +», 2003. - 245 с.
44. Бутенко А.А. и др. Обучение нейронной сети при помощи алгоритма фильтра Калмана. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение »: Сб. докл., 2002. - С. 1120 - 1125.
45. Вайну Я. Корреляция рядов динамики. - М.: Статистика, 1977. -119с.
46. Винтизенко И.Г. Детерминированное прогнозирование в экономических системах /Труды III Международной конференции «Новые технологии в управлении, бизнесе и праве». - Невинномысск: Изд-во ИУБиП. - С.30-37.
47. Виханский О.С. Стратегическое управление: Учебник. - М.: Гардарика, 1998.¬296 с.
48. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа: Учебник для студентов вузов, обучающихся по направлению «Системный анализ и управление». - СПб.: Изд-во СПбГПУ, 2003. - 520 с.
49. Вороновский Г.К., и др. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности. - X.: ОСНОВА, 1997. - 112 с.
50. Гаврилов А.В. Гибридные интеллектуальные системы. - Новосибирск: Изд-во НГТУ, 2003. - 162 с.
51. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. Пособие для вузов. М.: ИПРЖР, 2001. - 385 с.
52. Гаскаров Л.В., Голинкевич Т.А. Мозгалевский А.В. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры. -М.: Сов.Радио, 1974. - 224 с.
53. Исаев С.А. Генетические алгоритмы и машинное обучение. Режим доступа: [http://www.blind.alfint.ru/modules.php?name=News&new_topic=329.04.2003].
54. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4:Учеб.пособие для вузов/Общая ред. А.И. Галушкина. - М.: ИПРЖР, 2001.¬256 с.
55. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб.пособие. - М.: Высш.шк., 1984. - 208 с.
56. Гусак А.Н. и др. Подход к послойному обучению нейронной сети прямого распространения//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. - С. 931 - 933.
57. Данилов Д.А., Жиглявский А.А. (ред.) Главные компоненты временных рядов: метод «Гусеница». - Санкт-Петербург: Санкт-Петербургский государственный университет, 1997. - 308 с.
58. Динамические системы. Итоги науки и техники. Сер. Современные проблемы математики. - М.: Наука, 1985. - Т. 1-4.
59. Долятовский В.А., Касаков А.И., Коханенко И.К. Методы эволюционной и синергетической экономики в управлении. - Отрадная: РГЭУ- ИУБиП-ОГИ, 2001.- 577 с.
60. Дудов А.С., Щадуев М.Г. О новых показателях в прогнозировании экономических процессов //Приложение к журналу «Известия высших учебных заведений. Северо-Кавказский регион. Общественные науки. - 2001.-1.- С.12-17.
61. Емельянов С. В., Ларичев О.И. Многокритериальные методы принятия решений. - М: Знание, 1985. - 32 с.
62. Еремин Д.М. Система управления с применением нейронных ceTe^/npu6opbi и системы. Управление, контроль, диагностика. - 2001. -№9 -С. 8-11.
63. Ефимова М.Р., Петрова Е.В., Румянцев В.Н. Общая теория статистики: Учеб¬ник. - М.: ИНФРА-М, 2000. - 416 с.
64. Жваколюк Ю.В. Внутредневняя торговля на рынке ФОРЕКС. - С-П.: Питер,2000.- 186 с.
65. Жирабок А.Н. Нечеткие множества и их использование для принятия решений //Соросовский образовательный журнал. - 2001. - Т.7, №2. - С.109-115.
66. Зайченко Ю.П. Исследование операций: Нечеткая оптимизация: Учеб.пособие. - Киев: Выща школа, 1991. - 191 с.
67. Занг В.Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории. - М.: Мир, 1999. - 335 с.
68. Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. - С. 745 - 755.
69. Иванов М.Н. Анализ роста курса акций с применением нейронных сетей. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002 г. - С. 756 - 772.
70. Кардаш В.А. Экономика оптимального погодного риска в АПК (теория и методы). - М.: Агропромиздат,1989.-167 с.
71. Касаев О.Б., Савченко В.И. Модели и методы прогнозирования технического состояния космических средств: Метод. пособие. - СПб.: ВИКУ им. А.Ф. Можайского, 1997. - 37 с.
