CC BY
70
УДК 004.032: 681.5
О.В. Чудова, В.В. Славский Нейронные сети с самоорганизацией
на основе конкуренции в экономике, бизнесе и финансах
Анализ публикаций в зарубежной прессе, посвященных решению проблем из области управления экономикой, показывает небывалый взлет интереса к использованию нейронных сетей в экономике, бизнесе и финансах. Поисковая система Altavista.com на сочетание фраз «neural networks» «in economics» выдает 77900 ссылок общего характера. Инициаторами бурного роста применений нейронных сетей, как правило, являются самые крупные и солидные финансовые организации, для которых это не только вопрос престижа - использование самой перспективной и наукоемкой информационной технологии, но и возможность разнообразить свои традиционные возможности в самых различных областях финансовой деятельности. В настоящее время распространение нейросетевых гибридных экспертных систем достигло такого уровня, что по отдельным, самым удачным нейросетевым экспертным системам банки начинают засекречивать информацию и крайне неохотно распространяют получаемые при этом научные результаты.
Популярность нейронных сетей объясняется тем, что они более эффективно решают те задачи, которые всегда вызывали интерес экономистов, но успешное решение которых сдерживалось недостаточно эффективными традиционными методами, использующими линейные статистические модели. Нейронные же сети по своей основе нелинейные, что позволяет учесть не линейные, более глубокие связи между исходными данными и результатами. Многочисленные эксперименты показывают, что адаптивные нейронные сети на коротком промежутке времени всегда лучше предсказывают, чем стандартные «линейные» модели.
Перечислим, следуя [1], основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей:
- прогнозирование временных рядов на основе нейросетевых методов обработки (валютный курс, спрос и котировки акций, фьючерсные контракты и др.);
- страховая деятельность банков;
- прогнозирование банкротств на основе ней-росетевой системы распознавания;
— определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия;
- применение нейронных сетей к задачам биржевой деятельности;
- прогнозирование экономической эффективности финансирования экономических и инновационных проектов;
— предсказание результатов займов;
— прогнозирование остатков средств на корреспондентских счетах банка;
- применение нейронных сетей в задачах маркетинга и розничной торговли.
В России также уже успешно функционирует один из первых мощных нейрокомпьютеров для финансового применения - CNAPS РС/128 на базе четырех нейроБИС фирмы Alaptive Solutions. По данным фирмы «Тора-центр», в число организаций, использующих нейронные сети для решения своих задач, уже вошли Центробанк, МЧС, налоговая инспекция, более 30 банков и более 60 финансовых компаний. Некоторые из них уже опубликовали результаты своей деятельности в области использования нейрокомпьютинга.
Маркетинговый анализ постоянно сталкивается с проблемами поступления и классификации большого объема данных. Поэтому в наши дни возрастает необходимость создания и применения систем, которые способны не только выполнять однажды запрограммированный алгоритм действий над заранее определенными данными, но и анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование.
Также достаточно часто возникает задача анализа данных, которые с трудом можно представить в математической числовой форме. Это случай, когда нужно извлечь данные, принципы отбора которых заданы нечетко: выделить надежных партнеров, выявить основных конкурентов. Обычно в таких случаях применяются методы математической статистики. Однако недостатком подобных методов является потребность большого объема априорных данных, а в выбранном примере может быть ограниченное их количество. При этом статистические методы зачастую
Нейронные сети с самоорганизацией на основе конкуренции.
не могут гарантировать успешный результат. Другим путем решения этой задачи может быть применение нейронных сетей.
Метод анализа с использованием самоорганизующихся карт признаков (СКП) Кохонена [2], являющихся разновидностью неуправляемых нейросетей, позволяет автоматизировать все действия по поиску закономерностей. Он был предложен Тьюво Кохоненом в начале 1980-х гг. и нашел широкое применение в инженерной области (для распознавания речи, в робототехнике и др.).
