Банковское дело / Доходы и расходы / Лизинг / Финансовая статистика / Финансовый анализ / Финансовый менеджмент / Финансы / Финансы и кредит / Финансы предприятий / Шпаргалки Главная Финансы Финансы
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

РЕЗУЛЬТАТЫ КЛАССИФИКАЦИИ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Были опробованы различные нейронные классификаторы, основанные на стандартной MBPN-модели, и их результаты сравнивались с тем, что дают методы MDA и 1-NN. Чтобы сохранить естественное отношение упорядоченности между тремя классами, выход был выбран одномерным. Описанные выше три агрегированных количественных показателя никаким преобразованиям не подвергались, поскольку их значения лежат в интервале от -2 до 2, и это вполне подходит для подачи на входной слой сети. Оба скрытых элемента и выходной элемент имели сигмоидную функцию преобразования с единичной крутизной и коэффициентом обучения 0.1. Полученные на выходе значения разбивались на три группы в соответствии с предполагаемым вариантом ответа на основной вопрос:
0 < выход < 0.33 положить выход равным 0 банкроты
0.33 < выход < 0.66 положить выход равным 0.5 неясно
0.66 < выход < 1 положить выход равным 1 жизнеспособные
Здесь, как и в предыдущих случаях, мы применяли процедуру перекрестного подтверждения (по очереди отбрасывая каждое наблюдение) с целью выбрать наилучшую конфигурацию сети (с точки зрения способности к обобщению) и получить оценку надежности модели. Каждый вариант конфигурации сети обучался в течение 30 циклов (3000 эпох) на 29 образцах, а 30-й образец оставлялся для проверки. Выбор подходящей архитектуры сети осуществлялся на основании статистики по среднеквадратичной ошибке (RMSE) перекрестного подтверждения (CV = Cross-Validation). Тип сети CVRMSE Доля правильных прогнозов (%) Число весов 3-0-1 0.42 50.00 4 3-1-1 , 0.40 56.70 6 3-2-1 0.45 40.00 11 3-3-1 0.58 36.60 16 Таблица 8.10. Данные перекрестного подтверждения для раз' личных вариантов архитектуры сети
Была сделана попытка выбрать степень сложности модели, исходя из другого критерия - итоговой ошибки прогноза (FPE = Final Prediction Error). Эта величина вычисляется по ошибке на всем обучающем множестве с добавлением штрафного слагаемого за сложность модели:
FPE (к) = MSE (Л)[(1 + S (k)/N)( 1 - S (k)/N)], (2)
где NЧ объем выборки, S (X) - число весов модели (X.).
Для линейных моделей в предположении, что объем выборки достаточно велик, этот критерий дает несмещенную оценку риска обобщения при прогнозе. Это утверждение верно в асимптотическом смысле при NЧ>оо, и наши результаты указывают на то, что при S(A,)-N оно не выполняется. Утанс и Муди [270] утверждают, что несмещенные оценки могут быть получены также для нелиней-ных моделей (в частности, нейронных сетей).
Мы подсчитывали FPE для различных сетей возрастающей сложности, и в табл. 8.11 приведены результаты, соответствующие двум видам выходных элементов: многопорогового (0, 0.5, 1) и сигмоид- ного.
Для исследуемой задачи модель FPE1 (сигмоидная) представляется не вполне подходящей, так как FPE здесь более естественно было бы вычислять лступенчато (как это делается в FPE2). Критерий FPE2 имеет локальный минимум для конфигурации 3-1-1, что согласуется с результатами перекрестного подтверждения. Это, однако, говорит о том, что ни один из методов выбора модели не является идеальным (при конечном числе точек наблюдения). Поэтому мы остано- вим свой выбор на перекрестном подтверждении как на наиболее надежном методе выбора варианта модели и рассмотрим 3-1-1 сеть.
