Если первый класс ЭС работает с хорошо определенными данными и знаниями, извлеченными из экспертов-аналитиков инженерами знаний, то второй — формирует свои знания путем адаптации к предметной области, представленной примерами, причем как обучающая, так и анализируемая информация может быть искажена и неполна. В первом случае в основе механизмов вывода, как правило, лежат классические стратегии наследования и логического вывода, аппроксимирующие, а во втором — различные методы индуктивного обобщения по примерам, в частности, свойства, используемых для этого, искусственных нейронных сетей.

ЭС с успехом применяются в тех областях, где кроме применения стандартных алгоритмических методов, основанных на точных вычислениях, по существу знания и опыт конкретных экспертов-аналитиков, а принятие решений формируется в условиях неполноты данных и зависит скорее от качественных, чем количественных оценок. К таким предметным областям относится, прежде всего, область анализа финансовой деятельности, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учета сложных причинно-следственных связей, применения нетривиальных логических рассуждений и т.п.

В качестве иллюстрации использования технологии экспертных систем в финансовой деятельности приведем примеры некоторых наиболее типичных конкретных разработок ЭС. О масштабах исследований и предложений на рынке ЭС в области финансов можно судить по международным научным конференциям (например, Artificial International Applications on Wall Street, Oct. 9-12, 1991, New York) и коммерческим каталогам, в которых стоимости конкретных предложений колеблются от тысяч до десятков тысяч долларов.

1. Финансовые ЭС, основанные на правилах

Множество фирм на Уолл-Стрит установили ЭС для решения задач в таких областях как: торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и т.д.

Примерами этому является целый класс консультативных ЭС: Bear, Sterns & Company’s Broker Monitoring System, Athena Group’s Portfolio Advisor и Trader’s Assistant, совместно разработанные корпорациями Author D. Little Corporation, Knowledge-Based Network Corporation и еще шестью финансовыми институтами. Японский Sanwa Bank, один из крупнейших мировых банков, применяет экспертную систему Best Mix для улучшения качества своей информации по инвестициям.

ЭС Nikko Portfolio Consultation Management System, разработанная для внутреннего использования фирмой Nikko Securities, Ltd., помогает управляющим фондами выбрать оптимальный портфель для своих клиентов. Данная система основана на базе данных с информацией за пять лет продаж акций и на системе с новой теорией управления портфелем, которая вычисляет и оптимизирует портфель ценных бумаг для страховки от различных рисков. Управляющие фондами освобождаются от рутинных вычислений и, таким образом, имеют возможность более быстро составить оптимальный портфель ценных бумаг. Компания IDS Financial Services, подразделение финансового планирования American Express Company, классифицировали финансовые экспертизы своих лучших управляющих для создания экспертной системы, названной Insight. IDS включила экспертизы лучших управляющих в свои средства, т.е. экспертную систему, доступную всем своим планировщикам. Одним из основных результатов применения экспертной системы в компании IDS стало то, что процент покинувших фирму клиентов упал более чем наполовину.

Перечислим характеристики некоторых конкретных ЭС этого класса.

1. FLiPSiDE: Система логического программирования финансовой экспертизы.

Решаемые задачи:

· мониторинг состояния рынка ценных бумаг;

· мониторинг состояния текущего портфеля ценных бумаг;

· поддержка обзора будущих условий рынка;

· планирование и выполнение продаж.

Краткие характеристики:

· применение оригинальной парадигмы «Классной доски», описанной Ньюэллом;

· язык Пролог в качестве платформы программирования;

· представление данных на «Классной доске» в качестве исходных данных для различных знаний.

2. Splendors: Система управления портфелем ценных бумаг реального времени

Решаемые задачи: достижение разнообразных инвестиционных целей в условиях быстро меняющихся данных.

Краткие характеристики:

· система реального времени;

· использование специализированного языка высокого уровня Profit;

· большая гибкость в создании портфеля для опытных программистов на C;

· возможность создания портфеля непрограммирующему финансовому аналитику.

Система позволяет формировать оптимальные инвестиционные портфели в реальном масштабе за счет игры на учете быстрых изменений на фондовой бирже.

3. PMIDSS: Система поддержки принятия решений при управлении портфелем

Решаемые задачи:

· выбор портфеля ценных бумаг;

· долгосрочное планирование инвестиций.

Краткие характеристики:

· смешанная система представления знаний;

· использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

4. Le Courtier: Система ассистент-эксперт для менеджера портфеля

Решаемые задачи:

· помощь инвесторам в определении своих инвестиционных целей;

· управление портфелем.

Краткие характеристики:

· использование правил;

· мощный естественно-языковый интерфейс.

5. PMA: Советчик управляющему портфелем

Решаемые задачи:

· формирование портфеля;

· оказание рекомендаций по сопровождению портфеля.

Краткие характеристики:

· обеспечение качественного обоснования результатам применения различных численных методов.

2. ЭС, основанные на примерах

ЭС, основанные на примерах, можно по принципам работы можно разделить на две группы: использующие нейронные сети и использующие алгоритм индуктивного обобщения ID3.

Первые в основном используются как предварительно обученный на примерах классификатор, у которого при подаче на его вход набора значений исходных финансовых параметров на выходе появляется искомое решение по данной финансовой ситуации.

Вторые по наборам примеров формируют дерево решений, из которого затем строятся соответствующие для принятия решений правила.

Ниже мы приведем 2 типичных примера ЭС обоих групп.

1. S&PCBRS: Нейронный симулятор для оценки рейтинга ценных бумаг

Решаемые задачи:

· оценка рейтинга ценных бумаг по данным о фирмах эмитентах;

· формирование корректной рейтинговой шкалы.

Краткие характеристики:

· представление задачи оценки рейтинга как задачи классификации;

· отбор данных о фирмах эмитентах и формирование обучающего материала;

· выбор нейроклассификатора, его обучение и тестирование;

· сравнение с оценками экспертов;

· использование нейросетевой парадигмы Couter-Propagation;

· вероятность правильного предсказания рейтинга 84%.