Трудности с формализацией реальных проблем возникли еще в прошлом веке. Нейронные сети, появившиеся примерно в то же время, помогли продвинуться в решении этой проблемы. "Нейронными сетями" сейчас называют любую ту или иную структуру, которая так или иначе моделирует процессы, имитирующие работу человеческого мозга. Благодаря алгоритмам, построенным по принципам работы мозга, упрощается обработка больших объемов информации. Эти алгоритмы обладают способностью к обучению. Именно эта способность является главным преимуществом нейронных сетей перед классическими алгоритмами, что делает их актуальным направлением в исследованиях и разработках [1].

Нейронные сети используются там, где типы связи между входными и выходными данными неизвестны. Существует два типа алгоритма обучения: "обучение с учителем", то есть контролируемое, и "обучение без учителя", соответственно - неуправляемое. Один из них выбирается для дальнейшей работы. Обычно это "контролируемое обучение". Для контролируемого метода подготавливается набор обучающих данных, который представляет собой группу входных сигналов и соответствующую им группу выходных сигналов. Нейронная сеть обучается путем создания связей между этими двумя группами. Она ищет соответствия и запоминает их. Как правило, данные для обучения берутся из некоторой исторической информации.

После загрузки данных нейронная сеть начинает обучаться с помощью выбранного алгоритма. Наиболее часто для этой цели используется метод обратного распространения ошибки. Этот метод использует загруженные значения для измерения весов и порогов таким образом, чтобы вероятность ошибки в прогнозировании на обучающей выборке снижалась. Далее, на примере первичных данных, сеть может найти неизвестную функцию, если обучение было успешным. Благодаря тому, что нейронная сеть сама формирует связи между входными и выходными данными, ее можно использовать в задачах, где выходные значения неизвестны.

Сейчас нейронные сети имеют немалое количество применений, в которых человек уступает в эффективности машине, а аналитические расчеты требуют много времени. Такими областями являются экономика, медицина, научные исследования, энергетика, производство, военная промышленность, информационные технологии и др.

В настоящее время существует множество программ, основанных на технологии нейронных сетей. Перечень вопросов, которые они решают, включает задачи от распознавания лиц и речи до прогнозирования. Принцип построения нейронной сети заложен в каждой задаче, в которой можно построить четкий алгоритм решения. Например, прогноз погоды, распознавание текста, сочинение музыки и т.д. [2, 3].

Использование технологий нейронных сетей с каждым годом становится шире. Сфера экономики не стала исключением.

Экономика не стоит на месте и каждый год приносит все больше информации, которую человек не может, используя свои возможности, грамотно обработать. Нейронные сети уже играют значительную роль в экономической деятельности.

Сегодня нейротехнологии в экономике используются для оптимизации товарно-денежных потоков, прогнозирования динамики политических рейтингов, оптимизации производственного процесса, прогнозирования рынков, комплексной диагностики качества продукции, прогнозирования рынков и многого другого. Одной из задач, решаемых нейронными сетями благодаря способности выявлять скрытые зависимости, является прогнозирование.

Нейросетевое прогнозирование используется в следующих аспектах экономики:

• определение надежности компании;
• прогнозирование объема продаж;
• определение риска банкротства компании;
• прогнозирование спроса на товары и услуги;
• оценка рисков;
• оценка эффективности проектов и др.

Нейронные сети используются во многих финансовых учреждениях для прогнозирования экономических параметров, фондовых индексов и для управления инвестициями.

Citicorp, который является ярким примером успешного использования нейронных сетей, использует нейронные сети для анализа и прогнозирования колебаний валютных курсов. Брокеры корпорации проигрывали в точности прогнозам, сделанным нейронной сетью.

С помощью нейронных сетей LBS Capital Management удалось повысить точность прогнозов фондовых индексов S&P 500 [4, 5].

Очень сложно создать математическую модель, отвечающую всем требованиям, потому что экономические, социальные, финансовые системы достаточно сложны. На них влияет множество факторов, событий и действий людей. Для разработки собственной нейронной сети необходимы огромные объемы данных для ее обучения, опытные программисты и серьезные вычислительные мощности. Пока что реализация этой технологии очень дорога. Но, несмотря на стоимость и сложность, она довольно быстро окупается там, где ведется работа с колоссальными потоками данных [6].

Нейронные сети могут использоваться в качестве замены логистической регрессии или дискриминантного анализа в задачах классификации данных. Нейронные сети способны классифицировать данные, которые разделены нелинейно.

Наиболее распространенным нелинейным методом является байесовский классификатор. Он строит квадратичную разделимую поверхность, в то время как нейронная сеть способна построить поверхность более высокого порядка. Байесовский классификатор требует большого количества примеров для точной оценки вероятности для каждой комбинации интервалов значений переменных. В то время как нейронная сеть обучается на всей выборке данных, не разделяя ее на фрагменты, что приводит к повышению адекватности ее настроек [7, 8].

Благодаря своей гибкости нейронные сети имеют широкий спектр практического применения. Эту область необходимо изучать и развивать. Действительно, сейчас уже существуют эффективные методы, которые используются в различных сферах деятельности. Но это скорее узкие области. Нейронные сети не могут полностью заменить человека в решении задач. Поэтому эти технологии еще предстоит исследовать.