Выявление зависимостей. Эконометрика

 

В настоящее время существует большое количество прикладных программных систем, включающих в себя возможности статистиче­ского анализа и моделирования экономических характеристик. При этом наиболее используемыми являются [7]:

• средства статистической обработки выборки и временных рядов;

• модели линейной и нелинейной регрессии;

• модели тренда и сезонности;

• специальные эконометрические методы;

• встроенные средства сбора, обработки и представления данных для статистического анализа.

Быстро развивающиеся статистические методы количественного анализа являются удобным инструментом изучения финансовых рынков. Процесс их использования во многом тормозится недоста­точно высоким качеством исходных данных. Эконометрика как нау­ка о количественном анализе реальных экономических явлений [7] основывается на современном развитии теории и наблюдений, свя­занных с методами получения выводов. Цель эконометрики - полу­чение эмпирических выводов экономических закономерностей. В этом качестве эконометрика представляет собой одно из средств контроллинга. Она может использоваться, во-первых, при определе­нии рыночных тенденций и цен в случае применения метода рыноч­ной калькуляции маржи не только на текущую и прошедшие даты, но и в виде прогноза на будущее. Во-вторых, эконометрические мо­дели могут служить опорой в случае выявления тенденций измене­ния остатков по счетам (корреспондентскому, текущим, клиентским) для управления ими. В-третьих, эконометрические модели могут помочь при прогнозировании рынков для формирования комплекс­ной программы развития и построении среднесрочных финансовых планов.

В этой связи характерно отношение к указанным методам за ру­бежом: в условиях относительной предсказуемости тенденций раз­вития эконометрические и имитационные модели являются доста­точно хорошим подспорьем. При сохранении в российской экономи­ке тенденции к стабилизации эти модели могут быть использованы и у нас.

В то же время не следует преувеличивать возможности эконо­метрики. Традиционная эконометрика предписывает аналитику по­строить модель, собрать данные, выбрать подходящий метод оцени­вания и затем оценить модель. Описанный метод достаточно хорошо

работает в физике, но далеко не всегда в экономике из-за ограничен­ных объемов временных рядов. В лучшем случае можно надеяться лишь на то, что модель будет справедлива локально [7].

Суть метода эконометрики состоит в фиксации системы связей (уравнений), определяющих взаимосвязи входящих и исходящих пе­ременных. Ключевым фактором при использовании эконометрики служит правильный выбор базового вопроса- центра анализа. Ос­тальные модели, необходимые данные, метод оценивания зависят от этого, фактора.

Модели имеют двоякую ценность. С одной стороны, они объяс­няют полученные результаты и имеющиеся зависимости, но эти све­дения имеют ограниченный интерес. С другой стороны, модели служат основой прогнозирования. В качестве исходных данных при этом выступают сценарии развития внешней среды и оцениваемого объекта (предприятия, подразделения). В комплексной модели про­гнозирования используются балансовые уравнения, внешние огра­ничения (нормативы), выявленные зависимости между экономиче­скими факторами, а также данные о зафиксированных мероприятиях (договорах, сделках) и планируемых.

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ

ДЛЯ ФИНАНСОВЫХ ПРОГНОЗОВ

Нейронная сеть представляет собой многослойную сетевую структу­ру, состоящую из однотипных (и сравнительно простых) процессор­ных элементов - нейронов. Нейроны, связанные между собой слож­ной топологией межсоединений, группируются в слои (как правило, два-три), среди которых выделяются входной и выходной слои. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а нейроны выходного слоя сигнализируют о возможной реакции на эту ситуацию. Перед началом призводственной эксплуатации ней­ронная сеть проходит специальный этап настройки - обучения. Как правило, сети предъявляется большое количество заранее подготов-

ленных примеров, для каждого из которых известна требуемая реак­ция сети. Если сеть реагирует на очередной пример неадекватно, т.е. состояние выходного слоя отличается от заданного, внутренняя структура сети подвергается некоторой модификации для миними­зации ошибки (в большинстве случаев корректируются веса соеди­нений). После определенного периода обучения сеть достигает со­стояния, соответствующего минимальной суммарной ошибке.

