Нейронные сети и финансовые рынки

НЕЙРОННЫЕ СЕТИ И ФИНАНСОВЫЕ РЫНКИ
Хромов Сергей Сергеевич
(аспирант РЭУ им. Г.В. Плеханова)
([email protected])
Финансовые рынки последние десять лет переживают период бурного развития и
глобализации связей. Наряду с крупными национальными фондовыми, фьючерсными,
валютными биржевыми рынками, появились рынки мирового масштаба.
Современный финансовый рынок представляет собой всемирную сеть банков,
инвестиционных фондов и брокерских домов, которая обеспечивается связанной
компьютерной инфраструктурой, обслуживающей клиентов, торгующих валютами,
заключающие спекулятивные сделки для того, чтобы получить прибыль от ежесекундно
изменяющихся курсов валют.
Известно что, большинство сделок на финансовых рынках – спекулятивные. Они
основаны на предсказаниях изменений котировок участниками рынка. Для эффективного
анализа рынка требуются экономико-математические методы соответствующие
современным требованиям.
Таким образом, исследования в области биржевых рынков - актуальное и
перспективное направление деятельности и будет оставаться таковым в течение довольно
долгого периода времени.
О нейронных сетях как о профессиональном инструменте для финансовых операций
серьезно заговорили в конце 80-х годов, когда революционные работы Дж. Хопфилда и
других математиков дали второе дыхание нейроматематике, которая более двадцати лет не
применялась. Родившаяся в конце 40-х годов на волне интереса к моделированию структур
человеческого мозга, теория нейронных сетей первоначально породила много радужных
надежд, которые не сумела оправдать как из-за слабости технической базы, так и по причине
неразвитости самой теории. Первый нейрокомпьютер - т.н. персептрон Розенблатта - умел
хорошо распознавать буквы и простые картинки, но плохо справлялся с задачей
идентификации движущихся целей и другими проблемами реального мира. О серьезном
применении нейронных сетей в промышленности, а тем более финансах, тогда не было и
речи. А после критических работ М. Минского, нейронные сети и вовсе были отправлены
"на скамейку запасных", уступив место на переднем крае науки экспертным системам,
нечеткой логике и другим модным теориям.
Однако в начале 80-х, с появлением микропроцессоров и сверхбольших интегральных
схем, появилась техническая возможность сделать "вторую попытку". Серия работ Дж.
Хопфилда, Т. Кохонена и ряда других ученых создала теоретический фундамент для
появления нового поколения нейронных сетей, принципиально более мощных, чем
классический персептрон. Многослойные сети Дж. Хопфилда, настраиваемые с помощью
специальных алгоритмов обучения, стали демонстрировать способность распознавания ранее
предъявленных образцов в сложных наборах зашумленных, неполных и противоречивых
входных данных.
За сравнительно короткое время были построены нейрокомпьютеры для
распознавания речи и изображений, для задач классификации в биологии и диагностики в
медицине и многих, многих других применений. А поскольку задачи распознавания и
классификации во многом близки задачам ситуационного моделирования, довольно скоро
появились нейросистемы, адаптированные для прогнозирования и краткосрочных
предсказаний. И когда точность прогнозирования, устойчиво достигаемая нейросетевыми
пакетами на реальных задачах, превысила 95% - в очередь за нейросистемами встали и
финансисты.
Отличие использования нейронных сетей от стандартных подходов состоит в том, что
они позволяет сделать систему самообучаемой, что особенно важно для
трудноформализуемых задач. Нейронные сети представляют собой перспективную
вычислительную технологию, дающую новые подходы к исследованию динамических задач
в экономической области. Первоначально нейронные сети открыли новые возможности в
области распознавания образов, затем к этому прибавились статистические и основанные на
методах искусственного интеллекта средства поддержки принятия решений и решения задач
в сфере экономики.
Способность к моделированию нелинейных процессов, работе с зашумленными
данными и адаптивность дают возможности применять нейронные сети для решения
широкого круга задач. В последние несколько лет на основе нейронных сетей было
разработано много программных систем для применения в таких вопросах, как операции на
товарном рынке, оценка вероятности банкротства банка, оценка кредитоспособности,
контроль над инвестициями, размещение займов.
Нейронные сети охватывают самые разнообразные области интересов: распознавание
образов, обработка зашумленных данных, дополнение образов, ассоциативный поиск,
классификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование,
управление процессами, сегментация данных, сжатие информации, сложные отображения,
моделирование сложных процессов, машинное зрение, распознавание речи.
Нейронные сети позволяют выявлять закономерности развития ситуации, и какие бы,
то ни было зависимости между входными и выходными данными. В таких случаях (к
которым можно отнести до 80% задач финансового анализа) малоэффективны как
традиционные математические методы, так и экспертные системы.
С помощью нейронных сетей можно успешно решать задачи, опираясь на неполную,
искаженную, зашумленную и внутренне противоречивую входную информацию, что
является весьма актуальным при текущей экономической ситуации.
Более того с достаточно большой точностью можно оценивать показатели рынка на
длительные промежутки рынка, таким образом прогнозируя пики и падения на рынке акций.
Таким образом, можно констатировать, что нейронные сети являются одним из самых
мощных и перспективных инструментов в экономике, позволяющие значительно улучшить
степень анализа экономических задач, а, следовательно, способствовать принятию
эффективных экономических решений.