Применение нейронных сетей в экономике (Использование нейронных сетей в экономике)

Содержание:

Введение

Нейронные сети, или, скорее, искусственные нейронные сети, являются технологией, основанной на многих дисциплинах: нейрофизиологии, математике, статистике, физике, информатике и технике. Они находят свое применение в различных областях, таких как моделирование, анализ временных рядов, распознавание образов, обработка сигналов и управление из-за одного важного свойства - умение учиться на данных с вмешательством учителя или без него.

Исследование искусственных нейронных сетей связано с тем, что способ обработки информации человеком мозгом принципиально отличается от методов, используемых обычными цифровыми компьютерами. Мозг - чрезвычайно сложный, нелинейный параллельный компьютер. Он имеет возможность организовывать свои структурные компоненты, называемые нейронами, чтобы они могли выполнять конкретные задачи (такие как распознавание образов, обработка сенсорных сигналов, функции двигателя) во много раз быстрее, чем позволяют самые быстрые современные компьютеры.

Концепция развития нейронов связана с концепцией пластичности мозга - способностью регулировать нервную систему в соответствии с окружающими условиями. Именно пластичность играет самую важную роль в работе нейронов как единиц обработки информации в мозге человека. Аналогично, в искусственных нейронных сетях работа ведется с использованием искусственных нейронов. В общем, нейронная сеть - это машина, которая моделирует, как мозг обрабатывает конкретную задачу. Эта сеть обычно реализуется с использованием электронных компонентов или моделируется программой, работающей на цифровом компьютере. Предметом статьи является важный класс нейронных сетей, которые выполняют вычисления с использованием процесса обучения.

Основные цели применения нейронных сетей в финансовом мире - прогнозирование котировок основных инструментов (валюты, ценные бумаги, векселя и т. д.) и признание определенных ситуаций (например, подозрительных операций с кредитными картами).

Объект исследования – нейронные сети.

Предмет исследования – применение нейронных сетей в экономике.

Цель курсовой работы заключается в рассмотрении применения нейронных сетей в экономике.

Поставленная цель обусловила решение следующих задач:

- рассмотреть понятие нейронной сети и ее виды;

- рассмотреть преимущества нейронных сетей;

- изучить прогнозирование на основе нейросетей;

- рассмотреть применение нейросетевых технологий на практике.

Курсовая работа состоит из введения, двух глав, заключения и списка использованных источников.

Глава 1. Теоретические аспекты нейронных сетей

1.1 Понятие нейронной сети и ее виды

Прототипом для создания нейронных сетей послужили, как это ни странно, биологические нейронные сети. Возможно, многие из вас знают, как программировать нейронную сеть, но откуда она взялась, я думаю, некоторые не знают. Две трети всей сенсорной информации, которая к нам попадает, приходит с зрительных органов восприятия. Более одной трети поверхности нашего мозга заняты двумя самыми главными зрительными зонами — дорсальный зрительный путь и вентральный зрительный путь.

Дорсальный зрительный путь начинается в первичной зрительной зоне, в нашем темечке и продолжается наверх, в то время как вентральный путь начинается на нашем затылке и заканчивается примерно за ушами. Все важное распознавание образов, которое у нас происходит, все смыслонесущее, то что мы осознаём, проходит именно там же, за ушами.

Почему это важно? Потому что часто нужно для понимания нейронных сетей. Во-первых, все об этом рассказывают, и я уже привыкла что так происходит, а во-вторых, дело в том, что все области, которые используются в нейронных сетях для распознавания образов, пришли к нам именно из вентрального зрительного пути, где каждая маленькая зона отвечает за свою строго определенную функцию^[1].

Изображение попадает к нам из сетчатки глаза, проходит череду зрительных зон и заканчивается в височной зоне.

В далекие 60-е годы прошлого века, когда только начиналось изучение зрительных зон мозга, первые эксперименты проводились на животных, потому что не было fMRI. Исследовали мозг с помощью электродов, вживлённых в различные зрительные зоны.

Первая зрительная зона была исследована Дэвидом Хьюбелем и Торстеном Визелем в 1962 году. Они проводили эксперименты на кошках. Кошкам показывались различные движущиеся объекты. На что реагировали клетки мозга, то и было тем стимулом, которое распознавало животное. Даже сейчас многие эксперименты проводятся этими драконовскими способами. Но тем не менее это самый эффективный способ узнать, что делает каждая мельчайшая клеточка в нашем мозгу.

Таким же способом были открыты еще многие важные свойства зрительных зон, которые мы используем в deep learning сейчас. Одно из важнейших свойств — это увеличение рецептивных полей наших клеток по мере продвижения от первичных зрительных зон к височным долям, то есть более поздним зрительным зонам. Рецептивное поле — это та часть изображения, которую обрабатывает каждая клеточка нашего мозга. У каждой клетки своё рецептивное поле. Это же свойство сохраняется и в нейронных сетях, как вы, наверное, все знаете.

