Применение обучения и нейронных сетей для обнаружения пузырей в экономике

-

Весь текст будет доступен после покупки

Исследование и применение искусственных нейронных сетей уже давно появилось – в начале 20 века, но широкую популярность и востребованность они приобрели немного позже. Это обусловлено тем, что начали внедряться продвинутые в те времена вычислительные устройства, у которых мощности были довольно большими для использования искусственных нейросетей. На сегодняшний день несложно смоделировать нейронную сеть средней сложности на любом персональном компьютере.
Нейронная сеть представляется в виде совокупности нейронов, которые соединяются между собой конкретным способом. В качестве пояснения рассмотрим на примере. Нейрон представляет собой элемент, вычисляющий выходной сигнал из спектра входных сигналов, действующий по определенному алгоритму. Основная последовательность действия нейрона представлена следующим образом:
• Поступление сигналов от предыдущих элементов нейросети
• Сочетание входных сигналов
• Обозначение выходного сигнала
• Передача выходного сигнала последующим элементам нейронной сети.
Друг с другом нейроны могут сочетаться абсолютно по-разному, это зависит от содержания конкретной нейросети. Но смыслу функционирование нейронной сети остается всегда одинаковым.

Весь текст будет доступен после покупки

. Определение понятия «нейронных сетей»
Нейросети считаются одними из последних научных инструментов, позволяющим изучить состояние рынка. Мысль нейросетей состоит в повторении или воспроизведении поведения разных процессов с использованием исторических сведений.
Выбор содержания нейросетей проводится на основании особенностей и сложности задач. Если задача не относится ни к одному известному типу, поэтому разработчик вынужден решать сложную проблему синтеза новой конфигурации.
Нейронная сеть представляется в виде спектра специальных математических функций, обладающих множеством параметров, которые указываются в процессе обучения на предыдущих сведениях. Далее обученная нейросеть перерабатывает исходные сведения и прогнозирует будущее состояние исследуемой системы.
Главным минусом программ, созданных на основе нейронных сетей, считается проблема грамотного обучения нейросети и предотвращение большого объема обучения, которое может в большой степени повлиять на адекватность рыночной модели.
Преимуществом нейрокомпьютинга считается единый принцип обучения нейронных сетей, к которому относится минимизация эмпирической ошибки.
Функция ошибки, оценивающая данную конфигурацию сети, задается извне - в зависимости от того, какую цель преследует обучение. Далее сеть начинает постепенно модифицировать свою конфигурацию - состояние всех своих синаптических весов - таким образом, чтобы минимизировать эту ошибку. В итоге, в процессе обучения сеть все лучше справляется с возложенной на нее задачей [5, 209 с.].
Заинтересованность в использовании искусственных нейронных сетей пришла из биологии. То есть, рассматривая сейчас разные сетевые конфигурации и алгоритмы, исследователи применяют термины, заимствованные из принципов организации мозговой деятельности. Но на этом их одинаковые черты заканчивается. Наш мозг почти не изучен и знания о нем крайне малы, поэтому мало существует точно доказанных закономерностей для тех, кто предпочел бы их использовать. Из-за этого разработчикам нейросетевых технологий приходится искать методы обхода современных знаний, чтобы найти структуры, которые способны выполнять почти те же полезные функции. Нейронные сети бывают: синхронные и асинхронные. Для синхронных нейронных сетей в каждый момент времени меняет только один нейрон свое состояние. В асинхронных сетях единовременно меняется состояния у группы нейронов или обычно у всего слоя.
Можно выявить 2 основные архитектуры нейронных сетей – слоистые и полносвязные сети. Слой представляется как один или несколько нейронов, которым на вход подается один общий сигнал. Слоистые нейросети – это такие нейросети, в которых нейроны распределяются по отдельным группам или слоям таким образом, что переработка сведения проводится послойно. В одном слое информация обрабатывается последовательно, или от слоя к слою. К слоистым нейронным сетям принадлежат многослойные персептроны, сети радиальных базисных функций и другие.
Нейросеть можно изобразить в виде графа. Если точку представить как одни нейрон, а связи между точками как нейроны, названные дендритами и синапсами, то нейросеть будет представлена в виде графа. Но не все сочетания нейронов окажутся работоспособными или целесообразными. Что касается архитектуры связей, то она делится на 2 класса:

Весь текст будет доступен после покупки

1. Барский, А. Б. Логические нейронные сети: Учебное пособие / А. Б. Барский. — М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2012. - 352 c.
2. Галушкин, А. И. Нейронные сети: основы теории / А. И. Галушкин. — М.: ГЛТ, 2012. - 496 c.
3. Гафаров Ф.М. Искусственные нейронные сети и приложения: учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. – Казань: Изд-во Казан. ун-та, 2018. –121 с.
4. Денежкина И.Е., Попов В.Ю., Рубцов Б.Б., Ста-ник Н.А., Шаповал А.Б. «Пузыри» как предвестники крахов на финансовый рынках: монография. – М.: Издательский дом «Экономическая газета», 2012. – 146 с.

Весь текст будет доступен после покупки