Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». - М.: Издательство МЭИ, 2002. – 176с., - Глава 1.5.2, - с. 34-41.
Подавляющее большинство задач прогнозирования на основе нейронных сетей так или иначе связаны со сферой бизнеса и финансов. Это -краткосрочные и долгосрочные прогнозы тенденций следующих финансовых рынков:
рынков купонных и бескупонных облигаций,
фондовых рынков (рынков акций),
валютных рынков.
Сюда же можно отнести прогнозы:
платежеспособного спроса;
продаж и выручки;
рисков кредитования;
финансирования экономических и инновационных проектов;
фьючерсных контрактов и ряд других.
По оценкам экспертов, бум вокруг систем искусственного интеллекта в финансовой индустрии пришелся на период 1984 - 1989 гг. В основном он затронул США и Великобританию, где создатели сложных систем для военных (таких как программа «Звездные войны») решили попытать счастья на Уолл-стрит.
Фондовая биржа в Нью-Йорке в 1987 году начала использовать программный продукт прогнозирования Stockwatch Alert Terminal (SWAT) II и вела переговоры о его внедрении с рядом бирж Европы и региона Юго-восточной Азии. В этот период времени на рынке появляются программные продукты моделирования и прогнозирования банкротства, анализа портфеля ценных бумаг, оптимальной торговли акциями, а также предназначенные для определения вероятности риска при выдаче кредита. Подразделение Mellon Bank в Питтсбурге (США) применило программную систему Neural-Works Professional II/Plus 5,0 компании Neural-Ware (Питтсбург, США) для распределения фондов и специальной селекции акций, так как в ходе работы было обнаружено, что между влияющими факторами и прогнозируемыми параметрами существуют нелинейные связи, не поддающиеся точному учету с помощью стандартных статистических методов.
Департамент торговли и промышленности правительства Великобритании финансирует две программы, направленные на развитие нейронных вычислений в финансовой сфере. Первая -«Нейропрогнозирование», инициированная Лондонской школой бизнеса совместно с университетским колледжем Лондона (UCL). Вторая -«Нейронные сети для финансовых услуг» создана TBS Bank Technology совместно с UCL и Центром прогнозирования Henley. Среди финансовых институтов, использующих технологию нейронных сетей - Chemical Bank, Citibank, Л3 Morgan и др.
Специалисты программы «Нейропрогнозирование» разработали модель для выработки тактики распределения фондов на глобальных рынках облигаций. Модель охватывает семь географических регионов: Великобританию, Францию, Германию, Японию, США, Канаду, Австралию, каждый из которых моделируется с помощью нейронных сетей с различной структурой. Для получения краткосрочных прогнозов обучение нейронной сети производилось с использованием статистической информации, характеризующей ситуацию на этом рынке за каждый месяц. Далее, полученные локальные прогнозы объединяются в центре управления единым портфелем ценных бумаг. С ноября 1992 года данная программная система использовалась Североамериканской страховой компанией (г. Бостон, США). В результате использования капитал компании увеличился с 25,0 до 50,0 млн долларов, а портфель ценных бумаг повысил доходность на 25,0 % в первый год внедрения системы.
В качестве инструмента для оптимизации параметров нейронных сетей часто используются генетические алгоритмы. В частности, компанией Hill Samuel Investment Management разработана программная система для прогнозирования результатов контрактов по долгосрочным ценным бумагам повышенной надежности. При моделировании нескольких стратегий торгов в задаче прогнозирования направлений движения рынка она достигла точности 57,0 %.
В страховой компании TSB General Insurance (г. Ньюпорт, США) используется сходная методика для прогноза уровня риска при страховании частных кредитов. Эта нейронная сеть самообучается на статистических данных о состоянии безработицы в стране.
Прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков
Задачей автоматизированной системы прогнозирования краткосрочных и долгосрочных тенденций финансовых рынков является анализ некоторого набора влияющих факторов с последующим выводом о дальнейшем краткосрочном или долгосрочном поведении прогнозируемой величины.
