CC BY
107ФИНАНСОВЫЕ РЫНКИ
Искусственный интеллект: эволюция, виды нейронных сетей, использование на финансовом рынке
Гюлумян Александр Юрьевич,
магистрант, Финансовый университет при Правительстве Российской Федерации
Нишатов Николай Петрович,
канд. экон. наук, доцент, Департамент финансовых рынков и банков,
Финансовый университет при Правительстве Российской Федерации
В современном мире, где преобладает информация и большие массивы данных, всё больше внимания уделяется разработке программ и инструментов для их обработки и систематизации. Появление искусственного интеллекта на финансовом рынке решило множество задач. Сегодня, с его помощью анализируются исторические данные, строятся более точные прогнозы, создаются торговые системы, которые в будущем смогут стать эффективной заменой человеческому труду. Ключевые слова: искусственный интеллект, нейронные сети, финансовый рынок.
В век информации и усложненных технологических систем, человеческий мозг в большинстве случаев не способен усвоить большие объемы данных и на основании их быстро принять рационально-верное решение. На помощь ему приходит искусственный интеллект.
Данный феномен в 1950-х годах заметил Герберт Саймон и на основании этого сформулировал предел рациональности поведения, который определяется следующими факторами: вычислительная сложность вопроса, ограничения человеческого разума и максимальное время за которое принимается решение. Из предела рациональности следует, что трейдеры, работая на финансовом рынке, вместо принятия абсолютно рациональных решений принимают решения и действуют на основе достаточности и собственной удовлетворенности.
Помимо вышеуказанных когнитивных ограничений, человеческому разуму свойственны конструктивные особенности, негативно влияющие на поведение в условиях неопределенности. В поведенческой экономике данные особенности носят название когнитивные искажения. Примером влияния когнитивных искажений на поведение участников финансового рынка является изменение позиции трейдера в процессе торговли1.
Вначале, трейдер для себя определяет модель поведения и последовательность действий: в целях минимизации потенциальных потерь он будет максимально рано продавать инструмент, который падает в цене, а в целях максимизации прибыли - выжидать дальнейший рост по позиции, растущей в цене. Но, в случае возникновения обратной ситуации на финансовом рынке происходит следующее: во время падения цены, у трейдера возникают сомнения перед продажей падающего в цене финансового инструмента - он не желает признавать ошибочность покупки и ожидает, что вскоре произойдет изменение тренда на противоположный. Чем дольше трейдер сомневается, тем выше становится цена его ошибки. В ситуации, когда выбор позиции оказался удачным для трейдера, он видит рост цены и вместо того, чтобы дождаться наиболее выгодной цены начинает продавать в начале роста, так как потреб-
1 Carver R. Systematic Trading: Уникальный метод проектирования торговых и инвестиционных систем, 2015, с. 552
ность в вознаграждении подталкивает его к преждевременной продаже, что в последствии приводит к меньшей прибыли.
В данной ситуации, применение искусственного интеллекта полностью исключает возможные когнитивные искажения, так как его действия полностью рациональны и основаны на точных вычислениях и заданных алгоритмах. Программы, созданные на базе искусственного интеллекта наиболее эффективны.
В 1943 году Уорреном Маккалоком и Уолтером Питтсом был опубликован научный труд «A Logical Calculus of the Ideas Immanent in Nervous Activity», который положил основу для изучения нейронных сетей. Нейронные сети использовались для изучения функций и способностей головного мозга, но несмотря на это они не являлись его точной моделью.
Учёные в области исследования искусственного интеллекта с помощью нейронных сетей обращают внимание на два аспекта. Во-первых, мозг - это самая развитая интеллектуальная система, поэтому при построении автоматизированной системе, на основе искусственного интеллекта, необходимо воссоздать принципы организации вычислений. Во-вторых, осуществленное в нейронных сетях машинное обучение способствует лучшему пониманию механизмов, которые лежат в основе интеллекта человека.
В 1940-х годах были созданы линейные модели нейронов вида f (x, w) = xlwl +... + xnwn, отображающие набор входных параметров x1, ..., xn на один выходной параметр с помощью весов w1, .., wn.
Подобного рода модели использовались для классификации входных данных, но при этом веса в них настраивались оператором. Несколько лет спустя, американским нейрофизиологом Фрэнком Розенблаттом была разработана схема устройства, моделирующего процесс восприятия человеком, которое получило название «перцептрон». После, появились прецептроны, которые были способны обучаться весам благодаря методам локальной оптимизации.
В 1969 году Сеймур Паперт и Марвин Минский опубликовали книгу с критикой перцептронов, которая получила большое внимание в научных кругах и привело к осознанию ряда ограничений нейросетей. Первая проблема состояла в том, что однослойные нейронные сети не смогли выполнить функцию «исключающее ИЛИ». Вторая проблема заключалась в не достаточной вычислительной мощности компьютеров, которые были не способны эффективно обработать тот объём вычислений, который необходим для больших нейронных сетей.
