Sztuczne sieci neuronowe

Jedną z czynności w mojej pracy zawodowej, którą wykonuję jest prognozowanie upadłości przedsiębiorstw. Ponieważ głównym odbiorcą tego typu usług są sądy i prokuratury, które badają i analizują działania zarządów firm w kontekście niegospodarności, bądź wyrządzenia szkody majątkowej spółce którą zarządzają lub swojemu kontrahentowi, to najczęściej dostaję do analizy dane historyczne, które pozwalają mi przeprowadzić badanie spółki w okresie przeszłym i jednocześnie sprawdzenie czy metody badania, które zostały przeze mnie zastosowane są skuteczne, czy się sprawdzają, ponieważ mam również w momencie badania informacje o aktualnej sytuacji finansowej badanej spółki, a zatem mogę sprawdzić swoje wyniki w rzeczywistości.

Do badań wykorzystuje klasyczne metody. W prostych przypadkach wystarcza analiza fundamentalna spółki (tj. analiza makroekonomiczna, sektorowa, wskaźnikowa i w niektórych przypadkach rynkowa), w przypadkach w których analiza fundamentalna nie jest wystarczająca wykorzystywane są modele dyskryminacyjne, które dla osób zajmujących się finansami są tematem znanym. Oczywiście Sprawdzalność tych modeli w badaniach naukowych wykazywana jest na poziomie około 90% w zależności od modelu. Ja stosuje takie modele jak model Altmana, model J. Gajdki i D. Stosa, model D. Hadasik, model A. Hołdy no i mój ulubiony model S. Sojaka i J. Stawickiego. Oczywiście, w praktyce jest ich więcej, ale skoro te, które ja wykorzystuje się sprawdzają to się ich trzymam.

Niemniej w poszukiwaniu nowych metod prognozowania upadłości przedsiębiorstw trafiłam w literaturze na metodę, która jest jeszcze bardziej skuteczna niż opisana powyżej analiza dyskryminacyjna. Metodą o której piszę są sztuczne sieci neuronowe. Przyznam, że po zgłębieniu tematu mam wrażenie, że to niedługo stanie się rutyną, którą będą wykorzystywały nie tylko instytucje finansowe, które z przyczyn oczywistych prognozują upadłość przedsiębiorstw, ale również wiele innych podmiotów gospodarczych – takich jak na przykład ja, a nie jestem przecież bankiem, który musi ocenić prawdopodobieństwo upadłości firmy.

Podzielę się z Wami zatem tym, czym jest ta tajemniczo brzmiąca sztuczna sieć neuronowa w bardzo ogólnym skrócie. Brzmi trochę jak sztuczna inteligencja i rzeczywiście można pokusić się o taki roboczy synonim tego zjawiska.

Otóż sztuczna sieć neuronowa (SSN) zawdzięcza swój rozwój bardzo intensywnemu rozwojowi różnego rodzaju nauk biologicznych i medycznych, matematycznych oraz informatycznych. Ideą SSN jest algorytm, który jest bardzo podobny do funkcjonowania komórki nerwowej człowieka. SSN pozwalają na idealne odwzorowanie wielowymiarowych zbiorów danych. Wykorzystanie ich do klasyfikowania przedsiębiorstw na te które są zagrożone upadłością lub nie są to tylko jedna z możliwości ich zastosowania. Poza tym są one również wykorzystywane do prognozowania kursów walut, stóp procentowych lub zarządzania ryzykiem.

Niewątpliwą zaletą SSN jest ich nieparametryczność i nieliniowość. Tradycyjne metody stosowane dotychczas w analizach ekonomicznych oparte główne na danych statystycznych okazywały się bardzo często niewystarczające, a badania i analizy przeprowadzane na ich podstawie były błędne albo obarczone bardzo dużym ryzykiem błędu. Wynikało to z faktu, że wiedza na temat badanego zjawiska była niewystarczająca, a dane podstawiane do modeli matematycznych lub statystycznych mogły być nie do końca odzwierciedleniem rzeczywistości. Modele SSN są również lepsze ze względu na ich wysokie zdolności adaptacyjne, w tym zdolność do reagowania na zmieniające się warunki otoczenia w czasie rzeczywistym.

Badania empiryczne prowadzone nad prognozowaniem upadłości polskich przedsiębiorstw za pomocą metod analizy dyskryminacyjnej (AD) oraz z wykorzystaniem sztucznych sieci neuronowych pokazują, iż niemal w każdym przypadku SSN były metodami skuteczniejszymi, niż AD.

Niewątpliwą wadą SSN jest jednak ich dość skomplikowana konstrukcja, która uniemożliwia ich zastosowanie bez użycia profesjonalnych narzędzi analitycznych. Analiza dyskryminacyjna, mimo że na pierwszy rzut oka również ma bardzo skomplikowaną konstrukcję, jest możliwa do zastosowania z wykorzystaniem prostego arkusza kalkulacyjnego Excel i właściwie każdy może ją przeprowadzić, kto potrafi taki arkusz obsługiwać, a w nim podstawowe funkcje matematyczne.

Oczywiście nie będę się w tym artykule rozpisywać na temat konstrukcji modeli SSN, mimo, że są one bardzo ciekawe, ale podsumowaniem tego krótkiego artykułu będzie taki wniosek, że to co całkiem niedawno było nie do policzenia, to co wydawało nam się niezasadne z punktu widzenia opłacalności danego badania / liczenia ponieważ wynik obarczony byłby tak dużym ryzykiem błędu, że nie warto było podejmować w ogóle trudu danego badania, to teraz okazuje się całkiem realne, a wyniki są bardzo wiarygodne. W przyszłości zapewne będą powstawały jeszcze lepsze metody opierające się nie tylko na statystyce czy matematyce, ale również na innych dyscyplinach nauk. Pokazuje to bardzo obrazowo jak dynamicznie na naszych oczach poszczególne dyscypliny nauk zaczynają się nawzajem przenikać i stają się coraz bardziej interdyscyplinarne. Idealnym, aczkolwiek zupełnie innym przykładem niż ten, który dziś poruszyłam jest marketing, do którego od dawna już wykorzystuje się nie tylko psychologię, ale również medycynę i badania radiologiczne i diagnostyki obrazowej za pomocą których specjaliści od marketingu uczą się „manipulować” naszymi potrzebami, tak abyśmy chcieli kupić to co firmy, które zlecają takie badania chcą nam sprzedać.

Zjawiska, które obserwujemy obecnie na świecie są w pewnym sensie fenomenalne. Z jednej strony potrafimy wykorzystać sztuczną inteligencję to przewidywania przyszłości i prognozowania danych finansowych, potrafimy wykorzystać badania medycznego do kreowania podaży i popytu, a z drugiej strony jeden mały niewidzialny wirus potrafi sparaliżować największe gospodarki całego świata na wiele tygodni i nie potrafimy go pokonać (póki co).