10.3.2.Предсказание финансовых временных рядов

Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций заключается во вложении денег сейчас с целью получения дохода в будущем и основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций - всех бирж и небиржевых систем торговли ценными бумагами.

Для предсказания финансовых временных рядов в последнее десятилетие активно используются:

• технический анализ, сосредоточенный на индивидуальном поведении данного финансового инструмента, вне его связи с остальными ценными бумагами,

• метод на основе нейронных сетей, обладающий рядом неоспоримых достоинств.

Во-первых, нейросетевой анализ, в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Поэтому нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.

Во-вторых, в отличие от технического анализа, основанного на общих рекомендациях, нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную для данного ряда стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков, в частности, российского.

Общая схема нейросетевого предсказания временных рядов показана рисунке 23.

Метод погружения позволяет количественно измерить предсказуемость реальных финансовых инструментов, т.е. проверить или опровергнуть гипотезу эффективности рынка.

Одним из самых слабых мест в финансовых предсказаниях является дефицит примеров для обучения нейросети. Финансовые рынки, вообще и особенно российские, не стационарны. Появляются новые финансовые инструменты, для которых еще не накоплена история, изменяется характер торговли на прежних рынках. В этих условиях длина доступных для обучения нейросети временных рядов весьма ограничена.

Рис. 23. Схема технологического цикла предсказаний рыночных временных рядов

В простейшем случае ежедневной торговли прибыль зависит от верно угаданного знака изменения котировки. Поэтому нейросеть следует ориентировать именно на точность угадывания знака, а не самого значения.

Автоматические нейросетевые трейдеры оказываются наиболее эффективны при торговле в реальном времени, где наиболее заметны такие их преимущества над обычными брокерам, как: неутомляемость, неподверженность эмоциям, потенциально гораздо более высокая скорость реагирования. Обученная нейросеть, подсоединенная к электронной системе торгов, может принимать решения еще до того, как брокер-человек успеет распознать изменения графика котировок на своем терминале.

10.3.3.Методы сегментации рынка

В одном из регионов России проводились исследования для теплосети города. Всего по городу около 150 тыс. потребителей отопления и горячего водоснабжения. Среди них встречаются хронические неплательщики, люди которые постоянно платят в срок, а также те, кто платит время от времени.

Поскольку в имеющейся базе данных хранится очень много записей, и у каждого клиента используется около 10 параметров об их платеже, то решить такую задачу напрямую сложно. Здесь на помощь и приходит нейронная сеть.

Для обучения системы было выбрано около 300 записей, в которые вошли различные потребители теплосети. В результате работы системы получилась карта, на которую затем нанесли информацию о различных группах клиентов. Были выделены 5 основных групп: «хронические» неплательщики (С3), временные неплательщики (С1), те, кто постоянно платят меньше чем начисляют (С2), и те, кто переплачивает (С5) и добросовестные плательщики (С4). После нанесения  соответствующей раскраски можно заметить, что все потребители группируются по разным участкам карты (рис. 24).

Рис. 24. Расположение на карте неплательщиков

По зоне карты, в которую попадает  клиент, можно определить, как себя вести с конкретным субъектом и что позволит путем применения соответствующих мер сократить убытки. Это и есть сегментация. Благодаря тому, что схожие объекты располагаются на карте рядом, мы, зная сведения только об одном их них, можем сделать вывод, о том, как поведут себя те, кто находится в положении рядом.

Нейронные сети способны помочь людям в генерации знаний, которые основывались бы на всех первоначальных данных. Исследования в области нейронных сетей в основном достаточно наглядны. По сравнению с другими вычислительными методами в статистике и науке менеджмента они имеют значительные преимущества. Так, у моделей на основе нейронных сетей очень гибкие теоретические требования; кроме того, им необходимы совсем небольшие объемы предварительных знаний относительно формирования задачи.

Как мощный механизм обучения нейронные сети могут широко применяться в различных областях. Однако, они никогда не смогут полностью заменить людей в процессе решения задачи. Нейронные сети должны использоваться для обобщения данных, а не для определения. Нейронные сети адаптивны по своей природе, они могут подражать решению проблемы человеком, но они не сообщат, какой из критериев решения задачи должен быть принят во внимание перед сбором данных. Кроме того, обучающиеся машины часто используются при формализации знаний из данных реального мира, но сами обучающиеся машины не могут генерировать принципы формализации.