Также с возрастанием рецептивных полей увеличиваются сложные стимулы, которые обычно распознают нейронные сети.

Искусственные нейронные сети - это параллельные вычислительные устройства, состоящие из набора взаимодействующих простых процессоров. Такие процессоры обычно чрезвычайно просты, особенно по сравнению с процессорами, используемыми в персональных компьютерах. Каждый процессор аналогичной сети имеет дело только с сигналами, которые он периодически получает, и сигналы, которые он периодически передает другим процессорам, и, тем не менее, будучи подключенными в довольно большой сети с контролируемым взаимодействием, такие локально простые процессоры вместе способны вполне сложные задачи^[2].

Развитие искусственных нейронных сетей началось в начале двадцатого века, но только в 90-х годах, когда вычислительные системы стали достаточно мощными, нейронная сеть стала широко распространенной. Создание национальной ассамблеи было вызвано попытками понять принципы человеческого мозга и, без сомнения, повлияет на их дальнейшее развитие. Однако, по сравнению с человеческим мозгом, нейронная сеть сегодня представляет собой очень упрощенную модель. Несмотря на это, нейронная сеть успешно используется в самых разных задачах. Например, программная реализация нейронной сети может использоваться для составления плана платежей по кредитам для лиц, обращающихся в Банк для получения кредита. Хотя решение на основе нейронной сети может выглядеть и вести себя как обычное программное обеспечение, они принципиально различаются, поскольку большинство реализаций на основе нейронной сети «обучены», а не «запрограммированы»: сеть узнает, как выполнять задачу, а не программировать непосредственно. Фактически, нейронная сеть используются, когда невозможно написать подходящую программу, или из-за решения, найденного нейронной сетью, является более совершенным. Например, специалист по недвижимости может по собственному опыту узнать, какие факторы влияют на отпускную цену каждого конкретного дома, но часто есть особенности, которые очень сложно объяснить программисту. Агентство недвижимости, возможно, пожелает иметь «предиктор цен на основе нейронной сети», подготовленный по различным реальным примерам продаж, какие факторы влияют на цену продаваемого имущества и на какую относительную важность каждый из этих факторов. Но здесь более важным является тот факт, что решение на основе национальной ассамблеи более гибко, поскольку система может еще больше повысить точность прогнозов с накоплением своего опыта и адаптироваться к изменениям на рынке^[3].

Нейронная сеть представляет собой набор элементов, которые каким-то образом связаны, так что между ними существует взаимодействие. Эти элементы, также называемые нейронами или узлами, являются простыми процессорами, чьи вычислительные возможности обычно ограничены некоторым правилом объединения входных сигналов и правила активации, что позволяет рассчитать выходной сигнал из набора входных сигналов. Выход элемента может быть отправлен другим элементам по весовым ссылкам, каждый из которых имеет весовой коэффициент или вес, связанные с ним. В зависимости от значения весового коэффициента передаваемый сигнал либо усиливается, либо подавляется. Элемент нейронной сети, также называемый нейроном, схематически показан на рисунке 1.

Рисунок 1. Элемент нейронной сети

Структура ссылок отражает детали дизайна сети, а именно, какие элементы связаны, в каком направлении работают соединения и каков уровень значимости (т. е. вес) каждого соединения. Проблема, которую понимает связь, описана в терминах весов отношений, связывающих элементы. Структура отношений обычно определяется в два этапа: во-первых, разработчик системы указывает, какие элементы должны быть связаны и в каком направлении, а затем, во время фазы обучения, определяются значения соответствующих весов.

Весовые коэффициенты могут быть определены без обучения, но самым большим преимуществом нейронных сетей является их способность научиться выполнять задачу на основе данных, которые сеть получит в процессе реальной работы. Для многих приложений обучение - это не только средство сетевого программирования, когда недостаточно знаний о способе решения проблемы, что позволяет выполнять программирование в традиционной форме, но часто единственной целью обучения является проверка того, что сеть может действительно научиться решать свои задачи.

Нейронная сеть учится на примере картинки и лейбла. Но дело в том, что до 2010 не существовало достаточно большого data set’a, который способен был бы научить такое количество параметров распознавать изображения.

Самые большие базы данных, которые существовали до этого времени: PASCAL VOC, в который было всего 20 категорий объектов, и Caltech 101, который был разработан в California Institute of Technology. В последнем была 101 категория, и это было много. Тем же, кто не сумел найти свои объекты ни в одной из этих баз данных, приходилось стоить свои базы данных, что, я скажу, страшно мучительно^[4].

Однако, в 2010 году появилась база ImageNet, в которой было 15 миллионов изображений, разделённые на 22 тысячи категорий. Это решило нашу проблему обучения нейронных сетей. Сейчас все желающие, у кого есть какой-либо академический адрес, могут спокойно зайти на сайт базы, запросить доступ и получить эту базу для тренировки своих нейронных сетей. Они отвечают достаточно быстро, по-моему, на следующий день.

