Обучение нейросети

Обучение 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
методов обработки;

- 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
для долгосрочного вложения);

- остатки средств на корреспондентских счетах банка.
В настоящее время прогноз курсов иностранных валют опреде­ляется экспертизой квалифицированных специалистов в области
обмена валют, которые всегда в дефиците. Исследования показы­вают, что имеется ряд показателей и математических зависимостей,
которые дают возможность прогнозировать курс валют, хотя могут
и не относиться к финансовой области непосредственно. Однако
динамичная природа рынков не позволяет выделить единственный
«точный» показатель, так как условия рынка со временем меняются
и решение задачи возможно при сочетании ряда показателей, т.е.
при переходе к нелинейной многокритериальной модели. Специа­листами лондонского Ситибанка (Citibank NA London) разработаны
коммерческие программы на базе искусственных нейронных сетей
для прогнозирования курса валют.

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: