Практическое применение нейросетевых технологий

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:

R_i =

где ∆P_i — оценка операции «вчера купил, сегодня продал»;

- ∆P_i — оценка операции «вчера продал, сегодня купил»;

P_i — значение выбранного показателя доходности в i -й день;

P_i-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.