Рисунок 1 - Нейрон
Факультет: Компьютерных информационных технологий и автоматики
Специальность: Информационные управляющие системы и технологии
Научный руководитель: доцент Светличная Виктория Антоновна, Донецкий националный технический университет, доцент кафедри автоматизированные системи управления
Во время экономического кризиса большая часть населения не хочет оставить свои средства в банках. Поэтому, согласно законодательству в случае выплат более пяти процентов капитала банка, они имеют право не выплачивать всю сумму, а только ту, которую установлено действующим законодательством.
Страховая компания УАСК «АСКА» представляет собой юридическое лицо, которое занимается страхованием, другими чем страхование жизни. Основным источником обязательного страхования которой является страхование гражданской ответственности владельцев транспортных средств. Согласно законодательству каждая страховая компания обязательно должна иметь страховой запас - деньги для покрытия страховых случаев, остальные деньги компания вправе использовать по своему усмотрению. Чаще всего компаний инвестируют эти деньги на депозитные счета, сроком более шести месяцев. Для расчета этого запаса используются валовые поступления страховых платежей (входные данные).
В условиях кризиса эти поступления все больше отклоняются от вида линейной функции - функции первого порядка, а переходят к виду функции более высоких порядков.
Значительное влияние на страховую деятельность имеет тот фактор, что рынок почти насытился автомобильной продукцией крупных концернов. Этот вывод можно сделать из выступления по телевидению владельца одного из таких концернов. Согласно его словам, на четвертый квартал 2008 года покупка автотранспорта снизилась втрое согласно показателю на первое января 2008 года. На снижение автотранспорта влияет также тот фактор, что банковская структура в значительной степени потерпела ущерба в связи с кризисом. Для уменьшения полученного вреда, банки увеличили кредитные проценты на уже выданные кредиты почти вдвое, а также временно приостановили выдачу кредитов на покупку жилья или автотранспорта.
В условиях такой не стабильной ситуации прогноз ВНСП и страховых выплат, а также расчет страхового запаса, который должен перекрыть все страховые выплаты (возмещение) для страховой компании не пришлось снимать средства с депозитных счетов и тем самым потерять депозитные начисления, является очень актуальной темой.
В этой магисторской работе будут проанализированы методы прогноза взносов и выплат в условиях страховой компании УАСК «АСКА». Также проанализированы методы расчета страховых запасов и выбор более выгодного для компании.
Одной из целей также выступает система поддержания и принятия решения по вопросу доходности и дальнейшего развития некоторых видов страхования.
Поиск наиболее точного и четкого прогноза прибыли является наиболее необходимой задачей. Основным источником дохода для страховой компании взносы, а расходов - выплаты. Прогноз этих двух параметров позволит наиболее четко рассчитать возможный доход.
После этого можно определить какую сумму и на какой период можно вложить. Чем больший период, тем большую прибыль можно получить, но и больший риск.
Благодаря методам прогноза можно точно вычислить какую сумму можно вложить на депозит и на которых срок. Среди многих методов прогноза выделяют прогнозирования с использованием нейронных сетей, которые дают достаточно точные прогнозы и быстро адаптируются к быстро змиюючим параметрам.
Данная работа выполняется в течение 2008-2009 гг по направлению кафедры АСУ. Работа связана с
научной программой по оптимизации процессов прогнозирования и планирования на предприятии.
Основная цель - создание системы поддержки принятия решения для распределения финансовых средств предприятия.
Эта система должна советовать какую сумму финансовых средств и на какой срок можно вложить на депозитный счет, и с какой степенью риска.
Для решения этой задачи необходимо спрогнозировать взносы и выплаты. Для прогнозирования выделили такие задачи:
1. Анализ предприятия, его деятельности
2. Анализ существующих методов прогнозирования, выделение их недостатков
3. Анализ существующих программных продуктов, выделение их недостатков
4. Выбор метода прогноза,
5. Разработка алгоритма определения суммы дапозита и степени риска.
В дальнейшем для работы алгоритма будут исполоьзоваться нечеткие множества.
Идея работы заключается в создании компьютерной системы поддержки принятия решения, которое адекватно делает выводы по существующим данных и их динамике их изменения.
Проанализировав и выделив основные факторы, влияющие на взносы и выплаты можно сделать вывод, какие факторы являются наиболее влиятельными. Выделив их динамику изменения можно сделать выводы о подальщи изменение взносов и выплат.
После этого сделать расчет прибыли и страхового запаса. И на основе этих данных можно сделать вывод какую сумму и на какой срок рекомендовано вложить в депозитные счета.