Возможными прогнозируемыми величинами для подобных систем являются доходность и ценовые показатели: средневзвешенная цена, цены закрытия и открытия, максимальная и минимальная цены. Причем прогнозироваться могут как показатели, определенные для целой группы инструментов или некоторого рынка в целом, так и показатели, определенные только для одного инструмента финансового рынка. Как для совокупности инструментов, так и для каждого индивидуально может определяться доходность; ценовые показатели определяются для каждого конкретного инструмента. Целями прогноза (прогнозируемой величиной) в области финансовых рынков могут являться, например, средневзвешенная доходность бескупонных облигаций (для группы инструментов), средневзвешенная цена акции РАО «ЕЭС России», курс американского доллара к рублю и др.
В качестве исходных данных (влияющих факторов) для такого прогноза могут использоваться различные макро- и микроэкономические показатели, информация с торговых площадок, данные, предоставляемые информационно-торговыми агентствами, экспертные оценки специалистов. Количество влияющих на прогноз факторов зависит от рассматриваемого рыночного инструмента и конкретной рыночной ситуации (временного момента). То есть одни факторы оказывают влияние на все финансовые рынки, другие - только на определенные. Кроме того, влияние факторов на рынки может меняться с течением времени (меняются рыночные тенденции). Так как в определенные моменты времени прослеживается явная взаимосвязь между финансовыми рынками и инструментами рынков, целесообразно в качестве исходных данных для прогнозирования одного рынка или его инструментов использовать информацию о тенденциях других рынков. Например, при прогнозировании цены открытия «сегодня» для любых инструментов всех финансовых рынков, этот прогноз сильно зависит от цены закрытия «вчера» и обе эти величины могут выступать как прогнозируемые.
Прогнозирование краткосрочных и долгосрочных тенденций финансовых рынков включает следующие этапы.
Сбор и хранение статистических данных - возможной исходной информации для прогноза (либо в качестве исходных данных, либо в качестве прогнозируемой величины, либо как и то и другое);
Определение для рассматриваемого рынка или инструмента прогнозируемой величины и набора влияющих факторов (причем не всегда могут быть использованы данные, непосредственно хранящиеся в базе данных, зачастую требуется произвести некоторые преобразования данных: например, часто в качестве таких факторов используются относительные изменения величин);
Выявление зависимости между прогнозируемой величиной и набором влияющих факторов в виде некоторой функции;
Вычисление интересующей величины в соответствии с определенной функцией, значениями влияющих факторов на прогнозируемый момент и видом прогноза (краткосрочный или долгосрочный).
Процедура выполнения краткосрочного прогноза отличается от процедуры долгосрочного на первом и четвертом этапах. В случае краткосрочного прогноза считается, что все участвующие в нем значимые влияющие факторы на прогнозируемую дату известны и хранятся в базе данных. Горизонт краткосрочного прогноза не превышает 3-4 дня. В случае долгосрочного прогноза считается, что значимые влияющие факторы на прогнозируемую дату неизвестны и должны быть указаны ожидаемые значения и погрешности. Соответственно погрешность определения прогнозируемой величины существенно увеличивается (чем дальше горизонт прогноза, тем больше погрешность определения влияющих факторов и вероятность ошибки аналитика). Горизонт долгосрочного прогноза, как правило, превышает 3-4 дня.
Кредитование
Характерный пример успешного применения нейронных сетей в финансовой сфере - управление кредитными рисками. Перед выдачей кредита для оценки вероятности собственных убытков от несвоевременного возврата финансовых средств крупные банки, как правило, предпринимают сложные статистические расчеты по определению финансовой надежности заемщика. Такие расчеты обычно базируются на оценке кредитной истории, динамики развития компании, стабильности ее основных финансовых показателей и многих других факторов. Так, Bank of New York, США опробовав метод нейронных вычислений и применив его для оценки 100 тыс. банковских счетов, выявил свыше 90,0 % потенциальных неплательщиков.
