Primena neuronskih mreza u finansijama

1. Uvod
Informacione tehnologijedoprinele je ogromnom rastu metodološkog spektra raspoloživog donositeljima odluka u području poslovanja. Osim metoda operacionih istraživanja i statističkih metoda, veštačka inteligencija zasnovana na teoriji učenja unapredila je mogućnost korišćenja prethodnog znanja (kroz ekspertne sisteme) i podataka (kroz neuronske mreže) u cilju donošenja učinkovitih odluka. Naglasak ovog rada je na neuronskim mrežama (NM) i upotrebi njihovih algoritama u oblasti finansija.
Neuronske mreže mogu se upotrebljavati za predviđanja, klasifikaciju i asocijaciju u različitim problemskim područjima. One su robustan alat, namenjen radu s velikim količinama fluktuirajućih podataka i podataka sa smetnjama, koji uključuju skrivene nelinearne zavisnosti.
Nedostatak standariziranih paradigmi koje će odrediti efikasnost pojedinog NM algoritma i arhitekture u pojedinom problemskom području i na pojedinim karakteristikama podataka naglašeno je kod mnogih autora.
Konkretno u oblasti finansija neuronske mreže su pronašle svoje primenu u online berzama, s obzirom na novije izazove tehnologije sadašnjice i kreiranja budućih tokova. Značajna istraživanja se vrše u predviđanju dionica, kako bi se osigurala zarada korištenjemrazličitih statističkih metoda, tehničkih analiza među podacima.
Veštačke neuronske mreže se značajno primenjuju u istraživanjima poslovnih okruženja iz razlogada se kreira mogućnost učenja i detektovanja relacija među ne linearnim varijablama. Zapravo, veštačka inteligencija omogućava detaljniju analizu veće količine podataka, posebno onih podataka koji imaju tedenciju menjanja. Sve to upućuje na primenu veštačkih neuronskih mreža. Poslovno okruženjedanašnjice, prolazi kroz transformaciju poslovanja poslednjih deset godina i veštačkeneuronske mreže su se pokazale kao model koji se u velikom broju koristi u biznisu,finansijma, ekonomiji s ciljem predviđanja serija performansi merenja. Brzine promena kojese dešavaju, danas putem virtuelnih rešenja su promenile tokove tradicionalnih berzi, a stanje na berzi je od posebnog značaja zainvestitore.
U svetu, berze su u jednom haotičnom sistemu zbog svih podataka koji prolaze kroz taj sistem.Istraživači nastoje da pronađu model koji bi omogućio da se ne predviđeni tokovi analiziraju iomoguće predviđanja.
 
2. Primena neuronskih mreža u finansijama
Finansije i ulaganja su oblasti u kojima se, prema nekim istraživanjima, najčešće primenjuju neuronske mreže. Neki od problema u čijem su rešavanju primenjivane neuronske mreža su predviđanje bankrota, procena rizika kod hipotekarnih i drugih vidova zajmova, predviđanje na berzama (predviđanje cena akcija, obveznica, trgovanje robama i dr.), različite finansijske prognoze itd. Neke od najpoznatijih kompanija koje uspešno primenjuju neuronske mreže za rešavanje svojih finansijskih i investicionih problema su Chase Manhattan Bank i American Express.
Rezultati velikog broja istraživanja, ali i praktičkih primena neuronskih mreža u poslovanju, pokazali su prednost neuronskih mreža u odnosu na klasične metode koje ne uključuje primenu veštačke inteligencije.
Prema nekim ranijim istraživanjima, najčešća područja primene neuronskih mreža u poslednjih 10 godina su proizvodnja i finansije. Neuronske mreže u finansijama se najčešće upotrebljavaju za predviđanje rezultata ulaganja u deonice, kao i za izbor deonica u trgovanju na berzi. Iako ne postoje standardizovane paradigme koje bi odredile efikasnost pojedinog algoritma neuronske mreže i njene arhitekture u određenoj oblasti, prilikom primene neuronskih mreža na tržištima deonica primenjuje se samo jedan algoritam.
Ukoliko bi posmatrali samo analizu na tržištima deonica, možemo uvideti da postoje tri glavne grupe problema u kojima se primenjuju neuronske mreže.
Prva grupa se sastoji od predviđanja ponašanja deonica klasifikujući ih u klase kao što su: deonice sa pozitivnim i sa negativnim povraćajem ili klase deonica koje će imati dobar, neutralan ili loš rezultat. Takva primena neuronskih mreža pruža vrednu podršku u donošenju investicionih odluka, ali ne specificiraju tačnu vrednost očekivane cene ili očekivanog profita.
Druga grupa se sastoji od predviđanja cena deonica. Takvi sistemi nastoje da na temelju prethodnih cena deonica i povezanih finansijskih pokazitelja predvide cenu deonica jedan ili više dana unapred.
Treća grupa je orijentisana na modelovanje ponašanja deonica i na prognoze. Takve aplikacije nisu orijentisane samo na predviđanje budućih vrednosti, već i na procenu značaja pojedinih faktora, analizu osetljivosti između varijabli koje utiču na sam rezultat, kao i na druge analize međusobnih zavisnosti.
I pored široko rasprostranjene upotrebe neuronskih mreža u finansijama i investiranju, još uvek postoje otvorena pitanje i smernice za dalja istraživanja.
Dizajn modela podatak za neuronske mreže se određuje izborom ulaznih i izlaznih varijabli. Iako se upotrebljavaju različiti modeli podataka nijedan se ne može smatrati predominantnim, pa ova raznolikost može uzrokovati teškoće u konstruisanju paradigmi o efikasnosti neuronskih mreža. Broj ulaznih varijabli u neuronskim mrežama varira od 3 do 88, od kojih su najčešće cena deonica i različiti finansijski koeficijenti.