Нейронные сети как финансовый инструмент

DOI:

В современном мире достаточно сильно развита конкуренция, и, конечно, любая фирма хочет бороться за лучшие условия своей деятельности и надежную позицию на рынке. На постоянной основе изменяются и усложняются рыночные условия, растет скорость для принятия решений, повышается многозадачность управления активами и увеличивается необходимость в сокращении рисков. Всё это приводит к необходимости применения современных подходов в организации предпринимательской деятельности. Здесь важную роль играет техническое и технологическое оснащение компании и умение правильно использовать имеющиеся ресурсы. Ничто не стоит на месте – привычные когда-то методы и способы ведения бизнеса становятся не такими прибыльными и на смену им приходят более современные, которые способны отвечать на изменения в этих нестабильных и сложных реалиях. Компании, готовые и способные обеспечить свой бизнес мощными средствами и найти незанятую или не до конца освоенную нишу, имеют большие шансы добиться процветания в выбранной сфере.

Нейронные сети стали активно применяться относительно недавно. Многие специалисты имеют неоднозначное мнение на их счет: кто-то считает, что «эта игра не стоит свеч» или это просто несерьезное занятие, другие просто не способны воспринимать данную технологию, как средство ведения бизнеса. Однако уже имеющийся опыт выдающихся предпринимателей, которые когда-то доверили своей интуиции, вложили средства в инновационную разработку и смогли получить выгоду, свидетельствует о том, что нейронные сети способны быть достойным финансовым инструментом в современной экономике.

МАТЕРИАЛЫ И МЕТОДЫ

Искусственная нейронная сеть представляет собой метод искусственного интеллекта, построенный на основе работы биологической нейронной сети человеческого организма и включающий в себя два основных элемента – алгоритм (набор заданных команд) и вес решения (значимость, важность по сравнению с другими). Данный метод подразумевает глубокое машинное обучение, имеющее сложную узловую структуру взаимосвязанных элементов (нейронов), в результате которого образуется адаптивная система, позволяющая машине, исследуя свои прошлые ошибки при принятии решений, производить постоянное самосовершенствование и со временем решать все более сложные задачи и с большей точностью выдавать результат.

Искусственная нейронная сеть работает в двух основных направлениях: прямом (сигналы нейронов передаются только прямо, но это не ограничивает функционал, так как сеть, разбивая задачи на составляющие, способна решать их в большом количестве и разнообразии) и обратном (часть сигнала нейронов или он в целом может вернуться на предшествующие шаги, что способствует расширению возможностей использования нейронных сетей). Каждая существующая в настоящее время искусственная нейронная сеть состоит как минимум из двух слоев: распределяющего (который принимает входные данные и отправляет их дальше) и обрабатывающего (который с помощью имеющегося алгоритма непосредственно обрабатывает входную информацию и выводит затем полученный результат). В однослойной сети сигналы сразу поступают из входного слоя в выходной, а в многослойной сети есть один или несколько промежуточных (скрытых) слоев, через которые постепенно перемещаются и обрабатываются сигналы. В настоящее время существует достаточно большая разновидность нейронный сетей, отличающихся друг от друга сферой применения, решаемыми задачами, алгоритмами принятия решений, типами передаваемых сигналов, характерами связей, способами, уровнем и качеством обучения. Конкретной общепринятой систематизации не существует. Также нейронные сети можно объединять для совместной работы с целью достижения наилучшего эффекта их применения.

Уже решаемыми в наши дни с помощью нейронных сетей являются экономические задачи, такие как предсказание котировок фьючерсов, анализ колебаний курса валют, валютный дилинг, предсказание биржевых индексов, выбор ценовой стратегии, расчет котировок по продукции и товарам, оценка выставленной на продажу недвижимости, разного рода прогнозирование и многие другие [1]. Аналитические способности нейронной сети способны видеть скрытые особенности, может даже «подводные камни», изучаемой предметной области. Она умеет делать это безусловно быстрее и зачастую даже эффективнее обычного экономического анализа. Но конечно же стоит отметить, что эффективно работающая нейронная сеть требует больших финансовых и трудовых вложений, поэтому в основном выгоду от их использования получают крупные компании. Так нейросети относительно других областей достаточно широко применяются на биржевых рынках. С помощью них можно определять и анализировать влияние колебаний курса валют на котировки, выявлять определенные закономерности и зависимости, определять рост и снижение ожиданий брокеров, прогнозировать изменения курса валют. Риски в финансовых операциях велики, но нейронная сеть в руках опытного брокера является хорошим помощником. Как правило, исходными данными выступают курсы валют и котировки за определенный прошедший период (желательно не меньше месяца, но в любом случае лучше брать большое количество исходного материала). Далее модель обучается на полученной информации и затем в течение некоторого времени (можно взять от 10 дней) сравниваются результаты, полученные в ходе работы сети, и данные курса и котировок за этот испытательный срок. Если нейронная сеть хорошо обучена, она всегда правильно спрогнозирует тенденции изменений (то есть произойдет спад или рост), а также с минимальными погрешностями предскажет числовые значения этих изменений. Как показывает опыт, современные нейропакеты обладают точностью свыше 95%, поэтому они вызывают доверие у многих компаний. Одними из наиболее известных организаций, использующих нейронные сети в своей деятельности, являются финансовая корпорация «Citicorp» (для прогнозирования колебаний курса валют), банк «Chemical» (для анализа брокерских сделок) и финансовая компания «LBS Capital Management» (для прогнозирования биржевых индексов).

