Нейросетевые технологии в финансово-экономической деятельности. ФГБОУ ВПО «КГТУ» Студентка гр. 08 -БУ-1 Захаренко Карина Калининград 2012 г.
Понятие исскуственных нейронных сетей • Искусственные нейронные сети это технология, которая охватывает параллельные, распределенные, адаптивные системы обработки информации, способные «учиться» обрабатывать информацию, действуя в информационной среде. • Искусственной нейронной сетью называют некоторое устройство, состоящее из большого числа простых параллельно работающих процессорных элементов – нейронов, соединенных адаптивными линиями передачи информации
• Работа нейросети заключается в преобразовании входного вектора – исходные данные в выходной вектор - полученное решение. В настоящее время разработано несколько видов искусственных нейронных сетей. • Наиболее популярными из них являются многослойный персептрон (МСП) и сеть Кохонена.
Входной слой (слой 1) – группа связей, по которым ИНС получает информацию из внешнего мира задачи. Промежуточный слой (слой 2) - группа связей, которая обеспечивает возможность моделирования не линейных функций. Выходной слой (слой k) – группа выходных связей, с которых снимаются выдаваемые сетью сигналы.
На рисунке представлена схема строения самоорганизующейся карты признаков (сеть SOFM – Self- Organizing Feature Map) – сети Кохонена: а – входные элементы (предназначены только для того, чтобы распределять входные данные между выходными элементами); б – выходные (кластерные) элементы выступают в роли карты признаков пространства входных данных.
Свойства нейрона Нейрон имеет следующие основные свойства: • Принимает участие в обмене и рассеивает информацию. • Меняет внутреннее состояние со временем, реагирует на входные сигналы, формирует выходные воздействия и поэтому является активной динамической системой. • Имеет множество синапсов — контактов для передачи информации
Существуют два подхода к созданию искусственных нейронных сетей (НС). • Информационный подход: безразлично, какие механизмы лежат в основе работы искусственных нейронных сетей, важно лишь, чтобы при решении задач информационные процессы в НС были подобны биологическим. • Биологический: при моделировании важно полное биоподобие, и для этого необходимо детально изучать работу биологического нейрона.
Модель нейрона
В этой модели нейрона можно выделить три основных элемента: • синапсы, каждый из которых характеризуется своим весом или силой. Осуществляют связь между нейронами, умножают входной сигнал на весовой коэффициент синапса , характеризующий силу синаптической связи; • сумматор, аналог тела клетки нейрона. Выполняет сложение внешних входных сигналов или сигналов, поступающих по синаптическим связям от других нейронов. Определяет уровень возбуждения нейрона; • функция активации, определяет окончательный выходной уровень нейрона, с которым сигнал возбуждения (торможения) поступает на синапсы следующих нейронов.
Функции активации в нейронных сетях • Функция активации (активационная функция, функция возбуждения) – функция, вычисляющая выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал , получаемый на выходе входного сумматора. Наиболее часто используются следующие функции активации.
1. Единичный скачок или жесткая пороговая функция • Простая кусочно-линейная функция. Если входное значение меньше порогового, то значение функции активации равно минимальному допустимому, иначе – максимально допустимому.
2. Линейный порог или гистерезис • Несложная кусочно-линейная функция. Имеет два линейных участка, где функция активации тождественно равна минимально допустимому и максимально допустимому значению и есть участок, на котором функция строго монотонно возрастает.
3. Сигмоидальная функция или сигмоид • Монотонно возрастающая всюду дифференцируемая -образная нелинейная функция с насыщением. Сигмоид позволяет усиливать слабые сигналы и не насыщаться от сильных сигналов. Гроссберг (1973 год) обнаружил, что подобная нелинейная функция активации решает поставленную им дилемму шумового насыщения.
Этапы решения задач • • • Сбор данных для обучения; Подготовка и нормализация данных; Выбор топологии сети; Экспериментальный подбор характеристик сети; Экспериментальный подбор параметров обучения; Собственно обучение; Проверка адекватности обучения; Корректировка параметров, окончательное обучение; Вербализация сети с целью дальнейшего использования. • Следует рассмотреть подробнее некоторые из этих этапов.