72. Касти Дж. Связность, сложность и катастрофы: Пер. с англ. - М.: Мир, 1982. - 216 с.
73. Кендэлл М., Стюарт А. Многомерный статистический анализ и временные ряды. - М.: Наука, 1976. - 736 с.
74. Кобелев Н.Б. Практика применения экономико-математических методов и моделей /Учеб.-практ. пособие. - М.: ЗАО «Финстатинформ», 2000. - 246 с.
75. Колби Роберт. Энциклопедия технических индикаторов. - М.: Альпина Бизнес Букс, 2004. - 837с.
76. Кондратьев Н.Д. Большие циклы конъюнктуры //Вопросы конъюнктуры. - 1925. - Т. 1. вып. 1. - С. 28-79.
77. Короновский А.А., Трубецков Д.И. Нелинейная динамика в действии: Как идеи нелинейной динамики проникают в экологию, экономику и социальные науки. - Саратов: Изд-во ГосУНЦ «Колледж», 2002.
78. Кравченко П.П. Как не проиграть на финансовых рынках. - М.: ДИС, 1998. - 416 с.
79. Кремер Н.Ш. Теория вероятностей и математическая статистика: Учебник для вузов. - М.: ЮНИТИ-ДАНА, 2000. - 543 с.
80. Курдюмов С.П., Малинецкий Г.Г., Потапов А.Б. Нестационарные структуры, динамический хаос, клеточные автоматы. В сб. Новое в синергетике. Загадки мира неравновесных структур. - М.: Наука, 1996. - С. 95-164.
81. Кучин Б.Л., Якушева Е.В. Управление развитием экономических систем: технический прогресс, устойчивость. - М.: Экономика, 1990. - 156 с.
82. Лащев А.Я., Глушич Д.В. Синтез алгоритмов обучения нейронных сетей. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. - С. 997 - 999.
83. Лекции по нейронным сетям и генетическим алгоритмам. Режим доступа: [http://mfoart.baku.az/mews/30000007.htm29.08.2002].
84. Лизелотт С. Валютные операции - основы теории и практика, 1998. - 175 с.
85. Лопатников Л.И. Экономико-математический словарь. - М.: Наука, 1987. - 510 с.
86. Лоскутов А.Ю., Михайлов А.С. Введение в синергетику: Учеб. руководство. - М.: Наука, 1990.- 324 с.
87. Малинецкий Г.Г., Потапов А.Б. Нелинейность. Новые проблемы, новые возможности. В кн. Новое в синергетике. Загадки мира неравновесных структур. - М.: Наука, 1996. (Серия «Кибернетика: неограниченные возможности и возможные ограничения»).- С.165-190.
88. Малхотра Н.К. Маркетинговые исследования. Практическое руководство. - М.: Издательский дом «Вильямс», 2002. - 960 с.
89. Миркин Я.М. Рынок ценных бумаг России: воздействие фундаментальных факторов, прогноз и политика развития. - М.: Альпина Паблишер, 2002. - 624 с.
90. Математика. Большой энциклопедический словарь /Гл.ред Ю.В. Прохоров. - М.: Большая Российская энциклопедия, 1998. - 848 с.
91. Мерфи Д. Межрыночный технический анализ. - М.: Диаграмма 2002. - 317 с.
92. Морозов Т.Г., Пикулькин А.В., Тихонов В.Ф. и др. Прогнозирование и планирование в условиях рынка. Учебное пособие для вузов. Под ред. Т.Г. Морозовой, А.В. Пикулина. - М.: ЮНИТИ-ДАНА, 1999. - 318 с.
93. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПБ.: Наука и Техника, 2003. - 384 с.
94. Нейман Дж. Теория самовоспроизводящихся автоматов. - М.: Мир, 1971. - 378 с.
95. Нейман Э.Л. Трейдер - Инвестор. - Киев: ВИРА-Р, 2003. - 640 с.
96. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций. СПб: Сезам, 2002. - 181 с.
97. Новоселова Л. А. Правовое регулирование безналичных расчетов в Российской Федерации. - М.: Де-Юре, 1995. - 515 с..
98. Овчаренко Н.Ф. Роль и развитие статистики и экономико-математических методов //История науки и техники. - Москва: Научтехлитиздат, 2005. - №4. - С. 64-67.
99. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. - М.: Наука, 1981. - 208 с.
