Нейросетевое программирование макроєкономики

     МИНИСТЕРСТВО  ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ  ХАРЬКОВСКИЙ ТОРГОВО-ЭКОНОМИЧЕСКИЙ  ИНСТИТУТ КНТЕУ 
 
 

     Кафедра экономики предприятий и экономической  теории 
 
 

     РЕФЕРАТ

     по  дисциплине Макроэкономическое прогнозирование

     на  тему: «Нейросетевое прогнозирование макроэкономики» 
 
 
 
 

           Выполнил:

                                                           студент гр. СЭП-10

                                                                                   Орехов Е.Н.

                                                                                   Проверила:

                                                                                  Камеристая Е.А. 
 
 
 
 
 

     Харьков 2010 

     Введение………………………………………………………………...4

     1. Проблемы и их решение ……………………………………………6

     2. Принципиальные особенности …………………………………….8

     3. Процесс построения комплексной  нейросетевой модели……....11

     Список  источников……………………………………………………16

 

     

     Введение 

     На  современном этапе возрастает необходимость  в системах, которые способны не только выполнять однажды запрограммированную  последовательность действий над заранее  определенными данными, но и способны сами анализировать вновь поступающую  информацию, находить в ней закономерности, производить прогнозирование и  т.д. В этой области приложений самым  лучшим образом зарекомендовали  себя так называемые нейронные сети – самообучающиеся системы, имитирующие  деятельность человеческого мозга. Рассмотрим подробнее структуру  и математическую модель искусственных  нейронных сетей (НС), а также их применение в моделировании и прогнозировании. Техника нейронных вычислений в последние годы начинает все активнее использоваться для анализа, моделирования и прогнозирования в задачах связанных с финансовыми потоками и экономикой на всех уровнях ее хозяйствования. В основном это вызвано появлением более мощных процессоров, доступных для рядового пользователя, а также различными теоретическими и практическими достижениями в данной области.

     Немаловажную  роль в успехе нейронных сетей  сыграло и то, что они обладают многими весьма интересными свойствами, присущими человеческому мозгу: они могут обучаться на основании некоторого опыта, могут обобщать и извлекать полезную информацию из набора предоставляемых данных, который может содержать ненужные данные или информацию с помехами. В то же время при использовании обычных «точных» алгоритмов нахождения ответов на вопросы, отклонения во входной информации вызывают отклонения выходной. Следует отметить, что такая способность нейронных сетей реализуется только благодаря структуре сети, а не с помощью какого-либо дополнительного инструментария.

     Важно то, что, в отличие от человека, который  одновременно может принимать во внимание 5-6 факторов, нейронная сеть может оперировать сотнями, и, как  это ни странно, может дать прогноз лучше, чем человек. Человеческое сознание способно удерживать одновременно пять плюс-минус две сущности

     Данная  область имеет вместе с уникальными  возможностями также и множество  ограничений и неразрешенных  вопросов. Поэтому развитие нейронной  технологии должно сопровождаться решением принципиальных вопросов и проблем, возникающих при этом.

     Недостатками  нейронных сетей можно считать  их «склонность» к ошибкам, а также  то, что нейронная сеть не способна «объяснить», почему она принимает  то или иное решение, что иногда бывает очень важно. Строение нейронной  сети в некоторых случаях бывает настолько сложным, что любые  попытки к анализу не дадут  существенных результатов. И даже в  этом случае можно наблюдать аналогию с человеческим мышлением, ведь мы узнаем, что написанное от руки предложение  принадлежит нашему знакомому, хотя объяснить, почему мы так решили не можем, мы лишь наблюдаем определенные закономерности начертания букв и выдаем результат — точно так же происходит и в нейронных сетях.

     Как показывает практика последних лет, нейронные сети оказались весьма перспективным инструментом для  анализа информации экономического характера, что позволило использовать эту технологию при проведении стандартных  банковских операций, таких как: оценка кредитных рисков, решения задач  банковского маркетинга, контроль операций с кредитными карточками и др. Следует  отметить, что подобные области всегда отличались весьма высокой ценой  ошибки, и применение нейросетевых технологий в данном случае говорит  о достаточном уровне доверия к ним.

     Все эти задачи, так или иначе, связаны  с анализом большого количества информации, среди которой необходимо обнаружить зависимости, влияющие на изменение  состояния рынка, или благоприятные  обстоятельства для инвестиционной деятельности. Именно в ситуациях, когда  прямую зависимость достаточно сложно записать в виде формулы или определенных правил, нейронные сети дают очень  эффективные результаты.

     Однако  при рассмотрении вопроса применения нейросетевых технологий в моделировании  и прогнозировании общеэкономических  процессов (на уровне регионов и выше) исследователь сталкивается с информационным вакуумом в области российских работ  по данному вопросу, который лишь частично заполняется публикациями зарубежными. Вероятно, это вызвано  тем, что в научной среде, в  отличие от банковской сферы, отсутствует  такая острая потребность в получении  практических результатов, подкрепленная  каждодневной необходимостью поддерживать конкурентоспособность на достаточном  для выживания уровне

 

     1. Проблемы и их решение  

     В программировании известна такая теорема: «Чем больше размер программы, тем сложнее  написать и чаще приходится переписывать». В последней редакции программной  реализации нейросетевой макроэкономической модели размер кода основных модулей  превысил 5000 строк, не считая подключаемые компоненты и используемые сторонние  модули. Для того чтобы избежать трудно уловимых коллизий между модулями и внутренних ошибок, было сделано  следующее:

     1. Разделение основной программы  на отдельные взаимодействующие  модули, которые проще отлаживать  и поддерживать:

     a) DataPump – модуль работы с данными; 

     b) NeuroEvolution – модуль определения  зависимостей между переменными; 

     c) Neural Network – модуль настройки нейронных  сетей; 

     d) ExcelLink – надстройка для связи  с MS Excel по COM-технологии.