В УАСК «АСКА» для решения поставленной задачи не была спроектирована такая система. Аналогом такой системы в других компаниях является 1С:Предприятие или другие программные продукты, которые используют для расчета традиционные методы прогноза.
Программные продукты, использующие традиционные методы прогноза получили свое широкое распространение в 80-х годах. К их недостаткам можно отнести большую погрешность, а также необходимость использования для расчетов всех предыдущих значений входных переменных.
Планируемая новизна заключается в создании такого алгоритма, который будет использовать современные методы прогноза (искусственные нейронные сети), которые адаптивны к любым изменениям внешней среды (сезона, среднего заработка и других) и нечеткую логику, которая будет советовать какую сумму депозита и с какой степенью риска можно вложить на счет. Искусственные нейронные сети для прогноза позволят производить обучение без учителя, что позволит не вмешиваться в работу подсистемы, также расчетное время и погрешности будут очень малы.
Практическая значимость работы заключается в создании подсистемы поддержки принятия решения при распределении финансовых средств в условиях страховой компании УАСК «АСКА». Данная подсистема будет учитывать сезонность, динамику изменения рынка сбыта автомобильной продукции, среднюю заработную плату населения, спрос на автомобили и другие факторы.
В своей магисторской работе Бодня Дмитрий Николаевич «Разработка экспертной системы оценивания эффективности инвестиционных проектов по критерию ставки дисконтирования» исследовал инвестиции и методы прогнозирования. Очень четко и понятно описаны структуры и алгоритмы работы нейронных сетей, их преимущества и недостатки.
Мною были рассмотрены и проанализированы статьи и публикации, такие как:
Банкиры умерили щедрость (комментарий Павла Крапивина, заместителя Председателя Правления ОАО ТФБ «Контракт») // Дело. — 2009. — 30 апреля.
«Тюнинг» депозитных вкладов (комментарий Катерины Горбач, начальника Управления клиентской политики ОАО ТФБ «Контракт») // Banki.ua. — 2009. — 15 апреля.
Зачем банки в Украине наращивают капитал (комментарий Павла Крапивина, заместителя Председателя Правления ОАО ТФБ «Контракт») // Дело. — 2009. — 13 марта.
Мною были исследованы статьи и публикации:
Прирост депозитов в российских банках составил в январе 3,6%. Источник: www.willbe.ru.
Структурный анализ финансовых потоков в России в посткризисный период. Автор: Московским Общественным Научным Фондом
Российский рынок банковских вкладов и депозитов. Декабрь. 2007. Источник: http://www.businessvision.ru/
Человеческий мозг работает более эффективно и другим образом, чем любая вычислительная машина. Именно это побуждало ученых к изучению мозга, а в частности работу нейрона мозга – наименьшую частицу мозга человека.
К первым раскрыть секрет высокой эффективности мозга можно отнести Рамон-и-Кахаля (1911) [1], в своей работе он высказал идею о нейроне как о структурной единице мозга, но по исследованиям нейрон имеет на 5—6 порядков меньшую скорость срабатывания, чем полупроводниковый логический элемент. Высокая производительность достигается путем большого количества нейронов и связями между ними.
Сеть нейронов, образующая человеческий мозг, представляет собой высокоэффективную, комплексную, нелинейную, существенно параллельную систему обработки информации [2]. Она способна организовать свои нейроны таким образом, чтобы реализовать восприятие образа, его распознание или управление движением, во много раз быстрее, чем эти задачи будут решены самыми современными компьютерами [3].
Искусственная нейронная сеть является упрощенной моделью мозга. Она строится на основе искусственных нейронов, которые обладают пластичностью. Пластичность позволяет искусственной нейронной сети стать универсальной системой обработки информации. В общем случае искусственная нейронная сеть — это машина, моделирующая способ работы мозга. Обычно искусттвенная нейронная сеть реализуются в виде электронных устройств или компьютерных программ. Среди многих можно выделить определение искусственной нейронной сети как адаптивной машины, данное в [4]: искусственная нейронная сеть — это существенно параллельно распределенный процессор, который обладает естественной склонностью к сохранению опытного знания и возможностью предоставления его нам. Она сходна с мозгом в двух аспектах: знание приобретается сетью в процессе обучения, для сохранения знания используются силы межнейронных соединений, называемые также синаптическими весами.
