4.10. Нейросетевые технологии в финансово-

ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ

На рынке коммерческих программных продуктов наряду с ана­литическими инструментами нового поколения, основанными на применении логики нечетких множеств —от электронных таблиц(Fuzzy Calc)до экспертных систем(Сиbi Calc)корпора­цииHyperJodic(США), все больший интерес для финансово-экономической деятельности представляют аналитические ин­формационные технологии, основанные на использовании ней­ронных сетей. Нейронные сети —обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. Компьютерные технологии, получившие название нейросетевых, работают по аналогии с принципами строения и функционирования нейро­нов головного мозга человека и позволяют решать чрезвычайно широкий круг задач: распознавание человеческой речи и абст­рактных образов, классификацию состояний сложных систем, управление технологическими процессами и финансовыми по­токами, решение аналитических, исследовательских, прогноз­ных задач, связанных с обширными информационными пото­ками. Являясь мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, дефицита времени и ограниченных информационных ресурсов.

С середины 1980-х годов нейронные сети начали использовать­ся на Западе преимущественно в финансовых и военных приложе­ниях. Однако, несмотря на успех, инструмент оказался слишком сложным и дорогостоящим.

Ситуация изменилась в начале 1990-х годов, когда на рынке появилось новое поколение нейросетевых технологий —мощных, недорогих, простых в использовании. Одним из лидеров рынка стал нейросетевой пакетBrainMakerамериканской фирмыCaliforniaScientificSoftware.

Разработанный по заказу военных пакет был адаптирован для бизнес-приложений и с 1990года удерживает лидерство среди са­мых продаваемых нейросетевых пакетов США.

Свой путь на российский рынок нейронные сети начали с фи­нансово-кредитной сферы, где заинтересованные в совершенство­вании аналитической работы банки стали интенсивно включать нейронные сетевые технологии в состав финансовых приложений. В настоящее'время пользователямиBrainMarkerPro 3.12 (последней профессиональной версии пакета) стали уже более 200 банков и торговых компаний, а последнее время —и аналитиче­ские учреждения верхних эшелонов власти.

Отличительной чертой нейронных сетей является их способ­ность менять свое поведение (обучаться) в зависимости от измене­ния внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях —необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в про­шлом. Основанная на нейросетях технология не предъявляет по­вышенных требований к точности входных данных как на этапе обучения, так и при ее использовании (после настройки и обучения), например при распознавании симптомов приближения кри­тических ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает дву­мя чрезвычайно полезными свойствами.

1.Способностью обучаться на конкретном множестве при­меров.

2.Умением стабильно распознавать, прогнозировать новые си­туации с высокой степенью точности, причем в условиях внешних помех, например появления противоречивых или неполных значений в потоках информации. Взяв за основу работу мозга, нейросетевые технологии включи­ли в себя и ряд биологических терминов, понятий, параметров, а метод получил название генетического алгоритма.

Генетический алгоритм реализован в популярных версиях нейропакетов —широко известном в РоссииBrainMakerProfessio­nalv.3.11 и менее известном, но более профессиональномNeuroforesterv.5.1. В этих пакетах генетический алгоритм управляет про­цессом общения на некотором множестве примеров, а также ста­бильно распознает (прогнозирует) новые ситуации с высокой сте­пенью точности даже в условиях внешних помех, например, появ­ления противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, ко­торый реализуется автоматически без непосредственного участия пользователя-аналитика.

Для реализации нейросетевой технологии должны быть выпол­нены следующие условия: наличие IBMPCили совместимого компьютера, мыши,MSWindows 3.1или выше, 4МбайтRAM(оперативной памяти).

В отличие от BrainMakerProfessional v.3.11в пакетеNeuroforesterv.5.1. для решения прогнозных задач ряд процедур выполняется автоматически. В частности, автоматически выбирается оптималь­ное число дней, обеспечиваемых прогнозом. Пакет имеет также инструменты для предварительной обработки данных: корреляци­онный анализ, позволяющий определять значимость входных па­раметров прогноза; анализ с помощью масштабных преобразова­ний и экспоненты Хёрста (rescaledrangeanalysisHurstexponent) для выявлений скрытых циклов данных; диаграмма-распределение за­висимости прогнозируемой величины от входных параметров.Эти методы позволяют уже на этапе подготовки данных выделять наи­более существенные для прогноза параметры. Все результаты обработки представляются в графическом виде, удобном для анализа, принятия решений.

При использовании нейросетевой технологии работа строится в несколько этапов. Рассмотрим их содержание и важнейшие проце­дуры.

Первым этапомявляется четкое определение проблемы, т.е. того, что пользователь-аналитик собирается получить от нейросе­тевой технологии на выходе. Это может быть некоторый вектор, характеризующий систему или процесс. Например, кривая доход­ности ГКО; цена отсечения первичного аукциона; показатель целе­сообразности реструктуризации инвестиционного портфеля, точки перелома тренда и т.п.

