Информационные процедуры – законченная часть технологического процесса, выполняемая на одном рабочем месте и характеризующаяся неизменностью объекта производства и используемых средств реализации ИТ и средств контроля (рис.).

Технологические операции – законченная заключительная часть технологической операции, обеспечивающая условия для начала следующей технологической операции [9].

Рис. 3.1 Состав процедур и операций информационной технологии

Бурное развитие ИТ во всех социально значимых областях жизни человечества в конце XX в. потребовали упорядочения и классификации этой предметной области.

По обслуживаемым предметным областям автоматизированные информационные технологии подразделяются на технологии:

·  бухгалтерского учета;

·  банковской деятельности;

·  налоговой деятельности;

·  страховой деятельности и т. д.

По типу пользовательского интерфейса автоматизированные ин­формационные технологии делятся на:

·  пакетные ИТ (централизованной распределенной обработки);

·  диалоговые ИТ;

·  сетевые (многопользовательские) ИТ.

По способу построения сети ИТ можно разделить на:

·  локальные;

·  многоуровневые;

·  распределенные.

Следующая важная группа классификационных признаков – соотнесение ИТ по способами управления, в том числе:

·  ИТ управления по отклонению;

·  ИТ управления по возмущению;

·  ИТ ситуационного управления.

Прикладные ИТ реализуют типовые процедуры обработки экономической информации в конкретных предметных областях:

·  государственном управлении;

·  муниципальном управлении и местном самоуправлении;

·  сфере организационного управления;

·  экономике;

·  сфере маркетинга;

·  финансово-банковской сфере;

·  производственных процессах (промышленность, строительство, сельское хозяйство);

·  сфере интеллектуального потенциала (образование, научно-исследовательские, опытно-конструкторские, опытно-технологические и проектные работы, стандартизация и нормирование, патентование, эксперименты и испытания) и др.

Функционально-ориентированные ИТ делятся на ИТ:

·  математических вычислений;

·  аналитических и символьных преобразований;

·  математического моделирования алгоритмизации;

·  программирования;

·  обработки текстовой информации;

·  обработки табличной информации;

·  деловой графики;

·  машинной графики;

·  обработки изображений;

·  обработки сигналов;

·  передачи и распределения информации и др.

Предметно-ориентированные технологии включают:

·  информационно-поисковые системы;

·  базы данных и базы знаний;

·  экспертные системы;

·  системы автоматизации научных исследований;

·  системы автоматизированного проектирования;

·  системы автоматизированного профессионального труда;

·  системы автоматизации производства;

·  обучающие системы;

·  настольно-издательские системы;

·  системы для перевода с одного языка на другой;

·  телеконференции и др.

Проблемно-ориентированные технологии классифицируют на ИТ:

·  медицинских систем;

·  общего и специального профессионального обучения;

·  страховых, финансовых и банковских систем;

·  средств массовой информации;

·  средств социальной реабилитации;

·  игровых и развлекательных систем;

·  для применения в быту.

В зависимости от роли человека в процессе управления различают два вида информационных технологий:

·  информационно-справочные (пассивные), поставляющие информацию оператору после его запроса системы;

·  информационно – советующие (активные), которые выдают абоненту предназначенную для него информацию по ситуации или периодически через определенные промежутки времени.

По степени охвата задач управления различают следующие АИТ:

·  электронная обработка экономических данных;

·  автоматизация функций управления;

·  поддержка принятия решений;

·  электронный офис;

·  экспертная поддержка и пр.

По классу реализуемых технологических операций выделяют такие АИТ:

·  работа с текстовым редактором;

·  операции с табличным процессором;

·  работа с СУБД.

·  работа с графическими объектами;

·  мультимедийные системы;

·  гипертекстовые системы.

По степени централизации технологического процесса ИТ в системах управления делят на централизованные, децентрализованные и комбинированные технологии.

С точки зрения вида обрабатываемой информации можно выделить ИТ:

1.Технология формирования документов включает процессы создания и преобразования документов.

2.Технология обработки изображений строится на анализе преобразований и трактовке изображений. В частности, видеотехнология применяется для создания видеосюжетов, фильмов, деловой графики и др.

3. Обработка текстов включает ввод текста, его подготовку, оформление и вывод. В частности, гипертексты связаны с представлением текстов как связанных блоков текстовой информации.

4.Обработка таблиц осуществляется комплексом прикладных программ, осуществляющих ввод и обновление данных в таблицы, выполнение расчетов по формулам и пр.

5.Технология обработки речи, включая ее распознавание и синтез.

6.технология обработки преобразования сигналов.

7.Технология электронной подписи.

8.Электронный офис, базирующийся на обработке данных, таблиц, текстов, изображений, графиков.

9.Электронная почта и пр.

Информационные технологии, как и сами компьютеры, прошли несколько этапов. Каждый этап определяется техникой, программными продуктами, которые используются, т. е. уровнем научно-технического прогресса в этой области.

Выделяются три этапа развития информационных технологий:

С начала шестидесятых годов

Характерно решение трудоемких задач, в частности, в области бухгалтерского учета с централизованным коллективным использованием вычислительных средств.

Централизованная обработка экономических данных имеет достоинства:

  Возможность обращения пользователей к большим массивам информации в виде баз данных и к информационной продукции широкой номенклатуры.

  Сравнительная легкость внедрения новых решений благодаря наличию специализированных подразделений предприятия (вычислительных центров).

Недостатки централизованной обработки:

  Ограничена ответственность пользователей за результаты решения экономических задач.

  Ограничены возможности пользователя по получению и использованию информации.

С середины семидесятых годов

Этот этап связан с появлением ПЭВМ. Происходит смещение технологических процессов с ориентацией на индивидуального пользователя, с внедрением частичной децентрализации и полной децентрализованной обработки данных.

Достоинства децентрализованной обработки:

  Повышается ответственность пользователей за качество результатов решения экономических задач.

  Появляются возможности для проявления инициативы и творческого развития пользователя.

Недостатками децентрализованной обработки экономических данных:

  Сложность стандартизации из-за большого числа уникальных достижений.

  Психологическое неприятие пользователями рекомендуемых стандартов и готовых продуктов.

  Неравномерность развития уровня информационной технологии на местах и зависимость этого уровня от квалификации пользователя.

С начала девяностых годов. Ориентировка меняется на использование локальных сетей компьютеров с выходом на региональные и глобальные сети (Internet, ). Ориентация технологических процессов вновь смещается в сторону централизованной обработки экономических данных.

В настоящее время используется понятие "новая информационная технология". Это понятие предполагает:

1.  Использование персональных компьютеров и сетей ЭВМ.

2.  Наличие коммуникационных средств.

3.  Наличие диалоговой (интерактивной) работы с компьютером.

4.  Наличие интеграционного подхода.

5.  Гибкость процессов изменения данных и постановок задач.

6.  Органическое "встраивание" компьютеров в существующую на предприятиях технологию управления.

В настоящее время к новым ИТ можно отнести:

1.  Интернет-технологии. Среди популярных услуг предоставление различного рода документов, распространение программ, текстов, книг, служба новостей, электронная почта и многое другое.

2.  Системы искусственного интеллекта, реализуемые различными средствами: нейронными сетями, генетическими алгоритмами и др.

3.  Видеотехнологии и мультимедиатехнологии.

4.  Объектно-ориентированная технология, основанная на выявлении и установлении взаимодействия множества объектов, используется при создании компьютерных систем на стадии проектирования и программирования.

5.  Технология управления знаниями, в которой идет распространение знаний и др.

При рассмотрении новых информационных технологий необходимо учитывать следующее:

·  срок замены существующих технологий на новые, более эффективные постоянно сокращается и составляет сегодня 3-5 лет с тенденцией уменьшения до 2-3;

·  преимущественными темпами в мире развиваются различные сетевые технологии;

·  российский рынок технологий ориентирован исключительно на технические средства зарубежного производства, что приводит к снижению общей доли отечественных разработок информационных технологий по отношению к количеству адаптируемых зарубежных.

3.3 Технологии автоматизированного офиса, использования текстовых и табличных редакторов

Исторически автоматизация офиса началась с рутинной секретарской работы и лишь позднее заинтересовала инженерно-технических работников и менеджеров в их дальнейшей информатизации.

В настоящее время известны несколько десятков коммерчески доступных программных продуктов, обеспечивающих технологию автоматизации офиса: текстовый процессор, электронная почта, аудиопочта, табличный процессор, электронный календарь, компьютерные конференции, телеконференции, хранение изображений, видеотекст, а также специализированные программы контроля исполнительской дисциплины: ведения документов, проверки исполнения приказов и т. д. (рис. 3.2).

Рис. 3.2 Основные технологии автоматизации офиса

К офисным технологиям относится использование и некомпьютерных средств: аудио - и видеоконференций, факсимильная связь, ксерокс и другие средства оргтехники.

Информационные технологии управления

Целью информационных технологий управления является информатизация персонала, в обязанности которого входит принятие решений. Источниками информации для этого служат данные, накапливаемые на основе анализа операций, проводимых фирмой, и нормативных сведений, отражающих планируемое состояние фирмы (или ее подразделений). Результатами решения задач управления является формирование регулярных и специальных отчетов для оценки прошлого, настоящего и вероятного будущего фирмы.

Особенно эффективным для менеджера, принимающего решения, является отражение в отчете отклонений состояния хозяйственной деятельности фирмы от ее запланированного состояния.

На этом этапе решаются следующие задачи обработки данных:

·  оценка планируемого состояния объекта управления;

·  оценка отклонений от планируемого состояния;

·  выявление причин отклонений;

·  анализ возможных решений и действий.

Информационная технология управления направлена на создание различных видов отчетов:

·  Регулярные отчеты создаются в соответствии с установленным графиком, определяющим время их создания, например, месячный анализ продаж компании.

·  Специальные отчеты создаются по запросам управленцев или когда в компании произошло что-то незапланированное.

И те, и другие виды отчетов могут иметь форму суммирующих, сравнительных и чрезвычайных отчетов:

·  В суммирующих отчетах данные объединены в отдельные группы, отсортированы и представлены в виде промежуточных и окончательных итогов по отдельным полям.

·  Сравнительные отчеты содержат данные, полученные из различных источников или классифицированные по различным признакам и используемые для целей сравнения.

·  Чрезвычайные отчеты содержат данные исключительного (чрезвычайного) характера.

Информационные технология поддержки принятия решения развиваются вместе с широким распространением ПЭВМ, соответствующих пакетов прикладных программ, а также с достижением в области информационного моделирования человеческого интеллекта.

