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

Преимущества и недостатки нейронных сетей

Использование линейных моделей для определения систематического рыночного риска в некоторых случаях может давать близкие к реальности результаты. Однако основной проблемой данного подхода является предположение о том, что на целевом промежутке времени процесс ценообразования сохранит свои свойства по сравнению с анализируемым промежутком. На самом же деле, если оценить распределение доходностей актива в два случайно выбранных промежутка времени (даже внутри дня), например, в начале и в конце дня, то мы получим совершенно разные значения. Это справедливо в силу того, что ценообразование на финансовом рынке является авторегрессионным процессом и влияние предыдущих значений затухает с каждым лагом. Таким образом, линейные модели не могут гарантировать высокой точности прогноза систематического рыночного риска.

Соответственно, нелинейность моделей нейронных сетей является их основным преимуществом перед представленными выше моделями. Стоит также отметить, что в простых моделях нейронных сетей исследователю приходилось самому выбирать ключевые характеристики и преобразовывать входные данные для получения лучшего результата работы сети. Однако использование многослойных нейронных сетей (глубокое обучение) значительно упрощает работу исследователя, так как ключевые характеристики анализируемого процесса будут сформированы в процессе обучения.