Нейронные сети

Нейронные сети пытаются создать приемлемые модели из большого количества данных. Они могут распознавать модели, не слишком ясные для людей, и адаптировать их при получении новой информации. Ключевая характеристика нейронных сетей в том, что они обучаются. Программе нейронных сетей сначала дается набор данных, состоящий из многих переменных, связанных с большим количеством случаев, или исходов, в которых результаты известны. Программа анализирует данные и обрабатывает все корреляции, а затем выбирает набор переменных, которые строго соотнесены с частными известными результатами, как начальная модель. Эта начальная модель используется, чтобы попробовать предсказать результаты различных случаев, а предсказанные результаты сравниваются с известными ( эталонными) результатами. Базируясь на этом сравнении, регулируя параметры переменных или даже заменяя их, программа изменяет модель. Этот процесс программа нейронных сетей повторяет много раз, стремясь улучшить прогнозирующую способность при наладке модели. Когда в этом итерационном подходе дальнейшее усовершенствование исчерпывается, т. е. при достижении некоегоприемлемого результата (уровня ошибки) программа готова делать предсказания для будущих случаев, то процесс обучения заканчивается.

Как только станет доступным новое большое количество случаев, эти данные также вводятся в нейронную сеть, и модель еще раз корректируется. Нейронная сеть обучается в основном относительно причинно-следственных моделей из этих дополнительных данных, и прогнозирующая способность улучшается.

Нейронные сети получили широкое применение в тех областях финансового и инвестиционного менеджмента, где требуется получение оценок и прогнозов, связанных с обработкой больших объемов информации, и принятия решений в минимально короткие интервалы времени (спекулятивные операции на фондовых рынках, краткосрочное прогнозирование курсов, технический анализ и т. д.).

Например, Bank of America использует нейронную сеть, чтобы оценить коммерческие заявки на полученные ссуды. American Express использует нейронную систему, чтобы читать почерк на кредитной карте; штат Вайоминг — чтобы читать заполненные от руки налоговые формы. Mellon Bank работает над нейронной системой, которая ускорит распознавание мошеннических подделок кредитных карточек, контролируя такие показатели, как частота использования кредитной карточки и размеры расходов относительно предельного размера кредита.

Наиболее популярными нейросетевыми пакетами, предназначенными для решения задач финансово-кредитной сферы, являются программы Brain Maker Pro (California Scientific Software, США) и семейство А1 Trilogyфирмы Ward Systems (США).

Пакет Brain Maker Pro, помимо выполнения финансового прогнозирования, позволяет проводить разностороннюю аналитическуюобработку информации — находить зависимости между входными и выходными параметрами, оценивать полноту и непротиворечивость данных, анализировать цикличность и т.д. Пакет имеет интерфейс со многими популярными программами, такими как Excel, LOTUS, DBASE и системой технического анализа MetaStock. Кроме того, комплект поставки Brain Maker Pro содержит исходный текст основного НС-алгоритма на языке Си, позволяющего создавать на его базе собственные программные комплексы.

Семейство программных продуктов AI Trilogy является болеедорогостоящим и мощным НС-средством. Пакет состоит из трех самостоятельных компонентов: инструментальной системы дли разработки НС NeuroShell, библиотеки для разработки приложений NeuroWindows, программы оптимизации с использованием генетических алгоритмов GeneHuntеr. По сути, он представляет собой «конструктор» для разработчика. Помимо 15 НС-алгоритмов, в системе реализованы возможности обработки текстовых данных, задания правил в явном виде, работы с техническими индикаторами, решения оптимизационных задач с применением генетических алгоритмов и др.

Среди других программных продуктов, реализующих HC отметим еще один программный продукт, реализующий НС, библиотеку OWL (HyperLogic Co., США), содержащий 20 исходных текстов основных алгоритмов НС на языке Си с общим графическим интерфейсом.

Имеется несколько реализаций НС в сфере бизнеса в виде надстроек для Excel и Lotus, например Braincel (Palisade Co., США), Neuralyst (Cheshire Engineering, США), семейство продуктов Excel Neural Package (NeurOK, Россия) и др.

Наиболее трудная часть создания и применения нейронных сетей — частый сбор данных и трудности обеспечения данных.

К достоинствам НС относятся: возможность моделирования и прогнозирования нелинейных процессов, способность работать с зашумленными данными, быстрое обучение и гибкость адаптации к изменениям внешней среды.

К существенным недостаткам НС относится неспособность объяснять свои действия. Не всегда удастся правильно выбрать архитектуру НС, необходимую для эффективного решения поставленных задач. Нельзя забывать, что НС-технология не панацея от всех бед, а в целом она является разновидностью статистических методов классификации и прогноза, ориентированных на решение строго ограниченного круга задач.