CC BY
56
Internet Application (RIA) на платформе Microsoft Silverlight. Отмечены перспективы использования программы на веб-серверах учебных заведений.
Ключевые слова: интерактивная программа, фотохостинг, Rich Internet Application (RIA), Microsoft Silverlight.
SkrobalaE.V. Interactive application for viewing, saving and editing graphic images
Principle of work of the interactive program for photo hosting and editing images online with using the conception of Rich Internet Application (RIA) on a platform Microsoft Silverlight is described. The prospects of program using on web-servers of educational establishments are noted.
Keywords: interactive program, photo hosting, Rich Internet Application (RIA), Microsoft Silverlight. _
УДК658.012 Асист. О.1. Цмоць;
студ. А. А. Маршук - НУ ""Львiвська полтехтка"
ПРОГНОЗУВАННЯ Ф1НАНСОВОГО СТАНУ ШДПРИСМСТВА ЗА ДОПОМОГОЮ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ
Проаналiзовано переваги використання штучних нейронних мереж для прогно-зування фшансового стану тдприемства. Сформовано основн методи прогнозуван-ня за допомогою штучних нейронних мереж.
Ключов1 слова: прогнозування, фшансовий стан тдприемства, штучна нейрон-на мережа, метод "часових в1кон".
Постановка проблеми. На сьогодш для усшшного функщонування та розвитку тдприемства актуальною проблемою е прогнозування його фшансового стану. Необхщно зазначити, що фшансове прогнозування здшснюеться з певною похибкою. Це пов'язано з тим, що враховуються не вс фактори, як впливають на д1яльшсть тдприемства. Однак можливють помилки не е причиною, щоб не здшснювати прогнозування. Адже за допомогою детальних фь нансових прогноз1в можна представити потенцшт можливосп тдприемства та передбачити напрямки його розвитку. Щоб прогнозування було максимально надшним, потр1бно забезпечити достатньо повну за обсягом, змютом i структурою iнформацiю, високий рiвень достовiрностi ще! шформаци i мож-ливiсть li зiставлення в чаш за кшьюсними та яюсними характеристиками. Прогнозування е надзвичайно важливою частиною дiяльностi будь-якого суб'екта господарювання. Саме на основi прогнозованих, очшуваних значень тих або iнших показниюв приймаються управлiнськi рiшення [6].
Аналiз останшх дослщжень та публжацш. На сьогоднi е багато методик прогнозування фшансового стану тдприемства. Для економiчного прогнозування використовують три взаемодоповнювальш класи методiв прогнозування: екстраполяцп, експертних оцiнок, моделювання [6]. Прогнозування створюе фундаментальну основу шдприемницько!" та управлiнськоi дiяль-ност в будь-якiй сферi, пiд час виконання рiзних, притаманних 1м функцш Прогнозування вiдбуваеться в iнтересах розвитку оргашзацшно-виробничо!" системи в умовах визначеносл, невизначеностi або випадковостi. Прогнозист, внаслщок передпрогнозних дослiджень, повинен структурувати шформацш про об'ект прогнозування, проаналiзувати ii i прийняти рiшення про те, який з
методiв вщповщае конкретним умовам прогнозу. Правильнiсть вихщних те-оретичних передумов i методолопчних основ прогнозу вирiшальним чином впливае на його результати та можливють його практичного використання, що сприяе прийняттю якiсних управлiнських рiшень. Результати прогнозуван-ня включаються в цш оргашзаци, що визначае керiвництво [4, 5].
Зараз найперспектившшим методом прогнозування е використання нейронних мереж. Можна назвати багато переваг нейронних мереж над ш-шими алгоритмами. У разi використання нейронних мереж легко дослщжува-ти залежшсть прогнозовано! величини вщ незалежних змiнних [1-3]. Наприк-лад, е припущення, що стан шдприемства на наступному тижнi якимось чином залежить вiд таких параметрiв: економiчних, соцiально-культурних, по-л^ичних, виробничо-технологiчних, ринкових, конкурентних, мiжнародних. Отже, потрiбно побудувати систему, яка б усе це враховувала i будувала ко-роткотермiновi прогнози. У таюй постановцi завдання застосування бшьшо! частини класичних методiв прогнозування буде просто неможливою [1].
Використовуючи навiть найпростшу нейромережеву архiтектуру (перцептрон з одним прихованим шаром) i базу даних ^з показниками й усь ма параметрами) легко одержати працюючу систему прогнозування. Враху-вання чи не врахування системою зовтштх параметрiв буде визначатися включенням, або виключенням вщповщного входу в нейронну мережу. Ек-сперт може скористатися будь-яким алгоритмом визначення значимост вхщ-них змшних, щоб потiм виключити з розгляду параметри, що мають незнач-ний вплив [2].
