Здесь можно найти учебные материалы, которые помогут вам в написании курсовых работ, дипломов, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


курсовая работа Прогнозирование остатков средств на корреспондентских счетах банка

Информация:

Тип работы: курсовая работа. Добавлен: 30.05.2012. Сдан: 2010. Страниц: 7. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Федеральное агентство по образованию РФ
Байкальский государственный университет экономики  и права
Кафедра информатики и кибернетики 
 
 
 
 
 
 
 

Курсовая  работа на тему:
«Прогнозирование  остатков средств на корреспондентских счетах банка с применением
искусственных нейронных сетей» 
 
 
 
 
 
 
 
 
 
 
 
 

Иркутск, 2010
 

ОГЛАВЛЕНИЕ
 

ВВЕДЕНИЕ
     В процессе управления ликвидностью банка  особое место занимает проблема прогнозирования  предполагаемого остатка денежных средств на корреспондентских счетах банка. Как правило, значительную часть в структуре обязательств банка занимают обязательства до востребования, такие, как текущие (расчетные) счета юридических лиц, Лоро-счета других банков и небанковских кредитно-финансовых организаций, вклады юридических и физических лиц до востребования. Данный факт требует от банков поиска и использования наиболее точных и надежных подходов к прогнозированию потенциального остатка средств на текущих счетах клиентов для качественного управления своей ликвидностью. Но изменение остатка денежных средств имеет далеко не линейную зависимость, и аппроксимирующие функции (которые имеют в основном линейную структуру) очень плохо объясняют изменение остатка в будущем. Именно поэтому необходимо найти средство для более качественного прогнозирования остатков денежных средств в краткосрочном периоде[1].
     Таким средством могут являться искусственные  нейронные сети. Нейронные сети имеют  множество применений, одним из которых  является краткосрочное прогнозирование. Нейронные сети, нелинейные по своей природе, обучаются на предыстории и позволяют строить адекватные прогнозы.
     Постоянное  развитие нейронных сетей и применение их во все более разных сферах жизни  человека обуславливают актуальность этой работы.
     Результатом данной курсовой работы должны быть адекватные прогнозы изменения остатков денежных средств на корреспондентских счетах банка. Целью данной курсовой работы является знакомство с аппаратом нейронных сетей и конкретным прикладным применением – краткосрочным прогнозированием. 

 

1. Искусственные нейронные сети - инструмент прогнозирования
1.1. Понятие искусственных нейронных сетей
     Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных  между собой [2].
     Искусственные нейронные сети, подобно биологическим, являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Несмотря на то что при построении таких сетей обычно делается ряд допущений и значительных упрощений, отличающих их от биологических аналогов, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, — это обучение на основе опыта, обобщение, извлечение существенных данных из избыточной информации.
     Нейронные сети могут менять свое поведение в зависимости от состояния окружающей их среды. После анализа входных сигналов (возможно, вместе с требуемыми выходными сигналами) они самонастраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «видеть» образ, содержащий различные помехи и искажения.
     В 50-х годах прошлого века группа исследователей объединила биологические и физиологические  подходы и создала первые искусственные  нейронные сети. Тогда казалось, что ключ к искусственному интеллекту найден. Но, хотя эти сети эффективно решали некоторые задачи из области искусственного зрения — предсказания погоды и анализа данных, иллюзии вскоре рассеялись. Сети были не в состоянии решать другие задачи, внешне похожие на те, с которыми они успешно справлялись. С этого времени начался период интенсивного анализа. Были построены теории, доказан ряд теорем. Но уже тогда стало понятно, что без привлечения серьезной математики рассчитывать на значительные успехи не следует.
     С 70-х годов в научных журналах стали появляться публикации, касающиеся искусственных нейронных сетей. Постепенно был сформирован хороший  теоретический фундамент, на основе которого сегодня создается большинство  сетей. В последние два десятилетия разработанная теория стала активно применяться для решения прикладных задач. Появились и фирмы, занимающиеся разработкой прикладного программного обеспечения для конструирования искусственных нейронных сетей. К тому же 90-е годы ознаменовались приходом искусственных нейронных сетей в бизнес, где они показали свою реальную эффективность при решении многих задач — от предсказания спроса на продукцию до анализа платежеспособности клиентов банка. В 90-х годах, когда вычислительные системы стали достаточно мощными, нейронные сети получили широкое распространение. Создание нейронных сетей было вызвано попытками понять принципы работы человеческого мозга и, без сомнения, это будет влиять и на дальнейшее их развитие. Однако, в сравнении с человеческим мозгом нейронная сеть сегодня представляют собой весьма упрощенную модель, но несмотря на это весьма успешно используются при решении самых различных задач. Хотя решение на основе нейронных сетей может выглядеть и вести себя как обычное программное обеспечение, они различны в принципе, поскольку большинство реализаций на основе нейронных сетей «обучается», а «не программируется»: сеть учиться выполнять задачу, а не программируется непосредственно. На самом деле в большинстве случаев нейронные сети используются тогда, когда невозможно написать подходящую программу, или по причине того, что найденное нейронной сетью решение оказывается более совершенным [3].
     1.2. Принципы функционирования
     Сегодня существует большое число различных  конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. Но в основе построения нейронных сетей лежит элементарный преобразователь, называемый искусственным нейроном.
     Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона. На рис. 1 представлена модель, реализующая эту идею. Хотя сетевые парадигмы весьма разнообразны, в основе почти всех их лежит эта конфигурация. Здесь множество входных сигналов, обозначенных x1, x2,…, xn, поступает на искусственный нейрон. Эти входные сигналы, в совокупности, обозначаемые вектором X, соответствуют сигналам, приходящим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный ?. Каждый вес соответствует «силе» одной биологической синаптической связи. (Множество весов в совокупности обозначается вектором W.) Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход, который мы будем называть NET. В векторных обозначениях это может быть компактно записано следующим образом: NET = XW.

Рис. 1. Искусственный нейрон
     Сигнал NET далее, как правило, преобразуется  активационной функцией F и дает выходной нейронный сигнал OUT. Активационная функция может быть обычной линейной функцией OUT = K*NET, где К – постоянная, пороговой функции, или же функцией, более точно моделирующей нелинейную передаточную характеристику биологического нейрона и представляющей нейронной сети большие возможности.

Рис. 2.  Искусственный нейрон с активационной функцией
     На  рис. 2 блок, обозначенный F, принимает сигнал NET и выдает сигнал OUT. Если блок F сужает диапазон изменения величины NET так, что при любых значениях NET значения OUT принадлежат некоторому конечному интервалу, то F называется «сжимающей» функцией. В качестве «сжимающей» функции часто используется логистическая или «сигмоидальная» (S-образная) функция. Эта функция математически выражается как F(x) = 1/(1 + е-x). Таким образом,
     OUT=1/(1+e-NET)
     Т.е. из вышесказанного можно понять, что нейрон состоит из элементов трех типов – умножителей, которые играют роль синапсов, сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на коэффициент, характеризующий силу связи (вес синапса). Сумматор складывает сигналы, поступающие по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию выхода сумматора, которая называется функцией активации или передаточной функцией нейрона.
     Обобщив же всю перечисленную информацию, можно сказать, что в процессе функционирования нейронной сети, в ней осуществляется некоторое преобразование информации, в результате которого входной вектор преобразуется в выходной. Конкретный вид выполняемого сетью преобразования данных определяется не только характеристиками составляющих её нейронов, но и особенностями архитектуры – топологией межнейронных связей, выбором подмножеств нейронов для ввода и вывода данных, способами обучения сети, наличием или отсутствием конкуренции между нейронами, направлением и способами управления передачи данных. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети[4].

