Беспалов Р.А., к.э.н. Беспалова О.В.

Современные информационные технологии в финансовой сфере

имени академика И.Г. Петровского, Россия

Современные информационные технологии в финансовой сфере

Организационные принципы, лежащие в основе финансовой деятельности компании, должны, прежде всего, обеспечивать информационно-аналитическую поддержку принятия решений по оптимизации управления ее активами.

Для этого требуется подготовка информационных справок, содержащих обзор текущего состояния определенного рынка и факторов влияния на рыночную конъюнктуру, прогнозов развития ситуации и на их основе рекомендаций по оптимальному управлению инвестиционным портфелем страховых  компаний. Варианты рекомендаций могут различаться принятой стратегией игры на рынке. Обычно во внимание принимаются три возможные стратегии игры: с минимальным риском, с максимальной доходностью и сбалансированная.

Современные информационные технологии подготовки принятия решений в финансовой сфере независимо от выбранной стратегии предполагают наличие аналитического программного комплекса. В настоящее время на перенасыщенном компьютерном рынке России практически отсутствует один вид компьютерных изделий, которые распространены на Западе - это нейроплаты и нейрокомпьютеры. Годовой объем продаж этих изделий за рубежом оценивается более чем в 600 млн. долларов, а темпы роста соответствующего рынка уступают лишь индустрии сотовой связи. Можно с уверенностью утверждать, что нейроплаты, нейрокомпьютеры и нейронные сети на их основе станут обычным явлением и на рабочем месте отечественных компаний, в связи, с чем рассмотрим некоторые из главных преимуществ этого инновационного продукта в анализе финансовых рынков [1].

Мировой рынок нейросетевых продуктов стабильно растет не менее чем на 40% в год. При этом основной объем средств, вкладываемых в индустрию нейронных сетей, приходится не на дорогостоящие уникальные образцы, а на широкий спектр серийных изделий. В  последнее десятилетие западный мир пережил настоящую революцию в использовании нейросетевых продуктов. Каждый западный банк, каждая финансовая компания и большинство крупных промышленных фирм имеют в своем распоряжении программно-аппаратные комплексы для финансового анализа — прогнозирования рыночной конъюнктуры, оценки кредитных и инвестиционных рисков, предсказания курсов акций, валют и многого другого. Некоторые из этих комплексов базируются на использовании традиционных методов корреляционного анализа, некоторые — на аппарате экспертных систем, а многие — на нейросетевых решениях [1].

Следует отметить, что прежде чем широкомасштабно осваивать нейронные сети, необходимо освоить на уровне логики принятия экономических решений идеологию минимизации риска. С точки зрения формального аппарата методы теории риска в большей своей части основываются на использовании специального математического аппарата теории вероятности и математической статистики. Дополнение в виде методов теории множеств позволяет разрабатывать достаточно мощные алгоритмы анализа целесообразности затрат, использования аналогов, экспертных оценок и т.д.

Словосочетание «теория нейронных сетей» - обобщенное название вполне конкретной и формальной области математики. С математической точки зрения нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных (и сравнительно простых) процессорных элементов — нейронов. Нейроны, связанные между собой сложной топологией соединений, группируются в слои, среди которых выделяются входной и выходной. В нейронных сетях, применяемых для прогнозирования, нейроны входного слоя воспринимают информацию о параметрах ситуации, а выходной слой сигнализирует о возможной реакции на эту ситуацию.

Прежде чем начнется процесс нормальной эксплуатации, нейронная сеть проходит специальный этап настройки — обучение. Как правило, сети предъявляется большое количество (сотни и тысячи) заранее подготовленных примеров, для каждого из которых известна требуемая реакция сети. Если сеть реагирует на очередной пример неадекватно, т.е. состояние выходного слоя отличается от заданного, внутренняя структура сети подвергается некоторой модификации для минимизации ошибки.

После определенного периода обучения сеть достигает состояния, соответствующего минимальной суммарной ошибке. Для некоторых задач суммарная ошибка составляет 2—3%, для других может доходить до 10—15%, ряд задач вообще не поддается решению на нейронных сетях. Прикладные аспекты теории нейронных сетей сегодня настолько изучены, что практически для каждой пользовательской задачи можно найти описание наиболее подходящей для ее решения структуры нейронной сети, а также ожидаемое качество результатов.

С коммерческой точки зрения нейронные сети воплощаются в виде программных пакетов, в виде плат-акселераторов для персональных ЭВМ, а также в виде специализированных нейрокомпьютеров.

Основные преимущества применения нейронных сетей в целях анализа финансовых рынков [1]:

1. Наиболее ценное свойство нейронных сетей — способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и какие бы, то ни было зависимости между входными и выходными данными.

3. Простота эксплуатация обученной нейронной сети.

4. Благодаря нейросетевым пакетам можно исключительно легко подключаться к базам данных, электронной почте и т.д. и автоматизировать процесс ввода и первичной обработки данных.

5. Возможность практически безгранично наращивать мощность нейросистемы.

Рекомендуется начать с простого и дешевого пакета, потом перейти на профессиональную версию, добавить несколько плат ускорителя, а затем перейти на специализированный нейрокомпьютер — с гарантией полной преемственности всего ранее созданного программного обеспечения.

Нейронные сети используются в центральном банке РФ, в налоговой инспекции Москвы, в нескольких нефтяных компаниях, в медицине, в вузах и ряде ведомств.

На Западе дорогие нейросетевые системы наиболее широко распространены все же в банковской сфере, где затраты в миллионы долларов не кажутся чрезмерными. Почти также относятся к ним военные ведомства. А в компаниях поменьше успешно применяются отдельные специализированные нейрокомпьютеры. Прочие же пользователи часто считают возможным обходиться обычными программными системами, что вполне может быть пока рекомендовано как первый шаг к повышению эффективности финансовой деятельности современных компаний на инновационной основе.

В России наиболее эффективные результаты в области применения прикладных нейросетевых систем, существенно улучшающие оценки вполне квалифицированных финансовых аналитиков, получены в следующих направлениях [1]:

- прогнозирование котировок фьючерсов;

- краткосрочная динамика курсов валют;

- прогноз оптовых цен на продукты питания;

- оценка кредитных рисков;

- ряд задач медицинской и промышленной диагностики;

- построение высокодоходного футбольного тотализатора;

- прогноз развития чрезвычайных ситуаций.

Итак, нейронные сети, свыше десяти лет успешно завоевывая весь деловой мир, начали появляться и на российском рынке. Освоение и использование современных информационных технологий, ориентированных на финансовый рынок, может стать существенным конкурентным преимуществом для большинства компаний.

Литература:

1. Соловьёв В.П. Инновационная деятельность как системный процесс в конкурентной экономике: Учебник. – Киев, 2009. – 536 с.

2. www.fcsm.ru (Официальный сайт Федеральной службы по финансовым рынкам)

3. www.innovationeconomics.org (Официальный сайт Фонда информационных технологий и инноваций Information Technology and Innovation Foundation — ITIF)