Нейросетевые технологии в финансово-экономической деятельности

Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности. 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, более сложных и трудно формализуемых задач из финансовой области.

Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. 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.

Обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений.

Использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач, в частности при анализе финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и т.д. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко - от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня.

Преимущества нейронных сетей:

• 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) неприменимы традиционные математические методы;

• способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;

• возможность эксплуатации обученной нейронной сети любыми пользователями;

• возможность исключительно легко подключать нейросетевые пакеты к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;

• внутренний параллелизм, присущий нейронным сетям, позволяющий практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;

• толерантность к ошибкам - работоспособность сохраняется при повреждении значительного числа нейронов;

• способность к обучению - программирование вычислительной системы заменяется обучением;

• способность к распознаванию образов в условиях сильных помех и искажений.

Появление столь мощных и эффективных средств не исключают использования традиционных математических и эконометрических методов технического анализа или высококлассных экспертов.

Нейрокомпьютер - 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 нейро- математики - нового направления, 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. Модели НС могут быть программного и аппаратного исполнения.

Общие черты НС:

Основу каждой НС составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующий работу нейронов мозга.

Нейрон -искусственный нейрон, т.е. ячейка НС. 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 рис. 4.11. Каждый синапс характеризуется величиной синаптической связи или ее весом w_i который по физическому смыслу эквивалентен электрической проводимости.

Входы

Рис. 4.11. Искусственный нейрон

Текущее состояние нейрона определяется как взвешенная сумма его входов.

Взависимости от функций, выполняемых нейронами в сети, можно выделить три типа нейронов:

• входные, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;

• выходные, значения которых представляют выходы нейросети;

• промежуточные, составляющие основу нейронных сетей.

В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот - выходной нейрон. В процессе функционирования сети осуществляется преобразование одного вектора в выходной, переработка информации.

Каждый нейрон распознает и посылает сигнал об одном простом событии, он не посылает много сигналов и не распознает много событий. Синапс позволяет единственному сигналу оказывать разные воздействия на связанные с ним нейроны. Распознавание более сложных событий есть работа группы взаимосвязанных нейронов (НС), и несколько биологических нейронных сетей функционируют взаимосвязано для обработки все более сложной информации.

Нейронная сеть состоит из слоев нейронов, которые соединены друг с другом. Детали того, как нейроны соединены между собой, заставляют задуматься над вопросом проектирования НС. Некоторые нейроны будут использоваться для связи с внешним миром, другие нейроны - только с нейронами. Они называются скрытыми нейронами.

Современные возможности аппаратной реализации НС:

• число моделируемых нейронов - до 5 млн.;

• число моделируемых связей - до 5 млн.;

• скорость моделирования - до 500 млн. переключений связей в секунду.

Для аппаратной реализации НС в настоящее время широко используются процессорные СБИС (сверхбольшие интегральные схемы), обладающие максимальными коммуникационными возможностями и ориентированные на быстрое выполнение векторных операций.

К таким СБИС относятся транспьютеры фирмы INMOS (Т414, Т800, А100), сигнальные процессоры фирм Texas Instruments (IMS 320С40, IMS 320C80), Motorola, Analog Device.

Отечественная элементная база представлена нейрочипами на базе БМК «Исполин - 60Т».

Нейрокомпьютеры бывают:

• универсальные (позволяют реализовывать большое число моделей нейронных сетей и могут применяться для решения разнообразных задач);

• специализированные (предназначены для решения узкого, заранее заданного класса задач).

Для любого алгоритма существует нейронная сеть, которая его реализует, т.е. нейронные сети являются универсальными вычислительными устройствами. Однако существуют практические задачи, которые могут быть эффективно решены на серийных компьютерах. Поэтому в настоящее время основное внимание уделяется разработке специализированных нейронных компьютеров.