Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Нейронные сети в экономике и финансах

Покупка
Артикул: 798344.01.99
Доступ онлайн
239 ₽
В корзину
Искусственные нейронные сети в настоящее время находят широкое применение в экономике и финансах. Прежде всего они являются альтернативой эконометрических методов оценки, направленных на построение прогнозов, и решают широкий спектр прикладных задач, связанных с предобработкой данных для исследования. Современному экономисту может быть полезно иметь данный инструмент в арсенале методов. Целью предлагаемой работы является популярное объяснение принципа работы данного инструмента, демонстрация некоторых сфер его применения, особенностей разработки и условий, при которых использование рассматриваемого вида машинного обучения может иметь практическую пользу.
Косарев, В. С. Нейронные сети в экономике и финансах : доклад / В. С. Косарев. - Москва : Дело (РАНХиГС), 2021. - 118 с. - (Научные доклады: экономика). - ISBN 978-5-85006-382-5. - Текст : электронный. - URL: https://znanium.ru/catalog/product/1920377 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
В.С. Косарев
Нейронные сети 
в экономике 
и финансах
| И  ДЕЛО |
Москва | 2021


Косарев В.С., научный сотрудник Лаборатории системного анализа 
отраслевых рынков Института отраслевых рынков и инфраструктуры
Косарев, В.С.
Нейронные сети в экономике и финансах / В.С. Косарев. — Москва : 
Издательский дом «Дело» РАНХиГС, . —  с. — (Научные доклады: экономика). — ISBN ----
Искусственные нейронные сети в настоящее время находят широкое применение в экономике и финансах. Прежде всего они являются альтернативой эконометрических методов оценки, направленных на построение 
прогнозов, и решают  широкий спектр прикладных задач, связанных 
с предобработкой данных для исследования. Современному экономисту 
может быть полезно иметь данный инструмент в арсенале методов. Целью предлагаемой работы является популярное объяснение принципа 
работы данного инструмента, демонстрация некоторых сфер его применения, особенностей разработки и условий, при которых использование 
рассматриваемого вида машинного обучения может иметь практическую 
пользу.
 
ISBN ----  
УДК  
ББК /-
© ФГБОУ ВО «Российская академия народного хозяйства 
и государственной службы при Президенте Российской Федерации», 
К
УДК 
ББК /-
        К 



Содержание








Введение ................................ 7

1. Практика применения нейронных сетей . . 10
    1.1. Прогнозирование экономических и финансовых показателей.............11
    1.2. Предобработка данных эмпирического исследования.........................28

2. Подходы к интерпретации нейросетевых моделей..................................40
    2.1. Анализ чувствительности.........41
    2.2. Подход на основе интегрированных градиентов ......................... 44

3. Основные архитектуры нейронных сетей. . 51
    3.1. Полносвязные нейросети..........51
    3.2. Рекуррентные нейросети..........65

4. Особенности обучения..................81
    4.1. Адаптивные методы градиентного спуска ............................. 81
    4.2. Ландшафт функции потерь.........85
    4.3. Отбор объясняющих факторов......93

Заключение..............................102
Список литературы.......................106


Список терминов
Машинное обучение 
(МО)
– обучение компьютерной программы по мере накопления 
опыта относительно некоторого класса задач Т и целевой 
функции Р, если качество решения этих задач (относительно Р) улучшается с получением нового опыта [1]
Искусственная 
нейронная сеть 
(ИНС)
– вид машинного обучения, 
представляющий собой распределенный параллельный 
процессор, состоящий из элементарных единиц обработки 
информации, накапливающих 
экспериментальные знания 
и предоставляющий их для 
последующей обработки [2]
Архитектура 
искусственной 
нейронной сети 
(топология) 
– описание структуры ИНС, 
включающее информацию 
о количестве слоев, строении 
соединений между блоками, 
функциях активаций и других 
характеристиках
Глубокое обучение
– ветвь машинного обучения, 
архитектуры которой принадлежат глубоким ИНС. Термин 
«глубокий» означает наличие 
нескольких слоев со сложной 
структурой
ANN (Artifi cial neural 
networks)
– полносвязная нейронная сеть


