Программное обеспечение финансовых решений

Завершая рассмотрение программных средств для финансового менеджмента, отметим, что все большее применение здесь находят системы искусственного интеллекта (ИИ).

Выделяют следующие ключевые отличия интеллектуальных систем: возможность обучения, гибкая адаптация, возможность работы с неполной или нечеткой информацией, умение объяснять полученные решения, способность извлекать новые знания из первичных. Данных и др.

В настоящее время существуют различные технологии ИИ. Анализ показывает, что в финансовом менеджменте используются нейронные сети (прогнозирование, распознавание ситуаций, извлечение знаний), генетические алгоритмы (оптимизация инвестиционных портфелей), нечеткая логика (анализ рисков), экспертные системы (планирование, анализ, аудит).

Нейронные сети (НС) получили широкое применение в тех областях финансового и инвестиционного менеджмента, где требуется получение оценок и прогнозов, связанных с обработкой больших объемов информации, и принятие решений в минимально короткие интервалы времени (спекулятивные операции на фондовых рынках, краткосрочное прогнозирование курсов, технический анализ и т.д.). К достоинствам HC относятся: возможность моделирования и прогнозирования нелинейных процессов, способность работать с зашумленными данными, быстрое обучение и гибкость адаптации к изменениям внешней среды.

НС удобно рассматривать как черный ящик с некоторым количеством входов и выходов. Значения входных переменных обрабатываются внутри сети, и результат отображается на выходах. Ключевое отличие подобной системы состоит в том, что в процессе обработки входной информации происходит изменение внутренней структуры сети, т. е. алгоритма преобразования. Этот процесс называется обучением и кардинально отличает HC от жестких программных систем. В процессе обучения сети предъявляются примеры входных данных, а полученные выходные данные сравниваются с эталонными. Если ответы не совпадают, структура сети меняется так, чтобы уменьшить ошибку. Процесс обучения заканчивается при достижении некоторого приемлемого результата (уровня ошибки). Подобный механизм получил название алгоритма обратного распространения (back- propagationalgorithm).

Анализ показывает, что из всего спектра нейросетевых пакетов, предназначенных для решения задач в финансово-кредитной сфере и представленных на западном и отечественном рынках, наиболее популярными являются программы BrainMakerPro (CaliforniaScientificSoftware, США) и семейство AI Trilogy фирмы WardSystems (США).

Помимо выполнения своей основной функции - финансового прогнозирования пакет BrainMakerProпозволяет проводить разностороннюю аналитическую обработку информации: находить зависимости между входными и выходными параметрами, оценивать

полноту и непротиворечивость данных, анализировать цикличность и т.д. Пакет имеет интерфейс со многими популярными программами, такими, как Excel, LOTUS, DBASE, а также уже упомянутой системой технического анализа MetaStock. Кроме того, комплект поставки BrainMakerPro содержит исходный текст основного нейросетевого алгоритма на языке Си, позволяющего создавать на его базе собственные программные комплексы.

Более дорогостоящим и мощным нейросетевым средством является семейство программных продуктов AITrilogy. Пакет состоит из трех самостоятельных компонентов: инструментальной системы для разработки нейронных сетей NeuroShell, библиотеки для разработки приложений NeuroWindows, программы оптимизации с использованием генетических алгоритмов GeneHunter. По сути, он представляет собой "конструктор" для разработчика. Помимо 15 нейросетевых алгоритмов в системе реализованы возможности обработки текстовых данных, задания правил в явном виде, работы с техническими индикаторами, решения оптимизационных задач с применением генетических алгоритмов и др. Простое и удобное использование библиотечных функций VisualBasic, Visual С++, Delphi обеспечивает быструю и эффективную реализацию оригинальных нейросетевых приложений в различных областях.

Среди других программных продуктов, реализующих НС, отметим библиотеку OWL (HyperLogic Со., США), содержащую 20 исходных текстов основных алгоритмов нейронных сетей на языке Си с общим графическим интерфейсом.

Перспективным подходом к применению НС в сфере бизнеса является их реализация в виде надстроек для табличных процессоров Excel и LOTUS. На сегодняшний день имеется несколько таких peaлизаций, например Braincel (Palisade Со., США), Neuralyst (CheshireEngineering, США), семейство продуктов ExcelNeuralPackage (NeurOk, Россия) и др.

