Применение нейронных сетей в ИТ

       Введение

        В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:

• Богатые возможности.  Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по свой природе. На протяжение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна (а таких достаточно много), линейные модели работают плохо. Кроме того, нейронные сети справляются с "проклятием размерности", которое не позволяет моделировать линейные зависимости в случае большого числа переменных
• Простота в использовании.  Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

       Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейро-биологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем уже "простые" нейронные сети, которые строит система ST Neural Networks , являются мощным оружием в арсенале специалиста по прикладной статистике.

       Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности. На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую используются для решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных и трудно формализуемых задач из финансовой области. В настоящее время имеет место широкое появление на отечественном рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных. Пока ситуация складывалась так, что в финансовой системе, сложившейся в настоящее время, наблюдается повышенный интерес к отдельным видам задач, например предсказанию фьючерсных контрактов или курсов ГКО, при недостаточном внимании к структурному макроэкономическому анализу с использованием нейронных сетей как нелинейных моделей процесса. Лишь в последнее время начинает появляться интерес к использованию нейронных сетей для оценки ситуации, применению нечеткой логики для принятия решений и других более сложных приложений. При этом в качестве потребителя такой информации выступают либо люди, хорошо знающие потенциальные возможности нейронных сетей, либо решающие такие задачи традиционными методами и вынужденные искать другие, более эффективные способы решения задач.

        Приводимый ниже перечень задач ни в какой мере не является полным и исчерпывающим, поскольку основан на анализе зарубежных публикаций в области финансов и нейрокомпьютинга. 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 понимают 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.

1. ОСНОВНЫЕ ЗАДАЧИ В  ФИНАНСОВОЙ ОБЛАСТИ, РЕШАЕМЫЕ  С ПОМОЩЬЮ НЕЙРОКОМПЬЮТЕРОВ

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

• Прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций, фьючерсные контракты и др.)
• Страховая деятельность банков.
• Прогнозирование банкротств на основе нейросетевой системы распознавания.
• Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.
• Применение нейронных сетей к задачам биржевой деятельности.
• Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.
• Предсказание результатов займов.
• Общие приложения нейронных сетей

Приведем краткое пояснение  каждого из основных приложений

1.1. 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.

       В настоящее время прогноз курсов иностранных валют определяется экспертизой квалифицированных специалистов в области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей и математических зависимостей, которые дают возможность прогнозирования курса валюты, хотя могут и не относиться к финансовой области непосредственно. Однако динамическая природа рынков не позволяет выделить единственный <точный> показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания ряда показателей, то есть переход к нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных нейронных сетей для прогнозирования курса валют.

1.2. Страховая деятельность банков

• оценка риска страхования инвестиций на основе анализа надежности проекта
• оценка риска страхования вложенных средств

       Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности (множество оценок - да. нет)

1.3. Прогнозирование банкротств  на основе нейросетевой системы распознавания

• анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да. нет)
• анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

       Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

1.4. Определение курсов  облигаций и акций предприятий  с целью вложения средств в  эти предприятия

• выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели
• предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов
• распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания
• определение соотношения котировок и спроса

       Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций.          Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях. Применение нейронных сетей к задачам анализа биржевой деятельност:

- нейросетевая система распознавания всплесков биржевой активности

- анализ деятельности биржи  на основе нейросетевой модели

- предсказание цен на товары  и сырье с выделением трендов  вне зависимости от инфляции  и сезонных колебаний 

- нейросетевая система выделения трендов по методикам <японских свечей> и других гистографических источников отображения информации.

        Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).

1.6. Прогнозирование экономической  эффективности финансирования экономических и инновационных проектов

• предсказание на основе анализа реализованных ранее проектов;
• предсказание на основе соответствия предлагаемого проекта экономической ситуации В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.

1.7. Предсказание результатов займов

• определение возможности кредитования предприятий
• предоставление кредитов и займов без залога

Используется (в редком случае) при  предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает  риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами

1.8. Общие приложения  нейронных сетей 

• применение нейронных сетей в задачах маркетинга и розничной торговли.

        Одно из самых <модных> применений нейрокомпьютеров в финансовой области.Один из решаемых вопросов - 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.

2. О НЕЙРОННЫХ СЕТЯХ  И ИХ ОБУЧЕНИИ 

2.1. Как работают нейронные сети

       Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов и наиболее эффективно в применении в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило весьма затруднена. При обучении сети на ее вход подается множество векторов, выражающих количественные характеристики некоторого процесса или объекта и для каждого вектора формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с ее точки зрения, на основе неизвестных ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и выходных данных может быть различной, причем в качестве входных данных могут поступать сразу несколько наборов векторов с различной информацией. Например, если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: