Здесь необходимо отметить также, что как нейронные сети, так и генетические алгоритмы, деревья и таблицы решений являются не только средством интеллектуального анализа данных, но и являются также средством генерации решений, особенно при решении оптимизационных задач, примеры применения которых рассмотрены в третьей части книги. [c.281]
Данные были разделены на две части обучающие и тестовые. Обучающие данные содержали сведения о 90% сделок, остальные же 10% составили множество тестовых примеров. Практически сразу стало очевидно, что создать нейронную сеть, состоящую из 1000 нейронов, представляющих все множество данных, таким образом, чтобы обеспечить единообразие моделей оценки, невозможно. [c.186]
Главное преимущество такого подхода состоит в том, что пользователь, работающий с нейронной сетью, как правило, не знает о формах и возможный алгоритмах такой связи, но подозревает или надеется, что она есть. И вот, обучая нейронную сеть по представленным примерам, он в случае удачи, т. е. в случае наличия функциональной связи, получает результат, справедливый для всего множества данных, хотя он и не занимался никаким программированием. [c.135]
Я был свидетелем того, как на протяжении многих лет развивался технический анализ от использования простейших калькуляторов до таких экзотических высоких технологий, как искусственный интеллект, теория хаоса, оптимизационные модели, нейронные сети и так далее. Наступление передовой математической теории и новейшего программного обеспечения привело к тому, что трейдеры утратили интерес к простым, основополагающим аналитическим методам и инструментам, которые много лет являлись "рабочей лошадкой". Однако единственное, что смогли дать высоко интеллектуальные технологии — это чувство безопасности, по большей части весьма обманчивое а вот выдающихся результатов их приверженцы достичь не сумели. Все это позволяет мне предсказать возрождение интереса в ближайшем будущем к простым аналитическим методам. Я также надеюсь, что моя книга послужит своего рода катализатором этого возрождения. [c.8]
Итак, мы установили, что преобразование информации рекуррентными нейронными сетями минимизирующими энергию может приводить к появлению в их пространстве состояний аттракторов, далеких по форме от образов внешнего для сети окружения. Таким образом, в отличие от рассмотренной в прошлой главе кластеризации, осуществляемой сетями без обратных связей, появляется возможность использовать рекуррентные сети для активной кластеризации, при которой сеть "творчески" относится к входным векторам, осуществляя нетривиальные обобщения поступающих на ее вход сигналов. [c.105]
С7 Заметим, что использованные нами ранее функции принадлежности носили достаточно специфический характер (так называемую треугольную форму). Успех же сочетания нечетких моделей существенно зависит от разумного нечеткого разбиения пространств входов и выходов. Вследствие этого, задача адаптации функций принадлежности может быть поставлена как задача оптимизации, для решения которой и могут использоваться нейронные сети. Наиболее простой путь для этого заключается в выборе некоторого вида функции принадлежности, форма которой управляется рядом параметров, точное значение которых находится при обучении нейронной сети. [c.213]
Процедура использования этих программ состоит в том, что на большом массиве известных данных мы можем обучать эту программу. Подавая на вход программы набор данных, мы просим ее спрогнозировать результат. После ее прогноза мы поправляем ее, сообщая точный результат. Таким образом, с помощью большого количества обучающих циклов мы настраиваем программу на анализ конкретных данных. При этом мы не пытаемся сами определить никаких правил или закономерностей, которые влияли бы на ее работу. Успешность обучения программы, конечно, зависит от способностей учителя. Он должен представлять себе устройство программы и суметь выделить те данные, которые необходимо передавать нейронной сети для анализа, и т.п. [c.166]
Так уж совпало нам стало известно, что научное издательство ТВП проявило интерес к плоду наших раздумий — книге Нейронные сети и финансовые рынки принятие решений в торговых операциях — как раз в те дни, когда компания Кристи оповестила книжных коллекционеров всего мира о том, что она выставляет на аукцион в Лондоне рукописи и подлинные письма Б. Пастернака. [c.5]
Естественно, что различные области финансового дела вызывают к себе различный интерес. Так, например, одной из сфер применения нейронных сетей для ряда ведущих банков стала проблема изменений позиции доллара США на валютном рынке при большом числе неизменных объективных показателей. Возможности такого применения облегчаются тем, что имеются огромные базы экономических данных, — ведь сложные модели всегда прожорливы в отношении информации. [c.10]