Процедура, используемая для осуществления процесса обучения, называется алгоритмом обучения. Ее функция состоит в модификации синаптических весов искусственной нейронной сети определенным образом так, чтобы она приобрела необходимые свойства. Модификация весов является традиционным способом обучения искусственной нейронной сети. Такой подход близок к теории адаптивных линейных фильтров, которые уже давно и успешно применяются в управлении. Однако для искусственных нейронных сетей существует еще и возможность модификации собственной топологии, основывающаяся на том факте, что в живом мозге нейроны могут появляться, умирать и менять свои связи с другими нейронами.
Можно сделать вывод, что нейронные сети имеют такое широкое распространение и возможности из-за своей способности к обучению (пополнению знаний), а также за счет своей распределенной структуре.
Нейрон является элементарным функциональным модулем, который является аналогом функций преобразования (действия) нейрона головного мозга. Существуют разные модели нейронов, среди которых выделяют три основных: логические, непрерывные и импульсные. В структуре нейрона можно выдели три основных части:
Рисунок 1 - Нейрон |
Нейрон реализует функцию представленую ниже.
 |
(1) |
Нейроны объединяют в группы или слой. Один слой или несколько образуют нейронную сеть. Нейроны входного слоя получают сигналы, преобразуют их и потом передают нейронам скрытого слоя. Далее срабатывает следующий слой вплоть до выходного. Выходной слой выдает сигналы для пользователя. Каждый вывод нейронов любого слоя подается на вход всех нейронов следующего слоя. Число нейронов в слое может быть любым. Схема нейронной сети представлена на рисунке 2.
 Рисунок 2 - Передаточная функция |
ИНС могут обучаться, то есть улучшать свою работу под воздействием окружающей среды, изменяющей ее параметры. Существует множество определений термина «обучение», однако применительно к ИНС наиболее подходит следующее, данное Менделем и Маклареном[5]: обучение - это процесс, при котором свободные параметры нейронной сети адаптируются в результате ее непрерывной стимуляции внешним окружением. Тип обучения определяется тем способом, которым производятся изменения параметров.
В современной литературе кроме термина «обучение» также используются равноправные понятия «тренировка сети» и «настройка параметров сети».
При решении задач управления обычно используется контролируемое обучение ИНС, которое подразумевает наличие «учителя», который наблюдает реакцию сети и направляет изменения ее параметров.
Существует две разновидности контролируемого обучения: прямое контролируемое обучение и стимулируемое обучение. Так как первый вид появился раньше второго и более распространен, то обычно на него ссылаются просто как на контролируемое обучение.
ИНС изначально никакими знаниями не обладает. В процессе обучения «учитель» и сеть подвергаются воздействию со стороны внешней среды, то есть на их входы поступает тренировочный сигнал, совпадающий с одним из входных шаблонов. «Учитель» сообщает сети, какова должна быть правильная (желаемая) реакция на поступившее воздействие, выдавая соответствующий выходной шаблон. На основании величины ошибки между реальным и желаемым выходами сети по определенному правилу проводится настройка ее параметров. Повторяя этот процесс итеративно можно настроить ИНС так, что она будет эмулировать «учителя», то есть его знания о внешней среде перейдут к ней.
Типичными задачами, решаемыми с помощью прямого обучения, являются аппроксимация неизвестной функции, описываемой набором данных, и идентификация динамического объекта. В этих задачах известны входные сигналы и правильная реакция на них, то есть тренировочный набор шаблонов.
Наиболее известным методом прямого контролируемого обучения слойных прямонаправленных ИНС является алгоритм обратного распространения ошибки (backpropagation algorithm), представляющий собой обобщение метода наименьших квадратов.
Стимулируемое обучение не использует знания «учителя» о желаемом выходе ИНС, вместо этого обучение проводится по результату оценки проводимого сетью преобразования вход-выход. Оценку выполняет внешнее окружение после подачи на вход сети тренировочного воздействия. При этом настройка параметров ИНС проводится так, чтобы максимизировать скалярный индекс этой оценки, называемый стимулом (reinforcement signal).
Идея такого способа опирается на реальный процесс обучения, проходящий у живых существ. В психологии он известен, как закон действия Торндайка. Применительно к стимулируемому обучению ИНС этот закон может быть перефразирован следующим образом: если действие, предпринятое системой обучения, приводит к удовлетворительному результату, то тенденция системы проводить это же действие увеличивается (система стимулируется). В противном случае тенденция производить такое действие уменьшается.
