ПРОБЛЕМАТИКА РЕТРО-ПРОГНОЗІВ ЕКОНОМІЧНИХ ПОКАЗНИКІВ НА ОСНОВІ НЕЙРОМЕРЕЖ

Анотація

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.