     2. Использование простой и, одновременно, эффективной системы классов  и иерархичных отношений между  ними.

     3. Контроль версий частей кода.

     4. Использование отлаженных свободно  распространяемых компонентов: 

     a) NeuralBase и GeneBase компании BaseGroup;

     b) FFNN компании Dataland Software.  

     Ресурсоемкость  применяемых алгоритмов

     В программировании известна также следующая  теорема: «На 20% машинного кода приходится 80% затрат машинного времени». Данное соотношение оказалось более  чем верным в отношении алгоритмов эволюционного поиска и настройки нейронных сетей. Так, например, процесс выявления определяющих факторов до его оптимизации требовал более суток непрерывной работы системы на процессоре Celeron с тактовой частотой 1000 МГц16. После оптимизации и добавления алгоритма, составляющего первоначальный набор факторов на основе коэффициентов линейной корреляции, стало возможным получать аналогичные результаты за 4-8 часов вычислений. Итак, значительные затраты процессорного времени, требуемого алгоритмами, которые применяются при построении комплексных нейромоделей макроэкономических процессов, можно снизить, если:

     16 FactorCount = 7, DataFieldCount = 20, AbsolutePeriodCount = 52, Window = 5, Forecast = 2, GAEpochCount = 40, GAChromosomeCount = 20, NetStructure = ―FactorCount-7-Forecast‖, UseAdaptiveAging = Да, NETEpochCount = 1000. Описание переменных см. в «Процесс построения комплексной макроэкономической модели».

     17 Например, при расчете 10-факторной  модели высокого уровня можно  25-50% первой популяции эволюционного  поиска заполнить результатами  расчетов 7-факторных моделей низкого  уровня. Недостающие 3 фактора, в  таком случае, заполняются элементами  с самыми высокими коэффициентов  корреляции.

     a) оптимизировать код, на который  приходится основная нагрузка (переписать  на Ассемблере, минимизировать операции  с большими объемами данных, использовать  пред- и пост- обработку);

     b) использовать ранее полученные  результаты вычислений по близким  проблемам17;

     c) запускать длительные процессы  в фоновом режиме с низким  приоритетом (Idle или Low) для использования  времени простоя процессора.

     В перспективе возможно также использование  системы распределенных вычислений, позволяющее использовать свободное  процессорное время компьютеров, объединенных в единую сеть.  

     Сложность анализа логики нейросетевых моделей 

     Одним из наиболее часто упоминающихся  недостатков нейросетевых моделей  является сложность их представления  в удобной для восприятия и  анализа форме. Так, например, синаптические  связи простейшей нейронной сети вида «2-2-2» полностью описываются  системой из 8 уравнений, содержащих трудно воспринимаемые весовые коэффициенты. Если же речь идет о модели вида «20*5-40-20*2», одновременно прогнозирующей состояние 20 показателей на 2 периода вперед на основе этих же 20 показателей с  величиной лагов до 5, то размер файла  с ее характеристиками превысит 100 Кб. Ни о каком восприятии и анализе  логики нейронной сети здесь речь идти не может.

     Одним из способов решения данной проблемы является разделение такой большой  нейромодели на ряд субмоделей (по одной на каждый показатель) с ограниченным количеством входных (1-3) и выходных (5-10) переменных. В таком случае становится значительно проще работать с  определяющими факторами и зависимостями  в модели. Более подробно об этом см. далее в «Использование группы взаимосвязанных показателей»

 

     2 Принципиальные особенности  

     При применении эконометрических методов  моделирования чрезвычайно трудно выявить и учесть все причинно-следственные зависимости в моделируемой системе.

     Поэтому на практике исследователи выдвигают  гипотезу о том, что имеющиеся  данные описываются каким-либо определенным законом, а потом проверяют, является эта гипотеза ложной или истинной. Естественно, что реально возможно проверить лишь ограниченное число  предположений из бесконечного количества вариантов.

     Преимущество  нейронных сетей заключается  в том, что изначально не задается жесткая структура взаимовлияния  параметров. Считается, что они характеризуют  состояния элементов, которые являются частями единой системы, поэтому  допускается, что каждый из них может  оказывать влияние на любой другой, причем эта зависимость может  быть линейной, нелинейной или любой  другой. В ходе обучения выявляются связи, которые «признаются» нейронной  сетью значимыми, а все остальные  считаются незначительными.

     Таким образом, использование нейросетевых моделей позволяет рассматривать  национальную экономику как динамичную систему, элементы влияют друг на друга, а не ограничивать исследования рамками  принципа инерционности, на который  опирается эконометрическое моделирование.