Анализ и перспективы применения нейросетевых технологий на финансовых рынках

    Искусственный интеллект перестал быть чем-то фантастичным и его применение в науке и технике настолько широко, что нет необходимости и возможности описать все сферы приложения данной темы. Очень широко обсуждается применение нейронных сетей, как составляющей интеллектуальных систем, так и как самостоятельный инструмент анализа данных, распознавания образов и т.д. Все чаше в научных публикациях мы встречаем описание применения нейронных сетей для различных областей науки и техники. Достаточно большое количество работ посвящено теоретическим аспектам совершенствования или доработки известных алгоритмов нейросетевых технологий. Однако практическое применение этих технологий остается не достаточно освещенным вопросом. В большинстве научных и публицистических работ говорится, о том, что нейронные сети (далее по тексту НС) были применены и получены какие-то результаты. Изучая большую часть таких работ, складывается впечатление, что реальное, «устойчивое»  применение полученных результатов или невозможно, или далеко от практики. 

       Исследовать и изучать нейросетевые технологии без конкретного применения на практике, когда все ошибки и просчеты «наказываются рублем» не эффективно. Так как исследователь, по сути, не несет ответственности, кроме моральной, за не точность своих выводов и результатов. Такие исследования сводятся к очередной попытке описать проблему, предложить решение, но доказать работоспособность не получается. Поэтому автор данной статьи выбрал в качестве конкретного приложения финансовый рынок, где на правильном прогнозе и применении нейросетевых технологий можно заработать, а можно и потерять собственные денежные средства. Кроме того, сложность процесса формирования котировок на финансовом рынке позволяет в полной мере протестировать и показать всю «мощь» и эффективность нейронных сетей.

   Сначала необходимо понять стоящие перед исследователем проблемы при реализации задач прогнозирования или оценки финансового рынка с использованием  нейросетевых технологий. Перечислим некоторые из них, с которыми сталкивается исследователь.

  1. Большая стоимость и недоступность пакетов прикладных программ, реализующих технологии нейронных сетей.
  2. Не достаточная компетентность исследователей в предметной области и методологии применения НС.
  3. Нет формализованного алгоритма (методики) использования НС, что приводит чаще всего к «подгонке» результатов исследований.
  4. Проблема поиска оптимальной структуры (топологии) и параметров обучения нейронной сети.
  5. Неправильная первоначальная обработка и оценка качества входных данных.
  6. Проблема интеграции специализированного программного обеспечения с торговыми терминалами финансового рынка.
  7. Нехватка квалифицированных экспертов в этой области.

      Следует обсудить каждый из этих пунктов.

    Во-первых, перед исследователем применения нейронных сетей в той или иной предметной области, в самом начале исследования, всегда будет стоять вопрос создавать или «писать» нейронные сети самому, или использовать готовый софт сторонних разработчиков. Это всегда сложный выбор, так как с одной стороны необходимо обладать знаниями не только математики нейронных сетей, но и программирования, с другой стороны покупать софт сторонних разработчиков очень дорого. На сегодняшний день насчитывается более сорока программных продуктов, реализующих нейросетевые технологии [1]. Стоимость некоторых из них составляет более четырех тысяч долларов США.

    Во-вторых, при анализе рынка программного обеспечения, реализующего в той или иной степени нейросетевые технологии, применимые на финансовом рынке, можно выделить следующие: Matlab Neural Network Toolbox, Statistica NeuroNets, NeuroSolutions, NeuralWorks Professional II Plus, Alyuda NeuroIntelligence. Перечисленные пакеты прикладных программ не претендуют на исключительность, но являются одними из достаточно серьезных решений в области нейросетевых технологий. Отдельно следует отметить специально оптимизированные под задачи финансового рынка программы NeuroShell и WealtLab. Последние не нуждаются в специальных инструментах сопряжения с поставщиками котировок финансового ранка, в связи с чем, позволяют вести торговлю напрямую на финансовом рынке без дополнительных программных решений. Это позволяет принимать торговые решения более оперативно в сравнении, например, с реализуемыми нейросетевыми алгоритмами в Matlab, так как в этом случае требуется организовать «программную инфраструктуру» связки торгового терминала и средств Matlab.

