Применения нейрокомпьютеров в финансовой деятельности

Одним из наиболее интересных приложений нейронных  сетей в последние годы стали  именно задачи финансовой деятельности. На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую используются для  решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения  многих других, зачастую более сложных  и трудно формализуемых задач  из финансовой области. В настоящее  время имеет место широкое  появление на отечественном рынке  компьютеров и программного обеспечения  нейропакетов и нейрокомпьютеров, предназначенных  для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные  сети для решения своих задач, понимают, насколько эффективным  средством могут быть нейронные  сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том  числе и многомерных. Пока ситуация складывалась так, что в финансовой системе, сложившейся в настоящее  время, наблюдается повышенный интерес  к отдельным видам задач, например предсказанию фьючерсных контрактов или  курсов ГКО, при недостаточном внимании к структурному макроэкономическому  анализу с использованием нейронных  сетей как нелинейных моделей  процесса. Лишь в последнее время  начинает появляться интерес к использованию  нейронных сетей для оценки ситуации, применению нечеткой логики для принятия решений и других более сложных  приложений. При этом в качестве потребителя такой информации выступают  либо люди, хорошо знающие потенциальные  возможности нейронных сетей, либо решающие такие задачи традиционными  методами и вынужденные искать другие, более эффективные способы решения  задач.

Приводимый  ниже перечень задач ни в какой  мере не является полным и исчерпывающим, поскольку основан на анализе  зарубежных публикаций в области  финансов и нейрокомпьютинга. Под  нейрокомпьютером здесь понимается любое вычислительное устройство, реализующее  работу нейронных сетей, будь то специальный  нейровычислитель или эмулятор нейронных  сетей на персональном компьютере. Под нейронной сетью - вид вычислительной структуры, основанной на использовании  нейроматематики - нового направления  математики, находящегося на стыке  теории управления, численных методов  и задач классификации. распознавания  образов. Для решения конкретных задач используются пакеты прикладных программ - эмуляторов работы нейронных  сетей (нейропакеты), нейросетевые и  гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

1. ОСНОВНЫЕ  ЗАДАЧИ В ФИНАНСОВОЙ ОБЛАСТИ,  РЕШАЕМЫЕ С ПОМОЩЬЮ НЕЙРОКОМПЬЮТЕРОВ 

Перечислим  основные классы задач, возникающих  в финансовой области, которые эффективно решаются с помощью нейронных  сетей. Это:

- Прогнозирование  временных рядов на основе  нейросетевых методов обработки  (валютный курс, спрос и котировки  акций, фьючерсные контракты и  др.)

- Страховая  деятельность банков.

- Прогнозирование  банкротств на основе нейросетевой  системы распознавания. 

- Определение  курсов облигаций и акций предприятий  с целью вложения средств в  эти предприятия. 

- Применение  нейронных сетей к задачам  биржевой деятельности.

- Прогнозирование  экономической эффективности финансирования  экономических и инновационных  проектов.

- Предсказание  результатов займов.

- Общие  приложения нейронных сетей

Приведем  краткое пояснение каждого из основных приложений

1.1. Прогнозирование  временных рядов  на основе нейросетевых  методов обработки. 

- Прогнозирование  кросс-курса валют 

- Прогнозирование  котировок и спроса акций для  биржевых спекуляций (не для долгосрочного  вложения)

- Прогнозирование  остатков средств на корреспондентских  счетах банка. 

В настоящее  время прогноз курсов иностранных  валют определяется экспертизой  квалифицированных специалистов в  области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей  и математических зависимостей, которые  дают возможность прогнозирования  курса валюты, хотя могут и не относиться к финансовой области  непосредственно. Однако динамическая природа рынков не позволяет выделить единственный <точный> показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания  ряда показателей, то есть переход к  нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных  нейронных сетей для прогнозирования  курса валют. [25,26,27,30]

1.2. Страховая деятельность  банков.

- оценка  риска страхования инвестиций  на основе анализа надежности  проекта 

- оценка  риска страхования вложенных  средств

Применение  нейронных сетей для оценки риска  страхования особенно эффективно с  точки зрения способности анализировать  как ранее накопленные данные по результатам страхования, так  и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности (множество оценок - да. нет) [29,31]

1.3. Прогнозирование  банкротств на  основе нейросетевой  системы распознавания. 

- анализ  надежности фирмы с точки зрения  возможности ее банкротства с  помощью нейросетевой системы  распознавания и выдача результата  в дискретном виде (да. нет) 

- анализ  величины вероятности банкротства  фирмы на основе многокритериальной  оценки с построением нелинейной  модели с помощью нейронных  сетей (пример результата - 74% вероятности  банкротства).

Анализ  банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные  проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные используемые для обанкротившихся  фирм могут быть взяты из последних  финансовых бюллетеней, вышедших перед  тем, как фирмы объявили банкротство.[3], [8], [20], [28].

1.4. Определение курсов  облигаций и акций  предприятий с  целью вложения  средств в эти  предприятия.

- выделение  долгосрочных и краткосрочных  скачков курсовой стоимости акций  на основе нелинейной нейросетевой  модели 

- предсказание  изменения стоимости акций на  основе нейросетевого анализа  временных экономических рядов 

- распознавание  ситуаций, когда резкое изменение  цены акций является результатом  биржевой игры с помощью нейросетевой  системы распознавания

- определение  соотношения котировок и спроса 

Прогнозирующая  система может состоять из нескольких нейронных сетей, которые обучаются  взаимосвязям между различными техническими и экономическими показателями и  периодами покупки и продажи  акций. Целью прогноза является выбор  наилучшего времени для покупки  и продажи акций. Здесь рассматриваются  также задачи формирования портфеля ценных бумаг и распознавания  шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке  времени. На рынке акций шаблон <треугольника> в диаграмме (графике) изменений  курса акций является индикатором  важного направления будущего изменения  цены акций. Однако никакие методы основанные на правилах не дают хорошего результата, только высококвалифицированные эксперты. Нейросетевой подход дал весьма многообещающие результаты для Токийской фондовой биржи после обучения сети на 15 обучающих  шаблонах треугольника и проверке на одном нейросетевом шаблоне. После  чего были проведены 16 экспериментов  на данных по ценам акций за последние 3 года. Шаблон треугольника был успешно  определен в 15 случаях. [15,16,25] 1.5. Применение нейронных сетей к задачам  анализа биржевой деятельности. - нейросетевая система распознавания всплесков  биржевой активности - анализ деятельности биржи на основе нейросетевой модели - предсказание цен на товары и сырье  с выделением трендов вне зависимости  от инфляции и сезонных колебаний - нейросетевая система выделения  трендов по методикам <японских свечей> и других гистографических источников отображения информации.

Для задач  биржевой деятельности наиболее интересным представляется построение системы  распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи  резкого изменения биржевой цены и биржевой активности в зависимости  от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости  от сезона и уровня инфляции (выделение  трендов). [32,33]

1.6. Прогнозирование  экономической эффективности  финансирования экономических  и инновационных  проектов.

- предсказание  на основе анализа реализованных  ранее проектов;

- предсказание  на основе соответствия предлагаемого  проекта экономической ситуации  В первом случае используется  способность нейронных сетей  к предсказанию на основе временных  рядов, во втором - построения  нелинейной модели на базе  нейронной сети. [6,8,9]

1.7. Предсказание результатов  займов.

- определение  возможности кредитования предприятий 

- предоставление  кредитов и займов без залога

Используется (в редком случае) при предоставлении займов без залога на основе анализа  дополнительной информации о потребителе  кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми  группами. [2,3,4-7]

1.8. Общие  приложения нейронных сетей 

- применение  нейронных сетей в задачах  маркетинга и розничной торговли.

Одно  из самых <модных> применений нейрокомпьютеров в финансовой области.Один из решаемых вопросов - установление цены на новый  вид товара на основе многокритериальной оценки.

- моделирование  динамики цен на сельскохозяйственную  продукцию в зависимости от  климатических условий 

- моделирование  работы коммунальных служб на  основе нейросетевой модели для  многокритериального анализа 

- построение  модели структуры расходов семьи.

2. О  НЕЙРОННЫХ СЕТЯХ И ИХ ОБУЧЕНИИ 

2.1. Как работают нейронные  сети.