По сравнению с предыдущими data set’ами, это очень большая база данных.

В целом для разных задач используются разные типы и типы нейронных сетей, среди которых можно выделить:

- сверточные нейронные сети,

- рекуррентные нейронные сети,

- нейронная сеть Хопфилда.

Затем мы остановимся на некоторых из них.

Сверточные сети - один из самых популярных типов искусственных нейронных сетей. Таким образом, они оказались эффективными в распознавании визуальных изображений (видео и изображений), систем рекомендаций и обработки языка.

Сверточные нейронные сети прекрасно масштабируются и могут использоваться для распознавания изображений любого большого разрешения.

В этих сетях используются трехмерные трехмерные нейроны. Внутри одного слоя нейроны связаны только небольшим полем, называемым восприимчивым слоем.

Нейроны соседних слоев связаны через механизм пространственной локализации. Работа многих из этих слоев обеспечивает специальные нелинейные фильтры, которые реагируют на все большее число пикселей.

Рекуррентные называются такими нейронными сетями, связи между нейронами, которые образуют ориентировочный цикл. Он имеет следующие характеристики:

- каждое соединение имеет свой собственный вес, это также приоритет;

- узлы делятся на два типа: входные узлы и скрытые узлы;

- информация в рекуррентной нейронной сети передается не только по прямой, по слоям, но и между самими нейронами;

- важной особенностью рекуррентной нейронной сети является наличие так называемой «области внимания», когда машина может устанавливать определенные части данных, требующие расширенной обработки.

Recurrent neural networks используются тогда, когда нам недостаточно распознавать только изображение. В тех случаях, когда важно соблюдать последовательность, нужен порядок того, что у нас происходит, используются обычные рекуррентные нейронные сети^[5].

Это применяется для распознавания естественного языка, для обработки видео, даже используется для распознавания изображений.

Что такое рекуррентные нейронные сети? Это примерно то же самое, что и обычные нейронные сети, но с обратной связью. Обратная связь нам нужна, чтобы передавать на вход нейронной сети или на какой-то из ее слоев предыдущее состояние системы.

Предположим, что обрабатываются эмоции. Даже в улыбке — одной из самых простых эмоций — есть несколько моментов: от нейтрального выражения лица до того момента, когда у нас будет полная улыбка. Они идут друг за другом последовательно. Чтоб это хорошо понимать, нам нужно уметь наблюдать за тем, как это происходит, передавать то, что было на предыдущем кадре в следующий шаг работы системы.

Рекуррентные нейронные сети применяются при распознавании и обработке текстовых данных (на частоте на их основе используется переводчик Google, алгоритм Яндекса «Палех», помощник голоса Apple Siri).

Нейронная сеть Хопфилда - полностью связанная нейронная сеть с симметричной матрицей соединений. Во время работы динамика таких сетей сходится (сходится) к одному из положений равновесия. Эти положения равновесия являются локальными минимумами функционала, называемого энергией сети (в простейшем случае локальные минимумы отрицательно определенной квадратичной формы на n-мерном кубе)^[6]. Такая сеть может использоваться как автоассоциативная память, как фильтр, так и для решения некоторых проблем оптимизации. В отличие от многих нейронных сетей, которые работают до получения ответа в течение определенного количества тактовых циклов, сети Хопфилда работают до достижения равновесия, когда следующее состояние сети точно такое же, как и предыдущее: начальное состояние является входным изображением, и в равновесии получается выходное изображение.

1.2 Преимущества нейронных сетей

Очевидно, что нейронные сети используют свои силы, во-первых, от параллелизации обработки информации и, во-вторых, от способности к самообучению, т. е. для создания обобщений. Термин «обобщение» относится к способности получать информированный результат из данных, которые не были обнаружены в процессе обучения.

Эти свойства позволяют нейронным сетям решать сложные (крупномасштабные) проблемы, которые сегодня считаются трудными для решения. Однако на практике нейронные сети не могут предоставить готовые решения для автономной работы. Их необходимо интегрировать в сложные системы.

В частности, сложную задачу можно разделить на последовательность относительно простых, некоторые из которых могут быть решены нейронными сетями.

Использование нейронных сетей обеспечивает следующие полезные свойства систем.

Нелинейность: искусственный нейрон может быть линейным и нелинейным. Нейронная сеть построена из связей нелинейных нейронов нелинейными. Более того, эта нелинейность носит особый характер, так как она распределена по сети. Нелинейность является чрезвычайно важным свойством, особенно если физический механизм, ответственный за формирование входного сигнала, также нелинейный (например, человеческая речь).

