Каталог статей

Завизена Н.С. Пенко В.В.

Разработка и внедрение нейросетевых технологий в области экономики

Особое внимание при разработке новых методов уделяется ошибкам, возникающих при процедуре прогнозирования, т.к. они являются неотъемлемой частью любого прогноза. Предсказание будущих результатов почти никогда не бывают точными, однако менеджеры, использующие прогнозы в своей деятельности, пытаются минимизировать риски и смягчить последствия возможных ошибок.

Все организации функционируют в условиях неопределенности внешней среды, однако эта неопределенность не избавляет управляющих компаниями от обязанностей принятия правильных решений, которые будут оказывать непосредственное влияние на будущее организации. По мере развития науки управления становится очевидным, что для принятия правильного решения необходимо основываться на логических методах использования данных, и базируясь на понимании количественного и качественного аппарата прогнозирования, можно достичь несомненного преимущества в корректности результатов. О нейронных сетях как профессиональном инструменте для финансовых операций серьезно заговорили в конце 80-х годов, когда революционные работы Дж.Хопфилда и других математиков дали второе дыхание нейроматематике. Лучшее понимание функционирования нейрона и картины его связей позволило исследователям создать математические модели для проверки своих теорий. Эксперименты теперь могут проводиться на цифровых компьютерах без привлечения человека или животных, что решает многие практические и морально-этические проблемы. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования: первая – понять функционирование нервной системы человека на уровне физиологии и психологии и вторая – создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Таким образом, на основании анализа особенностей применения аппарата нейронных сетей в задачах прогнозирования котировок акций и курсов валют, можно сделать следующие выводы:

По сравнению с классическими методами нейросети обладают определенными преимуществами:

1. Постоянная оптимизация своей структуры с целью минимизации прогностической ошибки в режиме реального времени.

2. Более высокие потенциальные возможности при анализе сложных динамических систем, закономерностей, в нашем случае – стационарные, периодические, трендовые и некоторые другие временные ряды.

3. Способность успешно решать задачи, опираясь на неполную, искаженную, и внутренне противоречивую входную информацию.

А в качестве практических предложений к построению нейронных сетей для финансовой аналитики могут служить следующие рекомендации:

1. Перед проектированием сети, необходимо провести анализ возможности прогнозирования необходимого процесса.

2. Если процесс можно спрогнозировать, необходимо провести более глубокий анализ предметной области с целью выделения главных и второстепенных признаков, а также формы прогнозируемых значений.

3. При проектировании следует понимать прагматическую составляющую прогнозируемых значений, т. е. стремление не минимизировать ошибку, а максимизировать выгоду от прогноза.

4. Следует принимать решения на основе прогнозов усредненного мнения нескольких сетей различных конфигураций (комитета сетей) [1].

Ежемесячно западные средства массовой информации сообщают о новых коммерческих продуктах на базе нейронных сетей. Так, фирма LIAC выпускает аппаратуру для контроля качества воды. Нейросистемы фирмы SAIC находят пластиковые бомбы в багаже авиапассажиров. Специалисты инвестиционного банка Citicomp (Лондон) с помощью программного нейропакета делают краткосрочные прогнозы колебаний курсов валют. С развитием теоретических подходов для создания адекватных моделей поведения рынка недвижимости в западных странах и США одновременно происходило активное внедрение новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений. Вначале в виде экспертных систем и баз знаний, а затем с конца 80-х - нейросетевых технологий, которые являются адекватным аппаратом для решения задач прогнозирования.

Предсказание финансовых временных рядов – необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций – вложения денег сейчас с целью получения дохода в будущем – основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций – всех бирж и внебиржевых систем торговли ценными бумагами.

Анализ временных рядов производят с целью извлечения из данного ряда полезной информации. Для этого необходимо построить математическую модель явления, объясняющую существо процесса, порождающего данные, в частности – описывать характер данных (случайные, имеющие тренд, периодические, стационарные и т. п.). После этого можно применять различные методы фильтрации данных (сглаживание, удаление выбросов и др.) с конечной целью – предсказать будущие значения. Все модели «классического» статистического анализа временных рядов могут быть реализованы посредством нейронных сетей. Любая зависимость вида  с непрерывной нелинейной функцией  может быть воспроизведена на многослойной сети. Вместо того чтобы отображать поверхность во входном (фазовом) пространстве, образованную данными посредством одной гиперплоскости (AR), нескольких гиперплоскостей (TAR), или нескольких гиперплоскостей, гладко соединенных друг с другом (STAR), нейронная сеть может осуществить произвольное нелинейное отображение. С помощью аппарата нейронных сетей можно решать сложнейшие задачи прогнозирования в области экономики. Достоверные результаты достигаются с помощью усложнения структуры самой сети, а также увеличения количества исследуемых параметров. Для этого в будущем необходимо подробнее ознакомиться с возможностями Matlab, и в частности Neural Network Toolbox – модуля, специализирующегося на использовании нейронных сетей.

Литература

1. Aleksander I., Morton H. An Introduction to Neural Computing. — London: Chapman&Hall, 2009.