RNN (Recurrent 
neural network)
– рекуррентная нейронная сеть, 
особенностью которой является возможность связывать 
предыдущую информацию
с текущей
LSTM (Long 
short-term memory)
– рекуррентная ячейка нейронной сети с состоянием долгосрочной памяти. Представляет собой особый тип RNN, 
способный обучаться долгосрочным зависимостям
GRU (Gated recurrent 
units)
– рекуррентная ячейка нейронной сети, представляющая собой упрощение LSTM
CNN (Convolution 
Neural Network)
– сверточная нейронная сеть,  
способная учитывать пространственную связь входных 
данных
Эпоха 
– характеризует этап обучения 
нейронной сети после задействования в процессе обучения всего множества тестовых 
данных
Батч
– набор входных данных искусственной нейронной сети, на 
множестве которых рассчитывается один шаг градиентного 
спуска
Паттерн
– один обучающий набор 
искуственной нейронной сети
Ядро свертки
– элемент сверточной нейронной сети, представляющий 
собой функцию отображения 
пространства данных в подпространство меньшей размерности


Введение
В XXI веке  начался интенсивный рост использования алгоритмов машинного обучения, в том числе искусственных нейронных сетей, одновременно во многих сферах [3]. Исключением не стали 
и прикладные области экономики и финансов [4, 
5, 6, 7, 8]. В настоящей работе представлен набор 
практик применения нейронных сетей в области 
экономики, показаны базовые принципы их работы, а также обозначен ряд особенностей построения нейросетевых моделей.
Стремительный рост популярности нейросетей 
в последние годы объясняется тремя синхронными 
тенденциями, давшими в совокупности заметный 
синергетический эффект. Первая —  накопление 
большого объема цифровых данных человечеством 
во всех сферах деятельности и исследовательский 
интерес в отношении их анализа, обусловленный 
в том числе потенциальной коммерческой выгодой 
(например, построение рекомендательных систем 
на основе истории покупок и просмотров пользователей в офлайн- и онлайн-торговле). Вторая —  
рост производительности вычислительных мощностей.  Эмпирическое наблюдение от 1975 года об 
удвоении каждые два года количества транзисторов, размещаемых на кристалле интегральной схемы, известное как закон Мура [9], продолжает с некоторой погрешностью выполняться и в 2021 году: 
первый микропроцессор Intel 4004, вышедший 


в 1971 году, имел всего 2250 транзисторов, в то время как в серверном процессоре 2021 года AMD Epic 7763 их около 48 млрд. 
Третья —  доступные сервисы для проведения ресурсоемких вычислений. Возможность выполнять сложные расчеты и хранить 
данные на серверах, расположенных в распределенных датацентрах, при помощи таких платформ, как Google Colab [10], 
Microsoft Azure [11] и других, существенно облегчила и ускорила работу ученых —  исследователей данных.
В результате в настоящее время в основе ряда успешно решаемых прикладных задач компьютерного зрения 1, машинной 
лингвистики, предиктивной аналитики лежат алгоритмы машинного обучения. Ставший широко известным публике успех 
некоторых решений 2 стал причиной ложного представления об 
универсальной применимости и почти неограниченных возможностях так называемого искусственного интеллекта. В некоторых материалах по машинному обучению начального 
уровня, предназначенных для широкой аудитории, подробности работы алгоритмов опускаются и используется обобщающий условный термин —  «искусственный интеллект». Однако, 
как утверждает, например, глава школы глубокого обучения 
МФТИ Надежда Зуева [12], все, что сейчас принято называть 
искусственным интеллектом, скорее является интеллектуальными системами. В их основе —  методы машинного обучения 
и в том числе нейросети, которые выполняют отдельные узкие 
функции. Они используют давно известную математику и в целом статичны: даже если модели дообучаются на новых данных 
в процессе работы, научиться решать иные задачи без вмешательства человека они не могут. В настоящий момент форма 
сильного искусственного интеллекта 3 остается областью науч 
         1 Область машинного обучения, связанная с анализом изображений и видео.
 
