Большая часть сфер жизнедеятельности человека нуждается в постоянном преобразовании и совершенствовании, в том числе экономическая сфера. Ежегодно растет объем информационных данных и скорость их динамики. В результате применения человеческого интеллекта достигается маленькое количество решаемых задач, тогда как сами вычислительные операции являются очень трудоемким процессом. В таком случае необходимо применять современные технологии обработки информации на базе искусственного интеллекта. Однако большинство применяемых в настоящее время методов имеют существенный недостаток – линейность, означающую необходимость описывать объекты, которые там изображены, с помощью линейной зависимости, что весьма затруднительно.
Однозначность стационарного решения в системе линейных уравнений делает ее недостаточно корректной. В таких случаях целесообразно применение нейронных сетей с целью решения нестандартных задач (которые требуют трудоемких вычислений). Например, к таким задачам З.З. Насибуллина относит прогнозирование, которое достигается благодаря способности нейронных сетей обобщать и выявлять скрытые зависимости внутри элементов сети.
Целью является исследование специфики нейронных сетей как инструмента прогнозирования в экономике. Необходимо провести анализ основных свойств нейронных сетей. Нейронные сети представляют собой одно из основных направлений проводимых исследований в сфере искусственного интеллекта, которое базируется на попытках воспроизвести принципы работы нервной системы любого человека. А именно: способность нервной системы обучаться и исправлять ошибки, что позволяет смоделировать, хотя и достаточно грубо, работу человеческого мозга.
Методология исследования основана на системном подходе и включает в себя группу общенаучных методов (анализ, синтез, дедукция, индукция), а также ряд специальных методов, в частности, контент-анализ научной литературы по теме исследования.
Нейронные сети могут применять различные типы данных:
- абстрактная внешняя информация;
- изображение или видео;
- текст (например, анализ и оценка комментариев);
- аудио текст (распознавание речи).
Основные свойства нейронных сетей представлены на рис. 1.
Рис. 1. Свойства нейронных сетей
- Обучаемость нейронных сетей в зависимости от внешних условий и их динамики, способность самонастраиваться при изменении параметров внешней среды. Для решения этих задач разработано и используется множество обучающих алгоритмов, имеющих как положительные, так и отрицательные отзывы.
- Способность обобщать входящую информацию при наличии больших шумов, что позволяет распознавать образы в реальности. Применение нейронных сетей в данной сфере позволяет делать обобщения автоматически, благодаря структуре сетей, а не с помощью использования «человеческого интеллекта» через алгоритмы и программы.
- Способность абстрагироваться с целью выявления первостепенной сущности из входных информационных сигналов, способность формировать в сети объекты, которые раньше не видели.
- Применимость нейронных сетей означает, что они не способны решать абсолютно все экономические задачи, а могут использоваться в большом классе нестандартных задач, решение которых затруднительно для обычных вычислительных систем.
Одним из наиболее важных для экономического прогнозирования свойств нейронных сетей является их обучаемость, которая характеризуется следующим образом: чем больше задано исходной информации, тем более точен будет конечный результат.
Как отмечают О.В. Конюхова, К.С. Лапочкина, все задачи экономического прогнозирования, которые решаются с помощью технологий нейронных сетей, делятся на четыре группы:
1) распознавание образов, которое предполагает способность прогнозирования характеристик исследуемого объекта, значение некоторого его целевого признака;
2) прогнозирование значения числового (порядкового или количественного) признака для исследуемого объекта;
3) прогнозирование значения числового признака объекта в динамике, когда применяются временные измерения исследуемого объекта (анализ временных рядов);
4) автоматическая группировка объектов.
Нейронные сети широко распространены и используются с целью решения таких, например, задач, как:
- прогнозирование макроэкономических критериев развития муниципалитета, региона, области или района, страны;
- прогнозирование экономической активности компаний на следующий период;
- прогнозирование в сфере биржевого дела, оценка и прогнозирование биржевых и рыночных тенденций;
- осуществление кредитного планирования на базе оценки кредитных рисков, анализ надежности компании, оценка вероятности банкротства, оценка платежеспособности клиентов;
- планирование инвестиций или инноваций, оптимизация их сроков и оценка возможной эффективности;
- прогнозирование уровня цен на различные виды продукции и недвижимость;
- прогнозирование курсов валют;
- «сценарные» расчеты по условному принципу «что, если…?»;
- планирование и прогнозирование объемов продаж, денежных потоков и ресурсов компании;
- прогнозирование уровня спроса на товар/услугу, а также поведения клиентов;
- прогнозирование динамики цен на акции в определенный временной период.