1.3. Преимущества использования ИНС по сравнению с другими методами прогнозирования

     Нейронные сети все чаще применяются в реальных бизнес приложениях. В некоторых областях, таких как обнаружение фальсификаций и оценка риска, они стали бесспорными лидерами среди используемых методов. Их использование в системах прогнозирования и системах маркетинговых исследований постоянно растет.
     Стоит отметить, что поскольку, экономические, финансовые и социальные системы очень сложны и являются результатом действий и противодействий различных людей, то является очень сложным (если не невозможным) создать полную математическую модель с учетом всех возможных действий и противодействий. Практически невозможно детально аппроксимировать модель, основанную на таких традиционных параметрах, как максимизация полезности или максимизация прибыли.
     В системах подобной сложности является естественным и наиболее эффективным использовать модели, которые напрямую имитируют поведение общества и экономики. А это как раз то, что способна предложить методология нейронных сетей.
     Нейронные сети являются незаменимыми при анализе данных, в частности, для предварительного анализа или отбора, выявления "выпадающих фактов" или грубых ошибок человека, принимающего решения. Целесообразно использовать нейросетевые методы в задачах с неполной или "зашумленной" информацией, особенно в задачах, где решение можно найти интуитивно, и при этом традиционные математические модели не дают желаемого результата.
     Ниже  перечислены области, в которых  эффективность применение нейронных  сетей доказана на практике:
      Для финансовых операций:
        Прогнозирование поведения клиента;
        Прогнозирование и оценка риска предстоящей сделки;
        Прогнозирование возможных мошеннических действий;
        Прогнозирование остатков средств на корреспондентских счетах банка;
        Прогнозирование движения наличности, объемов оборотных средств;
        Прогнозирование экономических параметров и фондовых индексов;
      Для планирования работы предприятия:
        Прогнозирование объемов продаж;
        Прогнозирование загрузки производственных мощностей;
        Прогнозирование спроса на новую продукцию;
      Для бизнес - аналитики и поддержки принятия решений:
        Выявление тенденций, корреляций, типовых образцов и исключений в больших объемах данных;
        Анализ работы филиалов компании;
        Сравнительный анализ конкурирующих фирм;
      Другие приложения:
        Оценка стоимости недвижимости;
        Контроль качества выпускаемой продукции;
        Системы слежения за состоянием оборудования;
        Проектирование и оптимизация сетей связи, сетей электроснабжения;
        Прогнозирование потребления энергии;
        Распознавание рукописных символов, в т.ч. автоматическое распознавание и аутентификация подписи;
        Распознавание и обработка видео и аудио сигналов.
     Нейронные сети могут быть использованы и в  других задачах. Основными предопределяющими  условиями их использования являются наличие «исторических данных», используя которые нейронная  сеть сможет обучиться, а также невозможность  или неэффективность использования других, более формальных, методов.
     Так же методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на нее с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и т.д [5].
     Т.е. мы можем выделить ряд преимуществ нейронной сети при использовании их для построения прогнозных моделей:
    Нелинейность – позволяет устанавливать сложные зависимости выходных данных от входных, что обеспечивает меньшую погрешность прогнозируемых данных, по сравнению с остальными методами;
    Самообучение – сеть обучается на предоставленной ей выборке данных, самостоятельно определяя значимость каждого предоставленного фактора, влияние его на конечный результат;
    Хорошая обобщающая способность;
    Адаптивность – сеть может быть дополнительно обучена при поступлении новых данных, что обеспечивает гибкую подстройку под изменившиеся условия;
    Высокая помехозащищенность – отсутствие части данных ухудшает прогноз, гораздо в меньшей степени, чем для других алгоритмов прогнозирования.
 

