- •Документальные информационные системы дис
- •1. Характеристики информационно-поисковых систем
- •2. Виды документальных информационных систем
- •3. Классификационные информационно-поисковые языки
- •4. Дескрипторные информационно-поисковые языки
- •5. Системы индексирования
- •6. Полнотекстовые информационно-поисковые системы
- •Прикладные информационные технологии управления Организация и информационные системы
- •1. Взаимосвязь организаций и информационных систем
- •2. Уровни управления и информационные системы
- •3. Функциональное применение информационных систем
- •4. Технология применения электронного документооборота
- •5. Интеграция систем на предприятии
- •. Информационные технологии в государственном управлении
- •1. Направления информатизации государственного управления
- •2. Информатизация Совета Федерации
- •3. Информатизация Государственной Думы
- •4. Информационные технологии управления бюджетной системой
- •5. Информационные технологии управления налоговой системой
- •6. Федеральная целевая программа «Электронная Россия (2002-2010 годы)»
- •. Информационные технологии муниципального управления
- •1. Системное представление управляемой территории
- •2. Понятие муниципальной информационной системы
- •3. Экономическая эффективность территориальных информационных систем управления
- •. Информационные технологии менеджмента
- •1. Информационные технологии стратегического менеджмента
- •2. Информационные технологии логистического управления
- •3. Информационные технологии в финансовом менеджменте
- •3.1. Информационные технологии финансового менеджмента как подсистемы комплексных систем управления
- •3.2. Системы искусственного интеллекта
- •Официальные сайты органов государственной власти российская федерация
- •Республика татарстан
3.2. Системы искусственного интеллекта
Все большее применение в финансовом менеджменте находят системы искусственного интеллекта. Системы искусственного интеллекта ориентированы на решение неструктурируемых или слабоструктурируемых задач.
Выделяют следующие ключевые отличия интеллектуальных систем:
-
возможность обучения;
-
гибкая адаптация;
-
возможность работы с неполной или нечеткой информацией;
-
умение объяснять полученные решения;
-
способность извлекать новые знания из первичных данных.
В настоящее время существуют различные технологии искусственного интеллекта. Среди них выделяют:
-
нейронные сети (прогнозирование, распознавание ситуаций, извлечение знаний);
-
генетические алгоритмы (оптимизация инвестиционных портфелей);
-
нечеткую логику (анализ рисков);
-
экспертные системы (планирование, анализ, аудит).
Нейронные сети получили широкое применение в тех областях финансового и инвестиционного менеджмента, где требуется получение оценок и прогнозов, связанных с обработкой больших объемов информации, и принятие решений в минимально короткие интервалы времени (спекулятивные операции на фондовых рынках, краткосрочное прогнозирование курсов, технический анализ и т.д.).
Нейронные сети удобно рассматривать как черный ящик с некоторым количеством входов и выходов. Значения входных переменных обрабатываются внутри сети, и результат отображается на выходах. Ключевое отличие подобной системы состоит в том, что в процессе обработки входной информации происходит изменение внутренней структуры сети, т.е. алгоритма преобразования. Этот процесс называется обучением и кардинально отличает нейронные сети от жестких программных систем. В процессе обучения сети предъявляются примеры входных данных, а полученные выходные данные сравниваются с эталонными. Если ответы не совпадают, структура сети меняется так, чтобы уменьшить ошибку. Процесс обучения заканчивается при достижении некоторого приемлемого результата (уровня ошибки). Подобный механизм получил название алгоритма обратного распространения (back-propagation algorithm).
Наиболее популярными нейросетевыми пакетами являются Brain Maker Pro (California Scientific Software, США) и семейство Al Trilogy фирмы Ward Systems (США).
Следует отметить и ряд недостатков, присущих нейронным сетям. Наиболее существенный из них - неспособность объяснять свои действия. Далеко не всегда удается правильно выбрать и архитектуру нейронных сетей, необходимую для эффективного решения поставленных задач. К проблеме реализации нейронных сетей для анализа российских рынков следует отнести отсутствие больших объемов исторических данных, необходимых для обучения и настройки. Наконец, нельзя обойти вниманием и проблему недобросовестной рекламы нейронных сетей в России, по сути представляющую данную технологию как панацею от всех бед, тогда как нейросетевая парадигма в целом является разновидностью статистических методов классификации и прогноза, ориентированных на решение строго ограниченного круга задач.
