Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
4.10. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ
В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
На рынке коммерческих программных продуктов наряду с ана литическими инструментами нового поколения, основанными на применении логики нечетких множеств — от электронных таблиц (Риау Са1с) до экспертных систем (СиЫ Са1с) корпора ции Нурег 1осЦс (США), все больший интерес для финансово-экономической деятельности представляют аналитические ин формационные технологии, основанные на использовании ней ронных 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 нейро нов головного мозга человека и позволяют решать чрезвычайно широкий круг задач: распознавание человеческой речи и абст рактных образов, классификацию состояний сложных систем, управление технологическими процессами и финансовыми по токами, решение аналитических, исследовательских, прогноз ных задач, связанных с обширными информационными пото ками. Являясь мощным технологическим инструментом, нейро-сетевые 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 использовать ся на Западе преимущественно в финансовых и военных приложе ниях. 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 пакет Вгагп Макег американской фирмы СаШогша 8с1еШшс 8оплуаге.
Разработанный по заказу военных пакет был адаптирован для бизнес-приложений и с 1990 года удерживает лидерство среди са мых продаваемых нейросетевых пакетов США.
Свой путь на российский рынок нейронные сети начали с фи нансово-кредитной сферы, где заинтересованные в совершенство вании аналитической работы банки стали интенсивно включать нейронные сетевые технологии в состав финансовых приложений. В настоящее' время пользователями Вгат Мапсег Рго 3.12 (последней профессиональной версии пакета) стали уже более 200 банков и торговых компаний, а последнее время — и аналитиче ские учреждения верхних эшелонов власти.
Отличительной чертой нейронных сетей является их способ ность менять свое поведение (обучаться) в зависимости от измене ния 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 про ёмом. Основанная на нейросетях технология не предъявляет по-ььцценных требований к точности входных данных как на этапе обучения, так и при ее использовании (после настройки и обучения, например при распознавании симптомов приближения криР тических ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает мя чрезвычайно полезными свойствами.
Взяв за основу работу мозга, нейросетевые технологии включи ли в себя и ряд биологических терминов, понятий, параметров, а метод получил название генетического алгоритма.
Генетический алгоритм реализован в популярных версиях ней-ропакетов — широко известном в России Вгаш Макег РгоГезвю-па! У.3.11 и менее известном, но более профессиональном №шойэ-ге81ег у.5.1. В этих пакетах генетический алгоритм управляет про цессом общения на некотором множестве примеров, а также ста бильно распознает (прогнозирует) новые ситуации с высокой сте пенью точности даже в условиях внешних помех, например, появ ления противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, ко торый реализуется автоматически без непосредственного участия пользователя-аналитика.
Для реализации нейросетевой технологии должны быть выпол нены следующие условия: наличие 1ВМ РС или совместимого компьютера, мыши, М8 ХУшсючуз 3.1 или выше, 4 Мбайт КАМ (оперативной памяти).
В отличие от Вгаш МаКег РгоГеззюпа! У.3.11 в пакете КеигоГогек-1ег у.5.1. для решения прогнозных задач ряд процедур выполняется автоматически. В частности, автоматически выбирается оптималь ное число дней, обеспечиваемых прогнозом. Пакет имеет также инструменты для предварительной обработки данных: корреляци онный анализ, позволяющий определять значимость входных па раметров прогноза; анализ с помощью масштабных преобразова ний и экспоненты Хёрста (ге8са1ес1 гагще апа1у8Ё Ншв1ехропеп1) для выявлений скрытых циклов данных; диаграмма-распределение за висимости прогнозируемой величины от входных параметров. Эти методы позволяют уже на этапе подготовки данных выделять наи более 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 проце дуры.
Первым этапом является четкое определение проблемы, т.е. того, что пользователь-аналитик собирается получить от нейросе тевой технологии на выходе. Это может быть некоторый вектор, характеризующий систему или процесс. Например, кривая доход ности ГКО; цена отсечения первичного аукциона; показатель целе сообразности реструктуризации инвестиционного портфеля, точки перелома тренда и т.п.