Особенностями информационной технологии поддержки принятия решений являются:

·  наличие качественно новой организации взаимодействия компьютера и человека, задающего входные данные и оценивающего полученный результат вычислений;

·  ориентация на решение плохо формализованных задач;

·  широкое применение математических моделей и методов решения задач на их основе;

·  высокая приспосабливаемость к особенностям имеющегося технического и программного обеспечения, а также требованиям пользователя;

·  возможность использования на различных уровнях управления с частой координацией возможных решений.

Источниками данных для поддержки принятия решений является внешняя и внутренняя информация, в частности, заимствованная у предыдущих технологий, а также база стратегических, тактических оперативных моделей. Использование моделей обеспечивает описание и оптимизация некоторого объекта или процесса

В программную подсистему поддержки принятия решений входит система управления базой данных (СУБД), система управления базой моделей (СУБМ) и система интерфейса между пользователем и компьютером. Интерфейс определяет:

·  язык пользователя (с помощью клавиатуры, "мыши", голосом и пр.);

·  язык сообщений (выдача данных в форме диалога: режима меню, запросно-ответного режима, командного режима и пр.);

·  знания пользователя – комплекс знаний пользователя для работы с системой.

Технология использования текстовых редакторов

Программа Microsoft Word представляет собой мощный текстовый процессор, исполь­зуемый для создания и редактирования документов, вставки и удаления текста и графиче­ских изображений. С его помощью могут быть созданы печатные документы широкого спектра назначения: отчеты, методические материалы, бланки, серийные письма и т. д. Программа является составной частью пакета сервисных программ Microsoft Office, соз­данного для удовлетворения различных профессиональных и иных запросов.

Краткое описание простейших действий с текстом в редакторе Word (вход в редактор Word, создание нового документа, ввод в него текста; внесение в текст изменения путем удаления, замены, перемещения символов или фрагментов текста; форматирование текста путем смены шрифтов, цветов, размеров символов; сохранение созданного текста; выход из редактора Word) представлено в приложении №4.

Технология использования табличного редактора

В любой сфере деятельности найдется множество задач, исходные и результатные данные которых должны быть представлены в табличном виде. Универсальность таблиц и необходимость постоянно учитывать в них взаимозависимость между клетками натолкнули программистов на мысль о создании универсальной программы работы с таблицами — табличного процессора.

Табличные процессоры (электронные таблицы или ЭТ) относятся к той категории пакетов прикладных программ (ППП), которые совершили настоящую революцию в использовании персональных компьютеров (ПК) в сфере бизнеса, освободив человека от выполнения многочисленных рутинных операций при обработке документов табличного вида и положив начало новой концепции "электронного" офиса. Их популярность во всем мире исключительно велика и в настоящее время ППП, реализующие функции ЭТ, считаются обязательными элементами автоматизации управленческой деятельности.

Табличные редакторы (иногда их называют также электронные таблицы) на сегодняшний день, одни из самых распространенных программных продуктов, используемые во всем мире. Они без специальных навыков позволяют создавать достаточно сложные приложения, которые удовлетворяют до 90% запросов средних пользователей.

Табличные редакторы появились практически одновременно с появлением персональных компьютеров, когда появилось много простых пользователей не знакомых с основами программирования. Первым табличным редактором, получившим широкое распространение, стал Lotus 1-2-3, ставший стандартом де-факто для табличных редакторов:

Структура таблицы (пересечения строк и столбцов создают ячейки, куда заносятся данные);

Стандартный набор математических и бухгалтерских функций (Обычно для бухгалтерии и применялись табличные редакторы);

Возможности сортировки данных;

Наличие средств визуального отображения данных (диаграмм).

В СССР получили широкое распространение два табличных редактора SuperCalc и Quattro Pro. С появлением Microsoft® Windows и его приложений стандартом де-факто стал табличный редактор Microsoft® Excel.

Особенности Microsoft® EXCEL

Microsoft Excel – средство для работы с электронными таблицами, намного превы­шающее по своим возможностям существующие редакторы таблиц, первая версия данно­го продукта была разработана фирмой Microsoft в 1985 году. Microsoft Excel - это простое и удобное средство, позволяющее проанализировать данные и, при необходимости, про­информировать о результате заинтересованную аудиторию, используя Internet. Microsoft® Excel разработан фирмой Microsoft, и является на сегодняшний день самым популярным табличным редактором в мире. Кроме стандартных возможностей его отличает следую­щие возможности, он выводит на поверхность центральные функции электронных таблиц и делает их более доступными для всех пользователей. Для облегчения работы пользова­теля упрощены основные функции, создание формул, форматирование, печать и построе­ние графиков (приложени№5).

3.4 Нейросетевые технологии в финансово-экономической деятельности

Одним из наиболее интересных приложений нейронных сетей в последние годы стали именно задачи финансовой деятельности. На рынке появляется огромное количество как универсальных нейропакетов, которые зачастую используются для решения задач технического анализа, так и специализированных экспертных систем и нейропакетов для решения многих других, зачастую более сложных и трудно формализуемых задач из финансовой области. В настоящее время имеет место широкое появление на отечественном рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных.

Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neurofo-rester v.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений.

Использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач, в частности при анализе финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко – от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня [10].

К основным преимуществам нейронных сетей можно отнести:

­  способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы;

­  способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;

­  эксплуатация обученной нейронной сети по силам любым пользователям;

­  нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;

­  внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т. е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;

­  толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;

­  способность к обучению: программирование вычислительной системы заменяется обучением;

­  способность к распознаванию образов в условиях сильных помех и искажений.

Появление столь мощных и эффективных средств не отменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети просто приходят – и используются теми людьми, которые их понимают, которые в них нуждаются и которым они помогают решать многие профессиональные проблемы. Не обязательно насаждать нейронные сети или пытаться доказать их неэффективность путем выделения присущих им особенностей и недостатков - нужно просто относиться к ним, как к неизбежному следствию развития вычислительной математики, информационных технологий и современной элементной базы.

Под нейрокомпьютером здесь понимается любое вычислительное устройство, реализующее работу нейронных сетей, будь то специальный нейровычислитель или эмулятор нейронных сетей на персональном компьютере. Под нейронной сетью (НС) – вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

Модели НС могут быть программного и аппаратного исполнения.

Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 3.3. Каждый синапс характеризуется величиной синаптическои связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Рис. 3.3 Искусственный нейрон

Текущее состояние нейрона определяется, как взвешенная сумма его входов:

В зависимости от функций, выполняемых нейронами в сети, можно выделить три типа:

·  входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;

·  выходные нейроны, выходные значения которых представляют выходы нейросети;

·  промежуточные нейроны, составляющие основу нейронных сетей.

В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот – выходной нейрон. В процессе функционирования сети осуществляется преобразование входного вектора в выходной, переработка информации.

Каждый нейрон распознаёт и посылает сигнал об одном простом событии, он не посылает много сигналов и не распознаёт много событий. Синапс позволяет единственному сигналу иметь различные воздействия на связанные с ним нейроны. Распознавание более сложных событий есть работа группы взаимосвязанных нейронов (НС) и несколько биологических нейронных сетей функционируют взаимосвязанно для обработки всё более сложной информации.

Нейронная сеть состоит из слоев нейронов, которые соединены друг с другом. Детали того, как нейроны соединены между собой, заставляют задуматься над вопросом проектирования НС. Некоторые нейроны будут использоваться для связи с внешним миром, другие нейроны - только с нейронами. Они называются скрытыми нейронами.

Современные возможности аппаратной реализации НС можно обобщенно оценить следующим образом:

число моделируемых нейронов – до 5 млн.;

число моделируемых связей – до 5 млн.;

скорость моделирования – до 500 млн. переключений связей/сек.

Для аппаратной реализации НС в настоящее время широко используются процессорные СБИС (сверхбольшим интегральным схемам), обладающие максимальными коммуникационными возможностями и ориентированные на быстрое выполнение векторных операций. К таким СБИС относятся транспьютеры фирмы INMOS (T414, Т800, А100), сигнальные процессоры фирм Texas Instruments (IMS 320C40, IMS 320C80), Motorola, Analog Device. Отечественная элементная база представлена нейрочипами на базе БМК «Исполин - 6ОТ».

Нейрокомпьютеры различают:

·  универсальные (позволяют реализовывать большое число моделей нейронных сетей и может применяться для решения разнообразных задач);

·  специализированные (предназначенном для решения узкого заранее заданного класса задач)

В литературе приведены доказательства того, что для любого алгоритма существует нейронная сеть, которая его реализует. То есть нейронные сети являются универсальными вычислительными устройствами. Однако существует очень много практических задач, которые могут быть эффективно решены на серийных компьютерах. Поэтому в настоящее время основное внимание уделяется разработке специализированных НК.

Существует несколько классификаций известных нейросетей:

·  по типам структур нейронов:

­  гомогенные сети (однородные) состоят из нейронов одного типа с единой функцией активации;

­  гетерогенные сети (входят нейроны с различными функциями активации).

·  по типу оперируемых сигналов:

­  бинарные оперируют только двоичными сигналами, и выход каждого нейрона может принимать значение либо логического ноля (заторможенное состояние), либо логической единицы (возбужденное состояние);

­  аналоговые;

·  по переменам состояний

­  синхронные, т. е. в каждый момент времени лишь один нейрон меняет свое состояние;

­  асинхронные, т. е. состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени в нейронных сетях задается итерационным выполнением однотипных действий над нейронами;

·  по возможностям обучения:

­  предварительно обученные (неадаптивные);

­  самообучающиеся (адаптивные);

·  по архитектуре:

­  полносвязные;

­  многослойные или слоистые;

­  слабосвязные (с локальными связями).

В полносвязных нейросетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.

В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя, Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев. Связи от выходов нейронов некоторого слоя q к входам нейронов следующего слоя (q+1) называются последовательными, а между нейронами одного слоя называют латеральными (боковыми).

Алгоритм решения задачи

Любая работа с нейросетью начинается с определения задач (1 этап), которые она должна решать, т. е. с определения функций выходов.

Привычной стала необходимость привлечения квалифицированных экспертов.

В общем случае сеть может решать как задачи классификации (дискретные выходы), так и задачи предсказания (непрерывные выходы). Рассмотрим процесс обучения нейросети на примере прогнозирования трейдером различных показателей.

При выборе функции выхода необходимо всегда проводить предварительный анализ и оценивать возможность его предсказания. Примером может быть исследование прогнозирования цен High, Low, Close для российского рынка акций на день вперед. Цена Close прогнозируется наихудшем образом и имеет наибольшую ошибку. А цены High и Low прогнозируются с переменным успехом для разных акций. Вывод о худшем прогнозировании цены Close можно обосновать тем, что в конце торгов последние сделки делают крупные операторы рынка, и их поведение не поддается формализации.

Вопрос о построении сети решается в два этапа:

·  выбор архитектуры сети (число входов, передаточные функции; способ соединения входов между собой; что взять в качестве входов и выходов сети);

·  подбор весов (обучение) сети.

Каждая группа моделей нейронных сетей может быть использована для решения лишь некоторого ограниченного класса практических задач. Так, многослойные и полносвязные нейронные сети с сигмоидальными передаточными функциями используются для распознавания образов и адаптивного управления; нейронные сети с локальными связями - для обработки изображений и некоторых других частных задач. Для решения задач линейной алгебры используются многослойные сети с особыми передаточными функциями.

Выбор оптимальной архитектуры сети в настоящее время не имеет математического решения и производится на основании опыта и знаний.

Большой размер нейросети приводит к затруднению обучения (для сети с 50 входами и 20 нейронами это задача оптимизации в 1000-мерном пространстве). Также уменьшаются обобщающие свойства сети, она начинает просто запоминать обучающую выборку. Такая сеть будет отлично "прогнозировать" на обучающей выборке, но на новых данных прогноз будет плохим. Чтобы избежать эффекта запоминания объем данных должен быть достаточно большим. Например, для прогнозирования российских акций на день вперед минимальный рекомендуемый размер выборки - около 200-250 дней.

Выбор структуры НС осуществляется в соответствии с особенностями и сложностью задачи. Для решения некоторых отдельных типов задач уже существуют оптимальные, на сегодняшний день, конфигурации. Если же задача не может быть сведена ни к одному из известных типов, разработчику приходится решать сложную проблему синтеза новой конфигурации. При этом он руководствуется несколькими основополагающими принципами: возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев; сложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов – возбуждающих, тормозящих и др.) также способствует усилению мощи НС. Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Так как проблема синтеза НС сильно зависит от решаемой задачи, дать общие подробные рекомендации затруднительно. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора.

Очевидно, что процесс функционирования НС, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой НС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).

Этот этап называется обучением НС, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.

Обучение НС может вестись с учителем или без него. В первом случае сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Во втором случае выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы.

Существует великое множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором - она производится на основе действий, подчиняющихся некоторому случайному процессу.

Среди различных конфигураций искуственных нейронных сетей (НС) встречаются такие, при классификации которых по принципу обучения, строго говоря, не подходят ни обучение с учителем, ни обучение без учителя. В таких сетях весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. С одной стороны, предъявление априорной информации можно расценивать, как помощь учителя, но с другой - сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известны сеть Хопфилда и сеть Хэмминга, которые обычно используются для организации ассоциативной памяти.

Задача, решаемая данной сетью в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных сигналов (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить ("вспомнить" по частичной информации) соответствующий образец (если такой есть) или "дать заключение" о том, что входные данные не соответствуют ни одному из образцов.

Сети Хопфилда, Хэмминга позволяют просто и эффективно разрешить задачу воссоздания образов по неполной и искаженной информации. Невысокая емкость сетей (число запоминаемых образов) объясняется тем, что, сети не просто запоминают образы, а позволяют проводить их обобщение, например, с помощью сети Хэмминга возможна классификация по критерию максимального правдоподобия. Вместе с тем, легкость построения программных и аппаратных моделей делают эти сети привлекательными для многих применений.

Вторым и наиболее важным этапом является определение состава входов. Нейросеть умеет отсеивать незначимые входы, но каждый "лишний" вход утяжеляет сеть, затрудняет обучение, а главное снижает качество прогноза. При большом числе "лишних" входов нейросеть чаще всего делает прогноз по типу "сегодня будет как вчера, завтра будет как сегодня". Поэтому необходимо очень аккуратно подходить к добавлению новых входов. Вообще, на входы нейросетей можно подавать самую разнообразную информацию, как дискретную (различные события) так и непрерывную (цены, индексы, индикаторы). Состав входов обычно является наиболее "сокровенной" тайной разработчика нейросети и держится в секрете. Наиболее значимыми входами являются индикаторы технического анализа и различные фондовые индексы.

При правильном обучении НС все основные ее ошибки связанны с недостатком входной информации и глобальным изменением состояния объекта прогнозирования. Например, прогноз максимальной цены на день вперед для НК Лукойл дает наибольшие ошибки прогноза в дни выхода каких-либо новостей, которые сильно влияли на российский рынок акций. НС не может прогнозировать такие события, как отставки премьер-министров, начало войны, итоги собраний акционеров и другие фундаментальные факторы. Но и в этих случаях нейросеть будет полезной, если заранее получить два варианта прогнозов – без переломного события и с ним – тогда у трейдера уже будут ценовые уровни при разных сценариях развития событий. И в зависимости от ситуации на рынке выбирается необходимый прогноз.

Выбор типа нейросетевой технологии и метода ее обучения можно выделить в самостоятельный этап. Для решения практических задач часто требуются обучающие выборки большого объема, поэтому в ряде нейропакетов предусмотрены средства, облегчающие процесс формирования и использования обучающих примеров. Однако в настоящее время отсутствует универсальная методика построения обучающих выборок и набор обучающих примеров, как правило, формируется индивидуально для каждой решаемой задачи.

Оказывается, что после многократного предъявления примеров веса сети стабилизируются, причем сеть дает правильные ответы на (почти) все примеры из базы данных. В таком случае говорят, что "сеть натренирована". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных.

Важно отметить, что вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Считается, что для полноценной тренировки требуется хотя бы несколько десятков-сотен примеров. Обучение сети – сложный и наукоемкий процесс.

Следующим этапом является этап подготовки данных В последние годы конъюнктура финансовых рынков претерпела значительные изменения, следствие которых стала динамичнее. В связи с этим возникла необходимость использования специальных механизмов обучения (неравномерная выборка данных), при которых больший вес имеют более новые данные. Кроме этого, при подготовке данных необходимо руководствоваться следующим правилом: "исходные данные должны быть непротиворечивы". Для решения этой проблемы, возможно, потребуется увеличить количество входов [16].

В процессе работы, периодически по мере изменения рынка, и его перехода на новые уровни (исторические минимум или максимум), необходимо проводить переобучение нейросетей на новых данных.

Обучение нейросетей является процессом простым, но длительным и требующим мониторинга. Типичными способами ускорения обучения являются: использование нейроплат – нейроускорителей; использование генетических алгоритмов; использование модифицированных алгоритмов обучения, таких как пакетная обработка, т. д.

Последними этапами можно считать проведение тестирования нейросети и ее запуск для получения прогнозов и оценка результатов. Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства ее тестирования. В сеть вводится некоторый сигнал, который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки. Далее анализируется получившийся выходной сигнал сети.

Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар («вход», «требуемый выход»). Обычно, обучающая и тестовая выборки не пересекаются. Тестовая выборка строится индивидуально для каждой решаемой задачи. Если результаты тестирования не удовлетворяют, то просматривается набор входных данных, изменяют некоторые учебные программы или перестраивают сеть.

Выходные данные могут быть представлены как числовыми данными, так и текстовыми, преобразованными в уникальный набор чисел в зависимости от класса выполняемой задачи.

Различают два типа выходных сигналов:

1. Дискретные. Такие выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы, условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самой неявной и неформализуемой форме. Примером выходных классификации может быть обычная гистограмма, определения состоятельности предприятия.

2. Непрерывные. выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения и используются для построения прогнозов и функциональных зависимостей для различной информации, причем сразу по нескольким переменным (критериям оценки).

Главная ценность нейронных технологий состоит в том, что они позволяют прогнозировать будущее. Однако нейросети – это не волшебная палочка и думать все равно нужно, потому что качество прогнозов определяется, прежде всего, уровнем профессионализма пользователя.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей:

·  прогнозирование временных рядов на основе нейросетевых методов обработки;

·  страховая деятельность банков;

·  прогнозирование банкротств на основе нейросетевой системы распознавания;

·  определение курсов облигаций и акций предприятий с целью инвестирования;

·  применение нейронных сетей к задачам биржевой деятельности;

·  прогнозирование экономической эффективности финансирования инновационных проектов;

·  предсказание результатов займов;

·  оценка платежеспособности клиентов;

·  оценка недвижимости;

·  рейтингование;

·  общие приложения нейронных сетей и пр.

Прогнозирование временных рядов на основе нейросетевых методов обработки.

·  Прогнозирование кросс-курса валют.

·  Прогнозирование котировок и спроса акций для биржевых спекуляций (не для долгосрочного вложения).

·  Прогнозирование остатков средств на корреспондентских счетах банка.

В настоящее время прогноз курсов иностранных валют определяется экспертизой квалифицированных специалистов в области обмена валют, которые всегда в дефиците. Исследования показывают, что имеется ряд показателей и математических зависимостей, которые дают возможность прогнозирования курса валюты, хотя могут и не относиться к финансовой области непосредственно. Однако динамическая природа рынков не позволяет выделить единственный «точный» показатель, так как условия рынка со временем меняются и решение задачи возможно при использовании сочетания ряда показателей, то есть переход к нелинейной многокритериальной модели. Специалистами Лондонского Ситибанка (Citibank NA London) разработаны коммерческие программы на базе искусственных нейронных сетей для прогнозирования курса валют.

Страховая деятельность банков производит оценку риска страхования инвестиций на основе анализа надежности проекта и оценку риска страхования вложенных средств.

Применение нейронных сетей для оценки риска страхования особенно эффективно с точки зрения способности анализировать как ранее накопленные данные по результатам страхования, так и коррелирующие данные, определяемые как дополнительные. Возможна оценка надежности проекта на основе нейросетевой системы распознавания надежности (множество оценок – да, нет).

Прогнозирование банкротств на основе нейросетевой системы распознавания:

·  анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде (да, нет);

·  анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью НС.

Фактическое банкротство может наступить задолго до того, как бедственная ситуация станет очевидной. Сегодня модной экономической теорией является теория антикризисного управления, говорящая о необходимости быстрой диагностики грядущего банкротства тех или иных учреждений. Предсказание банкротства лучше делать не на основе формальных математических выражений, а с учетом предыдущего опыта и статистики. Здесь НС могут оказать поистине неоценимую услугу – "высветить" признаки надвигающегося банкротства (пример результата – 75% вероятности банкротства).

Анализ банкротств, использующий финансовые соотношения, является весьма важным по нескольким соображениям. Во-первых, управление фирмы может выявлять потенциальные проблемы, которые требуют внимания. Во-вторых, инвесторы используют финансовые соотношения для оценки фирм. Наконец, аудиторы используют их как инструмент в оценке деятельности фирм. Данные, используемые для обанкротившихся фирм, могут быть взяты из последних финансовых бюллетеней, вышедших перед тем, как фирмы объявили банкротство.

