Файл: Элементы нейронных сетей.pdf

2.5. Применение нейронных сетей к задачам анализа биржевой деятельности

Нейросетевая система распознавания всплесков биржевой активности.

Анализ деятельности биржи на основе нейросетевой модели.

Предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний [16].

Нейросетевая система выделения трендов по методикам «японских свечей» и других гистографических источников отображения информации.

Для задач биржевой деятельности наиболее интересным представляется построение системы распознавания природы биржевых событий и выделение основных закономерностей, то есть поиск взаимосвязи резкого изменения биржевой цены и биржевой активности в зависимости от биржевой игры или инфляционных процессов. Эффективным может быть применение нейронной сети для предсказания цен на товары и сырье вне зависимости от сезона и уровня инфляции (выделение трендов). [3]

2.6. Прогнозирование экономической эффективности финансирования экономических и инновационных проектов и предсказание результатов займов.

Предсказание на основе анализа реализованных ранее проектов.

Предсказание на основе соответствия предлагаемого проекта экономической ситуации В первом случае используется способность нейронных сетей к предсказанию на основе временных рядов, во втором - построения нелинейной модели на базе нейронной сети. [6]

Определение возможности кредитования предприятий.

Предоставление кредитов и займов без залога.

Используется (в редком случае) при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели. Имеющаяся информация основана на исследованиях, производимых международными финансовыми группами. [2]

2.7. Общие приложения нейронных сетей

Применение нейронных сетей в задачах маркетинга и розничной торговли [12].

Одно из самых современных применений нейрокомпьютеров в финансовой области. Один из решаемых вопросов - установление цены на новый вид товара на основе многокритериальной оценки.

Моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий.

Моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа.

Построение модели структуры расходов семьи.

3. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ЭКОНОМИКЕ

3.1. Классификация заемщиков в зависимости от значения кредитного риска.

Основным показателем кредитоспособности заемщика является его кредитный рейтинг. Процесс присвоения кредитного рейтинга заключается в переходе от группы показателей, в основном финансовых, к единственному интегрированному значению – рейтингу. Инструментом такого перехода в большинстве случаев служит уравнение линейной зависимости. При этом веса показателей, участвующих в расчете рейтинга, устанавливаются банками на субъективной основе. Такая практика искажает результаты анализа и чрезвычайно рискованна. Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью нейронных сетей, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика [1].

В 1993 г. в Европе для изучения возможностей применения нейронных сетей при оценке кредитного риска была создана организация «Equifax Europe New Technology Club». Анализ существующих программных продуктов по НС показал, что некоторые из них позволяют добиться гораздо более высоких результатов, чем в случае применения традиционных методов анализа [15].

В российской банковской практике нейронные сети почти не используются, а мировой опыт сосредоточен в области оценки кредитного риска по заемщикам – физическим лицам.

Применительно к анализу кредитоспособности заемщика обучение нейронной сети происходит следующим образом: имеется совокупность предприятий с уже присвоенными кредитными рейтингами. Этим рейтингам соответствуют значения количественных и качественных показателей, содержащиеся в кредитном досье [14]. В процессе наблюдений НС вычисляет вес каждого показателя, учитывающегося при расчете кредитного рейтинга. Полученные значения весов корректируются до тех пор, пока рассчитываемые с помощью этих весов кредитные рейтинги всей исходной совокупности заемщиков не совпадут с заданными значениями. В этом случае ошибка обучения будет сведена к нулю, а НС воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом [14].

Процесс решения задачи с помощью НС начинается со сбора данных для обучения. Обучающий набор данных представляет собой уже известную информацию, для которой указаны значения входящих и выходящих переменных. Выбор переменных, по крайней мере первоначальный, может осуществляться интуитивно. На первом этапе рассматривается вся совокупность переменных, которые способны оказывать влияние на результат. Затем это множество сокращается.

Оценка кредитоспособности проводится на основе всестороннего анализа деятельности заемщика. Это, например, и расчет финансовых коэффициентов, и определение величины денежного потока, и учет отраслевых особенностей деятельности, макроэкономического положения в стране. Совокупность такой информации о деятельности заемщика и представляет собой набор входящих переменных. Такому набору данных соответствуют уже рассчитанные значения кредитных рейтингов, т.е. выходящие переменные [15].

Нейронная сеть работают с числовыми данными без ограничений. Более трудной задачей является работа с данными нечислового характера. Чаще всего нечисловые данные бывают представлены в виде номинальных переменных типа Пол = (Мужской, Женский). В таком случае номинальные переменные преобразуются в числовую форму. Это позволяет нейронной сети учитывать факторы, которые не поддаются описанию другими статистическими методами [10].