   В этой статье специально не упомянут торговый терминал Metatrader со множеством написанных для него библиотек НС, так как они носят скорее экспериментальный характер, нежели позволяющие решать сложные задачи прогнозирования и оценки рынка на НС.Следующая проблема применения НС состоит в том, что нет четко формализованного алгоритма, методики использования НС, что приводит чаще всего к «подгонке» результатов исследований. У многих исследователей, изучающих эту тему, как правило, складывается собственное понимание «правильности» применения нейронных сетей. Зачастую это понимание дает неправильное внутренних механизмов НС, что и приводит к искажению полученных результатов. Построение НС по традиционной методике выполняется, фактически, методом проб и ошибок.

    Как правило, на первом этапе, в зависимости от задачи, выбирается тип НС, задается некоторое количество слоев, нейронов, функции активации, а также структура связей между ними. Затем запускается вычислительный алгоритм обучения. После его завершения исследователь оценивает результат на тестовой выборке. Если полученные результаты работы удовлетворяют заданным критериям, то задача построения НС считается, формально, выполненной успешно. В противном случае — процесс повторяется с другими значениями исходных параметров.

    В последнее время все чаще стали говорить о необходимости использования для решения этой проблемы генетических алгоритмов [2, 3]. Обсуждение и предложения по реализации этой проблематики можно найти в работах Marko A. Gronroos [4],  K. O. Stanley and R. Miikkulainen [5, 6] и других авторов.Другой немаловажной проблемой является неправильная первоначальная обработка и оценка качества входных данных. В работах [7, 8] приведено описание возможного использования теории хаоса, мультифрактального анализа временных рядов и теории катастроф для предварительной оценки входных данных. Немаловажную роль играет предварительная оценка качества обучающей выборки для нейронных сетей особенно в задачах прогнозирования временных рядов [9].

    С еще одной проблемой придется столкнуться исследователю — это проблема интеграции специализированного программного обеспечения с торговыми терминалами финансового рынка. как правило, она решается написанием специальных скрипов или программ. а использование готовых решений приводит зачастую, к программно-техническим ошибкам. исследователю постоянно придется решать эти проблемы. отвлекаясь от исходного эксперимента.

    В заключении следует сказать, что использование нейросетевых технологий на финансовом рынке, безусловно, перспективно. Но должно быть реализовано в совокупности с такими технологиями как: машинное обучение, генетические алгоритмы, мультифрактамьный анализ данных и программно-техническая реализация всего проекта. Не вызывает сомнения, что подобные разработки ведутся крупными игроками финансового рынка, но результаты их исследований будут всегда коммерческой тайной.

Литература

  1. The University of Rochester Department of Computer Science [режим доступа http://www.cs.rochester.edu/u/sanders/ml/neural_network_faq/FAQ6.html#NeuralWorks 26.08.2014]
  1. Конушин А. Эволюционные нейросетевые модели с незаданным заранее числом связей [режим доступа http://ict.edu.ru/ft/002414/num1evol.pdf 08.2014]
  2. Yao «Evolving artificial neural networks», Proc. Of the IEEE, 1999 [режим доступа https://cours.etsmtl.ca/sys843/pdf/Ref2.pdf 26.08.2014]
  3. Evolutionary Design of Neural Networks (1998, Marko A. Gronroos)
  4. Evolving Neural Networks through Augmenting Topologies (2002, K. O. Stanley and R. Miikkulainen)
  5. Evolving Neural Networks (2009, Risto Miikkulainen and Kenneth O. Stanley)
  6. Э.Е. Тихонов, Н.И. Червяков Предсказание фрактальных временных рядов с помощью нейронных сетей. Нейрокомпьютеры: разработка, применение. – М.: Радиотехника, – 2003. – № 10. – С.19-24.
  7. Э.Е. Тихонов, В.А. Кузьмищев Методы и алгоритмы прогнозирования экономических показателей на базе нейронных сетей и модулярной арифметики. Невинномысск: Издательство НИЭУП, 2004.-166 с.
  8. Тарасенко Р.А., Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. [режим доступа http://neuroschool.narod.ru/ourworks.html 08.2014]

С Уважением,Э.Е.Тихонов!

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *