«нейронные сети. Их применение, роль и значимость в современной и будущей экономике»
Скачать 297.11 Kb.
|
2. Программные реализации Создание нейронной сети – сложнейший процесс. Лишь крупные компании могут позволить себе создать собственный нейропакет. Обычно используются уже готовые пакеты. Рассмотрим их подробнее. MATLAB (сокращение от англ. «Matrix Laboratory») — пакет прикладных программ для решения задач технических вычислений. Нейронные сети являются компонентом прикладных программ, который впоследствии я буду использовать для создания практического примера [8] NeuroShell 2 - программная среда с достаточно понятным интерфейсом, в которой реализованы наиболее распространенные и эффективные нейросетевые архитектуры. Этот программный продукт подойдет как новичку, так и профессионалу. NeuroShell сопровождает целая серия дополнений, которые могут существенно упростить решение ряда специализированных задач. GeneHunter - программный пакет, использующий генетические алгоритмы для решения сложных, очень сложных и очень-очень сложных комбинаторных и оптимизационных задач. GeneHunter является надстройкой Microsoft Excel, т.е. пользователь решает свои задачи непосредственно из рабочего листа, содержащего данные. Кроме того, в состав GeneHunter входит динамическая библиотека функций генетических алгоритмов, что позволяет пользователю создавать системы, использующие генетические алгоритмы. NeuroShell Trader NeuroShell Trader - система, предназначенная для прогнозирования и поиска эффективных торговых стратегий на финансовых рынках. Система ориентирована на трейдеров, инвесторов и всех тех, кто зарабатывает или собирается зарабатывать на биржевой торговле. Она настолько проста в использовании, что начинающие могут быстро освоить ее и начать эффективно использовать. Однако система является настолько мощной, что дает возможность профессионалам решать широкий круг сложнейших задач. Подробно о программном продукте... NeuroShell Series Нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма "самопостроения" нейронной сети, обладающей рекордными скоростями обучения. Эти программы чрезвычайно просты в использовании. Теперь пользователь должен сосредоточиться только на формулировке задачи, все остальное программы данной серии сделают сами. В состав серии входят: NeuroShell Predictor - Предсказатель NeuroShell Classifier - Классификатор NeuroShell Run-Time Server - Средства автономного использования сетей, полученных в NeuroShell Predictor и NeuroShell Classifier. NeuroShell Predictor дает возможность с легкостью создавать системы для решения задач прогнозирования и предсказания на основе имеющейся базы данных. Это могут быть предсказания следующих значений параметров временного ряда, например, предсказание курса акций, или оценка какой-либо величины, определяемой набором независимых факторов, например, оценка стоимости квартир или подержанных автомобилей. NeuroShell Classifier предназначен для решения задач распознавания образов, связанных с определением принадлежности предъявляемого образа (ситуации) к той или иной категории. Например, по набору биржевых показателей вырабатывать сигнал для покупки или продажи акций той или иной компании. 3. Применение нейронных сетей. 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. Каждый из вариантов внедрения новых технологий имеет свои достоинства и недостатки. 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. Так, например, компания DuPont разработала новый материал - безопасное стекло, используя нейросетевой пакет NeuroShell. Также этот пакет используется в крупных западных банках, таких как Citibank, Security Pacific National Bank, The World Bank, Lloyds Bank, The Federal Reserve Board, Federal Reserve Bank of New York, и в страховых компаниях Royal Insurance, Presidential Life Insurance, New York Life Insurance и других. Хотя конкретные методики использования пакетов держатся в секрете, формулировки задач и подходы к их решению известны. Ниже будет рассказано об известных способах использования нейросетей в различных областях бизнеса и технологий. 3.1. Прогнозирование изменения котировок Большинство участников рынка используют различные методы для прогнозирования, предполагая, что присутствует множество скрытых закономерностей. Такие скрытые закономерности пытался выявить в 30-х годах в серии своих исследований основатель технического анализа Эллиот (R.Elliott). В настоящее время профессиональные участники рынка используют различные методы прогнозирования, основными из которых являются: 1) экспертные методы прогнозирования. Самый распространенный метод из группы экспертных методов — метод Дельфи. Суть метода заключается в сборе мнений различных экспертов и их обобщение в единую оценку. При прогнозировании этим методом финансовых рынков нам нужно выделить экспертную группу людей, которая разбирается в этой предметной области (это могут быть аналитики, профессиональные трейдеры, инвесторы, банки и т.д.), провести анкетирование или опрос и сделать обобщение о текущей ситуации на рынке. 2) Методы логического моделирования. Основаны на поиске и выявлении закономерностей рынка в долгосрочной перспективе. Сюда входят методы:
