Содержание

Введение

1. Классификация методов прогнозирования

2. "Мягкие" вычисления. Нейронные сети и нечеткая логика

3. Выбор метода прогнозирования

4. Используемые методы

5. Научное прогнозирование и бизнес

Заключение

Список литературы

Введение

Сегодня разрабатываются методы прогнозирования, использующие положения теории хаоса и фракталов. В отличие от "мягких" алгоритмов, они пока мало проработаны как с теоретической точки зрения, так и в плане практической реализации. Отдельные моменты иногда применяются при анализе финансовых рынков - трейдеры, как правило, первыми испытывают все новые методы прогнозирования. Потенциальная практическая значимость этих исследований не вызывает сомнений. В результате могут быть получены методы довольно точного прогнозирования резких и внезапных изменений - например, экономических кризисов, скачкообразной динамики спроса, банкротств...

Историческая логика развития методов прогнозирования отражает рост информационной насыщенности, возрастающую взаимозависимость различных объектов и сложность их поведения. Новые методы появляются в области сложных комбинированных подходов, использующих элементы искусственного интеллекта, обучения и развития. Учитывая тот факт, что в последнее время в рамках отдельных концепций разработано множество алгоритмов для специфических задач и частных случаев, можно предположить, что будут развиваться не столько методы прогнозирования, сколько методология в целом.

1. Классификация методов прогнозирования

Чтобы получить общее представление о методах прогнозирования, необходимо для начала классифицировать эти методы. Их принято разделять на количественные и качественные.

Методы различаются:

по горизонту прогноза: краткосрочные (как правило, в пределах года или нескольких месяцев), среднесрочные (несколько лет) и долгосрочные (более пяти лет);

по типу прогнозирования: эвристические (использующие субъективные данные, оценки и мнения), поисковые (в свою очередь делятся на экстраполятивные, проецирующие прошлые тенденции в будущее, и альтернативные, учитывающие возможности скачкообразной динамики явлений и различные варианты их развития) и нормативные (оценка тенденций проводится исходя из заранее установленных целей и задач);

по степени вероятности событий: вариантные (подразумевают вероятностный характер будущего и предлагают несколько сценариев развития событий) и инвариантные (предполагается единственный сценарий);

по способу представления результатов: точечные (прогнозируется точное значение показателя) и интервальные (прогнозируется диапазон наиболее вероятных значений);

по степени однородности: простые и комплексные (сочетают в себе несколько взаимосвязанных простых методов);

по характеру базовой информации: фактографические (основываются на имеющейся информации о динамике развития явления или объекта, бывают статистическими и опережающими), экспертные (индивидуальные и коллективные, в зависимости от числа экспертов) и комбинированные (использующие разнородную информацию).

2. "Мягкие" вычисления. Нейронные сети и нечеткая логика

Рассмотрим некоторые методы "мягких" вычислений, не получившие пока широкого распространения в бизнесе. Алгоритмы и параметры этих методов значительно меньше детерминированы по сравнению с традиционными. Появление концепций "мягких" вычислений было вызвано попытками упрощенного моделирования интеллектуальных и природных процессов, которые во многом носят случайный характер.

Нейронные сети используют современное представление о строении и функционировании мозга. Считается, что мозг состоит из простых элементов - нейронов, соединенных между собой синапсами, через которые они обмениваются сигналами.

Основное преимущество нейронных сетей заключается в способности обучаться на примерах. В большинстве случаев обучение представляет собой процесс изменения весовых коэффициентов синапсов по определенному алгоритму. При этом, как правило, требуется много примеров и много циклов обучения. Здесь можно провести аналогию с рефлексами собаки Павлова, у которой слюноотделение по звонку тоже начало появляться не сразу. Отметим лишь, что самые сложные модели нейронных сетей на много порядков проще мозга собаки; и циклов обучения нужно значительно больше.

Применение нейронных сетей оправдано тогда, когда невозможно построить точную математическую модель исследуемого объекта или явления. Например, продажи в декабре, как правило, больше, чем в ноябре, но нет формулы, по которой можно посчитать, насколько они будут больше в этом году; для прогнозирования объема продаж можно обучить нейронную сеть на примерах предыдущих лет.

Среди недостатков нейронных сетей можно назвать: длительное время обучения, склонность к подстройке под обучающие данные и снижение обобщающих способностей с ростом времени обучения. Кроме того, невозможно объяснить, каким образом сеть приходит к тому или иному решению задачи, то есть нейронные сети являются системами категории "черный ящик", потому что функции нейронов и веса синапсов не имеют реальной интерпретации. Тем не менее, существует масса нейросетевых алгоритмов, в которых эти и другие недостатки так или иначе нивелированы.

В прогнозировании нейронные сети используются чаще всего по простейшей схеме: в качестве входных данных в сеть подается предварительно обработанная информация о значениях прогнозируемого параметра за несколько предыдущих периодов, на выходе сеть выдает прогноз на следующие периоды - как в вышеупомянутом примере с продажами. Существуют и менее тривиальные способы получения прогноза; нейронные сети - очень гибкий инструмент, поэтому существует множество конечных моделей самих сетей и вариантов их применения.

Еще один метод - генетические алгоритмы. В их основе лежит направленный случайный поиск, то есть попытка моделирования эволюционных процессов в природе. В базовом варианте генетические алгоритмы работают так:

1. Решение задачи представляется в виде хромосомы.

2. Создается случайный набор хромосом - это изначальное поколение решений.

3. Они обрабатываются специальными операторами репродукции и мутации.

--> ЧИТАТЬ ПОЛНОСТЬЮ <--