Нейросетевые технологии в финансово-экономической деятельности

В составе технологий интеллектуального уровня определенное место занимают аналитические информационные технологии, которые относятся к классу нейронных сетей. В основе нейронных сетей положены алгоритмы, обладающие способностью самообучения на примерах, которые они извлекают из потока информации как скрытые закономерности.

Будучи мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, ограниченных информационных ресурсов или дефицита времени.

Эти важные свойства и определили практическое применение нейросетевых технологий.

Еще одним из достоинств нейронных сетей является их способность адаптироваться к изменениям условий решаемой задачи. Механизм адаптации базируется на идее самообучения. Алгоритм самообучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях. Здесь надо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом. Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе самообучения, так и при их применении.

Примером может служить распознавание симптомов приближения критических ситуаций для краткосрочных, а иногда и долгосрочных прогнозов.

Таким образом, нейросетевая технология обладает двумя следующими необходимыми свойствами:

• способностью обучаться на конкретном множестве примеров;

• умением стабильно распознавать и прогнозировать новые ситуации с высокой степенью точности даже в условиях внешних помех, например при появлении противоречивых или неполных значений в потоках информации.

В течение последнего десятилетия были разработаны разнообразные предложения по применению нейронных сетей в бизнесе и исследовании операций. Назовем основные задачи:

• Классификация. Должным образом разработанная нейронная сеть может использоваться как классификатор. После обучения данным нейронная сеть может определять класс принадлежности некоторой характерной черты. Нейронные сети можно использовать при анализе кредитоспособности, чтобы предсказать банкротство фирмы, оценить активы и обязательства. В банках нейронные сети можно использовать для обнаружения подделки кредитной карточки.

• Построение эмпирической кривой и анализ временных рядов. Процесс обучения во многих типах нейронных сетей может рассматриваться как построение эмпирической кривой. Аналитики - маркетологи, используя нейронные методы сети, могут определять рыночные функции отклика, основанные на временных данных. Руководители производства могут предсказывать производительность фирмы, основываясь на кривых, представленных обученными нейронными сетями. Многие финансовые учреждения используют нейронные сети для финансового прогноза и управления инвестициями.

• Кластеризация. Неконтролируемые обучающиеся нейронные сети обычно используются в кластерном анализе для группировки объектов без априорного знания классов. Идентификация потребительских сегментов и группировка технологических деталей могут служить примером в этой прикладной категории.

• Оптимизация. Поскольку процесс обучения в нейронных сетях должен минимизировать заранее определенную ошибку или энергию, нейронные сети могут использоваться для решения задач оптимизации. Например, задача оптимального планирования работы магазина и минимизации потерь могут быть решены с использованием нейронных сетей.

Интенсивное продвижение на рынок нейросетевых технологий началось в 1990-х гг. Появилось новое поколение систем этого класса, основанное на достаточно мощных, но недорогих и простых в использовании персональных ЭВМ. Среди систем этого поколения можно назвать нейросетевой пакет Brain Makerr американской фирмы California Scientific Software. В настоящее время это один из самых популярных нейросетевых пакетов на рынке США. На российском рынке он появился в финансово-кредитной сфере, где стал довольно широко применяться в аналитической работе банков. Кроме финансовой сферы пакет начал использоваться и в решении задач властных структур.

В России популярность приобрели системы Brain Maker Professionall и Neuroforester. Работа алгоритма здесь заключается в управлении процессом общения на некотором множестве примеров, а также стабильном распознавании новых ситуаций с высоким уровнем точности.

В отличие от Brain Maker Professional в пакете Neuroforester для решения прогнозных задач ряд процедур выполняется автоматически. Например, автоматически выбирается оптимальное число дней для решения прогнозной задачи.

Пакет имеет инструменты для предварительной обработки данных:

· корреляционный анализ, позволяющий определять значимость входных параметров прогноза;

· анализ с помощью масштабных преобразований;

· диаграмма-распределение зависимости прогнозируемой величины от входных параметров.

Указанные свойства обеспечивают системе хорошее качество прогноза и результаты решения задач представляются в удобном графическом виде, что обеспечивает эффективное принятие решений.