Ще одна серйозна перевага нейронних мереж полягае в тому, що ек-сперт не е заручником вибору математично! моделi поведшки часового ряду. Побудова нейромережево! моделi вiдбуваеться адаптивно шд час навчання, без участi експерта. При цьому нейронна мережа використовуе приклади з бази даних i вона сама налаштовуеться пiд щ данi [3].
Недолiком нейронних мереж е !хня недетермiнованiсть. Маеться на увазi те, що пiсля навчання створюеться "чорний ящик", який працюе певним чином, але логiка прийняття розв,язкiв нейромережею зовсiм схована вщ експерта. У принципi, юнують алгоритми "витягання знань iз нейронно! мере-жi", якi формалiзують навчену нейронну мережу до списку лопчних правил, цим самим створюючи на основi мережi експертну систему. На жаль, щ алгоритми не вбудовуються в нейромережевi пакети, до того ж набори правил, яю генеруються такими алгоритмами, досить об'емш. Проте для експер^в, якi знають нюанси налаштування, навчання й застосування нейромереж у практичних завданнях, непрозорють нейронних мереж не е настшьки серйоз-ним недолiком [1].
Отже, порiвняно з iншими методами та алгоритмами прогнозування фшансового стану шдприемства, використання нейронних мереж надае таю переваги: легюсть дослщження залежностi прогнозовано! величини вiд незалежних змшних; незалежшсть нейромережево! моделi вiд математично! мо-делi поведiнки часового ряду; можливють визначення значимост вхiдних змшних. Таю переваги значно зменшують значення такого недолжу, як неде-термшовашсть моделi нейромереж.
Мета дослщження. Огляд та анашз методiв для прогнозування фшан-сового стану шдприемства за допомогою штучних нейронних мереж. Адек-ватнiсть прогнозування фiнансового стану залежить вiд процедури та лопки побудови прогнозовано! моделi, що зумовлюе необхщшсть визначення посль довностi процедур та основних еташв прогнозування. Задача прогнозування не е тривiальною та залежить вщ особливостей динамiчноl системи, i на цей час нейромережi е найкращим методом для И виршення.
Виклад основного матерiалу. Шд прогнозуванням фiнансового стану розумiють передбачення обсягу та розмщення фiнансових ресурЫв шд-приемства на певний термш наперед, шляхом вивчення динамiки розвитку шдприемства як суб'екта господарсько! дiяльностi, на фонi реалiй економiч-ного життя суспшьства та держави. З погляду побудови тактики дiяльностi шдприемства, прогнозування е "вщправним пунктом", з якого розпочи-наеться процес взаемоди всiх пiдроздiлiв пiдприемства, та саме на основi роз-роблено! тактики вщбуваеться !х спiвпраця. Пiд час прогнозування розгляда-ють всi можливi варiанти подальшого розвитку дiяльностi шдприемства на основi прийняття того чи шшого напряму роботи. У процес прогнозування, найважливiшими елементами е: прибутковють, наявнiсть власних фiнансових ресурсiв, рацюнальне розмiщення основних i оборотних кош^в, платоспро-можнiсть, лiквiднiсть. Завдяки прогнозуванню цих показниюв досягаеться стабiльнiсть у дiяльностi пiдприемства [6].
Будь-яке прогнозування посилаеться на формалiзоване уявлення про юнуючий зв'язок мiж причинами i наслiдком. Багато процесiв формуються шд впливом велико! кiлькостi факторiв, що дiють у рiзних напрямках i нерщ-ко невiдомих. 1нформащею для вивчення взаемозв,язкiв слугують часовi ряди показникiв, що характеризують розвиток об'ек^в [7].
При визначенш того, що потрiбно прогнозувати, необхщно вказувати змiннi, якi аналiзуються i передбачаються. У такiй ситуаци важливим е визначення рiвня деталiзацil, на який впливае безлiч чинниюв: доступнiсть i точ-нiсть даних, вартють аналiзу та вимоги користувачiв до результатiв прогнозування. Якщо найкращий набiр змiнних не вщомий, можна спробувати рiзнi альтернативи i вибрати один iз варiантiв, що дае найкращий результат.
Шд час нейромережевого прогнозування необхщно визначити пара-метри прогнозування: перюд, горизонт та штервал. Перiод прогнозування -це основна одиниця часу, на яку робиться прогноз. Горизонт прогнозування -це число перiодiв у майбутньому, яю покривае прогноз [1]. Наприклад, може знадобитися прогноз на 10 дшв вперед, з даними на кожен день. У цьому ви-падку перюд - доба, а горизонт - 10 дiб. Нарешт^ штервал прогнозування -частота, з якою робиться новий прогноз. Часто штервал прогнозування збь гаеться з перюдом прогнозування. Вибiр перюду i горизонту прогнозування зазвичай диктуеться умовами ухвалення ршень у галуз^ для яко! проводиться прогноз. Вибiр цих двох параметрiв е найважчим моментом у нейромере-жевому прогнозуванш. Для того, щоб прогнозування мало сенс, горизонт прогнозування повинен бути не менший, шж час, необхщний для реалiзацil рiшення, прийнятого на основi прогнозу.
