Прогнозирование в экономических системах на основе нейронных сетей

За последние несколько лет интерес к методу нейронных сетей значительно повысился благодаря применению их в таких областях как экономика, медицина, техника, геология, физика. С помощью нейронных сетей решаются задачи прогнозирования, классификации и управления. Заинтересованность нейронными сетями объясняется его преимуществами. Данный метод позволяет производить сложные зависимости, так как нейронные сети нелинейны по своей природе. Значительное время одним из главных методов моделирования, применяемых в большинстве областей, являлось линейное моделирование, так как на его основе решаются задачи оптимизации. Но недостатком линейного моделирования является то, что в реальной жизни большинство задач нелинейны. Поэтому нейронные сети стали пользоваться все большей популярностью. Также преимущество нейронных сетей - это способность работать с данными большой размерности, т.е. нейронные сети позволяют строить линейные зависимости при большом числе переменных.

Нейронные сети отличаются простотой в использовании. Они обладают способностью учиться на примерах. Первым шагом при применении нейронных сетей является подбор представительных данных, затем запускается алгоритм обучения, автоматически воспринимающий структуру данных. Пользователь нейронной сети должен обладать определенным набором эвристических знаний об отборе и подготовке данных, выбирать соответствующую архитектуру сети и выполнить анализ результатов. Тем не менее, уровень знаний, необходимый при применении нейронных сетей гораздо ниже, чем при применении традиционных методов статистики. [2]

Минус нейронных сетей заключается в том, что разработчикам недоступно то, что происходит внутри сети. Пользователь формирует входы, после этого рассчитывает выходы и просто сопоставляет одно с другим. При этом нет возможности детально и последовательно проследить за тем, как обрабатываются входные данные и рассчитываются выходные. Этот режим выполнения вычислений процесс трактовки результатов и изменения сети значительно усложняет, так как не до конца понятно, как нужно смоделировать сеть, чтобы получить более точные данные.

Нейронная сеть анализирует и обрабатывает входные данные аналогично человеческому мозгу. В процессе анализа сеть обучается, приобретая определенный опыт и знания. Выходная информация нейронной сетью выдается на основе полученного ею ранее опыта.

Главной задачей аналитика, выбравшего нейронные сети для решения некоторой проблемы, является создание более действенной архитектуры нейронной сети, а именно правильный подбор вида нейронной сети, алгоритма ее обучения, количества нейронов и видов связи между ними. Сложность данной работы заключается в глубоком понимании разновидностей архитектур нейронной сети. А также в том, что включает в себя много исследовательской и аналитической работы, и может занять не малое количество времени.

Нейронные сети целесообразнее применять в случае:

• •    накопления достаточного объема данных о предыдущем поведении системы;

• •    отсутствия традиционных методов или алгоритмов, которые удовлетворительно решают проблему;

• •    частично искаженных данных, когда информация противоречива или не полна и поэтому традиционные методы выдают неудовлетворительный результат.

Нейронные сети эффективны в задачах, содержащих большое количество входных данных, между которыми существуют неявные взаимосвязи и закономерности. В этом случае нейронные сети автоматически учитывают различные нелинейные зависимости, скрытые в данных. Данный аспект важен в системах поддержки принятия решений и системах прогнозирования.

Нейронные сети все чаще находят свое применение в реальных бизнес приложениях. В ряде областей, например, в обнаружении фальсификаций и оценке риска, нейронные сети занимают позицию абсолютных лидеров среди используемых на сегодняшний день методов. Их роль в системах прогнозирования и системах маркетинговых исследований неуклонно растет.

Надо заметить, что в связи с тем, что экономические, финансовые и социальные системы обладают сложной структурой, то крайне сложно создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.

В системах такого уровня сложности вполне естественно и, конечно, весьма эффективно, использовать те модели, которые позволят напрямую имитировать поведение общества и экономики. Это именно то, что способна предложить методология нейронных сетей.

Ниже перечислены области, в которых эффективность применение нейронных сетей доказана на практике:

Для финансовых операций:

• •    Прогнозирование поведения клиента.

• •    Прогнозирование и оценка риска предстоящей сделки.

• •    Прогнозирование возможных мошеннических действий.

• •    Прогнозирование остатков средств на корреспондентских счетах

банка.

• •    Прогнозирование движения наличности, объемов оборотных средств.

• •    Прогнозирование экономических параметров и фондовых индексов.

Для планирования работы предприятия:

• •    Прогнозирование объемов продаж.

• •    Прогнозирование загрузки производственных мощностей.

• •    Прогнозирование спроса на новую продукцию. [1, c. 67]

При прогнозировании значительным достоинством этого метода является то, что нейронные сети дают возможность пользователю анализировать большие объемы данных, имеющие между собой взаимосвязи и характеризующие, в частности, объем реализации изделий по большому количеству факторов (стоимость и количество исходных материалов, себестоимость продукции, цена и количество реализуемых изделий и т.д.). Помимо этого, можно учитывать сезонные изменения при реализации товаров. [1, с. 264]

Общая схема прогнозирования может быть представлена на основе нейронной сети, которая выявит алгоритм создания и верификации нейронной сети.

Рисунок 1 - Алгоритм прогнозирования на основе нейронной сети

В настоящее время для отечественного бизнеса проблема выбора методов и инструментов экономического прогнозирования несомненно актуальна. Несмотря на различные методики, аналитические инструментарии и разнообразие программных продуктов, только некоторые из них могут предоставить исследователю адекватное решение проблемы.

Сильное развитие на сегодняшний день получают нейронные сети, использование которых в прогнозировании дает существенные преимущества перед другими методиками. Нейронные сети способны к адаптивному обучению путем реакции на положительные и отрицательные воздействия. Они показывают хорошие результаты при решении неформализованных или плохо формализованных процессов, обладают устойчивостью к частым изменениям среды.