|
41 РОССИЙСКАЯ ГОСУДАРСТВЕННАЯ БИБЛИОТЕКА дов прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля, основанных на различных эмпирических моделях динамики рынка. Эти методы могут быть весьма просты (как, например, методы, использующие вычитание трендового значения), а могут иметь достаточно сложную математическую основу скажем спектральный анализ. Поскольку, как правило, вся теория уже "зашита" в эти системы, а не выводится на основании истории рынка, то требования статистической значимости выводимых моделей и возможности их интерпретации не имеют смысла. Заметим лишь, что многие из рассматриваемых систем ориентированы на работу на западных рынках, не учитывают наших реалий и поэтому не вполне пригодны для применения в России. Третьему требованию («сложность настройки») они удовлетворяют в большей степени, чем другие обсуждаемые классы систем, так как оперируют в терминах предметной области, понятных трейдерам и финансовым аналитикам, обычно имеют специализированные интерфейсы для загрузки финансовых данных и обладают другими преимуществами специализированных систем. На рынке имеются различные программы этого класса, например, MetaStock (компания Equis International), SuperCharts (Omega Research), Candlestick Forecaster (IPTC), Wall Street Money (Market Arts). 2. Статистические пакеты. Хотя последние версии почти всех известных статистических пакетов включают, наряду с традиционными статистическими методами, также элементы data mining, основное внимание в них уделяется все же классическим методикам корреляционному, регрессионному, факторному анализу и другим. Обычно в процессе исследования данных с помощью статистических пакетов приходится многократно применять набор из одних и тех же элементарных операций, однако в этих системах средства автоматизации процесса исследования либо отсутствуют, либо требуют программирования на некотором внутреннем языке. Все эти факторы делают мощные современные статистические пакеты слишком тяжеловесными для |
31 определяющими коммерческий успех систем интеллектуального анализа данных в России, являются простота в использовании и высокая степень автоматизма. Рассмотрим теперь представленные выше 8 базовых классов инновационных информационных систем анализа данных, применяемых в бизнесе и финансах, и дадим оценку методов и систем по трем рассмотренным критериям, что позволит сформировать «общие рамки» оценки и выбора инновационных продуктов. 1. Предметно-ориентированные аналитические системы. Один из наиболее типичных и важных классов этих систем это системы анализа финансовых рынков, построенные на основе методов технического анализа. Технический анализ представляет собой совокупность нескольких десятков методов прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля, основанных на различных эмпирических моделях динамики рынка. Эти методы могут быть весьма просты (как, например, методы, использующие вычитание трендового значения), а могут иметь достаточно сложную математическую основу скажем спектральный анализ. Поскольку, как правило, вся теория уже "зашита'* в эти системы, а не выводится на основании истории рынка, то требования статистической значимости выводимых моделей и возможности их интерпретации не имеют смысла. Заметим лишь, что многие из рассматриваемых систем ориентированы на работу на западных рынках, не учитывают наших реалий и поэтому не вполне пригодны для применения в России. Третьему требованию («сложность настройки») они удовлетворяют в большей степени, чем другие обсуждаемые классы систем, так как оперируют в терминах предметной области, понятных трейдерам и финансовым аналитикам, обычно имеют специализированные интерфейсы для загрузки финансовых данных и обладают другими 32 преимуществами специализированных систем. Па рынке имеются различные программы этого класса, например, MetaStock (компания Fquis international), SuperCharts (Omega Research), Candlestick Forecaster (ÎPTC), Wall Street Money (Market Arts). 2. Статистические пакеты. Хотя последние версии почти всех известных статистических пакетов включают, наряду с традиционными статистическими методами, также элементы data mining, основное внимание в них уделяется все же классическим методикам корреляционному, регрессионному, факторному анализу и другим. Обычно в процессе исследования данных с помощью статистических пакетов приходится многократно применять набор из одних и тех же элементарных операций, однако в этих системах средства автоматизации процесса исследования либо отсутствуют, либо требуют программирования на некотором внутреннем языке. Все эти факторы делают мощные современные статистические пакеты слишком тяжеловесными для массового применения в финансах и бизнесе. В качестве примеров таких систем можно назвать SAS (компания SAS Institute), SPSS (SPSS). 3. Нейронные сети. Это большой класс разнообразных систем, чья архитектура в некоторой степени имитирует построение нервной ткани из нейронов. Такой подход оказался, в частности, высокоэффективным в задачах распознавания образов. Следует, однако, отметить, что хотя в развитых странах нейросети широко применяются в области финансовых задач, однако такие системы почти не применимы к большинству финансовых и экономических задач в российских условиях, так как не удовлетворяет сформулированных выше требованиям (в частности, требованию прозрачности создаваемых прогностических моделей). |