У деяких випадках не так важливий прогноз конкретних значень прог-нозовано! змiнноl, як прогноз значних змш в И поведшщ. Таке завдання ви-
никае, наприклад, при прогнозi моменту, коли поточний напрям руху ринку (тренд) змшить свш напрям на протилежний. На прогнозовану систему впли-вають точшсть прогнозу та навчальна вибiрка.
Загальний алгоритм прогнозування за допомогою нейронно! мережi складаеться з таких кроюв: отримання тимчасового ряду з штервалом у виб-рану тимчасову ггеращю; заповнення мпропускiвм в юторп; згладжування ряду методом ковзних середшх (або шшим); отримання ряду вщносно! змiни прогнозовано! величини; формування таблиц мвiконм з глибиною занурення тимчасових iнтервалiв; додавання до таблицi додаткових даних (наприклад, змша величини за попередш роки); масштабування; визначення навчально! та тестово! вибiрок; пiдбiр параметрiв нейромережi; навчання нейронно! мере-жц перевiрка працездатностi нейромережi в реальних умовах.
Данi про поведiнку об'екта, ознаки якого пов,язанi з часом, представ-ленi як результати спостережень за рiвномiрнi промiжки часу. Для моменпв часу ¿=1, 2,..., п данi спостережень набувають вигляду часового ряду х(^), х(£2),..., х(1п). 1нформащя про значення часового ряду до моменту п дае змогу давати ощнки параметрiв х^п+1), х(?п+2),..., х(1п+т). Для здiйснення прогнозування елеменпв часових рядiв широко використовують так званий метод "ча-сових вшон" [1].
Залежно вiд кiлькостi ознак, що представляють значення рядiв тд час формування множин даних, можна виокремити однокрокове та багатокроко-ве прогнозування.
Задача однокрокового прогнозування зводиться до задачi вщображен-ня, коли один вхщний вектор вiдображаеться у вихщний.
Начальна Канпрапьна
п шк ш множила
ь НМ Ерешп напапи НМ {решит ФУНКЦИИ уБШНЯ 0 Результат {ЩЩРОКОЕОГО пролезу
Р ь г
г -г
г -►
Рис. 1. По^довшсть використання нейромереж для задач передбачення
У випадку однопараметрично! задачi передбачення навчальна множи-на до моменту п, за умови т=3,^=1, s=1, матиме вигляд, наведений в таблищ.
Табл. Навчальна множина для одштараметричнсн задачi передбачення
Входи Вихвд
х(^) х^2) х(/з) х(и)
х(/2) х(/з) х(^)
х^п-з) х(^и-2) х^п-1) х(п
У режимi навчання встановлюються коефщенти ваг зв,язкiв, шсля чого стае можливим перехiд до режиму функщонування. Для передбачення на входи нейронно! мережi надходять значення останньо! реал1заци навчально! мно-
жини Х/и-2), х(^-1), х(^). На виходi формуеться прогнозована величина х(^+1). Для багатопараметрично! задачi передбачення на входи навчено! нейромережi подаються вектори х(^-2), у(^-2), z(tn-2), х(^-1), Х^-1), z(tn-1), х(^), Х^), z(tn). На виходи нейронно! мереж надходять передбаченi величини x*(tn+1), y*(tn+1), z*(tn+1), якi вiдкладаються у вихщний вектор передбачених даних.
Показаний режим е однокроковим, який працюе у режимi вщображен-ня (реальний вхiд - прогнозований вихiд). Передбачення застосовують також для моделювання дискретних послщовностей, що не пов'язаш з часом. Вра-ховуючи специфiку часових рядiв, такий тип прогнозу не завжди е доцшь-ним, але для певних випадкiв короткотермiнових прогнозiв ним можливо скористатись.
Багатокрокове прогнозування застосовують лише для явищ, ознаки яких представлен у виглядi часових рядiв. Для однопараметрично! задачi прогнозування навчальна множина матиме вигляд, наведений в табл. Пщ час навчання мережа налаштовуе коефщенти ваг зв,язкiв i полiномiв передатних функцiй, якi надалi i визначають режим функцiонування. Багатокрокове прогнозування часового ряду здшснюеться таким чином (рис. 2). На входи нейромережi подаеться вектор вщомих значень х(^-2), x(tn-1), x(tn). На виходi формуеться прогнозована величина х-(^+1), яка визначае вектор прогнозова-них виходiв i одночасно долучаеться до значень навчально! множини, тобто приймаеться як достовiрна. Далi на входи подаеться вектор х(^-1), х(^), x*(tn+1), а на виходi отримуеться x(tn+2) i наступш прогнозованi значення.
