Главная Учебники - Разные Лекции (разные) - часть 34
|
МИНИСТЕРСТВО ОБРАЗОВАНИЯ и НАУКИ УКРАИНЫ НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК УКРАИНЫ НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ УКРАИНЫ «КИЕВСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ» НАУЧНО-ОБУЧАЮЩИЙ КОМПЛЕКС «ИНСТИТУТ ПРИКЛАДНОГО СИСТЕМНОГО АНАЛИЗА» По дисциплине«Основы проектирования интеллектуальных систем» «Использование нечеткой искусственной нейронной сети TSK (Takagi, Sugeno, Kang’a) в задаче прогнозирования валютных курсов» Выполнил Поляновский Н. А група КА-55 5 курс Принял Зайченко Ю. П Киев – 2009г. Ключевые слова: прогнозирование, нечеткая нейронная сеть, нечеткость, валютные курсы, TSK. В данной работе рассматривается прогнозирование валютных курсов. Рассматривалась искусственная нечеткая нейронная сеть TSK. В качестве критерия правильности прогноза были выбраны средний квадрат отклонения и средняя абсолютная процентная погрешность. ННС TSKсравнивается с методом экспоненциального сглаживания и с искусственной нейронной сетью с кубическими сплайнами. Были получены результаты, которые свидетельствуют о том, что рассматриваемый искусственная нейронная сеть может быть использованы в деятельности банков и других инвесторов. Введение Повышение эффективности краткосрочных операций с валютой – одна из важнейших задач в деятельности банков и других инвесторов. Ежедневно (а иногда и несколько раз в день) банки продают и покупают различные валюты в значительных объемах, стремясь придать движение имеющимся в наличии свободным валютным резервам с целью избежать потерь от конъюнктурных колебаний курсов и получить дополнительную прибыль. Эффективность валютных операций существенным образом зависит он надежности прогнозов колебаний курсов валют. Именно поэтому краткосрочное прогнозирование курсов имеет большое практическое значение для оперативной деятельности банков и прочих инвесторов, а вопрос о возможности применения статистических методов для этой цели представляется актуальным. Информация о динамике курсов национальных валют создает впечатление хаотического движения: падение и рост курсов сменяют друг друга в каком-то случайном порядке. Даже если за большой интервал времени отмечается тенденция, например, к росту, то на графике легко можно увидеть, что эта тенденция прокладывала себе путь через сложные движения временного ряда курса валюты. Направление ряда все время меняется под воздействием нерегулярных и часто неизвестных сил. Исследуемый объект в полной мере подвержен воздействию стихии мирового рынка, и точной информации о будущем движении курса нет. Необходимо сделать прогноз. В данной курсовой работе предпринята попытка прогнозирования валютных курсов с использованием искусственной нейронной сети. Раздел 1. Область исследований 1.1 Важность задачи прогнозирования В наше время перед человечеством стоит задача прогнозирования различных важных с точки зрения прикладной деятельности человека показателей. Эти показатели могут быть физическими, социальными и экономическими. Жизненно важным для человечества является задача своевременного прогнозирования землетрясений, цунами, повышенной солнечной активности. Не менее важной задачей прогнозирования является прогнозирование социальных показателей, таких как: численность народонаселения, уровень смертности, градация граждан по возрастному цензу в будущем. В условиях рыночной экономики для обеспечения населения необходимыми товарами и услугами, а также для обеспечения нормального функционирования экономики требуется прогнозировать следующие макроэкономические показатели: валовой внутренний продукт, валовой внутренний продукт, внешнеэкономическое торговое сальдо, курсы национальных валют. 1.2 Существующие методы прогнозирования Одним из самых первых и распространенных методов прогнозирования является метод наименьших квадратов (МНК). В основе этого метода лежит гипотеза о том, что временной ряд имеет линейный тренд. Данное допущение в задаче краткосрочного прогнозирования валютных курсов является недопустимым. В середине двадцатого века независимо друг от друга Браун и Холт предложили метод экспоненциального сглаживания. Суть метода состоит в том, что прогноз на следующий шаг является взвешенной суммой предыдущих, уже известных членов временного ряда. Веса при членах временного ряда экспоненциально уменьшаются со временем. В 60-х годах двадцатого века Калманом был предложен метод фильтрации, позже названный в его честь. Суть данного метода состоит в представлении временного ряда в модели пространстве состояний [2]. Метод Группового Учета Аргументов (МГУА) разрабатывается академиком НАН Украины А.Г. Ивахненко и его школой, с 60-х годов двадцатого века, и является типичным методом индуктивного моделирования и одним из наиболее эффективных методов структурно-параметрической идентификации сложных объектов, процессов и систем по данным наблюдений в условиях неполноты информации. Искусственные нейронные сети являются перспективным направлением в создании искусственного интеллекта и еще одним инструментом, позволяющим осуществлять прогнозирование. Раздел 2. Описание выбранных инструментов 2.1 Общая характеристика нечетких нейронных сетей Нечеткие искусственные нейроны, так же называемые нейронными клетками, узлами модулями, моделируют структуру и функции биологических нейронов. Архитектура и особенности нечетких искусственных нейронных сетей, состоящих из нейронов, зависит от конкретных задач, которые будут решаться с их помощью. Соединенные между собой нейроны создают искусственную нейронную сеть (ИНС). Таким образом ИНС – это пара (M, V), где M – множество нейронов; V – множество связей. Структура сети задается в виде графа, в котором вершинами являются нейроны, а ребрами являются связи. ИНС могут быть применены в следующих областях и для решения следующих задач: аппроксимация функций, создание ассоциативной памяти, архивирование данных, распознавание и классификация, оптимизационные задачи, управление сложными процессами, прогнозирование, нейрокомпьютеры. Нечеткие нейронные сети (ННС) применяются в системах с нечеткой логикой. ННС помогают снять неопределенность в задачах, где входные переменные заданы интервально 2.2 Общая характеристика среды программирования Delphi 7 Для программной реализации искусственной нейронной сети, рассматриваемой в данной курсовой работе, была использована визуальная среда программирования Delphi 7. Выбор был обусловлен возможностью быстрого написания приложения с удобным пользовательским интерфейсом для семейства операционных систем Windows и Linux. Раздел 3. Математическое описание задачи 3.1 Описание общей задачи прогнозирования валютных курсов В данном подразделе рассматривается прогнозирование валютных курсов. Объектом исследования является временной ряд последовательных ежедневных данных (наблюдений) о динамике валютных пар, который будем записывать как где Исходные ряды исследуются на абсолютную случайность. Проверяется, не являются ли они белым шумом. В качестве критериев случайности используются: критерий поворотных точек, критерий распределения длины фазы и критерий, основанный на знаках разностей [1]. В целом, проведенное автором работы изучение исходных рядов валютных курсов показало, что, несмотря на сильную колеблемость ежедневных данных, они не являются совершенно случайными. 3.2 Описание структуры ННС TSK На рисунке 1 приводится структура нейронной сети TSK. Выделяются следующие характеристики, свойства, особенности и функциональные элементы сети: 1) Обучение проводится с учителем. Т.е. для каждого входного вектора имеется желаемое для выхода значение. 2) Выборка разбивается на 2 части: обучающая и проверочная. Обобщенную схему вывода в модели TSK при использовании где В нечеткой нейронной сети TSK пересечение правил При где Нечеткая нейронная сеть TSK задается многослойной структурной сетью, представленной на рисунке 1. В такой сети выделяют 5 слоев. 1. Первый слой выполняет раздельную фаззификацию каждой переменной 2. Второй слой выполняет агрегирование отдельных переменных 3. Третий слой представляет собой генератор функции TSK, в котором рассчитывается значения 4. Четвертый слой составляют 2 нейрона-сумматора, один из которых рассчитывает взвешенную сумму сигналов 5. Пятый слой состоит из одного единственного нейрона. В нем веса подлежат нормализации и вычисляется выходной сигнал Это так же не параметрический слой. Из приведенного описания следует, что нечеткая сеть TSK содержит только 2 параметрических слоя (первый и третий), параметры которых уточняются в процессе обучения. Параметры первого слоя ( Общее выражение для функциональной зависимости для сети TSK задается так: Рисунок 1. Структура ННС TSK 3.3 Алгоритм обучения Рассмотрим гибридный алгоритм обучения. В гибридном алгоритме параметры, подлежащие адаптации, делятся на 2 группы. Первая из них состоит из линейных параметров На первом этапе при фиксации отдельных значений параметров функции принадлежности, решая систему линейных уравнений, рассчитываются линейные параметры При размерности обучающей выборки где Размерность матрицы где На втором этапе после фиксации значения линейных параметров После этого рассчитывается вектор ошибки Сигналы ошибок направляются через сеть в обратном порядке согласно методу BackPropagation вплоть до первого слоя, где могут быть рассчитаны компоненты где После уточнения нелинейных параметров снова запускается процесс адаптации линейных параметров функции TSK (первый этап) и нелинейных параметров (второй этап). Этот цикл продолжается до тех пор пока не стабилизируются все параметры процесса. В курсовой работе использовалась обобщенная колоколообразная функция принадлежности соответствующие формулы градиентного метода целевой функции