Опубликован: 12.09.2011 | Уровень: специалист | Доступ: платный | ВУЗ: Московский государственный университет путей сообщения
Лекция 8:

Нейросетевые технологии в экономике и бизнесе

< Лекция 7 || Лекция 8: 12 || Лекция 9 >

Методика мониторинга

Обученная система, которая может поступить в распоряжение пользователя после усилий высококвалифицированных экспертов — экономистов и политиков, готова к использованию в рамках CASE-технологии (CASE — Computer Aided Software Engineering; короче, — средства программного обеспечения).

Однако, предварительно сняв блокировку вполне лицензированного продукта, пользователь реализует свое право на дополнительное обучение, уточнение (например, весов связей, — для усиления или ослабления влияния некоторых показателей на основе собственного опыта), введение дополнительных показателей, — для эксперимента на свой риск и ответственность, и т.д.

Теперь, предположим, он хочет исследовать ситуацию, сложившуюся вокруг банка "Инвест-Туда-И-Обратно". Естественно, что никакие разведданные не в состоянии принести ему сколько-нибудь удовлетворительной информации о целесообразности собственных вложений. И он приступает к скрупулезному сбору данных, в результате чего получает приблизительные, вероятные (как ему кажется), разноречивые характеристики, которые решает вложить в модель.

Скользя "мышкой" по экрану рецепторов, пользователь задает значения их возбуждения, исходя из вполне достоверных данных, но иногда, — учитывая варианты "или — или" (частично возбуждая разные рецепторы), иногда, — по наитию, иногда, — просто пропуская показатели, не в силах преодолеть допустимую границу порядочности. Такие показатели, как прошлый рейтинг и миграция, он пока не знает, но предполагает полученный сейчас результат использовать в дальнейшем.

Введя данные, обозрев их последний раз, он со вздохом "топает" по клавише "ОК". Тотчас вспыхивает экран выходного слоя. Яркая точка где-то вблизи области аутсайдеров красноречиво свидетельствует о защите священного гражданского права ненасильственного выбора решения о целесообразности вложения праведно накопленного капитала.

Координаты этой точки на экране определяются по известной (ранее нами неоднократно используемой) формуле нахождения среднего по координатам "засветившихся" нейронов тех банков, которым близок контролируемый банк, и по величинам их возбуждения. Но по этим же формулам, на основе рейтингов "засветившихся" банков отыскивается рейтинг исследуемого банка!

Пользователь может принять решение о дополнении базы знаний (и, следовательно, нейросети) информацией о новом банке. Это особенно целесообразно, если совет экспертов подверг существенной критике получившийся результат и указывает, тем самым, на ошибку нейросети. Для этого достаточно воспользоваться опцией "Дополнить", в результате выполнения которой инициируется диалог компьютера с пользователем:

"Вы хотите изменить рейтинг?" — "Да"

"Новое значение рейтинга?" — "…"

"Сохранить!"

Тогда (один вариант) нейрон выходного слоя с найденными координатами закрепляется за новым банком. Устанавливаются его связи с теми рецепторами, которым было сообщено возбуждение при вводе информации о банке. Вес каждой связи полагается равным введенной пользователем величине возбуждения соответствующего нейрона-рецептора. Теперь база знаний дополнена наподобие пристрелянных установок артиллерийской батареи после поражения очередной цели.

Однако значительное принудительное изменение рейтинга должно приводить (второй вариант) к перемещению "засвеченной" точки в область банков, обладающих соответствующим уровнем рейтинга. То есть, должно производиться перезакрепление нейрона выходного слоя за банком. Это также устанавливается в результате того же диалога компьютера с пользователем.

Корректировка и развитие

Выше говорилось о необходимости и возможности постоянного уточнения и развития нейросети. Можно изменять представление о продвинутости банка-эталона — реального примера или несуществующего идеала. Новыми такими примерами можно дополнить базу знаний — данную нейросеть. Можно корректировать веса связей как веса отдельных показателей. Этим будет скорректировано влияние конкретного показателя на выходной результат. Можно вводить новые показатели с их весами. Можно вводить в рассмотрение новые решения, и устанавливать степень влияния на него тех же или новых показателей. Можно приспособить нейросеть для решения некоторых смежных задач, учитывая влияние отдельных показателей на миграцию банков (переход с одного рейтингового уровня на другой) и т.д.

Наконец, можно, приобретя данный программный продукт с отлаженным доступом и сервисом, с развитым набором функций преобразования сети, переделать нейросеть для решения совершенно другой задачи, например — для увлекательной игры в железнодорожную рулетку, которую мы рассмотрели ранее.

