КАК НЕЙРОСЕТЬ ПОМОГАЕТ ЭКОНОМИКЕ

HOW THE NEURAL NETWORK HELPS THE ECONOMY

Andrey Samsonov

student, Department of Economics, Amur State University named after Sholom Aleichem,

Russia, Birobidzhan

Anna Golik

Scientific Supervisor, Senior Lecturer at the Department of EUiFP, Amur State University named after Sholom Aleichem,

Russia, Birobidzhan

АННОТАЦИЯ

Статья рассматривает последние достижения современных технологий, методы применения нейронных сетей в экономическом анализе. В фокус внимания взяты основные понятия нейросети, особенности использования и оценка эффективности.

ABSTRACT

The article examines the latest achievements of modern technologies, methods of using neural networks in economic analysis. The focus of attention is on the basic concepts of the neural network, features of use and evaluation of effectiveness.

Ключевые слова: нейросеть, искусственный интеллект, экономический анализ.

Keywords: neural network, artificial intelligence, economic analysis.

В последние годы технологии произвели революцию в том, как предприятия работают в различных отраслях. Существует несколько технологических достижений, от автоматизации до искусственного интеллекта, которые оказали влияние на мир финансов и экономики. Одним из самых инновационных решений, появившихся в этой области, являются нейронные сети. Эти передовые модели могут не только изменить способ работы бизнеса, но и предлагают ряд преимуществ по сравнению с традиционными моделями.

Нейронные сети — это, по сути, алгоритмы, которые имитируют то, как человеческий мозг обрабатывает информацию. Они работают, анализируя большие объемы данных и выявляя закономерности, отношения и корреляции. Эти модели могут быть использованы в самых разных областях, в том числе и в экономике. Нейронные сети предлагают несколько преимуществ по сравнению с традиционными моделями, некоторые из которых включают в себя:

1) Повышенная точность: нейронные сети невероятно точны по сравнению с традиционными моделями. Это связано с тем, что они могут выявлять закономерности и тенденции, которые могут быть неочевидны для традиционных моделей. Такая точность делает их идеальными для прогнозирования, анализа рисков и других видов экономического моделирования.

2) Более быстрая обработка: нейронные сети работают быстро и эффективно. Они могут обрабатывать большие объемы данных в режиме реального времени, что делает их идеальным решением для высокочастотной торговли, управления рисками и других приложений, работающих в реальном времени.

3) Адаптивное обучение: нейронные сети могут учиться и адаптироваться с течением времени. Они могут корректировать свои алгоритмы и параметры на основе новых данных, что делает их гибкими и идеальными для динамичных экономических условий.

4) Уменьшение человеческого фактора. Традиционные модели часто подвержены влиянию человеческого фактора. Нейронные сети, с другой стороны, используют объективные данные для принятия решений. Это снижает риск предвзятого принятия решений, что приводит к информированному и точному экономическому моделированию.

Основным преимуществом нейронных сетей является их способность обучаться и решать сложные задачи, даже когда данные зашумлены или неполны. Нейронные сети могут распознавать закономерности и взаимосвязи в данных, которые трудно обнаружить аналитикам-людям. После обучения нейронные сети могут со временем повышать свою точность, что делает их ценным инструментом для таких приложений, как распознавание изображений и речи, обработка естественного языка и прогнозное моделирование. Кроме того, они могут обрабатывать большие наборы данных и выполнять параллельные вычисления, обеспечивая более быстрое время обработки и масштабируемость [1, с. 288].

Как и любая другая человеческая деятельность, экономика также требует постоянного совершенствования. Каждый год приносит с собой огромное количество информации, которая превосходит возможности обработки человеческого мозга, и выполнение расчетов вручную становится трудной задачей. Это привело к разработке нескольких моделей и методов эффективного функционирования бизнеса. Однако многие из этих моделей имеют существенный недостаток — линейность.

Нейронные сети уже начали набирать обороты в сфере экономической деятельности. Чтобы получить полное представление об их функции, необходимо задать широкий круг задач, которые должны будут выполнять сети. Эти задачи должны включать прогнозирование, которое может быть достигнуто за счет способности нейронной сети выявлять скрытые зависимости в цепочках ссылок [3, с. 352].

Одним из наиболее значительных преимуществ этих моделей является их способность выявлять аномалии, что делает их идеальными для выявления мошенничества, отмывания денег и прогнозирования рыночных крахов.

Успешным применением нейронных сетей в экономике является компания Citicorp, которая имеет в своем арсенале специальный нейрокомпьютер для предсказания колебаний курса валют. Еще одним примером можно назвать компанию Richard Borst. Оборот компании вырос на 6% после использования нейропакета [5, с. 496].

Также нейросети выполняют ряд задач в экономике:

1. Прогнозирование цен на акции. Нейронные сети использовались для прогнозирования цен на акции с использованием исторических данных. Модель нейронной сети изучает закономерности прошлых рыночных тенденций и предсказывает будущие тенденции фондового рынка

2. Кредитный скоринг. Банки используют кредитный скоринг для оценки кредитоспособности клиента. Нейронные сети могут выявлять закономерности в данных и предсказывать кредитоспособность новых соискателей кредита.

3. Обнаружение финансового мошенничества. Финансовые учреждения используют нейронные сети для обнаружения мошеннических действий. Модель нейронной сети анализирует историю транзакций, и любое необычное поведение помечается как потенциально мошенническое.

4. Анализ поведения клиентов. Компании используют нейронные сети, чтобы лучше понять поведение клиентов. Сетевая модель анализирует модели покупок, интересы и предпочтения потребителей и предсказывает поведение покупателей в будущем.

5. Экономическое прогнозирование. Нейронные сети могут прогнозировать экономические тенденции, такие как рост ВВП, инфляция и уровень безработицы. Сетевая модель анализирует исторические данные, экономические показатели и другие факторы, которые могут повлиять на результаты.

6. Маркетинг. Нейронные сети можно использовать для сегментации рынка и таргетинга. Анализируя историю покупок и демографические данные клиентов, сетевая модель может определить группы потребителей, которые могут быть заинтересованы в конкретном продукте или услуге.

Использование искусственного интеллекта в экономике набирает значительные обороты, и нейронные сети играют важнейшую роль в обработке огромных массивов данных. Это подчеркивает настоятельную необходимость дальнейшего развития и практического применения нейронных сетей. Нейронные сети превосходно классифицируют наборы данных по различным категориям, что делает их потенциальной заменой традиционных подходов, таких как дискриминантный анализ и логистическая регрессия. Более того, нейронные сети обладают уникальной способностью классифицировать линейно неразделимые данные, что имеет решающее значение при работе с финансовыми временными рядами на рынках капитала. В то время как линейные модели обычно не дают точных прогнозов из-за гипотезы эффективного рынка, которая предполагает, что рынки отражают всю необходимую информацию для определения цен на ценные бумаги, применение нелинейных моделей может привести к улучшению прогнозов и, таким образом, принести значительные преимущества. [4, с. 1104].

Хотя технологии нейронных сетей остаются в значительной степени неизученными и требуют мастерства, уже есть ценные приложения, которые используются в различных отраслях. Однако их возможности в настоящее время ограничены узкими областями, и остается неясным, можно ли им доверять в решении проблем, связанных с социальным контекстом. Несмотря на свою популярность, изучение нейросетевых технологий остается актуальной темой. Крайне важно изучить их потенциал, но они не могут полностью заменить участие человека в решении проблем. Хотя нейронные сети могут помочь в обобщении данных, необходимом для дальнейшего исследования, чтобы определить дополнительные области, в которых они могут быть эффективно реализованы.

Внедрение нейронных сетей в экономику может революционизировать методы работы бизнеса. Эти модели предлагают ряд преимуществ по сравнению с традиционными моделями — от повышенной точности до более быстрой обработки. Их способность обнаруживать аномалии и учиться на данных делает их подходящими для динамичных и сложных экономических условий. Поскольку технологические достижения продолжают формировать наш мир, нейронные сети, несомненно, будут играть важную роль в формировании будущего экономики.

Список литературы:

1. Александр Талавера Глубокое обучение и финансовая эконометрика Ив-Лоран Ком Само и Александр Талавера 2021. - 288 c.
2. Кристоф Бергмейр Искусственные нейронные сети для экономического прогнозирования Кристоф Бергмейр, Хосе Мануель, Бенитес Санчез 2021. - 224 c.
3. Барский, А.Б. Логические нейронные сети: Учебное пособие А.Б. Барский. - М.: Бином, 2020. - 352 c.
4. Дэвид Х. Бесслер Нейронные сети и экономическое моделирование Дэвид Х. Бесслер, Джон У. Гэлбрейт, 2021. - 1104 c.
5. Галушкин, А.И. Нейронные сети: основы теории. А.И. Галушкин. - М.: РиС, 2020. - 496 c.
6. Тадеусевич, Рышард Элементарное введение в технологию нейронных сетей с примерами программ Рышард Тадеусевич и др. - Москва: 2021. - 408 c.