для одной пары данных Соответствующие производные принимают следующий вид: для где При практической реализации гибридного метода обучения нечетких сетей доминирующим фактором их адаптации считается первый этап, на котором веса Представленный гибридный алгоритм – один из наиболее эффективных способов обучения нечетких нейронных сетей. Его характерной чертой является разделение процесса на два отделенных во времени этапа. Если учитывать, что расчетная сложность каждого алгоритма оптимизации нелинейно зависит от количества параметров, которые подлежат оптимизации, то уменьшение размерности задач оптимизации значительно сокращает объем расчетных операций и повышает скорость сходимости алгоритма. Благодаря этому гибридный алгоритм является более эффективным в сравнении с обычным градиентным методом. [3] Раздел 4. Полученные результаты 4.1 Экспериментальные исследования ННС TSK Рассматриваются временные ряды валютных курсов российского рубля по отношению к американскому доллару, евро, британскому фунту стерлингов, швейцарскому франку, японской йене. А также рассматриваются временные ряды курсов валютных пар доллара к евро, британскому фунту стерлингов, японской йене. Временные ряды взяты за 2007, 2008 и начало 2009 года – всего 500 измерений. Данные о временных рядах взяты с сайта биржевых торгов Forex и официального сайта центрального банка России. Количество точек обучающей выборке в эксперименте взято равным 250, количество точек проверочной выборки – 250. На рисунках 2-9 приведены графики курсов валют реальные данные и прогноз на 1 шаг. Видно, что реальные данные от спрогнозированных данных визуально практически неотличимы. На рисунках 10-17 приведены графики курсов валют реальные данные и прогноз на 3 шага. Видно, что реальные данные от спрогнозированных данных уже можно отличить визуально. В приложении 1 приведены численные значения реальных и спрогнозированных значений курсов валют, а также ошибки прогноза. Каждая валютная пара рассматривается независимо от других валютных пар. Входными данными для прогнозирования значения курса валютной пары являются наблюдения за ежедневными курсами этой валютной пары за предыдущие периоды. Выходом является прогноз курса рассматриваемой валютной пары на следующий период. Критерием эффективности прогноза было выбрано среднеквадратическое отклонение СКО. где Вторым критерием эффективности был САПП. СКО и САПП искались отдельно на обучающей выборке и отдельно на проверочной выборке. Полученные значения СКО и САПП приведены в разделе 4.4., где будет проведена сравнительная характеристика рассматриваемой ИНС и метода экспоненциального сглаживания. Рисунок 2. График курса валюты доллара США к евро. Зеленый – реальные данные, красный – спрогнозированные Рисунок 3. График курса валюты доллара США к британскому фунту стерлингов. Зеленый – реальные данные, красный – спрогнозированные Рисунок 4. График курса валюты доллара США к евро. Зеленый – реальные данные, красный – спрогнозированные Рисунок 5. График курса валюты российского рубля к доллару США. Зеленый – реальные данные, красный – спрогнозированные Рисунок 6. График курса валюты российского рубля к евро. Зеленый – реальные данные, красный – спрогнозированные Рисунок 7. График курса валюты российского рубля к британскому фунту стерлингов. Зеленый – реальные данные, красный – спрогнозированные Рисунок 8. График курса валюты российского рубля к швейцарскому франку. Зеленый – реальные данные, красный – спрогнозированные Рисунок 9. График курса валюты российского рубля к доллару японской йене. Зеленый – реальные данные, красный – спрогнозированные Рисунок 10. График курса валюты доллара США к евро. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 11. График курса валюты доллара США к британскому фунту стерлингов. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 12. График курса валюты доллара США к японской йене. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 13. График курса валюты российского рубля к доллару США. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 14. График курса валюты российского рубля к евро. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 15. График курса валюты российского рубля к британскому фунту стерлингов. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 16. График курса валюты российского рубля к швейцарскому франку. Зеленый – реальные данные, красный – спрогнозированные на 3 шага Рисунок 17. График курса валюты российского рубля к японской йене. Зеленый – реальные данные, красный – спрогнозированные на 3 шага 4.2 Экспериментальные исследования метода экспоненциально сглаживания Метод экспоненциально сглаживания (МЭС) является адаптивным алгоритмом прогнозирования. МЭС проявил себя с хорошей стороны во многих экспериментальных исследованиях [1]. Поэтому МЭС был выбран для сравнения потенциальной эффективности ННС TSKв данной курсовой работе. Экспоненциальное сглаживание ряда где При прогнозировании исходная выборка была разбита на 2 части: обучающую и проверочную. Длины обучающей и проверочной выборке в эксперименте с ННС TSK и МЭС были равны. На обучающей выборке была выбрана наилучшая постоянная сглаживания 4.3 Экспериментальные исследования нейронной сети с кубическими сплайнами На рисунке 2 приводится структура нейронной сети, которая была ранее предложена автором курсовой работы. Данная нейронная сеть приводится для сравнения. Выделяются следующие характеристики, свойства, особенности и функциональные элементы сети: 1. Обучение проводится с учителем. Т.е. для каждого входного вектора имеется желаемое для выхода значение. 2. Выборка разбивается на 2 части: обучающая и проверочная. 3. На вход где 4. На где 5. На выходе ИНС ожидается прогноз изменения значения величины где 6. Данные функции принадлежности не допускают «дыр» и обеспечивают единичное разбиение, т.е. Рисунок 2. Структура исследуемой нейронной сети 4.4 Сравнение полученных результатов В таблице 1 приведено СКО на обучающей и через черту приведено СКО на проверочной выборке для ННС TSK, ИНС с кубическими сплайнами (далее ИНС) и МЭС. Как видно с таблицы 1 ННС TSK на обучающей выборке во всех экспериментах показала СКО более чем в два раза меньшее, чем МЭС. На проверочной выборке ННС TSK также показала лучший результат во всех экспериментах в сравнении с МЭС. ННС TSK в сравнении с ИНС показала приблизительно одинаковые результаты, но в среднем на 3.75% хуже по критерию СКО. ННС TSK 0.0000162/ 0.0000234 0.0000104/ 0.0000286 0.0729360/ 0.3195586 0.00001249/ 0.00002505 0.00000625/ 0.00001168 0.67920842/ 1.25459400 0.00002453/ 0.00005979 0.00001302/ 0.00005821 1.34542648/ 0.98794776 Таблица 1. СКО на обучающей выборке. Через черту приведено СКО на проверочной выборке ННС TSK 0.0027301/ 0.0202277 0.0059374/ 0.03839935 0.0339521/ 0.0951158 0.0083554/ 0.0156637 0.0229360/ 0.0695586 0.00297544/ 0.00663364 0.00545026/ 0.01173761 0.03610494/ 0.07352309 0.00545026/ 0.01173761 0.02180100/ 0.04099284 0.00524360/ 0.04131376 0.00992108/ 0.06564615 0.06952535/ 0.24069109 0.00992108/ 0.06564615 0.04279490/ 0.11568037 В таблице 2 приведены значения критерия САПП на обучающей и через черту на проверочной выборке для рассматриваемой ИНС и МЭС. Как видно с таблицы 2 ННС TSKна обучающей и проверочной выборках во всех экспериментах показала лучшие результаты, чем МЭС. ННС TSK в сравнении с ИНС показала приблизительно одинаковые результаты, но в среднем на 1% хуже по критерию САПП. Полученные результаты свидетельствуют о том, что ННС TSKдает результаты по критерию среднеквадратического отклонения и САПП значительно лучше чем МЭС, но немного уступает ИНС с кубическими сплайнами. 0.0056839/ 0.00522093 0.0058833/ 0.0089322 0.0046822/ 0.0127999 0.0055841/ 0.0075334 0.0054146/ 0.0084466 0.0040441/ 0.0106893 0.0075474/ 0.0125653 0.0084500/ 0.0093964 0.0094191/ 0.0195964 Таблица 2. САПП на обучающей выборке. Через черту приведенСАПП на проверочной выборке ННС TSK 0.0025303/ 0.0035533 0.0011895/ 0.0061127 0.0049555/ 0.0089827 0.0022569/ 0.0063632 0.0066822/ 0.0077999 0.0024876/ 0.0045957 0.0015338/ 0.0071520 0.0037962/ 0.0065741 0.0022448/ 0.0081520 0.0066179/ 0.0084628 0.0046019/ 0.0123068 0.00992108/ 0.06564615 0.0041510/ 0.0118451 0.0141510/ 0.0178451 0.0117940/ 0.0168037 4.5 Исследование чувствительности ННСTSK 4.5.1 Исследование чувствительности к длине обучающей выборки В данном разделе рассматривается чувствительность ННС TSK в зависимости от длины обучающей выборки. Рассматривается только одна валютная пара доллар США – евро. Во всех экспериментах варьировалась длина обучающей выборки, она составляла 50, 100, 200, 300 и 400 точек. На рисунках 18-25 приведены графики зависимостей СКО и критерия САПП в зависимости от длины обучающей выборки. На графиках 18, 20, 22, 24 изображены графики критериев СКО и САПП на обучающей выборке. Как видно с графиков, при увеличении обучающей выборки уменьшаются значения СКО и САПП. На графиках 19, 21, 23, 25 изображены графики критериев СКО и САПП на проверочной выборке. Как видно с графиков, при увеличении обучающей выборки увеличиваются значения СКО и САПП и достигают своего максимального значения при длине обучающей выборки в 400 точек. Далее графики начинают убывать. Можно сделать вывод, что оптимальным значеное значение обучающей выборки составляет 50 точек. Рисунок 18. Зависимость при прогнозированни на 1 шаг СКО ( Рисунок 19. Зависимость СКО ( Рисунок 20. Зависимость при прогнозированни на 3 шага вперед СКО ( Рисунок 21. Зависимость при прогнозированни на 3 шага вперед СКО ( Рисунок 22. Зависимость при прогнозированни на 1 шаг САПП Рисунок 23. Зависимость при прогнозированни на 1 шаг САПП Рисунок 24. Зависимость при прогнозированни на 3 шага САПП Рисунок 25. Зависимость при прогнозированни на 3 