Применение нейросетей для решения практических задач • Классификация образов. Задача состоит в определении принадлежности входного образа. К известным приложениям относятся распознавание букв, распознавание языка, классификация сигнала электрокардиограммы, классификация клеток крови. • Кластеризация/категоризация. При решении задачи кластеризации, обучающее множество не имеет меток классов. Алгоритм кластеризации основан на подобии образов и помещает похожие образы в один кластер. Известны случаи применения кластеризации для добычи знаний, сжатия данных и исследования свойств данных. • Аппроксимация функций. Задача аппроксимации состоит в нахождении неизвестной функции. Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.
• Предвидение/прогноз. Имеют большое значение для принятия решений в бизнесе, науке и технике (предвидение цен на фондовой бирже, прогноз погоды). • Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. • Память, адресуемая по смыслу. Ассоциативная память или память адресуемая по смыслу, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или поврежденном содержании. Ассоциативная память может быть использована в мультимедийных информационных базах данных. • Управление. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия, при котором система действует по желательной траектории, заданной эталонной моделью. Примером является оптимальное управление двигателем.
Задачи решаемые ИНС в финансовой деятельности. Являясь мощным технологическим инструментом, нейросетевые технологии облегчают специалисту процесс принятия важных и неочевидных решений в условиях неопределенности, дефецита времени и ограниченности инфорационных ресурсов. Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей: • 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.
Программный функционал. • Представляется целесообразным рассмотреть функционал подобных систем на примере программного комплекса Neuro. Scalp • Наиболее простой метод применения нейронных технологий в Neuro. Scalp – использование модуля экспертов (готовые нейросети, созданные и обученные специалистами посредством технологий Open. Bar, Expert. Line, каскадной архитектуры и метода комитетов). Программным комплексом предусмотрено получение прогноза максимальной (High) и минимальной (Low) цены по настроенным экспертным модулям на один базовый интервал вперед
Возможности Neuro. Scalp. С помощью Neuro. Scalp прогнозы рынка можно получать с достаточной степенью достоверности. Однако, возможно и возникновение ошибок, в случае, если события, сильно влияющие на рынок, происходят в прогнозируемом интервале. Помимо экспертных модулей финансовых инструментов программный комплекс обладает встроенным модулем (нейроэмулятором с развитыми возможностями, нацеленным на работу с финансовыми данными) для построения и обучения классических многослойных сетей. Для пользователей предусмотрены самостоятельные разработка, обучение и использование нейронной сети в целях получения прогноза цен.
• Управление процессом общения на некотором множестве примеров и прогнозирование новых ситуаций в условиях противоречивых или неполных знаний с высокой степенью точности осуществляется в ряде нейросетевых пакетов генетическим алгоритмом. Neuro. Scalp имеет встроенный алгоритм генетического поиска оптимальной нейросети при обучении. • Благодаря встроенному языку программирования пользователь с легкостью может реализовать на практике собственные идеи. Neuro. Scalp обладает возможностью сохранения и восстановления сохраненной нейросети. • Программный комплекс Neuro. Scalp, ориентированный на повышение качества управления портфелем, не имеет аналогов в России; зарубежные же аналоги недостаточно адаптированы к российским условиям. Neuro. Scalp хорошо дополняет программы классического технического анализа и заметно обогащает инструментарий аналитика фондового рынка.
Модуль нейронных сетей ориентирован на работу с учетом следующих параметров: Для обучения используется метод обратного распространения ошибки и его модификации.
Программный функционал • В нашей стране наиболее распространены программы Meta. Stock и Trade. Station, предназначенные для проведения классического (линейного) технического анализа рынков, но в их функционале нет методов для предсказания цен рассматриваемого актива и нелинейного анализа.
Пример нейронной сети в оценке странового риска
Скачать презентацию Нейросетевые технологии в финансово-экономической деятельности ФГБОУ ВПО КГТУ
Понятие исскуственных нейронных сетей.pptx