Технологии, о которых идет речь, основываются на нелинейных методах анализа экономической и финансовой информации. В условиях возрастающей неуправляемости мировых процессов в финансовой сфере традиционные (читай, линейные) методы все чаще оказываются неспособными распознать ключевые переломы в тенденциях рынка. Так было, например, в случаях с крахом фондового рынка в 1987 году или началом глубокого спада в экономике Великобритании. Разочарование в этих методах заставило вспомнить о некогда казавшейся невероятной идее, согласно которой изменение рыночных показателей во времени не есть чисто случайное блуждание, а размеры ожидаемых доходов и/или характеристики неустойчивости (волатильности) можно пытаться находить при помощи более мощных методов. Общей чертой новых методов является возможность распознавания образов и вывода обобщающих правил. Существенными составными частями нового подхода являются нейронные сети (сети компьютерных процессоров, взаимодействие которых построено по образцу процессов обучения, происходящих в человеческом мозге) и генетические алгоритмы (методы, в которых, исходя из большого набора первоначальных предположений, вырабатывают все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). Про методы обоих видов говорят, что они управляются данными, в противоположность подходу, основанному на применении правил, который принят в экспертных системах. Системы, основанные на знаниях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими. Наконец, совершенно новый взгляд на мир предлагает теория динамических систем или теория хаоса. С ее помощью в явлениях, ранее считавшихся случайными, удается обнаружить порядок или некоторую структуру. Основное предположение здесь состоит в том, что поведение системы есть результат множества нелинейных взаимодействий, вследствие чего даже небольшое изменение начальных данных может привести к совершенно другому дальнейшему поведению системы. Благодаря [c.13]
Нейронные сети с прямой связью состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда подаются сигналы на вход. Организация (топология) сети может быть различной. Если не все составляющие ее нейроны являются выходными, говорят, что сеть содержит скрытые нейроны. Наиболее общий тип архитектуры сети получается в случае, когда все нейроны связаны друг с другом (но без обратных связей). В конкретных задачах нейроны обычно бывают сгруппированы в слои. На рис. 1.3 показана типовая схема нейронной сети с прямой связью с одним скрытым слоем. [c.23]
Перед тем, как начинать процесс обучения нейронной сети, необходимо присвоить весам начальные значения. Цель здесь, очевидно, должна состоять в том, чтобы найти как можно более хорошее начальное приближение к решению и таким образом сэкономить время обучения и улучшить сходимость. Конечно, можно положить начальные веса во всей сети равными нулю, но тогда частные производные от невязки по всем весам будут одинаковыми, и изменения весов не будут должным образом структурированы. В результате нельзя будет надеяться на то, что сеть вообще когда-нибудь сможет решить задачу. Нужно искать способы уйти от такой симметрии. [c.29]
Как уже говорилось, поверхность невязки в пространстве весов в общем случае имеет локальные минимумы, и это является главным препятствием для процесса обучения нейронной сети, в особенности, для алгоритма спуска. Можно встретить утверждения, что в ряде случаев локальный минимум является вполне приемлемым решением [105], однако в общей ситуации необходимо разработать стратегию, которая позволяла бы избегать таких точек и гарантировала бы сходимость обучающего алгоритма к глобальному решению. [c.30]
Следующий класс нейронных сетей, который мы рассмотрим, — динамические, или рекуррентные, сети. Они построены из динамических нейронов, чье поведение описывается дифференциальными или разностными уравнениями, как правило, — первого порядка. Сеть организована так, что каждый нейрон получает входную информацию от других нейронов (возможно, и от себя самого) и из окружающей среды. Этот тип сетей имеет важное значение, так как с их помощью можно моделировать нелинейные динамические системы. Это — весьма общая модель, которую потенциально можно использовать в самых разных приложениях, например ассоциативная память, нелинейная обработка сигналов, моделирование конечных автоматов, идентификация систем, задачи управления. [c.39]
В этой главе мы рассмотрим следующий вопрос обладают ли финансовые рынки внутренним механизмом нелинейной обратной связи. Если такой механизм, внешне проявляющийся в якобы случайном, хаотическом поведении цен, действительно, существует, то это бросает серьезный вызов таким известным и широко принятым теориям, как теория случайного блуждания и гипотеза эффективного рынка. Мы возьмем несколько простых и хорошо известных моделей, основанных на предположении о хаотическом поведении, сгенерируем с их помощью временные ряды и внимательно изучим каждый из них. Затем на этих временных рядах мы проведем ряд экспериментов с использованием нейронных сетей. Это позволит нам выяснить, насколько нейронные сети способны обнаруживать (и предсказывать) детерминированные закономерности, на основе которых ряды были получены. Там, где это возможно, мы будем сравнивать качество прогноза, выдаваемого нейронной сетью, с тем, что дает модель линейной регрессии. [c.72]
Важным свойством такой памяти, представленной набором аттракторов сети, является ее распределеннсть. Это означает, что все нейроны сети участвуют в кодировании всех состояний памяти. Поэтому небольшие искажения значений отдельных весов не сказываются на содержании памяти, что повышает устойчивость памяти к помехам. [c.95]
Теперь мы можем проделать анализ нашей модели стандартными одномерными методами анализа временных рядов, например, методом Бокса-Дженкинса, а затем сравнить результаты с тем, что дает нейронная сеть с единственным входом, на который подаются предыдущие значения переменной. Как и в предыдущем примере, к процессу Хенона мы добавили 10-процентный случайный шум. Временно представим себе, что мы не располагаем никакой информацией, кроме самих числовых данных. Обычно в таких случаях, начертив данные на графике, пытаются применить модель ARIMA, т.е. стараются найти закономерности типа авторегрессии или скользящего среднего.7 В табл. 3.4 представлены результаты анализа методом Бокса-Дженкинса для 5 лагов. [c.91]
Все описанные в этой главе эксперименты показали хорошую способность MBPN-моделей к обнаружению нелинейных связей во временных рядах финансовых показателей. Это проявлялось в ро-бастности прогноза на тестовых данных. Для сравнения мы применяли также традиционные линейные методы, предполагая при этом, что ничего не знаем о структуре входного ряда. Конечно, имеются более сильные статистические методы, например, такие, где учитывается зависимость дисперсии от прошлых значений (AR H), или пороговые авторегрессионные модели (TAR), и с их помощью можно находить сложные нелинейные связи. В этой главе мы хотели подчеркнуть тот факт, что методы нейронных сетей не предполагают никаких предварительных знаний о модели. Единственное, что нужно — это значения переменных, а далее сеть уже сама приспосабливается к имеющейся структуре. [c.92]
График изменения капитала показывал постоянный рост вплоть до конца периода выборки, откуда начиналось плавное снижение, что характерно для поведения переоптимизированной системы. Для выборки из 88 092 фактов такая нейронная сеть, возможно, была слишком большой. [c.274]
Еще в 40-х гг. у исследователей возникла следующая мысль если обработка информации в мозгу осуществляется совокупностью пороговых сумматоров, связанных в общую сеть, работающих по принципу все или ничего , то таким же свойством должна обладать и искусственная нейронная сеть, состоящая из соединенных в общую сеть искусственных нейронов. Впервые этот вопрос серьезно исследовали в 1943 г. У. Маккалок и У. Питтс. В своей статье Логическое исчисление идей, относящихся к нервной деятельности они показали, что нервная система действительно может быть смоделирована с использованием искусственных нейронов, связанных между собой. [c.129]
В перестроив имеется один слой искусственных нейронов, на каждый из которых подаются все входные сигналы а( со своими весами Wjj. Такая искусственная нейронная сеть называется однослойной. Схема этой сети достаточно проста, в ней отсутствуют обратные связи с выходов нейронов на их входы, но в этом и ее сила. Именно для такой сети Ф. Розенблатт доказал очень важную теорему о том, что персептрон можно обучить всему, что он способен представить. Смысл этой теоремы состоит в следующем (проблема обучаемости). [c.130]
До сих пор речь шла о сетях, в которых сигналы распространялись в прямом направлении, т. е. они не имели обратных связей. Такие сети всегда устойчивы. Если в нейронной сети завести сигналы с выхода на вход т. е. ввести обратные связи, это приводит к переходным процессам, после которых сеть может прийти в некоторое устойчивое состояние. Однако возможно и такое, что в сети никогда не наступит состояние равновесия, т. е. она будет неустойчивой. Анализ устойчивости нейросетей с обратными связями — сложная задача. Однако существуют нейросети с обратными связями, устойчивость которых при определенных условиях может быть доказана. К таким сетям относится сеть Хопфилда. Это простая сеть из одного слоя нейронов с обратными связями. Сеть Хопфилда можно рассматривать как примитивную модель ассоциативной памяти, позволяющую по некоторому входному образу извлечь ближайший к нему эталон. Для этого сеть надо предварительно обучить по некоторой обучающей выборке. Но учителя при этом не потребуется, то есть не будет производится сопоставление входного и выходного образов. Сети предъявляют серию входных образов, и они запоминаются в синаптической карте, которая формируется с помощью формулы [c.133]
Хаос не относится к разряду беспорядочных структур. Скорее, истинно обратное. Хаос - более высокая форма порядка, где случайность и бессистемные импульсы становятся организующим принципом скорее, нежели более традиционные причинно-следственные отношения в теориях Ньютона и Евклида. Поскольку природа человека и его мозг хаотичны, рынки, являясь продуктом природы и отражающие мышление человека, также представляют собой хаотичные процессы. Пришло время признать, что наше традиционное обучение дает трейдерам неверное представление и неправильные логические картосхемы. Независимо от того, какого уровня сложности применяется линейная математика, с ее преобразованиями Фурье, ортогональными функциями, методами регрессии, или за-действуется искусственный интеллект, нейронные сети, генетические алгоритмы и так далее. Все это неизбежно вводит в заблуждения трейдеров на кардинально нелинейных рынках. Рынки -порождения Хаоса. [c.34]
Многие из моих клиентов хотят видеть автоматически работающую версию FibNodes, и я обсуждаю эту возможность с продавцами и производителями высококачественных программ для технического анализа. Говоря об автоматической версии, я имею в виду более эффективный для пользователя метод ввода данных в FibNodes. Я не стремлюсь к автоматической генерации уровней поддержки и сопротивления FibNodes непосредственно из графиков при отсутствии мысли. Я уже пытался пойти по этому пути со сторонниками нейронных сетей, и результаты оказались не очень хорошими. Хотя такую программу можно было бы легко продавать за большие деньги, ее продукция, насколько я могу судить по тому, что видел, имела бы минимальную ценность. И если это программное обеспечение стало бы легкодоступным, то функциональные возможности и работоспособность концепции оказались бы под вопросом. См. ГЛАВУ 1. [c.278]
Что же это такое - искусственные нейронные сети Какое отношение имеют искусственные нейросети к естественным Чем отличается нейрокомпьютинг от обычных методов компьютерного моделирования Каковы его "экологические ниши" в мире информационных технологий и перспективы на будущее Этим вопросам и будет посвящена данная, вводная, глава нашей книги. [c.3]
До сих пор нейроны выходного слоя были неупорядочены положение нейрона-победителя в соревновательном слое не имело ничего общего с координатами его весов во входном пространстве. Оказывается, что небольшой модификацией соревновательного обучения можно добиться того, что положение нейрона в выходном слое будет коррелировать с положением прототипов в многомерном пространстве входов сети близким нейронам будут соответствовать близкие значения входов. Тем самым, появляется возможность строить топографические карты чрезвычайно полезные для визуализации многомерной информации. Обычно для этого используют соревновательные слои в виде двумерных сеток. Такой подход сочетает квантование данных с отображением, понижающим размерность. Причем это достигается с помощью всего лишь одного слоя нейронов, что существенно облегчает обучение. [c.84]
В 1982 году в докладах Американской академии наук была опубликована статья американского физика, специалиста в области физики твердого тела из Калифорнийского Технологического Института, Джона Хопфилда (Hopfield. 1982a). С этой работы начался бурный процесс возрождения интереса к искусственным нейронным сетям, на который так негативно повлияла в конце шестидесятых книга Минского и Пейперта. В работе Хопфилда впервые было обращено внимание на аналогию, которая существует между сетями с симметричными связями и давно известными физикам объектами - спиновыми стеклами. Кроме того, стало ясно, что такие сети служат прекрасной основой для построения моделей содержательно-адресованной памяти. И наконец, обнаружилось что нейронные сети могут быть успешно исследованы с помощью [c.89]
Фрустрировэнность системы обусловливает огромное вырождение ее основного состояния. Спиновое стекло может "замерзнуть" в любом из возможных основных состояний системы, отличающемся от множества других аналогичных состояний с практически такой же энергией лишь конфигурацией системы магнитных моментов. Хопфилд предположил, что аналогичное явление может лежать в основе существования огромного числа состояний памяти, характерного для мозга. Действительно, можно рассмотреть модель полносвязной нейронной сети с рекуррентными симметричными связями между нейронами. В такой модели возбуждающим связям будут соответствовать ферромагнитные связи в спиновом стекле, а тормозным - антиферромагнитные связи. [c.91]
Иной подход к решению задачи коммивояжера использовали в 1987 году Дурбин и Уиллшоу (Durbin Willshaw, 1987). Хотя они явно и не использовали в своей работе понятия искусственной нейронной сети, но в качестве отправной точки упоминали об аналогии с механизмами установления упорядоченных нейронных связей. Исследователи предложили рассматривать каждый из маршрутов коммивояжера как отображение окружности на плоскость, так что в каждый город на плоскости отображается некоторая точка этой окружности. При этом требуется, чтобы соседние точки на окружности отображались в точки, по возможности ближайшие и на плоскости. Алгоритм стартует с помещения на плоскость небольшой окружности (кольца), которая неравномерно расширяясь проходит практически около всех городов и, в конечном итоге, определяет искомый маршрут. Каждая точка расширяющегося кольца движется под действием двух сил первая перемещает ее в сторону ближайшего города, а вторая смещает в сторону ее соседей на кольце так, чтобы уменьшить его длину. По мере расширения такой эластичной сети, каждый город оказывается ассоциирован с определенным участком кольца. [c.115]
Способность работать с неточными данными является одним из главных достоинств нейронных сетей. Но она же парадоксальным образом является и их недостатком. Действительно, если данные не точны, то сеть в силу своей гибкости и адаптируемости будет подстраиваться к ним, ухудшая свои свойства обобщения. Эта ситуация особенно важна при работе с финансовыми данными. В последнем случае существует множество источников погрешности. Это и ошибки при вводе числовых значений или неправильная оценка времени действия ценных бумаг (например, они уже не продаются). Кроме того, если даже данные и введены правильно, они могут быть слабыми индикаторами основополагающих экономических процессов, таких как промышленное производство или занятость. Наконец, возможно, что многие важные параметры не учитываются при обучении сети, что эффективно может рассматриваться как введение дополнительного шума. Данные, далеко выпадающие из общей тенденции, забирают ресурсы нейронной сети. Некоторые из нейронов скрытого слоя могут настраиваться на них. При этом ресурсов для описания регулярных слабо зашумленных областей может и не хватить. Множество попыток применения нейронных сетей к решению финансовых задач выявило важное обстоятельство контроль гибкости нейросетевой модели является центральной проблемой. Изложим кратко существо процедуры обучения сети, объединенной с исправлением данных. Для простоты рассмотрим сеть с одним входом и одним выходом. В этом случае минимизируемой величиной является сумма двух слагаемых (Weigend Zimmermann, 1996) [c.177]
Возникает естественный вопрос "А зачем вообще нужна нейронная сеть для данного алгоритма " Ведь он может просто использовать обучающую выборку - известно же, какому классу принадлежит каждый пример. Более того, как бы хорошо ни была обучена сеть, она все равно будет делать ошибки, неправильно классифицируя некоторые примеры. Дело в том, что именно использование нейросетей в качестве Оракула дает возможность получать деревья решений, имеющих более простую структуру, чем у деревьев, обученных на исходных примерах. Это является следствием как хорошего обобщения информации нейронными сетями, так и использования при их обучении операции исправления данных ( LEARNING). Кроме того, алгоритмы построения деревьев, исходя из тренировочного набора данных, действительно разработаны и с их помощью такие деревья строятся путем рекурсивного разбиения пространства признаков. Каждый внутренний узел подобных деревьев представляет критерий расщепления некоторой части этого пространства, а каждый лист дерева - соответствует классу векторов признаков. Но в отличие от них TREPAN конструирует дерево признаков методом первого наилучшего расширения. При этом вводится понятие наилучшего узла, рост которого оказывает набольшее влияние на точность классификации генерируемым деревом. Функция, оценивающая узел п, имеет вид F(n) = r(n)( - f(n)), где r(ri) - вероятность достижения [c.181]
Факторный анализ используется для изучения структуры данных. Основной его посылкой является предположение о существовании таких признаков - факторов, которые невозможно наблюдать непосредственно, но можно оценить по нескольким наблюдаемым первичным признакам. Так, например, такие признаки, как объем производства и стоимость основных фондов, могут определять такой фактор, как масштаб производства. В отличие от нейронных сетей, требующих обучения, факторный анализ может работать лишь с определенным числом наблюдений. Хотя в принципе число таких наблюдений должно лишь на единицу превосходить число переменных рекомендуется использовать хотя бы втрое большее число значение. Это все равно считается меньшим, чем объем обучающей выборки для нейронной сети. Поэтому статистики указывают на преимущество факторного анализа, заключающееся в использовании меньшего числа данных и, следовательно, приводящего к более быстрой генерации модели. Кроме того, это означает, что реализация методов факторного анализа требует менее мощных вычислительных средств. Другим преимуществом факторного анализа считается то, что он является методом типа white-box, т.е. полностью открыт и понятен - пользователь может легко осознавать, почему модель дает тот или иной результат. Связь факторного анализа с моделью Хопфилда можно увидеть, вспомнив векторы минимального базиса для набора наблюдений (образов памяти - см. Главу 5). Именно эти векторы являются аналогами факторов, объединяющих различные компоненты векторов памяти - первичные признаки. [c.202]
Среди так или иначе конкурирующих методологий (а нейронные сети и статистика имеют общую часть "электората" - анализ данных) как правило побеждает не более обоснованная и надежная, а та, что ставит новые задачи для исследования (Имре Лакатош). Нейрокомпьютинг гораздо более молодая отрасль знания нежели статистика. Он бросает многочисленные вызовы специалистам различных профессий биологам, физикам, психологам, математикам и другим. Кроме того, сфера теории нейронных сетей гораздо шире анализа данных. Она включает в себя и моделирование мозга и разработку нейрокомпьютеров. Статистики не могут претендовать на соревнование в этих областях и ревностно следят за претензиями нейрокомпьютинга на их экологическую нишу. [c.204]
Конструктивный взгляд на взаимоотношение нейронных сетей и статистических методов заключается в том, что в общем случае они должны помогать друг другу и обогащать друг друга. Кристоф и Пьер Кувре назвали такой процесс перекрестным опылением. [c.204]
Рассматривая извлечение знаний из обученных нейронных сетей мы уже показали, что представление о них, как о черных ящиках, не способных объяснить полученное решение (это представление иногда рассматривается как аргумент в пользу преимущества экспертных систем перед нейросетями), неверно. В то же время, очевидно, что как и в случае мозга, в котором левое и правое полушарие действуют сообща, естественно и объединение экспертных систем с искусственными нейронными сетями. Подобные синтетические системы могут быть названы нейронными экспертными системами - этот термин использовал Иржи Шима, указавший на необходимость интеграции достоинств обоих типов систем. Такая интеграция может осуществляться двояким образом. Если известна только часть правил, то можно либо инициализировать веса нейронной сети исходя из явных правил, либо инкорпорировать правила в уже обученные нейронные сети. Шима предложил использовать и чисто коннекционистский методику построения нейронных эксперных систем, которая обладает таким достоинством, как возможность работы с неполными данными (ситуация типичная для реальных баз данных). Такой возможностью обладают введенные им сети интервальных нейронов. [c.206]
Конечно заманчиво иметь возможность получения не только качественного, но и количественного правила, связывающего уровень разрыва в доходах с преступностью. Мы знаем, что нейронные сети типа персептрона являются универсальными аппроксиматорами и могут реализовать любое количественное отображение. Хорошо бы поэтому построить нейронную сеть так, чтобы она, во-первых, воспроизводила указанное нечеткое качественное правило (чтобы изначально знать интерпретацию работы сети) и, во-вторых, давала хорошие количественные предсказания для соответствующего параметра (уровня преступности). Очевидно, что добиться этого можно подбором соответствующих функций принадлежности. А именно, задача состоит в том, чтобы так определить понятия "высокий разрыв в доходах" и "повышенный уровень преступности", чтобы выполнялись и качественные и количественные соотношения. Нужно, чтобы и сами эти определения не оказалось дикими - иначе придется усомниться в используемом нами нечетком правиле. Если такая задача успешно решается, то это означает успешный симбиоз теории нечетких множеств и нейронных сетей, в которых "играют" наглядность первых и универсальность последних. [c.213]
В многочисленных зарубежных публикациях о нейронных сетях утверждается, что такие программы способны давать прогнозы с точностью до 70—95%. Точность прогнозирования зависит от того, в какой области применяется нейронная сеть, и от тщательности процесса обучения. Как мы видели, прибыль на FOREX складывается как статистический результат прибылей и потерь, ПОЭТОМУ, если нейронная сеть сможет давать правильные прогнозы с вероятностью более 50%, мы будем получать устойчивую прибыль. [c.166]
Еще одним достоинством нейронных сетей является то, что экспериментирование можно начать с простых вариантов программ стоимостью 500— 1500, которые работают на обычных персональных компьютерах. В случае успеха можно переходить к более дорогим программам и дополнительному оборудованию. Самый последний этап совершенствования — специализированные нейронные компьютеры и суперпрограммы стоимостью в несколько сотен тысяч долларов. Таким образом, эксперимент с нейронными сетями доступен не только банкам или инвестиционным компаниям, но и частным инвесторам. Если вы убедились в эффективности нейронных сетей, то можно переходить к более мощным и дорогим вариантам программ. Если вы разочарованы первыми результатами, то ваши затраты на эксперимент не столь велики. [c.166]
Наши коллеги в финансовых подразделениях далеко не всегда приветствовали такой либеральный и неструктурный в смысле модели подход к проблеме. Примерно до 1994 года консервативные эко-нометристы отвергали саму идею о том, что нейронные сети могут быть средством моделирования. Сетевые методы подвергались насмешкам из-за того, что они устроены как черный ящик , а также из-за наличия обучающих параметров, подбор которых производится практически на глаз . В самом деле, разве профессор X. Уайт не доказал со всей определенностью,4 что в задаче прогнозирования дохода по акциям IBM нейронные сети дают худшие результаты, чем модель случайного блуждания [c.6]
В гл. 5 на примере Европейской биржи опционов (ЕОЕ, Амстердам) исследуется вопрос о том, дают ли нейронные сети существенные возможности для получения прибыли в течение одного торгового дня. Гл. 6 посвящена результатам определения макроэкономических показателей (так называемых глобальных (pervasive) факторов), влияющих на доходы от общего индекса акций на Нью-Йоркской и Амстердамской фондовых биржах. В гл. 7 показано, что нейронные сети являются вполне жизнеспособным инструментом отбора в международном распределении активов, поскольку они позволяют выбрать среди всех портфелей тот, который имеет наивысший доход и наименьший риск. Гл. 8 посвящена оценке кредитного риска посредством данных нефинансового характера. До сих пор очень мало было сделано для того, чтобы в моделях предсказания банкротств учитывать качественные показатели. В то же время, нейронные сети могут работать как с числовыми, так и с нечисловыми данными. В гл. 9, напротив, чисто экономические числовые показатели используются для оценки возможности банкротства корпорации на примере английских производителей комплектующих для автомобилей. В последней, десятой, главе построена нейронная сеть для обнаружения критических точек при изменении показателей доходов по акциям. Результаты показывают, что простое техническое правило торговли, реализованное нейронно-сетевой системой с прямой свя- [c.17]
Изменчивый характер финансовых рынков плохо согласуется с долгосрочными моделями устойчивости. Под действием краткосрочных модных тенденций или паники на бирже может существенно измениться реакция людей на те или иные показатели рынка. Чтобы справиться с этой трудностью, были предложены так называемые адаптивные нейронные сети, в которых веса модели непрерывно уточняются с помощью процедуры обучения на все новых временных. промежутках. Пример такой модели, учитывающей вновь поступающую информацию, показан на рис. 2.66. Варфиз и Версино [271], [272] применили эту идею для предсказания изменений ежемесячных индексов промышленных и энергетических компаний. Результаты совпали с тем, что получается по модели Бокса-Дженкинса. Де Гроот [84] занимался задачей прогноза обменных [c.63]