10.5281/zenodo.11079542
Автор(-ы):
Болотова Анна Юрьевна
15 июля 2021
Секция
Информационные технологии, телекоммуникации
Ключевые слова
Аннотация статьи
Скорость технологических изменений и неопределенность в будущем сильно воздействуют на инвестиционные проекты в сфере телекоммуникаций. При внедрении новых инноваций идеи, которые казались перспективными, могут оказаться неверными в долгосрочной перспективе, что может серьезно сказаться на доходности. Поэтому крайне важно, чтобы проекты были гибкими, что позволит руководству адаптироваться к непредвиденным изменениям. Искусственный интеллект воплощает передовые технологии для анализа и прогнозирования, внося высокую точность в принятие решений. Данная технология оказывает позитивное влияние на качество проектов, улучшая контроль операций и сотрудничество между участниками команды. Однако ее использование требует внимания к всесторонним и устойчивым преимуществам. Инструменты искусственного интеллекта, такие как гибридная нейронно-нечеткая система ANFIS, могут эффективно использоваться для оценки эффективности инвестиционных проектов. В этой статье описаны основы теории нейронных сетей и нечеткой логики и предоставлены практические методологии применения системы ANFIS к реалистичным бизнес-кейсам телекоммуникационного бизнеса.
Текст статьи
Введение
В последние годы развитие искусственного интеллекта (ИИ) произвело революцию в различных отраслях, и мир инвестиций не стал исключением. Искусственный интеллект превратился в мощный инструмент управления инвестиционными рисками, позволяющий инвесторам принимать более обоснованные решения и повышать эффективность портфеля. В этой статье рассматривается сложная взаимосвязь между искусственным интеллектом и управлением инвестиционными рисками, исследуется, как технологии искусственного интеллекта меняют ландшафт принятия финансовых решений. Используя возможности искусственного интеллекта, инвесторы могут ориентироваться в сложном мире инвестиций с большей уверенностью и гибкостью.
Под эффективностью инвестиционного проекта (ИП) понимается категория, которая отражает соответствие ИП целям и интересам его участников и выражается системой показателей. Методам оценивания эффективности ИП посвящено большое количество публикаций как научного, так и методического характера. В настоящее время в классической практике для оценки эффективности ИП чаще всего применяются методы, основанные на экономическом подходе, например, расчет чистого приведенного эффекта (NPV), индекса рентабельности (PI), внутренней ставки доходности (IRR) и другие. Подобный подход оперирует с абсолютными значениями показателей, и по величине выбранного индекса принимается решение об эффективности проекта. Могут использоваться и другие приемы, сочетающие вероятностные концепции и статистический анализ, однако этот подход требует большого объема информации количественного характера.
ИИ может играть жизненно важную роль в повышении эффективности и качества инвестиционных проектов. Учитывая растущие проблемы и быстрые изменения в экономической среде, понимание того, как инвестировать в такие передовые технологии, имеет жизненно важное значение для обеспечения устойчивости и успеха компании.
Для оценки проекта необходимо определить критерии, которые включают в себя следующие аспекты [1, 5]:
Эти критерии имеют нечеткий характер и не всегда выражаются численно. Для их оценки эффективно применять нечеткую логику, которая учитывает различные уровни качественных оценок, таких как «высокий» или «низкий». Постепенное накопление знаний о проекте и инновациях позволяет уменьшить неопределенность в оценке. Система оценки, основанная на сочетании нечеткой логики и нейронных сетей, способствует более точным прогнозам, обучаясь на основе статистических данных.
Основные положительные и отрицательные характеристики нейронных сетей и нечеткой логики представлены в таблицах 1 и 2.
Таблица 1
Преимущества и недостатки нейронных сетей
Преимущества | Недостатки |
1. Имеют способность к обучению на примерах. 2. Могут приближать любую многомерную нелинейную функцию. 3. Не требуют глубокого понимания изучаемого процесса. 4. Обладают устойчивостью к шуму. | 1. Требуют значительного времени для обучения в сценариях с локальными минимумами. 2. Не выявляют связей между переменными и не углубляют понимание процесса. 3. В некоторых задачах характеризуются недостаточным обобщением при введении новых образов. |
Таблица 2
Преимущества и недостатки нечеткой логики
Преимущества | Недостатки |
1. Могут приближать любую сложную многомерную нелинейную функцию. 2. Оказываются полезными, когда математическая модель неизвестна или ее трудно определить. 3. Эффективно применяются в случаях, когда доступна только нечеткая информация. 4. Применяются для создания правил принятия решений. | 1. Иногда возникают трудности при организации знаний экспертов. 2. Количество правил резко возрастает экспоненциально с увеличением числа входов. 3. Процесс обучения (изменение формы и расположения функций принадлежности или правил) более сложен по сравнению с нейронными сетями. |
Объединение нейронной сети и нечеткой логики в одну гибридную систему позволяет устранить недостатки отдельных технологий и создать нейро-нечеткую систему (далее ННС) типа ANFIS (Adaptive Network-Based Fuzzy Inference System) [6].
