Sztuczna inteligencja w bankowo╢ci

Stworzenie program≤w komputerowych potrafi▒cych symulowaµ ludzkie procesy my╢lowe by│o do niedawna jedynie wizj▒ futuryst≤w. Jednak dynamiczny postΩp bada± nad sztuczn▒ inteligencj▒, jaki nast▒pi│ w ostatnich latach, pozwoli│ na skonstruowanie algorytm≤w, kt≤rych idea dzia│ania zosta│a oparta o schemat funkcjonowania kom≤rki nerwowej. Sztuczne sieci neuronowe, bo tak brzmi ich pe│na nazwa, aczkolwiek s▒ jedynie systemami obliczeniowymi, posiadaj▒ zdolno╢µ uczenia siΩ, adaptacji oraz uog≤lniania nabytej wiedzy. Poziom b│Ωdnych decyzji podejmowanych przez sieci neuronowe przy prognozowaniu oraz rozpoznawaniu zjawisk ekonomicznych, nawet w przypadku bardzo z│o┐onych problem≤w gospodarczych, jest zwykle bliski zeru. Fakt ten wzbudzi│ zainteresowanie bank≤w, kt≤re obecnie coraz czΩ╢ciej wykorzystuj▒ to narzΩdzie do wspomagania procesu podejmowania decyzji finansowych.

Aby dostrzec potencjalne mo┐liwo╢ci zastosowania sztucznych sieci neuronowych w bankowo╢ci koniecznym jest kr≤tkie przybli┐enie dzia│ania tych algorytm≤w. W odr≤┐nieniu od innych metod ilo╢ciowych stosowanych w bankowo╢ci, sieµ neuronowa wymaga procesu uczenia. Polega on na tym, i┐ algorytmowi przedstawiany jest zbi≤r przyk│adowych informacji posiadaj▒cych odpowiednio dobrane cechy wej╢ciowe oraz, najczΩ╢ciej jedn▒, informacjΩ wyj╢ciow▒. W procesie tym, sieµ modyfikuje swoje parametry wewnΩtrzne tak d│ugo, a┐ generowany poziom b│Ωd≤w jest dostateczne ma│y.

ama metoda dzia│ania sztucznej sieci neuronowej jest zbli┐ona do dzia│ania kom≤rki nerwowej. Wprowadzone do sieci neuronowej informacje s▒ przetwarzane, przez co generowany jest sygna│ wyj╢ciowy bΩd▒cy jednocze╢nie informacj▒ wej╢ciow▒ dla nastΩpnego neuronu. Im wiΩksza liczba po│▒cze± oraz neuron≤w po╢rednich tym ko±cowy wynik jest poprawniejszy. Badania wykaza│y jednak, i┐ ju┐ czterowarstwowa sieµ potrafi poprawnie nauczyµ siΩ ka┐dego rzeczywistego zjawiska.

Pierwsze pr≤by wykorzystania algorytm≤w o strukturze neuronu w bankowo╢ci dotyczy│y problemu oceny wiarygodno╢ci kredytowej przedsiΩbiorstw. Zagadnienie to swymi korzeniami jest zwi▒zane z problematyk▒ prognozowania upadku przedsiΩbiorstw. W tym przypadku sztuczna sieµ neuronowa ma wskazaµ, czy badane przedsiΩbiorstwo jest zagro┐one upadkiem, czy te┐ jego przysz│a sytuacja ekonomiczna nie budzi zastrze┐e±. Aby jednak otrzymaµ po┐▒dan▒ informacjΩ koniecznym jest przeprowadzenie procesu uczenia. Nale┐y zatem przedstawiµ sieci neuronowej dwa zbiory przedsiΩbiorstw opisanych przez wska╝niki finansowe, przy czym ka┐demu przedsiΩbiorstwu musi towarzyszyµ informacja okre╢laj▒ca jego kondycjΩ ekonomiczn▒. Dopiero tak nauczony algorytm potrafi prawid│owo okre╢liµ stan zagro┐enia upadkiem dla przedsiΩbiorstw, kt≤re nie bra│y udzia│u w uczeniu sieci, a co za tym idzie mo┐e byµ wykorzystywany do oceny kondycji finansowej firm bΩd▒cych potencjalnymi klientami banku.

W podobny spos≤b oceniana jest sk│onno╢µ do sp│aty kredytu przez klient≤w indywidualnych. W tym przypadku jednak ╝r≤d│em danych s▒ informacje podawane przez klient≤w we wnioskach kredytowych. Nauczona na podstawie dostatecznie du┐ej pr≤by ucz▒cej sieµ neuronowa pozwala na ocenΩ potencjalnego kredytobiorcy pod wzglΩdem jego zdolno╢ci kredytowej. DziΩki wykorzystaniu tej metody mo┐liwe jest znaczne ograniczenie czasu przeznaczanego na ocenΩ wniosk≤w kredytowych, a tak┐e "wychwycenie" zespo│≤w cech, kt≤re ograniczaj▒ wiarygodno╢µ kredytobiorc≤w.

Jednym z najnowszych zastosowa± sztucznych sieci neuronowych jest prognozowanie kurs≤w akcji. Wykorzystanie tego narzΩdzia na gie│dzie papier≤w warto╢ciowych jest alternatyw▒ dla powszechnie stosowanych metod analizy technicznej. Przewaga sieci neuronowych polega na tym, i┐ przysz│y kurs akcji okre╢lany jest nie tylko poprzez odpowiednie przekszta│cenie danych z notowa± minionych, lecz r≤wnie┐ dziΩki odpowiedniemu ujΩciu informacji o charakterze pozacenowym. Oznacza to, i┐ prognoza mo┐e byµ oparta tak┐e o wyniki analizy fundamentalnej badanej sp≤│ki, informacje o sytuacji gospodarczej kraju oraz tendencje panuj▒ce w╢r≤d inwestor≤w. UjΩcie tak zr≤┐nicowanych danych w jednym algorytmie pozwala na osi▒gniΩcie prognoz, kt≤rych trafno╢µ znacznie przewy┐sza prognozy generowane przez narzΩdzia analizy technicznej.

Zastosowanie sztucznych sieci neuronowych w bankowo╢ci staje siΩ coraz powszechniejsze. Fakt ten jest podyktowany specyficznymi mo┐liwo╢ciami tych algorytm≤w, kt≤re pozwalaj▒ na wykorzystanie informacji zawartych w z pozoru niezauwa┐alnych w│a╢ciwo╢ci badanych obiekt≤w. Analitycy wykorzystuj▒cy sieci neuronowe w codziennej pracy twierdz▒, i┐ systemy te obdarzone s▒ w│asn▒ intuicj▒. Miejmy jednak nadziejΩ, ┐e w banku przysz│o╢ci klient, obok inteligentnych maszyn, bΩdzie mia│ nadal kontakt z cz│owiekiem.

Kris