Отображение входной информации в выходную информацию: одна из самых популярных парадигм обучения - это обучение с учителем. Это связано с изменением синаптических весов на основе набора обозначенных примеров обучения. Каждый пример состоит из входного сигнала и соответствующего требуемого ответа. Из этого набора случай случайным образом выбирается, и нейронная сеть модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и сети, генерируемой в соответствии с выбранным статистическим критерием. В этом случае параметры свободной сети фактически изменяются. Ранее использованные примеры могут быть снова применены, но в другом порядке. Это обучение проводится до тех пор, пока изменение синаптического веса не будет незначительным. Таким образом, нейронная сеть обучается примерами, делая таблицу совпадений ввода-вывода для конкретной задачи.

Адаптивность: нейронные сети имеют возможность адаптировать свои синаптические веса к изменениям окружающей среды. В частности, нейронные сети, обученные работать в определенной среде, могут быть легко переучены для работы в условиях незначительных колебаний параметров окружающей среды. Более того, нейронные сети, которые изменяют синаптические веса в реальном времени, могут быть созданы для работы в нестационарной среде. Естественная для классификации изображений, обработки сигналов и задач управления архитектура нейронных сетей может сочетаться с их способностью адаптироваться, что приведет к созданию моделей адаптивной классификации изображений, адаптивной обработки сигналов и адаптивного управления. Известно, что чем выше адаптационная способность системы, тем стабильнее она будет работать в нестационарной среде. В то же время я хотел бы отметить, что адаптивность не всегда приводит к устойчивости; иногда это приводит к совершенно противоположному результату. Например, адаптивная система с быстро меняющимися во времени параметрами также может быстро реагировать на посторонние возбуждения, что приведет к потере производительности. Чтобы использовать все преимущества адаптируемости, основные параметры системы должны быть достаточно стабильными, чтобы избежать внешних помех, и достаточно гибкими, чтобы обеспечить ответ на значительные изменения в окружающей среде. Эту проблему обычно называют дилеммой стабильности / пластичности^[7].

Очевидный ответ: в контексте проблемы классификации изображений можно разработать нейронную сеть, которая собирает информацию не только для определения определенного класса, но и для повышения надежности решения. Впоследствии эта информация может быть использована для устранения сомнительных решений, которые повысят производительность нейронной сети.

Контекстная информация. Знание представлено в структуре нейронной сети по ее состоянию активации. Каждый нейрон в сети потенциально может быть затронут всеми его другими нейронами. Как следствие, существование нейронной сети напрямую связано с контекстной информацией.

Отказоустойчивость: нейронные сети в виде электроники потенциально отказоустойчивы. Это означает, что в неблагоприятных условиях их производительность падает незначительно. Например, если поврежден нейрон или его соединения, трудно получить сохраненную информацию. Однако, учитывая распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезный ущерб структуре нейронной сети существенно повлияет на ее производительность. Поэтому снижение качества нейронной сети происходит медленно. Малый урон структуре никогда не приводит к катастрофическим последствиям.

Масштабируемость. Параллельная структура нейронных сетей потенциально ускоряет решение некоторых задач и обеспечивает масштабируемость нейронных сетей в рамках технологии VLSI (очень крупномасштабная интеграция). Одним из преимуществ технологий VLSI является способность представлять довольно сложное поведение с использованием иерархической структуры.

Однородность анализа и дизайна: нейронные сети являются универсальным механизмом обработки информации. Это означает, что одно и то же решение для построения нейронной сети может использоваться во многих предметных областях.

Аналогия с нейробиологией: структура нейронных сетей определяется по аналогии с мозгом человека, что является живым доказательством того, что отказоустойчивые параллельные вычисления являются не только физически осуществимыми, но и быстрым и мощным инструментом решения проблем. Нейрофизиологи рассматривают искусственные нейронные сети как средство моделирования физических явлений. С другой стороны, инженеры постоянно пытаются научиться у неврологов новыми идеями, выходящими за рамки традиционных схем.

Глава 2. Использование нейронных сетей в экономике

2.1 Прогнозирование на основе нейросетей

Прогнозирование является ключевым моментом в принятии решений в области управления. Конечная эффективность любого решения зависит от последовательности событий, которые происходят после принятия решения. Возможность прогнозировать неуправляемые аспекты этих событий до принятия решения позволяет вам сделать лучший выбор, который в противном случае может быть не таким успешным. Поэтому в системах планирования и управления обычно используется функция прогноза. Ниже приводятся примеры ситуаций, в которых прогнозирование полезно.

Управление материально-производственными запасами. При управлении запасами запасных частей на ремонтно-эксплуатационном объекте абсолютно необходимо оценить степень использования каждой части. На основании этой информации определяется необходимое количество запасных частей. Кроме того, необходимо оценить погрешность предсказания. Эта ошибка может быть оценена, например, в зависимости от времени, которое требуется для доставки деталей, которые не были на складе^[8].

Производственное планирование. Для планирования производства семейства продуктов может потребоваться предсказать продажи для каждого названия продукта с учетом сроков поставки в течение нескольких месяцев. Эти прогнозы предназначены для конечных продуктов, которые затем могут быть преобразованы в требования к полуфабрикатам, компонентам, материалам, работникам и т. д. Таким образом, на основе прогноза может быть составлен график всей группы компаний.

