Научная статья на тему 'Машинное обучение в экономике'

Машинное обучение в экономике Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
2219
356
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
машинное обучение / нейронная сеть / колебания рынка / machine learning / neural network / market fluctuations

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Лобин Михаил Александрович, Филиппова Ирина Александровна

Рассматривается применимость машинного обучения для предсказания колебаний рынка на примере курса нефти Brent. Для проверки был реализован алгоритм машинного обучения на основе рекуррентной нейронной сети. Анализируются факторы, снижающие ценность нейронных сетей в области анализа курсов валют, ценных бумаг и опционов. Предложены пути дальнейшего развития направления.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Лобин Михаил Александрович, Филиппова Ирина Александровна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Machine learning in economics

The article investigates the possibility ofmachine learning application for predicting market fluctuations such as fluctuations in crude oil prices. We attempted to predict the fluctuations using a machine learning algorithm based on a recurrent neural network. Factors hindering the use of neural networks for predicting market fluctuations are addressed and suggestions for further research are made.

Текст научной работы на тему «Машинное обучение в экономике»

УДК 336.761.6

М. А. ЛОБИН, И. А. ФИЛИППОВА МАШИННОЕ ОБУЧЕНИЕ В ЭКОНОМИКЕ

Рассматривается применимость машинного обучения для предсказания колебаний рынка на примере курса нефти Brent. Для проверки был реализован алгоритм машинного обучения на основе рекуррентной нейронной сети. Анализируются факторы, снижающие ценность нейронных сетей в области анализа курсов валют, ценных бумаг и опционов. Предложены пути дальнейшего развития направления.

Ключевые слова: машинное обучение, нейронная сеть, колебания рынка.

В современном обществе всё большее значение приобретают информационные технологии. Многие ресурсы, в том числе и биржи, переходят в формат информационного общества, всё больше возлагая задач и проблем на программные средства и методы взаимодействия в экономике [1]. Так, значительную роль в краткосрочной биржевой торговле начинает играть скорость интернета, передающего сигналы от трейдера до биржи, а компьютерные программы для быстрой продажи или покупки выгодных предложений зачастую справляются в сверхкороткой перспективе лучше человека, позволяя ему только задавать цель для покупки, и не пытаться соревноваться в скорости реакции с компьютером.

Самоочевидно, что основной задачей игрока на бирже, стремящегося получить прибыль, является предсказание будущего курса той или иной ценной бумаги в сколько-то отдалённой перспективе с учётом действий самого игрока и обстоятельств окружающего мира. С учётом развития современных информационных технологий в области работы с большими данными, в частности, машинного обучения BigData и DataScience, представляется интересным рассмотреть перспективность машинного обучения как метода предсказания событий рынка и оценить основные слабые и сильные места этого метода с целью возможной комбинации машинного обучения и других методов анализа, в том числе чисто математических, для получения более точного результата [3].

Целью данной работы является исследование возможностей машинного обучения (на примере рекуррентной нейронной сети) по предсказанию курса нефти Brent по информации онлайн-сервиса ProFinance.

© Лобин М. А., Филиппова И. А., 2019

Актуальность этой темы обусловлена растущей областью применимости технологий анализа данных и одновременно всевозрастающими темпами биржевых торгов, что приводит к растущей важности и ценности быстрого анализа рынка в сверхкороткой и короткой перспективе, а также точной оценки рынка в дальней перспективе и сопоставление оценок с оценками аналитиков [4].

Технологии искусственного интеллекта и машинного обучения достаточно активно применяются в бизнесе и зачастую приносят большую прибыль — в числе применений можно выделить несколько категорий [2].

Важным применением следует назвать маркетинг — значительная часть маркетинга основывается на так называемом «портрете потребителя», включающем в себя огромные массивы данных о различных параметрах, предпочтениях и представлениях целевой аудитории того или иного продукта [2]. Машинное обучение, при его способности превращать огромные массивы данных произвольного формата в чёткий численный анализ заданных параметров потребителя (начиная от склонности купить тот или иной продукт и заканчивая средним показателем конверсии пользователей той или иной группы, посмотревших рекламный ролик) в покупателей, становится идеальным инструментом для подобного анализа, и, таким образом, экономит огромное количество человеко-часов работы аналитиков, позволяя проводить близкие к реалистичным проверки той или иной маркетинговой стратегии без вывода продукта, проведения маркетинговой кампании и тому подобных затратных действий, ограничиваясь лишь опросом тар-гет-группы, впрочем, включающей в себя значительно большее количество людей, чем без использования технологий машинного обучения.

