Прикладная информатика, 2008, №3 (15)
Покупка
Основная коллекция
Издательство:
Синергия ПРЕСС
Наименование: Прикладная информатика
Год издания: 2008
Кол-во страниц: 144
Дополнительно
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
УВАЖАЕМЫЕ КОЛЛЕГИ! Июньский выпуск нашего журнала совпадает с окончанием очередного учебного года, и основная часть материалов номера посвящена образовательному процессу. Рубрику «IT и образование» открывает продолжение публикации требований профессионального стандарта «Специалист по информационным системам». На этот раз вниманию читателя предлагается перечень основных профессиональных знаний, необходимых для эффективного выполнения должностных обязанностей данным специалистом. В разделе «Образовательное пространство» В.Г. Халин и В.М. Белый в своих статьях излагают собственные взгляды на реалии и перспективы применения информационных технологий в образовательном процессе, а В.А. Сухомлин представляет пример практической реализации концепций создания Виртуального национального университета ITобразования. Средства IT являются также рабочим инструментом специалистов«некомпьютерщиков». Этот аспект ITобразования в том числе отражен в вышеупомянутой публикации В.М. Белого, а также в статье И.А. Меркулиной и А.П. Никитина, посвященной подготовке студентов финансовоэкономического профиля. Тему подготовки специалистов, являющихся конечными пользователями, продолжает Ю.Н. Селезнев — его материал посвящен актуальнейшему вопросу надежности персонала объектов атомной промышленности. В таких вопросах, как прогнозирование котировок ценных бумаг и составление сметы затрат на разработку программного обеспечения, цена ошибки, конечно, не столь высока. Тем не менее современный ITинструментарий существенно повышает эффективность работы специалистов и в этих сферах деятельности. В рубрике «ITменеджмент» М.А. Глазова представляет вниманию читателей средства для управления программными проектами, а авторы раздела «ITбизнес» В.Н. Бугорский и А.Г. Сергиенко в своей публикации, посвященной рынку ценных бумаг, расширяют область применения нейросетевого моделирования. Главный редактор А.А. Емельянов
РЫНОК ЦЕННЫХ БУМАГ В.Н. Бугорский, А.Г. Сергиенко Использование нейронных сетей для моделирования прогноза котировок ценных бумаг. . . . . . . . . . . . . . . . . . . . . . . . 3 УПРАВЛЕНИЕ ПРОЕКТАМИ М.А. Глазова Системы оценки стоимости проектов по разработке программного обеспечения . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 ПОДГОТОВКА ITСПЕЦИАЛИСТОВ Требования профессионального стандарта Специалист по информационным системам: должностные обязанности и основные знания . . . . . . . . . . . . 28 ПОДГОТОВКА ЭКОНОМИСТОВАНАЛИТИКОВ И.А. Меркулина, А.П. Никитин Применение пакета OpenOffice.org при обучении методам экономического анализа. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 ОБРАЗОВАТЕЛЬНОЕ ПРОСТРАНСТВО В.А. Сухомлин Виртуальный национальный университет ITобразования: от концепций к реализации . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 В.Г. Халин Информатизация как фактор развития национальной системы высшего образования . . . . . . . . . . . . . . . . . . . . . . . . 116 В.М. Белый Информационные технологии: предмет изучения и инструмент образовательного процесса . . . . . . . . . . . . . . . 124 КВАЛИФИКАЦИЯ ПОЛЬЗОВАТЕЛЯ Ю.Н. Селезнев Моделирование профессиональных компетенций работников атомной промышленности . . . . . . . . . . . . . . . . . . 133 . . . . . . . . . . . . . . . . . . 140 . . 141 Редакционная коллегия Главный редактор Емельянов А.А. д.э.н., проф. Заместители главного редактора Артюхин В.В. к.э.н., доцент Власова Е.А. Редакционный совет Багриновский К.А. д.э.н., проф. Звонова А.Н. к.э.н. Козлов В.Н. д.т.н., проф. Коршунов С.В. к.т.н., проф. Мешалкин В.П. чл.корр. РАН, д.т.н., проф., сопредседатель Мэйпл К. Ph.D., проф. Павловский Ю.Н. чл.корр. РАН, д.ф.м.н., проф., сопредседатель Поршнев А.Г. чл.корр. РАН, д.э.н., проф. Пузанков Д.В. д.т.н., проф. Росс Г.В. д.т.н., д.э.н., проф. Рубин Ю.Б. д.э.н., проф. Саркисов П.Д. акад. РАН, д.т.н., проф., сопредседатель Сухомлин В.А. д.ф.м.н., проф. Титарев Л.Г. д.т.н., проф. Члены редколлегии Амбросов Н.В. д.э.н., проф. Бендиков М.А. д.э.н., проф. Бугорский В.Н. к.э.н., проф. Буянова Л.Н. д.э.н., проф. Волкова В.Н. д.э.н., проф. Диго С.М. к.э.н., проф. Дик В.В. д.э.н., проф. Дли М.И. д.т.н., проф. Емельянов С.А. Иванов Л.Н. д.т.н., проф. Литвинова О.А. к.э.н. Малышев Н.Г. д.т.н., проф. Попов И.И. д.т.н., проф. Потемкин А.И. д.т.н., проф. Салмин С.П. д.э.н., проф. Халин В.Г. к.ф.м.н., проф. Хубаев Г.Н. д.э.н., проф. Чистов Д.В. д.э.н., проф. Шориков А.Ф. д.ф.м.н., проф.
В.Н. Бугорский, А.Г. Сергиенко Использование нейронных сетей для моделирования прогноза котировок ценных бумаг В современных условиях становления российского рынка ценных бумаг особую значимость приобретают исследования по моделированию прогнозов котировок ценных бумаг. Недавние колебания биржевых индексов, продолжающийся кризис ипотечного кредитования в США и другие потрясения рынка ценных бумаг показывают, что необходимость в данных исследованиях назрела. Как в России, так и в передовых развитых странах колебания этого рынка все менее зависят от политического влияния и влияния других нерыночных факторов, что подтверждает необходимость проведения объективных исследований в этой области. Научнометодические разработки по данной тематике могут быть полезны как для юридических, так и для физических лиц. П о мере возрастания зависимости российского рынка ценных бумаг от американского, европейского и азиатского рынков — а эта зависимость после вступления России в ВТО, размещения ценных бумаг ведущих российских фондовых игроков на мировых фондовых площадках, значительного роста притока инвестиционного капитала станет неизбежной — данная тема будет очень важной в схемах определения перспектив рынка, противодействия кризисным явлениям на рынке ценных бумаг. Значительная часть населения Российской Федерации владеет ценными бумагами, а в последнее время под влиянием государства происходит «народное» размещение ценных бумаг, особенно акций крупных предприятий и организаций (ВТБ, Сбербанк и др.). В связи с этим благодаря созданию модели прогноза котировок любой гражданин сможет принять решение как о совершении какихлибо действий с ценными бумагами, так и о своем желании вступить в рынок ценных бумаг. Зная состояние и возможности рынка, физическое лицо — держатель ценных бумаг может планировать доходы и расходы, прогнозировать свое финансовое будущее, принимать важные рыночные решения. Модель прогноза котировок ценных бумаг поможет предприятиям и организациям определить перспективы рынка, его динамику, наиболее успешное и доходное направление деятельности. Кроме того, создание модели прогнозирования может предупредить о вероятных кризисных явлениях, предопределит спад котировок ценных бумаг на тех или иных рынках. В конечном итоге, внедрение моделирования прогноза ценных бумаг может дать определенный экономический эффект, конкретную финансовую выгоду физическим и юридическим лицам. Почему нейронные сети? Несмотря на то что для моделирования прогнозов котировок ценных бумаг существует много эффективных методов, такое свойство моделей нейронных сетей, как универсальность, т.е. возможность их использования для всех типов ценных бумаг, определяет необходимость исследования в данной области и тщательного их изучения. На протяжении многих лет ключевыми были методы моделирования прогнозов коITбизнес Рынок ценных бумаг 3
тировок ценных бумаг, основой которых является линейное программирование. Однако в задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. В связи с этим важное значение приобретает возможность моделей нейронных сетей быть нелинейными, что весьма существенно при моделировании прогнозов. Модели нейронных сетей относятся к интеллектуальным системам, они позволяют улучшить результаты благодаря самообучению. При этом от пользователя, конечно, требуются определенные теоретические знания о том, как следует подготавливать данные, выбирая нужную архитектуру сети, и интерпретировать полученные результаты. Однако минимально необходимый уровень знаний для использования модели нейронных сетей гораздо скромнее, чем, например, при использовании традиционных методов статистики. Независимо от типа данных или специфики наблюдаемого явления модель нейронной сети является неким абстрактным подходом в отличие от традиционных. Обычно