3) Экономико-математические методы. Методы из этой группы базируются на создании моделей исследуемого объекта. Экономико-математическая модель — это определенная схема, путь развития рынка ценных бумаг при заданных условиях. При прогнозировании финансовых временных рядов используют статистические, динамические, микро- макро-, линейные, нелинейные, глобальные, локальные, отраслевые, оптимизационные, дескриптивные. Очень значимы для финансовых наук оптимизационные модели, они представляют из себя систему уравнений, куда входят различные ограничения, а также особое уравнение называемое функционалом оптимальности (или критерием оптимальности). С помощью него находят оптимальное, наилучшее решение по какому-либо показателю. 4) Статистические методы. Статистические методы прогнозирования применительно, для финансовых временных рядов основаны на построении различных индексов (диффузный, смешанный), расчет значений дисперсии, мат ожидания, вариации, ковариации, интерполяции, экстраполяции. 5) Технический анализ. Прогнозирование изменений цен в будущем на основе анализа изменений цен в прошлом. В его основе лежит анализ временны́х рядов цен — «чартов» (от англ. chart). Помимо ценовых рядов, в техническом анализе используется информация об объёмах торгов и другие статистические данные. Наиболее часто методы технического анализа используются для анализа цен, изменяющихся свободно, например, на биржах. В техническом анализе множество инструментов и методов, но все они основаны на одном предположении: из анализа временны́х рядов, выделяя тренды, можно спрогнозировать поведение цен. 6) Фундаментальный анализ. Метод прогнозирования рыночной (биржевой) стоимости компании, основанных на анализе финансовых и производственных показателей её деятельности. Фундаментальный анализ используется инвесторами для оценки стоимости компании (или её акций), которая отражает состояние дел в компании, рентабельность её деятельности. При этом анализу подвергаются финансовые показатели компании: выручка, EBITDA (Earnings Before Interests Tax, Deprecation and Amortization), чистая прибыль, чистая стоимость компании, обязательства, денежный поток, величина выплачиваемых дивидендов и производственные показатели компании. Нейронные сети можно отнести к методам технического анализа, т.к они тоже пытаются выявить закономерности в развитие ряда, обучаясь на его исторических данных. Задача получения входных образов для формирования обучающего множества в задачах прогнозирования временных рядов предполагает использование метода «окна». Этот метод подразумевает использование «окна» с фиксированным размером, способного перемещаться по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем «окно» размером N, получив такие данные, передает на вход нейронной сети элементы с 1 по N-1, а N-ый элемент используется в качестве выхода. Качество обучающей выборки тем выше, чем меньше ее противоречивость и больше повторяемость. Для задач прогнозирования финансовых временных рядов высокая противоречивость обучающей выборки является признаком того, что способ описания выбран неудачно. Факторы влияющие на противоречивость и повторяемость: 1) количество элементов обучающей выборки — чем больше элементов, тем больше противоречивость и повторяемость; 2) количество классов на которые перекодировали процентные приращения — при увеличение снижается противоречивость и повторяемость; 3) глубина погружения в финансовый временной ряд («окно») — чем больше глубина, тем меньше противоречивость и меньше повторяемость. При создании обучающей выборки, меняя эти параметры, необходимо найти баланс при котором уровень противоречивости минимален а повторяемость максимальна. 3.2. Управление ценами и производством. Руководители предприятий часто недооценивают потери от неоптимального планирования производства. Так как спрос и условия реализации зависят от времени, сезона, курсов валют и многих других факторов, то и объем производства необходимо гибко варьировать с целью оптимального использования ресурсов. Существуют примеры нейросетевых систем планирования,применяемые совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики. Английское издательство The Times, выпускающее газеты, приобрело у фирмы Neural Innovation Ltd. систему планирования цен и затрат, основанную на нейросети с использованием генетических алгоритмов. На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, сезоном и т.