4.5.7.ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФИНАНСОВЫХ ПРОГНОЗОВ

В коммерческом применении нейронные сети, как правило, пред-ставлены в виде программных пакетов, плат-акселераторов для персональных компьютеров, нейромикросхем, а также специализированных нейрокомпьютеров. Для большинства приложений бывает достаточно простого программного пакета.

Основные преимущества нейронных сетей состоят в следующем.

Наиболее ценное свойство нейронных сетей- способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях (а к ним можно отнести до 80% задач финансового анализа) пасуют как традиционные математические методы, так и экспертные системы.

Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

Эксплуатация обученной нейронной сети по силам пользовате-лю-непрофессионалу.

Нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных.

Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы.

О нейронных сетях как профессиональном инструменте для финансовых операций серьезно заговорили в конце 1980-х гг. [19]. С появлением микропроцессоров и сверхбольших интегральных схем возникла техническая возможность построения более мощных ней-ронных сетей. Настраиваемые с помощью специальных алгоритмов обучения нейронные сети демонстрировали способность распозна-вания ранее предъявленных образцов в сложных наборах зашумлен- ных, неполных и противоречивых входных данных. В то же время надо осознавать, что обучение и перестройка нейронной сети требует очень высокой квалификации специалистов.

Нейронные сети в том виде, как их сегодня применяют банкиры, бизнесмены и военные, - это не "черные ящики", раздающие туманные предсказания, а специализированные серийно выпускаемые программные пакеты и многопроцессорные системы, например нейрокомпьютер для анализа и краткосрочного предсказания колебаний курсов валют. Они в основном используются не столько для предсказания биржевых крахов (хотя и для них тоже), сколько для выполнения огромных объемов рутинной и весьма ответственной работы по ежедневной, ежечасной, а зачастую ежеминутной коррекции валютных котировок на ведущих мировых биржах.

К основным финансовым задачам, решаемым с помощью нейро-компьютера, можно отнести [19]:

прогнозирование валютного курса на основе нейросетевых методов обработки временных рядов;

страхование банковской деятельности;

прогнозирование банкротств на основе нейросетевой системы распознавания;

определение курса облигаций и акций предприятий с целью вложения средств в эти предприятия;

применение нейронных сетей к задачам биржевой деятельности;

прогнозирование экономической эффективности финансирования инновационных проектов и др.

Набор предложений программных продуктов, реализующих идею нейронных сетей, сегодня достаточно широк, включая встраивание соответствующих приложений в интегрированные системы поддержки принятия решения, например, фирмы SAS Institute.

Ведущиеся в настоящее время работы по переносу алгоритмов на элементную базу (нейрочипы, нейроплаты и нейрокомпьютеры) должны существенно повысить быстродействие и тем самым стимулировать расширение применения указанных средств для принятия решений (прежде всего оперативных и тактических), в том числе для финансовых приложений и задач контроллинга.

Пока же возможности по включению нейроалгоритмов в прикладные финансовые системы представляются более скромными: они ориентированы на отдельные частные задачи (распознавание чеков, предсказание курсов на биржах), требующие предварительного качественного обучения. Наиболее успешным ожидается применение сравнительно простых нейросетей, например, с фиксированными структурами и весами.