аналитик специально подготавливает данные для машины таким образом, чтобы она смогла решить поставленную задачу. В отличие от технического анализа, нейросетевой анализ не налагает ограничений на характер входной информации. Кроме того, нейронные сети способны находить индикаторы и строить по ним оптимальную стратегию прогноза для типового экономического инструмента. Более того, эти стратегии могут быть адаптивными, меняясь вместе с рынком, что особенно важно для молодых, активно развивающихся рынков, в частности для российского. Влияние случайных факторов колебания значений котировок ценных бумаг, вызванных непредсказуемыми изменениями экономической ситуации в целом, воздействия государства, а также других факторов предсказать практически невозможно. Кроме того, нужно учитывать область распределения возможных фактических значений котировок ценных бумаг, а также ряда других факторов, которые будут находиться в определенном интервале, гарантирующем определенную вероятность прогноза. Нейронные сети обратного распространения — это современный инструмент моделирования, позволяющий эффективно решать задачи поиска закономерностей, прогнозирования, качественного анализа с учетом указанных особенностей. Описание модели Для построения модели прогноза используется нейронная сеть, состоящая из трех блоков (рис. 1): 1) входные данные; 2) вычислительный и анализирующий блок; 3) выходные данные. Входные данные представляют собой выборку, элементы которой содержат следующую информацию: данные о котировках ценных бумаг; период для анализа значений котировок; различного рода корреляционные показатели взаимодействия ценных бумаг; неэкономические составляющие, влияющие на изменение значений котировок; другая информация, необходимая для построения модели. В вычислительном и анализирующем блоке происходят все вычислительные, корректирующие и анализирующие процессы обработки входной выборки. Рассчитанные нейронной сетью показатели подаются в выходные данные, которые необходимы аналитику для принятия какихлибо решений. 4 ITбизнес Рынок ценных бумаг Использование нейронных сетей для моделирования прогноза котировок ценных бумаг Рис. 1. Блоксхема модели нейронной сети
Рассмотрим подробнее схему работы модели нейронной сети обратного распространения (рис. 2). Матрицу весовых коэффициентов от входов обозначим W, матрицу весовых коэффициентов, следующих за слоем W, — V. Для индексов примем следующие обозначения: входы будем нумеровать только индексом i, следующий за iм слой — индексом j, а выходы — соответственно индексом k. Число входов сети равно n, число нейронов в следующем за n слое — m, число нейронов в выходном слое — p. Сеть обучается на выборке ( , ), , X D t T t t 1 , где X x x x t t t n t 1 2 , ,..., — примеры входных образов; D d d d t t t n t 1 2 , ,..., — примеры выходных образов; T — количество входных образов. При обучении нейронной сети ставится задача минимизации целевой функции ошибки, которая находится по методу наименьших квадратов: E W V y d k k k p ( , ) ( ) 1 2 2 1 , где yk — полученное реальное значение kго выхода нейросети при подаче на нее одного из входных образов обучающей выборки; dk — требуемое (целевое) значение kго выхода для этого образа. Обучение нейросети производится известным оптимизационным методом градиентного спуска, т.е. на каждой итерации изменение веса производится по формулам: w w E w ij N ij N ij 1 , v v E v jk N jk N jk 1 , где— параметр, определяющий скорость обучения; N —число итераций при обучении нейронной сети. В качестве активационной функции в сети обратного распространения обычно используется логистическая функция f s e s ( ) 1 1 , где s — взвешенная сумма входов нейрона. ITбизнес Рынок ценных бумаг 5 В.Н. Бугорский, А.Г. Сергиенко Рис. 2. Модель нейронной сети обратного распространения
