Прогнозирование остатков средств на корреспондентских счетах банка

Федеральное агентство по образованию РФ

Байкальский государственный университет экономики  и права

Кафедра информатики и кибернетики 
 
 
 
 
 
 
 

Курсовая  работа на тему:

«Прогнозирование  остатков средств на корреспондентских счетах банка с применением

искусственных нейронных сетей» 
 
 
 
 
 
 
 
 
 
 
 
 

Иркутск, 2010

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

     В процессе управления ликвидностью банка  особое место занимает проблема прогнозирования  предполагаемого остатка денежных средств на корреспондентских счетах банка. Как правило, значительную часть в структуре обязательств банка занимают обязательства до востребования, такие, как текущие (расчетные) счета юридических лиц, Лоро-счета других банков и небанковских кредитно-финансовых организаций, вклады юридических и физических лиц до востребования. Данный факт требует от банков поиска и использования наиболее точных и надежных подходов к прогнозированию потенциального остатка средств на текущих счетах клиентов для качественного управления своей ликвидностью. Но изменение остатка денежных средств имеет далеко не линейную зависимость, и аппроксимирующие функции (которые имеют в основном линейную структуру) очень плохо объясняют изменение остатка в будущем. Именно поэтому необходимо найти средство для более качественного прогнозирования остатков денежных средств в краткосрочном периоде[1].

     Таким средством могут являться искусственные  нейронные сети. Нейронные сети имеют  множество применений, одним из которых  является краткосрочное прогнозирование. Нейронные сети, нелинейные по своей природе, обучаются на предыстории и позволяют строить адекватные прогнозы.

     Постоянное  развитие нейронных сетей и применение их во все более разных сферах жизни  человека обуславливают актуальность этой работы.

     Результатом данной курсовой работы должны быть адекватные прогнозы изменения остатков денежных средств на корреспондентских счетах банка. Целью данной курсовой работы является знакомство с аппаратом нейронных сетей и конкретным прикладным применением – краткосрочным прогнозированием. 

1. Искусственные нейронные сети - инструмент прогнозирования

1.1. Понятие искусственных нейронных сетей

     Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных  между собой [2].

     Искусственные нейронные сети, подобно биологическим, являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Несмотря на то что при построении таких сетей обычно делается ряд допущений и значительных упрощений, отличающих их от биологических аналогов, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, — это обучение на основе опыта, обобщение, извлечение существенных данных из избыточной информации.

     Нейронные сети могут менять свое поведение в зависимости от состояния окружающей их среды. После анализа входных сигналов (возможно, вместе с требуемыми выходными сигналами) они самонастраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «видеть» образ, содержащий различные помехи и искажения.

     В 50-х годах прошлого века группа исследователей объединила биологические и физиологические  подходы и создала первые искусственные  нейронные сети. Тогда казалось, что ключ к искусственному интеллекту найден. Но, хотя эти сети эффективно решали некоторые задачи из области искусственного зрения — предсказания погоды и анализа данных, иллюзии вскоре рассеялись. Сети были не в состоянии решать другие задачи, внешне похожие на те, с которыми они успешно справлялись. С этого времени начался период интенсивного анализа. Были построены теории, доказан ряд теорем. Но уже тогда стало понятно, что без привлечения серьезной математики рассчитывать на значительные успехи не следует.

     С 70-х годов в научных журналах стали появляться публикации, касающиеся искусственных нейронных сетей. Постепенно был сформирован хороший  теоретический фундамент, на основе которого сегодня создается большинство  сетей. В последние два десятилетия разработанная теория стала активно применяться для решения прикладных задач. Появились и фирмы, занимающиеся разработкой прикладного программного обеспечения для конструирования искусственных нейронных сетей. К тому же 90-е годы ознаменовались приходом искусственных нейронных сетей в бизнес, где они показали свою реальную эффективность при решении многих задач — от предсказания спроса на продукцию до анализа платежеспособности клиентов банка. В 90-х годах, когда вычислительные системы стали достаточно мощными, нейронные сети получили широкое распространение. Создание нейронных сетей было вызвано попытками понять принципы работы человеческого мозга и, без сомнения, это будет влиять и на дальнейшее их развитие. Однако, в сравнении с человеческим мозгом нейронная сеть сегодня представляют собой весьма упрощенную модель, но несмотря на это весьма успешно используются при решении самых различных задач. Хотя решение на основе нейронных сетей может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей «обучается», а «не программируется»: сеть учиться выполнять задачу, а не программируется непосредственно. На самом деле в большинстве случаев нейронные сети используются тогда, когда невозможно написать подходящую программу, или по причине того, что найденное нейронной сетью решение оказывается более совершенным [3].