2. Нейросетевые программные продукты, используемые для прогнозирования
     2.1. Обзор нейросетевых программных продуктов
     Сегодня разработано большое количество программных продуктов, пригодных  для применения там, где возникает  необходимость использования технологии нейровычислений. Существуют универсальные нейросетевые пакеты, предназначенные для решения любых задач, которые можно решить при помощи нейронных сетей, от распознавания речи и образов до решения задач прогнозирования (Brain Maker Pro, NeuroSolution), но, как показывает практика, такие программные продукты не всегда удобны для решения задач прогнозирования временных рядов. Существует класс нейросетевых программных продуктов, предназначенных исключительно для решения задач прогнозирования временных рядов. Эти продукты ориентированы на финансовых работников - трейдеров, биржевых аналитиков и т.д., часто обладают дружественным графическим интерфейсом, и проектируются таким образом, чтобы человек, имеющий даже поверхностное представление о нейронных сетях, смог быстро их освоить. К таким программным продуктам относятся: Neuro Builder 2001, NeuroShell Day Trader, BioComp Profit, NeuroScalp.
     Наиболее  популярные сегодня в Российской Федерации следующие программные продукты, реализующие нейросетевые подходы к решению задач прогнозирования: Brain Maker Professional, NeuroShell Day Trader, Neuro Builder 2001.
     Пакет Brain Maker Professional, стоимость $850 - предназначен для построения нейронных сетей  обратного распространения. Пакет  включает в себя программу подготовки и анализа исходных данных NetMaker, программу построения, обучения и запуска нейросетей BrainMaker, а также набор утилит широкого назначения. Программный пакет ориентирован на широкий круг задач - от создания прогностических приложений до организации систем распознавания образов и нейросетевой памяти. Значительное количество функций программы ориентировано на специалистов в области исследования нейросетей. Следует отметить, что организация внутреннего представления нейросетевых моделей является “прозрачной” и легко доступной для программного наращивания. В программе BrainMaker предусмотрена система команд для пакетного запуска. Существует интерфейсная программа-функция для включения обученных сетей в программы пользователя. В целом пакет может быть интегрирован в программный комплекс целевого использования.
     Программа BrainMaker предназначена для построения нейросети по некоторым исходным установкам, ее обучение в различных  режимах, модификацию параметров сети. Программа имеет значительное количество контрольных функций для оптимизации процесса обучения. Помимо этого, программа предоставляет ряд методов анализа чувствительности выходов сети к различным вариациям входных данных, при этом формируется подробный отчет, в соответствие с которым можно дополнительно оценить степень функциональной зависимости входных и выходных значений.
     NeuroShell Day Trader v. 3.0, стоимость $2590 - нейросетевая  система, которая учитывает специфические  нужды трейдеров и достаточно  легка в использовании. NeuroShell Trader имеет, как и в других стандартных программах для трейдеров, «графический» пользовательский интерфейс. Возможности графики позволяют отображать данные в виде японских подсвечников (candlestick), в форме open/high/low/close, high/low/close, линейных графиков или гистограмм различных типов. Существует возможность менять цвета, сжимать и растягивать шкалы, прятать и вновь делать видимыми потоки данных. В ежедневной, недельной или месячной временной шкале можное отображать курсы акций, цены товаров (commodities), биржевые индексы (indexes), взаимные фонды (mutual funds), обменые курсы валют (foreign exchange rates) и т.д.
     NeuroShell Trader с легкостью читает стандартные  текстовые файлы open/high/low/close/volume, которые поставляют большинство  соответствующих агентств. В частности, NeuroShell Trader работает с текстовыми файлами, файлами в формате MetaStock (включая версию 6) и файлами данных в формате, используемом программами TradeStation, SuperCharts и Wall Street Analyst, которые Omega Research распространяет на своих компакт-дисках. Зачастую эти данные непосредственно могут быть использованы в качестве входных переменных для нейронной сети.