Определение курсов облигаций и акций предприятий с целью вложения средств в эти предприятия подразделяется на:

·  выделение долгосрочных и краткосрочных скачков курсовой стоимости акций на основе нелинейной нейросетевой модели;

·  предсказание изменения стоимости акций на основе нейросетевого анализа временных экономических рядов;

·  распознавание ситуаций, когда резкое изменение цены акций является результатом биржевой игры с помощью нейросетевой системы распознавания;

·  определение соотношения котировок и спроса.

Прогнозирующая система может состоять из нескольких нейронных сетей, которые обучаются взаимосвязям между различными техническими и экономическими показателями и периодами покупки и продажи акций. Целью прогноза является выбор наилучшего времени для покупки и продажи акций. Здесь рассматриваются также задачи формирования портфеля ценных бумаг и распознавания шаблонов на графике изменения курсов акций, которые позволяют прогнозировать курс акций на последующем отрезке времени.

Применение нейронных сетей к задачам анализа биржевой деятельности:

·  нейросетевая система распознавания всплесков биржевой активности;

·  анализ деятельности биржи на основе нейросетевой модели;

·  предсказание цен на товары и сырье с выделением трендов вне зависимости от инфляции и сезонных колебаний;

·  нейросетевая система выделения трендов по методикам «японских свечей» и других гистографических источников отображения информации.

Прогнозирование экономической эффективности финансирования инновационных проектов:

·  предсказание на основе анализа реализованных ранее проектов;

·  предсказание на основе соответствия предлагаемого проекта экономической ситуации.

В первом случае используется способность нейронных сетей к / предсказанию на основе временных рядов, во втором – построения нелинейной модели на базе нейронной сети.

Предсказание результатов займов определяет возможности кредитования предприятий и целесообразность предоставления кредитов и займов без залога. Редко используется при предоставлении займов без залога на основе анализа дополнительной информации о потребителе кредитов. Оценивает риск займа на основе построения нелинейной модели.

Оценка платежеспособности клиентов – одна из первых областей банковской деятельности, в которых применение НС дало заметный эффект. Располагая историческими данными по всем таким клиентам, можно натренировать НС таким образом, что на ее входе будут показатели клиента, а на выходе – прогнозируемая степень его платежеспособности. Данные каждого вновь поступившего клиента обрабатываются с целью сбора информации и подаются на вход без перенастройки НС. В каждом банке такие методики реализуются по-своему. Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой требований, предъявляемых банком к потенциальным заемщикам. Удачным считается прогноз, сбывшийся на 80-90%.

Оценка недвижимости сопряжена с анализом множества факторов, зависимость между которыми неизвестна, поэтому стандартные методы анализа неэффективны в этом случае. Эксперты-оценщики, работающие в агентствах, не лишены доли субъективизма. НС эффективно решают обе вышеупомянутые проблемы. Примером фирмы, успешно реализующей данные технологии, служит компания Attrasoft (Бостон). Российские агентства недвижимости предпочитают более традиционные методы.

Рейтингование – еще одна задача, традиционно поручаемая НС. Однако проблема состоит в том, что большинство рейтингов характеризуют свои объекты по ряду критериев. Рейтинговые компании изобретают свои оригинальные расчетные формулы. В США относительно недавно был предложен следующий способ рейтингования: данные сотен фирм, представленных в многомерном пространстве признаков, были обработаны с помощью самообучающихся нейронных сетей (сетей Кохонена), которые произвели классификацию на основе стандартного кластерного анализа. Иными словами, все множество компаний, представленных в многомерном пространстве, было разложено на группы (кластеры) и тем самым проранжировано в определенном порядке без приложения каких бы то ни было принудительных критериев. Разумеется, нейросеть не выставляла рейтинги. Она всего лишь сгруппировала объекты и сделала на высоком уровне.

Общие приложения нейронных сетей – это применение нейронных сетей в задачах маркетинга и розничной торговли. Одно из самых «модных» применений нейрокомпьютеров в финансовой области:

·  установление цены на новый вид товара на основе многокритериальной оценки;

·  моделирование динамики цен на сельскохозяйственную продукцию в зависимости от климатических условий;

·  моделирование работы коммунальных служб на основе нейросетевой модели для многокритериального анализа;

·  построение модели структуры расходов семьи.

Управление ценами и производством с помощью нейросетевых технологий является перспективным направлением на Западе. Существуют примеры нейросетевых систем планирования, которые применяются совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики.

Анализ потребительского рынка является частью маркетингового анализа. На основе нейросетевых технологий решает огромное множество задач, начиная от необходимости рассылки купонов для повышения рентабельности продаж и заканчивая стратегией смещения конкурентов. Например, несколько лет назад фирма IBM Consulting выполнила заказ крупнейшего производителя пищевых продуктов на создание нейросетевой системы, прогнозирующей свойства потребительского рынка. Одним из основных маркетинговых механизмов заказчика является распространение купонов, дающих право покупки определенного товара со скидкой. Так как затраты на рассылку купонов довольно велики, решающим фактором является эффективность рассылки, то есть доля клиентов, воспользовавшихся скидкой.

Исследование факторов спроса - альфа и омега работы маркетинговой службы. В условиях конкуренции компании необходимо поддерживать постоянный контакт с потребителями - обратную связь. Анализ результатов опроса клиентов - достаточно сложная задача, так как здесь участвует большое количество связанных между собой параметров и НС идеально подходят для ее решения. Существующие нейросетевые методы позволяют вывлять сложные зависимости между факторами спроса, ч прогнозировать поведение потребителей при изменении маркетинговой политики, находить наиболее значимые факторы и оптимальные стратегии рекламы, а также очерчивать сегмент потребителей, наиболее перспективный для данного товара.

Примеры успешного использования нейросетевых технологий для построения эффективной маркетинговой политики являются маркетинговая кампания "Tango Orange Man", исследование предпочтений потребителей различных сортов пива в зависимости от их возраста, дохода, семейного положения и других параметров, проведенное фирмой Neural Technologies.

Приведенные выше примеры показывают, что технологии нейронных сетей и генетических алгоритмов применимы практически в любой области финансов. В некоторых задачах, таких как прогнозирование котировок или распознавание образов, нейросети стали уже привычным инструментом. Нет сомнений, что повсеместное проникновение новых технологий и в другие подобласти - только вопрос времени.

Расширяется сфера коммерческой деятельности в области нейрокомпьютеров или подобных им систем, в частности: нейропакеты; нейроплаты (CNAPS и другие); нейрокомпьютеры (Sinapse и другие); видеокурсы; охранные системы с нейросетевыми алгоритмами выделения движущихся объектов; системы "электронного ключа" с распознаванием отпечатков пальцев, рисунка радужной оболочки глаза; экспертная система G2.

Все это свидетельствует о том, что нейрокомпьютинг занимает все более прочные позиции в нашей повседневной жизни. Конечно, было бы преждевременно утверждать, что в ближайшем будущем нейрокомпьютеры заменят собой обычные компьютеры. Этого не произойдет ни сейчас, ни потом, поскольку "нейроподход" эффективен не для всех задач. Но там, где нейротехнологии имеют неоспоримые преимущества перед другими алгоритмическими методами неизбежно постепенно произойдет замена существующих аппаратных средств и программ на нейрокомпьютеры и нейросетевое программное обеспечение.

Реальные результаты практического применения нейросетевых технологий в России пока немногочисленны. Отчасти это объясняется следующими причинами:

использование аппарата ИНС имеет свои особенности, которые несвойственны традиционным методам;

путь от теории нейронных сетей к их практическому использованию требует соответствующей адаптации методологий, отработанных первоначально на модельных задачах;

вычислительная техника с традиционной архитектурой не лучшим образом приспособлена для реализации нейросетевых методов.

Несмотря на вышеупомянутые причины, проведенная акция стала громадным шагом на пути нейрокомпъютеризации страны, ибо массовый разработчик узнал, что существует новый класс алгоритмов под названием "нейронные сети" и что с их помощью можно эффективно решать различные задачи.

Сегодня исследования в области искусственных нейронных сетей (ИНС) обрели заметную динамику. Подтверждением тому служит факт финансирования этих работ в США, Японии и Европе, объем которого исчисляется сотнями миллионов долларов. Растет число публикаций по тематике ИНС, широк и их спектр: от монографий и статей, единодушно признанных основополагающими в данной области, до обзоров, посвященных прикладным вопросам. Издается несколько журналов, посвященных тематике ИНС, таких, например, как ШЕЕ Transaction on NeuralNetworks, Neural Networks, Neural Computing & Applications. В нашей стране периодически выходят в свет тематические выпуски журнала «Нейрокомпьютер», а также статьи журналах «Chip», «Компьютерлэнд», "Uprade» и «Компьютера».

3.5 Информационная технология экспертных систем

Экспертные системы дают возможность получать менеджеру необходимую информацию для принятия решений по любым проблемам при наличии соответствующей базы знаний.

Экспертные системы имеют непосредственное отношение к области «искусственного интеллекта». Но сюда относится также и создание роботов, систем, моделирующих интеллектуальные способности человека.

На рис. 3.4 приводится классификация информационных интеллектуальных систем по решению трудноформализуемых задач [10].

Рис. 3.4 Классификация информационных интеллектуальных систем

Экспертные системы (ЭС) возникли как теоретический и практический результат в применении и развитии методов искусственного интллекта с использованием ЭВМ.

ЭС – это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. при решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.

Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС сопровождается понятными пользователю объяснениями, качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила, по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов.

Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоения новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

В любой момент времени в системе существуют три типа знаний:

– Структурированные знания – статистические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

– Структурированные динамические знания – изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

– рабочие знания – знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматриваемых задач. Наличие таких возможностей является характерным для ЭС второго поколения, концепция которых начала разрабатываться 9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т. е. эволюционировать.

В экспертных системах первого поколения знания представлены следующим образом:

1)  Знаниями системами являются только знания эксперта, опыт накопления знаний не предусматривается.

2)  Методы представления знаний позволяли описывать лишь статические предметные области.

3)  Модели представления знаний ориентированы на простые области.

Представление знаний в экспертных системах второго поколения следующее:

1)  Используются не поверхностные знания, а более глубинные. Возможно дополнение предметной области.

2)  ЭС может решать задачи динамической базы данных предметной области.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение, диагностика неисправностей в механических и электрических устройствах, медицинская диагностика.

Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система «Завоевание Уолл-стрита» может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать план капиталовложений на перспективу.

Прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров.

Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. дамасская фирма Informat впервые в торговой практике предоставляет в распоряжение покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету.

