←предыдущая следующая→
1 2 3
3. ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
В данной главе описан способ прогнозирования с помощью НС,
основанный на методе окон. Также приведен обзор применения НС в
финансовой сфере.
3.1. Общий подход к прогнозированию с помощью нейронных
сетей
На НС задача прогнозирования формализуется через задачу рас-
познавания образов. Данных о прогнозируемой переменной за некото-
рый промежуток времени образуют образ, класс которого определяет-
ся значением прогнозируемой переменной в некоторый момент времени
за пределами данного промежутка т.е. значением переменной через
интервал прогнозирования. Метод окон предполагает использование
двух окон Wi и Wo с фиксированными размерами n и m соответствен-
но. Эти окна, способны перемещаться с некоторым шагом по времен-
ной последовательности исторических данных, начиная с первого
элемента, и предназначены для доступа к данным временного ряда,
причем первое окно Wi, получив такие данные, передает их на вход
нейронной сети, а второе - Wo - на выход. Получающаяся на каждом
шаге пара
Wi -> Wo (3.1)
используется как элемент обучающей выборки (распознаваемый образ,
или наблюдение).
Например, пусть есть данные о еженедельных продажах режущего
инструмента (k = 16):
100 94 90 96 91 94 95 99 95 98 100 97 99 98 96 98 (3.2)
Весь ряд смотри приложение 1. Зададим n = 4, m = 1, s = 1. С по-
мощью метода окон для нейронной сети будет сгенерирована следую-
щая обучающая выборка:
100 94 90 96 -> 91
94 90 96 91 -> 94
90 96 91 94 -> 95 (3.3)
96 91 94 95 -> 99
91 94 95 99 -> 95
и т.д.
Каждый следующий вектор получается в результате сдвига окон
Wi и Wo вправо на один элемент (s = 1). Предполагается наличие
скрытых зависимостей во временной последовательности как множест-
ве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и со-
ответственно настраивая свои коэффициенты, пытается извлечь эти
закономерности и сформировать в результате требуемую функцию
прогноза P.
Прогнозирование осуществляется по тому же принципу, что и
формирование обучающей выборки. При этом выделяются две возмож-
ности: одношаговое и многошаговое прогнозирование.
МНОГОШАГОВОЕ ПРОГНОЗИРОВАНИЕ. Используется для осуществления
долгосрочного прогноза и предназначено для определения основного
тренда и главных точек изменения тренда для некоторого промежутка
времени в будущем. При этом прогнозирующая система использует по-
лученные (выходные) данные для моментов времени k+1, k+2 и т.д. в
качестве входных данных для прогнозирования на моменты времени
k+2, k+3 и т.д.
Предположим, система обучилась на временной последователь-
ности (3.2). Затем она спрогнозировала k+1 элемент последователь-
ности, например, равный 95, когда на ее вход был подан последний
из известных ей образов (99, 98, 96, 98). После этого она осу-
ществляет дальнейшее прогнозирование и на вход подается следующий
образ (98, 96, 98, 95). Последний элемент этого образа является
прогнозом системы. И так далее.
ОДНОШАГОВОЕ ПРОГНОЗИРОВАНИЕ. Используется для краткосрочных
прогнозов, обычно - абсолютных значений последовательности. Осу-
ществляется прогноз только на один шаг вперед, но используется
реальное, а не прогнозируемое значение для осуществления прогноза
на следующем шаге.
Для временной последовательности 3.2. На шаге k+1 система
прогнозирует требование 95, хотя реальное значение (смотри прило-
жение 1) должно быть 96. На шаге k + 2 в качестве входного образа
будет использоваться образ (98, 96, 98, 96).
Как было сказано выше, результатом прогноза на НС является
класс к которому принадлежит переменная, а не ее конкретное зна-
чение. Формирование классов должно проводиться в зависимости от
того каковы цели прогнозирования. Общий подход состоит в том, что
область определения прогнозируемой переменной разбивается на
классы в соответствии с необходимой точностью прогнозирования.
Классы могут представлять качественный или численный взгляд на
изменение переменной.
3.2. Применение нейронных сетей в финансовой сфере
Характерный пример успешного применения нейронных вычислений
в финансовой сфере - управление кредитными рисками. Как известно,
до выдачи кредита банки проводят сложные статистические расчеты
по финансовой надежности заемщика, чтобы оценить вероятность
собственных убытков от несвоевременного возврата финансовых
средств. Такие расчеты обычно базируются на оценке кредитной ис-
тории, динамике развития компании, стабильности ее основных фи-
нансовых показателей и многих других факторов. Один широко из-
вестный банк США опробовал метод нейронных вычислений и пришел к
выводу, что та же задача по уже проделанным расчетам подобного
рода решается быстрее и точнее. Например, в одном из случаев
оценки 100 тыс. банковских счетов новая система, построенная на
базе нейронных вычислений, определила свыше 90% потенциальных
неплательщиков.
Другая очень важная область применения нейронных вычислений
в финансовой сфере - предсказание ситуации на фондовом рынке.
Стандартный подход к этой задаче базируется на жестко фиксирован-
ном наборе "правил игры", которые со временем теряют свою эффек-
тивность из-за изменения условий торгов на фондовой бирже. Кроме
того, системы, построенные на основе такого подхода, оказываются
слишком медленными для ситуаций, требующих мгновенного принятия
решений. Именно поэтому основные японские компании, оперирующие
на рынке ценных бумаг, решили применить метод нейронных вычисле-
ний. В типичную систему на базе нейронной сети ввели информацию
общим объемом в 33 года деловой активности нескольких организа-
ций, включая оборот, предыдущую стоимость акций, уровни дохода и
т.д. Самообучаясь на реальных примерах, система нейронной сети
показала большую точность предсказания и лучшее быстродействие:
по сравнению со статистическим подходом дала улучшение результа-
тивности в целом на 19%.
Следующий пример, довольно близкий к области финансового
рынка, - оценка стоимости недвижимости. Решение этой задачи зави-
сит в основном от опыта сотрудника риэлтерской фирмы, учитывающе-
го множество таких неравноценных факторов, как доля собственнос-
ти, качество постройки, окружающая обстановка и т.д. Группа исс-
ледователей из университета г.Портсмут (Великобритания) заложила
в вычислительную систему на базе нейронной сети данные по оценке
←предыдущая следующая→
1 2 3