шага САПП 4.5.2 Исследование чувствительно ННС TSK к изменению количества правил В данном разделе рассматривается чувствительность ННС TSK в зависимости от количества правил в первом слое структуры сети. Рассматривается только одна валютная пара доллар США – евро. Длина обучающей выборки была выбрана равной 50. Во всех экспериментах варьировалось количество правил, оно составляло 1, 3, 5, 7, 9. На рисунках 26, 28, 30, 32 изображена зависимость критериев СКО и САПП при прогнозировании на 1 и 3 шага вперед на обучающей выборке. Как видно с этих рисунков, при увеличении количества правил уменьшается ошибка по критерию СКО и САПП при прогнозах на 1 и на 3 шага вперед. На рисунках 27, 29, 31, 33 изображена зависимость критериев СКО и САПП при прогнозировании на 1 и 3 шага вперед на проверочной выборке. Как видно из этих рисунков, при увеличении количества правил сначала достигается минимум при количества правил Рисунок 26. Зависимость СКО Рисунок 27. Зависимость СКО Рисунок 28. Зависимость СКО Рисунок 29. Зависимость СКО Рисунок 30. Зависимость САПП Рисунок 31. Зависимость САПП Рисунок 32. Зависимость САПП Рисунок 33. Зависимость САПП 4.6 Анализ полученных результатов Во время первого экспериментального исследования ННС TSK прогнозировались валютные курсы для восьми валютных пар. Были получены значения критериев эффективности СКО и САПП. Для сравнения потенциальной эффективности ННС TSKбыли выбраны МЭС и ИНС с кубическими сплайнами. В результате экспериментов было установлено, что ННС TSKпроизводит значительно более эффективное прогнозирование валютных курсов. СКО, полученное при прогнозировании рассматриваемой ИНС, было в 2-6 раз меньше, чем СКО, полученное при прогнозировании МЭС. Таким образом, ННС TSKлучше МЭС по критерию СКО. Критерий САПП, полученный при прогнозировании ННС TSK, был в 1,5-2 раза меньше, чем критерий САПП, полученный при прогнозировании МЭС. Таким образом ННС TSK по критериям СКО и САПП показала результаты лучше чем МЭС. ИНС с кубическими сплайнами и ННС TSK показали приблизительно равные показатели СКО и САПП, но в среднем ИНС с кубическими сплайнами дала прогноз на 3.5% лучше по критерию СКО и на 1% лучше по критерию САПП. Во время второго экспериментального исследования рассматривалась чувствительность ННС TSK к изменению длины обучающей выборки. Были получены следующие результаты. При увеличении длины обучающей выборки СКО и критерий САПП на обучающей выборке убывали до установившегося значения. Это свидетельствует о том, что даже безграничное увеличение длины обучающей выборки не приведет к улучшению прогноза по критерию СКО и САПП. На проверочной выборке достигался максимум по критерию СКО и САПП, а далее был спад. Можно сделать вывод, что оптимальная длина обучающей выборки составляет 50 точек. Раздел 5. Описание программного продукта 5.1 Описание пользовательского интерфейса Пользовательский интерфейс был выполнен в визуальной среде программирования Delphi 7. Это позволило в сжатые сроки написать удобный пользовательский интерфейс. Пользовательский интерфейс является очень удобным и позволяет загружать данные из файла, редактировать данные в удобном для пользователя окне, подобном MicrosoftExcel, и сохранять данные в файле. Так же предусмотрена возможность изменять длину обучающей выборки, память системы, количество правил, а также задавать другие параметры настройки ННС TSK. Реализована возможность сохранить настройки ННС TSK. Это является очень полезной функцией программы, т.к. время для настройки параметров растет нелинейно в зависимости от их количества и может достигать нескольких минут. Реализована возможность просмотра графиков курсов валют. 5.2 Инструкция по работе с программой При запуске программы перед пользователем появляется интерфейс, показанный на рисунке 34. Функции и процедуры, вызываемые кнопками интерфейса: «Загрузить данные» – открывает диалоговое окно, позволяющее выбрать файл с данными. «Загрузить нейросеть» – открывает диалоговое окно, позволяющее выбрать файл с параметрами ННС TSK. «Сохранить данные» – открывает диалоговое окно, позволяющее выбрать файл для сохранения данных. «Сохранить нейросеть» – открывает диалоговое окно, позволяющее выбрать файл для сохранения настроек ННС TSK. «Настройки» – открывает окно настроек, рисунок 35. В окне можно задать длину обучающей выборки, количество правил и память системы. Для того чтобы изменения вошли в силу, необходимо нажать кнопку «Сохранить и выйти». Для отмены изменений необходимо нажать кнопку «Выйти без сохранения». «Обучить нейросеть» – настраивает весовые коэффициенты ННС TSK, а также делает прогноз по имеющейся выборке. После введения данных и нажатия клавиши интерфейс пользователя принимает вид, представленный на рисунке 36. «Графики курса валюты» – открывает окно с графиками курсов валют реального и спрогнозированного на 1 шаг вперед. Пример окон проиллюстрирован на рисунках 2-9. «Графики курса валюты (3)» – открывает окно с графиками курсов валют реального и спрогнозированного на 3 шага вперед. Пример окон проиллюстрирован на рисунках 10-17. «RUN» – служит для того, чтобы получить прогноз при изменении данных в окне редактирования. При нажатии клавиши не происходит пересчет весовых коэфициентов, а только происходит прогнозирование. «Закрыть» – закрывает программу. Так же реализована возможность просмотра значений среднеквадратичного отклонения обучающей и проверочной выборки в окне пользовательского интерфейса, рисунок 34. Рисунок 34. Интерфейс при запуске программы Рисунок 35. Окно интерфейса «настройки» Рисунок 36. Интерфейс после нажатия клавиши «обучить нейросеть» 4.5. Описание программы Unit 1 является основным модулем программной реализации ИНС. В Unit 1 реализованы интерфейс пользователя, рисунок 34, возможность вводить данные вручную и с файла, обучение ИНС, получение прогноза. В Unit 1 реализована главная форма из которой вызываются формы 2, 3, 4, которые программно реализованы в Unit 2, Unit 3, Unit 4. Для возможности работы с матрицами подключается модуль matrices. Основными структурами данных являются следующие массивы: а – массив реального курса валют; ap – массив спрогнозированного курса валюты на 1 шаг. ap3 – массив спрогнозированного курса валюты на 3 шага. Основными процедурами и функциями Unit 1 являются: procedure TForm1.Button4Click(Sender: TObject); - обучение ННСTSK. В этой процедуре реализована настройка параметров, а также получение прогноза. Так же подсчитываются критерии СКО и САПП. procedureTForm1.Button1Click(Sender: TObject); - загрузить данные из файла. Открывает диалоговое окно, в котором можно выбрать файл с исходными данными. При выборе файла происходит прочтение данных. procedureTForm1.Button2Click(Sender: TObject); - загрузить настройки ННСTSK из файла. Загружает параметры ННСTSKиз файла. procedureTForm1.Button7Click(Sender: TObject); - сохранить данные. procedure TForm1.Button8Click(Sender: TObject); - сохранить нейросеть. procedure TForm1.Button9Click(Sender: TObject); - получитьпрогноз. Если необходимо получить прогноз, в случае редактирования данных вручную. procedureTForm1.Button3Click(Sender: TObject); открыть форму 2, в которой размещается меню настроек. procedureTForm1.Button5Click(Sender: TObject); - открыть форму 3, в которой реализованы графики курсов валют – реальный и спрогнозированный на 1 шаг вперед. procedureTForm1.Button6Click(Sender: TObject); открыть форму 4, в которой реализованы графики курсов валют – реальный и спрогнозированный на 3 шага вперед. Unit 2. В данном программном модуле реализована возможность изменять настройки ННСTSK. Unit 3, Unit 4. Данные два программных модуля являются однотипными. В этих программных модулях происходит вывод графиков. Основной функцией данных программных модулей является: functionfi(g:real):integer; - при построении графика курса валюты сопоставляет реальное значение курса валюты к координате на экране. В приложении 2 представлен текст программного модуля. Выводы В данной курсовой работе рассматривалась нечеткая нейронная сеть TSK. Целью данной работы было исследовать возможность применения ННС TSKдля прогнозирования валютных курсов. Для экспериментальных исследований были выбраны курсы валют доллара США и российского рубля, а критериями правильности служили среднеквадратическое отклонение и средняя абсолютная процентная погрешность. Выборка была взята за 2007-2009 года, всего 500 точек. Для сравнения потенциальной эффективности ННС TSK были выбраны ИНС с кубическими сплайнами и МЭС. В результате экспериментов было установлено, что ННС TSKпроизводит значительно более эффективное прогнозирование валютных курсов чем МЭС, но немного уступает ИНС с кубическими сплайнами. СКО, полученное при прогнозировании ННС TSK, было в 2-6 раз меньше, чем СКО, полученное при прогнозировании МЭС. Таким образом, ННС TSKлучше МЭС по критерию СКО. Критерий САПП, полученный при прогнозировании рассматриваемой ИНС, был в 1,5-2 раза меньше, чем критерий САПП, полученный при прогнозировании МЭС. ННС TSK в сравнении с ИНС с кубическими сплайнами показала приблизительно одинаковые результаты, но в среднем на 3.75% хуже по критерию СКО и на 1% хуже по критерию САПП. Рассматривалась чувствительность ННС TSK к изменению длины обучающей выборке. При увеличении длины обучающей выборки СКО и критерий САПП уменьшались и стремились к установившемуся значению, на обучающей выборке. На проверочной выборке при увеличении обучающей выборки увеличиваются значения СКО и САПП и достигают своего максимального значения при длине обучающей выборки в 400 точек. Далее графики начинают убывать. Можно сделать вывод, что оптимальным значеное значение обучающей выборки составляет 50 точек. Рассматривалась чувствительность ННС TSK к изменению количества правил. На обучающей выборке при увеличении количества правил уменьшается ошибка по критерию СКО и САПП при прогнозах на 1 и на 3 шага вперед. На проверочной выборке при увеличении количества правил сначала достигается минимум при количества правил Во время выполнения экспериментальных исследований, были получены результаты, которые могут быть использованы в деятельности банков и других инвесторов. Литература 1. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. – 416 с. 2. Згуровский М. З., Подладчиков В. Н. Аналитические методы калмановской фильтрации для систем с априорной неопределенностью. – К.: Наукова думка, 1995. – 584с. 3. Зайченко Ю. П. Нечеткие модели и методы в интеллектуальных системах. К.: Слово, 2008. – 344с. 4. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2001. – 382с. 5. Руденко О. Г., Бодянський Є. В. Штучні нейронні мережі. – Харків: Компанія СМІТ, 2006. – 404с. 6. Хоменко А., Гофман В., Мещеряков Е., Никифоров В. Delphi 7. – Санкт-Петербург: БВХ-Петербург, 2004. – 1200с. Приложение 1. Результаты экспериментальных исследований. Первый столбец – реальные данные. Второй столбец – прогноз на 1 шаг вперед. Третий столбец – ошибка прогноза на 1 шаг вперед. Четвертый столбец – прогноз на 3 шага вперед. Пятый столбец – ошибка прогноза на 3 шага вперед. USD_EUR 0.6456 0.6467 -0.0011 0.6447 0.0009 0.6415 0.6456 -0.0041 0.6467 -0.0052 0.6447 0.6438 0.0009 0.6474 -0.0027 0.6467 0.6447 0.0020 0.6438 0.0029 0.6441 0.6415 0.0026 0.6456 -0.0015 0.6384 0.6441 -0.0057 0.6415 -0.0031 0.6341 0.6384 -0.0043 0.6441 -0.0100 0.6368 0.6341 0.0027 0.6384 -0.0016 0.6336 0.6368 -0.0032 0.6341 -0.0005 0.6358 0.6336 0.0022 0.6368 -0.0010 0.6399 0.6358 0.0041 0.6336 0.0063 0.6441 0.6399 0.0042 0.6358 0.0083 0.6428 0.6441 -0.0013 0.6399 0.0029 0.6432 0.6428 0.0004 0.6441 -0.0009 0.6472 0.6432 0.0040 0.6428 0.0044 0.6472 0.6472 -0.0000 0.6432 0.0040 0.6427 0.6472 -0.0045 0.6472 -0.0045 0.6356 0.6427 -0.0071 0.6472 -0.0116 0.6363 0.6356 0.0007 0.6427 -0.0064 0.6464 0.6363 0.0101 0.6356 0.0108 0.6427 0.6464 -0.0037 0.6363 0.0064 0.6487 0.6427 0.0060 0.6464 0.0023 0.6508 0.6487 0.0021 0.6427 0.0081 0.6464 0.6508 -0.0044 0.6487 -0.0023 0.6444 0.6464 -0.0020 0.6508 -0.0064 0.6452 0.6444 0.0008 0.6464 -0.0012 0.6451 0.6452 -0.0001 0.6444 0.0007 0.6400 0.6451 -0.0051 0.6452 -0.0052 0.6456 0.6400 0.0056 0.6451 0.0005 0.6414 0.6456 -0.0042 0.6400 0.0014 0.6423 0.6414 0.0009 0.6456 -0.0033 0.6355 0.6423 -0.0068 0.6414 -0.0059 0.6350 0.6355 -0.0005 0.6423 -0.0073 0.6350 0.6350 -0.0000 0.6355 -0.0005 0.6330 0.6350 -0.0020 0.6350 -0.0020 0.6302 0.6330 -0.0028 0.6350 -0.0048 0.6366 0.6302 0.0064 0.6330 0.0036 0.6392 0.6366 0.0026 0.6302 0.0090 0.6389 0.6392 -0.0003 0.6366 0.0023 0.6352 0.6389 -0.0037 0.6392 -0.0040 0.6341 0.6352 -0.0011 0.6389 -0.0048 0.6291 0.6341 -0.0050 0.6352 -0.0061 0.6284 0.6291 -0.0007 0.6341 -0.0057 0.6280 0.6284 -0.0004 0.6291 -0.0011 0.6311 0.6280 0.0031 0.6284 0.0027 0.6306 0.6311 -0.0005 0.6280 0.0026 0.6307 0.6306 0.0001 0.6311 -0.0004 0.6299 0.6307 -0.0008 0.6306 -0.0007 0.6325 0.6299 0.0026 0.6307 0.0018 0.6367 0.6325 0.0042 0.6299 0.0068 0.6376 0.6367 0.0009 0.6325 0.0051 0.6351 0.6376 -0.0025 0.6367 -0.0016 0.6416 0.6351 0.0065 0.6376 0.0040 0.6428 0.6416 0.0012 0.6351 0.0077 0.6414 0.6428 -0.0014 0.6416 -0.0002 0.6424 0.6414 0.0010 0.6428 -0.0004 0.6435 0.6424 0.0011 0.6414 0.0021 0.6466 0.6435 0.0031 0.6424 0.0042 0.6489 0.6466 0.0023 0.6435 0.0054 0.6519 0.6489 0.0030 0.6466 0.0053 0.6646 0.6519 0.0127 0.6489 0.0157 0.6686 0.6646 0.0040 0.6519 0.0167 0.6711 0.6686 0.0025 0.6646 0.0065 0.6714 0.6711 0.0003 0.6686 0.0028 0.6731 0.6714 0.0017 0.6711 0.0020 0.6806 0.6731 0.0075 0.6714 0.0092 0.6789 0.6806 -0.0017 0.6731 0.0058 0.6782 0.6789 -0.0007 0.6806 -0.0024 0.6803 0.6782 0.0021 0.6789 0.0014 0.6724 0.6803 -0.0079 0.6782 -0.0058 0.6757 0.6724 0.0033 0.6803 -0.0046 0.6756 0.6757 -0.0001 0.6724 0.0032 0.6822 0.6756 0.0066 0.6757 0.0065 0.6811 0.6822 -0.0011 0.6756 0.0055 0.6809 0.6811 -0.0002 0.6822 -0.0013 0.6818 0.6809 0.0009 0.6811 0.0007 0.6887 0.6818 0.0069 0.6809 0.0078 0.6903 0.6887 0.0016 0.6818 0.0085 0.6965 0.6903 0.0062 0.6887 0.0078 0.7007 0.6965 0.0042 0.6903 0.0104 0.7081 0.7007 0.0074 0.6965 0.0116 0.7056 0.7081 -0.0025 0.7007 0.0049 0.7134 0.7056 0.0078 0.7081 0.0053 0.7176 0.7134 0.0042 0.7056 0.0120 0.7057 0.7176 -0.0119 0.7134 -0.0077 0.7052 0.7057 -0.0005 0.7176 -0.0124 0.7067 0.7052 0.0015 0.7057 0.0010 0.7076 0.7067 0.0009 0.7052 0.0024 0.6953 0.7076 -0.0123 0.7067 -0.0114 0.6950 0.6953 -0.0003 0.7076 -0.0126 0.6806 0.6950 -0.0144 0.6953 -0.0147 0.6786 0.6806 -0.0020 0.6950 -0.0164 0.6825 0.6786 0.0039 0.6806 0.0019 0.6830 0.6825 0.0005 0.6786 0.0044 0.6852 0.6830 0.0022 0.6825 0.0027 0.6954 0.6852 0.0102 0.6830 0.0124 0.7103 0.6954 0.0149 0.6852 0.0251 0.7114 0.7103 0.0011 0.6954 0.0160 0.7219 0.7114 0.0105 0.7103 0.0116 0.7238 0.7219 0.0019 0.7114 0.0124 0.7403 0.7238 0.0165 0.7219 0.0184 0.7327 0.7403 -0.0076 0.7238 0.0089 0.7311 0.7327 -0.0016 0.7403 -0.0092 0.7329 0.7311 0.0018 0.7327 0.0002 0.7425 0.7329 0.0096 0.7311 0.0114 0.7381 0.7425 -0.0044 0.7329 0.0052 0.7322 0.7381 -0.0059 0.7425 -0.0103 0.7372 0.7322 0.0050 0.7381 -0.0009 0.7454 0.7372 0.0082 0.7322 0.0132 0.7430 0.7454 -0.0024 0.7372 0.0058 0.7512 0.7430 0.0082 0.7454 0.0058 0.7632 0.7512 0.0120 0.7430 0.0202 0.7792 0.7632 0.0160 0.7512 0.0280 0.7766 0.7792 -0.0026 0.7632 0.0134 0.7902 0.7766 0.0136 0.7792 0.0110 0.8035 0.7902 0.0133 0.7766 0.0269 0.8016 0.8035 -0.0019 0.7902 0.0114 0.7782 0.8016 -0.0234 0.8035 -0.0253 0.7783 0.7782 0.0001 0.8016 -0.0233 0.7886 0.7783 0.0103 0.7782 0.0104 0.7863 0.7886 -0.0023 0.7783 0.0080 0.7681 0.7863 -0.0182 0.7886 -0.0205 0.7669 0.7681 -0.0012 0.7863 -0.0194 0.7840 0.7669 0.0171 0.7681 0.0159 0.7828 0.7840 -0.0012 0.7669 0.0159 0.7838 0.7828 0.0010 0.7840 -0.0002 0.7966 0.7838 0.0128 0.7828 0.0138 0.7984 0.7966 0.0018 0.7838 0.0146 0.7856 0.7984 -0.0128 0.7966 -0.0110 0.7858 0.7856 0.0002 0.7984 -0.0126 0.7882 0.7858 0.0024 0.7856 0.0026 0.7939 0.7882 0.0057 0.7858 0.0081 0.7986 0.7939 0.0047 0.7882 0.0104 0.7983 0.7986 -0.0003 0.7939 0.0044 0.7758 0.7983 -0.0225 0.7986 -0.0228 0.7675 0.7758 -0.0083 0.7983 -0.0308 0.7798 0.7675 0.0123 0.7758 0.0040 0.7798 0.7798 -0.0000 0.7675 0.0123 0.7916 0.7798 0.0118 0.7798 0.0118 0.7859 0.7916 -0.0057 0.7798 0.0061 0.7893 0.7859 0.0034 0.7916 -0.0023 0.7789 0.7893 -0.0104 0.7859 -0.0070 0.7903 0.7789 0.0114 0.7893 0.0010 0.7730 0.7903 -0.0173 0.7789 -0.0059 0.7729 0.7730 -0.0001 0.7903 -0.0174 0.7680 0.7729 -0.0049 0.7730 -0.0050 0.7523 0.7680 -0.0157 0.7729 -0.0206 0.7492 0.7523 -0.0031 0.7680 -0.0188 0.7320 0.7492 -0.0172 0.7523 -0.0203 0.7242 0.7320 -0.0078 0.7492 -0.0250 0.6968 0.7242 -0.0274 0.7320 -0.0352 0.6996 0.6968 0.0028 0.7242 -0.0246 0.7211 0.6996 0.0215 0.6968 0.0243 0.7168 0.7211 -0.0043 0.6996 0.0172 0.7162 0.7168 -0.0006 0.7211 -0.0049 0.7162 0.7162 0.0000 0.7168 -0.0006 0.7130 0.7162 -0.0032 0.7162 -0.0032 0.7027 0.7130 -0.0103 0.7162 -0.0135 0.7100 0.7027 0.0073 0.7130 -0.0030 0.7184 0.7100 0.0084 0.7027 0.0157 0.7172 0.7184 -0.0012 0.7100 0.0072 0.7366 0.7172 0.0194 0.7184 0.0182 0.7439 0.7366 0.0073 0.7172 0.0267 0.7290 0.7439 -0.0149 0.7366 -0.0076 0.7293 0.7290 0.0003 0.7439 -0.0146 0.7411 0.7293 0.0118 0.7290 0.0121 0.7493 0.7411 0.0082 0.7293 0.0200 0.7579 0.7493 0.0086 0.7411 0.0168 0.7591 0.7579 0.0012 0.7493 0.0098 0.7638 0.7591 0.0047 0.7579 0.0059 0.7553 0.7638 -0.0085 0.7591 -0.0038 0.7725 0.7553 0.0172 0.7638 0.0087 0.7772 0.7725 0.0047 0.7553 0.0219 0.7720 0.7772 -0.0052 0.7725 -0.0005 0.7782 0.7720 0.0062 0.7772 0.0010 0.7603 0.7782 -0.0179 0.7720 -0.0117 0.7601 0.7603 -0.0002 0.7782 -0.0181 0.7552 0.7601 -0.0049 0.7603 -0.0051 0.7700 0.7552 0.0148 0.7601 0.0099 0.7811 0.7700 0.0111 0.7552 0.0259 0.7809 0.7811 -0.0002 0.7700 0.0109 0.7687 0.7809 -0.0122 0.7811 -0.0124 0.7779 0.7687 0.0092 0.7809 -0.0030 0.7791 0.7779 0.0012 0.7687 0.0104 0.7769 0.7791 -0.0022 0.7779 -0.0010 0.7656 0.7769 -0.0113 0.7791 -0.0135 0.7714 0.7656 0.0058 0.7769 -0.0055 0.7757 0.7714 0.0043 0.7656 0.0101 0.7800 0.7757 0.0043 0.7714 0.0086 0.7766 0.7800 -0.0034 0.7757 0.0009 0.7832 0.7766 0.0066 0.7800 0.0032 0.7957 0.7832 0.0125 0.7766 0.0191 0.7971 0.7957 0.0014 0.7832 0.0139 0.7891 0.7971 -0.0080 0.7957 -0.0066 0.7881 0.7891 -0.0010 0.7971 -0.0090 0.7846 0.7881 -0.0035 0.7891 -0.0045 0.7849 0.7846 0.0003 0.7881 -0.0032 0.7856 0.7849 0.0007 0.7846 0.0010 0.7835 0.7856 -0.0021 0.7849 -0.0014 0.7899 0.7835 0.0064 0.7856 0.0043 0.7950 0.7899 0.0051 0.7835 0.0115 0.7970 0.7950 0.0020 0.7899 0.0071 0.7933 0.7970 -0.0037 0.7950 -0.0017 0.7959 0.7933 0.0026 0.7970 -0.0011 0.7892 0.7959 -0.0067 0.7933 -0.0041 0.7914 0.7892 0.0022 0.7959 -0.0045 0.7842 0.7914 -0.0072 0.7892 -0.0050 0.7829 0.7842 -0.0013 0.7914 -0.0085 0.7814 0.7829 -0.0015 0.7842 -0.0028 0.7759 0.7814 -0.0055 0.7829 -0.0070 0.7695 0.7759 -0.0064 0.7814 -0.0119 0.7710 0.7695 0.0015 0.7759 -0.0049 0.7628 0.7710 -0.0082 0.7695 -0.0067 0.7310 0.7628 -0.0318 0.7710 -0.0400 0.7372 0.7310 0.0062 0.7628 -0.0256 0.7371 0.7372 -0.0001 0.7310 0.0061 0.7395 0.7371 0.0024 0.7372 0.0023 0.7387 0.7395 -0.0008 0.7371 0.0016 0.7376 0.7387 -0.0011 0.7395 -0.0019 0.7516 0.7376 0.0140 0.7387 0.0129 0.7609 0.7516 0.0093 0.7376 0.0233 0.7542 0.7609 -0.0067 0.7516 0.0026 0.7563 0.7542 0.0021 0.7609 -0.0046 0.7431 0.7563 -0.0132 0.7542 -0.0111 0.7437 0.7431 0.0006 0.7563 -0.0126 0.7484 0.7437 0.0047 0.7431 0.0053 0.7530 0.7484 0.0046 0.7437 0.0093 0.7526 0.7530 -0.0004 0.7484 0.0042 0.7606 0.7526 0.0080 0.7530 0.0076 0.7489 0.7606 -0.0117 0.7526 -0.0037 0.7533 0.7489 0.0044 0.7606 -0.0073 0.7587 0.7533 0.0054 0.7489 0.0098 0.7579 0.7587 -0.0008 0.7533 0.0046 0.7675 0.7579 0.0096 0.7587 0.0088 