Прогнозирование тенденций фондового рынка (рынка акций)
Важная область применения нейронных сетей в сфере финансов -прогнозирование ситуации на фондовом рынке. Стандартный подход к решению этой задачи (не использующий нейронные сети) базируется на жестко фиксированном наборе «правил игры», который со временем теряет свою актуальность из-за изменения условий торгов на фондовой бирже. Помимо того, системы, построенные на основе такого стандартного подхода, оказываются слишком медленными для ситуаций, требующих от трейдера (участника торгов) мгновенного принятия решений.
Рассмотрим, некоторые особенности действий на фондовом рынке.
Трейдер, принимающий решения о купле-продаже акций, имеет доступ к одному или нескольким электронным источникам информации (Reuters, Dow Jones Telerate, Bloomberg, Tenfore). Он наблюдает текущие значения и графики интересующих его индексов на мировых фондовых биржах, основные кросс-курсы валют и другие показатели валютного, фондового и кредитного рынков в многооконной среде с различной степенью детализации.
На принятие его решения о купле-продаже акций, естественно, влияют макроэкономические и общественно-политические события, сообщения о которых через каждые 5-10 минут появляются в текстовом окне монитора и сопровождаются комментариями экспертов, озвучивающих разнообразные слухи и прогнозы. Трейдеру также доступна дополнительная информация, такая как сообщения из Центрального банка России и от других значащих источников об основных показателях рынков.
Обязательно учитывается психология конкурирующих трейдеров, для которых важную роль играют ожидания ряда влияющих событий. Например, в 16:00 многие московские трейдеры внутренне готовы к изменениям тенденции поведения индекса Доу-Джонса на Нью-Йоркской фондовой бирже, которая с учетом сдвига по часовым поясам открывается лишь в 17:30 по московскому времени.
Фондовый рынок характеризуется также следующими особенностями:
рыночные процессы весьма неоднородны во времени: например, состояние рынка осенью существенно отличается от его состояния летом того же года; поэтому не всегда имеет смысл формировать обучающие выборки большого объема;
«загрязнениями» данных и их неоднородностью;
наличием малоинформативных показателей при относительно малом объеме статистики.
В целом, задача краткосрочного прогноза котировок акций пусть и с использованием нейронных сетей представляется достаточно сложной, особенно на стремительно изменяющемся российском фондовом рынке.
Примером прогнозирования тенденций фондового рынка может служить нейросетевая система (компания Alela Corp.), предназначенная для прогноза изменения биржевых индексов Dow Jones, S&P500 и Merval. На сайте компании можно бесплатно воспользоваться прогнозом изменения данных индексов и, используя его в качестве дополнительной информации, убедиться, что доля верных прогнозов составляет не менее 80,0 %.
Японские компании, оперирующие на рынке ценных бумаг, также широко применяют нейронные сети (компания Mitsubishi). Для входа нейронной сети использовалась информация о деловой активности нескольких организаций, полученная за 33 года, включая также оборот, предыдущую стоимость акций, уровни дохода и т.д. Данная нейронная сеть самообучалась на реальных примерах и показала высокую точность прогнозирования, а также быстродействие. Общая результативность прогноза по сравнению с системами, использующими стандартные статистические подходы, улучшилась на 19,0 %.
Оптимальное распределение свободных средств банка между различными финансовыми рынками
Успешное прогнозирование поведения как финансовых рынков в целом, так и их отдельных инструментов позволяет банку эффективнее управлять имеющимися в его распоряжении средствами.
Задача оптимального распределения свободных средств между различными финансовыми рынками и их инструментами встает перед банком ежедневно. Любой банк имеет в своем распоряжении «портфель», куда могут входить различные ценные бумаги и валюта. Принцип формирования портфеля - получение прибыли с вложенного в финансовые инструменты капитала не ниже некоторого фиксированного уровня при минимальном для этого уровня риске.