Финансовое планирование. Финансовый менеджер заинтересован в том, как денежный оборот компании со временем изменится.

Менеджер, возможно, пожелает узнать, в какой период времени в будущем оборот компании начнет падать, чтобы принять соответствующее решение сейчас.

Разработка графиков персонала. Менеджер почтовой компании должен знать прогноз количества обработанных писем, чтобы обработка производилась в соответствии с графиком персонала и производительностью оборудования.

Планирование нового продукта. Решение о разработке нового продукта обычно требует долгосрочного прогноза спроса на него. Этот прогноз не менее важен, чем определение инвестиций, необходимых для его производства.

Контроль над процессом. Прогнозирование также может быть важной частью систем управления технологическим процессом. Наблюдая за ключевыми переменными процесса и используя их для прогнозирования будущего поведения процесса, можно определить оптимальное время и продолжительность действия управления. Например, некоторая экспозиция в течение часа может повысить эффективность химического процесса, а затем может снизить эффективность процесса. Прогнозирование производительности процесса может быть полезно при планировании времени завершения процесса и общего графика производства.

Прогнозирование при помощи нейронных сетей имеет ряд недостатков. Даже если мы прогнозируем требование относительно стабильного продукта, основанного на ежемесячной информации о продажах, мы не сможем накапливать историю от 50 до 100 месяцев. Для сезонных процессов проблема еще сложнее. Каждый сезон истории на самом деле является одним наблюдением. То есть в ежемесячных наблюдениях за пять лет будет только пять наблюдений за январь пять наблюдений за февраль и т. д. Может потребоваться информация для большего количества сезонов, чтобы построить сезонную модель. Однако следует отметить, что мы можем построить удовлетворительную модель для нейронной сети даже в условиях отсутствия данных. Модель может быть уточнена по мере поступления свежих данных.

Другим недостатком нейронных моделей является значительное время и другие ресурсы, необходимые для создания удовлетворительной модели. Эта проблема не очень важна, если вы изучаете небольшое количество временных последовательностей. Однако типичная прогностическая система управления производством может включать от нескольких сотен до нескольких тысяч временных последовательностей.

Однако, несмотря на эти недостатки, модель имеет ряд преимуществ. Существует удобный способ модифицировать модель по мере появления новых наблюдений. Модель хорошо работает с временными последовательностями, в которых интервал наблюдения мал, то есть может быть получена относительно длинная временная последовательность. По этой причине модель может использоваться в тех областях, где нас интересуют ежечасные, ежедневные или еженедельные наблюдения. Эти модели также используются в ситуациях, когда вам нужно проанализировать небольшое количество временных последовательностей.

2.2 Применение нейросетевых технологий на практике

Нейронные сети предпочтительнее, когда есть много входных данных, где шаблоны скрыты. Целесообразно использовать методы нейронной сети в задачах с неполной или «шумной» информацией, а также в тех случаях, когда решение можно найти интуитивно.

Нейронные сети используются для прогнозирования рынков, оптимизации товарных и денежных потоков, анализа и обобщения социологических опросов, прогнозирования динамики политических рейтингов, оптимизации производственного процесса, комплексной диагностики качества продукции и многое, многое другое.

Нейронные сети все чаще используются в реальных бизнес-приложениях. В некоторых областях, таких как обнаружение мошенничества и оценка рисков, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

Поскольку экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействия разных людей, очень сложно (если не невозможно) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно приблизиться к модели, основанной на традиционных параметрах, таких как максимизация полезности или максимизация прибыли^[9].

В системах такой сложности естественно и наиболее эффективно использовать модели, которые непосредственно имитируют поведение общества и экономики. И это именно то, что может предложить методология нейронных сетей.

Ниже приведены области, в которых эффективность нейронных сетей доказана на практике:

Для финансовых операций:

- Прогнозирование поведения клиентов.

- Прогнозирование и оценка риска предстоящей сделки.

- Прогнозирование возможных мошеннических действий.

- Прогнозирующие остатки на корреспондентских счетах Банка.

- Прогнозирование объемов денежных потоков и оборотного капитала.

- Прогнозирование экономических показателей и фондовых индексов.

Для планирования предприятия:

- Прогнозирование объемов продаж.

- Прогнозирование использования производственных мощностей.

- Прогнозирование спроса на новые продукты.

Для бизнес-аналитики и поддержки принятия решений:

- Определите тенденции, корреляции, шаблоны и исключения в больших объемах данных.

- Анализ филиалов компании.

- Сравнительный анализ конкурирующих фирм.

Другое применение:

- Оценка недвижимости.

- Контроль качества продукции.

- Системы контроля состояния оборудования.

- Разработка и оптимизация сетей связи, сетей электроснабжения.

- Прогнозирование потребления энергии.

- Распознавание рукописного ввода, включая автоматическое распознавание подписи и аутентификацию.

