Прогнозирование остатков средств на корреспондентских счетах банка

3. Применение BaseGroup Deductor для прогнозирования остатков денежных средств на корреспондентских счетах банка

3.1. Примеры успешного применения ИНС для прогнозирования в бизнесе, экономике

       Характерный пример успешного  применения нейронных вычислений  в финансовой сфере - управление кредитными рисками. Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика, чтобы оценить вероятность собственных убытков от несвоевременного возврата финансовых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторов. Один широко известный банк США опробовал метод нейронных вычислений и пришел к выводу, что та же задача по уже проделанным расчетам подобного рода решается быстрее и точнее. Например, в одном из случаев оценки 100 тыс. банковских счетов новая система, построенная на базе нейронных вычислений, определила свыше 90% потенциальных неплательщиков.

       Другая очень важная область  применения нейронных вычислений  в финансовой сфере - предсказание ситуации на фондовом рынке. Стандартный подход к этой задаче базируется на жестко фиксированном наборе "правил игры", которые со временем теряют свою эффективность из-за изменения условий торгов на фондовой бирже. Кроме того, системы, построенные на основе такого подхода, оказываются слишком медленными для ситуаций, требующих мгновенного принятия решений. Именно поэтому основные японские компании, оперирующие на рынке ценных бумаг, решили применить метод нейронных вычислений. В типичную систему на базе нейронной сети ввели информацию общим объемом в 33 года деловой активности нескольких организаций, включая оборот, предыдущую стоимость акций, уровни дохода и т.д. Самообучаясь на реальных примерах, система нейронной сети показала большую точность предсказания и лучшее быстродействие: по сравнению со статистическим подходом дала улучшение результативности в целом на 19%.

       Следующий пример, довольно близкий к области финансового рынка - оценка стоимости недвижимости. Решение этой задачи зависит в основном от опыта сотрудника риэлтерской фирмы, учитывающего множество таких неравноценных факторов, как доля собственности, качество постройки, окружающая обстановка и т.д. Группа исследователей из университета город Портсмут (Великобритания) заложила в вычислительную систему на базе нейронной сети данные по оценке недвижимости из обзоров риэлтеровских фирм и списков аукционных цен. Результат показал, что самообучившаяся система дает оценки стоимости, хорошо коррелируемые с экспертными заключениями специалистов этого профиля.

       Пример удачного прогнозирования динамики биржевых курсов по заказу Chemical Bank продемонстрировала фирма Logica. На технической базе Sun SPARCstation LX с помощью нейронных вычислений моделировались рынки валютных курсов доллар/швейцарский франк и немецкая марка/швейцарский франк. Выбор именно этих валют объяснялся высоким уровнем подвижности первого соотношения и малым - второго (до кризиса в 1993 году). Данные о динамике кросс-курсов этих валют собирались с 1 октября 1992 года по 1 октября 1993 года, при этом ценовые прогнозы характеризовались пятью категориями: большой рост, малый рост, без изменений, малый спад, большой спад. В итоге нейронная система предсказала за вышеупомянутый годовой период 55 % реальных данных по первому соотношению валют и 23 % - по второму. Лондонская фондовая биржа (ЛФБ) начала внедрение автоматизированной системы с элементами искусственного интеллекта на базе нейронных вычислений для контроля внутреннего дилинга. Первый этап инсталляции этой системы, разработанной лондонской фирмой SearchSpace и получившей кодовое наименование MonITARS (Monito-ring Insider Trading and Regulatory Surveillance), успешно завершен. По оценкам экспертов, бум вокруг систем искусственного интеллекта в финансовой индустрии пришелся на период 1984 - 1989 гг. В основном он затронул США и в меньшей степени Великобританию, где разработчики сложных имитационных систем для военных (типа программы "Звездные войны") решили попытать счастья на Уолл-стрит. Многие разработчики действительно обогатились, чего нельзя сказать о финансовых структурах, чьи завышенные ожидания эффекта от внедрения подобных систем не оправдались. Так, один крупный инвестиционный банк на Уолл-стрит потратил более 1 млн. долл. на разработку системы искусственного интеллекта для финансовых операций, но спустя некоторое время вынужден был вернуться к старой, "неинтеллектуальной". Одной из причин неудачи был недостаточный по сравнению с ожидаемым уровень производительности системы, полученный в результате ее внедрения.

       Американская фондовая биржа  в Нью-Йорке пошла по аналогичному пути, запустив в 1987 году автоматизированную систему Stockwatch Alert Terminal (SWAT) II. Ее расширенная версия -SWAT III- сейчас проходит бета-тестирование и, видимо, будет внедрена в начале года. Правда, фирма SearchSpace утверждает, что выбрала другую технологию (в отличие от SWAT), называемую "генетическими алгоритмами", и ведет переговоры о ее внедрении с рядом бирж Европы и Дальнего Востока.

       В настоящее время банки пришли  к выводу, что прикладные системы,  разработанные на базе нейронных  сетей, могут принести им пользу. На рынке уже предлагаются  продукты подобного рода, определяющие  вероятность риска при выдаче  кредита, а также пакеты моделирования и прогнозирования банкротства, анализа портфеля ценных бумаг и торговли акциями. Нейронные сети заменяют традиционные системы в таких научно-технических областях, как статистические методы, распознавание образов, линейный и нелинейный математический анализ.

3.2. Необходимость использования искусственных нейронных сетей для прогнозирования остатков денежных средств на корреспондентских счетах банка

     Ликвидность банка является одним из основных факторов, обуславливающих выбор  управленческих решений по проведению финансовых операций и формированию уровня доходности банка. В большинстве случаев чем ниже ликвидность, тем соответственно выше уровень доходности банка, и наоборот. Но возникает вопрос: как точно спрогнозировать ликвидность банка? Решение данной задачи достигается путем создания механизма, отслеживающего качество, срочность, объемы активов и пассивов банка и соотношений между ними (мониторинг коэффициентов ликвидности). Смысл этого механизма в том, чтобы валютно-временная и качественная структура активов обеспечивала способность банка своевременно выполнять свои обязательства перед вкладчиками и кредиторами.

