<<
>>

Самоорганизация в искусственных нейронных сетях и на финансовых рынках

Искусственные нейронные сети - это математические модели, которые решают задачу нелинейной глобальной оптимизации. Концептуально искусственные нейронные сети опираются на биологические нейронные сети головного мозга человека.

Головной мозг человека - это самоорганизующаяся децентрализованная структура по обработке информации, состоящая из дискретных функциональных единиц - нейронов (каждый из которых обладает относительно простым устройством). Число нейронов в головном мозге человека учёные оценивают примерно как 1012, а общее число связей между всеми нейронами мозга колеблется от 1014 до 1015[10]. Эта сложная система взаимосвязей называется нейронными сетями и отвечает за такие феномены деятельности мозга, как память, абстрактное мышление, распознавание образов и другие уникальные и ещё не до конца изученные способности, которые пока с трудом поддаются имитации в рамках создания моделей искусственного интеллекта.

Нейронные сети находятся в постоянном взаимодействии, получая и передавая нелинейным образом информацию с помощью химико-электрических реакций. Причём данная система находится в постоянном динамическом развитии, потому что в процессе функционирования мозга одни связи внутри нейронных сетей распадаются, а им на смену приходят другие, более устойчивые.

Другое замечательное свойства нейронных систем мозга заключается в т.н. голографическом принципе и напрямую связано с их децентрализованной структурой [11]. Выход из строя одного или нескольких нейронов не может коренным образом повлиять на общую работоспособность мозга, что, по- видимому, объясняется тем, что ключевая информация не локализована на каком- то конкретном участке, а распределена по всей системе. Характерный пример: к старости здоровый человек может потерять до 30-40% нейронов, однако сохраняет основные умственные способности и память.

Одним из первых, кто обратил внимание на мозг как на сложную децентрализованную систему был Г.Хакен [20], который отнёс нейронные сети к самоорганизующимся системами и обозначил их изучение в рамках синергетики, включая построение имитационных моделей, предназначенных для решений различных задач (искусственных нейронных сетей).

Чтобы понять суть теории синергетики и самоорганизации необходимо обратиться к анализу сложных динамических систем, которые присутствуют повсюду в нашем мире. Динамическая система - это система, которая изменяется во времени. В своём движении подобные системы часто стремятся к равновесию - стационарному состоянию, которое также можно интерпретировать в терминах законов термодинамики, один из которых постулирует, что все происходящие в природе процессы вызывают увеличение энтропии[1], часто двигаясь из менее вероятного состояния к более вероятному.

Однако в XX веке наука столкнулась с огромным количеством неравновесных систем, которые невозможно описать в контексте линейности

законов термодинамики [16]. Некоторые системы при определённых условиях производят непропорционально большое количество энтропии. Более того, под действием порождающей энтропию активности, сами эти системы способны эволюционировать и изменяться во времени, проявляя большую зависимость от своих внутренних флуктуаций и начальных условий, нежели от сторонних воздействий. Это и можно назвать самоорганизацией.

При этом самоорганизующиеся системы встречаются не только в физическом мире, но даже, пожалуй, чаще, в биологической среде. Помимо нейронных сетей головного мозга человека в качестве примера можно привести поведение стай и сообществ различных животных (птиц, насекомых). Так, муравьи и термиты обладают очень низким интеллектом, но, работая в коллективе, способны решать весьма сложные задачи по строительству муравейника, добыванию пищи и решению эволюционных задач развития [14]. Аналогичные явления можно наблюдать в отношении стай птиц и косяков рыб.

В этих сообществах при отсутствии чётко выраженного лидера каждая особь выполняет достаточно простой набор действий, однако стая как единое целое способна безошибочно выполнять нужные действия (например, двигаться в определённом направлении).

Такие природные самоорганизующиеся системы обнаруживают настолько высокую эффективность в решении сложных задач, что многие учёные пытаются строить имитационные многоагентные модели, прежде всего, с целью разработки продвинутых систем искусственного интеллекта. Одним из наиболее примечательных достижений последних лет в этой области можно назвать создание полноценной колонии муравьёв-роботов, способных прокладывать оптимальный путь к источнику пищи [88].

Наконец, заметим, что социальные системы, образуемые людьми и их постоянным взаимодействием, от краудфандинга до социальных сетей, с полной уверенностью также можно отнести к самоорганизующимся системам [26].

Самоорганизующиеся нейронные сети также стали предметом интенсивного научного поиска. Активные исследования искусственных нейронных сетей начались в 1940-х гг. В качестве пионерских работ, заложивших основы дальнейшего развития этой научной области следует упомянуть статью Мак- Каллока-Питса [148], классическую работу Н. Винера 1948 года по кибернетике [206], где была теоретически обоснована возможность моделирования биологических процессов с помощью математики, труд Хебба [100], в котором была рассмотрена одна из первых моделей обучения искусственных нейронных сетей, а также работу Розенблатта [172], где был предложен персептрон - базовая архитектура многих искусственных нейронных сетей.

В 1970-х гг. наблюдался некоторый спад активности в изучении искусственных нейронных сетей, связанный с критикой подходов Розенблатта и общим разочарованием учёных относительно невозможности создать полноценную модель искусственного интеллекта на основе искусственных нейронных сетей. Тем не менее, уже в 1980-х гг. началось возрождение интереса к тематике искусственных нейронных сетей, связанное с работами Хопфилда, Хинтена, Сейновского и других учёных. Не последнюю роль сыграло и бурное развитие информационно-вычислительных технологий, открывших широкие возможности по проектированию сложных, мощных моделей, а также с понимаем того, что искусственные нейронные сети в силу своих свойств могут быть использованы самых различных областях науки.

Как было отмечено выше, самоорганизация - это одно из основных отличительных свойств искусственных нейронных сетей. Вместе с этим явление самоорганизации не уникально и может быть обнаружено в другом важном классе аналитических построений - многоагентных системах (multiagent systems). Многоагентные системы тоже активно используются в финансовом моделировании и нередко комбинируются с искусственными нейронными сетями в рамках одной модели, в частности в имитациях реального взаимодействия агентов на рынке, и поэтому для нас будет важно проследить взаимосвязь между ними.

Исследования многоагентных систем началось относительно недавно, примерно с 1980-х гг. Большое количество междисциплинарных работ свидетельствует о том, что многие процессы, протекающие в окружающем нас мире, могут быть объяснены с помощью многоагентных систем. В сложных физико-математических моделях, прикладной биологии и социальных науках многоагентные системы помогают выполнить сложные расчеты, построить комплексные аналитические модели и эффективные прогнозы.

Что касается финансовой математики, то в ней многоагентные системы широко используются для построения имитационных моделей взаимодействия на финансовых рынках и изучения результатов этих взаимодействий. Достаточно интересны разработки американского научного института в Санта Фе (The Santa Fe Institute), где удалось сконструировать сложные модели и получить значимые результаты относительно взаимодействия агентов [136,138,153]. При этом исследования имитационных финансовых рынков выходят за рамки лабораторных экспериментов, и построенные модели используются для прогнозирования реальной рыночной динамики [167, 177,197].

Между тем, само понятие «многоагентной системы» и «агентов» определяются по-разному в различных работах. В основном авторы подразумевают под многоагентной системой исключительно компьютерно­вычислительную систему, в которой агенты - это машины, наделённые определённым искусственным интеллектом [177].

При этом многие исследователи признают сложность в формулировании универсального определения многоагентной системы. Чаще всего речь идёт о децентрализованной системе, т.е. системе, в которой отсутствует единый центр принятия решений (или обработки поступающих входных сигналов), а её отдельные агенты наделены определённой степенью автономности - видимая параллель с искусственными нейронными сетями.

Под автономностью понимается наделение агентов определёнными предпочтениями, а также способность реализовывать эти предпочтения

(добиваться целей) во взаимодействии с другими агентами [212]. С точки зрения нахождения оптимальных решений определённых проблем (problem solving) немаловажным для многоагентной системы становится наличие ограничений, заданных извне, которые задают область поиска [156].

Взаимодействие агентов на микроуровне, наряду с децентрализацией, является крайне важной характеристикой многоагентных систем. Ряд экономических исследований предписывают агентам базовые характеристики, заимствованные из микроэкономики и теории игр, и с помощью агрегированных результатов их взаимодействия пытаются объяснить явления на макроуровне. Однако, как справедливо отмечают некоторые авторы, простое агрегирование поведения микроагентов способно описать реальные экономические процессы лишь на качественном уровне, потому что они оказываются чрезвычайно сложны и не дают адекватного прогноза по эмпирическим данным [95].

