Використання нейромережевих моделей у фінансовій сфері

Буданова м.м., мазарчук а.ю.

Хмельницький національний університет

Застосування нейронних мереж у фінансовій сфері базується на одному фундаментальному припущенні - заміні прогнозування розпізнаванням. Нейронна мережа не передбачає майбутнє, вона прагне "розпізнати" в поточному стані ринку ситуацію, що раніше зустрічалася, і максимально точно відтворити реакцію ринку.

Перш за все, коли ми говоримо про нейронні мережі, то частіше маємо на увазі штучні нейронні мережі. Деякі з них моделюють біологічні нейронні мережі, деякі ні. Штучні нейронні мережі володіють рядом властивостей, які є прийнятними біологічним нейронним мережам, у тому числі і людському мозку.

Головна властивість нейронної мережі - здібність до навчання. Для розв'язання якої-небудь задачі на комп'ютері традиційним методом необхідно знати правила (математичні формули), по яких за вхідними даними можна одержати вихідні (знайти рішення задачі). За допомогою нейронних мереж можна знайти розв' язок, не знаючи правил, а лише маючи декілька прикладів. Нейронні мережі використовують підхід до рішення задач, більш близький до людського, ніж традиційні обчислення.

Ще одна чудова властивість - це відмовостійкість. У разі виходу з ладу частини нейронів, вся мережа в цілому продовжує залишатися працездатною, хоча, звичайно, точність знижується.

Перерахуємо основні класи задач, що виникають у фінансовій області, які ефективно розв'язуються за допомогою нейронних мереж. Це:

1.                Прогнозування тимчасових рядів на основі нейромережевих методів обробки.

Динамічна природа ринків не дозволяє виділити єдиний «точний» показник, оскільки умови ринку з часом змінюються і рішення задачі можливе при використанні поєднання ряду показників, тобто перехід до нелінійної багатокритеріальної моделі. Фахівцями лондонського сітібанку (citibank na london) розроблені комерційні програми на базі штучних нейронних мереж для прогнозування курсу валют.

2. Страхова діяльність банків. Застосування нейронних мереж для оцінки ризику страхування особливо ефективне з погляду здатності аналізувати як раніше накопичені дані за наслідками страхування, так і корелюючі дані, що визначаються як додаткові.

3. Прогнозування банкрутств на основі нейромережевої моделі розпізнавання. Аналіз банкрутств, що використовує фінансові співвідношення, є вельми важливим за декількома міркуваннями. По-перше, управління фірми може виявляти потенційні проблеми, які вимагають уваги. По-друге, інвестори використовують фінансові співвідношення для оцінки фірм.

4. Визначення курсів облігацій і акцій підприємств з метою вкладення засобів в ці підприємства. Прогнозуюча система може складатися з декількох нейронних мереж, які навчаються взаємозв' язкам між різними технічними і економічними показниками і періодами покупки і продажу акцій. Метою прогнозу є вибір якнайкращого часу для покупки і продажу акцій. Тут розглядаються також задачі формування портфеля цінних паперів і розпізнавання шаблонів на графіку зміни курсів акцій, які дозволяють прогнозувати курс акцій на подальшому відрізку часу.

5.Прогнозування економічної ефективності фінансування економічних і інноваційних проектів:

1)Прогноз на основі аналізу реалізованих раніше проектів;

2) Прогноз на основі відповідності пропонованого проекту економічної ситуації в першому випадку використовується здібність нейронних мереж до прогнозу на основі тимчасових рядів, в другому - побудови нелінійної моделі на базі нейронної мережі.

6. Застосування нейронних мереж в задачах маркетингу і роздрібної торгівлі. Одне з «наймодніших» застосувань нейронних моделей у фінансовій області. Допомагають встановлювати ціну на новий вид товару на основі багатокритеріальної оцінки.

Характерний приклад успішного застосування нейронних обчислень і моделей у фінансовій сфері - управління кредитними ризиками. Як відомо, до видачі кредиту банки проводять складні статистичні розрахунки по фінансовій надійності позичальника, щоб оцінити вірогідність власних збитків від невчасного повернення фінансових коштів. Такі розрахунки звичайно базуються на оцінці кредитної історії, динаміці розвитку компанії, стабільності її основних фінансових показників і багатьох інших чинників. Так, один широко відомий банк сша випробував метод нейронних обчислень і дійшов висновку, що та ж задача по вже виконаних розрахунках подібного роду розв'язується швидше і точніше. Наприклад, в одному з випадків оцінки 100 тис. Банківських рахунків нова система, побудована на базі нейронних обчислень, визначила понад 90 % потенційні неплатники.

Інша дуже важлива область застосування нейронних обчислень у фінансовій сфері - прогноз ситуації на фондовому ринку. Основні японські компанії, що оперують на ринку цінних паперів, вирішили застосувати метод нейронних обчислень. У типову систему на базі нейронної мережі ввели інформацію загальним об'ємом в 33 роки ділової активності декількох організацій, включаючи оборот, попередню вартість акцій, рівні доходу і т.д. Самонавчаючись на реальних прикладах, система нейронної мережі показала велику точність прогнозу і кращу швидкість дії: в порівнянні із статистичним підходом дала поліпшення результативності в цілому на 19 %.

Висновок

Отже, з усього вище сказаного можна зробити висновок, що нейронні мережі замінюють традиційні системи в таких науково-технічних областях, як статистичні методи, розпізнавання образів, лінійний і нелінійний математичний аналіз. Однак, не потрібно забувати, що існує ряд більш простих задач, які теж досить ефективно вирішуються і за допомогою класичних методів і моделей прогнозування, зокрема метод експоненційного згладжування, метод екстраполяції трендів, врешті решт - класичні лінійні моделі. Тому в такому випадку буде не зовсім коректно будувати складну нейронну мережу. Поряд з цим, варто також відзначити, що незважаючи на неймовірно високі здібності нейронних мереж у розв'язанні складних інтелектуальних задач, прерогатива розв' язання високоінтелектуальних задач залишається за людським мозком.

Література

1. Анил к. Джейн, жианчанг мао, к.м. моиуддин. Введение в искусственные нейронные сети // открытые системы. - 1997 г., № 4.

2.Галушкин а. Современные направления развития нейрокомпьютерных технологий в россии // открытые системы. - 1997 г., № 4.

3.Борисов ю., кашкаров в., сорокин с. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки // открытые системы. - 1997 г., № 4.

4. Руденко о.г., бодянский е.в. основы теории искусственных нейронных сетей. - харьков: хелетех, 2002.