Проблематика ретро-прогнозів економічних показників на основі нейромереж

Abstract

Вступ. Складна економічна ситуація в Україні, надзвичайний стан, війна і наслідки руйнування частини критичної інфраструктури суттєво підвищили цінність інструментів економіко-математичного прогнозування на основі нейромереж та можливостей їх тюнінгу, тобто вдосконаленого налаштування з використанням методів ретро-прогнозів з метою розробки та реалізації обґрунтованої економічної політики.

Мета – проаналізувати і дослідити потенціал та формальні аспекти застосування нейрокомп’ютерних методів економічного прогнозування й інструментальні засоби підтримки ретро-прогнозів економічних показників.

Результати. Успіх економічних рішень (стратегічних і тактичних) так чи інакше залежить від якості аналітики й ефективності операційного апарату прийняття рішень. Навіть якщо суворий алгоритмічний підхід утруднений або неможливий і отримати правильне рішення принципово неможливо, існують ефективні методи та інструменти розв’язання економічних проблем, вагоме місце поміж яких займає прогнозування. Останніми роками відбувся певний прорив в теорії і практиці економіко-математичних наук, багато організацій почали активно використовувати нейромережі в прогнозуванні. Подібні нейромережі можуть ідентифікувати взірці, за допомогою яких вони генерують рекомендації дій, можуть вивчати та узагальнювати минулий досвід, щоб вдосконалити власний рівень продуктивності й обчислити прогнози. Методології нейромереж взагалі й нейропрогнозування зокрема належать до сімейства технологій машинного навчання (machine learning). За специфікою розв’язання проблеми машинного навчання в прогнозуваннівідрізняється від інших методів, призначених для формування і використання передбачень. Можливості накопичення і вдосконалення досвіду, формування й адаптації архітектури нейромереж під специфіку завдань прогнозування, широкі можливості застосування методів ретро-прогнозів для покращення характеристик налаштування нейромоделей для прогнозів, наявність гнучких механізмів параметризації й оптимізації алгоритмічного забезпечення нейрообчислень відкривають перспективні підходи в розвитку теорії і практики прогнозування в економічних дослідженнях. Машинне навчання сьогодні – це галузь наукового знання, що доволі швидко розвивається і має справу з алгоритмами, здатними навчатися і розвиватися, що відрізняє цю сферу наукових досліджень від багатьох інших і робить її одночасно орієнтованою на практику впровадження, в тому числі й в прогнозуванні. Необхідність використання методів машинного навчання пояснюється тим, що для багатьох складних (“інтелектуальних”) завдань (наприклад, побудова і вдосконалення прогнозних моделей) дуже складно, або навіть неможливо, розробити “явний” алгоритм їх вирішення, проте часто можна навчити комп’ютер вирішувати ці завдання за допомогою нейромереж і технологій ретро-прогнозування.

Висновки. Проведена формалізація інтегрального уявлення нейромережі для прогнозування у вигляді активаційних функцій з визначенням умов їх використання в алгоритмах машинного навчання з врахуванням специфіки уточненого налаштування ретро-прогнозних нейромоделей економічних показників. Продемонстровано на прикладі ретро-прогнозування для найпростішої нейромережі (4-2-3-1), коли при виборі алгоритму машинного навчання (між PROP і RPROP) досягається більш ніж двократний ефект підвищення якості прогнозної моделі. Introduction. TThe difficult economic situation in Ukraine, the state of emergency, the war and the consequences of the destruction of critical infrastructure have significantly increased the value of economic and mathematical forecasting tools based on neural networks and their tuning capabilities, is improved.

The purpose of the article is to analyze and study the potential and formal aspects of the application of neurocomputer methods of economic forecasting and tools to support retro-forecasts of economic indicators.

Results. The success of economic decisions (strategic and tactical) in one way or another depends on the quality of analytics and the efficiency of the operational apparatus of decision-making. Even if a rigorous algorithmic approach is difficult or impossible and it is fundamentally impossible to get the right solution, there are effective methods and tools for solving economic problems, an important place among which is forecasting. Just in recent years there has been a breakthrough in the theory and practice of economics and mathematics, many organizations have begun to actively use neural networks in forecasting. Such neural networks can identify patterns by which they generate recommendations for action, they can study and summarize past experiences to improve their own level of performance and calculate forecasts. Neural network methodologies in general and neuro-forecasting in particular belong to the family of machine learning technologies. The specifics of solving the problem of machine learning in forecasting differs from other methods designed for the formation and use of predictions. Possibilities of accumulation and improvement of experience, formation and adaptation of neural network architecture to specifics of forecasting tasks, wide possibilities of application of retro-forecasting methods for improvement of characteristics of adjustment of neural models for forecasts, availability of flexible mechanisms of parameterization and optimization of algorithmic providing forecasting in economic research. Machine learning today is a field of scientific knowledge that is developing rapidly and deals with algorithms capable of learning and developing, which distinguishes this field of research from many others and makes it, at the same time focused on implementation practice, including forecasting. The need to use machine learning methods is due to the fact that for many complex – “intelligent” – tasks (eg, construction and improvement of predictive models) is very difficult (or even impossible) to develop an “explicit” algorithm for solving them, but often you can teach a computer to learn solving these problems with the help of neural networks and retro-forecasting technologies.

Conclusions. The formalization of the integrated representation of the neural network for forecasting in the form of activation functions with the definition of conditions for their use in machine learning algorithms, taking into account the specifics of the refined settings of retro-predicted neural models of economic indicators. Demonstrated by the example of retro-forecasting for the simplest neural network (4-2-3-1), when the choice of machine learning algorithm (between PROP and RPROP) is achieved more than twice the effect of improving the quality of the forecast model.