     1.2. Принципы функционирования

     Сегодня существует большое число различных  конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. Но в основе построения нейронных сетей лежит элементарный преобразователь, называемый искусственным нейроном.

     Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1 представлена модель, реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный Σ. Каждый вес соответствует «силе» одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW.

Рис. 1. Искусственный нейрон

     Сигнал NET далее, как правило, преобразуется  активационной функцией F и дает выходной нейронный сигнал OUT. Активационная функция может быть обычной линейной функцией OUT = K*NET, где К – постоянная, пороговой функции, или же функцией, более точно моделирующей нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети большие возможности.

Рис. 2.  Искусственный нейрон с активационной функцией

     На  рис. 2 блок, обозначенный F, принимает сигнал NET и выдает сигнал OUT. Если блок F сужает диапазон изменения величины NET так, что при любых значениях NET значения OUT принадлежат некоторому конечному интервалу, то F называется «сжимающей» функцией. В качестве «сжимающей» функции часто используется логистическая или «сигмоидальная» (S-образная) функция. Эта функция математически выражается как F(x) = 1/(1 + е^-x). Таким образом,

     OUT=1/(1+e^-NET)

     Т.е. из вышесказанного можно понять, что нейрон состоит из элементов трех типов – умножителей, которые играют роль синапсов, сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на коэффициент, характеризующий силу связи (вес синапса). Сумматор складывает сигналы, поступающие по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию выхода сумматора, которая называется функцией активации или передаточной функцией нейрона.

     Обобщив же всю перечисленную информацию, можно сказать, что в процессе функционирования нейронной сети, в ней осуществляется некоторое преобразование информации, в результате которого входной вектор преобразуется в выходной. Конкретный вид выполняемого сетью преобразования данных определяется не только характеристиками составляющих её нейронов, но и особенностями архитектуры – топологией межнейронных связей, выбором подмножеств нейронов для ввода и вывода данных, способами обучения сети, наличием или отсутствием конкуренции между нейронами, направлением и способами управления передачи данных. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети[4].

1.3. Преимущества использования ИНС по сравнению с другими методами прогнозирования

     Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях, таких как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.

     Стоит отметить, что поскольку, экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.

     В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.

     Нейронные сети являются незаменимыми при анализе данных, в частности, для предварительного анализа или отбора, выявления "выпадающих фактов" или грубых ошибок человека, принимающего решения. Целесообразно использовать нейросетевые методы в задачах с неполной или "зашумленной" информацией, особенно в задачах, где решение можно найти интуитивно, и при этом традиционные математические модели не дают желаемого результата.

     Ниже  перечислены области, в которых  эффективность применение нейронных  сетей доказана на практике:

• Для финансовых операций:
• Прогнозирование поведения клиента;
• Прогнозирование и оценка риска предстоящей сделки;
• Прогнозирование возможных мошеннических действий;
• Прогнозирование остатков средств на корреспондентских счетах банка;
• Прогнозирование движения наличности, объемов оборотных средств;
• Прогнозирование экономических параметров и фондовых индексов;
• Для планирования работы предприятия:
• Прогнозирование объемов продаж;
• Прогнозирование загрузки производственных мощностей;
• Прогнозирование спроса на новую продукцию;
• Для бизнес - аналитики и поддержки принятия решений:
• Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных;
• Анализ работы филиалов компании;
• Сравнительный анализ конкурирующих фирм;
• Другие приложения:
• Оценка стоимости недвижимости;
• Контроль качества выпускаемой продукции;
• Системы слежения за состоянием оборудования;
• Проектирование и оптимизация сетей связи, сетей электроснабжения;
• Прогнозирование потребления энергии;
• Распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи;
• Распознавание и обработка видео и аудио сигналов.

     Нейронные сети могут быть использованы и в  других задачах. Основными предопределяющими  условиями их использования являются наличие «исторических данных», используя которые нейронная  сеть сможет обучиться, а также невозможность  или неэффективность использования других, более формальных, методов.