Применение нейросетевых технологий в банковской сфере

Нейронные сети - это обобщенное название нескольких групп алгоритмов, обладающих одним ценным свойством - они умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. При этом данные могут быть неполны, противоречивы и даже заведомо искажены. Если между входными и выходными данными существует какая-то связь, пусть даже не обнаруживаемая традиционными корреляционными методами, нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают рядом дополнительных возможностей - они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д.

С середины 80-х годов нейронные сети начали использоваться на Западе - преимущественно в финансово-экономических и военных приложениях. Однако несмотря на впечатляющие успехи первых экпериментов, поначалу это были единичные заказные системы - слишком сложен был инструмент, слишком дорога его разработка. Ситуация коренным образом изменилась в начале 90-х, когда на рынке появилось новое поколение нейросетевых пакетов - мощных, недорогих и простых в использовании. И практически сразу одним из лидеров рынка стал нейросетевой пакет Brain Maker американской фирмы California Scientific Software. Рассмотрим некоторые примеры применения пакета Brain Maker в банковской сфере.

Прогноз фьючерсных котировок.Рассмотрим применение пакета Brain Maker на конкретном примере прогнозирования фьючерсных котировок. Пусть мы хотим знать цену закрытия на сегодняшних торгах по валютным тысячедолларовым трехмесячным фьючерсным контрактам. И прогноз этот нам нужен еще до начала торгов. Очевидно, нас устроит точность прогноза, если будет правильно указан ценовой тренд (подъем, спад или «полка»), а само изменение цены названо с точностью не ниже 90% от последнего скачка.

Прежде всего определим входные данные. Параметры, от которых может зависеть курс фьючерса, это некоторая макроэкономическая информация - курс доллара, индекс инфляции, ставка межбанка, биржевые индексы и т.д. Далее нам понадобятся биржевые сводки - объем торгов, количество сделок, min/max и др. Наконец, нас интересуют сами фьючерсные котировки, как прогнозируемый трехмесячный, так и другие - ближние и дальние. Здесь необходимо отметить два преимущества нейронной сети перед другими аналитическими инструментами - во-первых, от нас не требуется точного знания о сравнительной важности входных данных - сеть ее определит сама. Во-вторых, количество входов перестает быть «дамокловым мечом» аналитика. Большое числе входов в сети (в отличие от, например, корреляционной программы) не сильно уменьшит эффективность и увеличит время ее работы.

Следующий шаг - правильное определение «горизонта» данных - т.е. достаточной глубины выборки по времени. Вопреки распространенному заблуждению, нейросети не нужны данные за многие годы. Для того, чтобы определить тренд, обычно достаточно выборки за два-три месяца.

Далее начинается итерационный процесс обучения, который для разных задач длится от пары минут до нескольких часов (обычно, впрочем, ограничивается минутами). Многократно используя входные вектора, нейронная сеть пытается настроить свою внутреннюю структуру для максимально точного «узнавания» реакции рынка на те или иные воздействия.

После первого опыта (далеко не всегда удачного) выполняется очень важное действие - уменьшение размерности входного вектора. Для этого в пакете Brain Maker предусмотрен мощный аналитический блок, который позволяет увидеть, какие параметры оказывают существенное влияние на ситуацию, какие - незначительное, а какие лишь вредят прогнозированию. С помощью аналитического блока можно изменить объем входных данных в несколько раз (в реальном примере с фьючерсами - с пятидесяти входных параметров до двенадцати).

После уменьшения количества параметров сеть снова запускается на обучение, которое теперь протекает значительно быстрее. После этапа тестирования настроенная нейронная сеть готова давать прогноз по данным практически мгновенно. Единственной проблемой остается автоматизация ввода входных данных. Для решения этой рутинной задачи предусмотрены интерфейсы с пакетами Excel, dBase, Lotus, MetaStock, а также ввод из текстовых файлов и информационных сетей (например, CompuServe).