На самом деле, первая проблема решаема, так как существует возможность обучаемости XOR с помощью повышения размерности линейной модели во внутреннем слое перцептрона. Несмотря на это, обе проблемы описанные Марвином Мин-
ским и Сеймуром Папертом вошли во многие научные труды по машинному обучению1.
В 1975 году был разработан когнитрон, ставший одной из первых, существовавших в то время глубоких нейронных сетей. Структура и методы этой сети, использовались для настройки относительных весов связей и изменялись от одной стратегии к другой. Но и у этой нейронной сети были недостатки. Нейронные сети могли распространять информацию только в одном направлении, до тех пор, пока не активировались все узлы и сеть не приходила в конечное состояние. Достичь взаимной двусторонней передачи данных между нейронами удалось в 1982 году с помощью сети Хоп-филда.
В 1980-х годах получил особую популярность алгоритм параллельной распределённой обработки данных - коннективизм. В 1986 году в научных трудах Руммельхарта и Мак-Клелланда его активно использовали для моделирования нейронных процессов.
Основным принципом коннективизма является предположение о том, что мыслительные явления можно описать сетями из взаимосвязанных примитивных элементов, не обладающих интеллектом, при этом форма связей и элементов способна изменяться от модели к модели. Подобное представление позволяет компактно собирать множество свойств изучаемого объекта с помощью небольшого количества вычислительных единиц.
В 2000-х годах развитие нейронных сетей достигло уровня сопоставимого с мозгом животных. Постепенный переход экономики в цифровую форму способствовал появлению больших объёмов данных, которые используются для обучения систем.
В 2006 году был создан эффективный алгоритм обучения глубоких нейронных систем, с помощью которого перцептроны стали решать ряд прикладных задач значительно лучше своих конкурентов.2
На сегодняшний день, нейронные сети активно применяются на финансовых рынках. Известный американский банк Citibank использует программы, построенные на нейронных сетях для построения прогнозов на финансовых рынках с 1990 года. По данным журнала The Economist, уже через два года автоматический дилинг показал доходность 25% годовых.
Chemical Bank стабильно применяет нейронные сети фирмы Neural Data для обработки транзакций на валютном рынке, контролируя подозрительные операции.
Deerr & Co LBS Capital использует автоматизированные системы с модулем нейронных сетей для ведения портфелей ценных бумаг, при этом, система объединяется с 900 нейросетями.
1 Goodfellow I., Bengio Yo. «Глубокое обучение» (серия адаптивных вычислений и машинного обучения). Кембридж, Массачусетс: MIT Press, 2016, с. 800
2 Hinton G. E., Osindero S., The Y. W. Алгоритм быстрого обучения для глубоких нейронных сетей // Нейронные вычисления. 2006.
>
Н т э я Ы
5
71 >
Н
С1ВС, крупный канадский банк, установил программу КпошЫдеБеекег фирмы Апдоээ, которая позволяет управлять рисками и идентифицировать злоумышленников. Данная программа способна вычислить кто из клиентов банка в будущем будет задерживать выплаты по закладным. На первый взгляд, казалось, что это будут те люди, которые и раньше позволяли себе это. Несмотря на это, исследования показали, что большая вероятность задержки по закладным ожидается от людей, которые регулярно платили, но иногда якобы забывали внести оплату. В последствии, выяснилось, что такая забывчивость была обусловлена серьезными финансовыми трудностями.
Таким образом, переход к цифровой экономике и модернизация методов обучения дали развитие технологии, которая появилась более 60 лет назад.
В настоящее время, более половины инвесторов прислушиваются к советам роботов при вложении средств в финансовые инструменты - это говорит о том, что в перспективе искусственный интеллект станет основным игроком на мировых финансовых рынках.
Основная цель искусственного интеллекта состоит в том, чтобы научить программу с помощью машинного обучения обрабатывать большие массивы данных, обучаться, читать и автоматизировать процессы. Нейронные сети, которые лежат в основе машинного обучения, представляют собой самообучаемую на основе предыдущего опыта систему, построенную на математических моделях, заданных алгоритмов, формул и т.д.
Машинное обучение применяется во многих сферах работы на финансовых рынках: от торговых роботов, подсказывающих при торговле валютной парой, до программного обеспечения, которое помогает инвесторам подобрать нужный инвестиционный портфель и предугадать поведение рынка в целом.
Рассмотрим более подробно нейронные сети. Они состоят из слоев, которые соединены узлами. Отдельные узлы носят название перцептроны и имеют сходство с множественной линейной регрессией. Перцептроны обрабатывают сигнал, произведенный множественной линейной регрессией, в функцию активации, которая может быть, как линейной, так и нелинейной.
