АННОТАЦИЯ 2
Введение 7
1 МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ПОТОКОВ 9
1.1 Понятие прогнозирования и его особенности 9
1.2 Обзор моделей прогнозирования 13
1.3 Регрессионные модели прогнозирования 15
1.4 Авторегрессионные модели 16
1.5 Модель экспоненциального сглаживания 17
1.6 Модели на базе цепей Маркова 19
1.7 Модели на базе классификационно-регрессионных деревьев 20
1.8 Модели, основанные на методе опорных векторов 21
1.9 Модели на основе передаточных функций 22
1.10 Нейросетевые модели 22
1.10.1 Однослойные сети прямого распространения 27
1.10.2 Многослойные сети прямого распространения 28
1.10.3 Рекуррентные сети(НИК) 29
1.10.4 Ограничения RNN и появление LSTM-блоков 29
1.10.5 Методы обучения искусственных нейронных сетей 30
1.10.6 Прямое распространение (forward-propagation) 31
1.10.7 Обратное распространение (back-propagation) 32
1.11 Выводы по разделу 34
2 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ 36
2.1 Обзор модели LSTM 36
2.2 Пошаговый разбор LSTM 37
2.3 Деление на окна 38
2.4 Регуляризация 39
2.4.1 Отсев (Dropout) 39
2.4.2 Снижение скорости обучения (learning rate decay) и ранняя
остановка (early stopping) 40
2.5 Функция активации 41
2.6 Функция потерь 42
2.7 Метод обучения 42
2.8 Итоговая архитектура сети 42
2.9 Выводы по разделу 43
3 РАЗРАБОТКА ПРОГРАММЫ 44
3.1 Разработка интерфейса 44
3.2 Проектирование архитектуры программы 46
3.3 Системные требования 47
3.4 Тестирование программы 48
3.5 Выводы по разделу 48
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 51
Несмотря на развитие и распространение цифровых платежей, наличные денежные средства играют и в среднесрочной перспективе будут играть ключевую роль в повседневной жизни человека и считаются основой экономики. Денежные средства достигают людей различными способами, такими как розничная торговля, банкоматы и филиалы банков. Поэтому для банков очень важно непрерывное движение денежных средств в банкоматах, которое обеспечивает бесперебойный доступ к снятию наличных денежных средств.
Если загрузить в банкомат максимальную сумму денежных средств, при попытке уменьшить количество инкассаций, это может привести к тому, что банк не сможет использовать денежные средства. Также если правильно не распланировать расписание инкассаций, то может возникнуть недостаток купюр в банкомате из-за не проведенной вовремя инкассации, поэтому в такой ситуации банк может потерять клиентов.
Задачей прогнозирования и анализа движения денежных средств в системе банкоматов является определение резерва наличности, необходимого банкомату в течении некоторого времени. Имитационная модель движения денежных средств дает возможность прогнозировать количество снятых денег за заданный период времени, чтобы исключить простой банкомата.
Целью данной работы является прогнозирование снятия денежных средств, через банкоматы основанного на использовании нейронных сетей. Для реализации цели необходимо:
- изучить теоретические основы работы нейронных сетей;
- изучить особенности прогнозирования с помощью нейронных сетей;
- определить применимость данной модели к прогнозированию движения средств в банкоматах;
- разработать архитектуру нейронной сети, решающей задачу прогнозирования;
- разработать компьютерную программу, реализующую разработанную модель;
- проверить работу программы на экспериментальных данных.
Объект исследования:
- банкоматы, предоставленные компанией «Compass Plus».
Предмет исследования:
- построение имитационной модели движения денежных потоков в банкоматах.
Обработка временных рядов необходима для определения природы наличности в банкомате. Так как каждый банкомат имеет свои статистические характеристики, построить одну общую картинку для всех банкоматов невозможно. Но на основании такого исследования можно строить достаточно реалистичные имитационные модели.
Данная работа состоит из введения, трех глав, заключения, приложения и списка литературы. В первой главе описываются теоретические аспекты прогнозирования временных рядов. Во второй главе разобрана архитектура нейронной сети и программная реализация. Третья глава описывает анализ полученных результатов.
Информационной базой исследования является документация языка Python, документация набора сторонних библиотек, публикации экономи- ческо-математических журналов, интернет ресурсы.
В результате проделанной работы были выполнены необходимые шаги. Первым шагом было рассмотрение и подведение теоретического материала для понимания работы математической модели. В первом разделе были рассмотрены детали из которых состоит эта модель, рассмотрены и описаны другие известные используемые сейчас модели, рассмотрены их преимущества и недостатки. Эффективность выбранной модели состоит в том, что нейронные сети имеют возможность обучаться, благодаря чему они очень адаптивны и устойчивы к шумам во входных данных. Для прогнозирования чаще всего выбирают рекуррентные нейронные сети, которые могут строить достаточно точный прогноз. Но при прогнозировании временных рядов, имеющих зависимости на длинных дистанциях они имеют проблемы. Именно поэтому была выбрана и реализована LSTM-сеть, в которой в отличии от рекуррентных нейросетей в ней появляются LSTM- блоки, которые заменяют понятие нейрона и имеют набор операций для активации памяти внутри блока. Также скорость работы уже обученной сети очень высока.
Была создана программа и интерфейс для этой модели. Программа наглядно показывает движение работы модели на реальных данных, что так же помогает оценить адекватность работы на выбранных данных. Для понимания работы модели было выведено окно с ошибкой прогнозирования, которая считается как среднеквадратичное отклонение полученных данных от ожидаемых.