100. Перепелица В.А., Беляков С.С., Овчаренко Н.Ф. Фрактальный анализ временных рядов объемов инвестиций в основной капитал региона //Региональное приложение к журналу «Современные наукоемкие технологии».- 2004.- №2.- С.19-23.
101. Перепелица В.А., Зеляковская В.М. Завгороднева О.В., Зеляковский Е. В., Касаева М.Д. Управление рисками и прогнозирование в АПК «Экономика развития региона: проблемы, поиски, перспективы». Ежегодник Южной секции содействия развития экономической науки. ООН РАН. Вып. 4. - Волгоград: Изд-во ВолГУ, 2004. - С.350-364.
102. Перепелица В.А., Касаева М.Д., Тебуева Ф.Б., Темирова Л.Г. Использование инструментария клеточных автоматов для формирования прогнозных нечетких значений урожайности на базе временного ряда //Известия вузов. Северо-Кавказский регион. Естественные науки. - 2003. - № 4. - С. 5-11.
103. Перепелица В.А., Попова Е.В. Математические модели и методы оценки рисков экономических, социальных и аграрных процессов.- Ростов н/Д.: Изд-во Рост. ун-та, 2002. - 208 с.
104. Перепелица В.А., Попова Е.В. Математическое моделирование экономических и социально- экологических рисков. - Ростов н/Д.: Изд-во Рост. ун-та,2001. - 126 с.
105. Перепелица В.А., Попова Е.В., Янгишиева А.М., Салпагаров А.Д. Использование методов нелинейной динамики для предпрогнозного анализа объемов стока горных рек //Экономический вестник научных центров ЧЭС. - 2005.- №1.- С.73-84.
106. Перепелица В.А., Тебуева Ф.Б., Темирова Л.Г., Касаева М.Д. Прогнозная мо-дель урожайности на базе клеточных автоматов и нечетких множеств /Труды III Международной конференции «Новые технологии в управлении, бизнесе и пра-ве», г. Невинномысск, 30 мая 2003 г., Невинномысск: ИУБиП, 2003. - С. 163¬167.
107. Перепелица В.А., Тебуева Ф.Б., Узденов Р.Х. Квазициклы временных рядов объемов жилищного строительства. Труды III международной конференции «Новые технологии в управлении, бизнесе и праве».- Невинномысск: ИУБП, 2003. - С.159-163.
108. Перепелица В.А., Тебуева Ф.Б., Узденов Р.Х., Такушинов А.Р. Различие фрактальных свойств временных рядов с наличием и отсутствием долговременной памяти. Там же, с.184-188.
109. Петерс Э. Фрактальный анализ финансовых рынков: Применение теории хаоса в инвестициях и экономике. М.: Интернет-трейдинг, 2004. - 304 с.
110. Петерс Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. - М.: Мир, 2000. - 333 с.
111. Полетаев А.В., Савельева И.М. Циклы Кондратьева и развитие капитализма (опыт междисциплинарного исследования). - М.: Наука, 1993. - 249 с.
112. Пригожин И., Стингерс И. Порядок из хаоса. Новый диалог человека с природой. - М.: Прогресс, 1986.- 278 с.
113. Прикладные нечеткие системы: Пер. с япон. /К.Асаи, Д.Ватада, С.Иваи и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993. - 368 с.
114. Присняков В.Ф. Нестационарная макроэкономика: - Учебное пособие. - Донецк: Дон- НУ. - 2000. - 209 с.
115. Прогнозирование и планирование в условиях рынка: Учеб. пособие для студентов вузов /Под ред. Т.Г. Морозовой, А.В. Пикулькина. - М.: ЮНИТИ-Дана,1999. - 318 с.
116. Прогностика. Термины и определения /Комитет научно-технической терминологии. Выпуск 109. - М.: Наука, 1990. - 56 с.
117. Пятецкий В.Е., Бурдо А.И. Имитационное моделирование процесса создания обучающихся систем. - В сб.: Имитационное моделирование производственных процессов. Под. ред. Мироносецкого Н.Б., - Новосибирск.1979.
118. Рубцов Б.Б. Мировые рынки ценных бумаг. - М.: Экзамен, 2002. - 448 с.
