Интеллектуальные информационные системы

 

 

 

 

 

III. Использование нейросетей в финансах и бизнесе

 

Нейронные сети появились в 40-х годах, однако в финансах и экономике использовать их начали лишь в конце 80-х, когда была доказана сходимость основных классов нейронных сетей и существенно улучшена точность распознавания.

Основные задачи применения нейронных сетей в финансовом мире — прогнозирование котировок основных инструментов (курсов валют, ценных бумаг, ГКО и др.) и распознавания определенных ситуаций (например, подозрительных операций с кредитной картой).

Получение решения  с помощью сети можно разделить  на следующие этапы: создание сети, ее обучение и собственно решение задачи.

Сначала сеть строится, т. е. выбирается архитектура сети, количество слоев, передаточные функции, начальные  веса. Следующим этапом является обучение, при котором сети подаются на вход значения, с известными ответами, сеть принимает решение, и происходит корректировка весов в соответствии с правильностью принятого решения. Обучение продолжается до тех пор, пока результаты принятия решения сетью не станут удовлетворительными. После того, как сеть обучена, ее можно применять для решения практических задач. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, мы можем читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Нейросетевой подход особенно эффективен в задачах экспертной оценки по той причине, что он сочетает в себе способность компьютера к обработке чисел и способность мозга к обобщению и распознаванию.

Примером сети, ориентированной на поиск зависимостей, можно привести нейросеть на основе методики МГУА (метод группового учета аргументов), которая позволяет на основе обучающей выборки построить зависимость одного параметра от других в виде полинома. Такая сеть может не только мгновенно выучить таблицу умножения, но и найти сложные скрытые зависимости в данных (например, финансовых), которые не обнаруживаются стандартными статистическими методами.

Кластеризация - это разбиение разнородного набора примеров на несколько областей (кластеров), по каким-то общим признакам, причем число кластеров заранее неизвестно. Кластеризация позволяет представить неоднородные данные в более наглядном виде и использовать далее для исследования каждого кластера различные методы. Например, таким образом можно быстро выявить фальсифицированные страховые случаи или недобросовестные предприятия.⁶

 

 

 

 

 

 

 

 

 

 

 

4. Применение нейросетевых технологий на практике

 

Нейронные сети и генетические алгоритмы в настоящее  время находят огромное число  разнообразных применений. Действительно, в любой области человеческой деятельности есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Разные компании выбирают разные варианты - одни предпочитают тратить деньги на оплату лучших специалистов и их обучение, другие покупают полностью готовые специализированные нейросетевые системы, а третьи комбинируют эти подходы, создавая собственные системы с нуля или на основе готовых коммерческих пакетов.

Функции	До применения нейросетей	После применения нейросетей
1. Отслеживание операций  с краденными и поддельными  кредитными картами	Отслеживание операций по картам с помощью специальных  программ и операторов	Специализированная система Falcon фирмы HNC позволяет по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом.
2.Медицинская диагностика	Общепринятая методика объективной диагностики состоит  в том, что в процессе обследования регистрируются "вызванные потенциалы" (отклики мозга) в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха у детей врачу необходимо провести около 2000 тестов, что занимает около часа.	Компанией "НейроПроект" создана  система объективной диагностики слуха у грудных детей. Нейросеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия квалифицированного персонала.
3. Обнаружение фальсификаций	Применение специальной  экспертной системы с 14% эффективностью.	Нейросеть позволяет  обнаруживать 38% мошеннических случаев. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.

 на 5-10 лет вперед и не ожидающим быстрой окупаемости вложений в новые технологии. По этому пути идут многие западные фирмы, желающие увеличить прибыльность своего бизнеса в условиях жесткой конкуренции.

        Вариант создания собственной системы на основе готового нейропакета подходит для менее крупных компаний и даже для частных лиц - инвесторов, трейдеров, предпринимателей. Впрочем, имеется и несколько примеров крупнейших концернов, избравших этот вариант и добившихся успеха.

4. Анализ потребительского  рынка	Обычные методы прогнозирования отклика потребителей маркетинговой службой и группой аналитиков.	Компания GoalAssist Corporation построила  две нейросети для решения  этой задачи. Первая из них - это сеть с адаптивной архитектурой пакета NeuroShell Classifier компании Ward Systems Group, на входы которой подавались различные параметры товаров и рекламной политики. С помощью этой сети, предназначенной специально для классификации, было получено разделение входов на 4 класса, характеризующих отклик потребителей. Те же входы вместе с ответом первой сети подавались далее на вход пакета NeuroShell Predictor, который также содержит сложную самоорганизующуюся сеть, но приспособленную для задач количественного прогнозирования. Средняя ошибка предсказаний составила всего около 4%. Построение этой модели заняло около 120 часов, также потребовалось время на предобработку входных данных.
5. Исследование факторов  спроса	Проведение маркетинговых  и социологических исследований. для этого компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются для потребителя решающими при покупке данного товара или услуги, почему в некоторых случаях предпочтение отдается конкурентам, и какие улучшения товара потребитель хотел бы увидеть в будущем.	Нейросетевые методы позволяют вывлять сложные зависимости между факторами спроса, прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара.

