Круг П.Г. Моделирование искусственных нейронных сетей (1088802), страница 6
Текст из файла (страница 6)
Характерный пример успешного применения нейронных сетей в финансовой сфере – управление кредитными рисками.
Перед выдачей кредита для оценки вероятности собственных убытков от несвоевременного возврата финансовых средств крупные банки, как правило, предпринимают сложные статистические расчеты по определению финансовой надежности заемщика.
Такие расчеты обычно базируются на оценке кредитной истории, динамики развития компании, стабильности ее основных финансовых показателей и многих других факторов. Так, Bank of New York, США опробовав метод нейронных вычислений и применив его для оценки 100 тыс. банковских счетов, выявил свыше 90% потенциальных неплательщиков.
Прогнозирование тенденций фондового рынка (рынка акций)
Важная область применения ИНС в сфере финансов – прогнозирование ситуации на фондовом рынке. Стандартный подход к решению этой задачи (не использующий нейронные сети) базируется на жестко фиксированном наборе «правил игры», который со временем теряет свою актуальность из-за изменения условий торгов на фондовой бирже. Помимо того, системы, построенные на основе такого стандартного подхода, оказываются слишком медленными для ситуаций, требующих от трейдера (участника торгов) мгновенного принятия решений.
Рассмотрим, некоторые особенности фондового рынка.
Трейдер, принимающий решения о купле–продаже акций, имеет доступ к одному или нескольким электронным источникам информации (Reuters, Dow Jones Telerate, Bloomberg, Tenfore). Он наблюдает текущие значения и графики интересующих его индексов на мировых фондовых биржах, основные кросс-курсы валют и другие показатели валютного, фондового и кредитного рынков в многооконной среде с различной степенью детализации. На принятие его решения о купле–продаже акций, естественно, влияют макроэкономические и общественно-политические события, сообщения о которых через каждые 5–10 минут появляются в текстовом окне монитора и сопровождаются комментариями экспертов, озвучивающих разнообразные слухи и прогнозы. Трейдеру также доступна дополнительная информация, такая как сообщения из Центрального банка России и от других значащих источников об основных показателях рынков.
Обязательно учитывается психология конкурирующих трейдеров, для которых важную роль играют ожидания того или иного поведения ряда влияющих процессов. Например, в 16:00 многие московские трейдеры внутренне готовы к изменениям тенденции поведения индекса Доу-Джонса на Нью-Йоркской фондовой бирже, которая с учетом сдвига по часовым поясам открывается лишь в 17:30 по московскому времени.
Фондовый рынок характеризуется еще и другими особенностями:
-
рыночные процессы весьма неоднородны во времени: например, состояние рынка осенью существенно отличается от его состояния летом того же года; поэтому не всегда имеет смысл формировать обучающие выборки большого объема;
-
«загрязнениями» данных и их неоднородностью;
-
наличием малоинформативных показателей при относительно малом объеме статистики.
В целом, задача краткосрочного прогноза котировок акций пусть и с использованием нейронных сетей представляется достаточно сложной, особенно на стремительно изменяющемся российском фондовом рынке.
Примером прогнозирования тенденций фондового рынка может служить нейросетевая система (компания Alela Corp.), предназначенная для прогноза изменения биржевых индексов Dow Jones, S&P500 и Merval.
На сайте компании можно бесплатно воспользоваться прогнозом изменения данных индексов и, используя его в качестве дополнительной информации, убедиться, что доля верных прогнозов составляет не менее 80%.
Японские компании, оперирующие на рынке ценных бумаг, также широко применяют нейронные сети (компания Mitsubishi).
Для входа нейронной сети использовалась информация о деловой активности нескольких организаций, полученная за 33 года, включая также оборот, предыдущую стоимость акций, уровни дохода и т.д. Данная ИНС самообучалась на реальных примерах и показала высокую точность прогнозирования, а также быстродействие. Общая результативность прогноза по сравнению с системами, использующими стандартные статистические подходы, улучшилась на 19%.
Оптимальное распределение свободных средств банка между различными финансовыми рынками
Успешное прогнозирование поведения как финансовых рынков в целом, так и их отдельных инструментов позволяет банку эффективнее управлять имеющимися в его распоряжении средствами.
Задача оптимального распределения свободных средств между различными финансовыми рынками и их инструментами встает перед банком ежедневно. Любой банк имеет в своем распоряжении «портфель», куда могут входить различные ценные бумаги и валюта. Принцип формирования портфеля – получение прибыли с вложенного в финансовые инструменты капитала не ниже некоторого фиксированного уровня при минимальном для этого уровня риске.