Системы, основанные на знаниях, могут применяться в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на автономных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего.

Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования.

Существует ряд прикладных задач, которые решаются с помощью систем, основанных на знаниях, более успешно, чем любыми другими средствами. При определении целесообразности применения таких систем нужно руководствоваться следующими критериями.

1.  Данные и знания надежны и не меняются со временем.

2.  Пространство возможных решений относительно невелико.

3.  В процессе решения задачи должны использоваться формальные рассуждения. Существуют системы, основанные на знаниях, пока еще не пригодные для решения задач методами проведения аналогий или абстрагирования (человеческий мозг справляется с этим лучше). В свою очередь традиционные компьютерные программы оказываются эффективнее систем, основанных на знаниях, в тех случаях, когда решение задачи связано с применением процедурного анализа. Системы, основанные на знаниях, более подходят для решения задач, где требуются формальные рассуждения.

4.  Должен быть по крайней мере один эксперт, который способен явно сформулировать свои знания и объяснить методы применения этих знаний для решения задач.

В целом ЭС не рекомендуется применять для решения следующих типов задач:

– математических, решаемых обычным путем формальных преобразований и процедурного анализа;

– задач распознавания, поскольку в общем случае они решаются численными методами;

– задач, знания о методах решения которых отсутствуют (невозможно построить базу знаний).

Системы, основанные на знаниях, имеют определенные преимущества перед человеком-экспертом.

1.  У них нет предубеждений.

2.  Они не делают поспешных выводов.

3.  Эти системы работают систематизированно, рассматривая все детали, часто выбирая наилучшую альтернативу из всех возможных.

4.  База знаний может быть очень и очень большой. Будучи введены в машину один раз, знания сохраняются навсегда. Человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются.

5.  Системы, основанные на знаниях, устойчивы к «помехам». Эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. ЭС, не обремененные знаниями из других областей, по своей природе менее подвержены «шумам». Со временем системы, основанные на знаниях, могут рассматриваться пользователями как разновидность тиражирования – новый способ записи и распространения знаний. Подобно другим видам компьютерных программ они не могут заменить человека в решении задач, а скорее напоминают орудия труда, которые дают ему возможность решать задачи быстрее и эффективнее.

6.  Эти системы не заменяют специалиста, а являются инструментом в его руках.

При создании ЭС возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может достаточно точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят «машиной». Но эти страхи не обоснованы, т. к. ЭС не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения. Также ЭС неприменимы в больших предметных областях и в тех областях, где отсутствуют эксперты.

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора.

База знаний – это совокупность моделей, правил и факторов, данных, порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области [Титоренко, 2006].

Сегодня создается целый спектр баз знаний – от небольших по объему до мощных, предназначенных для профессионалов, эксплуатирующих сложные, технически оснащенные ЭВМ. Совершенствование создаваемых баз знаний делает их доступными для массового пользователя с превращением их в коммерческий продукт.

3.6 Автоматизированные информационные технологии
в биржевом деле

Применение электронных технологий является одной из характерных особенностей развития современного российского фондового рынка. Они обеспечивают высокую динамику операций, существенно ускоряют расчеты, расширяют круг участников и уменьшают риски.

Под влиянием новых информационных технологий на современном этапе существенные изменения происходят и в управлении фондовыми биржами. В их деятельности все более важную роль, наряду с известными видами ресурсов - трудовыми и финансовыми, - играет информационный ресурс.

Фондовая биржа представляет собой традиционно и постоянно действующий рынок ценных бумаг с определенным местом и временем продажи и покупки ранее выпущенных ценных бумаг.

Усилению роли биржи в торговле ценными бумагами способствуют тенденции концентрации и централизации капитала на самой бирже, возрастание компьютеризации ее операций, а также форм и методов сбора, доставки и обработки информации, прямое государственное регулирование операций биржи, усиление тенденций интернационализации биржевых сделок.

Основными центрами биржевой торговли в мире в настоящее время являются Нью-Йорк, Лондон, Франкфурт-на-Майне, Цюрих, Токио.

Существование биржевой торговли ценными бумагами требует увеличения числа ее участников. Каждый из них должен обеспечиваться оперативной и достоверной информацией, проводить квалифицированный анализ ситуации на рынке в целом и рынке отдельных ценных бумаг. События на фондовом рынке являются барометром состояния национальной экономики, поэтому должны обсуждаться в средствах массовой информации, как это принято во всем мире. Биржевая информация должна быть адресована не только профессиональным участникам рынка, но прежде всего широким слоям потенциальных инвесторов. Эффективность современного рынка ценных бумаг (РЦБ) во многом зависит от степени его компьютеризации. В настоящее время интенсивность процесса компьютеризации на РЦБ определяется следующими факторами:

- во-первых, предметом и продуктом труда на фондовой бирже служат не какие-то вещественные материальные ценности, а информация, хорошо поддающаяся преобразованию на “машинный язык”;

- во-вторых, участник биржевых операций, обладающий необходимой и своевременной информацией, получает возможность больше заработать и по этой причине стремится вкладывать средства в новые информационные технологии на бирже;

- в-третьих, для привлечения широкого круга клиентов как одного из условий современной конкуренции в биржевом деле необходим соответствующий уровень информационного сервиса каждого из них;

- в-четвертых, эффективно работать на мировом фондовом рынке можно только обладая адекватным другим участникам рынка уровнем компьютеризации и возможностями выхода на соответствующие телекоммуникации;

- в-пятых, получение своевременной, достоверной и полной информации о биржевых операциях становится необходимым условием принятия правильных решений, а также их выполнения.

Перефразировав известное выражение, можно сказать, что сегодня автоматизация в управлении биржевыми операциями не роскошь, а средство для выживания. Именно применение современных компьютеров и средств связи приводит к коренной перестройке информационных технологий в биржевом деле, дает возможность повысить информативность всех участников торговли ценными бумагами, ускорить проводимые расчеты и улучшить условия труда людей.

Создаваемые компьютерные системы биржевых операций должны удовлетворять следующим требованиям:

•  надежность работы и оперативное восстановление работы при сбоях без потери обрабатываемой информации;

•  защищенность от несанкционированного доступа, разрушений и искажений;

•  комплексность, то есть системная интеграция технического, программного, информационного обеспечения;

•  интеграция функций торговой системы и электронного депозитария с обслуживанием всего жизненного цикла ценных бумаг;

•  гибкость, то есть возможность настройки на обслуживание различных типов финансовых инструментов без проведения крупномасштабных доработок;

•  новизна или возможность решения новых информационных задач по биржевым операциям;

•  оперативность реакции на запросы как локальных, так и удаленных пользователей;

•  возможность участия в торгах физических и юридических лиц в режиме реального времени (on-line) и в режиме отложенной обработки информации торгов (off-line);

•  обеспечение всего потока транзакций с учетом пиковых нагрузок на рынке;

•  соответствие имеющимся международным стандартам.

Создание на РЦБ современных информационных технологий - длительный и дорогостоящий процесс. Известно, что организация компьютерной системы биржи средних размеров (Парижской), потребовала 500 человеко-месяцев работы. В пиковые моменты в проекте было занято до 250 человек. Система рассчитана на 60 тыс. транзакций в день и включает 700 отлаженных и поддерживаемых программ для ЭВМ.

Становление и развитие Российского биржевого дела происходит в условиях формирования смешанной экономики, ее нестабильности, сопровождается инфляцией, неразвитостью правовой базы и т. д. Все это накладывает свой отпечаток на развитие информационных технологий в биржевом деле.

На деятельности биржи все заметнее сказывается влияние компьютеризации, существенно снижающей издержки и повышающей производительность сделок. В то же время, в мире накоплен огромный опыт применения нейротехнологии и нейропакетов, ориентированных на решение задач финансового анализа и планирования, причем здесь большая роль принадлежит консультативным фирмам, которые специализируются на операциях фондовой биржи.

Интуиция финансиста достаточно успешно подменяется прогнозами компьютера.

В состав пользователей информационных технологий фондового рынка входят государственные и частные организации, выпускающие в обращение ценные бумаги; инвестиционные фонды; брокерские и многие другие.

Особенно большого прогресса достиг процесс компьютеризации и применения современных средств связи в США, что способствовало повышению темпа роста производительности труда в биржевой сфере. В конце 70-х и начале 80-х г. г. рост производительности труда в банковском деле составил 10,4 %, в операциях с ценными бумагами - 30,9%, а в обрабатывающей промышленности - 2,3%, строительстве - 0,6%, добывающей - 3,4%(31).

В мировой практике организации фондовых рынков существует институт маркет-мейкеров (дословно “делатель рынка”), обеспечивающий устойчивость функционирования торговли для ее организаторов, участников и эмитентов. К стандартным видам работ и услуг маркет - мейкера можно отнести:

1.  Поддержание двусторонних котировок в пределах нормативно заданного спрэда (разницы между максимальной ценой продажи и минимальной ценой покупки).

2.  Возможность подачи заявок не только за свой счет, но и за счет своих клиентов.

3.  Поддержание ликвидности акций.

4.  Финансовое консультирование.

5.  Проведение презентаций.

6.  Регулирование “выбросов” акций на рынок и эмиссий.

7.  Создание искусственного дефицита акций путем их целенаправленной скупки.

8.  Монополизацию скупки акций у персонала эмитента.

9.  Поиск серьезных инвесторов, готовых вкладывать средства в акции эмитента.

Для успешной работы Российского маркет-мейкера необходимо решение ряда проблем. Во-первых, недостаток информации остается одним из главных препятствий для нормального развития фондового рынка, поэтому необходимы информационная прозрачность компании и создание стимулов для раскрытия информации о себе. Во-вторых, слабость инфраструктуры рынка и законодательной базы существенно повышает риск работы маркет-мейкера на рынке акций. В-третьих, в отличие от западного фондового рынка, где большая часть сделок заключается в автоматическом режиме, у нас отсутствует хорошая техническая база. В-четвертых участились случаи мошенничества на рынке, что также связано со слабым решением технических вопросов.

Для финансовых систем развитых стран обычным способом привлечения средств в казну является выпуск государственных краткосрочных облигаций. Подобная практика имела место и в дореволюционной России. Еще в 1812 году состоялся первый выпуск подобного рода долговых обязательств с целью получения дополнительных средств для покрытия Российских военных расходов. После известного исторического периода одним из признаков вхождения России в стадию экономических преобразований стало создание Московской межбанковской валютной биржи (ММВБ) и организация торгов по Государственным краткосрочным обязательствам (ГКО).

