Статья: Нейросетевые технологии в финансово-экономической деятельности

Введение

Сегодня можно наблюдать обширное заполнение отечественного компьютерного рынка и рынка программного обеспечения нейронными пакетами и нейронными компьютерами, предназначенными, для того чтобы решать финансовые задачи. В тех банках и крупных финансовых организациях, которые уже применяют нейронные сети для решения своих задач, поняли, что нейронные сети могут быть очень эффективным средством для решения задач, имеющих хорошую статистическую базу. К примеру, в случае наличия достаточно длинных временных рядов, включая и многомерные.

Технологии нейронных сетей используют биологические термины, а методикам обработки информационных данных были присвоены названия генетических алгоритмов, которые реализованы в отдельных версиях нейронных пакетов, известных в Российской Федерации. Это профессиональные нейронные пакеты Brain Maker Professional v.3.11 и Neuroforester v.5.1, в которых генетический алгоритм может управлять процессом общения на определенном множестве примеров, а также способен стабильно распознавать и прогнозировать новые ситуации с высоким уровнем точности даже при возникновении противоречивых или неполных знаний. При этом обучение может быть сведено к работе алгоритма, реализующего подбор весовых коэффициентов, который выполняется в автоматическом режиме без участия специалиста по аналитике. Все итоги обработки могут быть представлены в графическом формате, который считается удобным для анализа и принятия решений.

Применение нейросетевых технологий в финансово-экономической деятельности

Применение технологий нейронных сетей как инструментального средства является перспективным направлением в решении многих плохо формализуемых задач. Например, при выполнении анализа финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, которые связаны с высоким уровнем риска, моделей поведения клиентов, и других. Точность прогнозов, стабильно достигаемая нейросетевыми технологиями при разрешении практических задач, уже превышает 95 %.

На мировых рынках нейросетевые технологии обладают достаточно широким представлением, а именно, от дорогих систем на основе суперкомпьютеров, до персональных компьютеров, что делает их доступными для приложений практически любых уровней. К главным достоинствам нейронных сетей можно отнести следующие моменты:

1. Нейронные сети способны обучаться на большом количестве примеров в тех случаях, когда отсутствуют известные закономерности развития ситуации и функции зависимости между входными и выходными данными. В подобных случаях, к которым следует отнести до 80% задач финансового анализа, не работают стандартные математические методики.
2. Нейронные сети способны успешно разрешать задачи, имеющие неполную, искаженную и внутренне противоречивую исходную информацию.
3. Эксплуатировать обученную нейронную сеть могут практически любые по уровню знаний пользователи.
4. Нейросетевые пакеты предоставляют возможность исключительно легкого подключения к базам данных, электронной почте и способны автоматизировать процесс ввода и первичной обработки данных.
5. Нейронные сети обладают внутренним параллелизмом, что позволяет осуществлять практически безграничное наращивание мощности нейронной системы, то есть, сверхвысокое быстродействие можно достигнуть за счет применения массового параллелизма информационной обработки.
6. Нейронные сети обладают толерантностью к ошибкам, то есть, работоспособность может сохраняться при повреждении большого количества нейронов.
7. Нейронные сети обладают способностью к обучению, то есть, программирование вычислительных систем может заменяться обучением.
8. Нейронные сети обладают способностью к распознаванию образов в условиях сильных помех и искажений.

Возникновение таких мощнейших и обладающих высокой эффективностью средств не отменяет стандартные математические и эконометрические методы технического анализа, а также не делает ненужной работу высококлассных специалистов. Как новое эффективное средство для решения самых разных задач, нейронные сети просто должны использоваться теми пользователями, которые их правильно воспринимают и в них нуждаются, а также теми, которым они способны помочь в решении многих профессиональных проблем.

Не следует заниматься насаждением нейронных сетей, а также искать доказательства их неэффективности путем выпячивания присущих им отрицательных особенностей и недостатков. Необходимо просто воспринимать их, как неизбежное следствие развития вычислительной математики, информационных технологий и передовой элементной базы.

Под нейрокомпьютером следует понимать любое вычислительное оборудование, способное реализовать работу нейронных сетей. Это может быть как специализированный нейронный вычислитель, так и эмулятор нейронных сетей на персональных компьютерах. Нейронной сетью является тип вычислительной структуры, которая базируется на применении нейронной математики, то есть нового направления в математике, которое находиться на стыке теории управления, численных методов и задач классификации, распознавания образов.

К главным классам задач из финансовой области, которые могут эффективно решаться при помощи нейронных сетей, относятся следующие проблемы:

1. Проблема прогнозирования временных рядов на базе нейросетевых методик обработки, например, прогнозирование кросс-курса валют.
2. Проблема страховой деятельности банков.
3. Проблема прогнозирования банкротств на базе нейросетевой системы распознавания.
4. Проблема определения курсов облигаций и акций предприятий с целью инвестирования.
5. Проблема решения задач биржевой деятельности.