Другим применением маркетингового характера, обязанного своим появлением машинному обучению, следует назвать персонализированные предложения. До появления этой технологии любые попытки завлечь клиента предложением, интересным лично для него — нужным пакетом услуг, сервисом и предложением интересных именно ему товаров, упирались в проблему того, что для каждого предложения требовались значительные усилия, как по анализу данных, так и по их получению. С появлением же машинного обучения каждое действие пользователя на сайте или в поисковом аппарате можно записать и передать для анализа сервису машинного обучения, чтобы тот оценил, например, насколько интересен был пользователю тот или иной товар, по времени его нахождения на странице товара, или какие товары ему интересны, по его запросам в поисковой строке [2].

Менее затратным по ресурсам для машинного обучения однако гораздо более очевидным применением являются чат-боты, или машинное общение с клиентом. Так, чат-бот может ответить на самые распространённые вопросы, принять заказ или сообщить пользователю, когда случится какое-то важное событие. Это позволяет экономить на работе «живых» операторов, что в определённых случаях может значительно упростить и удешевить взаимодействие с клиентом, в то же время незначительно понижая качество [2].

Другим возможным применением технологий машинного обучения можно назвать анализ логистических данных крупных корпораций для улучшения показателей логистики [2]. Так, недавняя информация показывает, что корпорация Amazon широко использует машинное обучение для анализа показателей эффективности складских сотрудников, вырабатывая соответственно их эффективности требования по скорости и качеству укладки, создавая для них верхний и нижний перцентили качества работы и позволяя легко и беспристрастно контролировать качество работы сотрудника, и варьируя, соответственно этому качеству, его заработную плату, а также оценивая целесообразность продолжения с ним трудовых отношений.

Корпорация Amazon не единственная, кто занимается подобными действиям, а поскольку логистическая информация крайне легка в накоплении и обычно представляет собой цифровые данные — скорость прохождения маршрута, процесс боя, стоимость транспортировки, то и анализ машинного толка для подобных данных проводится значительно легче. Он позволяет проигрывать различные сценарии без реальных

действий и сбора и анализа реальных данных, значительно сокращая затраты на тестирование и моделирование бизнес-ситуаций.

Аналогично анализ данных весьма значительно сокращает затраты в области рекрутинга и управления персоналом. Анализ хотя бы базовых показателей каждого поступившего резюме уже значительно упрощает работу ИИ, в то время как хорошо обученный механизм машинного обучения может делать значительно больше. Об оценке порядка процентной вероятности того, что тот или иной работник приживётся в коллективе, пока речи не идёт, так как для получения такой информации требуется огромное количество данных для анализа как о самом работнике, так и о коллективе, и к тому же эти данные трудно перевести в численный вид, понятный компьютеру [2]. Однако провести базовую фильтрацию или даже вывести сначала резюме, более подходящие, по мнению компьютера, на выбранную вакансию, технологии машинного обучения на сегодняшний день вполне позволяют.

Более того, активно ведётся работа по разработке автоматизированного ИИ, применяемого для тех вакансий, где личные характеристики кандидата не столь важны, например, работы грузчиков, операторов колл-центра или продавцов в магазинах. Согласно плану разработки, робот-рекрутер сможет собирать резюме на необходимую вакансию, отбирать наиболее подходящие из них, производить автоматический об-звон и набирать работников. Разумеется, минимальное количество ручного контроля также необходимо, для отслеживания уровня обмана среди кандидатов, а также контроля за возможными ошибками при выборе кандидатов, вызванными как неверно заполненным резюме, так и внутренними ошибками робота-рекрутера.

Наконец, важная область применения машинного обучения в бизнесе — оптимизация производства. Большая часть производств, особенно производства полного цикла, значительно нуждаются в анализе данных касательно сырья, из которого производятся товары, и результирующих товаров. Так, оценка среднего отклонения параметров заготовки от чертежа и, соответственно, параметров, которые в наибольшей мере влияют на это отклонение, может привести к экономии ресурсов, которая, хотя и незначительна в относительных цифрах, в то же время в масштабах производства может привести к экономии в миллионы рублей [2].