Гибридная сеть, сочетающая принципы нейронных сетей и нечеткой логики, представляет собой многослойную нейронную сеть определенной структуры, которая не имеет обратных связей. В этой сети используются стандартные сигналы, веса и функции активации. Основная идея гибридных сетей заключается в том, чтобы использовать имеющиеся данные для определения параметров функций принадлежности, которые лучше всего подходят для конкретной системы нечеткого вывода. Для настройки этих параметров применяются стандартные методы обучения нейронных сетей. Главное отличие между алгоритмами Мамдани и Сугено заключается в способе получения четкого выхода. В алгоритме Мамдани четкое значение вывода получается путем дефаззификации нечеткого множества выходов, а в алгоритме Сугено используется взвешенное среднее значение.
ANFIS реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала.
Назначение слоев следующее:
На рисунке 1 изображена ANFIS-сеть с двумя входными переменными и двумя нечеткими правилами.
Для нечеткой модели Сугено типичное нечеткое правило имеет форму:
если x есть А и y есть В, тогда z=f(x,y),
где А и В нечеткие множества в условии; z=f(x,y) – четкая функция.
Обычно функция представляет собой полином входных переменных. Если – полином первого порядка, то результирующая система нечеткого вывода называется моделью Сугено первого порядка [4].
Допустим, что рассматриваемая система нечеткого вывода имеет два входа x и y и один выход z. Для указанной модели два нечетких правила имеют вид:
Правило 1: если x есть A1 и y есть B1, тогда f1=p1*x+q1*x+r1
Правило 2: если x есть A2 и y есть B2, тогда f2=p2*x+q2*x+r2
Рис. 1. Архитектура сети ANFIS с двумя входами
Рассмотрим работу отдельных слоев системы ANFIS [3, 6].
Слой 1. Каждый узел i на этом уровне является адаптивным узлом, который может быть любым параметризованным с помощью функции принадлежности, такой как треугольная, трапециевидная, гауссова или обобщенная функция Белла. Выходы уровня (O1,i) представляют собой нечеткую степень принадлежности входных данных, которые представлены следующим образом:
для или
для
где х (или y) – вход в узел i; Ai (или Bi) – лингвистические метки, ассоциированный с этим узлом.
Слой 2. Каждый узел во втором слое является фиксированным узлом, представляющим произведение ∏ для расчета силы срабатывания правила. В качестве нечеткого оператора используется для нечеткой обработки входов. Выходы этого слоя, которые называются силой срабатывания правил, могут быть представлены, как показано в уравнении.
для i=1,2
Слой 3. Каждый узел фиксирован и помечен как N. Каждый узел нормализуется путем деления силы срабатывания i-го правила на сумму силы срабатывания всех правил. Выходы этого слоя, которые называются нормализованной силой срабатывания, могут быть представлены следующим образом:
Слой 4. Каждый узел является адаптивным с функцией узла. Выход четвертого слоя представляет собой произведение нормализованной силы срабатывания и полинома первого порядка и представлен следующим образом:
где – выходная величина слоя 3; pi qi, ri – множество параметров этого узла.
Слой 5. Один узел в последнем слое является фиксированным узлом. Слой представляет общий вывод модели ANFIS, который является суммой выводов всех правил. Общий вывод может быть представлен следующим образом:
Практическое применение системы ANFIS
При использовании системы ANFIS необходима база примеров, которой могут выступать данные отчета о прибылях и убытках некой компании.
Обучающая выборка для данной работы состоит из 30 примеров, ее фрагмент представлен в таблице 3.
Таблица 3
Фрагмент исходных данных, тыс. руб.
Выручка, х1 | Себестоимость, х2 | Затраты на рекламу, х3 | Текущие расходы, х4 | Кредит, х5 | Прибыль, х6 | y |
274 | 167 | 5.4 | 1.8 | 5.1 | 22 | 95.7 |
278 | 169 | 5.5 | 1.9 | 5.6 | 17 | 79.3 |
278 | 169 | 5.4 | 1.8 | 5.1 | 23 | 100.0 |
262 | 158 | 5.4 | 1.6 | 5.1 | 20 | 90.8 |
Параметр Y в таблице 3 является результатом перехода от переменной Х6 к нормированной шкале, где минимальное и максимальное значения Х6 равны соответственно 0 и 100 баллам. Исходные данные из 30 наблюдений были разделены на две части: обучающая (22 примера) и тестовая (8 примеров).
Решение задачи выполняется в программе MatLab R 2012b. При генерации системы нечеткого вывода возможны два варианта выбора такой системы [2, 7]:
Предпочтение следует отдать тому варианту, при котором после обучения результат тестирования показывает меньшую ошибку. Однако в данной работе оказалось, что ошибки примерно одинаковы, поэтому был выбран второй вариант вследствие более простой структуры ННС.
