4.4. Нейронные сети в финансовых прогнозах
Исследования показывают, что никакая устойчивая система торговли не дает постоянной прибыли. Участники рынка не ограничиваются линейными правилами принятия решений, а имеют несколько сценариев действий, и то, какой из них пускается в ход, часто зависит от внешне незаметных факторов. Один из возможных подходов к многомерным нелинейным информационным рядам заключается в том, чтобы подражать образцам поведения участников рынка. Нейронные сети идеально приспособлены для обнаружения нелинейных зависимостей в отсутствии априорных знаний об основной модели. Применение нейросетей согласуется с тезисом Саймона об «ограниченной разумности», согласно которому на эффективности рынка сказывается ограниченность возможностей человеческих возможностей в работе с информацией.
В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные методы чаще всего оказываются неспособными распознать ключевые перемены и тенденции на рынке. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Составными частями нового метода являются нейронные сети и генетический алгоритм (методы, в которых, исходя из большого набора первоначальных предположений, вырабатываются все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). При этом достигается точность, достаточная для практической потребности, и, как правило, не требуется специальных математических знаний.
Общая черта новых методов — возможность распознавания образов и вывод обобщающих правил. Про методы, основанные на нейронных сетях и генетическом отборе решений, говорят, что они управляют данными в противоположность подходу, основанному на применении правил экспертных систем. Нейронные сети прекрасно подходят для выявления нелинейных закономерностей в отсутствии априорных знаний модели.
Искусственные нейронные сети — сравнительно новый раздел в области искусственного интеллекта. Основная идея здесь состоит в том, чтобы построить логически функционирующую систему из большого числа простых элементов, связанных между собой разветвленной системой соединений. Такой подход получил название коннекционизма, а полученные системы стали называться нейронными сетями. И хотя подобный подход кажется весьма примитивным, на этом пути исследователям удалось получить впечатляющие результаты.
У истоков возникновения искусственных нейронных сетей лежат исследования в области биологии, связанные с изучением работы мозга. Нейроны обмениваются сигналами с другими нейронами, образуя так называемые нейронные сети. Каждый нейрон состоит из тела клетки и множества входных отростков, называемых дендритами. Дендриты идут от тела данной клетки к другим нейронам, где они принимают сигналы в точках возбуждения, называемых синапсами. Принятые синапсами входные сигналы подводятся к телу нейрона, где они алгебраически суммируются. Когда суммарное возбуждение в теле нейрона превысит некоторый порог, он возбуждается, посылая сигнал к другим нейронам.
Несмотря на очевидные упрощения, эта схема биологического нейрона объясняет большинство известных процессов работы мозга. Биологический нейрон работает по принципу «все или ничего».
Логично сопоставить биологическому нейрону математическую модель искусственного нейрона, представляющего собой сумматор S, на вход которого поступает множество сигналов ai, каждый из которых умножается на свой весовой коэффициент Wij (рис. 4).
Каждый коэффициент Wij соответствует связи от i-гo нейрона к j-тому. Результат суммирования поступает на пороговый элемент, характеризуемый величиной порога Qj и некоторой функцией адеквации нейрона f.
Рис. 4. Искусственный нейрон
Сигнал bj на входе нейрона j можно записать в виде:
.
В простейшем случае, если сумма ∑aiWij – Qj, на выходе нейрона будет 1, а если эта сумма меньше нуля — 0 (или -1), искусственный нейрон также работает как сумматор с управлением входной суммой по принципу «все или ничего».
Еще в 40-х гг. у исследователей возникла следующая мысль: если обработка информации в мозгу осуществляется совокупностью пороговых сумматоров, связанных в общую сеть, работающих по принципу «все или ничего», то таким же свойством должна обладать и искусственная нейронная сеть, состоящая из соединенных в общую сеть искусственных нейронов.
В 50-60-х гг. продолжались работы по созданию искусственных нейронных сетей. Одной из первых наиболее важных в этом направлении попыток оказалась работа Ф. Розенблатта, в которой он предложил искусственную нейронную сеть, названную им персептроном.
В персептроне имеется один слой искусственных нейронов, на каждый из которых подаются все входные сигналы а со своими весами Wij. Такая искусственная нейронная сеть называется однослойной. Схема этой сети достаточно проста, в ней отсутствуют обратные связи с выходов нейронов на их входы, но в этом и ее сила.
Если между входами аi и bi ввести еще один слой с нейронами, то получится двухслойная сеть (рис. 5). Если ввести еще два слоя, то получится трехслойная сеть и т. д.
Рис. 5. Многослойная нейронная сеть
Дальнейшее развитие многослойных сетей долгое время сдерживалось отсутствием теоретически обоснованного алгоритма обучения, причем было неясно, возможно ли это вообще. С появлением метода backpropagation появилась процедура обучения многослойной сети. Она производится с учителем, т.е. сети представляются обучающие примеры и производится настройка синоптических весов Wij (синоптической карты) таким образом, чтобы выходы сети были как можно ближе к заданным для каждой обучающей пары наборов входных и выходных величин. Если, например, k-й набор входных величин записать в виде вектора Сk (рис. 6), а заданный вектор через Dk, то задачу обучения нейросети можно сформулировать как оптимизационную задачу: минимизировать квадрат разности векторов ошибок.
Рис. 6. Схема тренировки нейронной сети
В настоящее время нейронные сети, благодаря своей универсальности и простоте при работе с нечеткими данными, нашли широкое применение в различных областях: распознавание образов, медицинская диагностика, прогнозирование погоды. В финансовой сфере написаны приложения для определения оптимального портфеля ценных бумаг, предсказания банкротств финансовых учреждений, определения кредитных рисков. Имеются приложения, интегрированные в специализированные программы технического анализа, которые на основе использования стандартных индикаторов выдают сигналы о благоприятных моментах вступления в рынок.
В последнее время развитие идет по пути создания приложений, использующих смешанные технологии. Имеется большое количество и разнообразие программно-аппаратных средств для выполнения комплексного анализа в широком диапазоне цен и возможностей. Например, фирма IBM выдвинула программный продукт Deterministic Simulation Blaster стоимостью более $1 млн. долл., предназначенный для фундаментального исследования рынка.
Суть работы нейросетевых пакетов заключается в том, что на вход подаются данные с уже известными ответами, которые используются для обучения нейросети. После окончания обучения сеть готова делать предсказания, используя аналогичные входные данные. Для получения более точных результатов, анализа влияния различных параметров и данных, проверки работы индикаторов, самоконтроля в различных ситуациях сеть проверяют на имеющейся базе данных.
Отличие этого подхода от стандартного состоит в том, что он позволяет сделать систему самообучаемой, что особенно важно для трудноформализуемых задач. Благодаря возможности работы с «размытыми» данными система получается более гибкой и в задачах, соответствующих ее уровню, дает приемлемую точность.
Преимущества при использовании нейронных сетей относительно статистических методов:
нет необходимости в сложных расчетах;
результаты прогноза минимально зависят от субъективного фактора и наглядны;
время расчета находится на приемлемом уровне;
сети можно добавить данные и доучить ее, не повторяя полный цикл обучения;
результаты прогноза зависят только от полноты и вида вводимых данных.
В чем заключается разница между нейросетевыми приложениями и программами технического анализа?
Программы технического анализа не умеют обобщать и выдают ответ не в качестве расчета следующего такта, а экстраполяцией.