Однако все приведённые методы применения машинного обучения в бизнесе имеют отношение скорее к работе с крупным бизнесом и его потребностями, нежели с рынком ценных бумаг

напрямую и, соответственно, с предсказаниями его колебаний. Логичным кажется предположение, что подобные действия либо не оправдывают ожиданий, либо же никем не проводились. Примем гипотезу о том, что машинное обучение для анализа курсов валют, ценных бумаг и тому подобных данных не оправдывает ожиданий, за рабочую.

Для проверки данной гипотезы был реализован алгоритм машинного обучения на основе рекуррентной нейронной сети для анализа последовательностей данных произвольной длины, на выходе которого получается число в диапазоне от -1 до 1, обозначающее вероятное направление дальнейшего движения линии тренда, где —1 обозначает полную уверенность в движении вниз, а 1 — полную уверенность в движении вверх. Такой алгоритм наилучшим образом подходит для анализа последовательностей данных большого размера, к которым и относятся данные о колебаниях цен за определённый период времени.

В качестве тренировочных данных был выбран курс нефти Brent в период с 01/01/2014 по 01/01/2019, при этом для обучения использовалось 90% данных, а остальные 10% были разбиты на небольшие подпоследовательности, на основании которых нейронная сеть должна была сделать валидацию получаемых результатов.

В результате обучения и проверки нейронной сети на обучающей выборке алгоритм машинного обучения показал точность порядка 72%, а на валидационной выборке точность упала до 56%, что, по сути, с хорошей точностью соответствует случайному распределению, и сводит результат обучения нейронной сети к простому угадыванию.

Из результатов работы можно сделать вывод, что нейронные сети с трудом способны анализировать данные курсов валют, ценных бумаг и опционов, поскольку, с одной стороны, эти курсы слабо автокоррелированы, из-за чего для обучения требуется огромное количество данных, и выборка за четыре года оказывается для этого недостаточной, и, с другой стороны, огромное влияние на курс оказывается внешними факторами, которые никак не включены в данные, рассматриваемые нейронной сетью, и более того, принципиально невключаемы туда. Гипотезу о том, что машинное обучение не используется из-за практической неприменимости и низкой точности оценки, а также больших затрат машинного ресурса и огромного объёма необходимых данных следует считать подтверждённой, альтернативную гипотезу о том, что подобные методики не использовались в принци-

пе, считать неподтверждённой и косвенно опровергнутой.

В качестве дальнейшего направления развития следует рассмотреть возможность одновременного рассмотрения нескольких курсов, поскольку, с одной стороны, корреляция между несколькими курсами схожей тематики и просто связанных бумаг значительно сильнее автокорреляции одного курса, и, с другой стороны, это позволяет оценить некоторые внешние влияния по косвенным признакам, так как они с определённой вероятностью произведут свой эффект на другие курсы раньше, и эти данные можно будет использовать для обучения нейронной сети.

СПИСОК ЛИТЕРАТУРЫ

1. Новицкий П. А. Интернет-трейдинг: возможности и риски // Вестник ГУУ. - 2013. - №9.

- С. 177-181. URL: https://cyberleninka.ru/article/ n/internet-treyding-vozmozhnosti-i-riski (дата обращения: 20.05.2019).

2. Кораблев А. Ю., Булатов Р. Б. Машинное обучение в бизнесе // АНИ: экономика и управление. - 2018. - №2(23). - С. 68-72. URL: https:// cyberleninka.ru/article/n/mashinnoe-obuchenie-v-biznese (дата обращения: 20.05.2019).

3. Соколов И. А, Дрожжинов В. И., Райков А. Н., Куприяновский В. П., Намиот Д. Е., Сухомлин В. А. Искусственный интеллект как стратегический инструмент экономического развития страны и совершенствования её государственного управления. Часть 1. Опыт Великобритании и США // International Journal of Open Information Technologies. 2017. №9. C. 57-73. URL: https://cyberleninka.ru/article/n/ iskusstvennyy-intellekt-kak-strategicheskiy-instrument-ekonomicheskogo-razvitiya-strany-i-sovershenstvovaniya-ee-gosudarstvennogo (дата обращения: 20.05.2019).

4. Цветкова Л. А. Технологии искусственного интеллекта как фактор цифровизации экономики России и мира // Экономика науки. — 2017.

- №2. - С. 126-144. URL: https://cyberleninka.ru/ article/n/tehnologii-iskusstvennogo-intellekta-kak-faktor-tsifrovizatsii-ekonomiki-rossii-i-mira (дата обращения: 20.05.2019).