В мае 1992 года Центральный банк России при содействии рабочей группы “Российско-американского банковского форума” разработал проект создания рынка государственных краткосрочных облигаций (ГКО). Рынок ГКО создан не только для вполне определенных финансовых целей, но на нем отрабатываются цивилизованные формы электронного торгово-депозитарного обслуживания, устанавливаются удаленные терминалы, применяются передовые средства связи.

Реализация проекта создания и внедрения на ММВБ современного торгово-депозитарного комплекса начата в 1993 году.

Для проведения торгов по облигациям в 1993 был подготовлен торговый зал ММВБ, в котором была развернута локальная вычислительная сеть, завершилась разработка программного обеспечения Депозитарной и Торговой систем для всего цикла существования облигаций - от их эмиссии до их погашения. На реальной торговой системе начато регулярное обучение трейдеров (уполномоченных сотрудников банков) правилам работы с электронной торговой системой ММВБ.

Положительной стороной деятельности российского РЦБ стало также установление информационных связей и контактов российских бирж с крупнейшими фондовыми биржами США, стран Западной Европы и Азиатско-Тихоокеанского региона. Регулирующим и направляющим деятельность РЦБ стал такой государственный орган, как Комиссия по ценным бумагам и фондовым биржам при Президенте РФ. Кроме того, был создан консультативно-координационный орган - Федерация фондовых бирж, в состав которой были включены представители фондовых бирж различных регионов Российской Федерации.

Наиболее активно развитие РЦБ началось с 1993 года, с расширением видов ценных бумаг, ростом их объемов, появлением новых учреждений на РЦБ.

Первоначально участники торгов (банки, инвестиционные, брокерские и финансовые компании) в ходе торговой сессии могли находиться только за терминалами локальной сети на вычислительном центре ММВБ. В результате развития рынка и расширения географии торгов была создана широкомасштабная в рамках страны финансовая сеть ММВБ, позволяющая проводить торговые операции не только в Москве, но и на удаленных торговых площадках в режиме реального времени. При этом была обеспечена минимизация задержки при удаленном подключении к торгово-депозитарной системе ММВБ, обеспечивающая равные возможности участников торгов.

Расчетную систему срочного рынка ММВБ составляют:

•  Расчетный банк, функции которого выполняет Центральный банк РФ;

•  Система электронных расчетов (СЭР);

•  ММВБ.

СЭР построена по принципу звезды с центральным вычислительным центром на ММВБ и рабочими местами, установленными в офисах участников расчетов. Рабочие места позволяют формировать платежные поручения в электронной форме, передавать их в вычислительный центр и получать из него выписки по счетам.

На ММВБ разработано автоматизированное рабочее место (АРМ) риск - менеджера, позволяющее наблюдать за ходом торгов и позициями участников в реальном режиме времени. В частности, АРМ позволяет проверять позиции участников на соответствие лимитам.

Разработано программное обеспечение для мониторинга глобального риска ММВБ, для чего имеются специальные процедуры, позволяющие оценить качество депозитарного маржирования и риск ММВБ в целом.

Участник торгов (трейдер) имеет возможность:

•  получать постоянно обновляемую биржевую информацию;

•  оперативно выставлять (снимать) заявки в торговую систему с рабочего терминала инвестора в режиме реального времени, а для инвестиционной компании - вести торги от имени нескольких инвесторов с одного терминала;

•  формировать и печатать отчетные документы в любой момент текущей торговой сессии и за любой архивный день;

•  вести автоматический расчет доходности последней сделки, доходности покупки/продажи по наилучшей цене в текущий момент времени, доходности по максимальной/минимальной ценам сделки и заявки с начала торговой сессии.;

•  с определенной периодичностью выставлять заявку в систему ММВБ до совершения сделки или отмены ее инвестором;

•  вести справочники ценных бумаг и клиентов;

•  выставлять заявки из заранее подготовленного справочника заявок и многое другое.

Уже в настоящее время участникам Российского фондового рынка доступны услуги многих компьютерных глобальных сетей, таких, как Relcom, Internet, Bitnet, SprintNet. Используя возможности телеконференций, Российские организации могут направлять объявления об эмиссии и предложения купли-продажи различных ценных бумаг. Абоненты системы включают три группы пользователей:

•  сотрудники ММВБ, управляющие ходом торгов;

•  трейдеры (маркет-мейкеры), принимающие участие в торгах;

•  другие специалисты, получающие биржевую информацию.

Защита от несанкционированного доступа в систему обеспечивается за счет использования процедур идентификации пользователя при входе в нее, разграничения полномочий абонентов, программно-реализован­ного шифрования данных при вводе, передаче и получении электронной подписи.

Расчеты между участниками ММВБ осуществляются путем передачи и приема электронных документов. Они представляют собой совокупность данных в машинной форме, которые создаются, обрабатываются и хранятся в памяти ЭВМ и передаются по телефонным каналам связи.

Электронные документы на перевод денежных средств, акций и облигаций, генерируемые системой торгов на ММВБ, считаются аутентичными бухгалтерским документом, используемым в соответствии с нормативными актами Банка России и являются основанием для осуществления бухгалтерских записей. Для целей бухгалтерского учета могут создаваться бумажные копии электронных документов.

Электронные документы заверяются электронной подписью, которая обеспечивает идентификацию отправителей документов и защиту от несанкционированного создания и модификации документов. Первичным электронным документом, на основании которого осуществляется списание и зачисление средств на счета участников, является электронное платежное поручение. При осуществлении расчетов участникам представляются следующие вторичные электронные документы: выписка по счету участника после каждой операции по его корреспондентскому счету; сводная выписка по счету участника на конец каждого рабочего дня, уведомление о невозможности использования заказанной операции с указанием причины.

В России активно компьютеризируется РЦБ, и на региональном уровне началось создание многотерминальных компьютерных систем профессиональных регистраторов, которые будут вести учет сотен тысяч акционеров для десятков акционерных обществ. Примером такой системы может служить программный комплекс автоматизации расчетно-клирингового депозитарного центра Фондового эмиссионного синдиката (Санкт-Петербург), предназначенный для автоматизации деятельности федерального и региональных расчетно-клиринговых депозитарных центров городских и районных депозитариев и депозитариев - регистраторов [31].

Между создающимися в России крупными автоматизированными системами существуют различия, поэтому актуальными являются вопросы стандартизации и интеграции информационных потоков.

Электронный рынок ценных бумаг в России состоялся и начался новый этап его превращения в общероссийский, что потребует привлечения на этот рынок не только профессиональных участников (банки, финансовые компании, брокерские фирмы), но и как можно большего количества первичных инвесторов, в особенности физических лиц.

Одновременно участвовать в торгах смогут, если это потребуется, несколько тысяч пользователей. Региональные центры торговли в режиме реального времени смогут взаимодействовать с электронной торгово-депозитарной системой на Московской Межбанковской Валютной бирже, тем самым будет создано единое финансовое пространство в России.

В связи с развитием рынка ценных бумаг в России возникла необходимость его взаимодействия с фондовыми рынками мира. Это объясняется, в частности, стремлением российских бизнесменов размещать свободные денежные средства на счетах иностранных банков на более выгодных условиях, чем в России. Однако необходимым условием такой интеграции является высокая степень информированности и квалификации российских операторов в области размещения свободных финансовых резервов, под портфели ценных бумаг иностранных фондовых рынков.

Рынок ценных бумаг основан на применении мировой телекоммуникационной системы JNTERSETTLE. Последняя с помощью спутниковых каналов связей между фондовыми и фондово-товарными биржами (магазинами) мира осуществляет размещение кредитно-финансовых средств рынка капитала под портфели ценных бумаг, куплю-продажу на биржах как портфелей, так и отдельных ценных бумаг, их размещение по поручению клиентов в депозитариях бирж и банков, а также получение доходов от вложения активов банков под ценные бумаги.

Российские партнеры получают необходимый опыт работы с иностранными ценными бумагами на мировом РЦБ. Увеличение оборота ценных бумаг и интернационализация сделок на бирже привели к необходимости использования самой современной электронной техники и средств связи. С этой целью было создано объединение РЦБ едиными системами электронной связи. Все биржи США, Западной Европы, Японии, Канады и ряда других стран объединены единой электронной, визуальной и компьютерной системой. Это позволяет поступающие заказы выполнять на любой из бирж “в зависимости от наиболее благоприятной котировки”.

Так, заключенные сделки на фондовых биржах обязательно вводятся в память ЭВМ, и сведения о них отражаются на экране в торговом зале, а также на мониторах дилеров и брокеров не только своей страны, но и далеко за ее пределами. Созданная система автоматизации и компьютеризации биржевых оборотов является объективным препятствием для части брокеров, дилеров и других посредников в совершении ими различных финансовых махинаций в этих процессах.

На РЦБ важное значение придается электронному формированию и поддержке единого информационного пространства, поэтому актуальными являются вопросы стандартизации и унификации информационных потоков. К числу организаций, специализирующихся на координации и систематизации разнородных потоков информации, относится Корпорация по автоматизации индустрии ценных бумаг (США).

Международная Организация по Стандартизации определяет стандартные форматы сообщений получения и отправки ценных бумаг и распоряжений на их куплю-продажу, порядок кодирования ценных бумаг и нумерации сертификатов. Участникам фондового рынка во всем мире доступны услуги многих сетей, в числе которых и Internet. Эта система обеспечивает обмен информацией между всеми компьютерами, которые входят в сети, подключенные к ней и ею активно пользуются биржи, брокерские конторы, инвестиционные и прочие компании. Разновидность компьютера и используемая им операционная система, принципиального значения не имеют. При подключении какой-либо локальной сети к Internet, каждая рабочая станция ее также может получить доступ к этой сети. Есть и самостоятельные компьютеры, подключенные к Internet (хост-компьютеры), которые вполне равноправны. В Internet можно выделить поставщиков услуг, поддерживающих информацию на серверах и потребителей этих услуг, т. е. клиентов. Услуги Internet построены на основе модели “клиент-сервер”. Сервер-программа поддерживает определенную услугу сети, а программа-клиент обеспечивает пользователя графическим интерфейсом, делающим доступ к этой услуге простым и наглядным.

Серверами всемирной сети Internet представляются следующие услуги:

•  Электронная почта.

•  Передача файлов.

•  Работа на удаленном компьютере с помощью Telnet-протокола удаленного терминального доступа к сети.

•  Телеконференции в реальном времени либо через электронную почту.

•  Поиск ресурсов по ключевым словам.

•  Объединение на WWW (World Wide Web) - серверах возможностей всех вышеуказанных средств, т. е. передача текстов, программ, графических изображений, звуков, видео, связанных структурой гипертекста.