Наиболее характерным примером системы стимулируемого обучения является адаптивная система управления. В ней обучаемой частью является контроллер, а объект управления, внешние воздействия и сигналы задания выступают его внешней средой. В результате воздействия из этой среды контроллер вырабатывает определенный управляющий сигнал, который переводит объект управления в новое состояние. При этом качество управления можно оценить лишь по выходному сигналу объекта. Так как требуемая реакция контроллера, обеспечивающая заданное состояние объекта, заранее неизвестна, то нельзя сформировать тренировочный набор шаблонов, и, следовательно, применить прямое контролируемое обучение. В этом случае возможно лишь стимулируемое обучение контроллера по качеству работы всей системы управления в целом, то есть по оценке состояния внешней среды.
Возможны две реализации стимулируемого обучения: с непосредственным стимулированием и с задержанным стимулированием. В первом случае оценка работы и соответствующая ей настройка параметров ИНС проводится на каждом шаге работы системы обучения. Во втором случае, при задержанном стимулировании настройка сети выполняется так, чтобы максимизировать кумулятивную оценку работы системы на определенной последовательности шагов.
Хотя непосредственное стимулирование более свойственно классическим схемам адаптивного управления, в последнее время большое внимание уделяется методам задержанного стимулирования. Для сходимости метода непосредственного стимулирования необходимо, чтобы каждое последующее положение внешней среды определялось лишь ее предыдущим положением и предыдущим воздействием, оказанным ИНС. При задержанном обучении такое ограничение снимается. С другой стороны, гораздо проще сформулировать критерий определяющий оптимальное поведение системы управления в целом, по результатам какого-то действия, чем критерий, направляющий ее движение на каждом шагу. В общем, можно заметить, что система, обучающаяся лишь по результатам своего взаимодействия с внешней средой, является более интеллектуальной, чем использующая дополнительную информацию "учителя".
Существует множество модификаций классического алгоритма обратного распространения ошибки для использования его как метода прямого или стимулируемого обучения ИНС. Однако существенной проблемой, возникающей при использовании его и других методов настройки параметров ИНС, основанных на методе наименьших квадратов или наискорейшего спуска, является их локальность. В то же время целевая функция (суммарная ошибка на тренировочном наборе шаблонов или кумулятивная оценка эффективности работы обучаемой системы) не унимодальная. Количество локальных оптимумов для большинства практических задач обучения исчисляется миллионами при размерности поискового пространства порядка 100-1000. Вследствие этого результат обучения зависит от правильности выбора стартовой точки, и возникает необходимость многократного повторения процедуры настройки параметров ИНС.
Перечисленные проблемы могут быть решены при использовании методов глобальной оптимизации. Наиболее эффективным из них является генетический алгоритм (ГА). Рассматривая ИНС как единый набор параметров, ГА способен осуществлять ее оптимальную настройку при размерности поискового пространства достаточной для решения большинства практических задач. При этом спектр рассматриваемых приложений гораздо превосходит возможности алгоритма обратного распространения ошибки.
В последние десять лет разработано множество способов контролируемого обучения ИНС с помощью ГА. Полученные результаты доказывают большие возможности такого симбиоза. Совместное использование ИНС и ГА алгоритмов имеет и идеологическое преимущество потому, что они относятся к методам эволюционного моделирования и развиваются в рамках одной парадигмы заимствования техникой природных методов и механизмов как наиболее оптимальных.
В результате проделанной работы, после постановки задачи, были проанализированы существующие программные пакеты, работающие в подобном направлении, методы для прогноза в условиях страховой компании, их недостатки.
После детального анализа был выбран метод прогноза на основе нейронных сетей, который дает наиболее точные и оптимальные прогнозы.
Мною были проанализированы виды страхования и факторы, которые влияют на них. Из всех видов страхования выделили основные виды и факторы, которые влияют на эти виды страхования.
Основные видов страхования:
• Страхование наземного транспорта (кроме железнодорожного);
• Страхование от огненных рисков и рисков стихийных бедствий;
• Страхование имущества;
• Страхование гражданской ответственности владельцев транспортных средств.
Основные факторы:
• Время;
• Количество страховых случаев;
• Средний заработок;
• Процент кредита;
• Стаж водителей;
• Изменение стоимости машин;
• Количество приобретаемых машин;
• Уровень;
Была проанализирована динамика изменения этих факторов за период с 2004 – 2008 года.
 Рисунок 3 - Структура нейронной сети (анимация состоит из 4 кадров, частота смены которых 2 Гц, имеет непрерывный цикл повторения, объём - 22 847 байт) |
Для работы алгоритма и системы будут впоследствии использоваться нечеткие методы, которые по данным прогнозирования смогут точно определить какую сумму, на какой срок и с какой степенью риска можно вложить на депозитный счет.
При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2009 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.