Ежедневно могут происходить следующие взаимоисключающие процессы: поступление денежных средств для их вложения в финансовые инструменты и отток денежных средств для выполнения обязательств банка. То есть существуют следующие причины для изменения состава портфеля:
с течением времени отдельные финансовые инструменты начинают терять свою привлекательность и необходимо выполнить оптимальное (доходность не ниже фиксированного уровня, риск - минимальный) перераспределение средств между финансовыми инструментами внутри портфеля;
банку необходимо выполнить некие требования, для чего реализуется некоторое количество финансовых инструментов, входящих в портфель, на определенную сумму; естественно, что финансовые инструменты должны быть выбраны таким образом, чтобы характеристики портфеля по возможности не ухудшились;
у банка увеличился объем свободных денежных средств и необходимо произвести их оптимальное распределение между различными финансовыми инструментами.
Независимо от причины и механизма изменения состава портфеля расчет выгодности этих изменений производится на фиксированную дату, называемую горизонтом портфеля.
Исходными данными для задачи оптимального распределения свободных средств между различными финансовыми рынками и их инструментами являются либо результаты долгосрочного прогноза для всех рассматриваемых инструментов, либо вероятностный анализ поведения рассматриваемых инструментов в сходных рыночных ситуациях.
Выбор финансового инструмента с максимальной предполагаемой доходностью не составляет большого труда, но задача усложняется необходимостью учитывать риск предполагаемых вложений, т.е. возможность инструмента не реализовать эту доходность. Как правило, чем выше доходность, тем выше риск, и снижение риска ведет к снижению доходности. Поэтому при планировании распределения средств банка рассматриваются две задачи:
вложение средств с минимальным риском;
вложение средств с доходностью не ниже фиксированного уровня и минимальным для этого уровня риском.
Классическим примером снижения риска портфеля в целом является сочетание в нем инструментов с отрицательным коэффициентом корреляции.
Поступление данных в систему. В программном продукте, применяемом в Промстройбанке, реализован автоматизированный ввод в нейронную сеть новой информации из следующих источников:
информационно-торговые данные агентства REUTERS;
торговые данные с площадок ММВБ и РТС;
прочие данные с использованием ручного ввода.
Выбор и подготовка данных для участия в прогнозе. Задача данного этапа прогнозирования - выбор из более чем 200 видов информационно-торговых данных наиболее значимых влияющих факторов для прогноза интересующей стоимостной величины некоторого финансового инструмента или группы финансовых инструментов. Первичный выбор влияющих факторов осуществляется специалистом и зависит от его опыта и интуиции, в виду того, что автоматизация этого процесса, как правило, неэффективна. В помощь специалисту предоставляются инструменты технического анализа в виде графиков, анализируя которые можно уловить скрытые взаимосвязи. Специалист также может использовать доступные ему матрицы корреляции и ковариации для указанной выборки влияющих факторов и прогнозируемой величины, однако, с помощью матриц корреляции и ковариации не удается уловить нелинейную, редко возникающую зависимость, которая, тем не менее, может оказать существенное влияние на прогнозируемую величину.
После осуществления прогноза аналитик может определить значимость участвовавших в нем влияющих факторов по изменению функции оценки и выходных сигналов системы с целью окончательной коррекции участвующих в прогнозе влияющих факторов.
Достаточно часто возникает ситуация, когда в качестве влияющего фактора или прогнозируемой величины полезно использовать информационно-торговые данные в преобразованном с помощью некоторой функции виде. Например, в качестве значимого влияющего фактора при прогнозе цены часто используется та же самая цена, но с однодневным сдвигом. Поэтому для преобразования влияющих факторов и прогнозируемых величин был определен ряд операций, которые можно применять в любой последовательности. Кроме того, с помощью соответствующих последовательностей данных операций реализуются все наиболее популярные инструменты технического анализа.
Процесс определения величин, участвующих в прогнозе, как в качестве значимых влияющих факторов, так и в качестве прогнозируемой величины, является наиболее субъективным и трудоемким. И, естественно, нет необходимости повторять его каждый день для всех интересующих аналитика финансовых инструментов. Существует возможность сохранения перечня выбранных влияющих факторов, участвующих в прогнозе, и выполненных с ними преобразований для некоторого финансового инструмента или группы инструментов.