ПРИМЕНЕНИЕ  ИСКУСТВЕННЫХ  НЕЙРОННЫХ  СЕТЕЙ  В  ФИНАНСОВОЙ  СФЕРЕ

Сафоненков  Андрей  Александрович

студент  2  курса  магистратуры,  кафедра  ЭМС  «НИУ  «МЭИ»,  РФ,  г.  Смоленск

Е-mail:  andrey.safonenkov@mail.ru

Максимкин  Виктор  Леонидович

научный  руководитель,  канд.  техн.  наук,  доцент  «НИУ  «МЭИ»,  РФ,  г.  Смоленск

В  качестве  примера  успешного  использование  аппарата  нейронных  сетей  в  финансовой  сфере  можно  привести  управление  кредитными  рисками.  Так,  например,  перед  тем  как  выдать  кредит,  каждый  банк  проводит  статистические  расчёты  по  финансовой  надёжности  заёмщика,  с  целью  оценить  вероятность  убытков  которые  понесёт  банк  в  случае  если  заёмщик  несвоевременно  вернёт  финансовые  средства.  В  качестве  базы  для  выполнения  таких  расчётов  обычно  используют  кредитную  историю  заёмщика,  учитывают  динамику  развития  компании  в  случае,  когда  заёмщиком  выступает  юридические  лица,  стабильность  основных  финансовых  показателей  и  другие  факторы.  Исследование  в  области  применения  нейронных  сетей  в  банковской  сфере  показали,  что  расчеты,  выполняемые  на  базе  нейронных  сетей,  выполняются  точнее  и  на  порядок  быстрее.  Так,  например,  при  оценке  банковских  счетов  система,  которая  была  выполнена  на  основе  нейронных  вычислений,  смогла  определить  90%  потенциальных  неплательщиков.

Ещё  одним  направление  применения  вычислений  на  основе  нейронных  структур  в  финансовой  сфере,  стало  прогнозирование  изменение  ситуации  на  фондовом  рынке.  Недостаток  стандартного  подхода  к  этой  задачи  состоит  в  том,  что  он  базируются  на  строго  фиксированных  «правилах  игры»,  и  со  временен  эти  «правила»  начинают  терять  свою  эффективность,  что  связано  с  постоянным  изменением  условий  торгов  проводимых  на  фондовых.  Вторым  недостатком  таких  систем  является  недостаток  быстродействия  для  ситуаций,  которые  требуют  быстрого  принятия  решений.  Это  и  заставило  крупнейшие  японские  и  американские  компании,  которые  оперируют  на  рынке  ценных  бумаг  значительными  средствами,  начать  применять  метод  нейронных  вычислений.  Самообучаясь  на  реальных  примерах,  в  ходе  применения,  нейронная  сеть  продемонстрировала  большую  точность  предсказания  и  более  высокое  быстродействие,  в  сравнении  со  стандартным  статистическим  подходом.  Итогом  стало  повышение  результативности  работы  системы  на  19  %.

Ещё  одним  примером,  тесно  связанным  с  финансовой  сферой  выступает  оценка  стоимости  недвижимости.  Успешность  решения  данной  задачи  напрямую  зависит  от  стажи  и  опыта  сотрудника,  который  учитывает  такие  факторы,  как  доля  собственности,  качество  и  район  постройки  и  др.  В  экспериментальных  целях  в  вычислительную  систему  на  основе  нейронных  сетей  была  введена  информация  по  оценке  недвижимости.  Информация  была  получена  на  основе  обзоров  сотрудников  риэлтерских  фирм,  так  же  в  качестве  источников  использовались  списки  цен,  выставленные  аукционами.  Результаты  показали,  что  самообучающаяся  система  даёт  оценки  стоимости  недвижимости,  которые  хорошо  коррелируются  с  заключениями  экспертов  этого  профиля.

Фирма  Logika  смогла  продемонстрировать  модель,  которая  удачно  прогнозировала  динамику  движения  биржевых  курсов  валют.  На  базе  компьютера  SPARCstation  LX  с  применением  нейронных  вычислений  проводилось  моделирование  рынка  валютных  курсов  доллар/швейцарский  франк  и  немецкая  марка/швейцарский  франк.  При  создании  модели,  разработчики  воспользовались  данными  динамики  кросс-курсов,  выбранных  для  исследования,  валют  за  10  лет,  начиная  с  1992  года.  Ценовые  прогнозы  имели  5  категорий  характеристики:  большой  рост,  малый  рост,  без  изменений,  малый  спад,  большой  спад.  Результатом  прогнозирования  стало  то,  что  нейронная  система  предсказала  55  %  реальных  данных  по  первому  и  23  %  по  второму  соотношению  валют  [1,  с.  12].

При  всех  полученных  положительных  результатах,  применении  вычислительных  комплексов  на  базе  нейронных  сетей  нашли  применение  на  фондовых  биржах  США,  Великобритании  и  Японии.  Применение  подобных  систем  действительно  дало  положительный  эффект,  но  его  результаты  не  всегда  соответствовали  ожиданиям.

В  настоящий  момент  банки  пришли  к  выводам,  согласно  которым  системы,  в  основе  которых  лежат  нейронные  сети,  способны  приносить  значительную  пользу.  На  рынке  уже  давно  предлагаются  подобные  продукты,  определяющие  вероятности  риска  при  выдачи  заема  (кредита),  а  так  же  программные  и  аппаратные  пакеты,  способные  моделировать  и  прогнозировать  банкротство,  выполнять  анализ  портфеля  ценных  бумаг  и  торговли  акциями.

В  настоящее  время  департамент  и  индустрии  Великобритании,  уже  на  протяжении  нескольких  лет,  финансирует  две  программы,  занимающиеся  развитием  нейронных  вычислений  в  финансовой  сфере.  Программы  получили  названия  «Клуб  нейропрогнозирования»  и  «Нейронные  сети  для  финансовых  услуг».  Обе  эти  программы  созданы  в  сотрудничестве  с  Лондонской  школой  бизнеса,  университетским  колледжем  Лондона  (UCL),  фирмой  TBS  Bank  Technology  с  UCL  и  Центром  прогнозирования  Henley.  Среди  тех,  кто  пользуется  услугами  результатами,  замечены  такие  гиганты,  как  Chemical  Bank,  Citibank,  JP  Morgan  и  др.  [2,  с.  57].

Учитывая  то,  что  разработки  в  этом  направлении  начались  относительно  недавно,  программисты  Великобритании  уже  смогли  добиться  значительных  результатов.  Специалисты  из  группы  «Клуб  нейропрогнозирования»,  смогла  создать  систему  на  основе  нейронных  сетей  для  разработки  тактики  распределения  финансовых  фондов  на  глобальных  рынках  облигаций.  Эта  система  охватывает  семь  географических  регионов:  Великобританию,  Францию,  Германию,  Японию,  США,  Канаду,  Австралию,  при  этом  каждый  регион  моделируется  особой  сетью  нейронов,  не  зависимой  от  других  сетей.  Все  сети  обучаются  на  основе  выборки,  основанной  на  исторических  данных,  для  получения  краткосрочного  прогноза  ситуации  на  рынке  за  каждый  месяц.  Впоследствии  все  локальные  предсказания  объединятся  в  Центре  управления  единым  портфелем  ценных  бумаг.

Описанная  выше  система  была  принята  к  использованию  в  ноябре  1992  года  Североамериканской  страховой  компанией  в  Бостоне  (США).  В  результате  её  использования  капитал  компании  вырос  в  2  раза,  с  25  до  50  млн.  долларов,  а  портфель  ценных  бумаг  компании  продемонстрировал  доходность  превышающую  25  %  в  первый  год  использования  системы  [3,  с.  4].  Этот  пример  ещё  раз  доказал,  что  системы  на  основе  нейронных  сетей  являются  универсальным  средство  аппроксимации,  которое  способное  решать  практически  любые  задачи.

В  данный  момент,  в  качестве  одной  из  наиболее  современных  и  эффективных  методик  нейронных  вычислений,  можно  представить  методику  генетических  алгоритмов.  Суть  методики  состоим  в  том,  что  она  имитирует  эволюцию  биологических  организмов.  Благодаря  этому  методика  идеально  подходит  на  роль  оптимизатора  параметров  нейронной  сети.  Система  на  основе  генетических  алгоритмов  была  разработана  на  рабочей  станции  Sun  в  компании  Hill  Samuel  Investment  Management.  Эта  система  применялась  для  прогнозирования  результатов  контрактов  по  долгосрочным  ценным  бумагам  повышенной  надежности.  В  процессе  моделирования  нескольких  стратегий  торгов  она  смогла  достичь  точности  в  57%  в  прогнозировании  направления  и  динамики  движения  рынка.  Похожая  модель  успешно  функционирует  в  страховой  фирме  TSB  General  Insurance  (Ньюпорт),  система  применяется  для  прогнозирования  уровня  риска  при  страховании  частных  кредиторов.  Эта  нейронная  сеть  способна  самообучается  используя  статистические  данные  по  состоянию  безработицы  в  стране.

В  целом  можно  сказать  о  серьёзной  интеграции  нейросетевых  технологий  во  многие  области  и  вопросы  экономики.  Следует  отметить,  что  в  данный  момент  наиболее  приоритетным  направлением  применения  нейросетевых  технологий,  отсеется  направление  прогнозирования.  Помимо  задач  прогнозирования  нейронные  сети  вполне  успешно  способны  решать  проблемы  аппроксимации,  оптимизации,  управления  и  пр.  Так  же  важным  фактором  является  универсальность  нейронных  сетей.  Одна  и  та  же  нейронная  сеть  способна  решать  задачи,  как  в  экономики,  так  и  в  других  отраслях  (таких  как  машиностроение,  компьютерные  технологии  и  др.),  при  этом  структура  нейронной  сети  может  практически  не  подвергаться  изменениям,  достаточно  её  лишь  переобучить.  На  сегодняшний  день,  дальнейшее  развитие  компьютерной  техники,  прикладных  и  исследовательских  программ  всё  в  большей  степени  связывают  с  развитием  нейросетевых  технологий.

Список  литературы:

1. Картавцев  В.В.  Нейронная  сеть  предсказывает  курс  доллара?  //  Компьютеры  +  программы  —  1993  —  №  6(7)  —  c.  11—13.
2. Цуприков  C.  Нейронные  вычисления  берутся  на  вооружение  финанcиcтами.//  Computerworld  Moscow  —  1985  —  №  7  —  с.  58—59.
3. Чертков  М.,  Грималюк  А.  Методика  валютного  прогнозирования.//  Одесские  деловые  новости  —  1995  —  май  №  16  —  с.  6.