Автор работы: Пользователь скрыл имя, 29 Декабря 2011 в 12:18, реферат
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.
ПРИМЕНЕНИЯ НЕЙРОКОМПЬЮТЕРОВ В ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ
Введение.
Одним
из наиболее интересных приложений нейронных
сетей в последние годы стали
именно задачи финансовой деятельности.
На рынке появляется огромное количество
как универсальных 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 Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей. Это: - Прогнозирование
временных рядов на основе
нейросетевых методов - Страховая деятельность банков. - Прогнозирование
банкротств на основе - Определение
курсов облигаций и акций - Применение нейронных сетей к задачам биржевой деятельности. - Прогнозирование
экономической эффективности - 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 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 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 1.3. Прогнозирование банкротств на основе нейросетевой системы распознавания. - анализ
надежности фирмы с точки - анализ
величины вероятности 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 - предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов - распознавание
ситуаций, когда резкое изменение
цены акций является - определение
соотношения котировок и 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 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 - предсказание
на основе соответствия 1.7. Предсказание результатов займов. - определение
возможности кредитования - 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 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 - моделирование
работы коммунальных служб на
основе нейросетевой модели - построение
модели структуры расходов 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 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 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 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 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 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 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 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 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 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 |
Информация о работе Применения нейрокомпьютеров в финансовой деятельности