д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж или прибыли. 3.3. Исследование факторов спроса Для увеличения прибыльности бизнеса в условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. В частности, для этого солидные компании проводят опросы потребителей, выясняющие, 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. Анализ результатов такого опроса - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров. Нейронные сети идеально подходят для решения этой задачи. Существующие 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. 3.4. Оценка недвижимости В наше время сегмент офисных зданий и сооружений является существенной частью общего рынка недвижимости. Для компаний, управляющих такими объектами, важное значение приобретает рыночная оценка стоимости сдаваемых в аренду офисных площадей. Развитие новых информационных технологий позволяет решить эту задачу. Сравнительный подход является методом оценки недвижимости, который базируется на информации о недавних сделках с аналогичными объектами на рынке и сравнении оцениваемой недвижимости с аналогами. Этот подход требует множества вычислений, учета большого количества поправок и корректировок. Не всегда удается достаточно точно выявить закономерность, определяющую арендную стоимость недвижимости. Искусственные нейронные сети обладают способностью выявлять сложные зависимости между входными и выходными данными, выполнять обощение. 3.5. Анализ потребительского рынка Несколько лет назад фирма IBM Consulting выполнила заказ на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Заказчик - один из крупнейших производителей пищевых продуктов, имеющий огромные рынки сбыта. Одним из основных маркетинговых механизмов заказчика является распространение купонов, которые право покупки определенного товара со скидкой. Затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, которые воспользовались скидкой. Для повышения эффективности купонной системы важно было провести предварительную сегментацию рынка, а затем адресовать клиентам каждого сегмента именно те купоны, которыми они с большей вероятностью воспользуются. В терминах анализа данных здесь требовалось решить задачу кластеризации, что и было успешно сделано с помощью сетей Кохонена. На втором этапе для потребителей каждого из кластеров подбирались подходящие коммерческие предложения, а затем строился прогноз объема продаж для каждого сегмента. Другой вариант решения этой же задачи избрала компания GoalAssist Corporation, исполняя заказ крупной маркетинговой фирмы. Требовалось исследовать стратегию поощрительных товаров. Присылая 5 этикеток от чипсов Lays, клиент получает бесплатно футболку. Обычные методы прогнозирования отклика потребителей оказались в данном случае недостаточно точны. В результате спрос на футболки оказался слишком велик и многим покупателям пришлось долго ждать получения приза, а другие подарки остались невостребованными. Чтобы повысить точность прогнозирования, было решено веослдствии использовать исторические данные и нейронные сети. Компания Neural Innovation Ltd. использует при работе с маркетинговыми компаниями конкретную стратегию прямой рассылки. Вначале рассылается 25% от общего числа предложений и собирается информация об откликах потребителей. Затем эта информация поступает на вход нейрокомпьютера, который осуществляет поиск оптимального сегмента потребительского рынка для данного товара. Затем остальные 75% предложений рассылаются в указанный сегмент. При этом эффективность рассылки существенно возрастает. 3.6. Борьба с мошенничеством [16] Общепринятые методы обнаружения и предотвращения мошенничества основаны на проведении индивидуальных расследований с возможным применением компьютерных технологий, а также на поддержке клиентов. Компьютерные технологии значительно облегчают обнаружение мошенничества, используя такие программные методы, как подготовка отчетов об исключительных ситуациях. В таких отчетах события, удовлетворяющие тем или иным заранее определенным критериям, получат специальную пометку. К примеру, в отчете об исключительных ситуациях при страховании здоровья могут быть помечены все операции по удалению аденоид, стоимость которых превышает определенный, заранее установленный уровень. Подобные системы используются со вполне разумной и очевидной целью - избежать крупных расходов. Несовершенство этого метода состоит в том, что мошенники могут рассчитать используемые пороговые значения и не превышать их в сфальсифицированных ими документах. При этом факт мошенничества так и не будет раскрыт. Достаточно большое количество зарубежных фирм применяет технологию нейронных сетей для предупреждения потенциально мошеннических операций. Следует отметить, что здесь идёт речь не только о мошенничестве с пластиковыми картами. Спектр систем, предупреждающих мошенничество, простирается от мошенничества в сфере здравоохранения до мошенничества в кредитной сфере. Это компания Cybersource. Данная фирма предоставляет услуги онлайновым мерчантам (т.