После того как сеть начала давать прогнозы требуется определить их точность. В рассмотренном примере с фьючерсами настроенная сеть эксплуатировалась без доучивания в течении двух недель (а уточнять настройку сети можно практически ежедневно и даже чаще). За десять биржевых дней сеть ни разу не ошиблась в знаке отклонения фьючерсных котировок, а девять дней из десяти отклонение прогноза от реальной цены составило менее 10 рублей! Лишь один раз ошибка прогноза превысила заданный предел и составила 70 рублей (и это при амплитуде дневных колебаний в 400 рублей). Разумеется, нельзя гарантировать, что на любых задачах и при любых условиях прогнозы нейросети будут столь же точны.

Игра на ГКО и ОФЗ.С потерей доходности большинства финансовых инструментов и снижением возвратности кредитов одним из основных способов стабильного зарабатывания денег становится игра на ГКО/ОФЗ. Разумеется, участники торгов по ГКО - как аукционных, так и вторичных, прилагают все усилия для увеличения прибыльности операций с ГКО. Использование нейронных сетей (и в первую очередь пакета Brain Maker) в этом процессе сводится к решению двух основных задач - прогнозирование краткосрочных колебаний курсовой стоимости бумаг для «скальпирования» в течение дня и определение сравнительной доходности различных групп бумаг для среднесрочной игры «в перекладку». Первая из этих задач более сложна и обычно требует специальной заказной работы по настройки нейросети. При этом может быть достигнуто следующее качество результатов: выполненный сегодня в конце дня прогноз завтрашних котировок по всем бумагам дает отклонение не более 10% от дневного скачка для курсов закрытия и средневзвешенного. Точность прогнозирования минимального и максимального курса примерно вдвое ниже вследствие регулярных ошибочных сделок, совершаемых участниками торгов. Таким образом, суммарная абсолютная ошибка, например при прогнозе цены закрытия отдельной бумаги, обычно не превышает 0.5%. Прогноз «попадает» в заданный интервал в течение восьми дней из десяти. К сожалению, в силу нестабильности экономической ситуации, достоверность долгосрочных прогнозов пока не очень велика.

Значительно более просто решается другая задача - прогноз сравнительной доходности различных видов ценных бумаг, сгруппированных по срокам погашения. Такой прогноз с достаточной достоверностью может быть сделан на несколько дней вперед, что позволяет повысить доходность вложения средств, меняя один вид ценных бумаг на другой.

Надо отметить, что при решении аналитических задач, связанных с игрой на ГКО и других финансовых инструментах, нейронные сети используются в комбинации с каким-либо мощным пакетом традиционного технического анализа, нпример, с пакетом MetaStock for Windows.

Валютный дилинг.Все большую популярность среди банкиров обретают разные виды валютного дилинга - как прямая игра на FOREX, так и создание собственных «казино» - дилинговых центров для сторонних дилеров. Способы применения нейронных сетей в валютном дилинге (исключительно глубоко изученные в мировой практике) можно условно разделить на три группы.

Первая группа - получение прямых прогнозов изменений котировок валют и других инструментов на срок от нескольких минут до нескольких дней и даже месяцев. Несмотря на то, что способы построения таких систем прогнозирования хорошо известны, они сравнительно мало распространены на нашем рынке - финансисты еще только начинают осознавать необходимость создания комплексных заказных аналитических систем. Прорыв в этом секторе рынка, видимо, произойдет после широкого внедрения новых автоматизированных дилинговых комплексов TeleTrac TradeStation, легко интегрируемых с нейросетевым блоком прогнозирования.

Второй способ использования нейросетей для дилинга - автоматическое распознавание интересных и привычных для дилера ситуаций. Например, если дилер много месяцев играет на колебаниях доллар/йена в режиме "окончания дня" и хорошо изучил реакцию рынка на различные виды интервенций Центрального банка, то весьма полезной окажется система, автоматически «узнающая» картину развития событий.

Наконец, третий способ применения нейросетей в дилинге - формирование с их помощью некоторых обобщающих показателей, отражающих состояние рынка в целом (в одном из нейросетевых пакетов этот показатель красноречиво назван «радуга рынка»). Периодический учет этих показателей, своеобразной картины состояния рынка, позволяет дилеру оценивать состояние рынка без отрыва от детального анализа своего сектора.