Эта функция удобна для вычислений в градиентном методе, так как имеет простую производную: f s e e f s f s s s ( ) ( ) ( )( ( )) 1 1 2 . Функция ошибки в явном виде не содержит зависимости от весовых коэффициентов vjk и wij, поэтому для вычисления производных E vjk , E wij воспользуемся формулами дифференцирования сложной функции: E v E y y s s v jk k k k k jk , где sk — взвешенная сумма входных сигналов kго нейрона выходного слоя. Обозначим yj c — значение выхода jго нейрона скрытого слоя. Тогда s v y k jk j c j m 1 ; s v y k jk j c. Так как y f s k k ( ), то y s f s f s k k k k ( )( ( )) 1 y y k k ( ) 1 . Наконец, E y y d k k k. Таким образом, мы получили выражение для производной: E v y d y y y jk k k k k j c ( ) ( ) 1 . Аналогично E w E y y s s w ij j c j c j j ij . Здесь s w x j ij i i n 1 , поэтому s w x j ij i (xi — iя компонента поданного на вход образа обучающей выборки); y s y y j c j j c j c ( ) 1 . Так как функция ошибки не зависит в явном виде от выходов скрытого слоя yj c, то производная E yj c имеет вид: E y E y y s s y j c k k p k k k j c 1 . Из полученных ранее выражений для E yk , y s k k и sk имеем: E y y d y y v j c k k k k jk k p ( ) ( ) 1 1 . Введем обозначение k k k k k k k k E y y s y d y y ( ) ( ) 1 , тогда E v y jk k j c , E w v y y x ij k jk k p j c j c i 1 1 ( ) . Алгоритм обучения сети обратного распространения проходит в несколько этапов. В первую очередь происходит инициализация сети — весовым коэффициентам присваиваются малые случайные значения — например, из диапазона (–0,3, 0,3) задаются: — параметр точности обучения, — параметр скорости обучения (как правило, 01, , и он может еще уменьшаться в процессе обучения), Nmax — максимально допустимое число итераций. Затем вычисляется текущий выходной сигнал. На вход сети подается один из образов обучающей выборки и определяются значения выходов всех нейронов нейросети. В качестве образов для обучения нейронной сети используется выборка, состоящая из значений котировок ценных бумаг, различных числовых характеристик, влияющих на котировки ценных бумаг. Затем производится операция настройки синаптических весов: v v E v jk N jk N jk 1 , где E v y jk k j c , k k k k k y d y y ( ) ( ) 1 . w w E w ij N ij N ij 1 , где E w v y y x ij k jk N k p j c j c i 1 1 1( ) . Операции обучения повторяются для всех обучающих векторов. Обучение завер6 ITбизнес Рынок ценных бумаг Использование нейронных сетей для моделирования прогноза котировок ценных бумаг
шается по достижении для каждого из обучающих образов значения функции ошибки, не превосходящего , или после максимально допустимого числа итераций. Следует учесть, что векторы из обучающей последовательности лучше предъявлять на вход в случайном порядке. Во многих случаях желательно наделять каждый нейрон обучаемым смещением. Это позволяет сдвигать начало отсчета логистической функции, что дает эффект, аналогичный подстройке порога персептронного нейрона, и приводит к ускорению процесса обучения. Такая возможность может быть легко введена в обучающий алгоритм с помощью добавляемого к каждому нейрону веса, присоединенного к +1. Этот вес обучается так же, как и все остальные веса, за исключением того, что подаваемый на него сигнал всегда равен +1, а не выходу нейрона предыдущего слоя. Выходы каждого нейрона сети лежат в диапазоне (0,1) — области значений логистической функции. Это надо учитывать при формировании обучающей выборки. Если необходимо получить от сети бинарный выход, то, как правило, вместо 0 используют 0,1, а вместо 1 — 0,9, так как границы интервала недостижимы. Модификации алгоритма обратного распространения связаны с использованием различных функций ошибки, других активационных функций, различных процедур определения направления и величины шага. Пример применения модели Для моделирования