Технология СКП представляет собой набор аналитических процедур и алгоритмов, позволяющих преобразовать традиционное описание множества объектов, заданных в многомерном (п>3) пространстве признаков плоской базы данных, в двумерную карту, устроенную таким образом, что близким объектам в многомерном пространстве отвечают рядом стоящие точки (их образы) на карте. В результате трудноана-лизируемые в совокупности многомерные объекты получают простой и наглядный вид на двумерной карте, которая сохраняет их основные свойства (топологию и распределение в многомерном пространстве). Применение технологии СКП дает ряд преимуществ: обнаружение групп объектов с одинаковыми характеристиками (далее — кластеров) по их локализованному расположению на специально создаваемой карте кластером, проверка содержательного описания обнаруженных групп по специфическим особенностям, имеющимся на карте признаков, а также на проекциях карты кластеров на каждый признак в отдельности; выявление неявных связей и закономерностей между признаками; проведение оценки объектов в динамике, оценка изменений как в целом по структуре кластеров, так и по отдельности; позиционирование на карту новых объектов для придания им статуса (рейтинга), прогнозирование значений одних признаков объектов через другие; фильтрация объектов за счет поисковых уникальных критериев, формируемых в терминах СКП.
Предположим, что у нас есть информация о нескольких десятках предприятий (их открытая финансовая отчетность) за некоторый период. Построим классификацию этих предприятий. Решение данной задачи предполагает на основании анализа параметров предприятий (далее -объектов) выделение схожих объектов и представление результата в форме, удобной для восприятия. В целях упрощения рассмотрения будем считать, что объекты имеют три признака (на самом деле их может быть любое количество). Предположим, что все эти параметры объектов
представляют собой их координаты в трехмерном пространстве. Например, для промышленного предприятия это могут быть следующие показатели: капитализация, объем реализованной продукции, прибыль. Представим каждый объект в виде точки в этом пространстве (чтобы не было проблем с различным масштабом по осям, пронормируем все эти признаки в интервал [0,1]). В результате проведенной нормировки все точки попадут в куб единичного размера. Отобразим эти точки (см. рис. 1).
(о, 1.0)
О, 1,о)
(О. 1,1)
(1.0,0)
(о, о, О
Рис. 1. Расположение объектов в трехмерном пространстве
Анализ полученного рисунка позволяет увидеть, как расположены объекты в пространстве, причем легко заметить участки, где объекты группируются (сгущения). Распределение объектов таким образом означает, что у них схожи параметры, значит, и сами эти объекты принадлежат одной группе. Преобразим данную систему в простую для восприятия двумерную систему так, чтобы соседние в искомом пространстве объекты оказались рядом. Для этого используем самоорганизующуюся карту Кохонена. В первом приближении ее можно представить в виде гибкой сети (см. рис. 2).
Эластичную сеть карты помещаем в пространство признаков, где уже имеются объекты,
которые необходимо проанализировать. Далее система работает следующим образом: берется один объект (точка в исследуемом пространстве)
иШЯтё?шМштшкЪёауушгетгиЧс^
ле этого данный узел подтягивается к объекту. Затем выбирается другой объект (точка), и процедура повторяется. В результате мы получим карту, расположение узлов которой совпадает с расположением основных скоплений объектов в исходном пространстве. Кроме того, полученная
капта обладает следующим свойством - узлы ее расположились таким ооразом, что ооьектам,
похожим между собой, соответствуют соседние узлы карты (см. рис. 3).
Теперь определяем, какие объекты попали в узлы карты. Это также определяется ближайшим узлом - объект попадает в тот узел, который находится ближе к нему. В результате всех этих операций объекты со схожими параметрами попадут в один узел или в соседние узлы. Таким образом можно считать, что мы смогли решить задачу поиска похожих объектов и их группировки.
Карты Кохонена позволяют также представить полученную информацию в простой и на-
Рис. 3. Вид пространства после наложения карты
глядной форме путем нанесения раскраски. Для этого мы раскрашиваем полученную карту (точнее, ее узлы) цветами, соответствующими интересующим нас признакам объектов. Возвращаясь к примеру с классификацией предприятий, можно раскрасить одним цветом те узлы, куда попало хоть одно из предприятий, несущее убытки. Тогда после нанесения раскраски мы получим зону, которую можно назвать зоной риска, и попадание интересующего нас предприятия в эту зону говорит о его ненадежности.
Литература
1. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности // http://vlasov.iu4. bmstu.ru/primer/finance.htrn
2. Горбунов А. Применение самоорганизующихся карт в бизнесе и финансах // http://www.bizcom.ru/ апа^ув/! 999-04/0 l.html
3. Кутьин В. Искусственный интеллект в маркетинге // http://www.e-xecutive.ru/print/publications/ апа1уя1з/агис1е_1882/
4. Дебок Д., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М., 2001.
5. Нейронные сети: карты Кохонена // Валютный спекулянт. 2000. №9(11).
6. Оссовский С. Нейронные сети для обработки информации. М., 2002.
7. Круглов В.В., Дли М.И., Годунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М., 2001.
