МОДЕЛИ НЕЙРОННОГО ПРОГНОЗИРОВАНИЯ В ЦИФРОВОЙ ЭКОНОМИКЕ
Год написания 2022 года
Цифровая экономика набирает огромную популярность в современном мире. Практически нет ни одной страны, которая бы не развивала в своём государстве данное направление. Разумеется, речь идёт о развивающихся странах, потому что внедрение элементов цифровой экономики требует колоссальных материальных вложений и достаточно широкой информационной базы.
В современном мире очень важно владеть информацией, так как практически каждую секунду происходят важные события. Человек в двадцать первом веке считает себя обязанным быть в курсе всего происходящего. Возьмём, к примеру, social media, если не зайти на один день в социальные сети, то пользователя на следующий день ждёт целый том новых событий. Даже из этого следует, что мир стал намного быстрее, он развивается теперь с каждой секундой. Государства, в которых неразвит Интернет, к сожалению, отстают от тех стран, что составляют глобальные стратегии развития страны на основе цифровой экономики. Сейчас цифровизация задействована практически во всех направлениях человеческой деятельности. Возьмем сферу образования: в школах, колледжах, университетах учащиеся пользуются Сетью для поиска, также достаточно динамично развивается и онлайн-обучение: многие университеты переносят лекции на дистанционный формат. Кроме данного направления, цифровизация наблюдается в науке, медицине, строительстве, рекламе и во многих других областях.
В настоящее время для предприятий критически важно определить свою рыночную нишу, т.е. тот социально-экономический слой людей, который наиболее заинтересован в использовании товара или услуги предприятия.
Однако указанная выше задача является нетривиальной по целому ряду причин: 1) отсутствие объективной информации о предпочтениях потребителя; 2) сложность выделения вариативных показателей разделения клиентов по группам; 3) нелинейность зависимости между показателями.
Таким образом, использование традиционных методов анализа и моделирования не всегда является эффективной стратегией. Отсюда возникает сложность и неоднозначность принимаемых маркетологами решений, а также возникающий скептицизм по отношению строгих математических выкладок, которыми часто пользуются экономисты при проведении финансового анализа [1]. При этом задача прогнозирования экономического эффекта в результате принятия того или иного решения – одна из наиболее важных.
Искусственный интеллект (ИИ, artificial intelligence) в определении Ассоциации развития искусственного интеллекта (Association for the Advancement of Artificial Intelligence, AAAI) – это «научное понимание механизмов, лежащих в основе мышления и интеллектуального поведения иих воплощение в машинах» [1]. ИИ определяется также как «софт верные системы, обеспечивающие вычислительные возможности компьютера или робота, равные или превышающие человеческие по точности, емкости и скорости [2]. Технологии ИИ, строятся на функционировании компьютерно-базирующихся искусственных нейронных сетей, обучающихся решению задач на основе анализа больших массивов данных. Это сети «нейронов» (вычислительных элементов, «процессоров»), преобразующих входные сигналы сети в выходные сигналы сети как решения некоторой задачи, –распознавания и генерирования объектов (образов, текстов, звука, событий и других). ИИ – значимый фактор функционирования экономики эпохи цифровой глобализации, обозначившейся, по данным компании глобального управленческого консультирования McKinsey, в 2014 г. и характеризующейся замещением трансграничных потоков товаров, финансов и услуг быстрорастущими цифровыми потоками [3]. McKinsey оценивает рост объёма потока данных в мире в период с 2005 по 2014 г. как 45-кратный. ИИ обеспечивают анализ, обработку и использование информации огромных и быстрорастущих информационных потоков в интересах частных лиц, групп, организаций, – в т.ч. бизнеса, корпораций, правительств, стран и других. Системы ИИ находят сегодня применение практически во всех отраслях экономики эпохи цифровой глобализации и в ближайшие годы уже все программные приложения будут содержать технологии ИИ.
По данным исследования компании Linkedin, образование, – вторая отрасль по востребованности навыков кандидатов в области разработки и использования систем ИИ после сферы программного обеспечения и ИТ услуг. Далее по степени убывания востребованности навыков ИИ следуют такие сферы как «аппаратные средства и сетевое оборудование», финансы, промышленное производство, потребительские товары, здравоохранение [4]. ИИ-навыки, – навыки, необходимые для создания ИИ-технологий, включая компетенции создания нейросетей, глубокое обучение и машинное обучение, а также использование существующих систем ИИ.
Целью данной работы является рассмотрение инструментария, позволяющего повысить качество прогнозирования финансово- экономических показателей и, соответственно, уменьшить риски при продвижении товаров и услуг.
ОГЛАВЛЕНИЕ
ГЛАВА 1. ТЕХНОЛОГИИ БЛОКЧЕЙН. 5
1.1 Основные понятия пиринговых сетей. 5
1.2 Особенности рынка криптовалют. 11
1.3 Биткоин и его оценка на крипторынке. 18
ГЛАВА 2. ПРОГНОЗИРОВАНИЕ РЫНКА КРИПТОВАЛЮТ С ПОМОЩЬЮ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.. 30
2.1. Архитектура нейронных сетей для задач прогнозирования. 30
2.2. Программирование нейронных сетей с помощью библиотек Python. 42
2.3 Программная модель прогнозирования рынка криптовалют. 54
1. Абдуллин А.Р., Фаррахетдинова А.Р. Гипотеза эффективности рынка в свете теории финансов // Электронный научный журнал «Управление экономическими системами». - 2015. - №76.
2. Андриенко В.М. Идентификация модели динамики украинского фондового индекса ПФТС. Технологический аудит и резервы производства. 2012. №4 (8). Т. 6. С. 3-4.
3. Берзон Н.И., Аршавский А.Ю., Буянова Е.А., А.С. Красильников Фондовый рынок: учеб. пособие для вузов экон. профиля. - 4 изд. - М.: Вита-Пресс, 2009.
4. Воронов И.В., Политов Е.А., Ефременко В.М. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / Вестн. КузГТУ. 2006, №6.
5. Воронов И.В., Политов Е.А., Ефременко В.М. Обзор типов искусственных нейронных сетей и методов их обучения // Вестник Кузбасского государственного технического университета. - 2007. - №3.
6. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - Харьков: Основа, 1997.
7. Гельман С.В., Шпренгер К. Сколько должны стоить финансовые активы? Нобелевские премии по экономике 2013 г. // Экономический Журнал ВШЭ. -2014. - №1. С. 161-172. URL:http://library.hse.ru/e-resources/HSE_economic_journal/articles/ - 18_01_07.pdf (дата обращения: 15.12.2014).
8. Головачев С.С. Использование искусственных нейронных сетей для прогнозирования американского фондового рынка в период кризиса // Управление экономическими системами: электроннный научный журнал. - 2012. - №47.
9. Головачев С.С. Прогнозирование доходности на фондовом и валютном рынках на основе моделей искусственных нейронных сетей: дис…. канд. экон. наук: 08.00.10. - М., 2014.
10. Горбань А.Н. Обучение нейронных сетей. - М.: СП «Параграф», 1990
11. Деришева О., Федоров А. RTS start - стартовая площадка РТС для Российских компаний малой и средней капитализации // «Компания и эмитент» No12 (2007)
12. Документация c# // msdn.microsoft.com URL: https://msdn.microsoft.com/ru-ru/library/documentformat.openxml.openxmlelement.aspx (дата обращения: 10.05.2016).
13. Евстигнеев В.Р. Прогнозирование доходности на рынке акций. - М.: Маросейка, 2009.
14. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. - М.: МИФИ, 1998
15. Ефремова Е.А., Дунаев Е.В. Применение нейронных сетей для прогнозирования финансовых временных рядов. // Доклады ТУРСУРа, 2004.