Вторым этапомявляется определение и подготовка исходных данных для реализации нейросетевой технологии. При этом отби­рается вся необходимая, адекватно и полно описывающая процесс информация. Для наиболее успешного решения проблемы форми­рования наборов информации для последующего прогнозирования ситуаций рекомендуется привлекать хорошо знающих данную кон­кретную область специалистов.

Сложность выполнения второго этапа заключается в том, что должен быть соблюден баланс между стремлением увеличить коли­чество входных параметров и вероятностью получить плохо обу­чаемую сеть, которая может исказить ожидаемые прогнозы. Дело в том, что число дней ретроспективы и прогноза, которые зависят от свойств исследуемых данных, сильно влияют на точность прогноза. Поэтому выбор несоответственно большого числа дней для про­гноза или их малого числа ретроспективы может привести к тому, что сеть будет не в состоянии обучаться.

Ввод данных в систему, подготовка данных, создание файлов для тренировки и тестирования можно считать самостоятельным третьим этапом. Основной целью работы на этом этапе является формирование необходимого набора ситуаций, с которыми при­дется работать аналитику, а затем распределение исходных данных по этим ситуациям. При этом нейросетевая технология автомати­чески реализует задачу классификации, в основе которой лежит нечеткая логика (fuzzylogic). В качестве входных параметров могут быть использованы искусственно созданные характеристики сис­темы, в частности для фондового рынка это могут быть различные индикаторы технического анализа.

На этапе подготовки данных анализируется степень их инфор­мационной насыщенности, для чего выявляется степень влияния конкретного параметра на прогнозируемую величину. Достигнув равномерного наполнения всех степеней зависимости, выявляется соответствие между прогнозируемой величиной и параметром в виде «Если..., то...; иначе...», что близко к реализации алгоритма нечеткой логики и экспертным системам.

Выбор типа нейросетевой технологии и метода ее обучения можно выделить в самостоятельный этап. Сеть может быть по­строена с помощью NetMakerв интерактивном режиме, пользуясь его подсказками, или создать файлыBrainMaker, пользуясь тек­стовым редактором. Для прогнозирования временных рядов, кото­рыми описываются финансовые рынки, предпочтительно восполь­зоваться генетическим алгоритмомGenetikAlgorithms, а для реше­ния задач распознавания образов и классификации —сетевыми технологиямиHopfieldиKohonen. Наиболее трудоемким процес­сом является настройка нейросети на обучающую выборку данных, ибо здесь определяется оптимальное количество параметров, свойств исследуемых данных, оптимальное число дней ретроспек­тивы и прогноза. Хорошо продуманные способы задания тестовых множеств в сочетании с несколькими вариантами обучающих алго­ритмов (от стандартных до скоростных) и заданием различных критериев остановки обучения предоставляют широкие возможно­сти для экспериментов.

Облегчает процесс работы и то, что все современные нейросе-тевые технологии содержат ту или иную систему конвертеров, по­зволяющих пользоваться данными, подготовленными в популяр­ных исходных форматах. В частности, WordSystemможет импор­тировать текстовые файлы, таблицы, подготовленные вExcel,aтакже данные в форматеMetaStock. Следует подчеркнутьMetaStockне только программный продукт, но и формат деловой ин­формации, отличающийся высокой компактностью данных в соче­тании с надежностью их передачи.

Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т.е. преобразовывать на­бор символов (слово, фраза) в уникальный набор чисел. WardSystemделает возможной также обратную операцию, т.е. представ­ление результатов работы нейросети в виде не только чисел, но связного текста, что позволяет генерировать результаты в виде раз­личных информационных сообщений. Правила для обучения нейросети могут задаваться посредством их ввода в готовом виде, а также в виде чисел, требующих дополнительных преобразований данных. Причем эти ограничивающие и разрешающие правила и условия могут задаваться в процессе решения задачи. Другим мето­дом задания правил вWardSystemявляется работа с индикаторами технического анализа. Включение индикаторов в процесс обучения существенно повышает не только точность прогнозов, но и их ста­бильность и статистическую достоверность. Для решения этой же проблемы вWardSystemс большей эффективностью можно вос­пользоваться специальным блоком, который содержит полный список процедур с возможностью автоматического подбора пара­метров и переноса выбранных значений в подготовленный набор входных данных, что значительно облегчает работу аналитика.

Последними этапами можно считать проведение тестирования нейросети и ее запуск для получения прогноза. Работоспособность первоначально обученных сетей проводится на тестовой выборке данных. По результатам тестов отбираются наиболее перспектив­ные варианты. При этом руководствуются тем, что точность и на­дежность прогноза прежде всего зависят от типа прогнозируемой величины, состояния, в котором находится система (стационарное, вблизи критической точки и т.п.), типа системы (управляемая она извне или замкнутая). Например, наиболее точен и надежен про­гноз локального изменения тренда в стационарном состоянии рынка.