Рис. 2. Загруженные в систему данные
Загруженные данные (обучающая и тестовая выборки) показаны на рисунке 2 (все приведенные ниже рисунки получены авторами при вычислениях в программе MatLab R 2012b). На рисунке 3 изображенные 22 кружка определяют обучающую выборку, а 8 точек – тестовую выборку.
Структура сформированной системы ANFIS показана на рисунке 3.
Рис. 3. Структура системы ANFIS
Как показано на рисунке 3, модель ANFIS состоит из пяти слоев. Входной слой содержит 5 узлов, соответствующих входным параметрам. Второй слой определяет число функций принадлежности для каждой переменной. Третий слой представляет собой нечеткие правила (14 правил). Четвертый слой представляет выходные нечеткие множества, соответствующие каждому правилу. Пятый слой представляет собой выходной слой.
Результаты тестирования ННС показаны на рисунке 4, где имеется 8 пар точек: тестовые данные и результаты, полученные системой ANFIS. Как следует из рисунка 4, средняя ошибка на тестовой выборке составила 19 единиц.
Рис. 4. Результаты тестирования
Работа системы иллюстрируется на рисунке 5 (показан фрагмент окна «Просмотр правил»): при вводе пяти значений вектора входных признаков система оценивает эффективность этого варианта проекта в 96 баллов по 100-балльной шкале.
Рис. 5. Результат работы системы ANFIS
Уравнение регрессии, связывающее выход с входными переменными, получается с использованием табличного процессора Excel и данных тестовой выборки, которая приведена в таблице 4 (первые 5 столбцов).
Таблица 4
Фрагмент исходных данных
х1 | х2 | х3 | х4 | х5 | Шкала (эксперт) | ANFIS | Регрессия |
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
262 | 158 | 5,4 | 1,6 | 5,1 | 90,8 | 83,5 | 82,3 |
247 | 152 | 6,5 | 2,3 | 5,1 | 59,2 | 65,9 | 64,9 |
244 | 165 | 4,9 | 1,7 | 7,1 | 49,9 | 8,4 | 16,5 |
250 | 150 | 6,2 | 2,9 | 9,5 | 58,0 | 27,9 | 30,6 |
241 | 167 | 6,2 | 1,8 | 6,4 | 20,2 | 20,2 | 18,1 |
235 | 159 | 4,2 | 1,3 | 7,0 | 41,2 | 44,4 | 36,1 |
234 | 150 | 5,7 | 2,7 | 6,1 | 12,1 | 29,6 | 20,1 |
229 | 150 | 5,1 | 2,1 | 5,1 | 36,1 | 30,8 | 42,0 |
Уравнение регрессии имеет вид:
Y = 373 +1,3*X1 – 3,8*X2 + 12,8*X3 – 50,2*X4 – 2,7*X5,
где Y – выходной параметр регрессионного уравнения, в качестве которого взята оценка, полученная ANFIS;
X1...X5 – значения параметров ИП в тестовой выборке;
Коэффициент детерминации имеет величину, равную 0.92, что свидетельствует о высокой степени адекватности полученного уравнения данным, использованным при его выводе.
В таблице 4 в столбцах 6-8 приведены результаты оценки эффективности ИП, полученные разными методами:
Отклонения между результатами оценки эффективности ИП, полученные с помощью системы ANFIS и уравнения регрессии, могут объясняться не только малой величиной выборки, но и использованием линейного уравнения. Применение более сложной регрессии, возможно, приведет к меньшему расхождению между оценками.
Ближайшая перспектива использования искусственного интеллекта в управлении инвестиционными рисками
На постоянно развивающихся финансовых рынках управление рисками имеет решающее значение для успеха инвестиций. Искусственный интеллект привносит новое измерение в управление рисками, используя передовые алгоритмы, машинное обучение и анализ данных. Анализируя огромные объемы исторических данных и данных в режиме реального времени, системы искусственного интеллекта могут выявлять закономерности, обнаруживать аномалии и генерировать ценную информацию для инвесторов. Вот ключевые способы, с помощью которых искусственный интеллект вносит свой вклад в управление инвестиционными рисками:
В эту цифровую эпоху появились различные инструменты и платформы на основе искусственного интеллекта для поддержки инвесторов в управлении рисками и оптимизации их портфелей. Ниже обозначены некоторые из известных доступных решений, основанные на искусственном интеллекте:
Хотя искусственный интеллект открывает огромные возможности для управления инвестиционными рисками, он также сопряжен с этическими соображениями и проблемами, требующими пристального внимания. Крайне важно найти баланс между использованием возможностей искусственного интеллекта и обеспечением этичных и ответственных инвестиционных практик. Несколько ключевых соображений:
Сделаем выводы по проведенному исследованию.
Список литературы
Поделиться
Болотова А. Ю. Оценка инвестиционных проектов с использованием искусственного интеллекта для рынка телекоммуникаций // Актуальные исследования. 2021. №28 (55). URL: https://apni.ru/article/oczenka-investiczionnyh-proektov-s-ispolzovaniem-iskusstvennogo-intellekta-dlya-rynka-telekommunikaczij