16. Круглов В.В., Борисов В.В. Искусственные нейронные сети: Теория и практика. М.: Горячая линия - Телеком, 2002
17. Лесик И.А. Решение задачи прогнозирования с использованием нейронных сетей прямого распространения на примере построения прогноза роста курса акций // Программные продукты и системы. - 2015. - №2.
18. Маккаллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной деятельности. Автоматы. М.: ИЛ, 1956.
19. Минский М.Л., Пейперт С. Персептроны. - М. Мир. - 1971
20. Мицель А.А., Ефремова Е.А. Прогнозирование динамики цен на фондовом рынке // Известия Томского политехнического университета. - 2006. - №8.
21. Монид С.Е. Сравнительный анализ методов выбора информативных признаков // Знания-Онтологии-Теории (ЗОНТ-09). - Новосибирск: Изд. ИМ СО РАН, 2009.
22. Никульчев Е.В., Волович М.Е. Модели хаоса для процессов изменения курса акций. // «Exponenta pro. Математика в приложениях», No1 (1), 2003, с. 47 - 51.
23. Павлова А.И., Лончакова О.Ю. Сравнительный анализ применения нейронных сетей для аппроксимации функций // Science Time. - 2015. - №5.
24. Панфилов П.Н. Введение в нейронные сети // Современный трейдинг. - 2001
25. Подвальный Е.С., Маслобойщиков Е.В. Особенности использования нейросетевого прогнозирования финансовых временных рядов // Вестник Воронежского государственного технического университета. - 2011. - №10.
26. Политов Е.А., Воронов И.В., Ефременко В.М. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия / Вестн. КузГТУ. 2006, №6.
27. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. - М.: Мир, 1965
28. Рубцов Б.Б. Мировые рынки ценных бумаг. - М.: «Издательство «Экзамен», 2002.
29. Саиян С.А., Лезина И.В. Использование нейронных сетей на основе многослойного персептрона для прогнозирования статистических данных на примере погоды // Актуальные проблемы авиации и космонавтики. - 2013. - №9.
30. Скороходов А.В., Тунгусова А.В. Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2011. - №24.
31. Сорос Дж. Рынок: рациональные оценки и заблуждения // Знание - сила. 1990. №8.
32. Теплова Т.В. Инвестиции: учебник: [по направлению 080100 «Экономика»] Учебники НИУ ВШЭ / Высш. шк. экономики-нац. исслед. ун-т. - 4 изд. - М.: Юрайт, 2011.
33. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Лаборатотория искусственных нейронных сетей НТО-2, ВНИИТФ, Снежинск; URL: http://alife.narod.ru/lectures/neural/Neu_index.htm (дата обращения: 15.05.2016).
34. Уменьшение размерности в данных. Метод главных компонент. // courses.graphicon.ru URL: courses.graphicon.ru/files/courses/smisa/2009/lectures/lecture12.pdf (дата обращения: 03.05.2016).
35. Филатова Т.В., Дунаева А.И., Удачин Н.О. Фондовый рынок и его роль в финансировании экономики РФ // Интернет-журнал Науковедение. - 2014. - №3.
36. Хайкин С. Нейронные сети: полный курс. - 2 изд. - М.: Издательский дом Вильямс, 2006.
37. Хакен Г. Принципы работы головного мозга. Синергетический подход к активности мозга, поведению и когнитивной деятельности. М.: Per Se, 2001.
38. Шарп У.Ф., Александер Г.Дж., Бэйли Д.В. Инвестиции: [пер. с англ.]. - М.: ИНФРА-М, 2009.
39. Шилдт Г. Полный справочник по С#. - М.: Издательский дом «Вильямс», 2004.
40. Шиян Д., Гутуров А. Отдельные проблемы прогнозирования курсов акций с учетом периодической компоненты // Рынок ценных бумаг. 2007. №3. С. 77-80.
41. Щеголькова Д.В., Орешкина Е.И., Липинский Л.В. О подходах к выбору структуры нейронной сети на примере многослойного персептрона // Актуальные проблемы авиации и космонавтики. - 2014. - №10.
