Особенности применения нейрокомпьютерных систем в сфере экономики

Размещено на http://www.allbest.ru/

Особенности применения нейрокомпьютерных систем в сфере экономики

Николаев Д.К., студент 4 курса

ФГОБУ ВО "Финансовый университет

при Правительстве Российской Федерации"

(Смоленский филиал)

denis.nikolaev.98@mail.ru

Аннотации

В статье раскрываются особенности применения нейросетевых технологий в сфере экономики, рассматриваются основные задачи, возникающие в финансовой области, которые эффективно решаются с помощью нейросетевого подхода.

Abstract: The article reveals the features of the application of neural network technologies in the area of economics, discusses the main problems that arise in the financial field, which are effectively solved using the neural network approach.

Ключевые слова: искусственные нейронные сети, нейросетевые технологии, нейрокомпьютеры, нейросетевой подход.

Keywords: artificial neural networks, neural network technologies, neural computers, neural network approach.

Термин "нейронная сеть" появился в середине XX века. Он возник из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки. Первые работы, в которых были получены основные результаты в данном направлении, были проделаны американскими исследователями Мак-Каллоком и Питтсом. В 1943 году ими была разработана компьютерная модель нейронной сети на основе математических алгоритмов и теории деятельности головного мозга. Они выдвинули предположение, что нейроны можно упрощённо рассматривать как устройства, оперирующие двоичными числами, и назвали эту модель "пороговой логикой". Подобно своему биологическому прототипу нейроны Мак-Каллока-Питтса были способны обучаться путём подстройки параметров, описывающих синаптическую проводимость. Исследователи предложили конструкцию сети из электронных нейронов и показали, что подобная сеть может выполнять практически любые вообразимые числовые или логические операции. Мак-Каллок и Питтс предположили, что такая сеть в состоянии также обучаться, распознавать образы, обобщать, т. е. обладает всеми чертами интеллекта [1]. Данная модель заложила основы двух различных подходов исследований нейронных сетей. Один подход был ориентирован собственно на изучение биологических процессов в головном мозге, другой - на применение нейронных сетей как метода искусственного интеллекта для решения различных прикладных задач.

Разработки в области нейрокомпьютеров поддерживаются сегодня целым рядом международных и национальных программ. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях - от финансовых прогнозов до экспертизы.

Применение нейросетевых технологий с каждым годом становится все обширнее, особенно в сфере экономики. Открываются все новые методы, строятся новые модели нейронных сетей.

Основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей - это:

- Прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций, фьючерсные контракты и др.). нейронный сеть экономика

- Страховая деятельность банков.

-Прогнозирование банкротств на основе нейросетевой системы распознавания.

-Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

- Применение нейронных сетей к задачам биржевой деятельности.

-Прогнозирование экономической эффективности финансирования экономических и инновационных проектов.

- Предсказание результатов займов.

- Общие приложения нейронных сетей [2].

Приведем краткое пояснение каждого из основных приложений.

1. Прогнозирование временных рядов на основе нейросетевых методов обработки.

- прогнозирование кросс-курса валют;

-прогнозирование котировок и спроса акций для биржевых спекуляций (не для долгосрочного вложения);

-прогнозирование остатков средств на корреспондентских счетах банка.

В настоящее время прогноз курсов иностранных валют определяется экспертизой квалифицированных специалистов в области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей и математических зависимостей, которые дают возможность прогнозирования курса валюты, хотя могут и не относиться к финансовой области непосредственно. Однако динамическая природа рынков не позволяет выделить единственный "точный" показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания ряда показателей, то есть переход к нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных нейронных сетей для прогнозирования курса валют.

2. Страховая деятельность банков.

- оценка риска страхования инвестиций на основе анализа надежности проекта;

- оценка риска страхования вложенных средств.

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности (множество оценок - да, нет).

3. Прогнозирование банкротств на основе нейросетевой системы распознавания.

- анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да, нет)

- анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата - 74% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся фирм могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

4. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия.

- выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели;

- предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов;

- распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания;

- определение соотношения котировок и спроса.

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. На рынке акций шаблон "треугольника" в диаграмме (графике) изменений курса акций является индикатором важного направления будущего изменения цены акций. Однако никакие методы, основанные на правилах, не дают хорошего результата, только высококвалифицированные эксперты. Нейросетевой подход дал весьма многообещающие результаты, например, для Токийской фондовой биржи после обучения сети на 15 обучающих шаблонах треугольника и проверке на одном нейросетевом шаблоне. После чего были проведены 16 экспериментов на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно определен в 15 случаях [3].

5. Применение нейронных сетей к задачам анализа биржевой деятельности.

- нейросетевая система распознавания всплесков биржевой активности;

- анализ деятельности биржи на основе нейросетевой модели;

- предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний;

- нейросетевая система выделения трендов по методикам "японских свечей" и других гистографических источников отображения информации.

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов).

6. Предсказание результатов займов.

- определение возможности кредитования предприятий;

- предоставление кредитов и займов без залога.

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами.

7. Общие приложения нейронных сетей.

- применение нейронных сетей в задачах маркетинга и розничной торговли.

Одно из самых "модных" применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.

- моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий;

- моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа;

- построение модели структуры расходов семьи.

В 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. На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую используются для решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных задач из финансовой области. Нет никаких сомнений и в дальнейшей интеграции методов искусственного интеллекта между собой и с другими методами решения задач в различных отраслях народного хозяйства.

Список использованных источников

1. Кульневич А.Д. Введение в нейронные сети//Молодой ученый.-2017.- №8. - С.31-36.

2. Гареева, Г.А. Применение нейронных сетей в экономике / Г.А. Гареева, Д.Р. Григорьева, Т.В. Гилязеев. - // Молодой ученый. - 2018. - № 18 (204). - С. 306-309.

3. Интеллектуальные задачи в экономике: Электронный доступ// http://www.intuit.ru/studies/courses/3735/977/lecture/14689?page=2

Размещено на Allbest.ru