Вторым этапом является определение и подготовка исходных данных для реализации нейросетевой технологии. При этом отби рается вся необходимая, адекватно и полно описывающая процесс информация. Для наиболее успешного решения проблемы форми рования наборов информации для последующего прогнозирования ситуаций рекомендуется привлекать хорошо знающих данную кон кретную область специалистов.
Сложность выполнения второго этапа заключается в том, что должен быть соблюден баланс между стремлением увеличить коли чество входных параметров и вероятностью получить плохо обу чаемую 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 про гноза 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 при дется работать аналитику, а затем распределение исходных данных по этим ситуациям. При этом нейросетевая технология автомати чески реализует задачу классификации, в основе которой лежит нечеткая логика (Лигу 1о§ю). В качестве входных параметров могут бьггь использованы искусственно созданные характеристики сис темы, в частности для фондового рынка это могут быть различные 11ЧЦикаторы технического анализа.
На этапе подготовки данных анализируется степень их инфор мационной 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 по строена с помощью N61 Макег в интерактивном режиме, пользуясь его подсказками, или создать файлы Вгат Ма1сег, пользуясь тек стовым редактором. Для прогнозирования временных рядов, кото рыми описываются финансовые рынки, предпочтительно восполь зоваться генетическим алгоритмом ОепеиК А1ёоп1пт8, а для реше ния задач распознавания образов и классификации — сетевыми технологиями НорйеЫ и КоЬопеп. Наиболее трудоемким процес сом является настройка нейросети на обучающую выборку данных, ибо здесь определяется оптимальное количество параметров, свойств исследуемых данных, оптимальное число дней ретроспек тивы и прогноза. Хорошо продуманные способы задания тестовых множеств в сочетании с несколькими вариантами обучающих алго ритмов (от стандартных до скоростных) и заданием различных критериев остановки обучения предоставляют широкие возможно-. сти для экспериментов.
Облегчает процесс работы и то, что все современные нейросе-тевые технологии содержат ту или иную систему конвертеров, по зволяющих пользоваться данными, подготовленными в популяр ных исходных форматах. В частности, \Уок1 5у$1ет может импор тировать текстовые файлы, таблицы, подготовленные в Ехсе1, а также данные в формате Ме1а 81оск. Следует подчеркнуть Ме1а 81ос]{ не только программный продукт, но и формат деловой ин формации, отличающийся высокой компактностью данных в соче тании с надежностью их передачи.
Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т.е. преобразовывать на бор символов (слово, фраза) в уникальный набор чисел, ^агй Зуйет делает возможной также обратную операцию, т.е. представ ление результатов работы нейросети в виде не только чисел, но связного текста, что позволяет генерировать результаты в виде раз личных 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 мето дом задания правил в >Уак1 8уЯет является работа с .индикаторами технического анализа. Включение индикаторов в процесс обучения существенно повышает не только точность прогнозов, но и их ста бильность и статистическую достоверность. Для решения этой же проблемы в >№ак1 8у§1ет с большей эффективностью можно вос пользоваться специальным блоком, который содержит полный список процедур с возможностью автоматического подбора пара метров 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 перспектив ные варианты. При этом руководствуются тем, что точность и на дежность 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 про гноз локального изменения тренда в стационарном состоянии рынка.
Если результаты тестирования не удовлетворяют, то просмат ривают набор входных данных, изменяют некоторые учебные программы или перестраивают сеть.
После завершения полного цикла решения задачи возможны два пути: пользоваться в дальнейшей работе созданной систе мой, что вполне приемлемо для одного специалиста, решаю щего определенный круг задач, или создать для каждой задачи независимые приложения в виде отдельного файла, который может использоваться другими программами. В этом случае по лученный 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 использова нием финансовых средств на валютном рынке или рынке ценных бумаг, сопряжена с риском и требует тщательного анализа и про гноза. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. Поэтому количество примеров успешного применения нейросете-вых программных продуктов стремительно растет.
Среди перспективных направлений использования нейросете-вых 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, согла сится 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 50 тыс. долл., до недорогих (несколько сотен долларов) нейропакетов, работающих на платформе персональных компью теров и рабочих станций. Это делает доступной технологию ней ронных сетей для приложений практически любого уровня. Ее массовое применение — вопрос ближайшего будущего.