Слои существуют трех видов: слои входных данных, выходных сигналов, скрытые. Первый слой принимает паттерны входных данных, второй поддерживает список классификации или сигналы вывода в соответствии с заданными правилами, в то время как скрытые слои регулируют веса входных данных, пока риски ошибки не сводятся к минимуму.
В настоящее время существует много видов нейронных сетей, рассмотрим некоторые из них: ¡| 1. Простейшая нейронная сеть - имеющая Фр один нейрон, преображающий входные сигналы в « выходные.
| 2. Многослойные нейронные сети - способны ^ моделировать функцию любой сложности, при
этом число слоев и элементов в каждом слое определяют сложность функции.
3. Сети Кохонена - это самоорганизующиеся нейронные сети, которые позволяют выявлять группы входных векторов, которые обладают некоторыми общими свойствами. Также, выделяют сети с неупорядоченными нейронами - слои Кохоне-на и сети с упорядочением нейронов - картами Кохонена.
4. Адаптивная нейронная сеть способна одновременно адаптировать и оптимизировать архи -тектуру в процессе обучения. На наш взгляд, данная сеть оптимально подходит для работы на финансовых рынках, так как данная нейронная сеть может подстраиваться под динамику рынка.
5. Нейронная сеть Больцмана - это одна из первых полностью связанных нейронных сетей, которая была способна обучаться внутренним представлениям и решать сложные задачи по комбинаторике.
Далее нейронные сети обучаются с использованием определенных алгоритмов, которые бывают двух видов: обучение с учителем и без него.
При обучении с учителем нейронной сети предъявляется набор обучающих примеров , каждый из которых представляет собой пару: вектор входных значений и желаемый выход сети. Например, для обучения прогнозированию временных рядов это может быть набор нескольких последовательных значений ряда и известное значение в следующий момент времени. В процессе такого обучения весовые коэффициенты подбираются так, чтобы по этим входам давать выходы максимально близкие к правильным.
При осуществлении обучения без учителя, нейронной сети предъявляются некоторые входные векторы и в ходе их обработки в ней происходят некоторые процессы самоорганизации, которые приводят к тому, что сеть становиться способной решать какую-либо задачу. Самообучаемые нейронные сети способны распознавать образы и классификации, прогнозировать курсы валют, котировки акций, группировать данные, решать задачи вычислительной математики и т.д.
Нейронные сети и машинное обучение также активно применяется банками, инвестиционными компаниями, брокерскими компаниями и другими крупными игроками финансового рынка. С помощью создания торговых систем и роботов, основанных на самообучаемых нейронных сетях, инвесторы способны эффективно управлять своими активами, прогнозировать движение финансового рынка и строить реалистичные прогнозы.
Рассмотрим основные моменты создания торгового робота, который будет способен самообучаться с помощью нейронных сетей.
Фундаментом любой торговой системы является совокупность правил, на основании которых роботом будет приниматься решение об открытии или закрытии позиций. Данные правила представляют собой четко сформулированный алгоритм действий:
1. Точка входа на рынок - открытие позиции
2. Точка выхода - закрытие позиции
3. Порядок действий при неблагоприятных стечениях обстоятельств.
Далее, необходимо выбрать рынок, на котором будет осуществляться торговля: фондовый, срочный, валютный, товарный, а также определиться с торговой стратегией: когда торговый робот будет осуществлять вход на рынок, как будет выставлять стоп-ордера, при каких обстоятельствах закрывать позиции.1
После того, как торговый робот составлен его необходимо обучить. Способность к обучению у торговой системы обусловлена наличием модуля нейронных сетей внутри неё.
Как мы видим, для того, чтобы самостоятельно написать торгового робота и обучить его необходимо не только финансовое образование и опыт торговли на финансовом рынке, но и владения языками программирования С/С+, R, или Phyton.
Зарождение искусственного интеллекта началось еще в начале XX века, но только сейчас можно с уверенностью говорить о том, что он получил активное исследование и применение. В повседневной жизни мы постоянно сталкиваемся с программами и продуктами, построенными на базе искусственного интеллекта: поисковые запросы в браузерах, отражают всю необходимую нам информацию, умные гаджеты облегчают нам жизнь, способствуют нашему обучению и развитию, и т.д. Если рассматривать более глобальные масштабы использования искусственного интеллекта, то это: его применение для исследований в различных областях науки, в медицине, сфере транспорта, в финансовой области.
