Empiryczna analiza przewidywania ryzyka zarządzania finansami przedsiębiorstw w oparciu o sieć neuronową pamięci asocjacyjnej

Jako model obliczeniowy przypominający ludzki mózg, który może odzwierciedlać funkcje poznawcze mózgu, problem dynamicznej analizy sieci neuronowych pamięci skojarzeniowej przyciągnął uwagę badaczy. )to artykuł łączy sieci neuronowe pamięci asocjacyjnej z zagrożeniami związanymi z zarządzaniem finansami przedsiębiorstwa, bada problemy kontroli synchronizacji i analizy stabilności jednokierunkowych amnestycznych sieci neuronowych przypominających pamięć skojarzeniową ludzkiego mózgu z zaburzeniami i mieszanymi zmiennymi w czasie opóźnieniami czasowymi, proponuje dwukierunkową pamięć asocjacyjną przypominającą pamięć skojarzeniową mózgowy stochastyczny amnestyczny model sieci neuronowej z mieszanymi, zmiennymi w czasie opóźnieniami, projektuje w oparciu o model strategię kontroli próbkowania w czasie dyskretnym i bada różne typy aktualnych ryzyk finansowych. W oparciu o badania wczesnego ostrzegania, w oparciu o metodę sieci neuronowej pamięci skojarzeniowej, proponujemy rekonstrukcję kategorii ryzyka, w tym udoskonalenie systemu zarządzania ryzykiem przedsiębiorstwa, podniesienie świadomości zarządzania ryzykiem finansowym od góry do dołu oraz wzmocnienie podstawowej konkurencyjności przedsiębiorstw samego przedsiębiorstwa oraz środki kontroli ryzyka finansowego, inwestycyjnego, operacyjnego i przepływów pieniężnych.

Istnieje ścisły związek pomiędzy funkcjami poznawczymi mózgu a pamięcią. Doskonała funkcja poznawcza może pomóc nam lepiej uczyć się, zapamiętywać i rozumieć informacje.

Po pierwsze, funkcje poznawcze odnoszą się do zdolności jednostki do postrzegania, przetwarzania i wyrażania informacji zewnętrznych. Obejmuje to takie obszary, jak kontrola uwagi, elastyczność umysłowa, pamięć robocza, umiejętności językowe i funkcje wykonawcze. Pamięć to proces zdobywania, utrzymywania i wykorzystywania informacji poprzez kodowanie, przechowywanie i odzyskiwanie informacji. Osoby z lepszymi funkcjami poznawczymi mają silniejsze zdolności przetwarzania informacji i uczenia się oraz są w stanie lepiej przekształcać informacje w pamięć długoterminową.

Po drugie, istnieje wzajemny związek promocji między pamięcią a funkcjami poznawczymi. Poprawa funkcji poznawczych może skutecznie poprawić naszą pamięć. Na przykład dobra kontrola uwagi i koncentracja mogą pomóc nam lepiej zapamiętywać informacje. Ulepszenia funkcji wykonawczych pomagają nam lepiej kodować, przechowywać i odzyskiwać informacje.

Ponadto funkcje poznawcze nie tylko sprzyjają pamięci, ale dobra pamięć może również pomóc nam rozwinąć funkcje poznawcze. Osoby o wybitnych zdolnościach pamięci mogą lepiej opanować różne umiejętności, takie jak język, muzyka i sport, a także osiągać większe korzyści w aktywnościach poznawczych.

Dlatego powinniśmy mieć pełną świadomość ścisłego związku funkcji poznawczych mózgu z pamięcią, świadomie usprawniać funkcje poznawcze, aktywnie ćwiczyć pamięć i zwracać uwagę na interakcję poznania i pamięci. Tylko w ten sposób możemy stale poszerzać swoje granice poznawcze i podnosić poziom rozwoju osobistego. Widać, że musimy poprawić naszą pamięć. Cistanche może znacznie poprawić pamięć, ponieważ pasta mięsna to tradycyjny chiński materiał leczniczy o wielu unikalnych efektach, z których jednym jest poprawa pamięci. Skuteczność mięsa mielonego wynika z różnorodnych zawartych w nim składników aktywnych, w tym kwasu karboksylowego, polisacharydów, flawonoidów itp. Składniki te mogą promować zdrowie mózgu różnymi kanałami.

Kliknij Poznaj 10 sposobów na poprawę pamięci

1. Wstęp

Sieć neuronowa pamięci skojarzeniowej imituje wzór pracy komórek neuronowych w ludzkim mózgu; po pierwsze, wzór do zapamiętania jest przechowywany w postaci sieci wagowej sieci neuronowej; Otrzymując z zewnątrz informację o niekompletnym lub wadliwym wzorcu, sieć neuronowa powoduje, że wzorzec wejściowy stale zmienia swoją wartość i zbliża się do zapamiętanego wzorca poprzez masowe obliczenia równoległe. ) Sieć neuronowa ma dobrą, solidną wydajność, co oznacza, że ​​sieć neuronowa z pamięcią skojarzeniową ma dobrą odporność na uszkodzenia. )Wzorce do zapamiętania są najpierw zapisywane w postaci siatki wag sieci neuronowej.