Направление вычислительной математики, называемое нейроматематика, находится на стыке  теории управления и параллельных вычислительных алгоритмов и наиболее эффективно в  применении в тех областях, где  формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования  нейронных сетей является их способность  генерировать нелинейную модель процесса на основе результатов адаптивного  обучения (настройки) сети. При этом попытка проинтерпретировать процесс  работы сети, а не результат, как  правило весьма затруднена. При обучении сети на ее вход подается множество  векторов, выражающих количественные характеристики некоторого процесса или  объекта и для каждого вектора  формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с  ее точки зрения, на основе неизвестных  ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и  выходных данных может быть различной, причем в качестве входных данных могут поступать сразу несколько  наборов векторов с различной  информацией.Например, если на вход сети при обучении подавать информацию о  фирме, аналогичную данным для многокритериального  дискриминантного анализа, то есть:

X1 = Работающий  капитал . Все активы 

X2 = Сохраняемая  прибыль . Все активы 

X3 = Прибыль  до капиталовложений и налога . Все активы 

X4 = Рыночная  стоимость акции . Общий долг 

X5 = Величина  продаж . Все активы 

а в  качестве указаний учителя выбрать  две группы фирм, одна из которых  будет представлять обанкротившиеся  фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать ответ <банкрот> или <не банкрот>. После этого  можно брать любую фирму, предъявлять  ее показатели сети и сеть будет  оценивать фирму как <банкрот> или <не банкрот>. Может быть фирма  еще не обанкротилась, но давать кредиты  такой фирме опасно. Вероятность  правильного ответа может достигать 80%-97%. Следует подчеркнуть следующую  особенность применения нейросетевых экспертных систем. Исходной информацией  для них служит система зависимостей между переменными, при этом фиксируется  только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений  адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку. В частности, нейронные сети хорошо себя зарекомендовали в качестве основы для разработки экспертных систем в нечетких средах, в которых часто  отсутствует явная функциональная зависимость между событиями. свойственную статическим экспертным системам.

2.2. О типах выходных  сигналов нейронной  сети.

Вычислительный  базис нейронных сетей - нейросетевой базис состоит из следующего множества  операций: { +; *; sigm } где под операцией sigm понимается функция активации  нейронной сети, например: sigm = sign(x), то есть { 0, если x<0 и 1 если x>0 } (1)

sigm = 1.(1-exp(-x)) (2)

то есть представляет собой многовходовой  сумматор, где каждое из слагаемых  умножается на величину, называемую весом  входа, и нелинейного преобразования sigm, выполняемого над результатом  этой суммы произведений входных  сигналов на веса. Наличие нелинейного  преобразования вида (1) или (2) позволяет, вводя нелинейность в передаточную функцию нейрона, строить нелинейные модели на основе нейронных сетей. При  этом множество значений функции  активации нейрона (1) представляет собой множество значений формальной (дискретной) логики - { <да>; <нет>} или {>истина>;>ложь>), а функция  активации (2) - многозначной (непрерывной) - то есть {>да>; <не знаю, но скорее ... чем...>; <нет>}, например высказывание <яблоко - это овощ> является ложным, но бесспорным утверждением дискретной логики, а <узор красивый> может быть оценено неоднозначно. Первое высказывание иллюстрирует использование функции  активации нейронной сети (1), и  соответственно дискретной логики, а  второе - функции активации (2), и соответственно непрерывной логики. Поэтому нейронные  сети с дискретными выходными  сигналами используются для классификации  и распознавания входной информации, например <является ли предприятие  потенциальным банкротом> или <будет  ли скачок приращения цены доллара  выше уровня инфляции>; а нейронные  сети с непрерывными выходными сигналами - для экстраполяции и аппроксимации  на основе неформальных нелинейных моделей, например <каков будет точный курс доллара через два месяца> или <какова будет цена на дизельное  топливо в следующем году при  условии сокращении добычи нефти  в Западной Сибири на 15%>.