         2 В 2016 году программа AlphaGo, в основе которой лежат алгоритмы машинного обучения, обыграла чемпиона мира по игре в го Ли Седоля, а впоследствии обыгрывала команды из нескольких ведущих профессионалов; 
в 2014–2016 годах использование нейронных сетей в машинном переводе 
текстов на другой язык позволило кардинально повысить качество, в результате чего часто перевод, сделанный компьютером, стал неотличим от 
перевода, сделанного специалистом [3].
 
         3 Предполагает, что машина обладает когнитивными способностями, то есть 
умеет мылить и осознает себя.


В 
ной фантастики. Примечательно, что отец-основатель и теоретик искусственных нейронных сетей Йошуа Бенжио полагает, 
что разработка «разумного» интеллекта для машины требует 
смены технологической парадигмы, а нейронные сети останутся лишь инструментом для решения прикладных задач.
Представление о всесильности нейронных сетей в какой-то 
степени может распространяться и на сферу экономики. Поэтому данная работа направлена в том числе на то, чтобы показать 
некоторые определенные области применения в экономике 
и  финансах одного из типов машинного обучения —  искусственных нейронных сетей и попытаться обозначить условия, 
при которых их использование является целесообразным.
Стоит отметить, что данная работа не претендует на полноту обзора, а  касается только некоторых популярных направлений применения нейронных сетей в экономической 
сфере. В первом разделе приведен обзор реальных примеров использования нейронных сетей в экономике и финансах. Рассматриваемые работы разделены на два блока исходя 
из целей использования машинного обучения: прогнозирование временного ряда и предобработка данных для исследования. В рамках второго блока рассматриваются два направления: вычленение числовых данных из текстовой информации 
и снижение размерности исходных данных. Во втором разделе приведены примеры методов интерпретации сложных нейросетевых моделей. Преимущественно раздел касается анализа чувствительности целевой переменной к факторам модели. 
В третьей части  более глубоко объясняются принципы работы 
и построения основных архитектур нейронных сетей, использованных в упомянутых в обзоре исследованиях. В последнем 
разделе собраны дополнительные особенности обучения, которые могут быть полезны на практике, а также некоторые решения и открытые проблемы из области обучения глубоких 
нейронных сетей, стоящих на повестке дня. Завершает работу раздел с основными выводами относительно применимости нейросетевых методов в экономике.


1. Практика 
применения 
нейронных сетей
Использование нейронных сетей в  экономических задачах началось с попыток улучшить точность наукастинга макроэкономических показателей и прогнозирования показателей финансового 
рынка еще в конце XX века [13, 14, 15]. Нейронная 
сеть, как правило, использовалась как альтернатива структурной эконометрической модели или 
инкорпорировалась в гибридную модель прогнозирования временных рядов ARIMA —  ANN 1. Использование гибридной модели или объединение 
нескольких моделей стало обычной практикой 
для повышения точности прогнозирования с выходом работы [16] в 1982 году, в которой было продемонстрировано, что комбинация прогнозов из 
нескольких моделей приводит к повышению эффективности прогнозирования. В статье Клемена 
[17] представлен обзор большого количества ранних работ в этой области. Основная идея комбинирования моделей в прогнозировании заключалась 
в  использовании возможностей каждой модели 
захватывать различные особенности поведения 
в данных.
 
         1 ARIMA (autoregressive integrated moving average) —  интегрированная модель авторегрессии скользящего среднего; ANN (artifi cial neural networks) —  искусственная нейронная сеть.


Доступ онлайн
239 ₽
В корзину