Семейство продуктов ExcelNeuralPackage состоит из двух независимых компонентов: Winnet 3.0 и KohonenМар 1.0.

Компонент Winnet 3.0 программно реализует распространенную архитектуру нейронной сети - многослойный персептрон. Он пред- назначен для поиска и моделирования скрытых зависимостей в больших массивах численной информации, для которых в явном виде аналитические зависимости не известны. Программа обладает большими возможностями контроля за процессом обучения.

Компонент KohonenМар 1.0 представляет собой программный инструмент для построения и анализа самоорганизующихся карт Кохонена. Его основное применение - решение задач визуализации многомерной информации. Пользователь может представить весь массив данных в виде двумерной цветной карты и визуализировать на ней интересующие его характеристики.

Следует отметить и ряд недостатков, присущих НС. Наиболее существенный из них - неспособность объяснять свои действия. Далеко не всегда удается правильно выбрать и архитектуру НС, необходимую для эффективного решения поставленных задач. К проблеме реализации НС для анализа российских рынков следует отнести отсутствие больших объемов исторических данных, необходимых для обучения и настройки. Наконец, нельзя обойти вниманием и проблему недобросовестной рекламы НС в России, по сути представляющую данную технологию как панацею от всех бед, тогда как нейросетевая парадигма в целом является разновидностью статистических методов классификации и прогноза, ориентированных на решение строго ограниченного круга задач. Генетические алгоритмы представляют собой сравнительно новое направление ИИ, использующее механизм биологической эволюции для поиска оптимальных решений. В отличие от традиционных методов оптимизации, генетические алгоритмы позволяют найти не точное, а приемлемое решение для сложных, в том числе и нелинейных задач большой размерности.

В общем случае генетический алгоритм представляет собой разновидность метода градиентного спуска, при котором исследование абстрактной "поверхности" возможных значений производится одновременно из множества исходных точек. На каждом шаге оптимизации происходит порождение нового множества точек (новой популяции), соответствующих различным комбинациям значений переменных. При этом задается требуемый уровень скрещивания/наследования (параметр crossover), например - 0,8, т.е. для каждой точки вычисляется отклонение текущего значения ошибки от заданного (так называемая функция соответствия) и следующий шаг оптимизации будет произведен из тех 80% предыдущих точек, которые показали "лучший результат" в смысле минимизации ошибки.

Таким же образом задается фактор мутации (параметр mutation), например, 0,20. То есть на каждом шаге оптимизации (новая популяция) в 20% точек изменения значений соответствующих переменных будут проводиться по случайному закону. Поскольку каждое следующее поколение наследует лучшие признаки предыдущего (в данном случае - направления движения в сторону минимальной ошибки с учетом периодических мутаций), в конечном итоге получают некоторое подмножество точек, для которых отклонение от целевой функции минимально.

Генетический алгоритм оптимизации является множественно-вероятностным, т.е. позволяет находить множество значений, приблизительно соответствующих искомому условию. Это обстоятельство существенно для решения задач с неявно выраженными максимумами или минимумами.

В настоящее время существует несколько программных продуктов, достаточно эффективно реализующих генетические алгоритмы. Наиболее популярными из них в отношении применения в финансово-кредитной сфере являются продукты Evolver (PalisadeCorp, США), GeneHunter (WardSystems, США), Omega (KiQand CAP, США). Интересным является тот факт, что первые два реализованы в виде надстроек к MS Excel и написаны на языке VisualBasicforapplications (VBA). Оба продукта в целом схожи по своим функциональным возможностям.

Пакет Evolver реализует шесть алгоритмов генетической оптимизации и предоставляет следующие возможности: введение ограничивающих условий в процессе оптимизации; явное задание параметров скрещивания и мутации; использование различных типов переменных и критериев оптимизации целевой функции (минимум, максимум, значение); визуализации вычислений и др. В комплект поставки входит библиотека DeveloperKit, предназначенная для разработки собственных приложений.