119. Растригин Л. А., Пономарев Ю.П. Экстраполяционные методы проектирования и управления. - М.: Машиностроение, 1986. - 120 с.
120. Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга. Пер. с англ. -М.: Мир, 1965.
121. Сафонова Т.Ю. Биржевая торговля финансовыми инструментами, 2000. - 542 с.
122. Сергеева Л.Н. Клеточные сети с опосредованным взаимодействием в микро-экономическом моделировании //Искусственный интеллект, №2 (специальный выпуск). - 1999. - С. 398-406.
123. Сергеева Л.Н. Моделирование поведения экономических систем методами нелинейной динамики (теории хаоса). - Запорожье: ЗГУ, 2002. - 227 с.
124. Сигел Э. Практическая бизнес-статистика.- М.: Издательский дом «Вильямс», 2002.- 1056 с.
125. Сигеру О., и др. Нейроуправление и его приложения. Пер. с англ. под peg. А.И. Галушкина. - М.: ИПРЖР, 2001. - 321 с.
126. Сорос Дж. Алхимия финансов, 2001. - 415 с.
127. Сплайн-функции в экономико-статистических исследованиях. - Новосибирск: Наука, 1987. - 206 с.
128. Таран В.А. Играть на бирже просто?! СПб.: - Питер, 2005. - 256с.
129. Тихонов Э.Е. Совершенствование методов прогнозирования с использованием нейронных сетей и системы остаточных классов. Дисс. к.т.н. Ставрополь: СГУ, 2004.
130. Томпсон Дж.М. Неустойчивости и катастрофы в науке и технике: Пер. с англ. - М.: Мир, 1985. - 254 с.
131. Тутубалин В.Н. Статистическая обработка рядов наблюдений. М.: - Знание, 1973. - 64 с.
132. Ульяницкая Н. М. Моделирование процессов управления развития производства. В сб. Управление развитием производственных систем. - Ростов-на-Дону: РГУПС, 1999. - С.104-169.
133. Управление риском: Риск. Устойчивое развитие. Синергетика. - М.: Наука, 2001. - 431 с.
134. Федер Е. Фракталы.- М.: Мир, 1991.- 260 с.
135. Фёрстер Э ., Рёнц Б . Методы корреляционного и регрессионного анализа /Пер. с нем. - М.: Финансы и статистика , 1983. - 302 с.
136. Фишберн П.С. Теория полезности для принятия решения. - М.: Наука, 1978. - 298 с.
137. Фролов Ю.В. Интеллектуальные системы и управленческие решения. - М.: МГПУ, 2000. - 294 с.
138. Хубаев Г.Н. Качество подготовки специалистов: модели и алгоритмы анализа и прогнозирования /Материалы IV международной научно-практической конференции. Ростов-на-Дону, 2000.- С. 180-186.
139. Широков Р. В. Нейросетевые модели систем автоматического регулирования промышленных объектов. Дисс. к.т.н., Ставрополь: СГУ, 2003.
140. Швагер Д. Технический анализ. Полный курс. - М.: Альпина Бизнес Букс, 2005. - 806 с.
141. Шеннон Р.Ю. Имитационное моделирование систем - наука и искусство /Под ред.Е.К. Масловского. - М.: Мир, 1978. - 310 с.
142. Шибхузов З.М. Конструктивный TOWER алгоритм для обучения нейронных сетей из ТП - нейронов //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. - С. 1066 - 1072.
143. Шарп У. Ф., Александер Г., Бэйли Д. В. Инвестиции. - М.: ИНФРА-М, 2004. - 1028 с.
144. Шредер М. Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая. - Ижевск: НИЦ « Регулярная и хаотичная динамика», 2001.- 528 с.
145. Шустер Г. Детерминированный хаос: Введение.- М.: Мир, 1988.- 240 с.
146. Экономико-математические методы и прикладные модели: Учеб. пособие для вузов/ В.В. Федосеев, А.Н. Гармаш, Д.М. Дайитбегов и др. - М.: ЮНИТИ,2000. - 391 с.
147. Яновский Л.П. Принципы, методология и научное обоснование урожая по технологии «Зонт». - Воронеж: ВГАУ, 2000. - 379 с.

Работу высылаем на протяжении 30 минут после оплаты.




©2026 Cервис помощи студентам в выполнении работ
.