Экономическое прогнозирование

Принципы работы. Известно, что для решения неформализованных задач традиционно применяются два основных подхода. Первый, основанный на правилах (т.н. rule-based), характерен для экспертных систем. Он базируется на описании предметной области в виде набора правил "если то" (аксиом) и правил вывода. Искомое знание представляется в этом случае теоремой, истинность которой доказывается посредством построения цепочки вывода. При этом подходе вам, необходимо заранее знать весь набор закономерностей, описывающих предметную область. Совершенно по-иному обстоит дело при использовании другого подхода, т.н. case-based - основанного на примерах. В этом случае не требуется знания каких бы то ни было правил - надо лишь иметь достаточное количество примеров для настройки адаптивной системы с заданной степенью достоверности. Нейронные сети представляют собой классический пример технологии, основанной на примерах. Процесс обучения сети новому классу задач содержит следующие стадии:

• Формулируется постановка задачи (например, предсказание краткосрочных колебаний курсов ценных бумаг) и выделяется набор ключевых параметров, характеризующих предметную область. Обычно для этого привлекаются эксперты по соответствующей проблеме, которые перечисляют набор факторов и данных, учитываемых ими при принятии решения. Заметим, что от эксперта не требуется знания взаимозависимостей между входными данными и даже оценок их сравнительной важности.
• Выбирается парадигма нейронной сети, наиболее подходящая для решения данного класса задач. Как правило, современные нейроплаты и  нейрокомпьютеры позволяют реализовать не одну, а несколько базовых парадигм. Что касается критериев выбора базовой модели – существует большое количество работ, где проведен первичный анализ всех мыслимых задач - будь то идентификация подписи, контроль качества питьевой воды или предсказание социальных взрывов.
• Подготавливается возможно более широкий набор обучающих примеров, организованных в виде векторов входных параметров, ассоциированных с известными выходными значениями. Для задачи с предсказанием курсов валют, например, это значения всех курсов на данной бирже за определенное время плюс набор параметров, характеризующих общую биржевую и экономическую ситуацию, плюс данные о положении на других биржах на тот же момент. В качестве выходного эталона выбирается тот параметр, значение которого прогнозируется (например, курс доллар/иена). Входные вектора для обучения могут быть неполны и частично противоречивы - главное, что от них требуется, это максимальная представительность.
• Входные вектора по очереди предъявляются нейронной сети, а полученное выходное значение сравнивается с эталоном.  Далее прослеживается путь от выходов сети до ее входного слоя и все нейронные соединения, способствовавшие принятию правильного решения, поощряются - их веса увеличиваются. Те же пути, которые привели к ошибкам в компонентах выходного вектора, наказываются уменьшением веса (как правило, в зависимости от величины ошибки).
• Процесс повторяется до тех пор, пока суммарная ошибка в реакции сети на всех предъявленных примерах не станет меньше наперед заданной величины - либо пока сеть не придет в стационарное состояние.

Рассмотренный алгоритм обучения носит название "обратного прохождения" (back-propagation) и относится к числу классических алгоритмов нейроматематики. В настоящее время, однако, известны гораздо более мощные и быстрые алгоритмы обучения. Настроенную и обученную сеть вы можете смело использовать, предъявляя ей реальные ситуации.

Говоря формальным языком, обучение нейронной сети сводится к  построению разделяющей поверхности  в пространстве компонент входного вектора. Принятие решения - это определение  принадлежности данной точки (входного вектора) к кластеру, ограниченному разделяющей поверхностью. Достоверность решения пропорциональна расстоянию точки от границы кластера.

Преимущества  и недостатки. Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными. В таких случаях (а к ним можно отнести до 60% задач прогнозирования) пасуют как традиционные математические методы, так и экспертные системы.

• Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.
• Внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы.
• В то же время, не существует в нейросетевой науке более-менее стабильных и общепризнанных методик для определения ожидаемого времени настройки нейросети. Бывает так, что весьма большой массив данных сеть обрабатывает за приемлемое время (час-полтора), а бывает, что несложная на первый взгляд задача заставляет сеть учиться сутками.

Существует несколько  видов нейросетей, то есть ее конструктивного  типа и связанного с ним алгоритма  обучения, таковых существует около 30 (т.к. для некоторых сходимость не доказана), объединенных в несколько групп. Некоторые из них представляют интерес в основном для исследований (как, например, адаптивный резонанс), другие находят широкое применение в коммерческих задачах. Одни нейропакеты, включают все известные парадигмы и представляют собой элементные “конструкторы” для создания приложений. Другие системы - коммерческие - в большинстве своем содержат сети: обратного распространения (широчайший круг решаемых задач), прямого распространения, сети с механизмами рекуррентных связей (реализуется механизм задания “ассоциаций” и дает неплохие результаты прогноза временных рядов), сети Кохонена (задачи кластеризации), сети со стохастическими методами обучения (обучение и работа с неполными данными) и в редких случаях - сети с линейными алгоритмами обучения (возможность преобразования аппроксимируемых функций в ряды с вычислением коэффициентов).