Продукт Omega интересен тем, что ориентирован непосредственно на использование в финансовых приложениях. Комплект поставки содержит множество готовых примеров применения генетических алгоритмов в финансовом и инвестиционном анализе, маркетинге, планировании и т.д. Среди инструментальных систем отметим библиотеки Си-текстов EnGENEer (Logica, США) и Pegasus (GermanNationalResearchCenter, Германия), а также генетический конструктор Splicer (NASA, США), состоящий из специальной оболочки, библиотек и исходных модулей.

Одним из перспективных направлений практического применения генетических алгоритмов в финансовом менеджменте является оптимизация портфеля ценных бумаг, в особенности содержащего производные инструменты (опционы, фьючерсы и т.д.).

Однако использование генетических алгоритмов в финансово- кредитной сфере - новое и малоизученное направление, требующее дальнейших исследований. Успешность получения решений здесь сильно зависит от первоначально выбранной схемы (популяции), при этом не существует каких-либо научно обоснованных рекомендаций. Не менее актуальной является проблема выбора оптимального критерия мутаций: Использование данной технологии требует разумной осторожности и дальнейших исследований.

Нечеткая логика (fuzzylogic) возникла в середине 1960-х годов как средство формализации качественных знаний и понятий, выраженных на естественном языке.

Основным понятием нечеткой логики является лингвистическая (нечеткая) переменная, значениями которой могут быть не только числа, но и слова или предложения естественного либо искусственного языка. Множество допустимых значений нечеткой переменной называется ее терм-множеством. Такая переменная задается набором из 5 компонент <А, Т (А), U, G, М>, где А - имя переменной; Т (А)-- терм-множество А; U - область определения А; G - операции по- рождения производных значений а переменнойА; М - набор правил, с помощью которых происходит отображение значений а переменной А в нечеткие множества Ха и обратно.

Для перехода от качественных описаний к формализованным необходимо построить отображения, входящие в М. Такие отображения получили название функций принадлежности. В нечеткой логике функции принадлежности представляют собой не жесткое отображение вида "принадлежит/не принадлежит", а непрерывную кривую, определенную на отрезке от 0 до 1. Отображение любой ситуации на единичный интервал происходит таким образом, что точка интервала характеризует степень проявления некоторого свойства (О - отсутствие свойства, 1-- максимум проявления свойства). При этом функции принадлежности могут отражать мнение как одного, так и группы экспертов.

Системы ИИ, базирующиеся на нечеткой логике, обладают лучшей адаптируемостью к условиям реального мира и более доступны специалистам, которые при решении задач оперируют качественными понятиями. Другое достоинство подобных систем - возможность работы с нечеткими критериями и неполными данными, часто встречающимися при решении задач в финансовой сфере. Нечеткая логика применяется при оценке рисков, прогнозировании рынков на краткосрочном интервале, в биржевых спекуляциях и т.д.

Наиболее известным программным продуктом, реализующим методы нечеткой логики в виде экспертной системы с нечеткими правилами, является пакет CubiCalc (HyperLogic, США). Исследования показывают, что он широко применяется для ситуационного моделирования в политике, экономике и финансах. Программа CubiCalc может работать как в пакетном, так и в интерактивном режиме. Встроенные средства проектирования позволяют редактировать нечеткие правила в исходном тексте (подобие языка Си) и в графическом представлении. Пакет обладает развитым интерфейсом и может использоваться в составе сложных программных комплексов, обмениваясь данными по протоколу Windows DDE. Существует версия CubiCalc 2.0 RTS, позволяющая оформлять решенную задачу в виде сгенерированного исходного кода на языке Си.

Однако наибольшей популярностью в финансово-кредитной сфере пользуется другая разработка - продукт FuziC61c (FuziWare, США). Этот пакет представляет собой табличный процессор, который позволяет производить вычисления с неточно известными числами. Среди других разработок в этой области необходимо отметить инструментальные системы для разработки продуктов на базе нечеткой логики. FuzzyTECH (InformSoftware, США) и SieFuzzy (Siemens, Германия).

Экспертные системы (ЭС) представляют собой компьютерные программы, использующие формализованные знания специалистов для решения задач в некоторой предметной области. Среди рассмотренных технологий ИИ данная является наиболее исследованной как в теоретическом, так и практическом аспекте.