Также нейронная сеть может использоваться при формировании оптимальной ценовой политики для товаров (в большинстве случаев речь идет о крупных покупках, таких как автомобиль или недвижимость) [2]. В качестве исходных данных берется стандартный набор вопросов, возникающих при планировании покупки, и в результате сеть находит и предоставляет наиболее оптимальное соотношение большого оборота и высокой прибыли.

Также нейропакеты подходят для использования в аналитических отделах крупных организаций в сфере торговли, где требуется всегда учитывать сегодняшнюю и завтрашнюю ситуацию на рынке, постоянно следить за изменениями (торговле присуща большая конкуренция, высокие риски и наполненность рынка). Нейронные сети используются также для оценки финансового состояния компаний банками, кредитными организациями и консультативными фирмами [3]. Порой, даже в зависимости от задач, которые надо решать, можно обойтись и не столь профессиональными нейросетями. Например, компания «Richard Borst» применяет для оценки выставленной на продажу недвижимости крайне дешевый студенческий нейропакет. Нейронные сети могут обрабатывать большой объём экономической, финансовой и прочей информации всего за несколько минут, в то время как для этой же задачи проведенный вручную корреляционный анализ, даже с использованием программ отнимет много времени и сил.

С коммерческой стороны нейронные сети используются компаниями чаще всего в виде программных пакетов или специализированных нейрокомпьютеров. Наиболее распространенным на сегодняшний день является нейропакет «BrainMaker Pro» [4]. Его обычно используют для предсказания курсов валют и акций на финансовых биржах и для проектирования моделей кризисных ситуаций (то есть в тех областях, где входные данные для нейросети являются чаще всего неполными, неточными, противоречивыми, захламленными). Точность этого пакета составляет свыше 97%. У него есть много версий и дополнений, соответственно и большой спектр выполняемых функций. Этот нейропакет является своеобразным «ветераном» в своей сфере.

Также популярным является нейропакет «NeuroSolutions». Его отличительной особенностью является высокая гибкость и возможности визуального проектирования нейросетей (можно применять всевозможные алгоритмы обучения и структуры нейронных сетей, задавать специализированные критерии обучения). В «NeuroSolutions» можно воспользоваться мастером стандартных архитектур, с помощью которого непосредственно создается сама архитектура нейросетей, а также осуществляется подбор выборки для обучения, необходимых критериев и методов для обучения будущей нейронной сети.

Нейропакет «NeuralWorks Professional II/Plus» также позволяет создавать собственные нейронные сети, так как обладает большим количеством алгоритмов для обучения и в целом нейросетевых парадигм. Особенностями пакета являются наличие различных структур нейросетей, возможность коррекции из-за ошибок, возникающих в процессе обучения, возможность изменения весов и их корреляции на этапе нейросетевого обучения (все это обеспечивает отличную систему визуализации данных в пакете).

Нейропакет «Process Advisor» обладает навыками работы с входными данными как с непрерывными величинами, поэтому чаще применяется в динамических процессах. Также пакет предоставляет возможность управления внешними аппаратными контроллерами. Наиболее сильными характеристиками «Process Advisor» являются простота использования и формирования выборки для обучения сети и достаточно наглядное представление информации.

Нейропакет «NeuroShell 2», несмотря на относительно сложную визуализацию данных, не полностью продуманный интерфейс и многие другие мелкие ошибки, все же достаточно широко применяется для моделирования наиболее используемых нейросетевых парадигм и является вполне универсальным. Пакет особенно удобен в использовании для начинающих пользователей, а также известен эффективными средствами для обмена данными между приложениями.

Выбор нейропакета зависит от того, какой критерий отбора будет взят в качестве основного, но также можно использовать их среднее значение, чтобы выбрать более универсальный. Оценка пакетов по пяти наиболее распространенным параметрам приведена ниже на рисунке 1 (была использована десятибалльная система оценивания).

П/PLUS»

■ Простота использования                   □ Формирование обучающей выборки

■ Визуализация данных                     ■ Реализация стандартных парадигм

■ Собственные структуры,критерии и алгоритмы

Рисунок 1. Оценка нейропакетов.

Figure 1. Assessment of neuropackets.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Искусственные нейронные сети были разработаны на основе принципа работы биологической нейронной сети человеческого организма, в настоящее время существует много их разновидностей и дополнений [5-8]. Нейросети нашли свое применение в разных областях жизнедеятельности человека. Они относительно недавно стали применяться в экономике в основном для прогнозирования, оценки и анализа разного рода факторов с целью сокращения возможных рисков, получения наибольших выгод от производства, продажи или инвестиций, а также нахождения наиболее оптимальных решений. Исходя из своих целей и финансовых и трудовых возможностей, крупные компании, как правило, используют зарекомендовавшие себя на рынке нейропакеты, каждый из которых обладает рядом несомненных преимуществ и даже иногда уникальным функционалом.

ЗАКЛЮЧЕНИЕ

Таким образом, в статье дано раскрытие сущности искусственной нейронной сети, описано её применение для решения бизнес-задач и представлен выборочный обзор современных нейропакетов. С развитием технологий привычные методы ведения бизнеса могут устаревать, а на смену им приходят новые и существенно более оптимальные. Современные информационно-технологические инструменты позволяют не использовать разные виды трудоемких технологий факторного анализа и повышают конкурентоспособность тех фирм, которые используют в своей деятельности новейшие разработки.