На финансовом рынке возможности Internet широко используются. Например, информация, интересующая участников фондовых бирж, часто размещается в телеконференциях сети Internet. Что же касается использования этой сети для организации торговли ценными бумагами, то здесь возникает ряд проблем.

Информационные технологии в управлении биржевыми операциями представляют пользователям не только информацию, связанную с торгами, но также экономические новости, сведения об эмитентах. Например, зарубежная система ‘Reuters Holdings PLS’ насчитывает более 150 тысяч терминалов во всем мире, обеспечивает участникам торгов возможность заключения сделок в ее компьютерной сети, предоставляется оперативная информация об экономическом положении предприятий, активах, сроках и местах аукционов, текущих котировках.

Многие субъекты финансового рынка - банки, брокерские компании, дилинговые центры и другие финансовые институты - испытывают большую потребность в техническом анализе рынков, прогнозировании биржевой конъюнктуры, в доступе к мировым информационным системам.

Развитие финансовых рынков во всем мире идет семимильными шагами, все более широкий круг инвесторов предпочитает вкладывать свои средства в ценные бумаги, которые обращаются на биржевом рынке. Выход России из кризиса 1998 года, ознаменовавшийся бурным ростом российской экономики, восстановление нормального диалога с инвесторами, проявившееся в реструктуризации долгов Лондонскому клубу, послужили надежной основой для восстановления нормального функционирования российского финансового рынка. Устойчивый интерес инвеститоров к российским ценным бумагам существенно повысил ликвидность рынка и, следовательно, надежность финансовых вложений.

Современное развитие информационных технологий кардинально меняет “лицо” фондового рынка. Инвесторы все больше отдают предпочтение интерактивному методу ведения торгов ценными бумагами, который позволяет им получать рыночную информацию в режиме реального времени и посылать заявки на продажу или покупку ценных бумаг брокеру, используя компьютер, а не телефон.

На западных рынках электронная торговля ценными бумагами давно стерла грань между офисом и биржей. Полностью автоматизированные системы вполне успешно выполняют функции брокеров на торговых площадках – сводят продавца с покупателем, заключают и исполняют сделки. Так, например, выйти в торговую систему SuperDot на Нью-Йорской фондовой бирже можно сейчас с любого персонального компьютера. SuperDot позволяет следить за ходом торгов, вводить и исполнять ордера. Подобных систем сейчас множество. Они пользуются заслуженной популярностью как у частных инвесторов, так и у крупных инвестиционных фондов. Ведь с их помощью инвестор, не выходя из дома, может оперировать практически любым финансовым инструментом – акциями, котируемыми на NYSE, AMEX, NASDAQ, ОТС и других торговых площадках, государственными ценными бумагами, корпоративными облигациями, паями взаимных фондов, опционами, фьючерсами и т. д. И сейчас до 90% ордеров в торговые системы западных бирж поступают в электронном виде и исполняются автоматически, причем около половины из них приходит через Интернет.

Новый сегмент рынка был создан за ничтожный по меркам западного фондового рынка срок – всего за восемь лет: в 1992 году в США были сделаны первые попытки организовать торговлю ценными бумагами в сети. Создание систем для торговли акциями через Интернет в России только начинается. Правда, их развитие идет гораздо быстрее, чем оно происходило на Западе. Сегодня практически все идущие отечественные биржевые площадки занимаются развитием систем, которые дают доступ к торгам через Интернет.

Процесс внедрения комплекса услуг по Интернету–дилингу проходил поэтапно.

На первом этапе позволяли наблюдать в режиме on-line за ходом торгов, видеть совершаемые сделки, текущие котировки по избранным инструментам, курсы валют и основные мировые биржевые индексы. Распространение такого рода систем позволяет брокерам многократно расширить клиентскую базу, снизить издержки (свои и клиентов) на проведение операций и повысить доверие к себе клиентов (клиент получает возможность контролировать добросовестность выполнения брокером своих функций).

На втором этапе, кроме удобств, перечисленных выше, появилась возможность торговли ценными бумагами в режиме реального времени по внутренним котировкам компании, предоставляющей эту услугу.

И, наконец, на третьем этапе система электронной торговли позволяет наблюдать в режиме on-line за ходом на торговой площадке, видеть совершаемые в ней сделки, текущие котировки по избранным инструментам, а также динамически изменяющиеся после каждой сделки сведения о Ваших лимитах по деньгам и по ценным бумагам. Система позволяет также оперативно формировать заявки на покупку/продажу ценных бумаг, проверять их на соответствие Вашим лимитам, а также разрешенным отклонениям цены ЦБ от ее текущего значения и передавать заявку в торговую систему. Действительно, получив фактически прямой доступ к биржевому рынку для подачи заявок и заключения сделок, доступ к первичной биржевой информации, инвестор может заключать сделки по биржевым, т. е. лучшим ценам. При этом доступ к биржевому рынку может осуществляться из любой точки земного шара.

Создание трехуровневой электронной системы “клиент-брокер-биржа” можно расценивать как качественный скачек в повышении автоматизации фондового рынка.

Между тем, стоит отметить, что для нормального развития систем торговли акциями через Интернет в России необходимо решить целый ряд серьезных проблем.

1.  Главная из них – недостаточная законодательная база для проведения операций по покупке и продаже активов через Интернет. Сейчас разработчики систем торговли ценными бумагами через Интернет вынуждены действовать на свой страх и риск.

2.  К существенным недостаткам можно отнести проблему надежности систем Интернет-трейдинга в России. В торговле и передаче заявок по Интернету присутствует риск попытки взлома. Для защиты операций используются всего несколько инструментов. Кроме имени и пароля, необходимых для входа в торговую систему, компании применяют лишь криптографическую защиту сетевых соединений.

3.  Еще одна проблема, с которой сталкиваются инвесторы – техническая – низкое качество телекоммуникации, особенно в регионах. Клиент, торгующий ценными бумагами через Интернет, обязан отдавать себе отчет, что при таком способе торговли (как, впрочем, и при телефонном), существует риск обрыва связи. По словам участников рынка, система может неожиданно “зависнуть”, и время от выставления заявки до ее появления в системе может увеличиваться до нескольких десятков секунд. Причем, по закону Мэрфи, происходит это, как правило, именно в моменты активного рынка. В этом случае потери инвестора бывают весьма значительны.

4.  В качестве одного из факторов, сдерживающих развитие в России Интернет-трейдинга, нельзя не назвать дороговизну обслуживания торговых комплексов. Для большинства потенциальных инвесторов, готовых потратить на рынке, предлагаемые компаниями тарифы оказываются слишком высокими. Впрочем, можно предположить, что с развитием Интернет-торговли стоимость обслуживания значительно снизится.

5.  И еще одна проблема, которая носит общий характер, - небольшая аудитория пользователей сети Интернет в России, размер которой непосредственно влияет на количество сделок, совершаемых через Интернет.

Контрольные вопросы и тесты для проверки знаний по теме*)

1.  Что понимается под техническим обеспечением АИС?

2.  Определите состав типовых процедур и операций информационных технологий.

3.  Какова структура ИТ?

4.  Каковы принципы классификации ИТ?

5.  В чем состоит сущность технологий электронной подписи, электронного офиса?

6.  Как используются текстовые редакторы?

7.  В чем состоит специфика обработки данных в виде таблиц?

8.  В чем состоят различия компьютеров разных видов и классов?

9.  Назовите этапы развития ИТ.

10.  Назовите основные преимущества нейронных сетей.

11.  Что такое нейрокомпьютер? Их виды.

12.  Назовите элементы искусственного нейрона.

13.  Какие бывают нейросети?

14.  Что понимается под обучением нейростей?

15.  Назовите основные классы финансовых задач, решаемых с помощью нейросетей.

16.  Какие этапы надо выполнить для обучения нейросети?

17.  В каких изданиях можно почерпнуть сведения о нейросетях?

18.  Что такое экспертные системы? Назовите области их применения.

19.  Назовите особенности информационных технологий в управлении биржевыми операциями.

Именно то, как вы собираете, организуете и используете информацию, определяет, победите вы или проиграете.

Б. Гейтс

Глава 4 Информационное обеспечение АИС

4.1  Понятие экономической информации, ее виды и структура.

4.2  Понятие информационного обеспечения (ИО). Системы классификации и кодирования.

4.3  Проектирование документации и технология ее получения.

4.4  Внутримашинное информационное обеспечение.

Как правило, наибольшего успеха добивается тот,

кто располагает лучшей информацией

Б. Диэраэли

4.1 Понятие экономической информации, ее виды и структура

В буквальном переводе с латинского слово informatio означает разъяснение, осведомление, сообщение о каком-то факте, событии и т. п.

В кибернетике информация обычно трактуется как степень устранения неопределенности знания у получателя. Иными словами, информацией является не любое сообщение, а лишь такое, которое содержит неизвестные ранее его получателю факты. Если в полученных сведениях ничего нового для получателя нет (например, два умножить на два получается четыре), то количество полученной информации будет равно нулю. И поэтому общим являются понятия данные или сведения – любые сообщения без оценки их значимости или полезности для потребителя.

Категория информации впервые использовалась американским математиком Клодом Шенноном в его книге «теория информации», посвященной процессам передачи кодированных сигналов по каналам связи. Понятие информации в настоящее время используется в основном в большей степени с философских позиций как всеобщее свойство материи к отражению, характеризующее любое взаимодействие между объектами и окружающей средой. Информация отражает сущность объекта, его свойства, а данные и сведения об объекте – это форма проявления этой сущности (аналогично как в экономической теории: цен на товар много, а стоимость только одна). Важно понимать, что информация имеет некоторые специфические свойства, отличающие ее от товара. Если у меня есть 2 книги, и я одну из них отдам, у меня останется лишь одна книга. Но если у меня есть какие-то знания, и часть из них я отдам студентам, у меня останется все, что было. Этим свойством информации пользуются многие бизнесмены, например, продавая «1С: Бухгалтерию» в каком угодно количестве экземпляров.

Как видим, такие понятия как данные, информация и знания нельзя рассматривать как синонимы. Высшей организацией данных являются знания. Итак, данные ® информация ® знания.

Информацию различают по отраслям знаний: техническая, экономическая, биологическая и т. п.

Экономическая информация относится к области экономических знаний. Она характеризует процессы снабжения, производства, распределения и потребления материальных благ и непосредственно связана с управлением коллективами людей.

Под экономической информацией понимают совокупность сведений, отображающих состояние или определяющих изменение и развитие народного хозяйства, всех его звеньев и элементов. Этот термин употребляется обычно как равнозначный понятию «данные».

Управление экономическими объектами всегда связано с преобразованием экономической информации.