- Распознавание и обработка видео и аудио сигналов.

Нейронные сети могут использоваться в других задачах. Основными определяющими условиями их использования являются наличие «исторических данных», с помощью которых нейронная сеть сможет учиться, а также неспособность или неэффективность других, более формальных методов.

Независимый экспертный совет по стратегическому анализу вопросов внешней и внутренней политики Совета Федерации Института искусственного интеллекта представил проект «Технология нового поколения на основе недоопределенных расчетов и его использование для разработки экспериментальной модели макроэкономики Российская Федерация". В течение многих последующих лет стало возможным рассчитывать результаты любых действий или предложений, связанных с бюджетом страны.

Система позволяет нам увидеть, как изменится доля доходов, дефицит бюджета, объем промышленного производства в ответ на, скажем, увеличение налогов. Вы также можете узнать, сколько денег прошло в прошлом году из бюджета: электронная машина, по мнению ученых, может легко справиться с такой задачей. Ей даже не придется объяснять концепцию «черных денег».

Вы можете решить обратную задачу. Например, что нужно сделать, чтобы увеличить или, скажем, по крайней мере не упасть объем производства к 2020 году? Машина будет указывать нижний и верхний предел значений в любом случае для выпущенных бюджетных денег во всех отношениях, так или иначе влияющих на производство.

Кроме того, вы можете узнать не гороскоп без помощи магов возможной последовательности «критических» и «успешных» моментов в развитии экономики для данных исходных данных.

Разработчики проекта до сих пор создали только демонстрационную модель, охватывающую около 300 параметров и период с 1990 по 1999 год. Но для нормальной работы вам требуется не менее 1000 параметров. И такая работа может быть выполнена, если средства будут выпущены для нее. Необходимо провести много прикладной работы, фундаментальные исследования как основных компонентов проекта - математического и экономического. Здесь нам нужна серьезная государственная финансовая поддержка.

Внедрение современной компьютерной модели макроэкономики и государственного бюджета Российской Федерации автоматизирует подготовку исходных параметров государственного бюджета на следующий год, окончательную версию для утверждения в парламенте, поддержку, оценку и контроль исполнения бюджета на всех этапах^[10].

За последние несколько лет интерес к искусственным нейронным сетям в России вырос. Возможность быстрого обучения и надежности выводов позволяет рекомендовать экспертные системы нейронных сетей как один из обязательных инструментов во многих аспектах современного бизнеса. Нейронные сети имеют огромное преимущество перед традиционными трудоемкими и долгосрочными, обобщая знания экспертов.

Технологии нейронной сети применимы практически в любой области, и в таких задачах, как прогнозирование цен на акции и обменных курсов, они стали привычным и широко используемым инструментом. Широкое проникновение технологий нейронной сети в современный бизнес - это только вопрос времени. Внедрение новых технологий, основанных на знаниях, является сложным процессом, но практика показывает, что инвестиции не только окупаются и приносят выгоды, но и дают тем, кто использует их осязаемые выгоды.

Использование нейронных сетей в Финансах основано на одном фундаментальном предположении: замене предсказания на признание. По большому счету, нейронная сеть не прогнозирует будущее, а «учит» в текущем состоянии рынка ранее встречающуюся ситуацию и воспроизводит последующую реакцию рынка.

Финансовый рынок довольно инерционен, он имеет свою собственную «медленную реакцию», зная, что вы можете довольно точно рассчитать будущую ситуацию. И насколько точно - это зависит от условий рынка и навыков оператора.

Поэтому наивно полагать, что нейронная сеть будет автоматически прогнозировать темпы основных показателей - национальной валюты или, например, драгоценных металлов на нестабильных рынках. Но в любой ситуации на рынке есть инструменты, которые поддерживают стабильность. Например, когда доллар прыгает, это «долгосрочные» фьючерсы, реакция которых простирается на несколько дней и предсказуема. Кстати, в периоды рыночных потрясений игроки обычно паникуют, что повышает преимущества владельца хорошего аналитического инструмента.

Сотни всемирно известных и небольших начинающих компаний в настоящее время работают над созданием нейронных сетей для различных целей. Мировой рынок предлагает более сотни пакетов нейронных сетей, в основном американских. К 2005 году общий объем рынка нейронных сетей превысил 10 миллиардов долларов, и почти каждый разработчик традиционных аналитических пакетов сегодня стремится включить нейронные сети в новые версии своих программ. В США нейронные сети используются в аналитических комплексах каждого крупного банка.

Продажа только одного пакета нейронной сети «Brain Maker Pro» сопоставима с продажами самого популярного пакета технического анализа MetaStock (в США продано более 20 000 копий Brain Maker Pro).

Устоявшийся пакет «Трилогия ИИ». («Трилогия искусственного интеллекта») Американская компания «Ward Systems Group». Это набор из трех программ, каждый из которых может использоваться как самостоятельно, так и в сочетании с другими.

