Адаптивные нейронные сети 3


Немаловажно то, что АНС относится к классу методов, предполагающих обучение без внешнего вмешательства, что обеспечивает повышение объективности результатов. Обучение без учителя дает возможность обнаруживать во входных наборах данных неизвестные ранее структуры или закономерности, что отражает способность АНС к обобщению (generalization) на основе входных примеров. Это свойство позволяют обобщать большие наборы многомерных данных, которыми являются финансово-экономические показатели предприятий, выявлять и демонстрировать содержащиеся в них структуры, а также обнаруживать новые образы и взаимосвязи в таких наборах данных.

Свойство обобщения можно также интерпретировать как способность вычислительной нейросистемы производить обработку входных данных таким образом, чтобы получить ощутимый отклик на не встречавшийся ранее воздействие. Это означает, что подобные нейронные сети могут узнавать или характеризовать входные данные, с которыми они никогда прежде не имели дело.

Новый вектор входных данных соотносится с теми выходными элементами, на которые он отображается. При этом в формировании отклика принимает участие вся та информация, которая была внесена в сетевую структуру в ходе предшествующего обучения.

Достоинством метода АНС служит также то, что данный метод является непараметрическим, т.е. не требует априорных предположений о форме распределения данных. В частности, он не требует априорных предположений о виде функционала процесса, формирующего структуру входных данных, и распределения, характеризующего динамику изменения во времени финансово экономических показателей предприятий. Алгоритм АНС может быть использован для того, чтобы получить картину распределения структуры входных данных и ее изменения с течением времени на материале набора исторических данных. Прибегнув затем к численному моделированию (например, методом Монте-Карло), можно получить прогноз изменения структуры входных параметров в долгосрочной перспективе.

В сущности, все нейронные сети являются мощным инструментом прогнозирования. Заложенные в них генетические алгоритмы, эволюционируя естественным путем, позволяют выявить правила и стратегии, преследующие множественные цели. Таким образом, при введении одного или большего числа ограничений можно оптимизировать систему в любом направлении ее развития, что позволяет осуществить направленный прогноз. Поэтому АНС могут служить хорошим инструментом для изучения динамики процессов, характеризуемых потоками входных данных. Причина этого кроется в том, что АНС основаны на нейросетевой технологии, позволяющей анализировать нелинейности, сохраняя топологию и распределение данных, что представляет существенную важность для прогнозирования. Экономическая деятельность предприятий основана на планировании (если не стратегическом, то хотя бы краткосрочном). Поэтому исторические данные по финансово-экономическим показателям обладают свойством персистентности (persistence), математически трактуемым как свойство временного ряда следовать тенденции. Если определенная тенденция увеличивалась за предыдущий период, имеется ненулевая вероятность того, что она продолжит увеличение в течение последующего периода. Предварительный анализ показывает, что показатель Хурста (Hurst exponent, H) для основных параметров финансовой отчетности большинства российских предприятий в поквартальном измерении соответствует требованиям для персистентных рядов или рядов с тенденцией к усилению (0,5 < H < 1,0).