Ежедневно могут происходить следующие взаимоисключающие процессы: поступление денежных средств для их вложения в финансовые инструменты и отток денежных средств для выполнения обязательств банка, т. е. существуют следующие причины для изменения состава портфеля:
-
с течением времени отдельные финансовые инструменты начинают терять свою привлекательность и необходимо выполнить оптимальное (доходность не ниже фиксированного уровня, риск – минимальный) перераспределение средств между финансовыми инструментами внутри портфеля;
-
банку необходимо выполнить некие требования, для чего реализуется некоторое количество финансовых инструментов, входящих в портфель, на определенную сумму; естественно, что финансовые инструменты должны быть выбраны таким образом, чтобы характеристики портфеля по возможности не ухудшились;
-
у банка увеличился объем свободных денежных средств и необходимо произвести их оптимальное распределение между различными финансовыми инструментами.
Независимо от причины и механизма изменения состава портфеля расчет выгодности этих изменений производится на фиксированную дату, называемую горизонтом портфеля.
Исходными данными для задачи оптимального распределения свободных средств между различными финансовыми рынками и их инструментами являются либо результаты долгосрочного прогноза для всех рассматриваемых инструментов, либо вероятностный анализ поведения рассматриваемых инструментов в сходных рыночных ситуациях.
Выбор финансового инструмента с максимальной предполагаемой доходностью не составляет большого труда, но задача усложняется необходимостью учитывать риск предполагаемых вложений, т.е. возможность инструмента не реализовать эту доходность. Как правило, чем выше доходность, тем выше риск, и снижение риска ведет к снижению доходности. Поэтому при планировании распределения средств банка рассматриваются две задачи:
-
вложение средств с минимальным риском;
-
вложение средств с доходностью не ниже фиксированного уровня и минимальным для этого уровня риском.
Классическим примером снижения риска портфеля в целом является сочетание в нем инструментов с отрицательным коэффициентом корреляции.
Поступление данных в систему
В программном продукте, применяемом в Промстройбанке, реализован автоматизированный ввод в нейронную сеть новой информации из следующих источников:
-
информационно-торговые данные агентства Reuters;
-
торговые данные с площадок ММВБ и РТС;
-
прочие данные с использованием ручного ввода.
Выбор и подготовка данных для участия в прогнозе
Задача данного этапа прогнозирования – выбор из более, чем 200 видов информационно-торговых данных наиболее значимых влияющих факторов для прогноза интересующей стоимостной величины некоторого финансового инструмента или группы финансовых инструментов. Первичный выбор влияющих факторов зависит от опыта и интуиции специалиста, в виду того, что автоматизация этого процесса, как правило, неэффективна.
В помощь специалисту предоставляются инструменты технического анализа в виде графиков, анализируя которые можно уловить скрытые взаимосвязи. Специалист также может использовать доступные ему матрицы корреляции и ковариации для указанной выборки влияющих факторов и прогнозируемой величины, однако, с помощью матриц корреляции и ковариации не удается уловить нелинейную, редко возникающую зависимость, которая, тем не менее, может оказать существенное влияние на прогнозируемую величину.
После осуществления прогноза аналитик может определить значимость участвовавших в нем влияющих факторов по изменению функции оценки и выходных сигналов системы с целью окончательной коррекции участвующих в прогнозе влияющих факторов.
Достаточно часто возникает ситуация, когда в качестве влияющего фактора или прогнозируемой величины полезно использовать информационно-торговые данные в преобразованном с помощью некоторой функции виде. Например, в качестве значимого влияющего фактора при прогнозе цены часто используется та же самая цена, но с однодневным сдвигом.
Поэтому для преобразования влияющих факторов и прогнозируемых величин были определены операции, которые применяются в любой последовательности. Кроме того, с помощью соответствующих последовательностей данных операций реализуются все наиболее популярные инструменты технического анализа.
Процесс определения величин, участвующих в прогнозе, как в качестве значимых влияющих факторов, так и в качестве прогнозируемой величины, является наиболее субъективным и трудоемким. И, естественно, нет необходимости повторять его каждый день для всех интересующих аналитика финансовых инструментов.
Существует возможность сохранения перечня выбранных влияющих факторов, участвующих в прогнозе, и выполненных с ними преобразований для некоторого финансового инструмента или группы инструментов.
Применение нейронных сетей для прогнозирования курсов валют
Пример 1.2. Прогнозирования валютных курсов швейцарского франка к доллару и швейцарского франка к немецкой марке
Такое моделирование с использованием нейронных сетей и технической базы Sun SPARCstation LX провели специалисты компании Logica по заказу банка Chemical Bank.
Выбор именно этих валют в то время объяснялся высоким уровнем подвижности первого соотношения и малым – второго (до кризиса в 1993 г.). Данные о динамике кросс-курсов этих валют собирались с 1 октября 1992 г. по 1 октября 1993 года, при этом ценовые прогнозы характеризовались пятью категориями: большой рост, малый рост, без изменений, малый спад, большой спад. В итоге применяемая ИНС позволила синтезировать прогноз за вышеупомянутый период 55% данных, совпавших с реальными, по первому соотношению валют и 23% – по второму.
Пример 1.3. Ппрогнозирование курса украинского карбованца к доллару
Следующий пример иллюстрирует результаты прогнозирования курса американского доллара по отношению к украинскому карбованцу (UKB/USD).
Исследования проводились с использованием ИНС типа «Многослойный персептрон», обучаемой по алгоритму обратного распространения.
Целью экспериментов являлось прогнозирование курса UKB/USD. Для чего было исследовано влияние представления исторических и прогнозируемых данных на ошибку прогнозирования. Также были рассмотрены вопросы влияния структуры ИНС на скорость обучения и ошибку прогнозирования.
При этом ставились следующие задачи поиска:
-
значимых влияющих факторов;
-
оптимальной формы представления статистических данных о валютном курсе;
-
оптимального представления результата прогнозирования;
-
оптимального размера окна «скольжения»;
-
поиск оптимальной структуры ИНС.
Прогнозирование курса UKB/USD проводилось на основе временной последовательности ежедневных данных о курсе.
Такой подход основан на предположении экономистов, что для прогнозирования некоторых экономических показателей вполне достаточно исследования истории их изменения.
Исходными данными для экспериментов послужили ежедневные измерения курса UKB/USD с 15.06.93 по 26.06.95 всего 842 измерений (данные взяты из архивов банка Porto-Franco). Прогнозировалось среднее значение курса за день (среднее арифметическое дневных курсов покупки и продажи).
Каждый из экспериментов состоял из несколько этапов:
1. Формирование обучающей выборки.
На этом этапе определялся вид представления исторических и прогнозируемых данных, осуществлялось формирование блока представительских (обучающих) выборок. Большинство проведенных экспериментов было направлено на прогноз не фактического курса валют, а его относительного изменения:
Kt = (Kt+1 - Kt)/Kt . (1.1)
2. Обучение ИНС с использованием сформированного на первом этапе блока обучающих выборок.
Качество обучения характеризовалось ошибкой обучения, определяемой как суммарное квадратичное отклонение значений на выходах ИНС в обучающей выборке от реальных значений, полученных на выходах ИНС. Критерий прекращения обучения – 1500 итераций или уменьшение ошибки на выходах сети на два порядка, по сравнению с первичной ошибкой. В том случае, если при описании опыта не указано, что произошло снижение ошибки на два порядка, обучение останавливается по первому критерию.
3. Третий этап – тестирование ИНС.
Определяется качество прогнозирования при подаче на вход 4–5% наборов из обучающей выборки. Эксперимент является успешным, если относительная достоверность не менее 80%.
4. На четвертом этапе осуществляется пробное прогнозирование.
На входе нейронной сети – наборы, которые не были внесены в обучающую выборку, но результат по которым (прогноз) известен.
Ограничения и недостатки, связанные с использованием ИНС для прогнозирования
1. Для эффективного прогнозирования, как правило, необходим некоторый минимум наблюдений (более пятидесяти и даже ста). Однако существует много задач, когда такое количество статистических данных недоступно. Например, при производстве сезонного товара, статистики предыдущих сезонов недостаточно для прогноза на текущий сезон из-за изменения стиля продукта, политики продаж и т.д. Даже при прогнозировании потребностей в достаточно стабильном товаре на основе информации о ежемесячных продажах невозможно накопить статистику за период от 50 до 100 месяцев. Для сезонных процессов эта проблема еще более выражена: каждый сезон фактически представляет собой одно наблюдение. Следует отметить, что удовлетворительная модель прогноза с использованием нейронной сети все же может быть построена даже в условиях нехватки данных. При этом модель будет уточняться при поступлении в нее свежих данных.