прогноза нейронная сеть использует знания о значениях котировок за предшествующий период. Например, анализируя цены акций за январь, февраль, март, апрель, нейронная сеть прогнозирует цену за май с определенной долей вероятности. Таким образом, для построения прогноза необходимо знать значения котировок прошлых временны´х периодов. Для тестирования модели нейронной сети использовались котировки ценных бумаг ФБ «СПб. “Газпром”» за период с 11.01.2007 по 30.01.2007 (табл. 1). В табл. 1 представлен набор дат и цен котировок на каждую дату, которые являются обучающей выборкой нейронной сети. Входные значения котировок ценных буITбизнес Рынок ценных бумаг 7 В.Н. Бугорский, А.Г. Сергиенко Таблица 1 Обучающая выборка Входные значения Целевое значение Дата Цена (у.е.) Дата Цена (у.е.) Дата Цена (у.е.) 11.01.2007 262,58 12.01.2007 259,92 15.01.2007 267,80 12.01.2007 259,92 15.01.2007 267,80 16.01.2007 263,46 15.01.2007 267,80 16.01.2007 263,46 17.01.2007 256,51 16.01.2007 263,46 17.01.2007 256,51 18.01.2007 255,29 17.01.2007 256,51 18.01.2007 255,29 19.01.2007 255,89 18.01.2007 255,29 19.01.2007 255,89 22.01.2007 258,85 19.01.2007 255,89 22.01.2007 258,85 23.01.2007 258,77 22.01.2007 258,85 23.01.2007 258,77 24.01.2007 258,71 23.01.2007 258,77 24.01.2007 258,71 25.01.2007 261,64 24.01.2007 258,71 25.01.2007 261,64 26.01.2007 258,82 25.01.2007 261,64 26.01.2007 258,82 29.01.2007 256,26 26.01.2007 258,82 29.01.2007 256,26 30.01.2007 255,26 29.01.2007 256,26 30.01.2007 255,26 31.01.2007 256,03 30.01.2007 255,26 31.01.2007 256,03 01.02.2007 261,07
маг — это значения, которые подаются на вход нейронной сети. Целевые значения — это значения, к которым должна стремиться нейронная сеть при обучении. Исходя из имеющихся данных, сеть должна получить набор весовых коэффициентов, отражающих зависимость изменений котировок за указанный период. Ошибка между реальным и полученным значениями нейронной сети составляет 0,01. Если разница между реальным значением и значением на выходе будет меньше, то обучение прекращается. Однако если данная точность не будет достигнута, то ограничением на продолжительность обучения служит порог в 10 000 итераций. Для проведения тестирования использовались программный продукт Neural Network Wizard (рис. 3) и библиотека классов Neural Network Wizard для работы с моделями нейронных сетей, разработанные в среде программирования Delphi 7 компанией BaseGroup Labs1. Рассмотрим параметры тестовой задачи. Число нейронов во входном слое равно 10, в скрытом слое — 5. Число скрытых слоев нейросети равно 1. Активационная функция представлена сигмоидальной функцией (рис. 4) с параметром, равным 1. Обучение нейронной сети происходит за 10 000 итераций. Для проверки точности обучения необходимо подать на вход значения обучающей выборки. Проанализировав их, нейронная сеть должна выдать на выходе значения, близкие к реальным. Об успешности обуче8 ITбизнес Рынок ценных бумаг Использование нейронных сетей для моделирования прогноза котировок ценных бумаг Рис. 4. Параметры модели нейронной сети Рис. 3. Программный продукт Neural Network Wizard 1 Компания BaseGroup Labs, созданная в 1995 году в Рязани, — профессиональный поставщик программных продуктов и решений в области анализа данных. — Прим. ред. по материалам сайта www.basegroup.ru