5. http://www.profinance.ru/chart/BRENT/ (дата обращения: 20.05.2019).

REFERENCES

1. Novitskiy P. A. Internet-trading: vozmozhnjsti i riski [Internet-trading: opportunities and risks] Vestnik GUU [GUU herald] 2013, №9, pp. 177-181. URL: https://cyberleninka.ru/article/ n/internet-treyding-vozmozhnosti-i-riski (accessed: 20.05.2019).

2. Korablev A. Yu., Bulatov R. B. Mashinnoye obutcheniye v biznese [Machine learning in busi-ness]ANI: ekonomikaiupravleniye [Economics and management] 2018, №2 (23), pp. 68-72. URL: https://cyberleninka.ru/article/n7mashinnoe-obuchenie-v-biznese (accessed: 20.05.2019).

3. Sokolov I. A., Drozhzhinov V. I., Raikov A. N., Kupriyanovskiy V. P., Hamiot D. E. Iskusstvenniy intellect kak strategitcheskiy element ekonomitcheskogo razvitiya strany i sovershewnstvovaniya eye gosudarstvennogo upravleniya. Tchast 1. Opyt Velikobritaniyi I SShA [Artificial intelligence as a strategic element of economic development of the country and perfecting its state management. Part 1. The experience of Great Britain and the USA]// International Journal of Open Information Technologies. 2017, №9, pp. 57-73. URL: https://cyberleninka.ru/article/n/ iskusstvennyy-intellekt-kak-strategicheskiy-instrument-ekonomicheskogo-razvitiya-strany-i-sovershenstvovaniya-ee-gosudarstvennogo (accessed: 20.05.2019).

4. Tsvetkova L. A. Tekhnologii iskustvennogo intellekta kak factor tsifrovizatsii economik Rossiyi i mira [Technologies of artificial intelligenceas a factor of digitalasation of Russian and world economy] Ekonomika nauki [The economy of science] 2017, №2, pp. 126-144. URL: https://cyberleninka.ru/article/n/tehnologii-iskusstvennogo-intellekta-kak-faktor-tsifrovizatsii-ekonomiki-rossii-i-mira (accessed: 20.05.2019).

5. http://www.profinance.ru/chart/BRENT/ (accessed: 20.05.2019).

Лобин Михаил Александрович, студент гр. ИСТбд-22 факультета информационных систем и технологий.

Филиппова Ирина Александровна, кандидат экономических наук, доцент кафедры экономической теории.

Поступила 27.06.2019 г.

УДК 339.138

M. М. САБУРОВА, В. М. КОНЧЕНКОВ

ВОЗДЕЙСТВИЕ ЦВЕТОВЫХ ВИЗУАЛИЗАЦИЙ ИА ПОКУПАТЕЛЬСКОЕ РЕШЕНИЕ ПРИ ПРОДВИЖЕНИИ ТОВАРОВ И УСЛУГ В СЕТИ ИНТЕРНЕТ

Развитие прогрессивных технологий в сети интернет даёт толчок развитию экономических, психологических и маркетинговых наук. В данной статье рассмотрено объединение таких понятий, как личность и визуальные составляющие интернет-контента. Обозначена связь между цветами и типами личности человека и их связи с покупательской активностью. Приведены практические примеры, которые будут полезны специалистам в области маркетинга и рекламы, занимающимся продвижением в сети интернет.

Ключевые слова: мотивация, типы личности, психология восприятия, маркетинг, психология цвета.

Исторически цвет придавал определённое значение любому объекту и субъекту, оказывал влияние на восприятие человеком действительности, его мышление и на поступки. Многие полагают, что цвет - это определённый выбор потребителя, который не имеет под собой никакой психологической подоплёки. На самом деле существует большое количество книг о цвете и психологических особенностях цветовосприятия.

© Сабурова M. М., Конченков В. М., 2019

Разные люди, сообщества и даже народности имеют свои определённые ассоциации с различными цветами в силу природных, социальных и ряда других факторов.

До появления в свет теории архетипов К. Г. Юнга, генетики Г. И. Менделя новорожденных дети воспринимались как белый лист, поскольку, считалось, что единственный фактор, который способствует развитию человека как личности — это социум. Г. И. Мендель доказал, что на человека влияют как внешние (фенотипы), так и внутренние факторы (генотипы). В своих

i Надоели баннеры? Вы всегда можете отключить рекламу.