Генетические алгоритмы представляют собой сравнительно новое направление искусственного интеллекта, использующее механизм биологической эволюции для поиска оптимальных решений. В отличие от традиционных методов оптимизации, генетические алгоритмы позволяют найти не точное, а приемлемое решение для сложных, в том числе и нелинейных задач большой размерности.
В настоящее время существует несколько программных продуктов, достаточно эффективно реализующих генетические алгоритмы. Наиболее популярными из них в отношении применения в финансово-кредитной сфере являются продукты Evolver (Palisade Corp США), Omega (KiQ and CAP, США). Первые два реализованы в виде надстроек к MS Excel и написаны на языке VBA. Оба продукта в целом схожи по своим функциональным возможностям.
Одним из перспективных направлений практического применения генетических алгоритмов в финансовом менеджменте является оптимизация портфеля ценных бумаг, в особенности содержащего производные инструменты (опционы, фьючерсы и т.д.).
Однако успешность получения решений здесь сильно зависит от первоначально выбранной схемы (популяции), при этом не существует каких-либо научно обоснованных рекомендаций. Не менее актуальной является проблема выбора оптимального критерия мутаций. Использование данной технологии требует разумной осторожности и дальнейших исследований.
Нечеткая логика (Fuzzy Logic) возникла в середине 1960-х годов как средство формализации качественных знаний и понятий, выраженных на естественном языке.
Системы ИИ, базирующиеся на нечеткой логике, обладают лучшей адаптируемостью к условиям реального мира и более доступны специалистам, которые при решении задач оперируют качественными понятиями. Другое достоинство подобных систем - возможность работы с нечеткими критериями и неполными данными, часто встречающимися при решении задач в финансовой сфере. Нечеткая логика применяется при оценке рисков, прогнозировании рынков на краткосрочном интервале, в биржевых спекуляциях и т.д.
Наиболее известным программным продуктом, реализующим методы нечеткой логики в виде экспертной системы с нечеткими правилами, является пакет CubiCalc (Hyper Logic, США). Он широко применяется для ситуационного моделирования в политике, экономике и финансах. Пакет обладает развитым интерфейсом и может использоваться в составе сложных программных комплексов, обмениваясь данными.
Однако наибольшей популярностью в финансово-кредитной сфере пользуется другая разработка - продукт FuziCalc (Fuzi Ware, США). Этот пакет представляет собой табличный процессор, который позволяет производить вычисления с неточно известными числами. Среди других разработок в этой области необходимо отметить инструментальные системы для разработки продуктов на базе нечеткой логики: FuziTECH (Inform Software, США) и SieFuzzy (Siemens, Германия).
Экспертные системы представляют собой сложные программные комплексы, использующие накопленные знания специалистов в конкретных областях для консультации менее квалифицированных пользователей.
В общем случае экспертные системы включает следующие основные компоненты: базу знаний, механизм логического вывода (решатель) и пользовательский интерфейс. База знаний содержит информацию о предметной области в виде фактов, наблюдений, различных данных и набор правил, использующих эту информацию в процессе принятия решений. Наибольшее распространение получили экспертные системы, базирующиеся на моделях, реализованных в виде правил «ЕСЛИ (условие)-ТО (действие)».
Обобщенная структура экспертной системы представлена на рис. 6.
Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи экспертной системы.
Интерфейс пользователя - комплекс программ, реализующих диалог пользователя с экспертной системой, как на стадии ввода информации, так и при получении результатов.
База знаний - ядро экспертной системы, совокупность знаний предметной области, реализованная на основе выбранной модели представления знаний и записанная на машинный носитель в форме, понятной эксперту и пользователю.
Р ешатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.
Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?».
