Материалы, посвященные нейросетевым технологиям, неизменно пользуются вниманием нашей читательской аудитории. Нейросети по сей день воспринимаются как перспективный, но экзотический, слабо изученный на российском рынке инструмент, хотя за последние два года опыт работы с ними приобрели несколько сотен трейдерских компаний и аналитических отделов банков.
О том, как развивается эта область, рассказывает в интервью независимому эксперту Игорю Дуну один из самых сведущих в этой области российских специалистов Евгений Стахович Пастухов, канд.физ.-мат. наук, технический директор фирмы “Тора-Инфоцентр”.
И. Д.: Какое место по интенсивности использования нейросетей занимает финансовая сфера по сравнению с другими областями деятельности?
Е. П.: Думаю, не ошибусь, если скажу, что первое, по крайней мере в России. Этому есть несколько причин.
Во-первых, как вы знаете, еще 10 лет назад доминирующей была так называемая “парадигма рационального поведения” (иначе ее называли “теорией эффективного рынка”). С появлением на российском рынке инвесторов с различными горизонтами инвестирования и разными, зачастую прямо противоположными интересами реакция трейдеров на поступающую информацию стала отнюдь не мгновенной и не однородной. Сегодня рынок становится все более нелинейным и фрактальным. Другими словами, его поведение классифицируется уже не как случайное, а как хаотическое (под хаотическим поведением понимается сложное детерминированное поведение, которое внешне выглядит как случайное). А раз так, значит, возникает возможность для предсказания. Любой скрытый и сложный, но детерминированный процесс можно обнаружить и аппроксимировать с той или иной степенью точности. И нейронные сети, реализующие нелинейную непараметрическую регрессию, являются идеальным инструментом для описания сложного хаотического поведения. Отсюда - интерес к нейронным сетям как средству прогнозирования на фрактальных рынках.
Во-вторых, применяя нейросети при игре на тех или иных финансовых инструментах, можно получать результаты буквально каждый день. Использование нейросетей в торговых или промышленных компаниях, скажем для предсказания объемов продаж, не имеет непосредственного, сиюминутного эффекта. А в финансовой сфере нейросеть может в реальном времени дать ощутимый результат.
Мне кажется, что сегодня сотрудники финансовых структур - банков, инвестиционных компаний и различных фондов - больше ориентированы на экономику, а потому имеют более солидную теоретическую подготовку, нежели персонал торговых фирм. Нейросети относятся к сложным, наукоемким технологиям. Поэтому финансисты способны быстрее оценить преимущества этих инструментов, а главное - разобраться в используемой в них математике. Это усиливает степень доверия к нейросетям и убеждает в необходимости их использования. В торговых же фирмах, как правило, на нейросеть смотрят как на волшебный “черный ящик”: он дает прогнозы, но внутреннее его устройство непостижимо.
В-третьих, в инвестиционных компаниях и банках существуют, как правило, специальные аналитические подразделения, которые отсутствуют даже у крупных торговых фирм. Лишь самые большие и богатые из них могут позволить себе содержать группу аналитиков.
Вообще говоря, нейросеть не является идеальным инструментом для играющего трейдера. У него обычно просто нет времени на то, чтобы налаживать и настраивать нейронные сети, поэтому они обслуживаются аналитиками.
Нужно, разумеется, упомянуть об использовании нейросетей в военных целях. Нейронные сети широко используются при распознавании образов, обработке сигналов и изображений. В этом случае речь идет, конечно же, о гораздо более мощных нейросетях, способных воспринимать сотни и даже тысячи входных сигналов. Как правило, все они имеют аппаратную поддержку (нейрокомпьютеры, нейроплаты, нейрочипы и т. п.). Это позволяет в тысячу раз быстрее осуществлять тренировку и добиваться более точного прогнозирования. В экономике и бизнесе обычно применяют нейросети, мощность которых ограничена примерно 100 входами. Этого чаще всего хватает для описания того или иного поведения рынка или другого сложного нелинейного процесса.
Нейросети и их роль в принятии решений
И. Д.: Каков, по сравнению с другими аналитическими методами, удельный вес нейросетевых технологий в процессе принятия решения?
Е. П.: Насколько мне позволяет судить опыт (в течение нескольких лет я имел возможность наблюдать за использованием нейронных сетей в финансовой деятельности), среди методов прогнозирования применение нейросетей занимает некое среднее, промежуточное положение.
Я считаю, что самая важная и наиболее перспективная технология, используемая сейчас большинством трейдеров, - фундаментальный анализ. Сегодня российский рынок быстро растет и развивается. Он сильно подвержен влиянию внешних факторов, как-то: болезнь президента, отставка правительства и т. п. Но главным для трейдера все же остается фундаментальная информация.
Второй по степени важности метод - технический анализ, который ныне получил очень широкое распространение благодаря существующим на рынке многочисленным пакетам программ (таких, как Meta Stock). Встречи с трейдерами убеждают меня в том, что они очень активно используют приемы технического анализа. Но технический анализ реализует линейные методы, что предопределяет некоторую ограниченность его возможностей. Он хорошо действует на рынках, устроенных достаточно просто и имеющих ярко выраженные тренды. Чем выше степень фрактальности рынка, тем менее пригодны методы технического анализа и более эффективны нелинейные методы, в частности нейронные сети, нечеткая логика и генетические алгоритмы.
Затем следуют классические статистические методы - корреляционно-регрессионный анализ и различные методы регрессии, лежащие в основе стандартных пакетов Statistica или SPSS.
Следующее место в списке занимают нейросети. По нашим оценкам, уже более 100 компаний имеют в своем арсенале нейросетевые средства, располагают прогнозными комплексами и при этом совсем не склонны афишировать применяемые ими методы построения прогнозов. По моим подсчетам, предсказаниями нейронных сетей в той или иной степени пользуются сегодня около 30% участников финансового рынка.
Нейронную сеть можно рассматривать как новый сложный индикатор, сигнализирующий о необходимости принимать решения: покупать, продавать или вообще не вступать в игру на рынке. Нейросеть можно организовать таким образом, что на ее входы будут поступать индикаторы, характеризующие, например, графические модели, классические индикаторы технического анализа, некоторые индикаторы статистического анализа. Более того, на ее вход могут идти даже некоторые показатели фрактального анализа, например коэффициенты Херста, показатели Лупанова и т. п., т. е. показатели, измеряющие фрактальность рынка. Не говоря уже о том, что весь фундаментальный анализ можно закодировать в виде бинарных или иных последовательностей и также подать на вход нейронной сети. Следовательно, нейронная сеть может рассматриваться как один глобальный метод анализа, интегрирующий в себе различные индикаторы, присущие другим методам, и учитывающий при этом их взаимозависимость.
Единственным реальным минусом нейронных сетей является их слабая интерпретируемость. Нейросеть, как и другие технологии data mining, т. е. технологии извлечения информации из данных и примеров, обладает крайне малой объяснительной способностью, поскольку она кодирует свои знания в межнейронных связях. Я знаю, что существуют алгоритмы извлечения системы правил из нейросетевых моделей. Однако мне неизвестно о существовании хотя бы одного нейросетевого пакета, реализующего эту технологию.
Банковская сфера тоже внимательна к нейросетям
И. Д.: Как применяются нейронные сети в банковской практике?
Е. П.: Общеизвестно, что нейросети хорошо справляются с двумя типами задач: с задачами классификации и предсказания на временных рядах.
Одной из первых областей банковской деятельности, в которой применение нейронных сетей дало заметный эффект, стала оценка платежеспособности клиентов, обращавшихся в банк за денежными ссудами. Располагая историческими данными обо всех таких клиентах, можно натренировать нейросеть таким образом, что на ее входе будут показатели клиента, а на выходе - прогнозируемая степень его платежеспособности. Данные каждого вновь поступившего клиента обрабатываются с целью сбора информации (всего информация собирается приблизительно по 80 показателям) и подаются на вход без перенастройки нейросети. В каждом банке подобные методики реализуются по-своему. Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой требований, предъявляемых банком к своим потенциальным заемщикам. Я не берусь оценивать эффективность комбинированных предсказаний, но в специальной литературе эти вопросы рассмотрены очень подробно. Скажем, хорошим может считаться прогноз, сбывшийся на 80 - 90%.
Кроме того, банковские структуры прибегают к помощи нейросетевых технологий для предсказания банкротства. Фактическое банкротство может наступить задолго до того, как бедственная ситуация станет очевидной. Сегодня самой модной экономической теорией является теория антикризисного управления, позволяющая быстро диагностировать грядущее банкротство тех или иных учреждений.
Как известно, банкротство обычно предсказывают по ряду показателей, например по коэффициенту альфа. Но лучше делать это не на основе формальных математических выражений, а на основе предыдущего опыта и статистики. И в этом случае нейронные сети могут оказать поистине неоценимую услугу - высветить признаки надвигающегося банкротства.
Рейтингование - еще одна задача, традиционно поручаемая нейронным сетям. Она немного отличается от предыдущих задач. Рейтингование - это ранжирование объектов в порядке их значимости по тем или иным критериям. Рейтинговые компании изобретают свои оригинальные расчетные формулы. Так вот, насколько я знаю, в США относительно недавно был предложен следующий способ рейтингования: данные сотен фирм, представленных в многомерном пространстве признаков, были обработаны с помощью самообучающихся нейронных сетей (сетей Кохонена), которые произвели классификацию на основе стандартного кластерного анализа. Иными словами, все множество компаний, представленных в многомерном пространстве, было разложено на группы (кластеры) и тем самым проранжировано в определенном порядке без приложения каких бы то ни было принудительных критериев.
Разумеется, нейросеть не выставляла рейтинги. Она всего лишь сгруппировала объекты, и сделала это очень хорошо.
Помимо указанных выше существует еще одна типичная для банковской деятельности задача классификации, - оценка и прогнозирование остатков на корреспондентских счетах. Предсказать сальдо - задача, конечно, довольно сложная. Но надо отметить, что предпринятые нами попытки ее решения дали неплохие результаты.
В принципе нейронные сети могут быть использованы и при решении многих других задач, например распознавание подписей и т. п. Однако подобные задачи не являются специфичными для банковских структур.
К Евгению Пастухову можно обратиться по адресу: centry@dol.ru или по телефону: (095) 220-3556.
