Нейронные сети вокруг нас

Автор: Александр Воловик, руководитель отдела отраслевого продвижения, Департамент бизнес-решений и заказной разработки Softline.

Предсказание финансовых показателей – необходимый элемент деятельности многих компаний и корпораций. Экономическое прогнозирование характеризует будущее развитие, исходя из гипотезы, что основные факты и тенденции прошлого периода сохраняются на период прогноза или что можно обосновать и учесть направление их изменений в рассматриваемой перспективе.

Проблема достоверного моделирования

Основная проблема в задаче анализа и прогнозирования заключается в построении модели, адекватно отражающей динамику финансовых временных рядов. Любой процесс прогнозирования, характеризующийся огромным количеством постоянно меняющихся связей, зависит от множества внешних факторов, способных существенно повлиять на всю структуру его зависимостей, причем воздействие может быть самым разнообразным. Появление тех или иных внешних факторов, как правило, никак не отражается в предыстории финансового временного ряда, но вызывает значительное нарушение его динамики. Именно в этом состоит особенность практически всех финансовых временных рядов.

Подходы к анализу финансовых временных рядов

Для решения задачи анализа и прогнозирования финансовых временных рядов применяется два основных подхода: теоретический и практический. Теоретический подход объединяет модели, гипотезы, теории, дающие представление о наиболее общих зависимостях рыночного механизма, представленных в некотором идеализированном виде.

Практический подход уделяет больше внимания непосредственному моделированию финансовых временных рядов, которые рассматривает как реализацию некоторой сложной зависимости неизвестного вида. Главное в данном подходе то, что используемая модель должна успешно решать задачу прогнозирования, а вид ее не имеет значения. Хотя, с другой стороны, для лучшего понимания зависимостей желательно, чтобы способ вычисления будущих значений финансового временного ряда имел осмысленное толкование.

Выбор модели, как правило, осуществляется эмпирическим методом на основе некоторого заданного универсального семейства предикторов, возможности которого позволяют описать любой временной ряд. Выбор того или иного семейства моделей отражает специфику решения задачи прогнозирования. В последнее время получили широкое распространение регрессионные методы, а также методы, основанные на Wavelet-преобразовании и на нейронных сетях.

Нейронные сети

Одним из главных направлений в развитии искусственного интеллекта, как известно, является нейрокибернетика. Ее основная идея состоит в следующем: человеческий мозг – это единственный объект, способный мыслить, и его структура должна каким-то образом воспроизводиться любым «мыслящим» устройством.  Так как в основе мозга человека – огромное количество взаимосвязанных и взаимодействующих нервных клеток (нейронов), нейрокибернетика ориентирована на создание элементов, аналогичных нейронам, и объединение их в функционирующие системы. Эти системы получили название нейронных сетей, или нейросетей.

Среди типичных постановок задач для нейрокомпьютеров можно отметить следующие:

• классификация;
• оптимизация, оптимальное управление;
• сжатие информации;
• регрессия;
• восстановление утраченных данных.

Области применения нейросетевых технологий

Нейросетевые технологии применяются в экономике и бизнесе, в автоматизации производства, авионике, медицине, геологоразведке и ряде других сфер деятельности человека. Какие же конкретно задачи могут решаться с использованием нейрокомпьютеров в каждой из предметных областей?

Для экономики и бизнеса это – прогнозирование рынков и банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оптимизация портфелей, оценка рисков в кредитовании, оптимизация товарных и денежных потоков, безопасность операций с пластиковыми картами и многие другие.

В области автоматизации производства нейросети позволяют проводить комплексную диагностику качества продукции, оптимизируют режимы производственного процесса, обеспечивают мониторинг и визуализацию многомерной диспетчерской информации, а также применяются для предупреждения аварийных ситуаций и в робототехнике.

В авионике нейросети используются в обучаемых автопилотах и для распознавания сигналов радаров; в медицине – при обработке изображений, в диагностике и мониторинге состояния пациента. Геологическая разведка применяет нейронные сети для анализа сейсмических данных, в ассоциативных методиках поиска полезных ископаемых, при оценке ресурсов месторождений.

В интернете также используются нейросети: в качестве электронных секретарей и агентов пользователя в сети, в рекламе, адресном маркетинге для электронной торговли, при ассоциативном поиске информации и рубрикации новостных лент. В политике нейрокомпьютеры позволяют анализировать и обобщать результаты социологических опросов, прогнозировать динамику рейтингов и визуализировать социальную динамику населения.

В настоящее время нейронные сети становятся все более популярным инструментом и для решения финансовых задач. А уровень развития технологий позволяет говорить о том, что прогнозирование с их помощью скоро даст бизнесу новые интересные решения для развития и роста.

Чтобы узнать больше о бизнес-решениях на базе нейросетей, свяжитесь с Александром Воловиком напрямую!

Пишите: Alexander.Volovik@softlinegroup.com

Звоните: +7 (495) 232-00-23, доб. 1298