НЕЙРОННЫЕ СЕТИ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ

Нейронные сети получают все большее применение в экономической практике. Они удобны для решения следующих задач:

  • 1. Отслеживание операций с крадеными кредитными картами и поддельными чеками. Специализированные системы, в которых используются способности нейросетей к классификации, позволяют по частоте сделок и характеру покупок выделить подозрительные сделки и сигнализировать об этом. Благодаря этим системам потери банков от таких операций заметно уменьшаются.
  • 2. Прогнозирование объема закупок. В изменяющихся условиях для фирм важно иметь прогноз спроса клиентов и будущего дохода, чтобы осуществлять оптимальное управление закупками. Разработаны нейросетевые системы анализа потребительского рынка и прогнозирования спроса.
  • 3. Прогнозирование изменений биржевых котировок. Ряд консалтинговых компаний занимается прогнозированием изменения биржевых индексов. Для предсказания знаков изменения индексов применяются нейронные сети, использующие радиальные базисные функции.
  • 4. Управление ценами и производством. Разработаны нейросетевые системы планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики. Создана система планирования цен и затрат, основанная на нейросети с использованием генетических алгоритмов. На основе исторических данных система обнаруживает сложные зависимости между затратами на рекламу, объемом продаж, ценой продукции, ценами конкурентов, днем недели, сезоном и т.д. После этого возможен подбор оптимальной стратегии с точки зрения максимизации объема продаж или прибыли.
  • 5. Прогнозирование потребления энергии. С помощью нейросетей была построена система выявления ошибочных измерений потребляемой энергии для каждого клиента, а также система прогнозирования потребления энергии в каждый момент времени. Знание точного прогноза позволяет энергетическим компаниям использовать гибкую тарифную политику и увеличить прибыль.
  • 6. Оценка и прогнозирование платежеспособности клиентов. Одной из первых областей, в которой применение нейронных сетей дало заметный эффект, стала оценка платежеспособности клиентов, обращавшихся в банк за денежными ссудами. Располагая ретроспективными данными о таких клиентах, можно так настроить нейросеть, что на ее входе будут показатели клиента, а на выходе — прогнозируемая степень его платежеспособности. Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой требований, предъявляемых банком к своим потенциальным заемщикам.
  • 7. Прогнозирование банкротств. Нейронные сети позволяют на основе предыдущего опыта и статистики выявить признаки надвигающегося банкротства.
  • 8. Построение рейтингов. В США был предложен следующий способ построения рейтингов: данные сотен фирм, представленных в многомерном пространстве признаков, были обработаны с помощью самообучающихся нейронных сетей (сетей Кохонена), которые произвели классификацию на основе стандартного кластерного анализа. Иными словами, все множество компаний, представленных в многомерном пространстве, было разложено на группы (кластеры) и тем самым проранжировано в определенном порядке.
  • 9. Прогнозирование урожайности сельскохозяйственных культур. Например, при прогнозировании урожайности сахарной свеклы использовалась нейронная сеть, обученная по алгоритму обратного распространения ошибки (back propagation). В ходе обучения было достигнуто значение средней ошибки обучающей выборки 0,0001204, тестовой выборки — 0,0003134. Максимальная ошибка обучающей и тестовой выборки составили соответственно 0,00108 и 0,00108, ошибка прогноза — 3,05%.
 
< Пред   СОДЕРЖАНИЕ     След >