3.2. Системы искусственного интеллекта

Все большее применение в финансовом менеджменте находят системы искусственного интеллекта. Системы искусственного интеллекта ориентированы на решение неструктурируемых или слабоструктурируемых задач.

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.

В настоящее время существуют различные технологии искусственного интеллекта. Среди них выделяют:

• нейронные сети (прогнозирование, распознавание ситуаций, извлечение знаний);

• генетические алгоритмы (оптимизация инвестиционных портфелей);

• нечеткую логику (анализ рисков);

• экспертные системы (планирование, анализ, аудит).

Нейронные сети 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.).

Нейронные сети 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 нейронные сети 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-propagation algorithm).

Наиболее популярными нейросетевыми пакетами являются Brain Maker Pro (California Scientific Software, США) и семейство Al Trilogy фирмы Ward Systems (США).

Следует отметить и ряд недостатков, присущих нейронным сетям. Наиболее существенный из них - неспособность объяснять свои действия. Далеко не всегда удается правильно выбрать и архитектуру нейронных сетей, необходимую для эффективного решения поставленных задач. К проблеме реализации нейронных сетей для анализа российских рынков следует отнести отсутствие больших объемов исторических данных, необходимых для обучения и настройки. Наконец, нельзя обойти вниманием и проблему недобросовестной рекламы нейронных сетей 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 искусственного интеллекта, 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 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 (Palisade Corp США), Omega (KiQ and CAP, США). Первые два реализованы в виде надстроек к MS Excel и написаны на языке VBA. Оба продукта в целом схожи по своим функциональным возможностям.

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

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 (Hyper Logic, США). Он широко применяется для ситуационного моделирования в политике, экономике и финансах. Пакет обладает развитым интерфейсом и может использоваться в составе сложных программных комплексов, обмениваясь данными.

Однако наибольшей популярностью в финансово-кредитной сфере пользуется другая разработка - продукт FuziCalc (Fuzi Ware, 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: FuziTECH (Inform Software, США) и SieFuzzy (Siemens, Германия).

Экспертные системы представляют собой сложные программные комплексы, использующие накопленные знания специалистов в конкретных областях для консультации менее квалифицированных пользователей.

В общем случае экспертные системы включает следующие основные компоненты: базу знаний, механизм логического вывода (решатель) и пользовательский интерфейс. База знаний содержит информацию о предметной области в виде фактов, наблюдений, различных данных и набор правил, использующих эту информацию в процессе принятия решений. Наибольшее распространение получили экспертные системы, базирующиеся на моделях, реализованных в виде правил «ЕСЛИ (условие)-ТО (действие)».

Обобщенная структура экспертной системы представлена на рис. 6.

Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи экспертной системы.

Интерфейс пользователя - комплекс программ, реализующих диалог пользователя с экспертной системой, как на стадии ввода информации, так и при получении результатов.

База знаний - ядро экспертной системы, совокупность знаний предметной области, реализованная на основе выбранной модели представления знаний и записанная на машинный носитель в форме, понятной эксперту и пользователю.

Р ешатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?».

Инженер по знаниям - специалист в области искусственного интеллекта, выступающий в роли посредника между экспертом и базой знаний.

Интеллектуальный редактор базы знаний - программа, предоставляющая инженеру по знаниям возможность создавать базу знаний в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок и других сервисных средств, облегчающих работу с базой.

В настоящее время существует несколько тысяч программных комплексов, называемых экспертными системами. Экспертные системы можно классифицировать по признакам, показанным на рис. 7.

Статические экспертные системы разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Динамические экспертные системы работают в режиме реального времени, обеспечивая непрерывную интерпретацию поступающих в систему данных.

А втономные экспертные системы работают непосредственно в режиме консультаций с пользователем для специфических «экспертных» задач, решение которых не требует привлечения традиционных методов обработки данных (расчеты, моделирование и т. д.). Гибридные экспертные системы представляют программный комплекс, включающий стандартные пакеты прикладных программ и средства манипулирования знаниями.

При определении целесообразности применения экспертной системы нужно руководствоваться следующими критериями:

• данные и знания надежны и не меняются со временем;

• пространство (или область) возможных решений относительно невелико;

• в процессе решения задачи должны использоваться формальные рассуждения;

• знания и методы применения этих знаний могут быть сформулированы.

Но даже лучшие из экспертных систем имеют определенные ограничения по сравнению с человеком-экспертом, которые сводятся к следующему:

• большинство экспертных систем требуют от пользователя некоторого опыта работы с такими системами;

• существует проблема машинной реализации знаний эксперта;

• человек-эксперт часто обращается к своей интуиции, здравому смыслу и опыту;

• в тех областях, где отсутствуют эксперты, применение экспертных систем оказывается невозможным;

• экспертные системы оказываются неэффективными, когда число решений зависит от тысяч переменных, которые изменяются во времени.

Некоторые примеры экспертных систем, используемых при решении различных задач финансового менеджмента, представлены в табл. 3.

Одним из путей преодоления недостатков, присущих каждой из рассмотренных технологий, является создание гибридных систем. Разработки в этой области ведутся. Однако серьезной проблемой 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. Некоторые комплексы популярных продуктов ведущих отечественных разработчиков приводятся в табл. 4.

Таблица. 3. Экспертные системы финансового менеджмента

Продукт	Производитель	Назначение
PMIDSS	New York University	Выбор портфеля ценных бумаг, долгосрочное планирование инвестиций
Splendors	Intelligent System Inc.	Система управления портфелем ценных бумаг в реальном времени
Le Courtier	Cognitive System Inc.	Помощь инвесторам в определении инвестиционных целей, управление портфелем
PMA	Athena Group	Формирование портфеля, оказание рекомендаций по сопровождению портфеля
Intelligent Hedger	New York University	Решение задач страхования различных видов риска
ISL	University of Tokyo	Система поддержки принятия решения для выбора стратегий инвестиций

Табл. 4. Российские программные продукты поддержки финансовых решений

Область применения	Фирма-производитель
	Pro-Invest Consulting	Альт	Росэкс-пертиза	Интеллект-сервис
Оценка и анализ инвестиционных проектов	Project Expert	Альт-Инвест	-	-
Анализ финан-сово-хозяйственной деятельности	Audit Expert	Альт-Финансы	Фин-Эксперт	БЭСТ-Финансы
Финансовое планирование	-	Альт-Прогноз	Планирование	БЭСТ-План
Маркетинг	Marketing Expert	-	Маркетинг	БЭСТ-Маркетинг
Прогнозирование временных рядов	Forecast Expert	-	Стат-Эксперт	-