АНАЛИЗ ВОЗМОЖНОСТЕЙ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ЦЕН НА НЕФТЬ И ПРИРОДНЫЙ ГАЗ

Нейронные сети — математические модели, построенные по принципу организации и функционирования биологических нейронных сетей. Нейросеть представляет собой систему соединенных и взаимодействующих между собой искусственных нейронов (некоторых функциональных элементов). Одним из основных этапов построения нейронной сети является процесс ее обучения. Технически обучение заключается в нахождении весовых коэффициентов связей между нейронами (синаптических весов). В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение. По сути, с математической точки зрения обучение нейронной сети является задачей многопараметрической нелинейной оптимизации. Область применения нейронных сетей достаточно широка: распознавание образов; классификация и кластеризация; ассоциативная память; сжатие данных; принятие решений и управление; аппроксимация; прогнозирование. Это объясняется возможностью нейронной сети обрабатывать огромные объемы исходной информации, относительной универсальностью данной математической модели для разного типа задач и областей ее применения, а также отсутствием острой необходимости привлечения высококвалифицированных экспертов в исследуемой области для построения нейросетевой модели благодаря обобщающим способностям нейронной сети.

Применение нейронных сетей на практике и, в частности, для задач прогнозирования цен на нефть и газ обусловлено не только их универсальностью и обобщающей способностью, как уже отмечалось выше, но и строгим математическим обоснованием в виде обобщенной (универсальной) аппроксимационной теоремы или теоремы о полноте для нейронных сетей, доказывающей, что нейронные сети — универсальные аппроксимирующие устройства, способные с любой необходимой точностью приближать любые непрерывные функции многих переменных. К сожалению, данная теорема не дает информации о количестве нейронов и значениях синаптических весов, необходимых для аппроксимации функции с заданной точностью. Для оценки количества нейронов существуют некоторые общие эмпирические рекомендации, точное количество нейронов определяется экспериментально для каждой конкретной задачи. Для определения синаптических весов применяются различные алгоритмы обучения нейронной сети. Отметим, что, как правило, в случае прогнозирования обучение нейронной сети очень чувствительно к глубине ретроспективной информации, на основании которой формируются обучающие примеры, количество которых, в свою очередь, существенно влияет на качество обучения. Особенно ярко это проявляется для долгосрочного прогнозирования.

Мировой опыт применения искусственных нейронных сетей в задачах экономики, энергетики и прогнозирования показывает возможность их применения для задач прогнозирования цен на нефть и газ. Более того, это подтверждается теоретическими исследованиями в области нейросетевого моделирования и эмпирическими рекомендациями. Использование нейросетевых технологий с конца XX в. нашло широкое распространение в ТЭК. Нейросетевой подход имеет широкое применение в электроэнергетике (оптимизация функциональных процессов, прогнозирование нагрузок и потерь), экологии производства (прогнозирование загрязняющих выбросов), геологоразведке (оценка запасов нефти и газа). Нейронные сети успешно применяются в системах управления промышленными объектами, а также в биржевой деятельности. В различных прикладных работах исследовались возможности использования искусственных нейронных сетей, изучались различные архитектуры нейросетей и процедуры их обучения, пригодные для реализации подобных задач. Оценивалась перспективность различных направлений дальнейшего прогресса в рассматриваемой области.

Основным отличием искусственных нейронных сетей от других научных методов экономического анализа является то, что нейросети не нуждаются в заранее известной модели, а строят ее сами только на основе предъявляемой информации в процессе обучения. В основном они применяются в областях, где есть плохо алгоритми- зуемые задачи, для решения которых необходимы либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми и являются нейронные сети. При этом нейросетевой подход свободен от модельных ограничений в отличие от большинства статистических методов, связанных с построением моделей, основанных на тех или иных предположениях (например, предположении, что искомая зависимость является линейной или переменные имеют определенное распределение вероятности).

Для успешного решения реальных задач с помощью искусственных нейронных сетей необходимо определить ряд их характеристик, включая класс сети, число нейронов и слоев нейронов, функцию активации или выхода, параметры алгоритма обучения и множество образов, классифицированных учителем, разделенное на обучающую и контролирующую последовательности. Как уже отмечалось, количество ретроспективных данных, необходимых для обучения нейронной сети, должно быть достаточно большим. В противном случае данная проблема решается наработкой некоторой базы данных результатов нейросетевых решений рассматриваемой задачи, а затем выбором приемлемого решения или пакета решений с точки зрения качества. При этом количество нейронов в нейронной сети необходимо выбирать как можно меньшим, но допускающим достаточную точность обучения. Это повысит обобщающие способности нейросети и позволит избежать проблемы переобучения.

По накопленным ранее результатам использования нейросетей в качестве средства прогнозирования сложного временного ряда можно сделать следующие выводы.

  • 1. Нейронные сети реализуют достаточно гибкое и сложное функциональное преобразование входных данных в выходные, имея при этом относительно несложную структуру.
  • 2. Нейросети могут использоваться как эффективный инструмент краткосрочного и среднесрочного прогнозирования сложных временных рядов. Вопросы, связанные с возможностями и эффективностью долгосрочного нейросетевого прогнозирования, не имеют однозначного ответа, прежде всего ввиду ограниченности адекватных ретроспективных данных по исследуемым объектам. В частности, современная система биржевого ценообразования и структура рынков нефти и газа имеют относительно непродолжительную историю и требования к соответствующим результатам прогнозов характеризуются высокой степенью неопределенности.
  • 3. Для получения более точных результатов, особенно в случае недостаточно большой глубины ретроспективы, следует учитывать и практически применять этап оптимизации архитектуры сети. При этом повышается надежность настройки сети и качество прогнозирования.
  • 4. Успех использования аппарата нейронных сетей для решения задач прогнозирования зависит прежде всего от опыта специалиста, работающего с настройками сети, и эксперта, оценивающего результаты прогнозирования.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >