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.