     Средства  на счетах до востребования выгодны  банкам, так как они самые дешевые  из структуры привлеченных ресурсов. Но при этом, средства до востребования очень непостоянны, и значительный их объем представляет угрозу ликвидности банка. При управлении рассматриваемыми ресурсами особое внимание необходимо уделить оценке неснижаемых остатков на вышеперечисленных счетах с точки зрения постоянства, чтобы использовать их в качестве стабильного ресурса для кредитования (в т.ч. МБК), вложения в ценные бумаги и т.д.

     Прогнозирование размеров условно постоянных остатков является не только важным элементом  процесса оценки ликвидности банка, но и сложной экономико-математической задачей. Для того чтобы эффективно справляться с этой проблемой, банку необходим надежный методологический инструментарий по обработке соответствующей информации.  

     Инструментарий  должен в полном объеме оценивать  и анализировать рыночные, кредитные, риски ликвидности и другие виды рисков, используя широкий набор современных аналитических методик.

     Эффективное управление ресурсами до востребования  является важной задачей для любого банка, а своевременное и точное определение величины средств, приравниваемых к собственным, позволит банкам рационально использовать этот наиболее дешевый источник привлеченных средств и получать значительную прибыль.

     Перечисленные факты 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.

3.3. Описание технологии прогнозирования с помощью выбранного программного продукта, результаты прогнозирования.

     Временной ряд, выбранный для прогноза –  изменение курса доллара по отношению  к рублю с 12.05.2009 по 12.05.2010. Статистика взята с сайта cbr.ru (Сайт Центрального Банка России). Статистика состоит из 245 записей, некоторые дни опущены. Опущены аномальные значения в конце 2009, начале 2010 годов, так как за новогодние каникулы проводится очень мало операция по корреспондентским счетам, так как большинство организаций отдыхает. На входы нейросети подаются десять предыдущих значений остатка на корреспондентских счетах банка. Коэффициенты корреляции предыдущих значений с прогнозируемым остатком близки к 1, именно поэтому решено взять десять предыдущих значений.

     После введения исходных данных в систему, deductor автоматически рассчитывает статистику временного ряда. Описательная статистика приведена на рис.3. Диаграмма временного ряда см. на рисунке 2.

Рис. 3. Описательная статистика временного ряда 
 

Рис. 4. Диаграмма временного ряда

     Для построения нейронной сети необходимо воспользоваться «Мастером обработки». В данной нейронной сети будет  10 входов и один выход, всю выборку делим на обучающее и тестовое множество в пропорциях 90 и 10 процентов от выборки соответственно.

     Следующий шаг в построении нейронной сети – настройка её структуры, т.е. количества скрытых слоев нейронной сети и количества нейронов в них. Считается, что задачу любой сложности можно  решить при помощи двухслойной нейронной сети, поэтому конфигурация с количеством скрытых слоев, превышающих 2, вряд ли оправдана. В большинстве же случаев вполне подойдет однослойная нейронная сеть. При выборе количества нейронов необходимо руководствоваться следующим правилом: «количество связей между нейронами должно быть значительно меньше количества примеров в обучающем множестве». Слишком большое количество нейронов может привести к «переобучению» нейронной сети, когда она выдает хорошие результаты на примерах, входящих в обучающую выборку, но практически не работает на других примерах (руководство аналитика).

     Для финальной нейронной сети был выбран один скрытый слой с десятью нейронами в нем. Для числа нейронов скрытого слоя меньше 10 нейронная сеть выдает слишком большую ошибку, а при использовании более 10 нейронов или большего числа скрытых слоев сеть «переобучается». Финальный граф нейронной сети представлен на рис. 5.

Рис. 5. Граф нейронной сети

     После выбора количества скрытых слоев  и количества нейронов в них, предполагается выбрать активационную функцию. В программе deductor предлагается на выбор три вида активационных функций: сигмоида, гипертангентс и арктангенс. В процессе экспериментов с выбором активационной функции наилучший результат показала нейронная сеть с сигмоидой с крутизной 1,1.

     После выбора конфигурации сети необходимо запустить процесс обучения нейронной  сети. В программе deductor academic предлагается два метода обучения нейронной сети:

1. Back-Propagation – обучение в режиме «онлайн». Коррекция весов производится после предъявления каждого примера обучающего множества;
2. Resilient Propagation (RPROP) – обучение в режиме «оффлайн». Коррекция весов производится после предъявления всех примеров обучающего подмножества. Учитывается только знак градиента по каждому весу.

     Нейронная сеть лучше обучилась по второму  методу обучения. В результате мы получаем таблицу с фактическими значениями курса доллара, значениями, полученными  нейронной сетью и ошибками нейронной  сети, граф нейронной сети, графики значений нейронной сети и фактических значений. График приведен на рисунке 4.

Рис. 6. График значений нейронной сети и фактических значений

     На  графике красным цветом обозначены фактические значения, синим – значения нейронной сети. Как видно, нейронная сеть довольно точно описала изменение выборки в период предыстории. Следовательно, можно начать прогнозирование по данной модели. Для этого необходимо запустить мастер обработки и выбрать пункт «Прогнозирование». В открывшемся мастере необходимо задать зависимость между входными значениями, горизонт прогноза, способы отображения результатов. В результате получены следующие прогнозные значения:

Таблица 1

Прогнозные значения, полученные нейронной сетью и ARIMA