ТЕМА: Нейросетевые технологии в финансово- экономической деятельности Вахрушева Елизавета, экономика, 3 курс

Понятие о предметной области Нейросетевые технологии – это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neurofo-rester v.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений. Цель использования нейросетевых технологий - решение множества плохо формализуемых задач, в частности - анализ финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др.

Основанные на исследованиях работы мозга, нейросетевые технологии оперируют рядом биологических терминов, понятий, параметров, а метод получил название генетического алгоритма. Генетический алгоритм реализован в популярных версиях нейропакетов - широко известном в России Brain Maker Professional v.3.11 и менее известном, но более профессиональном Neurofo- rester v.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. В пакете Neurofo-rester v.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 определить значимость входных параметров прогноза; анализ с помощью масштабных преобразований и экспоненты Херста (Resсaled Range Analysis Hurstexponent) для выявления скрытых циклов данных; диаграмма распределения 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.

Преимущества нейросетей 1. способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы; 2. способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию; 3. эксплуатация обученной нейронной сети по силам любым пользователям; 4. нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных; 5. толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;

6. внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации; 7. способность к обучению: программирование вычислительной системы заменяется обучением; 8. способность к распознаванию образов в условиях сильных помех и искажений.

Под нейрокомпьютером понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере. Нейронная сеть (НС) – вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке. Каждый синапс характеризуется величиной синаптической связи или ее весом w i, который по физическому смыслу эквивалентен электрической проводимости. Искусственный нейрон

Современные возможности аппаратной реализации НС можно обобщенно оценить следующим образом: число моделируемых нейронов – до 5 млн.; число моделируемых связей – до 5 млн.; скорость моделирования – до 500 млн. переключений связей/сек. Для аппаратной реализации НС в настоящее время широко используются процессорные СБИС (сверхбольшим интегральным схемам), обладающие максимальными коммуникационными возможностями и ориентированные на быстрое выполнение векторных операций. К таким СБИС относятся транспьютеры фирмы INMOS (T414, Т800, А100), сигнальные процессоры фирм Texas Instruments (IMS 320C40, IMS 320C80), Motorola, Analog Device. Отечественная элементная база представлена нейрочипами на базе БМК «Исполин - 6ОТ».

Классификации известных нейросетей: по типам структур нейронов : гомогенные сети (однородные) состоят из нейронов одного типа с единой функцией активации; гетерогенные сети (входят нейроны с различными функциями активации). по типу оперируемых сигналов: бинарные оперируют только двоичными сигналами, и выход каждого нейрона может принимать значение либо логического ноля (заторможенное состояние), либо логической единицы (возбужденное состояние); аналоговые; по переменам состояний: синхронные, т.е. в каждый момент времени лишь один нейрон меняет свое состояние; асинхронные, т.е. состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени в нейронных сетях задается итерационным выполнением однотипных действий над нейронами; по возможностям обучения: предварительно обученные (неадаптивные); самообучающиеся (адаптивные); по архитектуре: полносвязные; многослойные или слоистые; слабосвязные (с локальными связями).

В полносвязных нейросетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя, Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев. Связи от выходов нейронов некоторого слоя q к входам нейронов следующего слоя (q+1) называются последовательными, а между нейронами одного слоя называют латеральными (боковыми).

1 этап. Определение задач, которые нейросеть должна решить, т.е. определение функций выходов. При выборе функции выхода необходимо всегда проводить предварительный анализ и оценивать возможность его предсказания. Вопрос о построении сети решается в два этапа: o выбор архитектуры сети (число входов, передаточные функции; способ соединения входов между собой; что взять в качестве входов и выходов сети); o подбор весов (обучение) сети. Каждая группа моделей нейронных сетей может быть использована для решения лишь некоторого ограниченного класса практических задач. Алгоритм решения задачи

Выбор структуры НС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев; сложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов – возбуждающих, тормозящих и др.) также способствует усилению мощи НС. Очевидно, что процесс функционирования НС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными). Этот этап называется обучением НС, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса. Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.

