Нейронные сети

Нейронные сети - (HC - Neural Network) - математический аппарат, позволяющий строить алгоритмы обработки информации, обладающие уникальной способностью обучаться на примерах и "узнавать" в потоке зашумленной и противоречивой информации приметы ранее встреченных образов и ситуаций. НС позволяет находить скрытые зависимости между входными и выходными данными, зачастую остающиеся "за кадром" традиционных методов. По этой причине решения на основе НС в большом почете у финансистов и военных, медиков и политиков - у всех, кому по роду деятельности приходится заниматься прогнозированием и анализом сложных ситуаций. [подробнее...]

Решаемые задачи

Примеры решений / Продукты

Статьи по данной технологии:
1. "НЕЙРОННАЯ СЕТЬ - ОРУЖИЕ ФИНАНСИСТА"












Решаемые задачи:

Сфера приложений нейронных сетей практически безгранична. Любая задача, связанная с манипулированием финансовыми инструментами - будь то валюта или ценные бумаги - сопряжена с риском и требует тщательного расчета и прогнозирования. Как изменятся завтра котировки основных валют ? Вернет ли кредит внешне благополучная фирма ? Как подобрать прибыльный и вместе с тем надежный "портфель инвестора" ? Эти и сотни других вопросов приходится ежедневно решать аналитическим отделам финансовых (да и не только финансовых) компаний.


Примеры решений / Продукты:

Мощный инструмент НС может быть с успехом применен в самых разных задачах - от моделирования кризисных ситуаций до оптимизации налоговых сборов. Вот два примера:

1.  Нейронные сети в финансовых прогнозах.

Рассмотрим задачу предсказания курса валютных фьючерсов. В качестве объекта прогнозирования - выходного параметра нейронной сети - была выбрана котировка фьючерсного контракта на $1000 с июньской датой оплаты. Входными параметрами для обучения сети являлись изменения курсов фьючерсов на май, июнь и июль за последние четыре биржевых дня (при этом динамика последнего дня учитывалась как отдельный параметр, вычисляемый по специальной формуле) и курс доллара к рублю за четыре дня. Обучающие данные включали сорок последних биржевых дней (два месяца). После шести с половиной тысяч шагов обучающего алгоритма (что заняло примерно 3 минуты счета) нейронная сеть стала вполне адекватно реагировать на весь набор предъявляемых примеров - т.е. обучилась. После этого сеть использовали в течение десяти дней для предсказания сегодняшнего курса фьючерсов на июнь. Расчет делали в тот момент, когда становился известен текущий курс доллара и последняя котировка майского фьючерса. Как правило, до торгов по июньским фьючерсам оставалось около часа. Результат оказался неожиданно точен - сеть ни разу не ошиблась в предсказании тенденций изменения (падение или рост) и в девяти случаях из десяти отклонение реального курса от прогнозируемого составило не более 10 рублей. (Приводимые данные реальны и доступны для проверки).

2.  Нейронные сети на товарном рынке.

Фирма, крупный поставщик зерновых культур, ведет торговые операции с десятками видов зерновых в тридцати странах. В задачи аналитического отдела входят не только долгосрочные прогнозы урожая зерновых и потребности в них в отдельных регионах, но также ежедневный расчет котировок по всем культурам. При этом цена каждого вида товара, предлагаемая для завтрашних торгов, должна быть такой, чтобы объемы сделок по покупке и продаже были примерно равны. Ошибка в два-три цента может привести к дисбалансу спроса и предложения и многотысячным убыткам. А учитывать приходится не только текущую ситуацию на бирже зерна, но и завтрашние цены конкурентов ! По этим причинам аналитические отделы крупных торговых фирм идеально подходят для внедрения нейросетевых пакетов. Жесткая конкуренция, насыщенный рынок, высокая цена ошибки, необходимость постоянной корректировки параметров - отличная "питательная среда" для нейросетевых пакетов.С коммерческой точки зрения нейронные сети воплощаются в виде программных пакетов (иногда даже поставляемых вместе с исходными текстами, как, например, пакет OWL), в виде плат-акселераторов для персональных ЭВМ, в виде нейро-БИС а также в виде специализированных нейрокомпьютеров. Для большинства приложений, кроме самых крутых или очень специфических, на первых порах бывает достаточно простого программного пакета.


Подробнее о технологии нейронных сетей :

С математической точки зрения нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных (и сравнительно простых) процессорных элементов - нейронов. Нейроны, связанные между собой сложной топологией межсоединений, группируются в слои (как правило, два-три), среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а выходной слой сигнализирует о возможной реакции на эту ситуацию. Перед постановкой на "боевое дежурство" нейронная сеть проходит специальный этап настройки - обучения. Как правило, сети предъявляется большое количество (сотни и тысячи) заранее подготовленных примеров, для каждого из которых известна требуемая реакция сети. Если сеть реагирует на очередной пример неадекватно, т.е. состояние выходного слоя отличается от заданного, внутренняя структура сети подвергается некоторой модификации для минимизации ошибки (в большинстве случаев корректируются веса соединений).

После определенного периода обучения сеть достигает состояния, соответствующего минимальной суммарной ошибке. Для некоторых задач суммарная ошибка составляет 2-3%, для других может доходить до 10-15%, ряд задач вообще не поддается решению на нейронных сетях. К счастью, прикладные аспекты теории нейронных сетей сегодня настолько изучены, что практически для каждой пользовательской задачи можно найти описание наиболее подходящей для ее решения структуры нейронной сети, а также ожидаемое качество результатов.Основные преимущества нейронных сетей :

1. Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях пасуют как традиционные математические методы, так и экспертные системы.
2. НС способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.
3. Для использования методов корреляционного анализа необходим профессионал-математик. Эксплуатация обученной нейронной сети по силам и старшекласснику.
4. Нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и т.д. и автоматизировать процесс ввода и первичной обработки данных.
5. Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично (насколько хватит кошелька) наращивать мощность вашей нейросистемы. Вы можете начать с простого и дешевого пакета, потом перейти на профессиональную версию, потом добавить одну-две-три платы-ускорителя, потом перейти на специализированный нейрокомпьютер - с гарантией полной преемственности всего ранее созданного программного обеспечения.