0.7751 0.7675 0.0076 0.7579 0.0172 0.7706 0.7751 -0.0045 0.7675 0.0031 0.7686 0.7706 -0.0020 0.7751 -0.0065 0.7665 0.7686 -0.0021 0.7706 -0.0041 0.7532 0.7665 -0.0133 0.7686 -0.0154 0.7613 0.7532 0.0081 0.7665 -0.0052 0.7657 0.7613 0.0044 0.7532 0.0125 0.7506 0.7657 -0.0151 0.7613 -0.0107 0.7552 0.7506 0.0046 0.7657 -0.0105 0.7539 0.7552 -0.0013 0.7506 0.0033 0.7483 0.7539 -0.0056 0.7552 -0.0069 0.7478 0.7483 -0.0005 0.7539 -0.0061 0.7513 0.7478 0.0035 0.7483 0.0030 0.7458 0.7513 -0.0055 0.7478 -0.0020 0.7412 0.7458 -0.0046 0.7513 -0.0101 0.7343 0.7412 -0.0069 0.7458 -0.0115 0.7343 0.7412 0.7458 0.7343 USD_GBR 0.5135 0.5135 0.0007 0.5098 0.0044 0.5142 0.5098 0.0037 0.5133 0.0002 0.5131 0.5142 -0.0011 0.5135 -0.0004 0.5108 0.5131 -0.0023 0.5142 -0.0034 0.5129 0.5108 0.0021 0.5131 -0.0002 0.5076 0.5129 -0.0053 0.5108 -0.0032 0.5084 0.5076 0.0008 0.5129 -0.0045 0.5054 0.5084 -0.0030 0.5076 -0.0022 0.5046 0.5054 -0.0008 0.5084 -0.0038 0.5062 0.5046 0.0016 0.5054 0.0008 0.5049 0.5062 -0.0013 0.5046 0.0003 0.5061 0.5049 0.0012 0.5062 -0.0001 0.5053 0.5061 -0.0008 0.5049 0.0004 0.5085 0.5053 0.0032 0.5061 0.0024 0.5089 0.5085 0.0004 0.5053 0.0036 0.5116 0.5089 0.0027 0.5085 0.0031 0.5112 0.5116 -0.0004 0.5089 0.0023 0.5078 0.5112 -0.0034 0.5116 -0.0038 0.5061 0.5078 -0.0017 0.5112 -0.0051 0.5117 0.5061 0.0056 0.5078 0.0039 0.5090 0.5117 -0.0027 0.5061 0.0029 0.5137 0.5090 0.0047 0.5117 0.0020 0.5129 0.5137 -0.0008 0.5090 0.0039 0.5093 0.5129 -0.0036 0.5137 -0.0044 0.5117 0.5093 0.0024 0.5129 -0.0012 0.5110 0.5117 -0.0007 0.5093 0.0017 0.5069 0.5110 -0.0041 0.5117 -0.0048 0.5068 0.5069 -0.0001 0.5110 -0.0042 0.5100 0.5068 0.0032 0.5069 0.0031 0.5074 0.5100 -0.0026 0.5068 0.0006 0.5083 0.5074 0.0009 0.5100 -0.0017 0.5058 0.5083 -0.0025 0.5074 -0.0016 0.5016 0.5058 -0.0042 0.5083 -0.0067 0.5024 0.5016 0.0008 0.5058 -0.0034 0.5012 0.5024 -0.0012 0.5016 -0.0004 0.5019 0.5012 0.0007 0.5024 -0.0005 0.5045 0.5019 0.0026 0.5012 0.0033 0.5077 0.5045 0.0032 0.5019 0.0058 0.5080 0.5077 0.0003 0.5045 0.0035 0.5048 0.5080 -0.0032 0.5077 -0.0029 0.5057 0.5048 0.0009 0.5080 -0.0023 0.5027 0.5057 -0.0030 0.5048 -0.0021 0.5018 0.5027 -0.0009 0.5057 -0.0039 0.4988 0.5018 -0.0030 0.5027 -0.0039 0.5002 0.4988 0.0014 0.5018 -0.0016 0.4991 0.5002 -0.0011 0.4988 0.0003 0.5004 0.4991 0.0013 0.5002 0.0002 0.5006 0.5004 0.0002 0.4991 0.0015 0.5014 0.5006 0.0008 0.5004 0.0010 0.4995 0.5014 -0.0019 0.5006 -0.0011 0.5030 0.4995 0.0035 0.5014 0.0016 0.5015 0.5030 -0.0015 0.4995 0.0020 0.5049 0.5015 0.0034 0.5030 0.0019 0.5048 0.5049 -0.0001 0.5015 0.0033 0.5049 0.5048 0.0001 0.5049 0.0000 0.5065 0.5049 0.0016 0.5048 0.0017 0.5100 0.5065 0.0035 0.5049 0.0051 0.5120 0.5100 0.0020 0.5065 0.0055 0.5134 0.5120 0.0014 0.5100 0.0034 0.5144 0.5134 0.0010 0.5120 0.0024 0.5210 0.5144 0.0066 0.5134 0.0076 0.5223 0.5210 0.0013 0.5144 0.0079 0.5262 0.5223 0.0039 0.5210 0.0052 0.5353 0.5262 0.0091 0.5223 0.0130 0.5344 0.5353 -0.0009 0.5262 0.0082 0.5363 0.5344 0.0019 0.5353 0.0010 0.5356 0.5363 -0.0007 0.5344 0.0012 0.5360 0.5356 0.0004 0.5363 -0.0003 0.5370 0.5360 0.0010 0.5356 0.0014 0.5331 0.5370 -0.0039 0.5360 -0.0029 0.5393 0.5331 0.0062 0.5370 0.0023 0.5380 0.5393 -0.0013 0.5331 0.0049 0.5438 0.5380 0.0058 0.5393 0.0045 0.5459 0.5438 0.0021 0.5380 0.0079 0.5477 0.5459 0.0018 0.5438 0.0039 0.5498 0.5477 0.0021 0.5459 0.0039 0.5600 0.5498 0.0102 0.5477 0.0123 0.5620 0.5600 0.0020 0.5498 0.0122 0.5654 0.5620 0.0034 0.5600 0.0054 0.5654 0.5654 0.0000 0.5620 0.0034 0.5701 0.5654 0.0047 0.5654 0.0047 0.5659 0.5701 -0.0042 0.5654 0.0005 0.5699 0.5659 0.0040 0.5701 -0.0002 0.5715 0.5699 0.0016 0.5659 0.0056 0.5588 0.5715 -0.0127 0.5699 -0.0111 0.5589 0.5588 0.0001 0.5715 -0.0126 0.5610 0.5589 0.0021 0.5588 0.0022 0.5589 0.5610 -0.0021 0.5589 -0.0000 0.5499 0.5589 -0.0090 0.5610 -0.0111 0.5467 0.5499 -0.0032 0.5589 -0.0122 0.5410 0.5467 -0.0057 0.5499 -0.0089 0.5380 0.5410 -0.0030 0.5467 -0.0087 0.5405 0.5380 0.0025 0.5410 -0.0005 0.5432 0.5405 0.0027 0.5380 0.0052 0.5435 0.5432 0.0003 0.5405 0.0030 0.5542 0.5435 0.0107 0.5432 0.0110 0.5617 0.5542 0.0075 0.5435 0.0182 0.5617 0.5617 0.0000 0.5542 0.0075 0.5660 0.5617 0.0043 0.5617 0.0043 0.5636 0.5660 -0.0024 0.5617 0.0019 0.5754 0.5636 0.0118 0.5660 0.0094 0.5685 0.5754 -0.0069 0.5636 0.0049 0.5777 0.5685 0.0092 0.5754 0.0023 0.5800 0.5777 0.0023 0.5685 0.0115 0.5870 0.5800 0.0070 0.5777 0.0093 0.5780 0.5870 -0.0090 0.5800 -0.0020 0.5720 0.5780 -0.0060 0.5870 -0.0150 0.5736 0.5720 0.0016 0.5780 -0.0044 0.5801 0.5736 0.0065 0.5720 0.0081 0.5779 0.5801 -0.0022 0.5736 0.0043 0.5836 0.5779 0.0057 0.5801 0.0035 0.5939 0.5836 0.0103 0.5779 0.0160 0.6184 0.5939 0.0245 0.5836 0.0348 0.6180 0.6184 -0.0004 0.5939 0.0241 0.6312 0.6180 0.0132 0.6184 0.0128 0.6465 0.6312 0.0153 0.6180 0.0285 0.6414 0.6465 -0.0051 0.6312 0.0102 0.6136 0.6414 -0.0278 0.6465 -0.0329 0.6152 0.6136 0.0016 0.6414 -0.0262 0.6189 0.6152 0.0037 0.6136 0.0053 0.6307 0.6189 0.0118 0.6152 0.0155 0.6213 0.6307 -0.0094 0.6189 0.0024 0.6190 0.6213 -0.0023 0.6307 -0.0117 0.6331 0.6190 0.0141 0.6213 0.0118 0.6334 0.6331 0.0003 0.6190 0.0144 0.6395 0.6334 0.0061 0.6331 0.0064 0.6663 0.6395 0.0268 0.6334 0.0329 0.6758 0.6663 0.0095 0.6395 0.0363 0.6730 0.6758 -0.0028 0.6663 0.0067 0.6654 0.6730 -0.0076 0.6758 -0.0104 0.6650 0.6654 -0.0004 0.6730 -0.0080 0.6627 0.6650 -0.0023 0.6654 -0.0027 0.6760 0.6627 0.0133 0.6650 0.0110 0.6747 0.6760 -0.0013 0.6627 0.0120 0.6589 0.6747 -0.0158 0.6760 -0.0171 0.6516 0.6589 -0.0073 0.6747 -0.0231 0.6570 0.6516 0.0054 0.6589 -0.0019 0.6570 0.6570 -0.0000 0.6516 0.0054 0.6737 0.6570 0.0167 0.6570 0.0167 0.6690 0.6737 -0.0047 0.6570 0.0120 0.6766 0.6690 0.0076 0.6737 0.0029 0.6762 0.6766 -0.0004 0.6690 0.0072 0.6846 0.6762 0.0084 0.6766 0.0080 0.6742 0.6846 -0.0104 0.6762 -0.0020 0.6768 0.6742 0.0026 0.6846 -0.0078 0.6744 0.6768 -0.0024 0.6742 0.0002 0.6688 0.6744 -0.0056 0.6768 -0.0080 0.6724 0.6688 0.0036 0.6744 -0.0020 0.6546 0.6724 -0.0178 0.6688 -0.0142 0.6529 0.6546 -0.0017 0.6724 -0.0195 0.6469 0.6529 -0.0060 0.6546 -0.0077 0.6622 0.6469 0.0153 0.6529 0.0093 0.6734 0.6622 0.0112 0.6469 0.0265 0.6755 0.6734 0.0021 0.6622 0.0133 0.6776 0.6755 0.0021 0.6734 0.0042 0.6817 0.6776 0.0041 0.6755 0.0062 0.6850 0.6817 0.0033 0.6776 0.0074 0.6853 0.6850 0.0003 0.6817 0.0036 0.6947 0.6853 0.0094 0.6850 0.0097 0.6842 0.6947 -0.0105 0.6853 -0.0011 0.6886 0.6842 0.0044 0.6947 -0.0061 0.6848 0.6886 -0.0038 0.6842 0.0006 0.6768 0.6848 -0.0080 0.6886 -0.0118 0.6557 0.6768 -0.0211 0.6848 -0.0291 0.6585 0.6557 0.0028 0.6768 -0.0183 0.6564 0.6585 -0.0021 0.6557 0.0007 0.6746 0.6564 0.0182 0.6585 0.0161 0.6886 0.6746 0.0140 0.6564 0.0322 0.6843 0.6886 -0.0043 0.6746 0.0097 0.6849 0.6843 0.0006 0.6886 -0.0037 0.6787 0.6849 -0.0062 0.6843 -0.0056 0.7132 0.6787 0.0345 0.6849 0.0283 0.7286 0.7132 0.0154 0.6787 0.0499 0.7225 0.7286 -0.0061 0.7132 0.0093 0.7327 0.7225 0.0102 0.7286 0.0041 0.7164 0.7327 -0.0163 0.7225 -0.0061 0.7070 0.7164 -0.0094 0.7327 -0.0257 0.6986 0.7070 -0.0084 0.7164 -0.0178 0.7012 0.6986 0.0026 0.7070 -0.0058 0.6939 0.7012 -0.0073 0.6986 -0.0047 0.7029 0.6939 0.0090 0.7012 0.0017 0.6949 0.7029 -0.0080 0.6939 0.0010 0.6910 0.6949 -0.0039 0.7029 -0.0119 0.6836 0.6910 -0.0074 0.6949 -0.0113 0.6769 0.6836 -0.0067 0.6910 -0.0141 0.6697 0.6769 -0.0072 0.6836 -0.0139 0.6848 0.6697 0.0151 0.6769 0.0079 0.6961 0.6848 0.0113 0.6697 0.0264 0.7020 0.6961 0.0059 0.6848 0.0172 0.6934 0.7020 -0.0086 0.6961 -0.0027 0.7009 0.6934 0.0075 0.7020 -0.0011 0.7031 0.7009 0.0022 0.6934 0.0097 0.7027 0.7031 -0.0004 0.7009 0.0018 0.6989 0.7027 -0.0038 0.7031 -0.0042 0.6978 0.6989 -0.0011 0.7027 -0.0049 0.6874 0.6978 -0.0104 0.6989 -0.0115 0.6942 0.6874 0.0068 0.6978 -0.0036 0.7011 0.6942 0.0069 0.6874 0.0137 0.6973 0.7011 -0.0038 0.6942 0.0031 0.7004 0.6973 0.0031 0.7011 -0.0007 0.7150 0.7004 0.0146 0.6973 0.0177 0.7127 0.7150 -0.0023 0.7004 0.0123 0.7072 0.7127 -0.0055 0.7150 -0.0078 0.7082 0.7072 0.0010 0.7127 -0.0045 0.7088 0.7082 0.0006 0.7072 0.0016 0.7270 0.7088 0.0182 0.7082 0.0188 0.7225 0.7270 -0.0045 0.7088 0.0137 0.7260 0.7225 0.0035 0.7270 -0.0010 0.7242 0.7260 -0.0018 0.7225 0.0017 0.7158 0.7242 -0.0084 0.7260 -0.0102 0.7098 0.7158 -0.0060 0.7242 -0.0144 0.7134 0.7098 0.0036 0.7158 -0.0024 0.7158 0.7134 0.0024 0.7098 0.0060 0.6857 0.7158 -0.0301 0.7134 -0.0277 0.6929 0.6857 0.0072 0.7158 -0.0229 0.6899 0.6929 -0.0030 0.6857 0.0042 0.6790 0.6899 -0.0109 0.6929 -0.0139 0.6857 0.6790 0.0067 0.6899 -0.0042 0.6899 0.6857 0.0042 0.6790 0.0109 0.6982 0.6899 0.0083 0.6857 0.0125 0.7070 0.6982 0.0088 0.6899 0.0171 0.6993 0.7070 -0.0077 0.6982 0.0011 0.6943 0.6993 -0.0050 0.7070 -0.0127 0.6804 0.6943 -0.0139 0.6993 -0.0189 0.6757 0.6804 -0.0047 0.6943 -0.0186 0.6799 0.6757 0.0042 0.6804 -0.0005 0.6783 0.6799 -0.0016 0.6757 0.0026 0.6807 0.6783 0.0024 0.6799 0.0008 0.6840 0.6807 0.0033 0.6783 0.0057 0.6745 0.6840 -0.0095 0.6807 -0.0062 0.6710 0.6745 -0.0035 0.6840 -0.0130 0.6671 0.6710 -0.0039 0.6745 -0.0074 0.6709 0.6671 0.0038 0.6710 -0.0001 0.6768 0.6709 0.0059 0.6671 0.0097 0.6881 0.6768 0.0113 0.6709 0.0172 0.6805 0.6881 -0.0076 0.6768 0.0037 0.6899 0.6805 0.0094 0.6881 0.0018 0.6833 0.6899 -0.0066 0.6805 0.0028 0.6805 0.6833 -0.0028 0.6899 -0.0094 0.6814 0.6805 0.0009 0.6833 -0.0019 0.6847 0.6814 0.0033 0.6805 0.0042 0.6757 0.6847 -0.0090 0.6814 -0.0057 0.6758 0.6757 0.0001 0.6847 -0.0089 0.6721 0.6758 -0.0037 0.6757 -0.0036 0.6675 0.6721 -0.0046 0.6758 -0.0083 0.6625 0.6675 -0.0050 0.6721 -0.0096 0.6640 0.6625 0.0015 0.6675 -0.0035 0.6659 0.6640 0.0019 0.6625 0.0034 0.6629 0.6659 -0.0030 0.6640 -0.0011 0.6604 0.6629 -0.0025 0.6659 -0.0055 0.6604 0.6629 0.6629 0.6604 USD_JPY 104.2047103.6934 0.5113104.4752 -0.2705 103.6750104.1532 -0.4782103.9586 -0.2836 103.3538103.7136 -0.3598104.2417 -0.8879 104.4162103.8443 0.5719103.1780 1.2382 105.1965104.6120 0.5845103.7789 1.4176 104.6245105.3017 -0.6772104.4557 0.1688 103.8663104.6587 -0.7924105.1283 -1.2620 104.0468103.2421 0.8047103.7106 0.3362 103.2146104.0812 -0.8666103.4110 -0.1964 104.0054103.2579 0.7475103.9839 0.0215 104.6970103.9241 0.7729103.2032 1.4938 105.5150104.8956 0.6194104.0755 1.4395 105.4793105.6390 -0.1597104.5459 0.9334 104.4164105.5561 -1.1397105.5807 -1.1643 105.2747104.2905 0.9842105.3336 -0.0589 104.9968105.1988 -0.2020104.4596 0.5372 106.0071105.1390 0.8681105.3583 0.6488 105.3396106.0117 -0.6721104.9532 0.3864 106.0645105.4359 0.6286106.1152 -0.0507 107.2048105.9861 1.2187105.1282 2.0766 106.7869107.4222 -0.6353106.2245 0.5624 107.9575106.8772 1.0803107.0488 0.9087 107.9269107.9415 -0.0146106.8273 1.0996 108.1965108.1012 0.0953107.9392 0.2573 108.0338108.1617 -0.1279107.8048 0.2290 108.0664108.0579 0.0085108.3384 -0.2720 107.9554108.0349 -0.0795107.9153 0.0401 107.4351107.9581 -0.5230108.1700 -0.7349 107.8848107.3776 0.5072107.9300 -0.0452 107.7769107.8545-0.0776107.4728 0.3041 108.2971107.8528 0.4443107.9095 0.3876 107.2984108.3039 -1.0055107.7333 -0.4349 106.2944107.2947 -1.0003108.3423 -2.0479 106.1863106.0563 0.1300107.1921 -1.0058 106.0248106.0854 -0.0606106.4272 -0.4024 105.8753106.0431 -0.1678106.1969 -0.3216 106.8054105.8473 0.9581106.0948 0.7106 107.5554106.8658 0.6896105.8739 1.6815 107.3564107.7478 -0.3914106.7494 0.6070 107.1263107.4012 -0.2749107.4787 -0.3524 107.0368107.0468 -0.0100107.3239 -0.2871 106.1570107.0067 -0.8497107.1020 -0.9450 106.1868106.0859 0.1009107.0694 -0.8826 104.7869106.0738 -1.2869106.2198 -1.4329 104.6150104.7198 -0.1048106.2534 -1.6384 105.8364104.4107 1.4257104.7460 1.0904 106.7551105.9719 0.7832104.7716 1.9835 106.7465107.0026 -0.2561105.7435 1.0030 107.1114106.8163 0.2951106.7354 0.3760 107.6872107.0969 0.5903106.6261 1.0611 107.8848107.7818 0.1030107.0591 0.8257 107.5046107.9624 -0.4578107.6889 -0.1843 108.2056107.4754 0.7302107.9143 0.2913 108.1870108.1999 -0.0129107.4856 0.7014 108.0871108.2976 -0.2105108.2339 -0.1468 107.6053108.0457 -0.4404108.1475 -0.5422 107.6109107.5539 0.0570108.1463 -0.5354 108.2055107.5503 0.6552107.5461 0.6594 109.3957108.2748 1.1209107.6952 1.7005 109.4451109.5706 -0.1255108.1942 1.2509 110.1055109.5842 0.5213109.3696 0.7359 110.0850110.1106 -0.0256109.3361 0.7489 109.7970110.1698 -0.3728110.1055 -0.3085 108.7249109.7420 -1.0171110.0064 -1.2815 109.7552108.6015 1.1537109.8985 -0.1433 110.4866109.7037 0.7829108.7124 1.7742 110.0572110.7325 -0.6753109.8777 0.1795 109.6855110.0777 -0.3922110.3860 -0.7005 109.9856109.5642 0.4214110.0738 -0.0882 108.3790109.9773 -1.5983109.6098 -1.2308 109.8756108.3100 1.5656110.0301 -0.1545 109.1267109.7623 -0.6356108.4184 0.7083 109.8350109.3425 0.4925110.0045 -0.1695 109.7370109.7238 0.0132108.9142 0.8228 109.5551109.8576 -0.3025110.0551 -0.5000 108.6947109.4965 -0.8018109.4605 -0.7658 108.8670108.6058 0.2612109.7313 -0.8643 108.1861108.7719 -0.5858108.6138 -0.4277 107.7733108.1944 -0.4211108.9838 -1.2105 106.9573107.6413 -0.6840108.1489 -1.1916 107.9747106.8670 1.1077107.8699 0.1048 107.1451107.9631 -0.8180106.8994 0.2457 107.8066107.2547 0.5519108.0774 -0.2708 106.6838107.7014 -1.0176107.0155 -0.3317 107.4962106.7212 0.7750107.9234 -0.4272 105.7049107.3789 -1.6740106.4903 -0.7854 105.0252105.7235 -0.6983107.7239 -2.6987 104.6862104.6929 -0.0067105.5097 -0.8235 104.9147104.6463 0.2684105.3032 -0.3885 107.2019104.9187 2.2832104.5594 2.6425 106.3546107.4292 -1.0746105.0790 1.2756 105.7269106.5887 -0.8618107.0892 -1.3623 106.0364105.4599 0.5765106.1532 -0.1168 106.4852106.0112 0.4740105.8302 0.6550 106.0768106.5915 -0.5147105.9432 0.1336 105.1272106.0923 -0.9651106.6466 -1.5194 105.9056104.9764 0.9292106.0290 -0.1234 106.0050105.8558 0.1492105.1129 0.8921 105.2649106.1614 -0.8965105.9634 -0.6985 105.7965105.1861 0.6104105.9675 -0.1710 101.2568105.7327 -4.4759105.3084 -4.0516 102.2947101.0037 1.2910105.7483 -3.4536 99.8173101.7366 -1.9193101.2389 -1.4216 100.6065 99.9650 0.6415102.7212 -2.1147 99.4775100.2899 -0.8124 99.5095 -0.0320 101.9915 99.6053 2.3862101.1341 0.8574 102.2266102.0035 0.2231 98.9648 3.2618 101.4766102.6365 -1.1599102.3201 -0.8435 100.4066101.3382 -0.9316101.7757 -1.3691 101.3968100.2074 1.1894101.6569 -0.2601 101.7571101.3628 0.3943100.2512 1.5059 100.4266101.9686 -1.5420101.6170 -1.1904 98.6563100.3274 -1.6711101.7039 -3.0476 97.6207 98.3188 -0.6981100.4396 -2.8189 94.2454 97.3574 -3.1120 98.6428 -4.3974 93.2939 93.9185 -0.6246 97.7662 -4.4723 95.6676 92.8079 2.8597 94.3728 1.2948 97.5334 95.8772 1.6562 93.5395 3.9939 97.4601 98.0488 -0.5887 95.5741 1.8860 98.3483 97.6028 0.7455 97.4382 0.9101 98.9630 98.3229 0.6401 97.2104 1.7526 100.5150 99.1338 1.3812 98.2112 2.3038 98.9452100.6814 -1.7362 98.9457 -0.0005 98.0802 99.0040 -0.9238100.6267 -2.5465 98.1398 97.7287 0.4111 98.7853 -0.6455 97.9667 98.0956 -0.1289 98.2796 -0.3129 95.5363 98.0012 -2.4649 98.1114 -2.5751 95.9177 95.3191 0.5986 98.1315 -2.2138 96.6655 95.6251 1.0404 95.4940 1.1715 97.0700 96.8850 0.1850 96.0422 1.0278 97.3705 97.1888 0.1817 96.5722 0.7983 96.7957 97.4155 -0.6198 97.1509 -0.3552 95.0168 96.7724 -1.7556 97.1733 -2.1565 95.4330 94.7845 0.6485 96.7678 -1.3348 96.6894 95.2495 1.4399 95.1000 1.5894 95.5379 96.9251 -1.3872 95.5664 -0.0285 95.4584 95.6008 -0.1424 96.6537 -1.1953 95.4584 95.2391 0.2193 95.5144 -0.0560 93.7002 95.4978 -1.7976 95.4435 -1.7433 93.6774 93.5661 0.1113 95.3844 -1.7070 93.2757 93.4367 -0.1610 93.8503 -0.5746 92.8238 93.3194 -0.4956 93.7424 -0.9186 92.1794 92.7362 -0.5568 93.2163 -1.0369 92.7862 92.0851 0.7011 92.9562 -0.1700 92.4707 92.7670 -0.2963 92.0831 0.3876 92.9495 92.5575 0.3920 92.8446 0.1049 91.9511 92.9179 -0.9668 92.4006 -0.4495 91.2942 91.9509 -0.6567 92.9999 -1.7057 90.6955 91.0856 -0.3901 91.8239 -1.1284 89.9984 90.6031 -0.6047 91.4485 -1.4501 87.8918 89.8923 -2.0005 90.6667 -2.7749 89.8309 87.6581 2.1728 90.1155 -0.2846 89.4728 89.7293 -0.2565 87.8974 1.5754 90.0872 89.8028 0.2844 89.9653 0.1219 90.5922 90.0024 0.5898 89.2512 1.3410 90.6927 90.7298 -0.0371 90.2506 0.4421 90.7961 90.7422 0.0539 90.2757 0.5204 90.1971 90.7948 -0.5977 90.8259 -0.6288 90.3676 90.1589 0.2087 90.7442 -0.3766 90.7826 90.2949 0.4877 90.2052 0.5774 91.1710 90.8652 0.3058 90.4473 0.7237 93.2288 91.2510 1.9778 90.7510 2.4778 94.2125 93.4253 0.7872 91.1851 3.0274 92.6775 94.5521 -1.8746 93.1602 -0.4827 91.1701 92.5978 -1.4277 94.0493 -2.8792 90.2615 90.7967 -0.5352 92.6708 -2.4093 88.9377 90.0525 -1.1148 91.2312 -2.2935 89.6021 88.7784 0.8237 90.4170 -0.8149 89.2845 89.5166 -0.2321 89.1180 0.1665 89.6059 89.4097 0.1962 89.6598 -0.0539 90.2992 89.5597 0.7395 89.1386 1.1606 90.2350 90.4112 -0.1762 89.6661 0.5689 87.8123 90.3101 -2.4978 90.1344 -2.3221 88.6358 87.5811 1.0547 90.2541 -1.6183 88.7680 88.3737 0.3943 87.7991 0.9689 89.2236 88.9986 0.2250 88.8081 0.4155 88.9986 89.2430 -0.2444 88.6771 0.3215 89.8851 89.0361 0.8490 89.3744 0.5107 89.7548 89.9040 -0.1492 88.7528 1.0020 89.8599 89.8746 -0.0147 89.9663 -0.1064 89.8895 89.8111 0.0784 89.6602 0.2293 89.1458 89.9111 -0.7653 89.9426 -0.7968 89.5372 89.0866 0.4506 89.8105 -0.2733 91.0048 89.4656 1.5392 89.2152 1.7896 91.9793 91.2070 0.7723 89.5821 2.3972 91.4678 92.2389 -0.7711 90.9557 0.5121 90.6801 91.4940 -0.8139 91.9201 -1.2400 90.6920 90.5036 0.1884 91.3634 -0.6714 90.5481 90.6078 -0.0597 90.6939 -0.1458 91.8299 90.5740 1.2559 90.7829 1.0470 91.7903 91.9117 -0.1214 90.6186 1.1717 92.1859 91.9678 0.2181 91.8520 0.3339 93.7943 92.1546 1.6397 91.6293 2.1650 94.1347 93.9756 0.1591 92.2388 1.8959 93.8757 94.3625 -0.4868 93.6779 0.1978 94.6506 93.8294 0.8212 94.1099 0.5407 96.5962 94.6599 1.9363 93.8742 2.7220 97.3393 96.8663 0.4730 94.6164 2.7229 98.5506 97.6280 0.9226 96.6173 1.9333 97.7521 98.6596 -0.9075 97.2478 0.5043 97.2149 97.8187 -0.6038 98.4909 -1.2760 98.1670 97.0092 1.1578 97.6207 0.5463 99.3445 98.2037 1.1408 97.4075 1.9370 98.3789 99.5915 -1.2126 98.1655 0.2134 97.8970 98.4207 -0.5237 99.3811 -1.4841 98.8658 97.6743 1.1915 98.2918 0.5740 98.3694 98.9188 -0.5494 97.9192 0.4502 97.7678 98.4843 -0.7165 98.8709 -1.1031 97.8455 97.6101 0.2354 98.4137 -0.5682 98.0733 97.7911 0.2822 97.7994 0.2739 98.1854 98.1292 0.0562 97.7886 0.3968 98.8252 98.2223 0.6029 98.1432 0.6820 98.0766 98.8807 -0.8041 98.1704 -0.0938 93.8748 98.0993 -4.2245 98.7777 -4.9029 96.2015 93.4128 2.7887 98.0216 -1.8201 97.3443 95.8469 1.4974 93.9637 3.3806 97.8650 97.9390 -0.0740 96.4820 1.3830 97.7297 97.9614 -0.2317 97.1135 0.6162 98.4887 97.7366 0.7521 98.0388 0.4499 98.0442 98.5059 -0.4617 97.3021 0.7421 97.4509 98.1178 -0.6669 98.6099 -1.1590 99.1565 97.3099 1.8466 98.0282 1.1283 98.9339 99.2296 -0.2957 97.5538 1.3801 99.4738 99.1750 0.2988 99.1365 0.3373 99.9801 99.4106 0.5695 98.8575 1.1226 100.6456100.1018 0.5438 99.5492 1.0964 100.7463100.7430 0.0033 99.7912 0.9551 99.9573100.8216 -0.8643100.7525 -0.7952 100.4478 99.8785 0.5693100.6632 -0.2154 100.1850100.3742 -0.1892 99.9783 0.2067 99.1191100.2661 -1.1470100.5100 -1.3909 99.4106 98.9781 0.4325100.1609 -0.7503 99.2822 99.3000 -0.0178 99.2079 0.0743 99.2366 99.3595 -0.1229 99.4044 -0.1678 98.2790 99.2035 -0.9245 99.2741 -0.9951 98.6319 98.2027 0.4292 99.2994 -0.6675 98.1775 98.5318 -0.3543 98.1886 -0.0111 97.9343 98.2324 -0.2981 98.7338 -0.7995 97.0596 97.8385 -0.7789 98.1129 -1.0533 96.6301 96.9775 -0.3474 98.0336 -1.4035 96.5189 96.4886 0.0303 96.9784 -0.4595 96.9999 96.4910 0.5089 96.7422 0.2577 98.7637 97.0427 1.7210 96.5080 2.2557 99.2699 98.9736 0.2963 97.0288 2.2411 99.1705 99.5282 -0.3577 98.6867 0.4838 98.7453 99.1523 -0.4070 99.1221 -0.3768 98.5859 98.6740 -0.0881 99.1509 -0.5650 99.0247 