Применение нейронных сетей в ИТ

X1 = Работающий капитал . Все активы

X2 = Сохраняемая прибыль . Все активы

X3 = Прибыль до капиталовложений  и налога . Все активы

X4 = Рыночная стоимость акции . Общий долг

X5 = Величина продаж . Все активы

а в качестве указаний учителя выбрать  две группы фирм, одна из которых  будет представлять обанкротившиеся  фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать ответ <банкрот> или <не банкрот>. После этого  можно брать любую фирму, предъявлять  ее показатели сети и сеть будет  оценивать фирму как <банкрот> или <не банкрот>. Может быть фирма  еще не обанкротилась, но давать кредиты такой фирме опасно. Вероятность правильного ответа может достигать 80%-97%. Следует подчеркнуть следующую особенность применения нейросетевых экспертных систем. Исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку. В частности, нейронные сети хорошо себя зарекомендовали в качестве основы для разработки экспертных систем в нечетких средах, в которых часто отсутствует явная функциональная зависимость между событиями. свойственную статическим экспертным системам.

2.2. О типах выходных  сигналов нейронной сети.

        Вычислительный базис нейронных сетей - нейросетевой базис состоит из следующего множества операций: { +; *; sigm } где под операцией sigm понимается функция активации нейронной сети, например: sigm = sign(x), то есть { 0, если x<0 и 1 если x>0 } (1)

sigm = 1.(1-exp(-x)) (2)

то есть представляет собой многовходовой  сумматор, где каждое из слагаемых  умножается на величину, называемую весом  входа, и нелинейного преобразования sigm, выполняемого над результатом этой суммы произведений входных сигналов на веса. Наличие нелинейного преобразования вида (1) или (2) позволяет, вводя нелинейность в передаточную функцию нейрона, строить нелинейные модели на основе нейронных сетей. При этом множество значений функции активации нейрона (1) представляет собой множество значений формальной (дискретной) логики - { <да>; <нет>} или {>истина>;>ложь>), а функция активации (2) - многозначной (непрерывной) - то есть {>да>; <не знаю, но скорее ... чем...>; <нет>}, например высказывание <яблоко - это овощ> является ложным, но бесспорным утверждением дискретной логики, а <узор красивый> может быть оценено неоднозначно. Первое высказывание иллюстрирует использование функции активации нейронной сети (1), и соответственно дискретной логики, а второе - функции активации (2), и соответственно непрерывной логики. Поэтому нейронные сети с дискретными выходными сигналами используются для классификации и распознавания входной информации, например <является ли предприятие потенциальным банкротом> или <будет ли скачок приращения цены доллара выше уровня инфляции>; а нейронные сети с непрерывными выходными сигналами - для экстраполяции и аппроксимации на основе неформальных нелинейных моделей, например <каков будет точный курс доллара через два месяца> или <какова будет цена на дизельное топливо в следующем году при условии сокращении добычи нефти в Западной Сибири на 15%>.

       Обобщая все вышесказанное, можно сказать, что нейронные сети при обучении генерируют нелинейные модели и имеют два типа выходных сигналов - дискретные и непрерывные. Дискретные выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самой неявной и неформализуемой форме. Непрерывные выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения и используются для построения прогнозов и функциональных зависимостей для различной информации, причем сразу по нескольким переменным (критериям оценки). В качестве исходной информации для прогноза может служить экономический временной ряд и прогноз будет обоснованным, если информация позволит построить нелинейную модель.      Применение нейронных сетей позволяет достичь значительно более хороших результатов, чем применение статистических методов регрессионного анализа, применяемого традиционно, поскольку нейронная сеть строит неформальную модель процесса, которая не может быть выражена в виде некоего формального аппарата выделения статистических характеристик, применяемого в регрессионном анализе. Нейронная сеть учится выполнять преобразование на основе ряда предъявляемых примеров, при этом сложно проинтерпретировать ту <формальную модель>, которая формируется в настраиваемых весовых коэффициентах нейронной сети после обучения.

2.3. Об обучении нейронных  сетей. 

        Когда речь заходит об использовании нейронных сетей и нейросетевых алгоритмов почти всегда заходит речь об обучении нейронных сетей. Нейронная сеть представляет собой адаптивную систему, жизненный цикл которой состоит из двух независимых фаз - фазы обучения сети и фазы работы сети. Обучение считается законченным, когда сеть правильно выполняет преобразование на тестовых примерах и дальнейшее обучение не вызывает значительного изменения настраиваемых весовых коэффициентов. Далее сеть выполняет преобразование ранее неизвестных ей данных на основе сформированной ею в процессе обучения нелинейной модели процесса. Сеть успешно работает до тех пор, пока существенно не изменится реальная модель отображаемого явления (например, в случае форс-мажорного обстоятельства, информация о котором или аналогичном никогда не предъявлялась сети при обучении). После этого сеть может быть дообучена с учетом новой информации, причем при дообучении предыдущая информация не теряется, а обобщается с вновь поступившей. Причем по свойству адаптивной системы при <повреждении> части весовых коэффициентов нейронной сети после дообучения она восстанавливает свои свойства. Обучение сети производится следующим образом. Вначале весовые коэффициенты сети имеют случайные малые значения. Далее на вход сети подается вектор (некоторый объем информации в численном виде) и сеть вычисляет какой-то отклик на заданную информацию. Полученный отклик сети сравнивается с ожидаемым от нее правильным результатом (указанием учителя) и разность этих результатов возводится в квадрат и усредняется по каждому из обучающих векторов. Таким образом, формируется функционал оптимизации, построенный на основе критерия среднеквадратической ошибки. Далее мы изменяем весовые коэффициенты сети таким образом, чтобы значение этого функционала, то есть расхождение между выходным сигналом сети и правильным результатом было минимальным. Выполнение этого условия означает, что сеть выполняет правильное вычисление-распознавание образа, то есть при предъявлении ей тестового примера она выдает отклик, близкий к ожидаемому и отличающийся от него лишь на заданную величину погрешности.