В то же время, очевидно, что на настоящий момент нейронные  сети не могут заменить полностью  классические методы прогнозирования в силу определенных причин, основные их которых: а) отсутствие возможности быстро обновлять результаты оценок (т.е. если необходимо в связи с вновь появившимися данными вновь обучить нейронную сеть, то это, как правило, занимает довольно много времени); б) сравнительная дороговизна нейросетевых пакетов по сравнению с пакетами прикладных программ; в) более высокие требования к представительности исходных данных.

Примеры использования  нейронных сетей. Нейросети хорошо справляются с двумя типами задач: с задачами классификации и предсказания на временных рядах. К задачам того рода относятся большинство финансово-экономических задач: оценка рейтинга ценных бумаг; анализ займов, кредитное планирование, прогноз экономической активности на следующий месяц, формирование портфеля ценных бумаг, оценка кредитных рисков, прогноз финансовых показателей, анализ биржевых и рыночных тенденций, прогноз экономических и биржевых индикаторов, прогноз курсов валют, прогноз цен на продукцию промышленных предприятий, прогноз цен на недвижимость, прогноз ставок межбанковского кредита, прогноз остатков на корреспондентских счетах банков, прогноз цен на разные виды зерна по многим странам,  прогноз макроэкономических показателей региона и др.

Оценка платежеспособности клиентов. Одной из первых областей, в которой применение нейронных сетей дало заметный эффект, стала оценка платежеспособности клиентов, обращавшихся в банк за денежными ссудам. Располагая ретроспективными данными о таких клиентах, можно так настроить нейросеть, что на её 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. Хорошим может считаться прогноз, сбывшийся на 80-90%.

Прогнозирование банкротств. Нейросетевые технологии применяют также для предсказания банкротства. Фактическое банкротство может наступить задолго до того, как кризисная ситуация станет очевидной. В настоящее время широкое распространение получила теория антикризисного управления, позволяющая быстро диагностировать грядущее банкротство тех или иных организаций.

Как известно, банкротство  обычно предсказывают по ряду показателей, например по коэффициентам Альтмана. Но лучше делать это не на основе формальных математических выражений, а на основе предыдущего опыта и статистики. В этом случае нейронные сети могут успешно выявить признаки надвигающегося банкротства.

Построение  рейтингов. Построение рейтингов - еще одна задача, традиционно поручаемая нейронным сетям. Она немного отличается от предыдущих задач. Построение рейтингов - это ранжирование объектов в порядке их значимости по тем или иным критериям. Рейтинговые компании изобретают свои оригинальные расчетные формулы. В США относительно недавно был предложен следующий способ построение рейтингов: 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.

Подводя итог, можно сказать, что необходимо как гибкое сочетание количественных методов прогнозирования и нейронных сетей, так использование при решении конкретных задач прогнозирования применять всего арсенала всех известных методов для достижения хороших результатов.

13.ПРОГНОЗИРОВАНИЕ  НАУЧНО-ТЕХНИЧЕСКОГО

ПРОГРЕССА

Ведущую роль в ускорении НТП  играют научно-технические нововведения. Возникновение инновационных теорий относится к началу ХХ в., наиболее ранние из них принадлежат западно-европейским  исследователям В. Зомбарту, В. Митчерлиху, Й. Шумпетеру. Именно последний ввел в оборот термин "инновация"  и  классифицировал  новшества по критерию новизны.

Комплексный НТП включает четыре этапа - предпрогнозный  анализ, исследовательский, программный и  организационный  прогнозы, рассматриваемые в единстве.

Предпрогнозный анализ  необходим  для  получения  детального описания объекта, на этом этапе выделяются наиболее  существенные его черты - цели, показатели и факторы развития объекта со значениями в период ретроспекции и структурой их взаимовлияний, критерии эффективности его развития.

Исследовательский этап прогноза служит для выявления тенденций  развития объекта на основе изучения и моделирования  динамики показателей  и факторов,  определения  набора  событий,  способных оказать влияние на развитие объекта, и ключевых проблем,  решение которых позволит сделать желательное развитие возможным.

Программный этап состоит  в определении путей решения  ключевых проблем, выявленных на предыдущем этапе, а также их оценке  с  точки зрения необходимых ресурсов, времени и ожидаемых  результатов.

Организационный этап предназначен для оценки необходимых организационно-управленческих мероприятий по решению проблем, выявленных на предыдущем этапе. В конце  этого  этапа  формируются  варианты решения научно-технических проблем, определяющих наилучшее развитие объекта прогноза в заданном периоде упреждения  с  точки зрения выбранных критериев эффективности.

На каждом из названных  четырех этапов применяются определенные методики ( табл. 4).

Таблица 4

Методические приемы, используемые

для комплексного прогноза НТП