В общем случае ЭС включает следующие основные компоненты: базу знаний (БЗ), механизм логического вывода и пользовательский интерфейс. БЗ содержит информацию о предметной области в виде фактов, наблюдений, различных данных и набор правил, использующих эту информацию в процессе принятия решений. В ЭС обычно применяются следующие модели формализации знаний либо их комбинации: логические, семантические сети, продукционные и фреймовые. Наибольшее распространение подучили ЭС, базирующиеся на продукционных моделях, реализованных в виде правил "ЕСЛИ (условие) - ТО (действие)".

Механизм логического вывода является, по сути, интерпретатором правил, который использует имеющиеся факты для решения проблем. Наиболее известными методами логического вывода являются прямое сцепление (прямой вывод) и обратное сцепление (обратный вывод). В развитых ЭС, как правило, используются оба метода.

Основными преимуществами ЭС принято считать возможность пополнения БЗ новыми правилами и фактами, а также способность объяснять полученные решения. Первые успехи применения ЭС (в геологии, медицине, технической диагностике) вызвали значительный интерес к ним как к системам поддержки принятия решений в сфере бизнеса. Исследования показывают, что в настоящее время ЭС широко применяются при решении задач в финансово-кредитной сфере: планировании, анализе рисков, страховании, консультировании и т.д.

Одним из путей преодоления недостатков, присущих каждой из рассмотренных технологий, является создание гибридных систем. Разработки в этой области ведутся, и уже есть примеры практического использования систем такого рода. Однако серьезной проблемой при их разработке является отсутствие соответствующих инструментальных программных средств.

Основной тенденцией развития программных средств для поддержки финансовых решений как в России, так и за рубежом является стремление ведущих разработчиков предоставить потребителю комплекс совместимых и взаимодействующих между собой продуктов различных классов для наиболее полного удовлетворения его запросов. При решении проблемы автоматизации труда финансовых менеджеров и аналитиков целесообразно использовать линию продуктов одного производителя, в наибольшей степени удовлетворяющих требованиям и специфике конкретного предприятия.

Заключение

Техническое обеспечение управляющей подсистемы финансового менеджмента составляют современные средства вычислительной и телекоммуникационной техники, позволяющие максимально оптимизировать и рационализировать процедуры сбора, передачи и преобразования информации. Основой технических решений являются высокопроизводительные персональные компьютеры, реализующие АРМ специалиста и функционирующие автономно либо объединенные в сети на базе технологий "файл-сервер", "клиент-сервер" или интранет, обеспечивающих эффективное распределение вычислительных и информационных ресурсов между различными категориями пользователей.

Программное обеспечение управляющей подсистемы финансового менеджмента обеспечивает функционирование ее технического комплекса, решение функциональных задач и взаимодействие пользователей-специалистов с компьютером. Выделяют общее (системное) и специальное (прикладное) программное обеспечение. Системное ПО предназначено для общего управления и реализации вычислительного процесса на ЭВМ, работающей автономно или в сети.

Специальное ПО предназначено для решение конкретных задач пользователя. В настоящее время существует множество автономных программ и программных комплексов, которые можно разделить на следующие классы: комплексные системы управления предприятиями; табличные процессоры; пакеты для решения задач фундаментального анализа; пакеты для решения задач технического анализа; статистические и математические пакеты программ; системы искусственного интеллекта (ИИ).

Основной тенденцией развития программных средств для поддержки финансовых решений является стремление ведущих разработчиков предоставить потребителю комплекс совместимых и взаимодействующих между собой продуктов различных классов в целях наиболее полного удовлетворения его запросов. В этой связи при решении проблемы автоматизации труда финансовых менеджеров и аналитиков целесообразно использовать линию продуктов одного производителя, в наибольшей степени удовлетворяющую требованиям и специфике конкретного предприятия.

Список использованной литературы

1. Информатика, учебник под ред. Макаровой Н.В. - М. Финансы и статистика, 2002.

2. Лядова Л.Н., Мызникова Б.И., Фролова Н.В. Основы информатики и информационных технологий. 2009.

3. Могилев А.В., и др. Информатика: Учебное пособие., 2006.

4. Остроковский В.А. Информатика: Учебник. - М. Высшая школа, 2001.

5. Симонович С.В. и др. Информатика: Базовый курс. - СПб, 2003.

Размещено на Allbest.ru