Алгоритм действия нейронных сетей для прогнозирования показателей на примере финансового рынка может быть представлен следующими этапами:
- Подготовка данных: определение входных и выходных (целевых) данных.
- Определение в общей массе входных данных группировочных признаков и выявление тестируемых участков. В нейронной сети создаются обучающие пары, которые состоят из входного параметра и целевого (конечного) параметра к нему. Далее происходит изменение весов в соответствии с алгоритмом, который направлен на минимизацию ошибок.
- Определение целевого срока прогноза.
- Получение прогнозируемых данных.
В настоящее время технологии нейронных сетей с соответствующим оборудованием уже получили достаточное распространение среди крупных финансовых корпораций в области прогнозирования экономических процессов.
Достаточно показательным является опыт успешного применения нейронных сетей компании Citicorp, которая применяет специальный нейрокомпьютер с целью анализа и краткосрочного прогнозирования колебаний курсов иностранных валют. Уровень точности прогнозирования нейрокомпьютера превысил прогнозные результаты наиболее опытных специалистов в данной области. Другой компанией, использующей в своей работе анализ рынка на базе нейронных сетей, является компания Richard Borst, занимающаяся торговлей недвижимостью. Как показала практика, в результате использования данных технологий оборот компании в Нью-Йорке и Пенсильвании вырос на 6%.
Лондонская фондовая биржа (LSE) также применяет нейронные сети с целью контроля внутреннего дилинга. В России нейронные сети применяются, например, Центральным банком РФ, Налоговой инспекцией, более 30 банками и более 60 финансовых компаний, в финансовых целях. Нейронные сети помогают определить степень риска в различных условиях выдачи кредита, осуществлять моделирование банкротства и его прогнозировать. В США и Японии достаточно широко используются подобные вычисли-тельные комплексы, созданные на основе нейронных сетей. Активное применение нейронных сетей позволило сделать вывод об их значимости для экономики.
Ярким примером успешного использования нейронных сетей в финансовой сфере является управление кредитными рисками. На практике уже доказана эффективность применения нейронных сетей для выявления потенциальных неплательщиков, минуя сложные статистические расчеты по оценке кредитной истории, вероятности банкротства, с целью оценки вероятности убытков в результате несвоевременного возврата клиентом денежных средств.
Даже несмотря на удобство и эффективность применения нейронных сетей в прогнозировании, необходимо также отметить их недостатки, обусловленные сложностью их обучения и использования:
- Необходимость наличия большой и разнообразной выборки для обучения сети с целью улучшения результатов прогнозирования, необходимость высокой репрезентативности данных.
- Необходимость качественной подготовки входных данных для обучения, а также качественная их разметка, для чего применяется автоматизация.
- Необходимость аргументации входных данных, предполагающая их предварительную подготовку перед процессом обучения (например, изменение яркости, баланса белого, масштабирование) для формирования более реалистичных условий существования исследуемых объектов для обучения сети.
- Необходимость выбора определенного набора алгоритмов, а также принципов работы и взаимодействия для каждого слоя нейронной сети.
- Необходимость проведения тренировки или перетренировки нейронной сети.
- Необходимость своевременного окончания процесса обучения нейронной сети для сохранения ее логики.
Таким образом, использование нейронных сетей в прогнозировании с течением времени становится все шире: создаются новые методы и модели нейронных сетей. На сегодняшний день нейронные сети используются в различных сферах прогнозирования, начиная с прогноза рынков или развития страны, заканчивая прогнозом финансового состояния для предприятия. Эффективность от использования нейронных сетей в системах прогнозирования постоянно растет.
Как отмечается исследователями, обучение и переобучение нейронных сетей является очень трудоемким процессом и требует наличия больших баз биометрических данных. Поэтому глубокие нейронные сети проходят обучение однажды, а затем применяются длительное время без корректировки, что может снизить качество результатов прогнозирования.