Система оценки странового риска

Как видно из рассмотренного примера, используемые методы анализа и прогнозирования экономических показателей (в частности, биржевых сделок), таких, как котировки и объемы продаж активов на фондовом рынке, выбор наилучшего проекта строительства, определение стратегии международных торговых сделок и т.д., основаны на анализе многофакторных моделей. Разнообразие факторов политического, экономического и социального характера, а также такие конкретные показатели, как уровень инфляции, кредитные ставки банков, уровень безработицы, обменные валютные курсы, изменение объемов производства, денежная эмиссия и эмиссия ценных бумаг и др., представляют значительные трудности при формальном описании задачи, а главное — при определении зависимостей прогнозируемого результирующего показателя (котировка, объем продаж, цена и др.) от совокупности этих факторов. Даже предположение о линейности или мультипликативности не уменьшают неопределенности при аналитическом построении таких зависимостей. Таким образом, задача анализа и прогнозирования экономических показателей относится к классу трудно формализуемых.

Для построения адекватной модели требуется представительная статистика по всем факторам–аргументам. Статистические исследования накопленного опыта являются основой построения экспертных систем, являющихся ни чем иным, как системами принятия решений, моделирующими ассоциативное мышление. Это, в свою очередь, определяет целесообразность нейросетевого воплощения.

Исследование различных значений всех используемых факторов при априорном предположении о характере передаточной функции (можно с уверенностью считать, что такие функции, как 3 или 5, адекватны процессу ассоциативного выбора решений в данном применении) приводит к построению совершенной нейросети.

Входной (рецепторный) слой этой сети составляют нейроны, закрепленные за дискретными значениями или диапазонами изменения значения факторов. Нейроны выходного слоя соответствуют принимаемым решениям или оценкам ситуации. При этом возможна корректировка весов связей в соответствии со значимостью, степенью влияния конкретного фактора на принимаемое решение.

Возбуждение рецепторов задается в виде оценки достоверности принадлежности значения фактора данному дискретному значению или данному диапазону. Эта оценка производится на основе индивидуального опыта пользователя и является, скорее, интуитивной. Ряд факторов может быть оценен на основе официальной или конфиденциальной информации.

Рассмотрим на примере подход к проектированию нейросети, предназначенной для простейшей оценки странового риска .

Риск – относительный размер возможного ущерба или выигрыша, соотнесенный с вероятностью возникновения некоторого события в результате принятия того или иного решения.

Страновый риск возникает в связи с национальными особенностями функционирования государства, с которым предприятие или банк соотносят свою деятельность.

Экономическое воздействие на страновый риск в основном оказывают следующие факторы, на основе которых попытаемся спроектировать нейросеть, пронумеровав их:

  1. долговременное уменьшение роста валового национального продукта;
  2. быстрый рост цен на продукцию;
  3. увеличение импорта по сравнению с экспортом (отрицательное внешнеторговое сальдо);
  4. уменьшение доходов от экспорта;
  5. инфляция;
  6. резкое увеличение внешней задолженности;
  7. снижение объема обслуживания внешнего долга;
  8. уменьшение иностранных резервов по сравнению с импортом;
  9. криминогенная ситуация в финансовой сфере;
  10. военные действия или наличие террористических организаций.

Очевидно, сеть должна быть восприимчива к развитию, ибо перечисленные факторы не исчерпывают всех возможных.

На рис.8.5 создаваемая нейросеть представлена своим отображением на экране монитора компьютера и предполагает работу пользователя с ней.

Не следует рассчитывать на то, что ниже будут представлены хотя бы коэффициенты, с которыми факторы влияют на результат. Еще раз подчеркнем, что выявление зависимостей этого влияния – задача длительного исследования моделируемой системы, процесс проб и ошибок, набор статистики и анализ общественного и исторического опыта, выделение подструктур, для которых известны методы обсчета, — т.е. длительный процесс обучения учителя. Нейросеть "сама" (пока!) не мыслит. Она лишь является инструментом хранения опыта и быстрого извлечения рекомендаций по принципу "на что более всего это похоже". В этом смысле "хорошо" обученная нейросеть, т.е. сформированная на основе достаточно точного учета многих факторов, позволяет пользователю, не столь глубоко сведущему, принимать правильные решения при помощи коллективного опыта коллег и при неточных данных, утверждая, разумеется, тезис о том, что чудес не бывает.

 Экран системы оценки риска

Рис. 8.5. Экран системы оценки риска

Задача пользователя заключается в оценке достоверности каждого диапазона (или дискретного значения) изменения меры каждого фактора. Эти оценки (на рисунке — кружки) он заносит в "окна" соответствующих нейронов-рецепторов. Запись на основе приблизительности предполагаемых оценок может производиться в несколько окон одного фактора, как показано на рисунке, приводя в возбуждение несколько рецепторов этого фактора.