С постепенным переходом к цифровой экономике, в России появилось множество направлений для использования нейронных сетей и искусственного интеллекта. Увеличение объемов информации обусловило развитие такого направления, как Data Mining или, другими словами, интеллектуальный анализ данных. На сегодняшний день, Data Mining активно применяется в научной сфере, различных исследованиях, web-аналитике, а также для решения бизнес-задач. Также, была разработана целая линейка программных продуктов, использующих метод Data Mining, такие как: Business Objects, SAS, SPSS, STATIS^A и др. В данных системах доступны методы визуализации и обработки больших объемов данных, построение моделей для оптимизации логистических процессов компаний с целью оптимального уровня издержек при повышении уровня сервиса для клиентов.2
В России нейронные сети на сегодняшний день активно используются в разных сферах жизни общества. Компания «Яндекс» совместно со «Скол-ково», МФТИ, ВШЭ и американскими университе-
1 Тимофеев А.Г., Лебединская О.Г. Торговые системы и динамические программы-роботы на биржевом рынке // Инициативы XXI века. 2012. № 4. с. 65-68.
2 Тимофеев А.Г., Лебединская О.Г. Оа1ат1тпд и Ыд<^а в бизнес-аналитике цифровой трансформации государственного и корпоративного управления// Управление экономическими системами. 2017. № 9
тами UCI и NYU, участвует в эксперименте CRAYFIS, суть которого заключается в поиске космических частиц сверхвысокой энергии с помощью смартфонов. Данные с камер передаются нейронным сетям, которые способны зафиксировать следы взаимодействующих частиц на снимках.
В российской медицине, нейронные сети использовались для разработки вакцин. Профессор Иннополиса Ярослав Холодов участвовал в разработке компьютерной модели, которая прогнозировала образование белковых связей. Благодаря этому алгоритму, появилась возможность в короткие сроки разработать необходимые вакцины и лекарства. Разработчики из Mail.Ru Group, Insilico Medicine и МФТИ в этой же области использовали генеративные состязательные сети, которые создавали молекулярные структуры для поиска веществ, которые могут быть полезными при различных заболеваниях от онкологии до сердечнососудистых болезней.
В сфере финансового рынка, с помощью искусственного интеллекта мы можем построить прогноз, исследовать исторические и статистические данные, а крупные финансовые институты на его основе строят торговые системы, способные просчитать вероятные события, построить прогнозные модели и даже самостоятельно совершать операции на рынке.
Таким образом, развитие искусственного интеллекта не стоит на месте. Изучение и применение искусственных нейронных сетей охватывает всё большие области науки и сферы жизни общества. Появляются новые более сложные методы исследования , повышается эффективности уже существующих методов. В будущем, можно ожидать, что на смену человеческому труду придут программы и автоматизированные системы, которые благодаря своей рациональности и алгоритмам действий исключат возможность такого фактора как «человеческая ошибка».
Литература
1. Тимофеев А.Г., Лебединская О.Г. Торговые системы и динамические программы-роботы на биржевом рынке // Инициативы XXI века. 2012. № 4. с. 65-6S.
2. Тимофеев А.Г., Лебединская О.Г. Datamining и bigdatа в бизнес-аналитике цифровой трансформации государственного и корпоративного управления// Управление экономическими системами. 2017. № 9
3. Carver R. Systematic Trading: Уникальный метод проектирования торговых и инвестиционных систем, 2015, с. 552
4. Goodfellow I., Bengio Yo. «Глубокое обучение» (серия адаптивных вычислений и машинного обучения). Кембридж, Массачусетс: MIT Press, 2016, с. 800
5. Hinton G.E., Osindero S. Алгоритм быстрого обучения для глубоких нейронных сетей // Нейронные вычисления. 2006.
> H
э я Ы
5
71 >
H
ARTIFICIAL INTELLIGENCE: EVOLUTION, TYPES OF NEURAL NETWORKS, USE IN THE FINANCIAL MARKET
Gyulumyan A.Y.,
Financial university under the Government of the Russian Federation
Nishatov N.P.
Financial university under the Government of the Russian Federation
In the modern world, where information prevails and large data sets, more and more attention is paid to the development of programs and tools for their processing and systematization. The emergence of artificial intelligence in the financial market has solved many problems. Today, artificial are used to analyze historical data, build forecasts that are more accurate, create trading systems that can be an effective substitute for human labor in the future.
Keywords: artificial intelligence, neural networks, financial market.
References
1. Timofeev A.G., Lebedinskaya O.G. Trading systems and dynam-
ic software robots on the stock market // Initiatives of the XXI century. 2012. № 4. p. 65-68.
2. Timofeev A.G., Lebedinskaya O.G. Datamining and bigdata in
business intelligence of digital transformation of state and corporate governance // Economic Systems Management. 2017. № 9
3. Carver R. Systematic Trading: A Unique Method for Designing
Trading and Investment Systems, 2015, p. 552
4. Goodfellow I., Bengio Yo. "Deep Learning" (a series of adaptive
computing and machine learning). Cambridge, Massachusetts: MIT Press, 2016, p. 800
5. Hinton G. E, Osindero S.,. Algorithm of fast learning for deep
neural networks // Neural calculations. 2006
c
e
a c
o
