- Д.Э. БЭСТЕНС, В.М. ВАН ДЕН БЕРГ, Д. ВУД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП,1997. - хх, 236 с., 1997
нейронных сетей для решения задач анализа и прогноза в таких актуальных для современной российской экономики вопросах, как кризисные явления на рынках капитала, налоговые поступления, динамика цен производных финансовых инструментов и индексов курсов акций, эффективность диверсификации портфельных капиталовложений, риск предоставления кредитов или банкротство корпораций и банков. Постоянные
- Очистка и преобразование базы данных
нейронные сети, дают лучшие результаты на нормализованных данных. Далее, с помощью специальных статистических тестов, например, на расстояние Махаланобиса, можно выявить многомерные выбросы, с которыми затем нужно разобраться на предмет достоверности соот-ветствующих данных. Эти выбросы могут порождаться ошибочными данными или крайними значениями, вследствие чего структура связей между
- ОПЫТ ОЦЕНКИ КРЕДИТНОГО РИСКА В ГОЛЛАНДСКОМ ИНВЕСТИЦИОННОМ БАНКЕ
нейронно-сетевых методов. При этом отсутствует возможность для ех ровТ-оценки ошибок 2-го рода, поскольку данные о клиентах, чьи заявки на получение займа были отвергнуты, не
- 4.10. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
нейронных сетей. Нейронные сети - обобщенное название групп алгоритмов, которые умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. Компьютерные технологии, получившие название нейросетевых, работают по аналогии с принципами строения и функционирования нейронов головного мозга человека и позволяют решать чрезвычайно широкий круг задач: распознавание человеческой речи и
- Системы искусственного интеллекта
нейронов и нейронной сетью, поэтому они нередко являются объектами моделирования в исследованиях в области искусственного интеллекта. Кора больших полушарий головного мозга человека содержит около 14 млрд. нейронов, образующих сложнейшее переплетение связей. Устройство и законы функционирования самого нейрона также очень сложны, что позволяет использовать для его описания только упрощенные
- Введение
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
- ВВЕДЕНИЕ В МЕТОДЫ НЕЙРОННЫХ СЕТЕЙ
нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере финансов. Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможность применять нейронные сети для решения широкого класса
- Другие алгоритмы обучения
нейронно-сетевых пакетов реализованы методы пакетной обработки, импульса, изменения величины шага, и даже более совершенные варианты алгоритмов типа алгоритма обратного распространения ошибки и квази-ньютоновские методы. В литературе описано много других алгоритмов, реализующих иные подходы к задаче оптимизации. Так, в основанном на идеях статистической физики методе лзамораживания стабилизация
- Динамические, самоорганизующиеся сети и сети со встречным распространением
сетевых моделей, некоторые из которых имеют вычурные названия: лконкурентное обучение (или ладаптивная теория резонанса), сети Хопфилда, машины Больцмана, самоорганизующиеся карты признаков
- Отбор и диагностика модели
нейронно-сетевой моде-ли с наилучшим обобщением - это проверка критерия согласия (МБЕ, АЯУ и др.) на тестовом множестве, которое не использовалось при обучении. Если же данных мало, разбивать их на обучающее и подтверждающее множество нужно разными способами. Такое пере-крестное подтверждение может потребовать много времени, особенно для нейронных сетей с их длительным процессом обучения. В
|
Финансы