Значение риска либо текст, объясняющий ситуацию и даже содержащий рекомендации, формируется в соответствующем окне.

Одна нейросеть, в основном из-за большого количества факторов ориентированная на одну категорию рисков, может давать менее точные оценки рисков других категорий (не все факторы могут быть учтены). Однако возможна разработка нейросети, ориентированной на все известные категории рисков, требующей энциклопедического, динамически уточняемого в процессе эксплуатации, объема знаний для обучения (уточнения структуры связей и их весов).

Напомним, что обучение нейросети, т.е. построение связей между множеством диапазонов (значений) оценки факторов и множеством значений рисков, производится на основе экспертных оценок, а также в результате длительного личного и коллективного опыта. Пользователь может корректировать связи нейросети и веса этих связей в процессе эксплуатации.

Ключевые термины

Мониторинг – оценка текущего значения рейтинга по ряду финансовых показателей.

Банк-эталон – банк с известными финансовыми показателями, снабженный экспертами определенным значением рейтинга из одного из диапазонов классификации.

Банк-аутсайдер – банк, рейтинг которого принадлежит предельно низкому диапазону.

Страновый риск – риск, связанный с рейтингом страны – делового партнера.

Краткие итоги

  1. Логическая нейронная сеть позволяет легко вводить в рассмотрение и исключать из рассмотрения любые количества факторов, влияющих на рейтинг банка.
  2. Главным достоинством рассматриваемой системы является ее работа по нечетким данным.
  3. Обучение рейтинговой системы банковского мониторинга основано на экспертных оценках ряда известных банков по их классификации. Динамический учет дрейфа рейтинга банков-эталонов производится оперативно, путем несложных операций перевода их в другую рейтинговую область экрана.
  4. Рассмотренная здесь система выполняет "голосование", с получением веса, в пользу одного или более близких по рейтингу банков-эталонов, допуская усреднение с помощью этих весов.
  5. Возможна организация дружественного интерфейса пользователя, где предполагаемая достоверность оценок контролируемого банка фиксируется на экране рецепторов и допускает варьирование. Искомый рейтинг может быть представлен наглядно, попаданием точки-образа банка в соответствующую рейтинговую область.
  6. Применение сферической системы координат при описании рейтинговых областей упрощает усреднение данных при отображении рейтинга на экране.
  7. Пример системы определения странового риска демонстрирует универсальность подхода и целесообразность построения унифицированного стандартного программного приложения для решения рейтинговых задач, которое, предоставляя широкий сервис пользователю, может быть легко переориентировано для многих применений.

Вопросы:

  1. Насколько свободна рейтинговая система на базе логической нейронной сети относительно выбранных показателей банка?
  2. Как на экране следует представлять исходные данные для мониторинга?
  3. Как целесообразно отображать результаты мониторинга?
  4. В чем преимущества представления результатов мониторинга в сферической системе координат по сравнению с декартовой?
  5. Существует ли принципиальное различие по существу и по способу отображения системы оценки странового риска от системы банковского мониторинга? Убедились ли вы в необходимости построения унифицированного программного приложения для построения подобных рейтинговых систем?
< Лекция 7 || Лекция 8: 12 || Лекция 9 >
Кирилл Артамонов
Кирилл Артамонов

"Тогда как задать возбуждение рецепторов, если инспектор точно установил, что скорость автомобиля при наезде на пешехода была равна 114 км/час?
По-видимому, он рассуждает на основе близости скорости к границам указанного интервала: "Достоверность того, что скорость автомобиля составляет 100 км/час, я найду как (114 – 100):(120 – 100), а достоверность того, что скорость автомобиля составляет 120 км/час, я найду как (120 – 114):(120 – 100). Следует обратить внимание на то, что сумма найденных достоверностей равна единице."

Вопрос по расчёту скорости и сумме достоверности: этот математический (приведенный выше в виде контекста из материала лекции 1, страницы 3) метод справедлив к скоростным показателям выходящим за рамки диапазона 100-120. 
То есть, практически применяв к расчёту, скорости из диапазона 114-155, к диапазону 100-120, получал в результате суммирования достоверностей единицу.
Это похоже на то, как я видимые разные скоростные показатели своим рецептором, буду воспринимать линейно с помощью одного диапазона, так как он универсален. 
Правильно ли это ? 
И как манипулировать данными показателями, если есть универсальный диапазон, по результату выводящий в сумме постоянно единицу на разных скоростных показателях стремящегося.

Владислав Гладышев
Владислав Гладышев

А как проходить курс ? я же могу прямо сейчас все лекции прочитать и здать экзамен, к чему там даты ? 

Александр Сериков
Александр Сериков
Россия, Москва, МВТУ им. Баумана Н.Э.
Евгений Резниченко
Евгений Резниченко
Россия