|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Обучение нейросетиОбучение нейросетей — процесс простой, но длительный и требующий мониторинга. Для ускорения обучения обычно используют нейроплаты — нейроускорители, генетические, модифицированные алгоритмы обучения, как, например, пакетная обработка и пр. На последних этапах проводят тестирование нейросети и ее запуск для получения прогнозов и оценки результатов. Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства тестирования. В сеть вводится сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети. Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи. Если результаты тестирования не удовлетворяют, то просматривается набор входных данных, изменяют некоторые учебные программы или перестраивают сеть. Выходные данные могут быть представлены как числовыми данными, так и текстовыми, преобразованными в уникальный набор чисел в зависимости от класса выполняемой задачи. Различают два типа выходных сигналов. 1. Дискретные. Такие выходные сигналы используются для решения задач распознавания и классификации как имеющихся объектов, так и вновь вводимых, ранее неизвестных. Данные для обучения и классы классифицируемых объектов могут быть самой разной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, в самой неявной и неформализуемой форме. Примером выходных классификаций может быть обычная гистограмма определения состоятельности предприятия. 2. Непрерывные выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения, и для построения прогнозов и функциональных зависимостей для различной информации сразу по нескольким переменным (критериям оценки). Главная ценность нейронных технологий состоит в том, что они позволяют прогнозировать будущее. Но качество прогнозов определяется прежде всего уровнем профессионализма пользователя. Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей: - прогнозирование временных рядов на основе нейросетевых - страховая деятельность банков; - прогнозирование банкротств на основе нейросетевой системы распознавания; - определение курсов облигаций и акций предприятий с целью инвестирования; - применение нейронных сетей к задачам биржевой деятельности; - прогнозирование экономической эффективности финансирования инновационных проектов; - предсказание результатов займов; - оценка платежеспособности клиентов; - оценка недвижимости; - составление рейтинга; - общие приложения нейронных сетей и пр. На основе нейросетевых методов обработки можно прогнозировать: - кросс-курс валют; - котировки и спрос на акции для биржевых спекуляций (не - остатки средств на корреспондентских счетах банка. Страховая деятельность банков заключается в оценке риска страхования инвестиций на основе анализа надежности проекта и риска страхования вложенных средств. Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности (множество оценок — да, нет). Прогнозирование банкротства на основе нейросетевой системы распознавания включает: - анализ надежности фирмы — возможности ее банкротства — с помощью нейросетевой системы распознавания и выдачу результата в дискретном виде (да, нет); - анализ вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели. Фактическое банкротство может наступить задолго до того, как бедственная ситуация станет очевидной. Сегодня распространена экономическая теория антикризисного управления, согласно которой необходимо быстро диагностировать возможность банкротства. Предсказание банкротства лучше делать не на основе формальных математических выражений, а с учетом предыдущего опыта и статистики. Здесь НС могут оказать поистине неоценимую услугу, распознав признаки надвигающегося банкротства. Анализ банкротства, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные по обанкротившимся фирмам могут быть получены из финансовых бюллетеней, вышедших перед тем, как фирмы объявили себя банкротами. Определение курсов облигаций и акций предприятий включает: - выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели; - предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов; - распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания; - определение соотношения котировок и спроса. Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени. Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.004 сек.) |