|
97 знавания состояния предприятия имеет вид таблицы 23. Одновременно, в соответствии с результатом распознавания по таблице 23, оценивается степень риска банкротства предприятия. Метод нейронных сетей Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров является прогнозирование банкротств. Данную задачу можно разбить на два этапа [44]: анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; 4 анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата 74% вероятности банкротства). [106] Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейнную модель процесса па основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, ( весьма затруднена. Если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Xi = работающий капитал, все активы Х2 = сохраняемая прибыль, все активы Хз прибыль до капиталовложений и налога, все активы Х4 рыночная стоимость акций, общий долг Х5 = величина продаж, вес активы, г а в качестве указаний учителя выбрать две группы фирм, одна из кото* рых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать |
110 5. Построение показателя Kj. Комплексный показатель Kj строится как двумерная свертка по совокупности показателей с весами pi и по совокупности их качественных состояний с весами {1}. 6. Распознавание текущего состояния предприятия. Правило для распознавания состояния предприятия имеет вид таблицы 3.4. Одновременно, в соответствии с результатом распознавания по таблице 3.4, оценивается степень риска банкротства предприятия. 3.1.3. Метод нейронных сетей Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров является прогнозирование банкротств. Данную задачу можно разбить на два этапа [44]: анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата 74% вероятности банкротства). [106] Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов и наиболее эффективно применимо в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейнную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило весьма Ill затруднена. При обучении сети на ее вход подается множества векторов, выражающих количественные характеристики некоторого процесса или объекта и для каждого вектора формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с ее точки зрения, на основе неизвестных ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и выходных данных может быть различной, причем в качестве входных данных могут поступать сразу несколько наборов векторов с различной информацией. Например, если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Xj = работающий капитал, все активы Х2= сохраняемая прибыль, все активы Хз прибыль до капиталовложений и налога, все активы Х4 = рыночная стоимость акций, общий долг Х5= величина продаж, все активы, а в качестве указаний учителя выбрать две группы фирм, одна из которых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать ответ «банкрот» или «не банкрот». После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Возможно, фирма еще не обанкротилась, но давать кредиты такой фирме опасно. Вероятность правильного ответа может достигать 80% 97%. Следует подчеркнуть следующую особенность применения нейросетевых экспертных систем. Исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку. В частности, нейронные |