Нейросетевые технологии – это информационные технологии, основанные на применении искусственных нейронных сетей.
Введение
Сегодня можно наблюдать обширное заполнение отечественного компьютерного рынка и рынка программного обеспечения нейронными пакетами и нейронными компьютерами, предназначенными, для того чтобы решать финансовые задачи. В тех банках и крупных финансовых организациях, которые уже применяют нейронные сети для решения своих задач, поняли, что нейронные сети могут быть очень эффективным средством для решения задач, имеющих хорошую статистическую базу. К примеру, в случае наличия достаточно длинных временных рядов, включая и многомерные.
Технологии нейронных сетей используют биологические термины, а методикам обработки информационных данных были присвоены названия генетических алгоритмов, которые реализованы в отдельных версиях нейронных пакетов, известных в Российской Федерации. Это профессиональные нейронные пакеты Brain Maker Professional v.3.11 и Neuroforester v.5.1, в которых генетический алгоритм может управлять процессом общения на определенном множестве примеров, а также способен стабильно распознавать и прогнозировать новые ситуации с высоким уровнем точности даже при возникновении противоречивых или неполных знаний. При этом обучение может быть сведено к работе алгоритма, реализующего подбор весовых коэффициентов, который выполняется в автоматическом режиме без участия специалиста по аналитике. Все итоги обработки могут быть представлены в графическом формате, который считается удобным для анализа и принятия решений.
Применение нейросетевых технологий в финансово-экономической деятельности
Применение технологий нейронных сетей как инструментального средства является перспективным направлением в решении многих плохо формализуемых задач. Например, при выполнении анализа финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, которые связаны с высоким уровнем риска, моделей поведения клиентов, и других. Точность прогнозов, стабильно достигаемая нейросетевыми технологиями при разрешении практических задач, уже превышает 95 %.
На мировых рынках нейросетевые технологии обладают достаточно широким представлением, а именно, от дорогих систем на основе суперкомпьютеров, до персональных компьютеров, что делает их доступными для приложений практически любых уровней. К главным достоинствам нейронных сетей можно отнести следующие моменты:
- Нейронные сети способны обучаться на большом количестве примеров в тех случаях, когда отсутствуют известные закономерности развития ситуации и функции зависимости между входными и выходными данными. В подобных случаях, к которым следует отнести до 80% задач финансового анализа, не работают стандартные математические методики.
- Нейронные сети способны успешно разрешать задачи, имеющие неполную, искаженную и внутренне противоречивую исходную информацию.
- Эксплуатировать обученную нейронную сеть могут практически любые по уровню знаний пользователи.
- Нейросетевые пакеты предоставляют возможность исключительно легкого подключения к базам данных, электронной почте и способны автоматизировать процесс ввода и первичной обработки данных.
- Нейронные сети обладают внутренним параллелизмом, что позволяет осуществлять практически безграничное наращивание мощности нейронной системы, то есть, сверхвысокое быстродействие можно достигнуть за счет применения массового параллелизма информационной обработки.
- Нейронные сети обладают толерантностью к ошибкам, то есть, работоспособность может сохраняться при повреждении большого количества нейронов.
- Нейронные сети обладают способностью к обучению, то есть, программирование вычислительных систем может заменяться обучением.
- Нейронные сети обладают способностью к распознаванию образов в условиях сильных помех и искажений.
Возникновение таких мощнейших и обладающих высокой эффективностью средств не отменяет стандартные математические и эконометрические методы технического анализа, а также не делает ненужной работу высококлассных специалистов. Как новое эффективное средство для решения самых разных задач, нейронные сети просто должны использоваться теми пользователями, которые их правильно воспринимают и в них нуждаются, а также теми, которым они способны помочь в решении многих профессиональных проблем.
Не следует заниматься насаждением нейронных сетей, а также искать доказательства их неэффективности путем выпячивания присущих им отрицательных особенностей и недостатков. Необходимо просто воспринимать их, как неизбежное следствие развития вычислительной математики, информационных технологий и передовой элементной базы.
Под нейрокомпьютером следует понимать любое вычислительное оборудование, способное реализовать работу нейронных сетей. Это может быть как специализированный нейронный вычислитель, так и эмулятор нейронных сетей на персональных компьютерах. Нейронной сетью является тип вычислительной структуры, которая базируется на применении нейронной математики, то есть нового направления в математике, которое находиться на стыке теории управления, численных методов и задач классификации, распознавания образов.
К главным классам задач из финансовой области, которые могут эффективно решаться при помощи нейронных сетей, относятся следующие проблемы:
- Проблема прогнозирования временных рядов на базе нейросетевых методик обработки, например, прогнозирование кросс-курса валют.
- Проблема страховой деятельности банков.
- Проблема прогнозирования банкротств на базе нейросетевой системы распознавания.
- Проблема определения курсов облигаций и акций предприятий с целью инвестирования.
- Проблема решения задач биржевой деятельности.