Портфельная игра.Поскольку в российских условиях число реальных эмитентов для надежной и высокодоходной игры на корпоративных бумагах не превышает дюжины, рассмотрим выгоды от применения нейронной сети на западном примере.

Финансовая корпорация LVS еженедельно использует комплексную нейросетевую систему, которая автоматически собирает данные о колебаниях курсовой стоимости акций 3000 американских компаний за прошедшую неделю и загружает их в аналитический блок. Далее вступают в действие сразу несколько видов нейронных сетей. После интенсивного анализа выделяются акции тех компаний, чей курс наиболее прогнозируем и подтвержден разными методами анализа (обычно таких компаний остается около 200). Затем запускается довольно несложная программа выбора наиболее интересных с точки зрения доходности среднесрочной игры компаний из этого списка. После этого система генерирует окончательный отчет и задача аналитика сводится лишь к сравнению прогнозов сети с собственными ощущениями и выработке конкретных заданий на неделю для дилеров. Тот факт, что клиенты доверили этой компании более четверти миллиарда долларов свидетельствует о хороших прогнозах системы.

Торговые применения пакета Brain Maker.В торговых приложениях нейронные сети наиболее хорошо проявляют себя при прогнозах оптовых и розничных цен. На насыщенных рынках основные уровень цен определяется конкретным набором объективных факторов, которые, как правило, заранее известны. Рассмотрим, например, задачу оценки квартиры на рынке недвижимости. Последствия ошибки понятны - завышение цены приведет к безнадежному «зависанию» квартиры в базе данных, а занижение - к моментальной потере прибыли. Вместе с тем, объективная цена недвижимости определяется небольшим (около пятнадцати) набором формализованных параметров (район, телефон, этаж, метраж и т.д.), а также текущей рыночной ситуацией. При наличии достаточно большой базы данных оценка, сделанная настроенной нейросетью, практически безошибочна. И если на рынке недвижимости вас устраивает точность оценки до тысячи долларов, то, например, подержанные автомобили ВАЗ нейросеть оценивает с погрешностью в 100 долларов, а оптовую цену куриных окорочков - с точностью до 1-2 центов.

Нейросети успешно применяются и при решении ряда других торговых задач. Так, по признанию аналитиков крупной зерновой компании «ОГО», они решают с помощью пакета Brain Maker до 300 аналитических задач в неделю.

* * *

Успехи пакета Brain Maker в различных финансовых приложениях стимулировали попытки его применения для все более

и более сложных задач. Однако с ростом сложности задач и объемов входных данных мощность Вашего персонального компьютера становится недостаточной. И здесь на помощь приходят нейроплаты - специализированные акселераторы, ускоряющие обучение нейросети в сотни (а на сложных задачах - до тысячи) раз. Для пакета Brain Maker роль платы-ускорителя выполняет изделие CNAPS PC/128 фирмы Adaptive Solutions. Нейроплата CNAPS, несмотря на довольно высокую цену ($8500 в минимальной конфигурации), вызывает большой интерес у наших финансистов.

Можно привести еще много примеров успешного применения нейросетей и в частности пакета Brain Maker для решения различных аналитических задач. Здесь и прогнозирование остатков средств на корсчетах, и оценка кредитных и инвестиционных рисков, и заблаговременный диагноз неблагополучия банка, и даже политическое и экономическое прогнозирование. Однако каждая из этих задач требует отдельного детального обсуждения.

Мировая практика показывает, что нейронные сети становятся мощным оружием в руках аналитика. В сочетании с другими аналитическими инструментами они позволяют строить мощные комплексы для обработки финансово-экономической информации, резко повышающие доходность различных видов операций.

13.5.3. Применение нейронныхсетей для анализа платежеспособности клиентуры

Для оценки платежеспособности 8 млн. клиентов на фирме Neckermann, которые ежедневно делают от 50000 до 130000 заявок, использовался статистический пакет SAS, позволяющий правильно классифицировать 78% клиентов. Нейросетевой пакет SAS позволяет достигать 79-80% правильной классификации клиентов. Доход фирмы от улучшения прогноза на 1-2% составляет от 100 тыс. до 1 млн. DM в год.

Область кредитного рейтинга определяется на основе отличительных черт клиентов. Рассмотрим эти отличительные черты.