Задать вопрос юристу
 <<
>>

Сравнительный анализ традиционных методов прогнозирования с ИНС

Как мы выяснили, традиционные методы прогнозирования при построении модели опираются на данные прошлых наблюдений, а затем используют найденную модель для экстраполяции значений интересующей переменной в будущее.

Это предполагаемое значение и используется как прогноз, на основании которого затем строится план мероприятий. В таких моделях изначально предполагается, что поведение исследуемой системы в будущем будет точно таким же, как и в прошлом, за исключением тех переменных, которые специально выделяются в модели.

Иногда в традиционных моделях делаются предположения о распределении совокупности значений, которые могут проверяться или не проверяться. Например, в случае интервальной оценки с использованием регрессионной модели предполагается, что генеральная совокупность в основном соответствует нормальному распределению.

Какие же существуют различия при решении задач прогнозирования между нейронными сетями и традиционными (статистическими) методами прогнозирования? При построении нейронной сети в компьютере создается множество моделей, охватывающих полный набор прошлых взаимоотношений между всеми переменными, способными повлиять на результирующие значения зависимых переменных. Программная реализация нейронной сети ассимилирует эти модели и предпринимает попытку установить существующие взаимосвязи, «изучая» то, как они изменялись до этого. Этот процесс изучения, называемый также обучением, напоминает практическое обучение человека той или иной работе.

Некоторые исследователи в области прогнозирования отметили сходство между принципами функционирования нейронных сетей и традиционными методами прогнозирования, в которых предпринимается попытка найти величины, необходимые для успешного предсказания зависимой переменной. Теоретическое преимущество использования нейронной сети как инструмента прогнозирования состоит в том, что здесь не нужно заблаговременно устанавливать взаимоотношения между величинами, поскольку метод предусматривает изучение существующих взаимосвязей на готовых моделях. Для нейронных сетей также не требуются никакие предположения относительно основного распределения совокупности, и в отличие от многих традиционных методов они могут работать с неполными данными.

Достижение успеха в применении нейронной сети иногда называют полной совместимостью. Это означает, что программа нейронной сети быстро и без затруднений замещает существующую модель, например регрессионный анализ, не нарушая работы организации. Повышение эффективности, как и достижение большей точности прогнозов, иногда может быть достигнуто с минимальным вмешательством в текущее управление. Нейронные сети особенно эффективны в тех случаях, когда исходные данные сильно коррелируют либо неполны или рассматриваемой системе свойственна высокая степень нелинейности54.

Как отмечают А.А. Ежов и С.А. Шумский в курсе лекций по использованию нейросетей в экономике и бизнесе55, «области приложения нейрокомпьютинга подчас сильно пересекаются или почти совпадают со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейрокомпьютинга чрезвычайно многообразны и свидетельствуют о его универсальности».

Далее авторы утверждают, что «поскольку в настоящее время нейронные сети с успехом используются для анализа данных, уместно сопоставить их со старыми хорошо разработанными статистическими методами.

В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются ничем иным, как неэффективными регрессионными и дискриминантными моделями. Многослойные нейронные сети действительно могут решать задачи типа регрессии и классификации. Однако, во- первых, обработка данных нейронными сетями носит значительно более многообразный характер — вспомним, например, активную классификацию сетями Хопфилда или карты признаков Кохонена, не имеющие статистических аналогов. Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами».

Рассмотрим подробнее результаты сравнения методов нейросетей и математической статистики. Как уже отмечалось, некоторые статистики утверждают, что нейросетевые подходы к обработке данных являются просто заново переоткрытыми и переформулированными, но хорошо известными статистическими методами анализа. Иными словами, нейрокомпьютинг просто пользуется новым языком для описания старого знания. Формализм нейронных сетей, действительно, способен претендовать на роль универсального языка.

Предположим, что мы провели наблюдения и экспериментально измерили N пар точек, представляющих функциональную зависимость y(x): {(хг, у), ..., (xn, yn)}. Если попытаться провести через эти точки наилучшую прямую, что на языке статистики будет означать использование для описания неизвестной зависимости линейной модели у = ax + b + є, где є обозначает шум при проведении наблюдения, то решение соответствующей проблемы линейной регрессии сведется к нахождению оценочных значений параметров а, Ь, минимизирующих сумму квадратичных невязок

Е[ Ук -(axk +b)].

к=1

Если параметры а и b найдены, то можно оценить значение у для любого значения х, т.е. выполнить интерполяцию и экстраполяцию данных.

Та же самая задача может быть решена с использованием однослойной сети с единственным входным и единственным линейным выходным нейроном (рис. 5.14). Вес связи а и порог b могут быть получены минимизацией той же величины невязки (в данном случае она называется среднеквадратичной ошибкой) в ходе обучения сети, например методом backpropagation. Свойство нейронной сети к обобщению будет при этом использоваться для предсказания выходной величины по значению входа.

При сравнении этих двух подходов видно, что при описании своих методов статистика апеллирует к формулам и уравнениям, а парадигма ИНС — к графическому описанию нейронных архитектур.

a

Рис. 5.14. Линейная регрессия и реализующий ее однослойный персептрон

Если вспомнить, что с формулами и уравнениями оперирует левое полушарие мозга, а правое — с графическими образами, то можно понять, что в сопоставлении со статистикой вновь проявляется своего рода «правополушарность» нейросетевого подхода.

Еще одним существенным различием является то, что для методов статистики не имеет значения, каким образом будет минимизироваться невязка; в любом случае модель остается той же самой, в то время как для ИНС главную роль играет именно метод обучения. Иными словами, в отличие от нейросетевого подхода оценка параметров модели для статистических методов не зависит от метода минимизации. В то же время статистики будут рассматривать изменения вида отклонения, например на

N

X\Ук - {axk + Ь)|, как фундаментальное изменение модели.

к=1

В отличие от нейросетевого подхода, в котором основное время забирает обучение сетей, при традиционном статистическом подходе это время тратится на тщательный анализ задачи. При этом опыт статистиков используется для выбора модели на основе анализа данных и информации, специфичной для данной области. Использование нейронных сетей — этих универсальных аппроксиматоров — обычно проводится без использования априорных знаний, хотя в ряде случаев оно весьма полезно. Например, для рассматриваемой линейной модели использование именно среднеквадратичной ошибки ведет к получению оптимальной оценки ее параметров, когда величина шума є имеет нормальное распределение с одинаковой дисперсией для всех обучающих пар. В то же время если известно, что эти дисперсии различны, то использование взвешенной функ-

N ?

ции ошибки X ск [Ук - (axk + b)] может дать значительно луч-

к=1

шие значения параметров.

Помимо рассмотренной простейшей модели можно привести примеры других, в некотором смысле эквивалентных, моделей статистики и нейросетевых парадигм.

В настоящее время в статистическом сообществе растет интерес к нейронным сетям как с теоретической, так и с практической точек зрения. Это проявляется, в частности, во включении нейросетевых средств в такие стандартные статистические пакеты, как SAS и SPSS, STATISTICA.

Отвечая на вопрос о том, что же все-таки лучше — классические статистические методы или искусственные нейронные сети, сделаем заключение, что все зависит от ситуации. Иногда, особенно если априорная информация о данных отсутствует, разумнее использовать нейронные сети. Такой выбор часто дает быстрое и качественное решение задачи, как правило, не худшее, чем получаемое статистическими методами после тщательного изучения структуры данных.

Иногда высказывают мнение, что статистические методы предназначены для профессионалов, поскольку их использование требует основательной теоретической подготовки. В то же время нейронные сети — это инструмент любителей, который можно быстро освоить и применять. Как бы то ни было разработка нейросетевой системы анализа данных, действительно, может быть осуществлена за значительно более короткое время (порядка нескольких месяцев), нежели создание аналогичной системы статистического анализа (требующее годы).

При наличии дополнительных знаний о характере задачи статистические данные могут оказаться предпочтительнее. При сравнительном анализе возможностей нейронных сетей и статистических методов надо быть достаточно осторожными, поскольку иногда весьма сложные нейросетевые подходы сопоставляются с простыми статистическими моделями, или наоборот. Существует мнение, что одинаково мощные статистические и нейросетевые подходы дают результаты, одинаковые по точности и по затратам.

Тем не менее примеры решения действительно важных прикладных задач могут дать представление о возможностях того

или иного подхода. Среди так или иначе конкурирующих парадигм (а нейронные сети и статистика имеют общую часть специалистов в области анализа данных и прогнозирования), как правило, побеждает не более обоснованная и надежная, а та, что согласно Имре Лакатосу ставит новые задачи для исследования. Теория и методология ИНС — гораздо более молодая отрасль знания, нежели статистика, и, кроме того, сфера теории нейронных сетей гораздо шире анализа данных. Она включает в себя не только анализ данных в чистом виде, но и моделирование деятельности мозга, а также разработку нейроэмуляторов (аппаратно-программных комплексов).

Конструктивный взгляд на взаимоотношение нейронных сетей и статистических методов заключается в том, что в общем случае они должны помогать друг другу и обогащать друг друга. Кристоф и Пьер Кувре назвали такой процесс «перекрестным опылением».

Джон Такер провел тщательное сравнительное исследование использования логистической регрессии и нейронных сетей и определил следующее их принципиальное различие, которое сохраняет свое значение и при общем сопоставлении статистики и нейрокомпьютинга. В то время как статистические методы фокусируются на оптимальном методе выбора переменных, нейросети ставят во главу угла предобработку этих переменных. Если нейронная сеть представляет собой многослойный персеп- трон, то функцией скрытых слоев и является такая последовательная предобработка данных. Вследствие этого нейронные сети занимают уникальное место среди методов обработки данных, превосходя их в универсальности и сложности, оставаясь при этом методом, малочувствительным к форме данных как таковых. Главный практический вывод, который может сделать исследователь, сводится к фразе, уже ставшей афоризмом: «Если ничего не помогает, попробуйте нейронные сети».

При прогнозировании важнейшим является вопрос о качестве прогноза. Он обычно сводится к расчету допустимой средней ошибки и коэффициента корреляции. В большинстве случаев нейросеть дает более качественный результат по сравнению с известными статистическими моделями анализа, такими, как модели AR, MA, ARMA, ARIMA и др. При этом вести такое сравнение достаточно сложно. Нейронные сети способны работать с противоречивыми и неполными данными, пытаясь дать точные прогнозы цен и индикаторов на определенный интервал времени. Статистический же анализ просто интерпретирует текущее состояние цен и индикаторов в соответствии с некоторыми априорными моделями. Однако нейронные сети — это не волшебная палочка, и человеку думать все равно нужно, потому что качество прогнозов определяется прежде всего уровнем профессионализма пользователя.

Результаты проведенного анализа методов прогнозирования поместим в табл. 5.1, где каждому методу прогнозирования (графа 2) поставим в соответствие определенное число классов решаемых задач.

Степень сложности прогнозируемой системы (графа 3): 1.

Сверхпростые системы (взаимосвязи между переменными отсутствуют). 2.

Простые системы (отсутствуют существенные связи между переменными). 3.

Сложные системы (для адекватного моделирования таких систем необходимо учитывать существенные взаимосвязи между несколькими переменными или группами параметров). 4.

Сверхсложные системы (такие системы, в которых необходимо учитывать взаимосвязи всех переменных).

Детерминированность системы (графа 4): 1.

Детерминированные системы (случайная составляющая отсутствует или ею можно пренебречь). 2.

Стохастические системы (при моделировании таких систем необходим учет случайной составляющей в соответствии с требованиями точности и задачей прогноза). 3.

Смешанные системы (детерминированно-стохастические).

Характер развития во времени (графа 5): 1.

Дискретные случайные системы (системы, в изменении состояния которых отсутствует регулярная составляющая или процесс случаен). 2.

Апериодические системы (имеется апериодическая регулярная составляющая — тренд). 3.

Циклические системы (имеется периодическая регулярная составляющая — тренд и сезонность).

Потребность в информации (графа 6): 1.

Полное обеспечение количественной информацией по всем параметрам и предыдущим состояниям (системы, для которых имеется достаточно ретроспективной информации, обес печивающей реализацию прогноза по формальным стохастическим методикам с заданной точностью и на заданное время). 2.

Частичное отсутствие количественной информации (системы, в которых недостаточно ретроспективной информации для реализации прогноза по формальным стохастическим методикам невозможно построить адекватную модель). 3.

Обеспечение только качественной информацией (системы с известной структурой и характером зависимостей прогнозируемых параметров).

Подобная типологизация методов экономического прогнозирования рассматривается в работе Д.Э. Ханка, Д.У. Уичерна, А.Дж. Райтса, где в качестве признаков выделены: 1) модель данных (стационарные, трендовые, сезонные, циклические); 2)

отдаленность прогноза во времени (краткий, средний, большой периоды); 3) тип модели (временной ряд, каузальная) и др.

Таблица 5.1

Сравнительный анализ методов социально-экономического прогнозирования №

п/п Метод прогнозирования Сложность

прогно

зируемой

системы Детермини

рованность

системы Характер развития во времени Потребность в информации 1 2 3 4 5 6 1 Парная

регрессия 2 2 2, 3 1, 2 2 Множественная регрессия 4

СО

2, 2 2, 3 1, 2 3 Экстраполя

ция 1, 2, 3 1, 2 2, 3 1, 2 4 Много

факторные

модели 4

СО

2, 1, 2, 3 2, 3 1, 2 5 Морфоло

гический

анализ 1, 2, 3 1, 2 1, 2, 3 1, 2, 3 6 Метод

«Дельфи» 4

3,

CN 1, 2, 3 1, 2, 3 2 7 Метод сценариев 4

3,

CN 1 1, 2 1, 2, 3 Окончание табл. 5.1 №

п/п Метод прогнозирования Сложность

прогно

зируемой

системы Детермини

рованность

системы Характер развития во времени Потребность в информации 1 2 3 4 5 6 8 Метод коллективного опроса 4

3,

CN 1, 2, 3 2, 3 2, 3 9 Адаптивные

методы 4

3,

CN 2, 3 2, 3 1, 2, 3 10 Искусственные нейросети 4

3,

CN 1, 2, 3 1, 2, 3 1, 2, 3 11 Подгонка

полиномами 1, 2 1 2, 3 1 12 Метод

огибающей

кривой 1, 2 1, 2 1, 2 1 Контрольные вопросы и задания к главе 5 1.

Назовите основные виды современных интеллектуальных технологий. 2.

Дайте сравнительную характеристику экспертных систем, нечеткой логики, генетических алгоритмов и искусственных нейронных сетей. 3.

Какие области применения ИНС вы знаете? 4.

Опишите принцип функционирования технического нейрона. 5.

Охарактеризуйте суть и основные принципы построения и работы нейросети. 6.

В чем заключается смысл обучения «с учителем» и «без учителя»? 7.

Какие существуют типы искусственных нейросетей? 8.

Назовите отличия рекуррентных сетей от прямонаправленных. 9.

Нарисуйте структуру простейшей многослойной сети. 10.

За счет каких особенностей нейросети показывают лучшие результаты при прогнозировании социально-экономических процессов по сравнению с традиционными методами?

<< | >>
Источник: Лапыгин Ю. Н.. Экономическое прогнозирование : учеб. пособие / Ю. Н. Лапыгин, В. Е. Крылов, А. П. Чернявский. — М. : Эксмо. — 256 с. — (Высшее экономическое образование).. 2009 {original}

Еще по теме Сравнительный анализ традиционных методов прогнозирования с ИНС:

  1. Прогнозирование с помощью ИНС
  2. 11.5. Оценка стоимости объектов недвижимости методом прямого сравнительного анализа продаж
  3. Методы и методики оценки мотивации труда. Техника формулировки вопросов и проведения собеседования по оценке мотивации труда Упражнение 1 «Сравнительный анализ методов оценки мотивации»
  4. 9.4. Применение методов маркетингового анализа для прогнозирования рыночных тенденций
  5. Традиционные методы предвидения будущего
  6. Методы прогнозирования основных финансовых показателей Прогнозирование характеристик временных рядов
  7. Платежеспособность. Сущность и традиционные методы оценки
  8. 18.3. Традиционные (простые) методы оценки инвестиций
  9. Традиционные методы средне- и краткосрочного финансирования
  10. Методы сравнительного подхода
  11. Сравнительный метод оценки
  12. Сравнительный (компаративный) метод
  13. Глава 4 СРАВНИТЕЛЬНЫЙ АНАЛИЗ МИРОВЫХ ЦИВИЛИЗАЦИЙ
  14. ГЛАВА 34. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ВАРИАНТОВ ФИНАНСИРОВАНИЯ
  15. Методы прогнозирования 3.2.1. Классификация методов прогнозирования
  16. Подход сравнительного анализа продаж
  17. Сравнительный анализ акций
  18. Сравнительный метод определения стоимости объектов недвижимости
  19. Сравнительный анализ форм собственности.
- Регулирование и развитие инновационной деятельности - Антикризисное управление - Аудит - Банковское дело - Бизнес-курс MBA - Биржевая торговля - Бухгалтерский и финансовый учет - Бухучет в отраслях экономики - Бюджетная система - Государственное регулирование экономики - Государственные и муниципальные финансы - Инновации - Институциональная экономика - Информационные системы в экономике - Исследования в экономике - История экономики - Коммерческая деятельность предприятия - Лизинг - Логистика - Макроэкономика - Международная экономика - Микроэкономика - Мировая экономика - Налоги - Оценка и оценочная деятельность - Планирование и контроль на предприятии - Прогнозирование социально-экономических процессов - Региональная экономика - Сетевая экономика - Статистика - Страхование - Транспортное право - Управление затратами - Управление финасами - Финансовый анализ - Финансовый менеджмент - Финансы и кредит - Экономика в отрасли - Экономика общественного сектора - Экономика отраслевых рынков - Экономика предприятия - Экономика природопользования - Экономика труда - Экономическая теория - Экономический анализ -