Лекции готовые в Moodle. Информационные процессы в экономике. Основные тенденции развития информатизации в экономике
 Скачать 3.34 Mb.
|
|
Таблица 3.6. Основные классы задач, решаемых с использованием нейронных сетей.
Наиболее популярными нейросетевыми пакетами для решения задач в финансово кредитной сфере являются BrainMakerPro фирмы Califomia Scientific Software и семейство TheAITrilogy фирмы Ward Systems. Перечислим основные классы задач, возникающих в 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; 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. 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. Страховая деятельность банков производит оценку риска страхования инвестиций на основе анализа надежности проекта и оценку 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). 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 НС. Фактическое банкротство может наступить задолго до того, как бедственная ситуация станет очевидной. Сегодня модной экономической теорией является теория антикризисного управления, говорящая о необходимости быстрой диагностики грядущего банкротства тех или иных учреждений. Предсказание банкротства лучше делать не на основе формальных математических выражений, а с учетом предыдущего опыта и статистики. Здесь НС могут оказать поистине неоценимую услугу - «высветить» признаки надвигающегося банкротства (пример результата - 75% 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. Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия подразделяется на: 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. 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. Прогнозирование экономической эффективности финансирования инновационных проектов: предсказание на основе анализа реализованных ранее проектов; предсказание на основе 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. 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 историческими данными по всем таким клиентам, можно натренировать НС таким образом, что на ее входе будут показатели клиента, а на выходе - прогнозируемая степень его платежеспособности. Данные каждого вновь поступившего клиента обрабатываются с целью 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 требований, 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 неэффективны в этом случае. Эксперты-оценщики, работающие в агентствах, не лишены доли субъективизма. НС эффективно решают обе вышеупомянутые проблемы. Примером фирмы, успешно реализующей данные технологии, служит компания Attrasoft (Бостон). Российские агентства недвижимости предпочитают более традиционные методы. Рейтингование - еще одна задача, традиционно поручаемая НС. Однако проблема состоит в том, что большинство рейтингов характеризуют свои объекты по ряду критериев. Рейтинговые компании изобретают свои оригинальные расчетные формулы. В США относительно недавно был предложен следующий способ рейтингования: данные сотен фирм, представленных в многомерном пространстве признаков, были обработаны с помощью самообучающихся нейронных сетей (сетей Кохонена), которые произвели классификацию на основе стандартного кластерного анализа. Иными словами, все множество компаний, представленных в многомерном пространстве, было разложено на группы (кластеры) и тем самым проранжировано в определенном порядке без приложения каких бы то ни было принудительных критериев. Разумеется, нейросеть не выставляла рейтинги. Она всего лишь сгруппировала объекты и сделала на высоком уровне. Общие приложения нейронных сетей - это применение нейронных сетей в задачах маркетинга и розничной торговли. Одно из самых «модных» 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. Управление ценами и производством с помощью нейросетевых технологий является перспективным направлением на Западе. 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 решает огромное множество задач, начиная от необходимости рассылки купонов для повышения рентабельности продаж и заканчивая стратегией смещения 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 является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой. Исследование факторов спроса - альфа и омега работы маркетинговой службы. В условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. Анализ результатов опроса клиентов - достаточно сложная задача, так как здесь участвует 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. Примером успешного использования нейросетевых технологий для построения эффективной маркетинговой политики является исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров. Итак, технологии нейронных сетей и генетических алгоритмов применимы практически в любой области финансов. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие подобные области только вопрос времени. Первый представитель самых распространенных нейропакетов семейство BrainMaker фирмы CSS (California Scientific Software), адаптированный для коммерческих приложений финансовых и промышленных компаний для решения задач прогнозирования. Оптимизации и моделирования ситуаций. Развитием явились программы TradeStaion, NeuroShell, NeuroSkalp. К модулям NeuroSkalp, в частности, относятся: экспертный модуль создан для работы с российским рынком акций РАО Газпром, РАО ЕЭС России, НК Лукойл; модуль статистики помогает осуществлять статистическую обработку данных и финансовый анализ компаний; модуль нейронных сетей применяет в своей работе генетические алгоритмы и за счет этого имитирует многослойные нейронные сети. Расширяется сфера коммерческой деятельности в области нейрокомпьютеров или подобных им систем, в частности: нейропакеты; нейроплаты; нейрокомпьютеры; видеокурсы; охранные системы с нейросетевыми алгоритмами выделения движущихся объектов; системы «электронного ключа» с распознаванием отпечатков пальцев, рисунка радужной оболочки глаза; экспертные системы. Все это свидетельствует о том, что нейрокомпьютинг занимает все более прочные позиции в нашей повседневной жизни. Конечно, было бы преждевременно утверждать, что в ближайшем будущем нейрокомпьютеры заменят собой обычные компьютеры. Этого не 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. Реальные результаты практического применения нейросетевых технологий в России пока немногочисленны. Отчасти это объясняется следующими причинами: использование аппарата ИНС имеет свои особенности, которые несвойственны традиционным методам; путь от теории нейронных сетей к их практическому использованию требует соответствующей адаптации методологий, отработанных первоначально на модельных задачах. Несмотря на вышеупомянутые причины, проведенная акция стала громадным шагом на пути нейрокомпъютеризации страны, ибо массовый разработчик узнал, что существует новый класс алгоритмов под названием «нейронные сети» и что с их помощью можно эффективно решать различные задачи. Сегодня исследования в области искусственных нейронных сетей (ИНС) обрели заметную динамику. Подтверждением тому служит факт финансирования этих работ в США, Японии и Европе, объем которого исчисляется сотнями миллионов долларов. Растет число публикаций по тематике ИНС, широк и их спектр: от монографий и статей, единодушно признанных основополагающими в данной области, до обзоров, посвященных прикладным вопросам. Издается несколько журналов, посвященных тематике ИНС, таких, например, как Transactionon Neural Networks, Neural Networks, Neural Computing&Applications. В нашей стране периодически выходят в свет тематические выпуски журнала «Нейрокомпьютер», а также статьи журналах «Chip», «Компьютерлэнд», «Uprade» и «Компьютера» [234]. Информационная технология экспертных систем. Экспертные системы дают возможность получать менеджеру необходимую информацию для принятия решений по любым проблемам при наличии соответствующей базы знаний. Экспертные системы имеют непосредственное отношение к области «искусственного интеллекта». Но сюда относится также и создание роботов, систем, моделирующих интеллектуальные способности человека. На рис. 3.7. приводится классификация информационных интеллектуальных систем [111].  |