Заключение. 
Особенности использования нелинейных и нейронных моделей для оценки и прогнозирования финансовых рисков

нейронный рыночный перцептрон розенблатт В заключении стоит перечислить какие модели нейронных сетей были использованы в исследовании:

• · перцептрон Розенблата с одним скрытым слоем;
• · байесовская сеть доверия с одним скрытым слоем;
• · сеть глубокого обучения с 8 скрытыми слоями на основе ограниченной машины Больцмана.

Каждая модель имеет свои особенности, а также плюсы и минусы. Плюсом первых двух моделей можно назвать относительно быструю процедуру обучения, обусловленную количеством слоев и алгоритмом, подходящим для нейронов с любым распределением. В качестве минуса можно назвать нецелесообразность применения к данным со сложной взаимосвязью и резкое увеличение времени обучения, при добавлении дополнительных скрытых слоев. Основные минусы последней модели, как уже говорилось раньше, это сложность обучения сети, в которой входные нейроны имеют разное распределение, и выбор параметров модели, к которым сеть крайне чувствительна. Несомненными плюсами можно назвать скорость обучения сетей с большим количеством скрытых слоев, способность модели выделять ключевые характеристики данных и возможность изменять размерность входных данных.

В заключении я хочу сказать, что использование нейронных сетей для прогнозирования коэффициента систематического рыночного риска имеет большой потенциал, что подтверждается первоначальными опытами. Поэтому логичным продолжением работы станет исследование не возможности использовать нейронные сети для прогнозирования бета-коэффициента в общем, а непосредственно моделей сетей глубокого обучения, например, ограниченной машины Больцмана.