98.5195 0.5052 98.7007 0.3240 98.9880 99.0567 -0.0687 98.7084 0.2796 97.4909 99.0523 -1.5614 99.0643 -1.5734 97.3483 -0.7667 98.9848 97.5723 RUR_USD 24.5076 24.5046 0.0030 24.3359 0.1717 24.6456 24.5071 0.1385 24.5037 0.1419 24.8917 24.6467 0.2450 24.5077 0.3840 24.6325 24.8928 -0.2603 24.6460 -0.0135 24.6349 24.6309 0.0040 24.8931 -0.2582 24.4386 24.6368 -0.1982 24.6331 -0.1945 24.5952 24.4378 0.1574 24.6357 -0.0405 24.4750 24.5958 -0.1208 24.4404 0.0346 24.4764 24.4735 0.0029 24.5934 -0.1170 24.4262 24.4766 -0.0504 24.4748 -0.0486 24.4201 24.4261 -0.0060 24.4749 -0.0548 24.4543 24.4199 0.0344 24.4270 0.0273 24.5211 24.4544 0.0667 24.4194 0.1017 24.6706 24.5211 0.1495 24.4541 0.2165 24.5486 24.5202 0.0284 24.5767 -0.0281 24.5299 24.5487 -0.0188 24.5204 0.0095 24.4663 24.5296 -0.0633 24.5481 -0.0818 24.4558 24.4660 -0.0102 24.5298 -0.0740 24.1966 24.4560 -0.2594 24.4659 -0.2693 24.6466 24.6711 -0.0245 24.5208 0.1258 24.7813 24.6462 0.1351 24.6706 0.1107 24.6715 24.7825 -0.1110 24.6470 0.0245 24.6537 24.6709 -0.0172 24.7818 -0.1281 24.6655 24.6543 0.0112 24.6728 -0.0073 24.6392 24.6657 -0.0265 24.6536 -0.0144 24.5861 24.6387 -0.0526 24.6664 -0.0803 24.5767 24.5859 -0.0092 24.6386 -0.0619 24.5206 24.5768 -0.0562 24.5858 -0.0652 24.1159 24.1953 -0.0794 24.4559 -0.3400 24.0023 24.1162 -0.1139 24.1965 -0.1942 24.0103 24.0014 0.0089 24.1151 -0.1048 24.0480 24.0098 0.0382 24.0020 0.0460 24.0473 24.0476 -0.0003 24.0083 0.0390 23.9349 24.0469 -0.1120 24.0471 -0.1122 23.8353 23.9345 -0.0992 24.0465 -0.2112 23.8587 23.8354 0.0233 23.9348 -0.0761 23.8461 23.8589 -0.0128 23.8354 0.0107 23.6924 23.8454 -0.1530 23.8586 -0.1662 23.6490 23.6915 -0.0425 23.8453 -0.1963 23.5126 23.6494 -0.1368 23.6916 -0.1790 23.5325 23.5118 0.0207 23.6489 -0.1164 23.5581 23.5325 0.0256 23.5124 0.0457 23.6781 23.5577 0.1204 23.5312 0.1469 23.7773 23.6782 0.0991 23.5576 0.2197 23.8351 23.7774 0.0577 23.6771 0.1580 23.7010 23.8354 -0.1344 23.7774 -0.0764 23.6559 23.7008 -0.0449 23.8355 -0.1796 23.5171 23.6566 -0.1395 23.7020 -0.1849 23.5156 23.5165 -0.0009 23.6566 -0.1410 23.5027 23.5156 -0.0129 23.5175 -0.0148 23.5799 23.5022 0.0777 23.5145 0.0654 23.6706 23.5799 0.0907 23.5022 0.1684 23.6153 23.6707 -0.0554 23.5789 0.0364 23.5982 23.6149 -0.0167 23.6705 -0.0723 23.6028 23.5988 0.0040 23.6153 -0.0125 23.5330 23.6030 -0.0700 23.5987 -0.0657 23.5437 23.5325 0.0112 23.6035 -0.0598 23.4628 23.5439 -0.0811 23.5327 -0.0699 23.4825 23.4623 0.0202 23.5434 -0.0609 23.5139 23.4827 0.0312 23.4628 0.0511 23.4549 23.5138 -0.0589 23.4819 -0.0270 23.4482 23.4544 -0.0062 23.5139 -0.0657 23.3703 23.4485 -0.0782 23.4544 -0.0841 23.3696 23.3699 -0.0003 23.4482 -0.0786 23.4704 23.3697 0.1007 23.3705 0.0999 23.4299 23.4706 -0.0407 23.3691 0.0608 23.3448 23.4292 -0.0844 23.4703 -0.1255 23.4391 23.3448 0.0943 23.4295 0.0096 23.6007 23.4400 0.1607 23.3447 0.2560 23.6037 23.6007 0.0030 23.4397 0.1640 23.6471 23.6031 0.0440 23.6006 0.0465 23.6588 23.6479 0.0109 23.6033 0.0555 23.7633 23.6592 0.1041 23.6477 0.1156 23.7456 23.7638 -0.0182 23.6601 0.0855 23.7523 23.7453 0.0070 23.7635 -0.0112 23.8833 23.7527 0.1306 23.7460 0.1373 23.8328 23.8841 -0.0513 23.7524 0.0804 23.7199 23.8321 -0.1122 23.8840 -0.1641 23.8521 23.7199 0.1322 23.8330 0.0191 23.8482 23.8533 -0.0051 23.7199 0.1283 23.8391 23.8473 -0.0082 23.8529 -0.0138 23.7238 23.8391 -0.1153 23.8481 -0.1243 23.7462 23.7237 0.0225 23.8383 -0.0921 23.6874 23.7467 -0.0593 23.7246 -0.0372 23.5758 23.6868 -0.1110 23.7462 -0.1704 23.6007 23.5752 0.0255 23.6873 -0.0866 23.5483 23.6011 -0.0528 23.5749 -0.0266 23.5513 23.5475 0.0038 23.6006 -0.0493 23.5847 23.5512 0.0335 23.5479 0.0368 23.6659 23.5848 0.0811 23.5504 0.1155 23.7384 23.6660 0.0724 23.5847 0.1537 23.7473 23.7385 0.0088 23.6656 0.0817 23.6968 23.7474 -0.0506 23.7385 -0.0417 23.8019 23.6970 0.1049 23.7477 0.0542 23.8116 23.8028 0.0088 23.6974 0.1142 23.6809 23.8112 -0.1303 23.8024 -0.1215 23.5210 23.6804 -0.1594 23.8119 -0.2909 23.6109 23.5211 0.0898 23.6806 -0.0697 23.6748 23.6116 0.0632 23.5215 0.1533 23.7795 23.6740 0.1055 23.6108 0.1687 23.6402 23.7795 -0.1393 23.6739 -0.0337 23.6586 23.6397 0.0189 23.7783 -0.1197 23.5979 23.6596 -0.0617 23.6408 -0.0429 23.6288 23.5975 0.0313 23.6590 -0.0302 23.5908 23.6288 -0.0380 23.5987 -0.0079 23.6223 23.5904 0.0319 23.6279 -0.0056 23.6113 23.6225 -0.0112 23.5908 0.0205 23.5245 23.6111 -0.0866 23.6219 -0.0974 23.4573 23.5241 -0.0668 23.6115 -0.1542 23.4068 23.4574 -0.0506 23.5243 -0.1175 23.4689 23.4066 0.0623 23.4574 0.0115 23.4147 23.4689 -0.0542 23.4066 0.0081 23.3759 23.4139 -0.0380 23.4682 -0.0923 23.5125 23.3759 0.1366 23.4142 0.0983 23.5024 23.5133 -0.0109 23.3754 0.1270 23.4147 23.5016 -0.0869 23.5128 -0.0981 23.4363 23.4146 0.0217 23.5022 -0.0659 23.3727 23.4371 -0.0644 23.4144 -0.0417 23.2300 23.3721 -0.1421 23.4371 -0.2071 23.1255 23.2294 -0.1039 23.3728 -0.2473 23.1638 23.1255 0.0383 23.2293 -0.0655 23.2250 23.1638 0.0612 23.1254 0.0996 23.1937 23.2245 -0.0308 23.1632 0.0305 23.2120 23.1931 0.0189 23.2239 -0.0119 23.1960 23.2124 -0.0164 23.1929 0.0031 23.3220 23.1960 0.1260 23.2121 0.1099 23.3782 23.3226 0.0556 23.1965 0.1817 23.3572 23.3780 -0.0208 23.3218 0.0354 23.3610 23.3572 0.0038 23.3784 -0.0174 23.3278 23.3616 -0.0338 23.3572 -0.0294 23.4456 23.3278 0.1178 23.3619 0.0837 23.4186 23.4462 -0.0276 23.3283 0.0903 23.4697 23.4180 0.0517 23.4455 0.0242 23.4039 23.4702 -0.0663 23.4187 -0.0148 23.4354 23.4037 0.0317 23.4695 -0.0341 23.5142 23.4358 0.0784 23.4047 0.1095 23.5816 23.5144 0.0672 23.4353 0.1463 23.8782 23.5815 0.2967 23.5145 0.3637 24.5697 23.8795 0.6902 23.5813 0.9884 24.3424 24.5721 -0.2297 23.8785 0.4639 24.1559 24.3399 -0.1840 24.5707 -0.4148 24.2901 24.1584 0.1317 24.3439 -0.0538 24.5054 24.2928 0.2126 24.1580 0.3474 24.4898 24.5048 -0.0150 24.2950 0.1948 24.5703 24.4888 0.0815 24.5047 0.0656 24.4316 24.5716 -0.1400 24.4885 -0.0569 24.3013 24.4313 -0.1300 24.5711 -0.2698 24.2699 24.3014 -0.0315 24.4334 -0.1635 24.4389 24.2701 0.1688 24.3013 0.1376 24.5803 24.4390 0.1413 24.2702 0.3101 24.6019 24.5799 0.0220 24.4379 0.1640 24.5474 24.6018 -0.0544 24.5794 -0.0320 24.5769 24.5479 0.0290 24.6018 -0.0249 24.6670 24.5777 0.0893 24.5486 0.1184 24.7184 24.6672 0.0512 24.5780 0.1404 24.8739 24.7182 0.1557 24.6673 0.2066 25.2144 24.8747 0.3397 24.7182 0.4962 25.4552 25.2157 0.2395 24.8741 0.5811 25.2626 25.4556 -0.1930 25.2153 0.0473 25.5814 25.2622 0.3192 25.4561 0.1253 25.5761 25.5850 -0.0089 25.2642 0.3119 25.7842 25.5752 0.2090 25.5838 0.2004 25.7013 25.7853 -0.0840 25.5785 0.1228 25.3938 25.7011 -0.3073 25.7832 -0.3894 25.5245 25.3932 0.1313 25.7036 -0.1791 25.4307 25.5265 -0.0958 25.3941 0.0366 25.4863 25.4289 0.0574 25.5256 -0.0393 25.2690 25.4863 -0.2173 25.4304 -0.1614 24.9864 25.2680 -0.2816 25.4840 -0.4976 25.0703 24.9858 0.0845 25.2696 -0.1993 24.8982 25.0713 -0.1731 24.9857 -0.0875 25.0221 24.8959 0.1262 25.0702 -0.0481 25.2464 25.0226 0.2238 24.8967 0.3497 25.6023 25.2468 0.3555 25.0197 0.5826 25.8993 25.6029 0.2964 25.2468 0.6525 26.1784 25.9003 0.2781 25.6015 0.5769 26.1791 26.1801 -0.0010 25.9005 0.2786 26.1629 26.1799 -0.0170 26.1806 -0.0177 26.0695 26.1644 -0.0949 26.1823 -0.1128 26.2080 26.0700 0.1380 26.1655 0.0425 26.1111 26.2089 -0.0978 26.0718 0.0393 26.0871 26.1099 -0.0228 26.2082 -0.1211 26.1347 26.0874 0.0473 26.1111 0.0236 26.3691 26.1352 0.2339 26.0864 0.2827 26.2505 26.3696 -0.1191 26.1355 0.1150 26.0561 26.2492 -0.1931 26.3686 -0.3125 26.4417 26.0564 0.3853 26.2505 0.1912 26.9215 26.4444 0.4771 26.0564 0.8651 26.9793 26.9214 0.0579 26.4431 0.5362 27.0596 26.9783 0.0813 26.9213 0.1383 27.3507 27.0620 0.2887 26.9785 0.3722 27.3018 27.3532 -0.0514 27.0623 0.2395 27.0979 27.3009 -0.2030 27.3546 -0.2567 27.0981 27.0981 -0.0000 27.3031 -0.2050 26.9146 27.0995 -0.1849 27.0986 -0.1840 26.9114 26.9132 -0.0018 27.1000 -0.1886 27.0041 26.9114 0.0927 26.9145 0.0896 26.9639 27.0041 -0.0402 26.9097 0.0542 27.3399 26.9629 0.3770 27.0038 0.3361 27.4704 27.3419 0.1285 26.9627 0.5077 27.6704 27.4698 0.2006 27.3397 0.3307 27.3386 27.6716 -0.3330 27.4715 -0.1329 27.4374 27.3379 0.0995 27.6705 -0.2331 27.4301 27.4398 -0.0097 27.3415 0.0886 27.4413 27.4295 0.0118 27.4384 0.0029 27.5715 27.4406 0.1309 27.4316 0.1399 27.5665 27.5723 -0.0058 27.4392 0.1273 27.6613 27.5660 0.0953 27.5718 0.0895 27.3913 27.6621 -0.2708 27.5667 -0.1754 27.3563 27.3902 -0.0339 27.6614 -0.3051 27.4216 27.3573 0.0643 27.3923 0.0293 27.6060 27.4216 0.1844 27.3561 0.2499 27.9409 27.6057 0.3352 27.4221 0.5188 28.0166 27.9418 0.0748 27.6043 0.4123 27.9212 28.0164 -0.0952 27.9406 -0.0194 27.9576 27.9219 0.0357 28.0175 -0.0599 28.0916 27.9592 0.1324 27.9228 0.1688 28.0043 28.0920 -0.0877 27.9601 0.0442 28.0029 28.0033 -0.0004 28.0925 -0.0896 27.8671 28.0036 -0.1365 28.0039 -0.1368 27.9310 27.8667 0.0643 28.0030 -0.0720 27.8077 27.9315 -0.1238 27.8680 -0.0603 27.8160 27.8066 0.0094 27.9304 -0.1144 27.6009 27.8162 -0.2153 27.8076 -0.2067 27.5199 27.5998 -0.0799 27.8149 -0.2950 27.6095 27.5200 0.0895 27.6012 0.0083 27.7351 27.6097 0.1254 27.5189 0.2162 28.2682 27.7345 0.5337 27.6092 0.6590 28.3359 28.2700 0.0659 27.7337 0.6022 28.6119 28.3349 0.2770 28.2676 0.3443 28.6735 28.6145 0.0590 28.3371 0.3364 29.0058 28.6745 0.3313 28.6132 0.3926 29.2300 29.0079 0.2221 28.6777 0.5523 29.3804 29.2308 0.1496 29.0071 0.3733 29.3916 29.3813 0.0103 29.2324 0.1592 30.5331 29.3926 1.1405 29.3815 1.1516 30.9981 30.5390 0.4591 29.3943 1.6038 31.2226 30.9966 0.2260 30.5351 0.6875 31.5616 31.2248 0.3368 31.0008 0.5608 32.2135 31.5667 0.6468 31.2238 0.9897 32.5747 32.2170 0.3577 31.5701 1.0046 32.9085 32.5755 0.3330 32.2185 0.6900 33.4154 32.9113 0.5041 32.5777 0.8377 32.6430 33.4192 -0.7762 32.9118 -0.2688 32.7991 32.6398 0.1593 33.4209 -0.6218 