Различают два типа выходных сигналов.

1. Дискретные. Такие выходные сигналы используются для решения задач распознавания и классификации как имеющихся объектов, так и вновь вводимых, ранее неизвестных. Данные для обучения и классы классифицируемых объектов могут быть самой разной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, в самой неявной и неформализуемой форме. Примером выходных классификаций может быть обычная гистограмма определения состоятельности предприятия.

2. Непрерывные выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения, и для построения прогнозов и функциональных зависимостей для различной информации сразу по нескольким переменным (критериям оценки).

Главная ценность нейронных технологийсостоит в том, что они позволяют прогнозировать будущее. Но качество прогнозов определяется, прежде всего, уровнем профессионализма пользователя.

Основные классы задач финансовой области, которые эффективно 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; составление рейтинга;

• общие приложения нейронных сетей и пр.

На основе нейросетевых методов обработкиможно прогнозировать:

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.

В задачах анализа биржевой деятельности нейтронные сети используются для:

• распознавания всплесков биржевой активности;

• анализа деятельности биржи на основе нейросетевой модели;

• предсказания цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний;

• выделения трендов по методикам «японских свечей» и других гистографических источников отображения информации.

Экономическая эффективность финансирования инновационных проектов прогнозируется на основе:

• анализа реализованных ранее проектов;

• соответствия предлагаемого проекта экономической ситуации.

В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети.

Предсказание результатов займов определяет возможности кредитования предприятий и целесообразность предоставления кредитов и займов без залога и редко используется при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели.

Оценка платежеспособности клиентов - одна из первых областей банковской деятельности, в которых применение НС дало заметный эффект. Располагая ретроспективными данными по всем таким клиентам, можно натренировать НС таким образом, что на ее выходе будут показатели клиента, а на выходе - прогнозируемая степень его платежеспособности. Данные каждого вновь поступившего клиента обрабатываются для сбора информации и подаются на вход без перенастройки НС. В каждом банке такие методики реализуются по-своему. Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой у Званий, предъявляемых банком к потенциальным заемщикам. Удачным считается прогноз, сбывшийся на 80-90%.

Оценка недвижимости сопряжена с анализом множества факторов, зависимость между которыми неизвестна, поэтому стандартные методы анализа в этом случае неэффективны. Эксперты-оценщики не лишены субъективизма. НС эффективно решают эти проблемы. Примером фирмы, успешно реализующей данные технологии, служит компания Attrasoft (Бостон). Российские агентства недвижимости предпочитают более традиционные методы.

Составление рейтинга - еще одна задача, традиционно решаемая НС. Большинство рейтингов характеризуют свои объекты по ряду критериев. Рейтинговые компании применяют свои, оригинальные расчетные формулы. В США относительно недавно был предложен следующий способ составления рейтинга: данные сотен фирм, представленных в многомерном пространстве признаков, были обработаны с помощью самообучающихся нейронных сетей (сетей Кохонена), которые провели классификацию на основе стандартного кластерного анализа. Иными словами, все множество компаний, представленных в многомерном пространстве, было разложено на группы (кластеры) и проранжировано в определенном порядке без приложения каких бы то ни было принудительных критериев. Разумеется, нейросеть не составляла рейтинги. Она всего лишь сгруппировала объекты на высоком уровне.

Общие приложения нейронных сетей - это применение нейронных сетей в задачах маркетинга и розничной торговли. Одно из самых распространенных применений нейрокомпьютеров - в финансовой области:

• 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.

На западе перспективное направление - управление ценами и производством спомощью нейросетевых технологий. Существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

Анализ потребительского рынка является частью маркетингового анализа. На основе нейросетевых технологий решается огромное множество задач, от необходимости рассылки купонов для повышения рентабельности продаж до стратегии смешения конкурентов. Например, несколько лет назад фирма IBM Consulting выполнила заказ крупнейшего производителя пищевых продуктов на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором становится эффективность рассылки, т.е. доля клиентов, воспользовавшихся скидкой.

Исследование факторов спроса - основа работы маркетинговой службы. В условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. Анализ результатов опроса клиентов достаточно сложен, так как требуется анализировать большое количество связанных между собой параметров, и НС идеально подходят для ее решения. Существующие нейросетевые методы позволяют выявлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара.

Расширяется сфера коммерческой деятельностив области создания нейрокомпьютеров или подобных им систем, в частности нейропакетов; нейроплат (CNAPS и другие), нейрокомпьютеров (Sinapse и другие); видеокурсов, охранных систем с нейросетевыми алгоритмами выделения движущихся объектов, систем «электронного ключа» с распознаванием отпечатков пальцев, рисунка радужной оболочки глаза, экспертной системы G2.

Было бы преждевременно утверждать, что в ближайшем будущем нейрокомпьютеры заменят собой обычные компьютеры. Этого произойдет ни сейчас, ни потом, поскольку «нейроподход» эффективен не для всех задач. Но там, где нейротехнологии имеют неоспоримые преимущества перед другими алгоритмическими методами неизбежно постепенно произойдет замена существующих аппаратных средств и программ на нейрокомпьютеры и нейросетевое программное обеспечение.

Результаты практического применения нейросетевых технологий в России пока немногочисленны. Отчасти это объясняется следующими причинами:

• использование аппарата ИНС имеет свои особенности, которые не свойственны традиционным методам;

• путь от теории нейронных сетей к их практическому использованию требует адаптации методологий, отработанных первоначально на модельных задачах;

• вычислительная техника с традиционной архитектурой недостаточно приспособлена для реализации нейросетевых методов.

Сегодня исследования в области искусственных нейронных сетей (ИНС) стали заметно динамичнее. Подтверждением тому служит финансирование этих работ в США, Японии и Европе, объем, которого исчисляется сотнями миллионов долларов. Растет число публикаций по тематике ИНС. Издается несколько журналов, посвященных ИНС, таких, например, как Transaction on NeuralNetworks, Neural Networks, Neural Computing & Applications. В нашей стране периодически выходят в свет тематические выпуски журнала «Нейрокомпьютер», а также статьи в журналах «Chip», «Компьютерлэнд», «Uprade» и «Компьютеры».