<<
>>

4.5.7.ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФИНАНСОВЫХ ПРОГНОЗОВ

Нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных (и сравнительно простых) процессор-ных элементов - нейронов. Нейроны, связанные между собой слож-ной топологией межсоединений, группируются в слои (как правило, два-три), среди которых выделяются входной и выходной слои.
В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а нейроны выходного слоя сигнализируют о возможной реакции на эту ситуацию. Перед началом призводственной эксплуатации нейронная сеть проходит специальный этап настройки - обучения. Как правило, сети предъявляется большое количество заранее подготовленных примеров, для каждого из которых известна требуемая реакция сети. Если сеть реагирует на очередной пример неадекватно, т.е. состояние выходного слоя отличается от заданного, внутренняя структура сети подвергается некоторой модификации для минимизации ошибки (в большинстве случаев корректируются веса соединений). После определенного периода обучения сеть достигает состояния, соответствующего минимальной суммарной ошибке.
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. Начав с простого пакета, можно в дальнейшем перейти на профессиональную версию или на специализированный нейрокомпьютер с полной преемственностью ранее созданного программного обеспечения.
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.
<< | >>
Источник: A.M. Карминский, Н.И. Оленев, А.Г. Примак, С.Г. Фалько. Контроллинг в бизнесе. Методологические и практические основы построения контроллинга в организациях A.M. Карминский, Н.И. Оленев, А.Г. Примак, С.Г. Фалько . - 2-е изд. - М.: Финансы и статистика,2002. -256 с.. 2002

Еще по теме 4.5.7.ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ФИНАНСОВЫХ ПРОГНОЗОВ:

  1. Телекоммуникационные технологии и услуги для банковских сетей
  2. 10.4.1. Использование финансовых функций для вычисления значений
  3. Глава 3 ФИНАНСОВАЯ ОТЧЕТНОСТЬ: ИНТЕРПРЕТАЦИЯ И ИСПОЛЬЗОВАНИЕ ДЛЯ ПРОГНОЗИРОВАНИЯ
  4. 9. Финансовые прогнозы
  5. Использование данных финансового учета для управления предприятием Финансовый учет и управление предприятием
  6. Использование данных финансового учета для управления предприятием. Финансовый учет и управление предприятием
  7. 2.Упрощенная схема оценки при использовании прогноза чистых операционных денежных потоков и отдельном учете связанных с платежами постоянных издержек
  8. Взаимосвязь финансовых прогнозов
  9. 7.4. Оценка финансовых результатов и прогноз баланса
  10. 5.4. Характеристика финансовых планов и прогнозов
  11. 14.9 ФОРВАРДНАЯ ЦЕНА — ЭТО НЕ ПРОГНОЗ ДЛЯ БУДУЩИХ ЦЕН СПОТ
  12. Отчет и прогноз основных социально-экономических показателей России на основе расчета прогноза социально-экономического развития до 2007 г. (в %)