Вопрос о том, какие данные взять в качестве входных для нейронной сети – один из самых сложных. Одно из действенных средств решения вопроса –генетический алгоритм отбора входных данных. Этот алгоритм выполняет большое число экспериментов с различными комбинациями входных данных, строит для каждой из них вероятностную сеть, оценивает ее результаты и использует их в дальнейшем поиске наилучшего варианта.

Таким образом, теоретические разработки в области нейронных сетей показали возможность использования нейронной сети в качестве надежного и действенного инструмента анализа и прогнозирования социально-экономических явлений, в том числе в сфере расчета кредитных рисков индивидуальных заемщиков – физических лиц [10].

При определении кредитного рейтинга предприятия пользуются многослойной нейронной сетью. На этапе обучения на вход нейронной сети подают информацию, характеризующую экономическую деятельность заемщика. Такая информация может быть основана на уже существующих кредитных досье коммерческого банка. В качестве выходящей информации, необходимой для обучения нейронной сети, используются уже рассчитанные на основании входящих показателей кредитные рейтинги. В процессе обучения нейронной сети выявляет нелинейные зависимости между показателями и рейтингом.

Обучение нейронной сети происходит по методу обратного распространения ошибки [8]. Цель обучения состоит в минимизации ошибок при присвоении кредитных рейтингов заданной совокупности предприятий. Обучение идет до тех пор, пока веса показателей, а следовательно, и функция связи показатели – рейтинг не «научится правильно» классифицировать предприятия, т.е. пока рассчитанные нейронной сетью рейтинги не будут совпадать с заданными. После завершения обучения на вход нейронной сети будем подавать информацию аналогичного формата, по которой необходимо определить значение кредитного рейтинга [6].

Алгоритм работы нейронной сети состоит из двух этапов:

1. обучение нейронной сети на основании уже имеющейся совокупности показателей и присвоенных кредитных рейтингов;
2. использование обученной нейронной сети с найденной функцией зависимости «показатели – кредитный рейтинг» для рейтинговой оценки будущих заемщиков.

3.2. Принципы распознавания личной подписи клиента с помощью искусственных нейронных сетей

Метод распознавания подписи клиента нейронными сетями отличается более высокой эффективностью и производительностью, однако он требует либо большого количества примеров при обучении, либо специальной структуры нейронной сети, учитывающей специфику данной задачи. Поэтому данный метод используется обычно в системах offline-распознавания. С использованием нейронных сетей проверка подписи осуществляется в несколько стадий: регистрация, анализ и сравнение, оценка результата [7].

В рамках автоматизации процесса распознавания личной подписи на основе искусственных нейронных сетей ее графический образ будет проходить следующие этапы преобразования (рис.1) [11].

Рисунок 8 - Последовательность обработки графического образа подписи

1. Образец подписи на бумажном носителе.

2. Перевод подписи в электронный вид.

3. Загрузка файла с графическим изображением подписи в программу.

4. Процесс предобработки графического образа подписи.

5. Подача изображения на вход обучаемой нейронной сети.

6. Процесс распознавания и получение результатов [13].

Практическая значимость автоматизации задачи распознавания заключается в высоком быстродействии процедур распознавания по сравнению с классическими подходами, в которых выполнение этой процедуры проводится экспертом, а также в достаточной эффективности, выражающейся в высоком уровне вероятности правильной верификации. В задачах распознавания применение нейронных сетей оправдано и в значительной степени экономит средства и ресурсы [13].

Для данной задачи используется тип обучения с учителем, применяя алгоритм обратного распространения ошибки. Такой тип обучения предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Определение числа скрытых слоев и числа нейронов в каждом скрытом слое осуществляется экспериментально [7].

Схема процесса распознавания личной подписи клиента заключается в выполнении следующих действий.

1. Производится сбор базы данных образцов личных подписей, каждая из которых исполнена в нескольких разных вариантах отображения (наклон, изгиб, расстояние между символами, масштаб). Образцы подписей должны быть выполнены на листе бумаги без посторонних символов, не соприкасаться между собой и иметь четкое графическое изображение. Пример, на основании которого будет производиться описание процедуры распознавания, представлен на рис. 9(а) [11].

2. Созданные данные переводятся с бумажных носителей в электронный вид таким образом, что каждый сформированный при сканировании растровый файл расширения bmp (24-битный) представляет собой картинку с изображением набора образцов подписи (например, количеством 10) определенного человека на белом листе.