Рис. 2. По^довтсть використання НМ для задач багатокрокового
прогнозування
Для багатопараметрично! задачi прогнозування на входи навчено! нейромережi подаються вектори х(^-2), y(tn-2), z(tn-2), х(^-1), y(tn-1), z(tn-1), x(tn), y(tn), z(tn). На виходi продукуються величини х*(^+1), y*(tn+1), z*(tn+1), якi формують вектор вихiдних значень i послiдовно долучаються до значень навчально! множини. При зсувi вiкна на крок прогнозу вихщш данi, що були спродуковаш мережею, сприймаються як реальнi та беруть участь у прогнозу-ванш наступного значення виходу, тобто на входи подаемо вектор х(^-1), у(^-1), z(tn-1), x(tn-1), y(tn-1), z(tn-1), x(tn), y(tn), z(tn), х*(^+1), y*(tn+1), z*(tn+l), а на виходi отримуемо х*(^+2), y*(tn+2), z*(tn+2) i наступш прогнозоваш значення.
Багатокрокове прогнозування дае змогу робити коротко- та середньо-термiновi прогнози, оскшьки iстотний вплив на точнiсть мае нагромадження похибки на кожному крощ прогнозування. У разi застосування довготермшо-
вого багатокрокового прогнозування спостер^аеться характерне для багатьох прогнозуючих систем поступове затухання процесу, фазовi зсуви й iншi спот-ворення картини прогнозу. Такий тип прогнозування шдходить для часових рядiв, якi пiдпадають пiд означення стацюнарного процесу з невеликою ви-падковою складовою. Висновки:
1. Фшансове прогнозування використовуеться для планування фшансового стану тдприемства та розробки майбутньо! стратеги суб'екта господа-рювання.
2. На цей час найперспективтшим методом фшансового прогнозування е використання штучних нейронних мереж, як мають низку переваг над шшими методами, серед яких найголовтшою е можливють дослщження залежност прогнозовано! величини вщ незалежних змшних.
3. Яюсть нейромережевого прогнозування залежить вщ кшькосп ознак, як представляють значення ряд1в тд час формування множин даних (од-нокрокове та багатокрокове прогнозування), перюду, горизонту та 1нтер-валу прогнозування.
Л1тература
1. Хайкин Саймон. Нейронные сети / Саймон Хайкин. - М. : Изд. дом. "Вильямс", 2006. - 1103 с.
2. Уоссермен Ф. Нейрокомпьютерна техшка / Ф. Уоссермен. - К. : Вид-во "Свгг", 1992.
- 204 с.
3. Круглов В.В. Искусственные нейронные сети: теория и практика / В.В. Круглов, В.В. Борисов. - М. : Изд-во "Горячая линия - Телеком", 2001. - 382 с.
4. Рабочая книга по прогнозированию / отв. ред. И.В. Бестужев-Лада. - М. : Изд-во "Мысль", 1982. - 272 с.
5. Грешилов А.А. Математические методы построения прогнозов / А.А. Грешилов, В. А. Стакун, А. А. Стакун. - М. : Изд. дом. "Радио и связь", 1997. - 112 с.
6. Геець В.П. Модел1 й методи сощально-економ1чного прогнозування : тдручник / В.П. Геець, Т.С. Клебанова, В.В. 1ванов та ш. - Харюв : Вид-во ХДЕУ, 2003. - 422 с.
7. Баласанов Ю.Г. Экспериментальные временные ряды: интерактивный статистический анализ / Ю.Г. Баласанов, А.Н. Дойников, М.Ф. Королева. - М. : Изд. дом. "Диалог", 1991.
- 316 с.
Цмоць О.И., Маршук А.А. Прогнозирование финансового состояния предприятия с помощью искусственных нейронных сетей
Проанализированы преимущества использования искусственных нейронных сетей для прогнозирования финансового состояния предприятия. Сформулированы основные методы прогнозирования с помощью искусственных нейронных сетей.
Ключевые слова: прогнозирование, финансовое состояние предприятия, искусственная нейронная сеть, метод "временных окон".
Tsmots O.I., Marshuk A.A. Prognostication of the financial state of enterprise for help of artificial neuron networks
Advantages of the use of artificial neuron networks are analysed from celite prognostication of the financial state of enterprise. The basic methods of prognostication are formed by means of artificial neuron networks.
Keywords: prognostication, financial state of enterprise, artificial neuron network, method of "sentinel windows".