В коммерческом применении нейронные сети, как правило, пред­ставлены в виде программных пакетов, плат-акселераторов для пер­сональных компьютеров, нейромикросхем, а также специализиро­ванных нейрокомпьютеров. Для большинства приложений бывает достаточно простого программного пакета.

Основные преимущества нейронных сетей состоят в следующем.

1. Наиболее ценное свойство нейронных сетей- способность
обучаться на множестве примеров в тех случаях, когда неизвестны
закономерности развития ситуации и какие бы то ни было зависимо­
сти между входными и выходными данными. В таких случаях (а к
ним можно отнести до 80% задач финансового анализа) пасуют как
традиционные математические методы, так и экспертные системы.

2. Нейронные сети способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

3. Эксплуатация обученной нейронной сети по силам пользовате­лю-непрофессионалу.

4. Нейросетевые пакеты позволяют исключительно легко под­ключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных.

5. Внутренний параллелизм, присущий нейронным сетям, позво­ляет практически безгранично наращивать мощность нейросистемы. Начав с простого пакета, можно в дальнейшем перейти на профес­сиональную версию или на специализированный нейрокомпьютер с полной преемственностью ранее созданного программного обеспе­чения.

О нейронных сетях как профессиональном инструменте для фи­нансовых операций серьезно заговорили в конце 1980-х гг. [19]. С появлением микропроцессоров и сверхбольших интегральных схем возникла техническая возможность построения более мощных ней­ронных сетей. Настраиваемые с помощью специальных алгоритмов обучения нейронные сети демонстрировали способность распозна­вания ранее предъявленных образцов в сложных наборах зашумлен-ных, неполных и противоречивых входных данных. В то же время надо осознавать, что обучение и перестройка нейронной сети требу­ет очень высокой квалификации специалистов.

Нейронные сети в том виде, как их сегодня применяют банкиры, бизнесмены и военные, - это не "черные ящики", раздающие туман­ные предсказания, а специализированные серийно выпускаемые программные пакеты и многопроцессорные системы, например ней­рокомпьютер для анализа и краткосрочного предсказания колебаний курсов валют. Они в основном используются не Столько для пред­сказания биржевых крахов (хотя и для них тоже), сколько для вы­полнения огромных объемов рутинной и весьма ответственной ра­боты по ежедневной, ежечасной, а зачастую ежеминутной коррек­ции валютных котировок на ведущих мировых биржах.

К основным финансовым задачам, решаемым с помощью нейро­компьютера, можно отнести [19]:

• прогнозирование валютного курса на основе нейросетевых мето­дов обработки временных рядов;

• страхование банковской деятельности;

• прогнозирование банкротств на основе нейросетевой системы распознавания;

• определение курса облигаций и акций предприятий с целью вло­жения средств в эти предприятия;

• применение нейронных сетей к задачам биржевой деятельности;

• прогнозирование экономической эффективности финансирования инновационных проектов и др.

Набор предложений программных продуктов, реализующих идею нейронных сетей, сегодня достаточно широк, включая встраивание соответствующих приложений в интегрированные системы под­держки принятия решения, например, фирмы ЗА8 1п§Ши1е

Ведущиеся в настоящее время работы по переносу алгоритмов на элементную базу (нейрочипы, нейроплаты и нейрокомпьютеры) должны существенно повысить быстродействие и тем самым сти­мулировать расширение применения указанных средств для приня­тия решений (прежде всего оперативных и тактических), в том числе для финансовых приложений и задач контроллинга.

Пока же возможности по включению нейроалгоритмов в при­кладные финансовые системы представляются более скромными: они ориентированы на отдельные частные задачи (распознавание чеков, предсказание курсов на биржах), требующие предваритель­ного качественного обучения. Наиболее успешным ожидается применение сравнительно простых нейросетей, например, с фик­сированными структурами и весами.