 

 

 

 

 

6.Прогнозирова-ние потребления  энергии	Эти данные получают в результате измерений потребляемой энергии  для каждого клиента. Измерения  проводятся каждые 15 минут, причем известно, что некоторые из них - ошибочны.	С помощью нейросетей была построена система выявления ошибочных измерений, а также система прогнозирования потребления энергии в каждый момент времени. Знание точного прогноза позволило энергетической компании использовать гибкую тарифную политику и увеличить свою прибыль.
7. Оценка недвижимости	Стоимость недвижимости зависит от большого числа факторов. Так как вид этой зависимости  неизвестен, то стандартные методы анализа неэффективны в задаче оценки стоимости квартиры. Как правило, эта задача решается экспертами-оценщиками, работающими в агентстве по недвижимости. Недостатком такого подхода является субъективность оценщика, а также возможные разногласия между различными экспертами.	Существуют успешные примеры решения  задачи объективной оценки с помощью  нейросети.

 

Приведенные выше примеры показывают, что технологии нейронных сетей применимы практически в любой области. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие области - только вопрос времени.

Внедрение новых  наукоемких технологий в коммерческой фирме - достаточно непростое дело, требующее, кроме денег и времени, еще и некоторой перемены психологии.

 

Заключение.

 

Итак, нейронные  сети - это обобщенное название нескольких групп математических алгоритмов, объединенных одним общим свойством - умением  обучаться на группе примеров, “узнавая”  впоследствии черты ранее встреченных  образов и ситуаций.

Основными предопределяющими  условиями их использования являются наличие «исторических данных», используя которые нейронная  сеть сможет обучиться, а также невозможность  или неэффективность использования  других, более формальных, методов. Для того, чтобы сеть можно было применять в дальнейшем, ее прежде надо "натренировать" на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. Нейросеть может "научиться" даже на массиве сгенерированных случайных чисел.

Нейросетевые технологии, применяемые в финансовом и других методах анализа, давно перестали быть модной экзотикой и вызывать недоумение специалистов. В мире накоплен громадный опыт применения нейросетей, сто из ста западных финансовых и промышленных компаний применяют нейротехнологии в том или ином виде. В России же еще недавно найти приличный нейропакет было весьма непросто. Однако к настоящему времени барьер недоверия сломлен, появились обнадеживающие результаты решения различных аналитических задач с элементами нейротехнологий в условиях суровой российской действительности. Сегодня аналитики могут выбрать себе систему построения прогнозов соответственно своему вкусу, кругу решаемых задач.

Нейрокомпьютеры позволяют с высокой эффективностью решать целый ряд "интеллектуальных" задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д.

Нейросети и  нейрокомпьютеры представляют собой  принципиально новый подход к  описанным проблемам.

Разработки  в области нейрокомпьютеров поддерживаются целым рядом международных и национальных программ. В настоящее время эксплуатируется не менее 50 нейросистем в самых различных областях — от финансовых прогнозов до экспертизы.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список литературы

 

1. Анил, К. Джейн Введение в искусственные нейронные сети/ К. Джейн Анил, Мао Жианчанг, К.М. Моиуддин.  // Открытые системы. — 1997 г., №4.
2. Виноградова, М.М. Интеллектуальные информационные технологии в экономике и управлении/М.М. Виноградова//Стратегический маркетинг  гражданской продукции оборонной промышленности: доклад научно-практических семинаров. – М., 2001.
3. Грабауров, В.А. Информационные технологии для менеджеров/В.А. Грабауров. - М.: Изд-во «Финансы и статистика», 2001. – 368 с.
4. Луценко, Е.В. Интеллектуальные информационные системы/ Е.В. Луценко, Краснодар:  КубГАУ, 2006. – 615 с.
5. NeuroProject [Электронный ресурс]. –Al&Data Analysis. Электрон. Дан. – М NeuroProjec Al&Data Analysis, 1992 – 2006. - Режим доступа: http// www.neuroproject.ru, свободный. – Заглавие с экрана.

 

 

 

 

 

Список сокращений, условных обозначений и терминов

 

 

БОС – системы с  биологической обратной связью

ВР – виртуальная  реальность

ГА – генетические алгоритмы 

ИАД (Data mining) – интеллектуальный анализ данных

ИНС – искусственная  нейронная сеть

НС – нейронная сеть

СИИ – система искусственного интеллекта.

СППР – системы  поддержки принятия решений

ТРИЗ – технология решения изобретательских задач

ЭС – экспертные системы

Intelligent interface – интеллектуальный  интерфейс

¹ Луценко Е.В. Интеллектуальные информационные системы.2006, С.46-48

² Там же, С. 384

³ Грабауров В. А. Информационные технологии для менеджеров. 2001, С.121

⁴ Виноградова М.М. Интеллектуальные информационные технологии в экономике и управлении.2001, С.20

⁵ Луценко Е.В. Интеллектуальные информационные системы.2006, С.474,485.

⁶ Луценко Е.В. Интеллектуальные информационные системы.2006, С.495