|
Почему эта книга была выбрана для перевода? Разумеется, мы можем лишь строить предположения на сей счет, но считаем нужным отметить, что в книге дается очень прагматичный и непредвзятый подход к трудным вопросам, возникшим в области корпоративных финансов после того, как на смену сегментации и регулированию пришли свободные финансовые потоки и свободный обмен достоверной информацией. Опыт работы в MBA-классах (Master of Business Administration) в Манчестерской Школе бизнеса (Великобритания) и Роттердамской Школе менеджмента (Голландия) убедил нас в том, что интеллектуалу-теоретику необходима скромность. Очень скоро нам стало ясно, что теоретическое превосходство той или иной модели ценообразования рынка ценных бумаг вовсе не гарантирует реального финансового успеха в виде роста счета в банке. Любая модель дает лишь общую схему для анализа сложных явлений реальной жизни и вместе с тем зачастую огорчает нас излишней жесткостью своих предположений. В то же время, финансовая информация распространяется не идеально, а на рынках происходят изменения, связанные с регулированием и конкуренцией
Понимание этих обстоятельств заставило нас переключить свое внимание с универсальных моделей на новые перспективные методы. В 1990 году искусственные нейронные сети— в то время новая вещь для финансовой науки — преподносились как чудодейственное средство, способное почти полностью вытеснить человека из сферы операций на финансовых рынках. Буквально то же самое говорилось десятью годами ранее про экспертные системы. В действительности, внутренняя негибкость, присущая системам, основанным на правилах и даже линейно согласованных соотношениях, не позволяет им быть адекватным средством анализа динамичных и изменчивых рынков капитала. Поэтому когда нам и полной мере стали ясны потенциальные возможности нейронных сетей, мы почувствовали большое воодушевление. Искусственные нейронные сети, будучи методом, -свободным от моделей» ("model-free"), позволяют нам оценивать доход по финансовым активам или частоту невыполнения обязательств по контрактам, не связывая себя при этом ограничениями, которые налагаются в общепринятых теоретических моделях.
Более того, безмодельный подход позволил нам включать в рассмотрение в качестве потенциальных источников информации такие экзотические переменные, как погода (количество дождливых и солнечных дней), а также качественные переменные, скажем, организационную гибкость. Хотя, на первый взгляд, такие переменные кажутся слишком необычными, но крайней мере, интуитивно понятно, что они могут отвечать за какую-то составляющую дохода но активу или его волатильности. Так, в холе работы в рамках нашего совместною проекта с Министерством финансов Голландии выявился ряд задач, где погодный фактор является высокозначимой объясняющей переменной.
Наши коллеги в финансовых подразделениях далеко не всегда приветствовали такой либеральный и неструктурный в смысле модели подход к проблеме. Примерно до 1994 года консервативные эконометристы отвергали саму идею о том, что нейронные сети могут быть средством моделировании, Сетевые методы подвергались насмешкам из-за того, что они устроены как «черный ящик», а также из-за наличия обучающих параметров, подбор которых производится практически «на глаз». В самом деле, разве профессор X. Уайт не доказал со всей определенностью, что в задаче прогнозирования дохода по акциям IBM нейронные сети дают худшие результаты, чем модель случайного блуждания?
Позднее выяснилось, что данные по акциям IBM не являются достаточно репрезентативными, и поэтому данный результат ни в коем случае не компрометирует нейронно-сетевые методы. Постепенно сословие эконометристов искренне приняло нейронно-сетевую методологию как универсальное средство функциональной аппроксимации. В настоящее время фирмы-производители таких статистических программных пакетов, как SAS», включают в них нейронно-сетевые модули.
Нам кажется, что сейчас интеллектуальная пыль несколько осела. Наша позиция предельно четкая: нейронные сети — не волшебная палочка, а математический метод. Не будучи панацеей, нейронные сети позволяют, по крайней мере, отчасти, предсказать величину непредвиденного дохода по финансовым актинам. В современном мире финансов, когда дневной оборот валютного рынка превышает 1 триллион долларов, улучшение качества прогноза всего на 1% принесет значительную прибыль. Далее, мы считаем, что наибольшую пользу нейронные сети могут принести в задачах обработки качественных данных. Европейская Комиссия включила в программу ESPRIT ряд исследовательских проектов, результаты которых позволили бы учитывать "новости" (мягкие данные) в моделях принятия финансовых решений. Прекрасным полем для дальнейшего развития этого направления может стать финансовый рынок России, уже сейчас играющий заметную роль в мире. Мы искренне надеемся на то, что наша книга будет способствовать лучшему пониманию возможностей нелинейных адаптивных методов, равно как и связанных с ними ловушек.
Мы очень благодарны проф. С.В. Курочкину (Вычислительный центр Российской Академии наук) за его кропотливый труд переводчика. Мы также глубоко признательны д-ру В.И. Хохлову (Математический ин-т им. В.А. Стеклова РАН) и издательству "ТВП" за энтузиазм и поддержку. К нашему великому сожалению, мы не знаем русского языка, и очень надеемся, что такие проекты, как этот, будут усиливать давление па западную систему образования с тем, чтобы ваш прекрасный язык был включен в учебные планы вузов.
Д-р Дирк-Эмма Бэстенс
Женераль Банк
Брюссель
Д-р Виллем-Макс ван ден Берг
Факультет финансов
Университет Эразма, Роттердам
Проф. Д. Вуд
Манчестерская Школа Бизнеса
Разумеется, все допущенные в книге ошибки остаются на нашей совести.
|