32.8926 32.8046 0.0880 32.6470 0.2456 32.9018 32.8921 0.0097 32.8011 0.1007 32.9979 32.8997 0.0982 32.8964 0.1015 33.2155 32.9990 0.2165 32.8971 0.3184 34.6847 33.2164 1.4683 32.9982 1.6865 34.7236 34.6905 0.0331 33.2164 1.5072 34.7195 33.2160 34.6872 34.7258 RUR_EUR 35.8669 35.8636 0.0033 36.0642 -0.1973 35.8298 35.8672 -0.0374 35.8623 -0.0325 35.8490 35.8316 0.0174 35.8673 -0.0183 35.9832 35.8508 0.1324 35.8318 0.1514 35.9891 35.9818 0.0073 35.8482 0.1409 36.0714 35.9893 0.0821 35.9838 0.0876 36.1033 36.0697 0.0336 35.9888 0.1145 36.1398 36.1016 0.0382 36.0701 0.0697 36.1688 36.1389 0.0299 36.1038 0.0650 36.2900 36.1675 0.1225 36.1388 0.1512 36.3225 36.2881 0.0344 36.1688 0.1537 36.2731 36.3216 -0.0485 36.2897 -0.0166 36.3059 36.2728 0.0331 36.3223 -0.0164 36.0980 36.3042 -0.2062 36.2719 -0.1739 36.0259 36.1003 -0.0744 36.3060 -0.2801 35.8585 36.0271 -0.1686 36.0986 -0.2401 35.9316 35.8611 0.0705 36.0253 -0.0937 35.8317 35.9332 -0.1015 35.8609 -0.0292 35.9006 35.8343 0.0663 35.9315 -0.0309 35.9732 35.9011 0.0721 35.8334 0.1398 36.0309 35.9721 0.0588 35.8992 0.1317 36.0663 36.0309 0.0354 35.9747 0.0916 36.0992 36.0649 0.0343 36.0297 0.0695 36.1036 36.0978 0.0058 36.0659 0.0377 36.1399 36.1028 0.0371 36.0988 0.0411 36.2248 36.1390 0.0858 36.1034 0.1214 36.1921 36.2235 -0.0314 36.1396 0.0525 36.3893 36.1923 0.1970 36.2249 0.1644 36.4054 36.3863 0.0191 36.1917 0.2137 36.5099 36.4045 0.1054 36.3885 0.1214 36.5125 36.5081 0.0044 36.4061 0.1064 36.5169 36.5104 0.0065 36.5076 0.0093 36.4918 36.5162 -0.0244 36.5132 -0.0214 36.6204 36.4910 0.1294 36.5157 0.1047 36.6921 36.6189 0.0732 36.4922 0.1999 36.6446 36.6913 -0.0467 36.6203 0.0243 36.6538 36.6448 0.0090 36.6924 -0.0386 36.8701 36.6521 0.2180 36.6431 0.2270 36.8995 36.8671 0.0324 36.6535 0.2460 37.1123 36.8996 0.2127 36.8708 0.2415 37.0825 37.1088 -0.0263 36.8992 0.1833 37.0216 37.0805 -0.0589 37.1100 -0.0884 36.8739 37.0211 -0.1472 37.0831 -0.2092 36.7526 36.8737 -0.1211 37.0193 -0.2667 36.6632 36.7546 -0.0914 36.8750 -0.2118 36.8527 36.6655 0.1872 36.7530 0.0997 36.9103 36.8525 0.0578 36.6646 0.2457 37.0794 36.9112 0.1682 36.8535 0.2259 37.0676 37.0775 -0.0099 36.9109 0.1567 37.0873 37.0656 0.0217 37.0771 0.0102 36.9851 37.0857 -0.1006 37.0678 -0.0827 36.8693 36.9847 -0.1154 37.0856 -0.2163 36.9414 36.8707 0.0707 36.9859 -0.0445 36.9760 36.9408 0.0352 36.8689 0.1071 36.9714 36.9771 -0.0057 36.9426 0.0288 37.0433 36.9723 0.0710 36.9768 0.0665 37.0295 37.0416 -0.0121 36.9702 0.0593 37.1299 37.0293 0.1006 37.0433 0.0866 37.1070 37.1285 -0.0215 37.0296 0.0774 37.0603 37.1066 -0.0463 37.1291 -0.0688 37.1291 37.0605 0.0686 37.1075 0.0216 37.1396 37.1274 0.0122 37.0591 0.0805 37.2336 37.1399 0.0937 37.1297 0.1039 37.2348 37.2327 0.0021 37.1400 0.0948 37.1137 37.2340 -0.1203 37.2327 -0.1190 37.1598 37.1146 0.0452 37.2350 -0.0752 37.2606 37.1583 0.1023 37.1127 0.1479 37.1463 37.2599 -0.1136 37.1601 -0.0138 36.9422 37.1486 -0.2064 37.2619 -0.3197 36.9469 36.9437 0.0032 37.1453 -0.1984 36.8895 36.9464 -0.0569 36.9414 -0.0519 36.8959 36.8922 0.0037 36.9485 -0.0526 36.7666 36.8978 -0.1312 36.8912 -0.1246 36.7701 36.7683 0.0018 36.8951 -0.1250 36.7757 36.7706 0.0051 36.7674 0.0083 36.6035 36.7761 -0.1726 36.7698 -0.1663 36.6715 36.6068 0.0647 36.7772 -0.1057 36.8346 36.6707 0.1639 36.6029 0.2317 36.8730 36.8334 0.0396 36.6715 0.2015 37.0339 36.8739 0.1600 36.8365 0.1974 36.9053 37.0306 -0.1253 36.8716 0.0337 36.9474 36.9050 0.0424 37.0325 -0.0851 36.9705 36.9458 0.0247 36.9055 0.0650 37.0731 36.9692 0.1039 36.9457 0.1274 37.2238 37.0730 0.1508 36.9725 0.2513 37.0932 37.2215 -0.1283 37.0720 0.0212 37.1357 37.0940 0.0417 37.2238 -0.0881 37.1239 37.1335 -0.0096 37.0922 0.0317 37.0987 37.1231 -0.0244 37.1344 -0.0357 36.8904 37.1001 -0.2097 37.1258 -0.2354 36.7827 36.8925 -0.1098 37.0976 -0.3149 36.8701 36.7842 0.0859 36.8908 -0.0207 36.8699 36.8703 -0.0004 36.7829 0.0870 36.7382 36.8724 -0.1342 36.8722 -0.1340 36.7699 36.7404 0.0295 36.8703 -0.1004 36.9233 36.7687 0.1546 36.7370 0.1863 37.1420 36.9221 0.2199 36.7703 0.3717 36.8070 37.1406 -0.3336 36.9247 -0.1177 36.6841 36.8099 -0.1258 37.1412 -0.4571 36.5681 36.6831 -0.1150 36.8056 -0.2375 36.6943 36.5688 0.1255 36.6823 0.0120 36.6827 36.6967 -0.0140 36.5725 0.1102 36.7325 36.6846 0.0479 36.6941 0.0384 36.7003 36.7325 -0.0322 36.6837 0.0166 36.7427 36.6995 0.0432 36.7308 0.0119 36.7138 36.7421 -0.0283 36.7010 0.0128 36.7203 36.7138 0.0065 36.7420 -0.0217 36.8276 36.7204 0.1072 36.7144 0.1132 36.9077 36.8261 0.0816 36.7197 0.1880 36.9710 36.9070 0.0640 36.8281 0.1429 36.9823 36.9697 0.0126 36.9075 0.0748 37.0561 36.9807 0.0754 36.9699 0.0862 37.1069 37.0542 0.0527 36.9819 0.1250 36.9381 37.1056 -0.1675 37.0557 -0.1176 36.8823 36.9396 -0.0573 37.1070 -0.2247 36.7822 36.8820 -0.0998 36.9373 -0.1551 36.8747 36.7836 0.0911 36.8820 -0.0073 36.8774 36.8756 0.0018 36.7842 0.0932 36.9009 36.8784 0.0225 36.8746 0.0263 36.8759 36.9012 -0.0253 36.8784 -0.0025 36.8559 36.8753 -0.0194 36.8995 -0.0436 36.8093 36.8560 -0.0467 36.8763 -0.0670 36.7991 36.8097 -0.0106 36.8556 -0.0565 36.8142 36.7996 0.0146 36.8097 0.0045 36.9419 36.8144 0.1275 36.7992 0.1427 36.7695 36.9409 -0.1714 36.8146 -0.0451 36.6664 36.7715 -0.1051 36.9418 -0.2754 36.7128 36.6669 0.0459 36.7694 -0.0566 36.6768 36.7118 -0.0350 36.6651 0.0117 36.7203 36.6794 0.0409 36.7151 0.0052 36.5329 36.7206 -0.1877 36.6771 -0.1442 36.5752 36.5348 0.0404 36.7195 -0.1443 36.5353 36.5749 -0.0396 36.5336 0.0017 36.4586 36.5362 -0.0776 36.5745 -0.1159 36.3999 36.4612 -0.0613 36.5375 -0.1376 36.4564 36.4004 0.0560 36.4574 -0.0010 36.4737 36.4565 0.0172 36.4006 0.0731 36.2996 36.4745 -0.1749 36.4570 -0.1574 36.7808 36.3020 0.4788 36.4741 0.3067 36.1850 36.7746 -0.5896 36.2988 -0.1138 36.1034 36.1925 -0.0891 36.7809 -0.6775 36.1922 36.1040 0.0882 36.1870 0.0052 36.1406 36.1891 -0.0485 36.0974 0.0432 36.1200 36.1475 -0.0275 36.2007 -0.0807 35.9832 36.1207 -0.1375 36.1388 -0.1556 36.0439 35.9841 0.0598 36.1191 -0.0752 35.9975 36.0438 -0.0463 35.9842 0.0133 36.1257 35.9988 0.1269 36.0438 0.0819 36.0083 36.1253 -0.1170 35.9989 0.0094 36.0888 36.0093 0.0795 36.1245 -0.0357 36.1574 36.0878 0.0696 36.0092 0.1482 36.2884 36.1558 0.1326 36.0872 0.2012 36.2264 36.2877 -0.0613 36.1592 0.0672 36.1248 36.2260 -0.1012 36.2870 -0.1622 35.9455 36.1247 -0.1792 36.2261 -0.2806 35.9279 35.9466 -0.0187 36.1236 -0.1957 36.5937 35.9292 0.6645 35.9466 0.6471 36.3908 36.5877 -0.1969 35.9286 0.4622 36.2670 36.3949 -0.1279 36.5953 -0.3283 36.0877 36.2657 -0.1780 36.3905 -0.3028 36.1851 36.0841 0.1010 36.2598 -0.0747 35.9922 36.1866 -0.1944 36.0925 -0.1003 36.0821 35.9965 0.0856 36.1851 -0.1030 36.4299 36.0824 0.3475 35.9938 0.4361 36.2958 36.4257 -0.1299 36.0804 0.2154 36.4066 36.2988 0.1078 36.4325 -0.0259 36.2568 36.4029 -0.1461 36.2940 -0.0372 36.6274 36.2557 0.3717 36.4033 0.2241 36.8974 36.6239 0.2735 36.2596 0.6378 36.7957 36.8938 -0.0981 36.6254 0.1703 36.7099 36.7967 -0.0868 36.8996 -0.1897 36.5948 36.7060 -0.1112 36.7911 -0.1963 36.3700 36.5939 -0.2239 36.7085 -0.3385 36.1530 36.3740 -0.2210 36.5967 -0.4437 35.8757 36.1569 -0.2812 36.3703 -0.4946 35.5476 35.8811 -0.3335 36.1539 -0.6063 35.5512 35.5547 -0.0035 35.8777 -0.3265 35.5632 35.5546 0.0086 35.5491 0.0141 35.6839 35.5673 0.1166 35.5534 0.1305 35.5171 35.6857 -0.1686 35.5658 -0.0487 35.6051 35.5189 0.0862 35.6828 -0.0777 35.6063 35.6034 0.0029 35.5172 0.0891 35.5798 35.6058 -0.0260 35.6038 -0.0240 35.3188 35.5814 -0.2626 35.6086 -0.2898 35.3988 35.3210 0.0778 35.5781 -0.1793 35.1731 35.3980 -0.2249 35.3193 -0.1462 35.0881 35.1771 -0.0890 35.3990 -0.3109 34.6345 35.0913 -0.4568 35.1758 -0.5413 34.5767 34.6400 -0.0633 35.0862 -0.5095 34.4144 34.5800 -0.1656 34.6374 -0.2230 34.0844 34.4192 -0.3348 34.5766 -0.4922 34.1627 34.0930 0.0697 34.4191 -0.2564 34.4306 34.1631 0.2675 34.0833 0.3473 34.4092 34.4305 -0.0213 34.1645 0.2447 34.5449 34.4123 0.1326 34.4336 0.1113 34.6484 34.5413 0.1071 34.4072 0.2412 34.5112 34.6446 -0.1334 34.5425 -0.0313 34.5677 34.5124 0.0553 34.6497 -0.0820 34.8064 34.5653 0.2411 34.5095 0.2969 34.6319 34.8032 -0.1713 34.5671 0.0648 34.3777 34.6350 -0.2573 34.8082 -0.4305 34.7938 34.3791 0.4147 34.6307 0.1631 34.5766 34.7874 -0.2108 34.3754 0.2012 34.6250 34.5819 0.0431 34.7966 -0.1716 34.6693 34.6251 0.0442 34.5785 0.0908 34.4975 34.6656 -0.1681 34.6196 -0.1221 34.5215 34.5014 0.0201 34.6735 -0.1520 34.9141 34.5206 0.3935 34.4958 0.4183 35.2416 34.9098 0.3318 34.5213 0.7203 35.4565 35.2393 0.2172 34.9161 0.5404 35.3629 35.4520 -0.0891 35.2407 0.1222 35.7166 35.3586 0.3580 35.4525 0.2641 35.4095 35.7083 -0.2988 35.3609 0.0486 35.3037 35.4113 -0.1076 35.7153 -0.4116 35.4404 35.3043 0.1361 35.4112 0.0292 35.3887 35.4367 -0.0480 35.2993 0.0894 35.8786 35.3928 0.4858 35.4452 0.4334 36.0107 35.8733 0.1374 35.3884 0.6223 36.0061 36.0080 -0.0019 35.8769 0.1292 36.1715 36.0045 0.1670 36.0120 0.1595 36.6678 36.1641 0.5037 36.0005 0.6673 36.9008 36.6607 0.2401 36.1721 0.7287 37.4292 36.8973 0.5319 36.6681 0.7611 37.8188 37.4192 0.3996 36.8990 0.9198 38.7040 37.8082 0.8958 37.4245 1.2795 39.7798 38.6890 1.0908 37.8182 1.9616 39.5475 39.7602 -0.2127 38.6989 0.8486 39.7253 39.5423 0.1830 39.7777 -0.0524 39.6674 39.7097 -0.0423 39.5393 0.1281 39.9565 39.6584 0.2981 39.7169 0.2396 40.1859 39.9546 0.2313 39.6736 0.5123 40.7880 40.1817 0.6063 39.9529 0.8351 41.6294 40.7802 0.8492 40.1874 1.4420 41.4411 41.6156 -0.1745 40.7846 0.6565 41.4275 41.4382 -0.0107 41.6282 -0.2007 41.1311 41.4180 -0.2869 41.4354 -0.3043 41.5282 41.1271 0.4011 41.4206 0.1076 41.4105 41.5255 -0.1150 41.1360 0.2745 41.9706 41.4133 0.5573 41.5269 0.4437 42.3833 41.9653 0.4180 41.4138 0.9695 43.0800 42.3750 0.7050 41.9651 1.1149
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||