Таким образом, программа «NeuroShell II» представляет собой набор из 16 типов нейронных сетей, «NeuroWindows» представляет собой библиотеку нейронных сетей с исходными текстами, «GeneHunter» - это программа генетической оптимизации. Вместе они образуют мощного «дизайнера», который позволяет создавать аналитические комплексы любой сложности.

«Трилогия «AI» на нашем рынке пользуется большим спросом. Пакет установлен в 150 крупнейших банках нашей страны. Он неоднократно выигрывал престижные конкурсы популярных финансовых изданий и помогал управлять капиталом в несколько миллиардов долларов. Фирма «Du Pont» (Институт стандартов и ФБР) считает «Трилогию искусственного интеллекта» лучшей для решения различных проблем^[11].

Интересным и значительным малоизвестным фактом является то, что ключевые компоненты этого пакета были написаны российскими программистами. Появление пакета будет командой разработчиков из небольшой московской компании «Европроект» под руководством профессора Персианцева. Уже более трех лет выполняются заказы компании «Ward Systems Group» и нашли успешное решение. Можно сказать, что российские программы управляют финансами Америки и задачами ФБР.

Как это может быть полезно для финансистов? Смогут ли они работать на нашем непредсказуемом рынке, где одно решение Центрального банка может мгновенно опрокинуть рынок? Предваряя эти вопросы, владельцы пакетов предлагают специальную консультационную услугу.

С Банком заключено специальное соглашение, аналитики которого не верят в предсказуемость нашего рынка. В течение определенного периода: за две недели, месяц или более, за номинальную плату, Банку предоставляются ежедневные прогнозы на завтра (или неделю вперед) по котировкам определенных финансовых инструментов. Если прогноз последовательно демонстрирует приемлемую точность, Банк обязуется покупать аналитический комплекс вместе с настройками.

И не было ни одного случая, когда клиент отказался бы покупать. Между выборами произошел показательный и впечатляющий случай, когда один из крупнейших банков провел аналогичное тестирование пакета. Танцевальные курсы по ценным бумагам падающей и растущей политики, но каждый вечер Банк прогнозировал ряд будущих цен (мини - Макси - средний - закрытие) шестнадцати векселей ценных бумаг. Менее чем через две недели Банк подписал контракт на поставку аналитического комплекса, который может поддерживать эффективность даже в таких бурных и непредсказуемых ситуациях^[12].

Много возможностей. Нейронные сети - чрезвычайно мощный метод моделирования, который позволяет воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети являются нелинейными по своей природе. В течение многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку процедуры оптимизации хорошо разработаны для него. В задачах, где линейное приближение неудовлетворительное (и их немало), линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», что не позволяет моделировать линейные зависимости в случае большого числа переменных

Простота использования. Нейронные сети учатся на примерах. Пользователь нейронной сети выбирает репрезентативные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. В то же время пользователь, конечно же, требует некоторого набора эвристических знаний о том, как выбирать и готовить данные, выбирать желаемую сетевую архитектуру и интерпретировать результаты, но уровень знаний, необходимых для успешного применения нейронных сетей, более скромным, чем, например, использование традиционных методов статистики.

Нейронные сети привлекательны с интуитивной точки зрения, потому что они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. Между тем, «простые» нейронные сети, которые строит ST Neural Networks, являются мощным оружием в Арсенале специалиста по прикладной статистике.

Заключение

Нейронная сеть - это общее название для нескольких групп математических алгоритмов в сочетании с одной общей особенностью - умение учиться в группе примеров для «изучения» впоследствии, особенностей ранее встречающихся образов и ситуаций.

Основными определяющими условиями их использования являются наличие «исторических данных», с помощью которых нейронная сеть сможет учиться, а также неспособность или неэффективность других, более формальных методов. Для того, чтобы сеть использовалась в будущем, она должна быть сначала «обучена» ранее полученным данным, для которых известны значения входных параметров и правильные ответы на них. Нейронная сеть может «учиться» даже на массиве генерируемых случайных чисел.

Технологии нейронной сети, используемые в финансовых и других методах анализа, давно перестали быть модными экзотическими и вызывают недоумение специалистов. В мире накоплен огромный опыт использования нейронных сетей, сто из ста западных финансовых и промышленных компаний используют нейротехнологию в той или иной форме. В России до недавнего времени найти достойный нейроскоп было очень сложно. Однако на сегодняшний день барьер недоверия нарушен, есть обнадеживающие результаты решения различных аналитических проблем с элементами нейротехнологии в суровой российской действительности. Сегодня аналитики могут выбрать систему прогнозирования в соответствии с их вкусом, круг задач, которые необходимо решить.

В этой курсовой работе обсуждается тема использования нейронных сетей в сфере финансов и бизнеса, показано использование технологий нейронной сети на практике, их преимущества и недостатки в зависимости от параметров реализации.

