logo search
ISE

11 Нейросетевые технологии в финансово-экономической деятельности

Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neurofo-rester v.5.1.

К основным преимуществам нейронных сетей можно отнести:

- способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы;

- способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;

- эксплуатация обученной нейронной сети по силам любым пользователям;

- нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;

- внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;

- толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;

- способность к обучению: программирование вычислительной системы заменяется обучением;

- способность к распознаванию образов в условиях сильных помех и искажений.

Под нейрокомпьютером здесь понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере. Под нейронной сетью (НС) -вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей -нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов.

В зависимости от функций, выполняемых нейронами в сети, можно выделить три

типа:

• входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;

• выходные нейроны, выходные значения которых представляют выходы нейросети;

• промежуточные нейроны, составляющие основу нейронных сетей.

Нейрокомпьютеры различают:

• универсальные (позволяют реализовывать большое число моделей нейронных сетей и может применяться для решения разнообразных задач);

• специализированные (предназначенном для решения узкого заранее заданного класса задач)

В литературе приведены доказательства того, что для любого алгоритма существует нейронная сеть, которая его реализует. То есть нейронные сети являются универсальными вычислительными устройствами. Однако существует очень много практических задач, которые могут быть эффективно решены на серийных компьютерах. Поэтому в настоящее время основное внимание уделяется разработке специализированных НК.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей:

• прогнозирование временных рядов на основе нейросетевых методов обработки;

• страховая деятельность банков;

• прогнозирование банкротств на основе нейросетевой системы распознавания;

• определение курсов облигаций и акций предприятий с целью инвестирования;

• применение нейронных сетей к задачам биржевой деятельности;

• прогнозирование экономической эффективности финансирования инновационных проектов;

• предсказание результатов займов;

• оценка платежеспособности клиентов;

• оценка недвижимости;

• рейтингование;

• общие приложения нейронных сетей и пр.

Прогнозирование временных рядов на основе нейросетевых методов обработки.

• Прогнозирование кросс-курса валют.

• Прогнозирование котировок и спроса акций для биржевых спекуляций (не для долгосрочного вложения).

• Прогнозирование остатков средств на корреспондентских счетах банка.

Общие приложения нейронных сетей - это применение нейронных сетей в задачах маркетинга и розничной торговли. Одно из самых «модных» применений нейрокомпьютеров в финансовой области:

• установление цены на новый вид товара на основе многокритериальной оценки;

• моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий;

• моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа;

• построение модели структуры расходов семьи.

Управление ценами и производством с помощью нейросетевых технологий является перспективным направлением на Западе. Существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

Примеры успешного использования нейросетевых технологий для построения эффективной маркетинговой политики являются маркетинговая кампания "Tango Orange Man", исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров, проведенное фирмой Neural Technologies.