С кибернетических позиций любой процесс управления сводится к взаимодействию управляемого объекта (им может быть станок, цех, отрасль) и системы управления этим объектом. Последняя получает информацию о состоянии управляемого объекта, соотносит ее с определенными критериями (планом производства, например), на основании чего вырабатывает управляющую информацию.

Очевидно, что управляющие воздействия (прямая связь) и текущее состояние управляемого объекта (обратная связь) – есть не что иное, как информация. Реализация этих процессов и составляет основное содержание работы управленческих служб, включая и экономические.

Внутри общего понятия «экономическая информация» выделены понятия учетная, финансовая, коммерческая, страховая, таможенная, банковская и другие виды.

Для доведения сведений об экономических объектах до пользователей применяются различные формы представления информации: текстовая, цифровая, графическая, штриховая, акустическая, электронная и пр. На практике часто используются и смешанные формы представления, где различные формы дополняют друг друга.

При работе с информацией имеется ее источник и получатель. Пути и процессы, обеспечивающие передачу сообщений от источника к потребителю, называются информационными коммуникациями.

С кибернетической точки зрения экономическая информация есть продукт преобразования исходных данных, используемый для принятия решений, направленных на обеспечение заданного состояния экономики и ее оптимального развития.

Экономическая информация отражает состояние экономического объекта в пространстве и во времени, поэтому важным для пользователя является понятие адекватности информации или уровня соответствия создаваемого информационного образа реальному объекту.

Адекватность информации выражается в синтаксической, семантической и прагматической формах.

В синтаксическом аспекте отображаются только формально-структурные характеристики информации без связи с ее смысловым содержанием и полезностью для пользователя. Здесь рассматривается структура информационных сообщений на носителях, объемы данных и пр.

В семантическом аспекте отображается смысловое содержание информации и ее обобщение.

Этот уровень предполагает проектирование реквизитного состава документов, разработку логической структуры базы данных, создания системы классификации и кодирования и др.

Прагматическая (потребительская) адекватность отражает отношение информации и ее потребителя. Здесь отображается ценность информации для управленческой системы на каждом ее уровне, полезность информации для выработки управленческих решений.

Экономическая информация подразделяется по следующим признакам:

– по отраслевой принадлежности (промышленности, транспорта, сельского хозяйства и пр.);

– по источникам (входящую, внутреннюю и выходящую);

– по принадлежности к производственной и непроизводственной сфере;

– по стадиям воспроизводства, отражающим снабжение, производство, распределение, потребление;

– по элементам производственного процесса, отражающим материальные, трудовые и финансовые ресурсы;

– по временным стадиям управления – прогнозная, плановая, учетная, составления отчетности;

– по полноте отражения событий – достаточная, избыточная (например, «спам»), недостаточная;

– По функциям управления – учетная, плановая, аналитическая, регулирующая;

– По стабильности:

·  переменная – разовая информация, возникающая в процессе фиксации на материальном носителе финансовых операций и хозяйственных фактов;

·  условно-постоянная – не меняется в течение некоторого периода (справочники, нормы и т. д.).

Для отнесения информации к тому или иному классу можно воспользоваться коэффициентом стабильности: , где , – соответственно объем информации (в символах, строках, байтах, битах и т. д.), который остается неизменным в течение некоторого периода, и общий объем информации. Принято считать, сто при > 0,5 информация является условно-постоянной.

– По источнику возникновения:

·  внешняя (по отношению к предприятию) – отражает состояние рынка, конкурентов, прогнозы процентных ставок, цен, налоговой политики правительства, социальную ситуацию в регионе и т. д.;

·  внутренняя – возникает внутри системы (предприятия).

– По форме появления:

·  входная – поступающая в компьютер в форме документов, сообщений, сигналов;

·  промежуточная;

·  результирующая – полученная в процессе обработки входной информации.

Результирующая информация в зависимости от вида ее использования делится на информацию: 1) для конечного пользователя; 2) подготовленную для решения других задач; 3) используемую для решения той же задачи, но в последующий период. Примером информации, используемой для решения той же задачи, но в последующий период, может служить конечное сальдо материалов на конец месяца, рассматриваемое как начальное сальдо для следующего месяца.

– По истинности:

·  достоверная;

·  недостоверная (дезинформация).

В соответствии с данными критериями экономическая информация должна адекватно отражать состояние экономического объекта, т. е. быть достоверной, достаточной и своевременной.

Под структурой информации понимают выделение элементов, информационных единиц и установление взаимосвязи между ними. Экономической информации присущи свои структуры, в основе которых лежит ее содержательность. При наиболее распространенном подходе выделяются следующие единицы в порядке укрупнения: реквизит, показатель, массив, подсистема информационной базы, информационная база.

Реквизит (поле, элемент, атрибут) является неделимой единицей младшего ранга, несущей качественную или количественную характеристику объекта (предмета, факта и т. п.), например, наименование материала, его масса, габарит и т. д. Реквизиты-признаки отражают качественную сторону хозяйственной операции, реквизиты-основания – количественную.

Объединение реквизитов для одного объекта приводит к образованию показателя, который несет полную количественную и качественную характеристику предмета или процесса. Структура показателя может быть представлена так: сентябрь, , рубли (реквизиты-признаки); 12580 (реквизит-основание).

Совокупность показателей, содержащихся в документе, формирует информационное сообщение. Группа однородных сообщений, объединенных по определенному признаку (например, требования на отпуск материалов в производство за февраль 2007 года), составляет информационный массив (файл). В решении задачи используются один или несколько файлов. Например, при составлении расчетно-платежной ведомости по заработной плате необходимы файлы-справочники (фамилии, И. О.; табельные номера работающих; видов оплат и удержаний и пр.); файлы по начислению заработной платы; файлы по удержаниям из заработной платы. Массивы (файлы) по различным признакам могут объединяться в потоки, используемые при решении различных комплексов задач управления (например, по учету труда и заработной платы, по управлению денежными потоками и пр.). Из информационных потоков формируются информационные подсистемы, образующие информационную систему объекта в целом.

При формировании базы данных в компьютерном варианте имеет смысл воспользоваться единицами, принятыми в информатике. Независимо от структуры базы для выбора технических параметров компьютера и его компонентов (оперативная память, внешние накопители и т. п.) используется единица информационного объема:

­  1 Byte – 1 байт – соответствует одному вводимому символу для большинства кодировочных таблиц ASCII, КОИ-8 и т. п.;

­  1 килобайт (KB) равен 1024 байт;

­  1 мегабайт равен 1024 килобайт;

­  1 гигабайт равен 1024 мегабайт и т. д.

Bit (binary digit – двоичное число) – 1 разряд двоичного кода (числа).

Bite – байт – восьмиразрядное двоичное число (код).

Систематизируя, отметим основные свойства экономической информации:

·  преобладание буквенно-цифровых знаков;

·  широкое распространение документов как носителей исходных данных и результатов их обработки;

·  значительный объем постоянных и переменных данных;

·  дискретность, вызванная тем, что экономическая информация характеризует объект (явление, процесс) либо на определенный момент времени, либо за определенный промежуток времени;

·  возможность длительного хранения;

·  способность к преобразованиям, детализации, агрегированию в зависимости от поставленной задачи;

·  относительная простота алгоритмов расчетов;

·  тиражируемость в сколько угодном количестве экземпляров;

·  принадлежность как объект собственности;

·  наличие материального носителя.

Надо отличать понятие «экономической информации» от понятия «Экономические знания». Последние означают экономическую информацию, усвоенную человеком, не существующую вне его сознания и позволяющую решать задачи в экономической области.

4.2 Понятие информационного обеспечения (ИО). Системы классификации и кодирования

Информационное обеспечение (ИО) – важнейшая обеспечивающая подсистема АИС – предназначена для снабжения пользователей информацией, характеризующей состояние управляемого объекта и являющейся основой для принятия управленческих решений. ИО – это совокупность средств и методов построения информационной системы экономического объекта.

Информационное обеспечение можно разделить на внемашинное и внутримашинное.

Внемашинное ИО – это системы показателей, классификаторов, кодов и документации.

Внутримашинное ИО – это различные файлы на машинных носителях, автоматизированные банки данных (АБД).

Проектирования ИО, выполняется совместно с пользователями АИС, ведется с системных позиций параллельно с проектированием технологического, программного и математического обеспечения.

В ходе проектирование ИО выполняются следующие работы:

·  определение состава показателей, необходимых для решения экономических задач, их объемно-временных характеристик и информационных связей;

·  исследование возможностей использования общегосударственных и отраслевых классификаторов, разработка локальных классификаторов и кодов;

·  проектирование форм новых первичных документов и выявление возможностей применения унифицированной системы документации;

·  определение типа организации автоматизированного банка данных (АБД);

·  проектирование форм вывода результатных сведений.

Целью внедрения АИС является дальнейшая информатизация конечного пользователя, поэтому его участие в проводимых информационных и внедренческих работах необходимо и является важной предпосылкой их успешного выполнения. Появляются дополнительные возможности: ведение в ПЭВМ справочников, формирование всевозможных докладов и таблиц произвольной формы, широкий обмен информацией между пользователями и пр.

При обработке экономических данных и составлении различных сводок возникает необходимость в группировке по реквизитам-признакам. Группировка осуществляется на основе систем классификации и кодирования.

Классификация заключается в распределении элементов множества на подмножества на основании зависимостей внутри признаков. Например, при кодировании товаров выделяются такие классификационные признаки, как группа, подгруппа, сорт (артикул), размер. Номенклатура товаров – это упорядоченный полный список однородных наименований, включающий отдельные строки - позиции.

В Единую систему классификации и кодирования (ЕСКК) входят самые разнообразные классификаторы:

·  Общегосударственные, предназначенные для информационного обмена между различными АИС, разрабатываются в централизованном порядке. Примерами являются классификаторы продукции, административно-территориального деления страны, отраслей, профессий, предприятий и организаций, единиц измерения, документации, налогоплательщиков и т. д.

·  Отраслевые, единые для отдельных отраслей такие, как банковские коды планов счетов, виды оплат и удержаний из заработной платы, видов операций движения материальных ценностей и др.

·  Локальные, составленные для АИС предприятий и организаций, такие, как коды структурных подразделений, табельных номеров работающих, дебиторов и кредиторов и др.

Каждая позиция Общероссийского классификатора продукции (ОКП), действующего с 1 июля 1994 г., содержит шестизначный цифровой код, из которого пять знаков отражают группу продукции, а шестой знак – контрольное число. Первые два знака означают классы продукции, следующий знак – подкласс, затем указывается одним знаком группа, следующий знак – подгруппа, а последний знак – вид продукции.

Из за большого объема эта статья размещена на нескольких страницах: 1 2 3 4 5 6 7 8 9 10 11 12