Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В. - презентация

1 Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В.

2 Тема Содержание Актуальность Поставленные цели и задачи Объект и предмет исследования Научная гипотеза Основные результаты Научная новизна Положения, выносимые на защиту Выводы C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

3 Существует проблема адекватного и эффективного прогнозирования экономических показателей Нейронные сети и программные продукты на их основе развиваются ускоренными темпами Модель, способная к самообучению – существенный сдвиг от привычных методик моделирования Нейронные сети способны найти сложные и неочевидные зависимости между данными Возможна работа с короткими выборками и зашумленными данными C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

4 1. Рассмотрение основных существующих макроэкономических показателей экономики стран мира 2. Анализ валового внутреннего продукта как ведущего показателя экономического развития 3. Изучение методов расчета ВВП в Республике Беларусь 4. Исследование разнообразных методов создания искусственных нейронных сетей как способа моделирования и прогнозирования экономических данных 5. Обзор основных программных продуктов, использующих нейросетевые алгоритмы 6. Разработка модели ВВП на основе ИНС 7. Анализ модели и оценка полученных данных на состоятельность C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

5 Объектом исследования являются основные макроэкономические показатели Республики Беларусь и стран СНГ, в частности – валовой внутренний продукт. Предмет исследования – алгоритмы нейронных сетей как инструмент для построения модели с последующим прогнозированием основных макроэкономических показателей. C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

6 С помощью алгоритмов, использующих нейронные сети возможно создать адекватную модель макроэкономических показателей, способную с хорошей точностью (ошибка менее 5%) спрогнозировать поведение выходного параметра на основе набора выходных параметров, после их обработки и отсеивания наименее существенных для модели. C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

7 Создан ряд моделей Валового Внутреннего Продукта Беларуси и стран СНГ, использующих нейронные сети следующих типов: 1. Сеть Кохонена 2. Метод группового учета аргументов 3. Сеть Вольтерри 4. Сеть Ворда C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

8 Получены результаты прогноза ВВП до 2015 года, которые сходятся прогнозами ведущих институтов стран СНГ и Европы. Нейронные сети показали свою состоятельность при прогнозировании C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

9 Создан набор нетривиальных моделей, основанных на нейросетевых алгоритмах, в которых присутствует сочетание использования различных методик моделирования и прогнозирования макроэкономических параметров, Возможность выбора из ряда моделей, исходя из имеющихся данных и требуемой точности полученной модели Самообучающаяся модель способна осуществить долгосрочный прогноз выходного параметра C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

10 Алгоритмы искусственных нейронных сетей способны предоставить реальные возможности для создания точных моделей макроэкономических показателей ИНС располагают аппаратом для прогнозирования поведения выходного показателя с ошибкой менее 5% C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

11 При применении комплекса различных методик нейросетевого проектирования, результаты применения сети могут быть существенной опорой при планировании экономический политики государства Нейронная сеть способна к эффективному самообучению с целью повышения точности прогноза C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

12 Алгоритмы нейронных сетей способны самостоятельно отбирать наиболее существенные переменные, исключая наименее важные Нейронная сеть способна давать модели различной сложности в зависимости от настроек оператора C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

13 Алгоритмы искусственных нейронных сетей являются мощным инструментом для составления моделей, который даже не коротких выборках способны показать отличное качество модели. Благодаря очень широкому выбору моделей и возможности варьирования массы параметров, этот метод позволяет найти именно такую модель, которая отвечала бы начальным требованиям путем перебора различных комбинаций критериев и показателей. C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

14 Существует масса еще не до конца проработанных моделей нейронных сетей, применение которых даст возможность составления еще более точных моделей. Метод требует дальнейшего глубокого изучения. C А Ц О Г Р Н П ВC А Ц О Г Р Н П В

15 C А Ц О Г Р Н П ВC А Ц О Г Р Н П В