Если результаты тестирования не удовлетворяют, то просмат­ривают набор входных данных, изменяют некоторые учебные программы или перестраивают сеть.

После завершения полного цикла решения задачи возможны два пути: пользоваться в дальнейшей работе созданной систе­мой, что вполне приемлемо для одного специалиста, решаю­щего определенный круг задач, или создать для каждой задачи независимые приложения в виде отдельного файла, который может использоваться другими программами. В этом случае по­лученный вариант нейросетевой технологии представляет собой упакованную нейросеть с описанными функциями передачи данных команд управления.

Гибкость и мощность нейронных сетей открывает перед ними практически неограниченные возможности применения, особенно в качестве аналитических инструментов в таких плохо формализуемых и многокритериальных областях, как анализ финансовой и банковской деятельности. Любая задача, связанная с использова­нием финансовых средств на валютном рынке или рынке ценных бумаг, сопряжена с риском и требует тщательного анализа и про­гноза. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. Поэтому количество примеров успешного применения нейросетевых программных продуктов стремительно растет.

Среди перспективных направлений использования нейросетевых технологий можно назвать создание компьютерных моделей поведения клиента для оценки риска или перспективности работы с конкретными клиентами. Например, можно проанализировать прежние сделки и на этой основе оценить вероятность того, согла­сится ли конкретный клиент на то или иное предложение.

На мировом рынке аналитического программного обеспечения представлен широкий спектр нейросетевых технологий, начиная от систем, ориентированных на суперкомпьютеры, стоимость которых превышает 50тыс. долл., до недорогих (несколько сотен долларов) нейропакетов, работающих на платформе персональных компью­теров и рабочих станций. Это делает доступной технологию ней­ронных сетей для приложений практически любого уровня. Ее массовое применение —вопрос ближайшего будущего.

Из главы следует запомнить

• Технологическое обеспечение АИТ и АРМ осуществляет предметное наполнение информационных систем в техническом, информационном, программном, лингвистическом, организацион­ном, методическом, эргономическом и правовом аспектах.

• Отдельные части технологического обеспечения все время со­вершенствуются и находятся в состоянии динамического равнове­сия: изменение одной части влечет изменение всех других.

• Материализованное воплощение технологического обеспече­ния осуществляется через режимы взаимодействия пользователя с ЭВМ и различные технологии обработки данных, в том числе в распределенных системах.

• Базовым режимом взаимодействия пользователя с ЭВМ на нижнем уровне иерархии информационных систем (АРМ) является режим диалога.

• Совершенствование информационных технологий представ­ляет пользователям возможность работы в смешанной организаци­онной форме —сетевой, обеспечивающей объединение с помощью каналов связи вычислительных средств, программных и информа­ционных ресурсов.

• На уровне АРМ конкретного пользователя широкое распро­странение получили технологии, базирующиеся на использовании функциональных пакетов прикладных программ: обработки тек­стовой, табличной и графической информации.

• Комплексное использование взаимодействующих через об­щий интерфейс пользователя программных продуктов привело к созданию интегрированных пакетов для офисов.

• Большинство комплексов программ, решающих экономиче­ские задачи, написаны на языках СУБД, обеспечивающих пользо­вателю дружественный интерфейс.

• Основное направление развития СУБД —использование их в интегрированных технологиях распределенных систем обработки данных.

• Наиболее представительные интегрированные технологии — это технология «клиент —сервер», глобальные сети и электронная почта.

• Концептуальным этапом развития информационных техно­логий является их интеллектуализация. Решение неординарных и слабоформализуемых задач призваны осуществлять экспертные системы и нейросетевые технологии.

Вопросы для самоконтроля

1.Дайте понятие технологического обеспечения АИТ.

2.Какие существуют основные виды технологиче­ского обеспечения АРМ?

3.Дайте характеристики видам технологического обеспечения.

4.Что представляет собой диалоговый режим обра­ботки информации?

5.Что такое сетевой режим обработки данных? Дайте характеристику архитектуре, основным составляю­щим сетей.

6.Каковы возможности тестовых процессоров?

7.В чем состоят особенности построения и каковы функциональные возможности табличных процес­соров?

8.Что представляют собой интегрированные пакеты для офисов?

9.Назовите наиболее известные СУБД и режимы их работы с пользователями.

10.Каковы направления применения профессиональ­ных СУБД?

11.Дайте характеристику экспертным системам и на­правлениям их развития.

12.Определите виды интегрированных технологий в распределенных системах обработки данных.

13.Дайте характеристику технологии «клиент — сервер». Каковы три модели реализации этой тех­нологии?

14.Охарактеризуйте глобальные информационные се­ти.

15.Как осуществляется доступ пользователей вInter­net?

16.Что представляет собой электронная почта? Пере­числите ее возможные услуги.

17.Назовите сферы применения нейросетевых техно­логий. В чем их отличие от экспертных систем?

18.Раскройте содержание основных этапов реализации нейросетевых технологий при решении прогнозных задач.