Из таблицы результатов классификации для 3-1-1 сети (см. табл. 8.13) видно, что 80% случаев из 1-й группы и 90% из 3-й группы были классифицированы правильно. С другой стороны, из со-мнительных компаний ни одна не была идентифицирована правильно. Тип сети (ж) RMSE1 FPE1 RMSE2 FPE2 3-0-1 0.302 0.119 3.87 19.6 3-1-1 0.286 0.122 3.46 18.0 3-2-1 0.134 0.134 3.46 25.9 3-3-1 0.076 0.076 2.23 16.4 3-4-1 0.066 0.066 0 0 (ж) Эти данные соответствуют фиксированному количеству эпох обучения (20 тыс.). Поскольку при дополнительном обучении среднеквадратичная ошибка MSE 3-4-1 сети уменьшится, результаты не носят абсолютный характер. RMSE1 соответствует сигмоидному выходному узлу, а RMSE2 - пороговому.
Таблица 8.11. Данные об итоговой ошибке прогноза Сеть Доля правильных прогнозов (%) Число весов 1-NN 46.60 ** MDA 60.00 12 Сеть 3-0-1 60.00 4 Сеть 3-1-1 70.00 6 Сеть 3-2-1 70.00 11 Сеть 3-3-1 90.00 16 Сеть 3-4-1 100.00 21 Таблица 8.12. Метод повторной подстановки. Результаты для сетей возрастающей сложности
Мы проводили также обучение этих сетей на всем обучающем множестве (метод повторной подстановки), меняя при этом число скрытых элементов от 0 до 4. Как и следовало ожидать, при увеличении сложности сети (числа весов) ошибка классификации уменьшалась, а для сети с четырьмя скрытыми элементами даже было достигнуто полное соответствие в отображении (ошибка равна нулю). Так как для отделения друг от друга трех групп понадобилось 4 скрытых элемента, задача, очевидно, является нелинейно отделимой. Однако, результаты перекрестного подтверждения заставляют сомневаться в возможностях такой сети к обобщению. Далее будут анализировать
ся результаты, полученные для модели 3-1-1 после 7000 эпох обучения.
Доля правильно классифицированных случаев: 70%
Конфигурация 3-1-1 дает точность классификации примерно 70%, что на 10% лучше, чем МБА. В первой группе число правильно классифицированных элементов стало больше на 30% - прекрасный результат с учетом того, что структура базы данных позволяет анализировать только ошибки 1-го рода. Показательно, что и МБА, и нейронная сеть одновременно неправильно классифицировали одну из компаний 1-й группы (№13 в списке) как жизнеспособную (отнесли ее к 3-й группе). Такое совпадение заставило банк пересмотреть ее рейтинги. Оказалось, что эта компания получила очень высокие оценки по многим параметрам благодаря тому, что в тот момент качество оценки было несовершенным.
Предсказанный номер группы 3-1-1 Действительный номер группы Число случаев 1 2 3 Группа 1 10 9 0 1 Банкроты 90% 0% 10% Группа 2 10 5 2 3 Неясные случаи 50% 20% 30% Группа 3 10 0 0 10 Жизнеспособные 0% 0% 100% Таблица 8.13. Метод повторной подстановки. Результаты классификации для 3-1-1 сети
Нейронная сеть не смогла превзойти результаты метода МБА на 2-й группе компаний. Эта группа состоит из фирм с неясным будущим. В данный момент их финансовое положение неустойчиво, и, возможно, они справятся с этими трудностями, а, может быть, и нет. Было бы интересно сравнить результаты классификации с тем, что в действительности произошло с этими фирмами спустя некоторое время. Опять-таки, приятно отметить, что компании, неправильно классифицированные методом МБА, были также неправильно оценены нейронным классификатором. 100-процентный результат, достигнутый на 3-й группе, говорит о том, что эта часть компаний образует отчетливо выделяемую область в пространстве переменных.
Все полученные результаты собраны на рис. 8.1, где для каждой компании наряду с ее истинным номером группы (целевой перемен
ной) изображены результаты ее классификации 3-1-1 нейронной сетью, методами МБ А и 1-ЫЫ. Для удобства дискретные выходные значения представлены в непрерывном виде.

ж Цель МБА 1-Ш 3-1-1
Рис. 8.1. Метод повторной подстановки. Результаты классификации различными методами
<< Предыдушая Следующая >>
= К содержанию =
Похожие документы: "РЕЗУЛЬТАТЫ КЛАССИФИКАЦИИ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ"
  1. 4.10. НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
    результаты обработки представляются в графическом виде, удобном для анализа, принятия решений. При использовании нейросетевой технологии работа строится в несколько этапов. Рассмотрим их содержание и важнейшие проце- v дуры. Первым этапом является четкое определение проблемы, т.е. того, что пользователь-аналитик собирается получить от нейросетевой технологии на выходе. Это может быть некоторый
  2. Введение
    результат множества нелинейных взаимодействий, вследствие чего даже небольшое изменение начальных данных может привести к совершенно другому дальнейшему поведению системы. Благодаря достижениям этой теории, в некоторых ситуациях удается обнаружить лдополнительные доходы, которые нельзя было бы увидеть, действуя в предположениях гипотезы эффективного рынка (Efficient Market Hypothesis). Эта книга
  3. Анализ показателей работы сети
    результате обработки поступившего образца классифицирующая модель выдает на выходе некоторое значение. Как правило, эти выходные значения бывает необходимо подвергнуть доводке. Например, если класс с номером 2 кодируется выходным вектором (0,1,0), а сеть выдала (0.1,0.6,0.3), то нужно решить, имеются ли достаточные основания причислить объект ко 2-му классу. Настройка классификатора обычно
  4. Пример: ирисы Фишера
    результаты, полученные при помощи классических подходов, а затем сравним их с тем, что дают нейронные
  5. МОДЕЛИ ПРЕДСКАЗАНИЯ БАНКРОТСТВ
    результат. Поэтому с их помощью очень трудно оценить решения, принимаемые специалистами в этой области. При использовании количественных моделей исходят из того, что шансы компании на выживание можно оценить, отслеживая, как ме-няются со временем соотношения между различными финансовыми показателями. Обсудим вкратце два наиболее известных метода такого родаЧ множественный линейный дискриминантный
  6. 5.4. Информационная безопасность
    результате должен быть составлен документ, в котором зафиксированы границы системы, перечислены ресурсы, подлежащие защите, дана система критериев для оценки их ценности. В идеале такой документ должен включать информационно-логическую модель объекта, иллюстрирующую технологию обработки критичной информации с выделением вероятных точек уязвимости, по каждой из которых необходимо иметь полную
  7. 5.5. Защита информационных ресурсов и повышение информационной безопасности
    результатам работы с оценкой уровня доступности информации и рекомендациями по улучшению защиты. Наряду с таким способом используются программные средства тестирования. На этапе составления плана защиты в соответствии с выбранной политикой безопасности разрабатывается план его реализации. План защиты является документом, вводящим в действие систему защиты информации, который утверждается
  8. 1.4. РЕГУЛИРОВАНИЕ МИРОВОГО ХОЗЯЙСТВА В УСЛОВИЯХ ГЛОБАЛИЗАЦИИ И РОЛЬ ГОСУДАРСТВА
    результате и межнацио-нальное/наднациональное регулирование всемирной экономики объективно начинает превращаться из вторичного по отношению к регулированию на национальном уровне в первичное. Таким образом, часть функций, прежде возлагаемых на на циональный уровень, неизбежно будет смещаться на уровень глобальный. Кроме того, расширение политических, экономи-ческих и социальных прав населения,
  9. 2.7. ФОРМИРОВАНИЕ ГЛОБАЛЬНОГО РЫНКА УСЛУГ
    результат различных темпов роста отдельных отраслей сферы услуг. В развитых странах по темпам роста лидируют дело вые услуги. Это службы маркетинга и рекламы, компьютерные и телекоммуникационные услуги, лизинговые операции, научно- исследовательские фирмы, услуги по охране и обслуживанию помещений, инженерно-строительные и архитектурные услуги, бухгалтерские и аудиторские услуги, размножение
  10. 1.4. АВТОМАТИЗИРОВАННЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, ИХ РАЗВИТИЕ И КЛАССИФИКАЦИЯ
    результатной информации и выводить ее на экран, печатающее устройство или передавать по каналам связи. Потребность в аналитической работе при переходе к рынку в условиях перестройки экономических отношений, образования новых организационных структур, функционирующих на основе различных форм собственности, неизмеримо возрастает. Возникает необходимость в накоплении фактов, опыта, знаний в каждой