Будь умным!


У вас вопросы?
У нас ответы:) SamZan.ru

А все больший интерес для финансовоэкономической деятельности представляют аналитические информационные.html

Работа добавлена на сайт samzan.ru: 2016-01-17

Акция
Закажите работу сегодня со скидкой до 5%
Бесплатно
Узнать стоимость работы
Рассчитаем за 1 минуту, онлайн

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 (Риау Са1с) до экспертных систем (СиЫ Са1с) корпорации Нурег 1осЦс (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, 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 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 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 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 пользователями Вгат Мапсег Рго 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 проёмом. 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.

  1.  Способностью обучаться на конкретном множестве при
    меров.
  2.  Умением стабильно распознавать, прогнозировать новые си
    туации 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 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 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 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 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 (ге8са1ес1 гагще апа1у8Ё Ншв1ехропеп1) 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 этапом является 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 этапом является 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 (Лигу 1о§ю). В качестве входных параметров могут бьггь использованы искусственно созданные характеристики системы, в частности для фондового рынка это могут быть различные 11ЧЦикаторы 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 N61 Макег в интерактивном режиме, пользуясь его подсказками, или создать файлы Вгат Ма1сег, пользуясь текстовым редактором. Для прогнозирования временных рядов, которыми описываются финансовые рынки, предпочтительно воспользоваться генетическим алгоритмом ОепеиК А1ёоп1пт8, а для решения задач распознавания образов и классификации — сетевыми технологиями НорйеЫ и КоЬопеп. 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 возможно-. сти 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, \Уок1 5у$1ет может импортировать 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 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, ^агй Зуйет делает 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 в >Уак1 8уЯет является 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 в >№ак1 8у§1ет с 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 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, 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 50 тыс. 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.




1. рефератов выполненных ими по результатам учебных исследований На лекции основная роль принадлежит препод
2. если оно разъясняет смысл уже данной нормы дает свое понимание смысла закона
3. Правовые средства избежания двойного налогообложения
4. Тема- Метод пошаговой детализации
5. тема аграрного права його співвідношення з іншими галузями права.1
6. ВНИПИ Тяжпромэлектропроект СОГЛАСОВАНЫ- Госстрой России письмо от 28
7. Чем отличается шоптур с обязательствами от тура без обязательствОтвет- Шоптуры с обязательствами самые.
8. ТЕМАТИЧЕСКИЙ ФИЛОСОФСКИЙ СЛОВАРЬ МОСКВА ~ 2009 ББК 1Ф Г20
9. Emperor
10. технічна частина8 Експериментальна частина9 Економічна частина9 Охорона праці10 Виснов
11. Educted remrkble womn When she becme Queen in 1558 she wnted to find peceful nswers to the English Reformtion
12. 7 Валы и оси 7
13. Бухгалтерский баланс основная форма бухгалтерской отчетности
14. ТЕМА- ПОБУДОВА ГРАФІКІВ ТРИГОНОМЕТРИЧНИХ ФУНКЦІЙ
15. докритический и критический
16. ВАРІАНТ 1 Підстави і порядок припинення трудового договору
17. Мое отношение к лирике Пастернака
18. В ефірі телеканал Випуск ~ 2012 сценарій випускного вечора Мов травнем наворожено такий святковий кві
19. представительной монархии её особенности Создание общерусского государственного аппарата Важне
20. Специальный административный район Макао