В этой связи нам также представляется крайне важным выделять поведение многоагентной системы на макроуровне. Дело в том, что результатом взаимодействия агентов на микроуровне часто становится новое, комплексное поведение всей системы на макроуровне, обнаруживающее явления и характеристики, которые не были присущи её отдельным элементам - то есть мы вновь сталкиваемся с самоорганизацией и эмерджентностью [90, 165]. Такие эффекты имеют место и при искусственном моделировании финансовых рынков с помощью многоагентных систем, прежде всего в форме стадного, самоорганизующегося поведения (herd behavior) [28, 38, 62].

Но если взаимодействие агентов в имитационных моделях финансовых рынков приводит к самоорганизации, то было бы вполне логично вменять подобные характеристики и самим агентам, например, заставлять их обрабатывать информацию и реагировать по принципу искусственной нейронной сети. Такой подход к исследованию многоагентных систем достаточно часто встречается в современных научных исследованиях [32, 57, 95, 118, 159, 219]. Поэтому в данной работе мы будем уделять особое внимание определению таких свойств искусственных нейронных сетей, которые могут быть впоследствии

приписаны взаимодействующим агентам в рамках экспериментов по построению имитационных моделей фондового, валютного и других финансовых рынков.

1.2.

<< | >>
Источник: Головачев Сергей Сергеевич. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей. Диссертация на соискание ученой степени кандидата экономических наук. Москва - 2014.

Еще по теме Самоорганизация в искусственных нейронных сетях и на финансовых рынках:

  1. Принятие решений репрезентативным агентом на основе ограниченной рациональности и самоорганизации: имитация с помощью искусственных нейронных сетей
  2. Глава 2. Инвестиционные решения на фондовом и валютном рынках на основе упрощенной картины мира и контекстной памяти - представление в форме искусственных нейронных сетей с предварительной обработкой входных данных
  3. Глава 1. Роль искусственных нейронных сетей в прогнозировании финансовых рынков
  4. Основные характеристики, типология и принципы построения искусственных нейронных сетей при прогнозировании финансовых рынков
  5. Головачев Сергей Сергеевич. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей. Диссертация на соискание ученой степени кандидата экономических наук. Москва - 2014,
  6. 3.1. Прогнозирование финансовых рынков с помощью искусственной нейронной сети Кохонена-Хакена, использующейконкурентную обработку входных данных
  7. Прогнозирование финансовых рынков с помощью искусственной нейронной сети, обученной по методу Левенберга-Марквардта и использующей снижение размерности входных данных (упрощение картины мира)
  8. Предварительная обработка входных данных искусственными нейронными сетями при прогнозировании финансовых рынков с помощью метода главных компонент и метода независимых компонент
  9. Прогнозирование фондового и валютного рынков с помощью роевой архитектуры искусственных нейронных сетей, использующей кластеризацию данных в качестве инструмента предварительной обработки
  10. Глава 3. Иллюзия субъективной полноты картины мира, свойственная репрезентативному инвестору, и ее воспроизведение посредством искусственных нейронных сетей, использующих конкурентные механизмы предварительной обработки входных данных
  11. Прогнозирование фондового и валютного рынков с помощью искусственной нейронной сети Хакена, использующей предварительную обработку входных данных в виде формирования контекстной памяти
  12. Ильин Евгений Викторович. Механизмы и пределы саморегулирования на финансовых РЫНКАХ В РАЗВИТЫХ СТРАНАХ МИРА. Диссертация на соискание ученой степени кандидата экономических наук. Москва - 2012, 2012
  13. Приложение 1 Анкета для исследования виртуальных организаций, функционирующих в российских социальных сетях
  14. Эмпирические свидетельства состоятельности моментум стратегии на разных рынках
  15. Ованесова Юлия Сергеевна. ВЛИЯНИЕ СТАДИИ ЖИЗНЕННОГО ЦИКЛА ОРГАНИЗАЦИЙ НА ЭФФЕКТИВНОСТЬ IPO НА РАЗВИВАЮЩИХСЯ РЫНКАХ КАПИТАЛА. Диссертация на соискание ученой степени кандидата экономических наук. Москва - 2013, 2013
  16. Цели регулирования финансового рынка
  17. Эволюция саморегулирования финансовых рынков
  18. 2.1. Эволюция идей финансовой экономики
  19. Основные типы систем регулирования финансового рынка в развитых странах