Обобщая все вышесказанное, можно сказать, что нейронные сети при обучении генерируют нелинейные модели и имеют  два типа выходных сигналов - дискретные и непрерывные. Дискретные выходные сигналы используются для решения  задач распознавания и классификации, причем как имеющихся объектов, так  и вновь вводимых, ранее неизвестных. При этом данные для обучения и  классы классифицируемых объектов могут  быть самой различной природы, условием построения хорошей модели будет  лишь наличие корреляции между ними, причем в самой неявной и неформализуемой  форме. Непрерывные выходные сигналы  используются для задач аппроксимации  и экстраполяции величин, имеющих  абсолютные значения и используются для построения прогнозов и функциональных зависимостей для различной информации, причем сразу по нескольким переменным (критериям оценки). В качестве исходной информации для прогноза может служить  экономический временной ряд  и прогноз будет обоснованным, если информация позволит построить  нелинейную модель. Применение нейронных  сетей позволяет достичь значительно  более хороших результатов, чем  применение статистических методов  регрессионного анализа, применяемого традиционно, поскольку нейронная  сеть строит неформальную модель процесса, которая не может быть выражена в  виде некоего формального аппарата выделения статистических характеристик, применяемого в регрессионном анализе. Нейронная сеть учится выполнять  преобразование на основе ряда предъявляемых  примеров, при этом сложно проинтерпретировать  ту <формальную модель>, которая  формируется в настраиваемых  весовых коэффициентах нейронной  сети после обучения.

2.3. Об обучении нейронных  сетей. 

Когда речь заходит об использовании нейронных  сетей и нейросетевых алгоритмов почти всегда заходит речь об обучении нейронных сетей. Нейронная сеть представляет собой адаптивную систему, жизненный цикл которой состоит  из двух независимых фаз - фазы обучения сети и фазы работы сети. Обучение считается  законченным, когда сеть правильно  выполняет преобразование на тестовых примерах и дальнейшее обучение не вызывает значительного изменения  настраиваемых весовых коэффициентов. Далее сеть выполняет преобразование ранее неизвестных ей данных на основе сформированной ею в процессе обучения нелинейной модели процесса. Сеть успешно  работает до тех пор, пока существенно  не изменится реальная модель отображаемого  явления (например, в случае форс-мажорного  обстоятельства, информация о котором  или аналогичном никогда не предъявлялась  сети при обучении). После этого  сеть может быть дообучена с учетом новой информации, причем при дообучении предыдущая информация не теряется, а  обобщается с вновь поступившей. Причем по свойству адаптивной системы  при <повреждении> части весовых  коэффициентов нейронной сети после  дообучения она восстанавливает  свои свойства. Обучение сети производится следующим образом. Вначале весовые  коэффициенты сети имеют случайные  малые значения. Далее на вход сети подается вектор (некоторый объем  информации в численном виде) и  сеть вычисляет какой-то отклик на заданную информацию. Полученный отклик сети сравнивается с ожидаемым от нее правильным результатом (указанием учителя) и  разность этих результатов возводится в квадрат и усредняется по каждому из обучающих векторов. Таким  образом, формируется функционал оптимизации, построенный на основе критерия среднеквадратической ошибки. Далее мы изменяем весовые  коэффициенты сети таким образом, чтобы  значение этого функционала, то есть расхождение между выходным сигналом сети и правильным результатом было минимальным. Выполнение этого условия  означает, что сеть выполняет правильное вычисление-распознавание образа, то есть при предъявлении ей тестового  примера она выдает отклик, близкий  к ожидаемому и отличающийся от него лишь на заданную величину погрешности.

3. СОСТОЯНИЕ  ПРОБЛЕМЫ В МИРЕ 

Даже  самый беглый анализ публикаций в  зарубежной прессе, посвященных решению  проблем из области управления финансами  показывает небывалый взлет интереса к использованию нейронных сетей  в банковской деятельности. Общие  темпы роста можно сравнить лишь с распространением персональных компьютеров  в конце 80-х годов, причем инициаторами бурного роста применений нейронных  сетей, как правило, являются самые  крупные и солидные финансовые организации, для которых это не только вопрос престижа - использование самой перспективной  и наукоемкой информационной технологии - но и возможность разнообразить  свои традиционные возможности в  самых различных областях финансовой деятельности. Безусловно, во все времена  объектом повышенного интереса и  предметом многочисленных исследований банков являлись такие области, как  прогнозирование финансовых событий, автоматизация таких традиционно  эвристических областей, как распознавание  рукописного текста, оценка недвижимости, экспертная оценка эффективности инвестиций в тот или иной проект и многое другое. В настоящее время распространение  нейросетевых гибридных экспертных систем достигло такого уровня, что  по отдельным, самым удачным нейросетевым экспертным системам банки начинают засекречивать информацию и крайне неохотно распространяют получаемые при  этом научные результаты.

Популярность  нейронных сетей объяснима с  той точки зрения, что они более  эффективно решают те задачи, которые  всегда вызывали интерес банков, но успешное решение которых сдерживалось недостаточно эффективным использованием информационных и вычислительных ресурсов. Несмотря на большие усилия для развития традиционных методов предсказания цены акций, создания банковских экспертных систем для обработки статистической информации и прогнозирования экономических  временных рядов были достигнуты небольшие успехи, что объясняется  большим количеством действующих  факторов. Финансовые традиционные экспертные системы, по существу, основаны на <инерционном  анализе>, т.е. используют довольно прямолинейные  статистические модели. Нейронные же сети по своей основе нелинейны, не требуют глубокого понимания  связей между исходными данными  и результатами и обещают большие  преимущества перед традиционными  методами. Многочисленные эксперименты показывают, что адаптивные сети на коротком промежутке времени всегда лучше предсказывают, чем стандартные <линейные> модели.

В настоящее  время многие зарубежные исследовательские  центры и финансовые учреждения проводят работы по исследованию и применению нейросетевой технологии для решения  задач экономического прогноза. Новинкой в этих областях следует считать  новое направление в анализе  и прогнозе на основе нейросетевых моделей, учитывающих корреляцию экономических  временных рядов с географической и демографической статистикой. Наибольший интерес из всех этих областей, где применяются нейронные сети представляют для большинства потребителей нейросетевых гибридных систем являются прогнозирование и предсказание экономических временных рядов (курсов валют, акций, страховок) и обработка  рукописных документов и создание систем искусственного интеллекта для обработки  рукописного текста на основе нейронных  сетей.

4. СОСТОЯНИЕ  В РОССИИ.

Несмотря  на то, что финансовый рынок в  России еще не стабилизирован и, рассуждая  с математической точки зрения, его  модель меняется, что связано с  одной стороны с ожиданием  постепенного сворачивания рынка ценных бумаг и увеличения доли фондового  рынка, связанного с потоком инвестиций как отечественного, так и зарубежного  капитала, а с другой - с нестабильностью  политического курса, все-таки можно  заметить появление фирм, нуждающихся  в использовании статистических методов, отличных от традиционных, а  также появление на рынке программных  продуктов и вычислительной техники  нейропакетов для эмуляции нейронных  сетей на компьютерах серии IBM и  даже специализированных нейроплат  на базе заказных нейрочипов. В частности, в России уже успешно функционирует  один из первых мощных нейрокомпьютеров для финансового применения - CNAPS PC/128 на базе 4-х нейроБИС фирмы Alaptive Solutions. По данным фирмы <Тора-центр> в число организаций, использующих нейронные сети для решения своих  задач, уже вошли - Центробанк, МЧС, Налоговая  Инспекция, более 30 банков и более 60 финансовых компаний. Некоторые из этих организаций уже опубликовали результаты своей деятельности в  области использования нейрокомпьютинга.

В заключение необходимо отметить, что использование  нейронных сетей во всех областях человеческой деятельности, в том  числе в области финансовых приложений, движется по нарастающей, отчасти по необходимости и из-за широких  возможностей для одних, из-за престижности для других и из-за интересных приложений для третьих. Не следует пугаться того, что появление столь мощных и эффективных средств перевернет финансовый рынок, или <отменит> традиционные математические и эконометрические методы технического анализа, или сделает  ненужной работу высококлассных экспертов - говорить об этом, мягко говоря, преждевременно. В качестве нового эффективного средства для решения самых различных  задач нейронные сети просто приходят - и используются теми людьми, которые  их понимают, которые в них нуждаются  и которым они помогают решать многие профессиональные проблемы. Не обязательно <насаждать> нейронные  сети, или пытаться доказать их неэффективность  путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним как к неизбежному  следствию развития вычислительной математики, информационных технологий и современной элементной базы.