 Нейрокомпьютеры позволяют с высокой эффективностью решать ряд «интеллектуальных» задач. Это задачи распознавания образов, адаптивного управления, прогнозирования, диагностики и т. д. Нейронные сети и нейрокомпьютеры представляют собой принципиально новый подход к описанным проблемам.

Разработки в области нейрокомпьютеров поддерживаются рядом международных и национальных программ. В настоящее время по меньшей мере 50 нейросистем эксплуатируются в самых разных областях - от финансовых прогнозов до опыта.

Список использованных источников

1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. — М.: Финансы и статистика, 2007. — 174 с.
2. Гаскаров, Д. В. Интеллектуальные информационные системы / Д.В. Гаскаров. - Москва: СПб. [и др.] : Питер, 2017. - 432 c.
3. Горбенко, А.О. Информационные системы в экономике: Учебное пособие / А.О. Горбенко. - М.: БИНОМ. Лаборатория знаний, 2014. - 292 c.
4. Гольдштейн, Б.С. Интеллектуальные сети / Б.С. Гольдштейн. - М.: Радио и связь, 2017. - 274 c.
5. Джонс М. Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312 с.
6. Емельянов, С.В. Информационные технологии и вычислительные системы: Интернет-технологии. Математическое моделирование. Системы управления. Компьютерная графика / С.В. Емельянов. - М.: Ленанд, 2012. - 96 c.
7. Исаев, Г.Н. Информационные системы в экономике: Учебник для студентов вузов / Г.Н. Исаев. - М.: Омега-Л, 2013. - 462 c.
8. Искусственный интеллект. Десятая национальная конференция по искусственному интеллекту с м / Т.1-3; Наука - Москва, 2015. - 359 c.
9. Искусственный интеллект. Междисциплинарный подход: моногр.; ИИнтелл - М., 2013. - 448 c.
10. Косиненко, Н.С. Информационные системы и технологии в экономике: Учебное пособие для бакалавров / Н.С. Косиненко, И.Г. Фризен. - М.: Дашков и К, 2015. - 304 c.
11. Любарский, Ю.Я. Интеллектуальные информационные системы / Ю.Я. Любарский. - М.: Наука, 2017. - 232 c.
12. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Искусственный интеллект и интеллектуальные системы управления; Наука - М., 2012. - 336 c.
13. Новости информационных технологий / IT News, №14, 2013. - М.: ИТ Медиа, 2017. - 859 c.
14. Осипов Г. С. Лекции по искусственному интеллекту; Либроком - М., 2014. - 272 c.
15. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. — М.: Горячая линия — Телеком, 2006. — 452 с.
16. Рутковский Лешек Методы и технологии искусственного интеллекта; Горячая линия - Телеком - М., 2012. - 520 c.
17. Ручкин В. Н., Фулин В. А. Универсальный искусственный интеллект и экспертные системы; БХВ-Петербург - М., 2011. - 240 c.
18. Тарасов В.Б. (Ред.) Новости искусственного интеллекта, №2, 2004; Российская ассоциация искусственного интеллекта - М., 2014. - 132 c.
19. Яхъяева Г. Э. Нечеткие множества и нейронные сети: учеб. Пособие / Г. Э. Яхъяева. — М.: Интернет-Ун-т Информ. Технологий: БИНОМ. Лаб. знаний, 2008. — 315 с.

1. Джонс М. Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312 с. ↑

2. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. — М.: Горячая линия — Телеком, 2006. — 452 с. ↑

3. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. — М.: Финансы и статистика, 2007. — 174 с. ↑

4. Яхъяева Г. Э. Нечеткие множества и нейронные сети: учеб. Пособие / Г. Э. Яхъяева. — М.: Интернет-Ун-т Информ. Технологий: БИНОМ. Лаб. знаний, 2008. — 315 с. ↑

5. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П. Искусственный интеллект и интеллектуальные системы управления; Наука - М., 2012. - 336 c. ↑

6. Гаскаров, Д. В. Интеллектуальные информационные системы / Д.В. Гаскаров. - Москва: СПб. [и др.] : Питер, 2017. - 432 c. ↑

7. Джонс М. Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А. И. — М.: ДМК Пресс, 2006. — 312 с. ↑

8. Искусственный интеллект. Междисциплинарный подход: моногр.; ИИнтелл - М., 2013. - 448 c. ↑

9. Осипов Г. С. Лекции по искусственному интеллекту; Либроком - М., 2014. - 272 c. ↑

10. Искусственный интеллект. Десятая национальная конференция по искусственному интеллекту с м / Т.1-3; Наука - Москва, 2015. - 359 c. ↑

11. Тарасов В.Б. (Ред.) Новости искусственного интеллекта, №2, 2004; Российская ассоциация искусственного интеллекта - М., 2014. - 132 c. ↑

12. Емельянов, С.В. Информационные технологии и вычислительные системы: Интернет-технологии. Математическое моделирование. Системы управления. Компьютерная графика / С.В. Емельянов. - М.: Ленанд, 2012. - 96 c. ↑