3. СОСТОЯНИЕ ПРОБЛЕМЫ  В МИРЕ 

       Даже самый беглый анализ публикаций в зарубежной прессе, посвященных решению проблем из области управления финансами показывает небывалый взлет интереса к использованию нейронных сетей в банковской деятельности. Общие темпы роста можно сравнить лишь с распространением персональных компьютеров в конце 80-х годов, причем инициаторами бурного роста применений нейронных сетей, как правило, являются самые крупные и солидные финансовые организации, для которых это не только вопрос престижа - использование самой перспективной и наукоемкой информационной технологии - но и возможность разнообразить свои традиционные возможности в самых различных областях финансовой деятельности. Безусловно, во все времена объектом повышенного интереса и предметом многочисленных исследований банков являлись такие области, как прогнозирование финансовых событий, автоматизация таких традиционно эвристических областей, как распознавание рукописного текста, оценка недвижимости, экспертная оценка эффективности инвестиций в тот или иной проект и многое другое. В настоящее время распространение нейросетевых гибридных экспертных систем достигло такого уровня, что по отдельным, самым удачным нейросетевым экспертным системам банки начинают засекречивать информацию и крайне неохотно распространяют получаемые при этом научные результаты.

        Популярность нейронных сетей объяснима с той точки зрения, что они более эффективно решают те задачи, которые всегда вызывали интерес банков, но успешное решение которых сдерживалось недостаточно эффективным использованием информационных и вычислительных ресурсов. Несмотря на большие усилия для развития традиционных методов предсказания цены акций, создания банковских экспертных систем для обработки статистической информации и прогнозирования экономических временных рядов были достигнуты небольшие успехи, что объясняется большим количеством действующих факторов. Финансовые традиционные экспертные системы, по существу, основаны на <инерционном анализе>, т.е. используют довольно прямолинейные статистические модели. Нейронные же сети по своей основе нелинейны, не требуют глубокого понимания связей между исходными данными и результатами и обещают большие преимущества перед традиционными методами. Многочисленные эксперименты показывают, что адаптивные сети на коротком промежутке времени всегда лучше предсказывают, чем стандартные <линейные> модели.

В настоящее время многие зарубежные исследовательские центры и финансовые учреждения проводят работы по исследованию и применению нейросетевой технологии для решения задач экономического прогноза. Новинкой в этих областях следует считать новое направление в анализе и прогнозе на основе нейросетевых моделей, учитывающих корреляцию экономических временных рядов с географической и демографической статистикой. Наибольший интерес из всех этих областей, где применяются нейронные сети представляют для большинства потребителей нейросетевых гибридных систем являются прогнозирование и предсказание экономических временных рядов (курсов валют, акций, страховок) и обработка рукописных документов и создание систем искусственного интеллекта для обработки рукописного текста на основе нейронных сетей.

4. СОСТОЯНИЕ В РОССИИ

        Несмотря на то, что финансовый рынок в России еще не стабилизирован и, рассуждая с математической точки зрения, его модель меняется, что связано с одной стороны с ожиданием постепенного сворачивания рынка ценных бумаг и увеличения доли фондового рынка, связанного с потоком инвестиций как отечественного, так и зарубежного капитала, а с другой - с нестабильностью политического курса, все-таки можно заметить появление фирм, нуждающихся в использовании статистических методов, отличных от традиционных, а также появление на рынке программных продуктов и вычислительной техники нейропакетов для эмуляции нейронных сетей на компьютерах серии IBM и даже специализированных нейроплат на базе заказных нейрочипов. В частности, в России уже успешно функционирует один из первых мощных нейрокомпьютеров для финансового применения - CNAPS PC/128 на базе 4-х нейроБИС фирмы Alaptive Solutions. По данным фирмы <Тора-центр> в число организаций, использующих нейронные сети для решения своих задач, уже вошли - Центробанк, МЧС, Налоговая Инспекция, более 30 банков и более 60 финансовых компаний. Некоторые из этих организаций уже опубликовали результаты своей деятельности в области использования нейрокомпьютинга.

Заключение

       Необходимо отметить, что использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей, отчасти по необходимости и из-за широких возможностей для одних, из-за престижности для других и из-за интересных приложений для третьих. Не следует пугаться того, что появление столь мощных и эффективных средств перевернет финансовый рынок, или <отменит> традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов - говорить об этом, мягко говоря, преждевременно. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят - и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно <насаждать> нейронные сети, или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список  используемой литературы

1. Галушкин Л.И. Сфера применения нейрокомпьютеров расширяется. Приложение к журналу «Информационные технологии... - 2009. - № 10.

2. Галушкин Л.И. Теория нейронных сетей. Сер. «Нейрокомпьютеры и их применение... Кн. 1. - М.: ИПРЖР, 2009.

3. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. - издательство "Финансы и статистика" – 2004.

4. Проектирование экономических информационных систем: Учебник/ Г.Н.Смирнова, А.А.Сорокин, Ю.Ф.Тельнов. – М: Финансы и статистика, 2009.

5. Стеру О., Марзуки X., Рубин Ю. Нейроуправление и его приложения / Полрел. А.И. Галушкина. Сер. «Нейрокомпьютеры и их применение*. Кн. 2. - М.: ИПРЖР, 2008.

6. http://leonarus.com/2008/09/08/tipichnye-primery-primeneniya-nejronnyx-setej-v-menedzhmente/

7. http://yax.su/finlab/ir044/0/index.shtml