Нейромережеві технології у фінансово-економічній діяльності

На ринку комерційних програмних продуктів поряд із аналітични­ми інструментами нового покоління, які ґрунтуються на застосуванні логіки нечітких множин — від електронних таблиць до експертних сис­тем, все більший інтерес для фінансово-економічної діяльності пред­ставляють аналітичні інформаційні технології, що ґрунтуються на використанні нейронних мереж. Нейронні мережі — це узагальнена назва групи алгоритмів, які вміють навчатися на прикладах, дістаючи приховані закономірності із потоку даних. Комп'ютерні технології, які одержали назву нейромережевих, працюють за аналогією з принципами будови та функціонування нейронів головного мозку людини і дозволя­ють розв'язувати надзвичайно широке коло задач: розпізнавання люд­ської мови та абстрактних образів, класифікацію станів складних сис­тем, управління технологічними процесами і фінансовими потоками, розв'язування аналітичних, дослідницьких, прогнозних задач, зв'язаних із великими інформаційними потоками. Будучи потужним технологіч­ним інструментом, нейромережеві технології полегшують фахівцю про­цес прийняття важливих і неочевидних рішень в умовах невизначеності, дефіциту часу та обмежених інформаційних ресурсах.

Із середини 80-х років минулого століття нейронні мережі почали використовуватися на Заході переважно у фінансових і військових за­стосуваннях. Проте, незважаючи на успіх, інструмент виявився занадто складним і дорогим.

Ситуація змінилася на початку 90-х років, коли на ринку з'явило­ся нове покоління нейромережевих технологій — потужних, недорогих, простих у використанні. Одним із лідерів ринку став нейромережевий пакет Brain Maker американської фірми California Scientific Software.

7*

Зацеркляний М. М., Мельников О. Ф.

ІНФОРМАЦІЙНІ СИСТЕМИ І ТЕХНОЛОГІЇ У ФІНАНСОВО-КРЕДИТНИХ УСТАНОВАХ

Розроблений на замовлення військових пакет був адаптованим для бізнес-застосувань і з 1990 року утримує лідерство серед розповсюджу­ваних нейромережевих пакетів США.

Свій шлях на український ринок нейронні мережі розпочали з фі­нансово-кредитної сфери, де зацікавлені в удосконаленні аналітичної роботи банки стали інтенсивно включати нейронні мережеві технології до складу фінансових застосувань.

Відмітною рисою нейронних мереж є їх здатність змінювати свою поведінку (навчатися) в залежності від зміни зовнішнього середовища, дістаючи приховані закономірності з потоку даних. При цьому алгорит­ми навчання не вимагають певних попередніх знань про існуючі в пред­метній області взаємозв'язки — необхідно тільки підібрати достатнє число прикладів, які описують поведінку системи, що моделюється, в минулому. Заснована на нейромережах технологія не пред'являє підви­щених вимог до точності вхідних даних як на етапі навчання, так і при її використанні (після налаштування і навчання), наприклад при розпіз­наванні симптомів наближення критичних ситуацій, для короткостроко­вих, а іноді і довгострокових прогнозів. Таким чином, нейромережевій технології притаманні дві надзвичайно важливі властивості:

• здатність навчатися на конкретній множині прикладів;

• уміння стабільно розпізнавати, прогнозувати нові ситуації з висо­
кою точністю, причому в умовах зовнішніх завад, наприклад по­
яви суперечливих чи неповних значень у потоках інформації.
Взявши за основу роботу мозку, нейромережеві технології вклю­
чили в себе і ряд біологічних термінів, понять, параметрів, а метод, який
грунтується на нейромережевій технології, одержав назву генетичного
алгоритму.

Генетичний алгоритм реалізований у популярних версіях нейг)о-пакетів — широко відомому Brain Maker Professional і менш відомому, але більш професійному Neuroforester. У цих пакетах генетичний ал­горитм управляє процесом спілкування на деякій множині прикладів, а також стабільно розпізнає (прогнозує) нові ситуації з високою точ­ністю навіть в умовах зовнішніх завад, наприклад, появи суперечливих чи неповних знань.