     В NeuroShell Trader имеется обширная библиотека из более чем 800 технических индикаторов. Помимо стандартных индикаторов, таких как скользящие средние (moving averages), норма изменения (rate-of-change) или стохастические линии (stochastics), NeuroShell Trader дает возможность реализовать собственные индикаторы путем комбинации готовых функций из внушительного списка, в который входят условия «если-то», арифметические операторы, тригонометрические функции и многое другое.
     Однако  одним из основных достоинств рассматриваемого продукта является то, что нейронные  сети являются встроенными, а не являются чем-то привнесенным извне и используемым отдельно. Они присутствуют в меню под рубрикой "Predictions"(Прогнозы) наряду с "Indicators"(Индикаторами) и "Data"(Данными). Мастер прогноза (Prediction Wizard) позволяет выбрать, что пользователь хочет предсказывать. Это могут быть цены закрытия (close), их процентные изменения или иные данные или индикаторы. Существует возможность устанавливать, на сколько дней вперед делать предсказания.
     Neuro Builder 2001 Advanced, цена $3500 - продукт, принадлежащий  к категории наукоемких, высокотехнологичных, узкопрофессиональных инструментов. Это 32-битное приложение, работающее под управлением ОС Windows 95/98/NT 4.0. В своей категории - специализированные программы для финансовых аналитиков - Neuro Builder 2001 занимает пограничное положение между серийными программами и заказными системами. Она может быть использована как самостоятельный продукт, может выступать составной частью сложного аналитического комплекса. Ниже перечислены семь главных отличительных характеристик программы Neuro Builder 2001:
     а) приложение, созданное специально для решения задач прогнозирования на финансовых рынках;
     б) приложение, позволяющее использовать нейросети в повседневной работе так же просто, как и привычные  для трейдеров инструменты - программы  технического анализа и электронные таблицы;
     в) приложение, позволяющее пользователю использовать навыки, приобретенные  при работе с Microsoft Office - технологичность  и регулярность, которые обеспечиваются автоматизацией работы программы по разработанным пользователем сценариям  и оформление отчетов программой по созданным им шаблонам;
     г) единственный на сегодняшний день серийно  выпускаемый программный продукт, содержащий модуль исследования данных до определения архитектуры нейросети - Best Builder, позволяющий автоматизировать определение входного вектора параметров задачи с учетом влияния каждого параметра входного вектора на предполагаемый результат;
     д) не является «черным ящиком»; подробная  документация содержит описание всех структур и файлов, включая временные  файлы. Все файлы с данными системы хранятся только в двух форматах - текстовый и EXCEL;
     е) продукт, не зависящий от источника  данных; в состав программы входит модуль Data Builder Light, позволяющий преобразовывать  финансовые данные из множества популярных форматов, в формат данных программы Neuro Builder 2001 и исправлять ошибки в данных параллельно с их преобразованием;
     ж) позволяет использовать найденные  решения неоднократно; данные для  конкретной задачи всегда формируются  на этапе ее решения через запрос к базе данных и сразу уничтожаются после получения результата; между сеансами работы хранится только описание способа получения данных из локальной базы;
     з) реализована в виде множества  независимых модулей, взаимодействующих  в рамках комплекса по документированным  интерфейсам; каждый из программных модулей оформлен в виде выполняемой программы (EXE) и отвечает за решение одной из конкретных подзадач в составе общей задачи прогнозирования на финансовых рынках; каждый из модулей в состоянии работать как в составе комплекса программы Neuro Builder 2001, так и совместно с любыми другими программами, поддерживающими его интерфейс.
     Технология  применения программы Neuro Builder 2001 ориентирована  на регулярность получения результатов  и экономию рабочего времени аналитика. Так программа Neuro Builder 2001 обеспечивает минимальный период прогнозирования, соответствующий одним суткам. В конце торгового дня в базу данных программы заносятся цены завершившегося дня, и программа запускается на обработку новых данных по заранее подготовленному сценарию. Контроль оператора в процессе счета не требуется. В начале следующего торгового дня по результатам обсчета уже можно получить прогноз цен закрытия этого дня. Таким образом, основное время работы программы приходится на ночь, и задача - прогноз на день вперед - решена. Участие пользователя состоит в подготовке корректных сценариев для работы программы и обеспечении бесперебойной подачи питания компьютеру, на котором запущена программа.