Инженер по знаниям - специалист в области искусственного интеллекта, выступающий в роли посредника между экспертом и базой знаний.
Интеллектуальный редактор базы знаний - программа, предоставляющая инженеру по знаниям возможность создавать базу знаний в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок и других сервисных средств, облегчающих работу с базой.
В настоящее время существует несколько тысяч программных комплексов, называемых экспертными системами. Экспертные системы можно классифицировать по признакам, показанным на рис. 7.
Статические экспертные системы разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Динамические экспертные системы работают в режиме реального времени, обеспечивая непрерывную интерпретацию поступающих в систему данных.
А втономные экспертные системы работают непосредственно в режиме консультаций с пользователем для специфических «экспертных» задач, решение которых не требует привлечения традиционных методов обработки данных (расчеты, моделирование и т. д.). Гибридные экспертные системы представляют программный комплекс, включающий стандартные пакеты прикладных программ и средства манипулирования знаниями.
При определении целесообразности применения экспертной системы нужно руководствоваться следующими критериями:
-
данные и знания надежны и не меняются со временем;
-
пространство (или область) возможных решений относительно невелико;
-
в процессе решения задачи должны использоваться формальные рассуждения;
-
знания и методы применения этих знаний могут быть сформулированы.
Но даже лучшие из экспертных систем имеют определенные ограничения по сравнению с человеком-экспертом, которые сводятся к следующему:
-
большинство экспертных систем требуют от пользователя некоторого опыта работы с такими системами;
-
существует проблема машинной реализации знаний эксперта;
-
человек-эксперт часто обращается к своей интуиции, здравому смыслу и опыту;
-
в тех областях, где отсутствуют эксперты, применение экспертных систем оказывается невозможным;
-
экспертные системы оказываются неэффективными, когда число решений зависит от тысяч переменных, которые изменяются во времени.
Некоторые примеры экспертных систем, используемых при решении различных задач финансового менеджмента, представлены в табл. 3.
Одним из путей преодоления недостатков, присущих каждой из рассмотренных технологий, является создание гибридных систем. Разработки в этой области ведутся. Однако серьезной проблемой является отсутствие соответствующих инструментальных программных средств.
Основной тенденцией развития программных средств для поддержки финансовых решений, как в России, так и за рубежом является стремление ведущих разработчиков предоставить потребителю комплекс совместимых и взаимодействующих между собой продуктов различных классов для наиболее полного удовлетворения его запросов. Некоторые комплексы популярных продуктов ведущих отечественных разработчиков приводятся в табл. 4.
Таблица. 3. Экспертные системы финансового менеджмента
Продукт |
Производитель |
Назначение |
PMIDSS |
New York University |
Выбор портфеля ценных бумаг, долгосрочное планирование инвестиций |
Splendors |
Intelligent System Inc. |
Система управления портфелем ценных бумаг в реальном времени |
Le Courtier |
Cognitive System Inc. |
Помощь инвесторам в определении инвестиционных целей, управление портфелем |
PMA |
Athena Group |
Формирование портфеля, оказание рекомендаций по сопровождению портфеля |
Intelligent Hedger |
New York University |
Решение задач страхования различных видов риска |
ISL |
University of Tokyo |
Система поддержки принятия решения для выбора стратегий инвестиций |
Табл. 4. Российские программные продукты поддержки финансовых решений
Область применения |
Фирма-производитель |
|||
Pro-Invest Consulting |
Альт |
Росэкс-пертиза |
Интеллект-сервис |
|
Оценка и анализ инвестиционных проектов |
Project Expert |
Альт-Инвест |
- |
- |
Анализ финан-сово-хозяйственной деятельности |
Audit Expert |
Альт-Финансы |
Фин-Эксперт |
БЭСТ-Финансы |
Финансовое планирование |
- |
Альт-Прогноз |
Планирование |
БЭСТ-План |
Маркетинг |
Marketing Expert |
- |
Маркетинг |
БЭСТ-Маркетинг |
Прогнозирование временных рядов |
Forecast Expert |
- |
Стат-Эксперт |
- |