^Йі£*_ Розділ 2

ЩЩР ТЕХНОЛОГІЧНЕ ЗАБЕЗПЕЧЕННЯ ЕКОНОМІЧНИХ ІНФОРМАЦІЙНИХ СИСТЕМ

На відміну від Brain Maker Professional у пакеті Neuroforester для розв'язування прогнозних задач ряд процедур виконується автоматич­но. Зокрема, автоматично вибирається оптимальне число днів, які забез­печуються прогнозом. Пакет має також інструменти для попереднього опрацювання даних:

• кореляційний аналіз, який дозволяє визначати значимість вхідних параметрів прогнозу;

• аналіз за допомогою масштабних перетворень і експоненти Хьор-ста для виявлення прихованих циклів даних; діаграму-розподіл залежності прогнозованої величини від вхідних параметрів.

Ці методи дозволяють уже на етапі підготовки виділяти найбільш істотні для прогнозування параметри. Всі результати опрацювання пода­ються у графічному вигляді, зручному для аналізу та прийняття рішень.

При використанні неиромережевої технології робота виконується в декілька етапів. Розглянемо їх зміст і найважливіші процедури.

Першим етапом є чітке означення проблеми, тобто того, що корис-тувач-аналітик збирається одержати від неиромережевої технології на виході. Це може бути деякий вектор, який характеризує систему чи про­цес. Наприклад, крива прибутковості; ціна відсікання первинного аук­ціону; показник доцільності реструктуризації інвестиційного портфеля; точки перелому тренда і т. п.

Другим етапом є визначення і підготовка початкових даних для реалізації неиромережевої технології. При цьому відбирається вся не­обхідна, адекватна і повно описуюча процес інформація. Для найбільш успішного розв'язування проблеми формування наборів інформації для наступного прогнозування ситуацій рекомендується залучати добре зна­ючих дану конкретну область фахівців.

Складність виконання другого етапу полягає в тому, що повинний бути дотриманим баланс між прагненням збільшити кількість вхідних параметрів та ймовірністю одержати погано навчаючу мережу, яка може спотворити очікувані прогнози. Справа в тому, що число днів ретро-спективи і прогнозування, які залежать від властивостей досліджуваних даних, впливають на точність прогнозування. Тому вибір невідповідно

Зацеркляний М. М., Мельников О. Ф.

ІНФОРМАЦІЙНІ СИСТЕМИ І ТЕХНОЛОГИ У ФІНАНСОВО-КРЕДИТНИХ УСТАНОВАХ

великого числа днів для прогнозу чи малої ретроспективи може привес­ти до того, що мережа буде не в змозі навчатися.

Введення даних у систему, підготовка даних, створення файлів для тренування і тестування можна вважати самостійним третім етапом. Основною метою роботи на цьому етапі є формування необхідного на­бору ситуацій, із якими доведеться працювати аналітику, а потім роз­поділення початкових даних за цими ситуаціями. При цьому нейромере-жева технологія автоматично реалізує задачу класифікації, в основі якої знаходиться нечітка логіка. За вхідні параметри можуть використовува­тися штучно створені характеристики системи, зокрема для фондового ринку це можуть бути різні індикатори технічного аналізу.

На етапі підготовки даних аналізується міра їхньої інформаційної насиченості, для чого визначається міра впливу конкретного параметра на прогнозовану величину. Досягши рівномірного наповнення всіх сту­пенів залежності, виявляється відповідність між прогнозованою величи­ною і параметром у вигляді «Якщо..., то...; інакше...», що близько до реалізації алгоритму нечіткої логіки та експертних систем.

Вибір типу нейромережевої технології і методи її навчання мож­на виділити в самостійний етап. Мережа може бути побудованою за до­помогою Net Maker в інтерактивному режимі з використанням його під­казок, чи файлу Brain Maker, використовуючи текстовий редактор. Для прогнозування часових рядів, якими описуються фінансові ринки, пере­важно користуються генетичним алгоритмом Genetik Algorithms, а для розв'язування задач розпізнавання образів і класифікації — мережевими технологіями Hopfield і Kohonen. Найбільш трудомістким процесом є на­лаштування нейромережі на навчальну вибірку даних, оскільки тут ви­значається оптимальна кількість параметрів, властивості досліджуваних даних, оптимальне число днів ретроспективи і прогнозування. Добре продумані способи задания тестових множин у сполученні з декількома варіантами навчальних алгоритмів (від стандартних до швидкісних) і за­даниям різних критеріїв зупинки навчання надають широкі можливості для експериментів.

Полегшує процес роботи і те, що всі сучасні нейромереже-ві технології містять ту чи іншу систему конверторів, які дозволяють

Розділ 2 ТЕХНОЛОГІЧНЕ ЗАБЕЗПЕЧЕННЯ ЕКОНОМІЧНИХ ІНФОРМАЦІЙНИХ СИСТЕМ

користуватися даними, підготовленими в популярних початкових фор­матах. Зокрема, Word System може імпортувати текстові файли, таблиці, підготовлені в Excel, а також дані у форматі Meta Stock. Варто підкрес­лити, Meta Stock не тільки програмний продукт, а й формат ділової ін­формації, який відрізняється високою компактністю даних у сполученні з надійністю їх передавання.

Сучасні нейромережеві продукти дозволяють працювати як з чис­ловими, так і з текстовими даними, тобто перетворювати набір символів (слово, фраза) в унікальний набір чисел. Ward System дає можливість виконувати зворотну операцію, тобто подавати результати роботи не-йромережі у вигляді не тільки чисел, а й зв'язаного тексту, що дозво­ляє генерувати результати у вигляді різних інформаційних повідомлень. Правила для навчання нейромережі можуть задаватися за допомогою їх введення в текстовому вигляді, а також у вигляді чисел. Причому ці об­межуючі і дозволяючі правила та умови можуть задаватися в процесі розв'язування задачі.

Іншим методом задания правил у Ward System є робота з індикато­рами технічного аналізу. Включення індикаторів у процес навчання іс­тотно підвищує не тільки точність прогнозів, а й їх стабільність і ста­тистичну вірогідність. Для розв'язування цієї проблеми в Ward System з більшою ефективністю можна користуватися спеціальним блоком, який містить повний список процедур із можливістю автоматичного підбору параметрів і перенесення вибраних значень у підготовлений набір по­чаткових даних, що значно полегшує роботу аналітика.

Останніми етапами можна вважати проведення тестування нейро­мережі і її завантаження для одержання прогнозу. Працездатність по­чатково навчених мереж проводиться на тестовій вибірці даних. За ре­зультатами тестів відбираються найбільш перспективні варіанти. При цьому керуються тим, що точність і надійність прогнозу насамперед за­лежать від типу прогнозованої величини, стану, у якому знаходиться система (стаціонарний, поблизу критичної точки і т. п.), типу системи (керована ззовні чи замкнута).

Якщо результати тестування не задовольняють, то переглядається набір вхідних даних, змінюються деякі навчальні програми чи перебу­довується мережа.

Зацеркляний М. М., Мельников О. Ф. агсЗКшо

ІНФОРМАЦІЙНІ СИСТЕМИ І ТЕХНОЛОГІЇ У ФІНАНСОВО-КРЕДИТНИХ УСТАНОВАХ Щ

Э Після завершення повного циклу розв'язування задачі можливі два шляхи: користуватися в подальшій роботі створеною системою, що ціл­ком прийнятно для одного фахівця, який розв'язує певне коло задач, чи створити для кожної задачі незалежні застосування у вигляді окремого файлу, який може використовуватися іншими програмами. У цьому ви­падку одержаний варіант нейромережевої технології є упакованою не-йромережею з описаними функціями передавання даних. Гнучкість і потужність нейронних мереж відкриває перед ними практично необмежені можливості застосування, особливо як аналітич­ні інструменти в погано формалізованих і багатокритеріальних облас­тях, зокрема, при аналізі фінансової і банківської діяльності. Будь-яка задача, зв'язана з використанням фінансів на валютному ринку чи рин­ку цінних паперів, сполучена з ризиком і вимагає ретельного аналізу і прогнозу. Точність прогнозу, яка стійко досягається нейромережевими технологіями при розв'язуванні реальних задач, перевищила 95 %. Тому кількість прикладів успішного застосування нейромережевих програм­них продуктів стрімко зростає. Серед перспективних напрямків використання нейромережевих технологій можна назвати створення комп'ютерних моделей поведінки клієнта для оцінки ризику чи перспективності роботи з конкретними клі­єнтами. Наприклад, можна проаналізувати колишні угоди і на цій осно­ві оцінити ймовірність того, чи погодиться конкретний клієнт на ту чи іншу пропозицію. Розділ З МОДЕЛІ І МЕТОДИ ФІНАНСОВО-ЕКОНОМІЧНИХ РОЗРАХУНКІВ

Розділ З

МОДЕЛІ І МЕТОДИ