     Другие  программные продукты, реализующие  нейросетевые принципы, менее известны и не получили большого распространения. Таким образом, можно заключить, что типичный программный продукт  российского рынка нейросетевых программ, предназначенный исключительно для прогнозирования финансовых рынков, оценивается производителями примерно в $2000-$3000. Указанная цена по российским меркам достаточно высока (учитывая заработную плату в среднем по территории Российской Федерации), однако, относительно потенциальных прибылей, которые можно получить с использованием рассмотренных программных продуктов при торговле на финансовых рынках, это очень незначительная сумма [6].
     2.2. Место России на рынке нейросетевых приложений.
     Несмотря  на то, что финансовый рынок в  России еще не стабилизирован и, рассуждая с математической точки зрения, его модель меняется, что связано с одной стороны с ожиданием постепенного сворачивания рынка ценных бумаг и увеличения доли фондового рынка, связанного с потоком инвестиций как отечественного, так и зарубежного капитала, а с другой - с нестабильностью политического курса, все-таки можно заметить появление фирм, нуждающихся в использовании статистических методов, отличных от традиционных, а также появление на рынке программных продуктов и вычислительной техники нейропакетов для эмуляции нейронных сетей на компьютерах серии IBM и даже специализированных нейроплат на базе заказных нейрочипов. В частности, в России уже успешно функционирует один из первых мощных нейрокомпьютеров для финансового применения - CNAPS PC/128 на базе 4-х нейроБИС фирмы Alaptive Solutions. По данным фирмы <Тора-центр> в число организаций, использующих нейронные сети для решения своих задач, уже вошли - Центробанк, МЧС, Налоговая Инспекция, более 30 банков и более 60 финансовых компаний. Некоторые из этих организаций уже опубликовали результаты своей деятельности в области использования нейрокомпьютинга.
     Положение России на рынке нейросетевых технологий весьма нестабильное, потому что создание таких программных продуктов довольно таки медленное и большинство этих программ ориентированы на узкую предметную область. В нашей стране большую популярность получили зарубежные разработки, так как они очень давно находятся на рынке и получили мировое признание. Но все-таки среди отечественных разработок следует отметить разработки кафедры нейрокибернетики Красноярского университета, системы распознавания образов НИИ нейрокибернетики Ростовского университета и Института прикладной физики в Нижнем Новгороде. Особенно хочется подчеркнуть, что пакет Neuro Builder 2001, описанный выше, разработан отечественной фирмой «РосБизнесКонсалтинг» пользуется все большей и большей популярностью.
     Конечно, следует отметить программное средство «Deductor» от компании BaseGroup. Программа «Deductor»,  предназначена для всестороннего анализа данных [7]. Значительным преимуществом этой программы служит то, что можно скачать бесплатную версию программы, что для меня значительно облегчит прогнозирование остатков денежных средств на корреспондентских счетах банка с помощью нейронных сетей. Бесплатная версия программы (версия Academic) функционально не сильно ограничена, в основном ограничения состоят в возможности импорта и экспорта данных. Минусом программного продукта можно назвать то, что там приведено всего два алгоритма обучения нейронных сетей, однако этого хватает для того, чтобы построить хорошую нейронную сеть для анализа данных.
 

     
3. Применение BaseGroup Deductor для прогнозирования остатков денежных средств на корреспондентских счетах банка
3.1. Примеры успешного применения ИНС для прогнозирования в бизнесе, экономике
       Характерный пример успешного  применения нейронных вычислений  в финансовой сфере - управление кредитными рисками. Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика, чтобы оценить вероятность собственных убытков от несвоевременного возврата финансовых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторов. Один широко известный банк США опробовал метод нейронных вычислений и пришел к выводу, что та же задача по уже проделанным расчетам подобного рода решается быстрее и точнее. Например, в одном из случаев оценки 100 тыс. банковских счетов новая система, построенная на базе нейронных вычислений, определила свыше 90% потенциальных неплательщиков.
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.