Применение нейросетевых технологий целесообразно при решении задач, имеющих следующие признаки:
отсутствие алгоритмов решения задач при наличии достаточно большого числа примеров;
наличие большого объема входной информации, характеризующей исследуемую проблему;
зашумленность, частичная противоречивость, неполнота или избыточность исходных данных.
Нейросетевые технологии нашли широкое применение в таких направлениях, как распознавание печатного текста, контроль качества продукции на производстве, идентификация событий в ускорителях частиц, разведка нефти, борьба с наркотиками, медицинские и военные приложения, управление и оптимизация, финансовый анализ, прогнозирование и др.
В сфере экономики нейросетевые технологии могут использоваться для классификации и анализа временных рядов путем аппроксимации сложных нелинейных функций. Экспериментально установлено, что модели нейронных сетей обеспечивают большую точность при выявлении нелинейных закономерностей на фондовом рынке по сравнению с регрессионными моделями.
|
|
Рассмотрим решение задачи прогнозирования цены закрытия на завтра по акциям некоторого предприятия X. Для моделирования воспользуемся данными наблюдений за месяц. В качестве исходных данных можно использовать индикаторы Dow Jones, NIKKEI, FTSE100, индексы и акции российских компаний, «сезонные» переменные и др.
Относительный показатель однодневной доходности предприятия можно определить из соотношений:
Ri =
где ∆Pi — оценка операции «вчера купил, сегодня продал»;
- ∆Pi — оценка операции «вчера продал, сегодня купил»;
Pi — значение выбранного показателя доходности в i -й день;
Pi-1 — значение показателя в (i-1)-й день;
Итоговая доходность за установленный интервал времени (n дней) рассчитывается по формуле
R = .
Результаты оценки доходности предприятия с использованием различных моделей ИНС, а также доходов «идеального» трейдера приведены ниже.