ния можно судить по степени различия прогнозируемого и реального значений котировок. Значения, приведенные в табл. 2, показывают, что степень различия небольшая, это свидетельствует о малой погрешности и успешном обучении сети. Для визуального отражения зависимостей реального значения и значения на выходе нейронной сети построим с помощью пакета MathCad 2000 гистограмму: ось X — временной промежуток, ось Y — значение цены котировки ценной бумаги (рис. 5). ITбизнес Рынок ценных бумаг 9 В.Н. Бугорский, А.Г. Сергиенко Таблица 2 Значения на выходе нейронной сети для прогнозируемой выборки Данные для обучения нейронной сети Реальное значение Выход нейронной сети (у.е.) Дата Цена (у.е.) Дата Цена (у.е.) Дата Цена (у.е.) 11.01.2007 262,58 12.01.2007 259,92 15.01.2007 267,80 267,19 12.01.2007 259,92 15.01.2007 267,80 16.01.2007 263,46 263,45 15.01.2007 267,80 16.01.2007 263,46 17.01.2007 256,51 256,53 16.01.2007 263,46 17.01.2007 256,51 18.01.2007 255,29 255,52 17.01.2007 256,51 18.01.2007 255,29 19.01.2007 255,89 255,78 18.01.2007 255,29 19.01.2007 255,89 22.01.2007 258,85 259,91 19.01.2007 255,89 22.01.2007 258,85 23.01.2007 258,77 258,91 22.01.2007 258,85 23.01.2007 258,77 24.01.2007 258,71 260,12 23.01.2007 258,77 24.01.2007 258,71 25.01.2007 261,64 260,10 24.01.2007 258,71 25.01.2007 261,64 26.01.2007 258,82 258,89 25.01.2007 261,64 26.01.2007 258,82 29.01.2007 256,26 256,41 26.01.2007 258,82 29.01.2007 256,26 30.01.2007 255,26 255,30 29.01.2007 256,26 30.01.2007 255,26 31.01.2007 256,03 256,09 30.01.2007 255,26 31.01.2007 256,03 01.02.2007 261,07 260,08 Рис. 5. Гистограмма реальных значений котировок и значений котировок на выходе нейронной сети
Гистограмма показывает не только близость реального значения и значения на выходе нейронной сети, но и направление изменения значений — при увеличении или уменьшении реального значения значения выхода нейронной сети изменяются в том же направлении на тот же порядок. Теперь оценим точность прогноза. Для этого выберем следующие за периодами обучающей выборки периоды значения котировок ценных бумаг ФБ «СПб. “Газпром”» (табл. 3), которые подадим на вход нейронной сети. Получив на выходе определенное значение, можем численно оценить точность прогнозирования. Обработав данные тестируемой выборки, нейронная сеть получила на выходе значения котировок ценных бумаг, представленные в табл. 3. Обозначим реальное значение котировки ценной бумаги через P, а значение, полученное на выходе нейронной сети, через P . Тогда для каждой даты абсолютная и относительная погрешности представимы в виде набора значений, представленных в табл. 4. Абсолютная погрешность прогнозирования определяется по формуле: P P . Таблица 4 Абсолютная и относительная погрешности прогнозирования котировок ценных бумаг Дата Погрешность Абсолютная Относительная 31.01.2007 3,810 0,015 01.02.2007 3,840 0,015 02.02.2007 2,130 0,008 05.02.2007 2,710 0,010 06.02.2007 10,210 0,040 07.02.2007 1,440 0,006 08.02.2007 10,560 0,042 09.02.2007 2,720 0,011 12.02.2007 4,510 0,018 13.02.2007 5,710 0,022 14.02.2007 0,010 0 15.02.2007 3,620 0,014 16.02.2007 7,170 0,028 19.02.2007 0,540 0,009 10 ITбизнес Рынок ценных бумаг Использование нейронных сетей для моделирования прогноза котировок ценных бумаг Таблица 3 Значения на выходе нейронной сети для изучаемой выборки Данные для моделирования прогноза Реальное значение Выход нейронной сети (у.е.) Дата Цена (у.е.) Дата Цена (у.е.) Дата Цена (у.е.) 31.01.2007 256,03 01.02.2007 261,07 02.02.2007 261,21 257,40 01.02.2007 261,07 02.02.2007 261,21 05.02.2007 263,66 267,50 02.02.2007 261,21 05.02.2007 263,66 06.02.2007 265,51 267,64 05.02.2007 263,66 06.02.2007 265,51 07.02.2007 263,80 266,51 06.02.2007 265,51 07.02.2007 263,80 08.02.2007 257,03 267,24 07.02.2007 263,80 08.02.2007 257,03 09.02.2007 258,08 256,64 08.02.2007 257,03 09.02.2007 258,08 12.02.2007 249,60 260,16 09.02.2007 258,08 12.02.2007 249,60 13.02.2007 252,55 255,27 12.02.2007 249,60 13.02.2007 252,55 14.02.2007 255,51 260,02 13.02.2007 252,55 14.02.2007 255,51 15.02.2007 253,84 259,55 14.02.2007 255,51 15.02.2007 253,84 16.02.2007 255,29 255,30 15.02.2007 253,84 16.02.2007 255,29 19.02.2007 256,60 260,22 16.02.2007 255,29 19.02.2007 256,60 20.02.2007 253,04 260,21 19.02.2007 256,60 20.02.2007 253,04 21.02.2007 254,76 255,30