За 30 дней

Индикаторы Доходность

Стандартная трехслойная сеть.................................. 0,1919

Стандартная четырехслойная сеть............................ — 0,1182

Рекуррентная сеть с обратной отрицательной связью

от скрытого слоя.................................................... 0,1378

Рекуррентная сеть с отрицательной обратной связью 0,4545

СетьВорда: с тремя скрытыми блоками,

с разными передаточными функциями............... 0,2656

Трехслойная сеть с обходным соединением............ —0,1889

Четырехслойная сеть с обходными соединениями. 0,0003

Сеть с общей регрессией............................................ 0,3835

Сеть метода группового учета аргументов.............. 0,1065

Сеть Ворда: с тремя скрытыми блоками, с разными

передаточными функциями, с обходным соединением — 0,1166

«Идеальный» трейдер................................................ 1,1448

«Идеальный трейдер» знает цену закрытия на следующий день и поэтому получает максимально возможную прибыль. Трейдер пользуется значением нейросетевого индикатора следу­ющим образом: на основе прогнозируемого в (i - 1)-й день зна­чения ∆Рi (величина относительно изменения цены закрытия по акциям рассматриваемого предприятия X на завтрашний i-й день) трейдер принимает решение о покупке (∆Рi > 0) или прода­же (∆Рi < 0) акций.

Анализ результатов моделирования показывает, что лучшую доходность обеспечила рекуррентная сеть с отрицательной об­ратной связью (45% за 30 дней).

Нейросетевые технологии активно используются в марке­тинге для моделирования поведения клиентов и распределения долей рынка. Нейросетевые технологии позволяют отыскивать в маркетинговых базах данных скрытые закономерности.

Моделирование поведения клиентов позволяет определить характеристики людей, которые будут нужным образом реагировать на рекламу и совершать покупки определенного товара или услуги.

Сегментирование и моделирование рынков на основе нейросетевых технологий дает возможность построения гибких класси­фикационных систем, способных осуществлять сегментирование рынков с учетом многообразия факторов и особенностей каждо­го клиента.

Технологии ИНС имеют хорошие перспективы при решении задач имитации и предсказания поведенческих характеристик менеджеров и задач прогнозирования рисков при выдаче креди­тов. Не менее актуально применение ИНС при выборе клиентов для ипотечного кредитования, предсказания банкротства клиен­тов банка, определения мошеннических сделок при использова­нии кредитных карточек, составления рейтингов клиентов при займах с фиксированными платежами и т.п.

Следует помнить о том, что применение нейросетевых техно­логий не всегда возможно и сопряжено с определенными пробле­мами и недостатками.

1. Необходимо как минимум 50, а лучше 100 наблюдений для создания приемлемой модели. Это достаточно большое число данных, и они далеко не всегда доступны. Например, при произ­водстве сезонного товара истории предыдущих сезонов недостаточно для прогноза на текущий сезон из-за изменения стиля про­дукта, политики продаж и т.д. Даже при прогнозировании спроса на достаточно стабильный продукт на основе информации о еже­месячных продажах трудно накопить исторические данные за период от 50 до 100 месяцев. Для сезонных товаров проблема еще более сложна, так как каждый сезон фактически представляет собой одно наблюдение. При дефиците информации модели ИНС строят в условиях неполных данных, а затем проводят их после­довательное уточнение.

2. Построение нейронных сетей требует значительных затрат труда и времени для получения удовлетворительной модели. Необ­ходимо учитывать, что излишне высокая точность, полученная на обучающей выборке, может обернуться неустойчивостью результа­тов на тестовой выборке — в этом случае происходит «переобучение» сети. Чем лучше система адаптирована к конкретным услови­ям, тем меньше она способна к обобщению и экстраполяции и тем скорее может оказаться неработоспособной при изменении этих условий. Расширение объема обучающей выборки позволяет до­биться большей устойчивости, но за счет увеличения времени обу­чения.

3. При обучении нейронных сетей могут возникать «ловуш­ки», связанные с попаданием в локальные минимумы. Детерми­нированный алгоритм обучения не в силах обнаружить глобальный экстремум или покинуть локальный минимум. Одним из приемов, который позволяет обходить ловушки, является рас­ширение размерности пространства весов за счет увеличения числа нейронов скрытых слоев. Некоторые возможности для решения этой проблемы открывают стохастические методы обучения. При модификации весов сети только на основе ин­формации о направлении вектора градиента целевой функции в пространстве весов можно достичь локального минимума, но невозможно выйти из него, поскольку в точке экстремума «движущая сила» (градиент) обращается в нуль и причина дви­жения исчезает. Чтобы покинуть локальный экстремум и перейти к поиску глобального, нужно создать дополнительную силу, которая будет зависеть не от градиента целевой функции, а от каких-то других факторов. Один из простейших методов со­стоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической.

4. Сигмоидальный характер передаточной функции нейрона является причиной того, что если в процессе обучения несколь­ко весовых коэффициентов стали слишком большими, то ней­рон попадает на горизонтальный участок функции в область насыщения. При этом изменения других весов, даже достаточ­но большие, практически не сказываются на величине выход­ного сигнала такого нейрона, а значит, и на величине целевой функции.

5. Неудачный выбор диапазона входных переменных — доста­точно элементарная, но часто совершаемая ошибка. Если хi — двоичная переменная со значениями 0 и 1, то примерно в поло­вине случаев она будет иметь нулевое значение: хi = 0. Поскольку хi входит в выражение для модификации веса в виде сомножите­ля, то эффект будет тот же, что и при насыщении: модификация соответствующих весов будет блокирована. Правильный диапа­зон для входных переменных должен быть симметричным, на­пример, от +1 до -1.

6. Процесс решения задач нейронной сетью является «непро­зрачным» для пользователя, что может вызывать с его стороны недоверие к прогнозирующим способностям сети.

7. Предсказывающая способность сети существенно снижает­ся, если поступающие на вход факты (данные) имеют значительные отличия от примеров, на которых обучалась сеть. Этот недо­статок ярко проявляется при решении задач экономического прогнозирования, в частности при определении тенденций коти­ровок ценных бумаг и стоимости валют на фондовых и финансо­вых рынках.

8. Отсутствуют теоретически обоснованные правила констру­ирования и эффективного обучения нейронных сетей. Этот не­достаток приводит, в частности, к потере нейронными сетями способности обобщать данные предметной области в состояниях переобучения (перетренировки).