2 этап. Определение состава входов. Нейросеть умеет отсеивать незначимые входы, но каждый "лишний" вход утяжеляет сеть, затрудняет обучение, а главное снижает качество прогноза. При большом числе "лишних" входов нейросеть чаще всего делает прогноз по типу "сегодня будет как вчера, завтра будет как сегодня". Поэтому необходимо очень аккуратно подходить к добавлению новых входов. Вообще, на входы нейросетей можно подавать самую разнообразную информацию, как дискретную (различные события) так и непрерывную (цены, индексы, индикаторы). Состав входов обычно является наиболее "сокровенной" тайной разработчика нейросети и держится в секрете. Наиболее значимыми входами являются индикаторы технического анализа и различные фондовые индексы. При правильном обучении НС все основные ее ошибки связанны с недостатком входной информации и глобальным изменением состояния объекта прогнозирования. Например, прогноз максимальной цены на день вперед для НК Лукойл дает наибольшие ошибки прогноза в дни выхода каких-либо новостей, которые сильно влияли на российский рынок акций. НС не может прогнозировать такие события, как отставки премьер-министров, начало войны, итоги собраний акционеров и другие фундаментальные факторы. Но и в этих случаях нейросеть будет полезной, если заранее получить два варианта прогнозов – без переломного события и с ним – тогда у трейдера уже будут ценовые уровни при разных сценариях развития событий. И в зависимости от ситуации на рынке выбирается необходимый прогноз.

3 этап. Выбор типа нейросетевой технологии и метода ее обучения. Для решения практических задач часто требуются обучающие выборки большого объема, поэтому в ряде нейропакетов предусмотрены средства, облегчающие процесс формирования и использования обучающих примеров. Однако в настоящее время отсутствует универсальная методика построения обучающих выборок и набор обучающих примеров, как правило, формируется индивидуально для каждой решаемой задачи. Оказывается, что после многократного предъявления примеров веса сети стабилизируются, причем сеть дает правильные ответы на (почти) все примеры из базы данных. В таком случае говорят, что "сеть натренирована". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных. Важно отметить, что вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Считается, что для полноценной тренировки требуется хотя бы несколько десятков-сотен примеров. Обучение сети – сложный и наукоемкий процесс.

4 этап. Этап подготовки данных При подготовке данных необходимо руководствоваться следующим правилом: "исходные данные должны быть непротиворечивы". Для решения этой проблемы, возможно, потребуется увеличить количество входов. В процессе работы, периодически по мере изменения рынка, и его перехода на новые уровни (исторические минимум или максимум), необходимо проводить переобучение нейросетей на новых данных. Обучение нейросетей является процессом простым, но длительным и требующим мониторинга. Типичными способами ускорения обучения являются: использование нейроплат – нейроускорителей; использование генетических алгоритмов; использование модифицированных алгоритмов обучения, таких как пакетная обработка, т.д.

5, 6 этап. Проведение тестирования нейросети и ее запуск для получения прогнозов и оценка результатов. Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства ее тестирования. В сеть вводится некоторый сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети. Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно, обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи. Если результаты тестирования не удовлетворяют, то просматривается набор входных данных, изменяют некоторые учебные программы или перестраивают сеть. Выходные данные могут быть представлены как числовыми данными, так и текстовыми, преобразованными в уникальный набор чисел в зависимости от класса выполняемой задачи.

Различают два типа выходных сигналов: o Дискретные. Такие выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самой неявной и неформализуемой форме. Примером выходных классификации может быть обычная гистограмма, определения состоятельности предприятия. o Непрерывные. выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения и используются для построения прогнозов и функциональных зависимостей для различной информации, причем сразу по нескольким переменным (критериям оценки).

Классы задач, которые решаются с помощью нейронных сетей: прогнозирование временных рядов на основе нейросетевых методов обработки; страховая деятельность банков; прогнозирование банкротств на основе нейросетевой системы распознавания; определение курсов облигаций и акций предприятий с целью инвестирования; применение нейронных сетей к задачам биржевой деятельности; прогнозирование экономической эффективности финансирования инновационных проектов; предсказание результатов займов; оценка платежеспособности клиентов; оценка недвижимости; рейтингование; общие приложения нейронных сетей и пр.

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.

Список литературы [Электронный ресурс] Режим доступа: php (дата обращения г) финансовая-биржа.рф [Электронный ресурс] Режим доступа: ekonomike-informatsionnyie/neyrosetevyie- tehnologii-finansovo htmlhttp://финансовая-биржа.рф/sistemyi- ekonomike-informatsionnyie/neyrosetevyie- tehnologii-finansovo html (дата обращения г) nashaucheba.ru [Электронный ресурс] Режим доступа: (дата обращения г)