е. службам, позволяющим приинимать платежи с использованием банковской пластиковой карты) по обнаружению и предупреждению случаев мошенничества. Они предоставляют клиентам программный модуль для передачи данных о транзакции и 'пропускают' эту транзакцию через свою систему, построенную на принципе 'нейронных сетей'. Мерчанту они передают обратно оценку риска (Cybersource , например, ранжирует риск от 0 до 99, где 0 - это минимальный риск, а 99 - максимальный риск по транзакции). Мерчант смотрит на оценку риска и, например, если она выше 50, то не посылает эту высокорисковую транзакцию в процессинговый центр. Эффективность данной технологии оценки рисков привела к тому, что Visa заключила договор о сотрудничестве с компанией Cybersource. И Visa применяет к мерчантам, которые превысили допустимую границу по чарджбэкам, значительно более мягкие санкции, если мерчант использовал Cybersource в качестве инструмента минимизации рисков мошенничества. Таким образом, имеется богатейшая статистика для обработки транзакции с помощью программ, основанных на технологии 'нейронных сетей', потому что через них ежечасно проходят тысячи транзакций со всего мира, их системы отслеживают (причём автоматически и динамически) новые уловки и методы онлайновых мошенников, и с каждой новой транзакцией система самосовершенствуется для ещё более эффективной борьбы с фродом. |
Похожие:
 | Департамент Образования города Москвы Московская городская научно-практическая... Нейронные сети. Их применение, роль и значимость в современной и будущей экономике |  | Комаровой Марии «Нейронные сети и искусственный интеллект» Реферат «Нейронные сети и искусственный интеллект» состоит из двух частей, введения и заключения |
| Искусственные Нейронные Сети (инс) бурно развивающееся направление... Актуальность исследований в этом направлении подтверждается массой различных применений нс. Это автоматизация процессов | | Российской федерации Целями освоения дисциплины (модуля) является изучение исторически различных теорий конкуренции, а также ее развитие в современной... |
| Исследовательская работа Ресторанный бизнес: менеджмент и маркетинг Место и роль предприятий ресторанного бизнеса в современной экономике | | Нейронные сети: основы теории / А. И. Галушкин. М. Горячая линия... |
| Рабочая программа учебной дисциплины «история» России, умения определять место и роль будущей профессиональной деятельности в истории страны и мира, ее значимость; выработка навыков... | | «Московская городская педагогическая гимназия-лаборатория» реферат... В своём реферате, я хочу изучить строение и принцип работы нейронных сетей, процесс их обучения |
| Курсовая работа по дисциплине: «Экономическая теория» на тему: «Государственное... Роль государственного регулирования в современной экономике. Структура финансового рынка 3 | | Темы рефератов по мировой политике Тенденции в современной мировой экономике (роль вто, мвф, вб), Плюсы и минусы вступления России в вто |
| Реферат Нейронные сети Нейроны и его составляющие части (аксон, синапс). Виды нейронов (рецепторы, моторецепторы, передающие нейроны). Тормозящий и возбуждающий... | | Правительство Российской Федерации Федеральное государственное автономное... Роль Китая в современной мировой экономике. Место постсоветского пространства в региональной экономической стратегии Китая. 7 |
| Аннотации программ учебных дисциплин и профессиональных модулей Ок понимать сущность и социальную значимость своей будущей профессии, проявлять к ней устойчивый интерес | | Исторический очерк развития микробиологии. Роль микроорганизмов в... Учебная программа Санитария и гигиена парикмахерских услуг является специальной дисциплиной, устанавливающей базовые знания для получения... |
| Домашнее задание по химии ноябрь –декабрь 2013 г. Учитель Леонова Н. А Рефераты на выбор: «Соединения щелочных и щелочно-земельных металлов и их применение», «Соединения алюминия, их применение», «Соединения... | | Рабочей учебной программы дисциплины «Иностранный язык» Направление подготовки Понимать сущность и социальную значимость своей будущей профессии, проявлять к ней устойчивый интерес |