Po otrzymaniu informacji o niekompletnych lub fragmentarycznych wzorcach z zewnątrz sieć neuronowa stale zmienia swoje wartości i dopasowuje się do zapamiętanych wzorców poprzez masowe obliczenia równoległe. Sieci neuronowe z pamięcią asocjacyjną są obecnie szeroko stosowane w rozpoznawaniu wzorców, przetwarzaniu obrazu itp. Pamięć samoasocjacyjna oznacza, że ​​wejściowe wzorce aberracji są równe zapamiętanym wzorcom; w przeciwieństwie do pamięci heteroasocjacyjnej, wejściowe wzorce aberracji nie są takie same jak zapamiętane wzorce, ale wykazują odpowiednie zależności mapowania. Pamięć samoasocjacyjna odnosi się do zastosowania pamięci skojarzeniowej, w której początkowy wzorzec danych wejściowych jest identyczny z zapamiętanym wzorcem danych wyjściowych. ) Pierwszym krokiem w pamięci samoasocjacyjnej jest zdeponowanie pożądanego zapamiętanego wzorca (np. słowa komputer) w określonej formie w wagach sieci poprzez algorytm uczenia się sieci neuronowej [1]. )en, możliwe jest wprowadzenie wzorca z informacją o wskazówce, a sieć neuronowa wykonuje ciągłe operacje iteracyjne, aby dać prawidłowy wynik. Ta informacja o wskazówce nie jest pełnym słowem, ale zawiera zaszumione informacje, ale sieć neuronowa nadal jest w stanie obliczyć aby uzyskać informację o zapamiętanym słowie; tj. ta sieć neuronowa z pamięcią asocjacyjną ma pewien stopień odporności na uszkodzenia.

Tolerancja błędów jest jednym z kryteriów oceny wykonalności zastosowania pamięci asocjacyjnej. ) proces zapamiętywania sieci neuronowej, czyli ustalania wag sieci neuronowej, wymaga przełożenia zapamiętanych wzorców na postać wartości stanu każdego neuronu, gdy sieć neuronowa jest w stanie stabilnym; czyli ogólnie rzecz biorąc, stabilny punkt sieci neuronowej może przechowywać wzorzec, a określenie wartości punktu stabilnego należy ustawić zgodnie z niezbędnymi warunkami wymaganymi przez przyjęty w tym rozdziale model sieci neuronowej z pamięcią skojarzeniową, ogólnie poprzez podstawienie wzorca pamięci do zbioru równań różniczkowych sieci neuronowej, następnie wypisanie odpowiedniej nierówności w oparciu o powyższe warunki konieczne i odniesienie tej nierówności do układu równań różniczkowych sprzężonych w celu rozwiązania określonego zestawu rozwiązań i ostatecznie określenia bardziej odpowiednią wagę [2]. Proces ten jest również realizowany przy użyciu określonych algorytmów uczących (np. poprzez samosprzężenie zwrotne sieci).

Ponieważ wzorce wejściowe i wyjściowe pamięci samoasocjacyjnej są identyczne, co oznacza, że ​​oba mają tę samą wymiarowość, jest to cecha charakterystyczna pamięci samoasocjacyjnej.

W warunkach gospodarki rynkowej przedsiębiorstwa muszą być świadome obiektywności ryzyka finansowego, a obecnie przedsiębiorstwa mają na ogół słabą świadomość ryzyka finansowego, ślepego pozyskiwania funduszy, nierozważnych inwestycji, nieodpowiedniego systemu zarządzania ryzykiem finansowym i własnych przedsiębiorstw, które mają słabe punkty, takie jak niedoskonały mechanizm oceny ryzyka finansowego i brak środków kontroli ryzyka. )nas, badanie cech ryzyka finansowego przedsiębiorstwa i podejmowanie pewnych środków w celu zapobiegania im i zarządzania nimi stało się obecnie ważnym problemem, przed którym stoimy. Choć szybki rozwój różnych gałęzi przemysłu niesie ze sobą także wiele zagrożeń, branża ta często pojawia się w kryzysie finansowym, a nawet prowadzi ostatecznie do bankructwa przedsiębiorstw [3]. ) e wyznaczenie wartości punktu stabilności następuje zgodnie z niezbędnymi warunkami wymaganymi przez przyjęty w tym rozdziale model sieci neuronowej z pamięcią asocjacyjną, generalnie poprzez podstawienie modelu pamięci do zbioru równań różniczkowych sieci neuronowej i następnie wypisanie odpowiednich nierówności zgodnie z powyższymi niezbędnymi warunkami. )nierówność jest następnie łączona z zestawem równań różniczkowych w celu rozwiązania szeregu konkretnych rozwiązań i ostatecznie określenia bardziej odpowiedniej wartości wagi. ) Dlatego zarządzanie ryzykiem finansowym przedsiębiorstw jest bardzo ważne i może decydować o tym, czy przedsiębiorstwo będzie mogło rozwijać się szybko i solidnie.

W ostatnich latach naukowcy zintensyfikowali także badania nad zarządzaniem ryzykiem finansowym przedsiębiorstw, jednak nie stworzono jeszcze systematycznego systemu teoretycznego do badania ryzyka finansowego przedsiębiorstw. Co więcej, istniejące badania koncentrują się na analizie ryzyka finansowego przedsiębiorstw i przedstawianiu opinii dotyczących kontroli ryzyka finansowego, a stosunkowo niewiele badań analizuje etapy zarządzania ryzykiem finansowym przedsiębiorstw, tj. identyfikację, ocenę i środki kontroli ryzyka finansowego, szczegółowe. W artykule, bazując na sieci neuronowej pamięci asocjacyjnej, połączono odpowiednią literaturę teoretyczną na temat kontroli ryzyka finansowego przedsiębiorstw z konkretnym przypadkiem kontroli ryzyka finansowego Grupy Storm oraz zbadano identyfikację, analizę i ocenę ryzyka finansowego oraz kontroli przedsiębiorstw, mając nadzieję, że pełnią uzupełniającą rolę weryfikacyjną w stosunku do dotychczasowych badań teoretycznych dotyczących kontroli ryzyka finansowego w przedsiębiorstwach.

2. Stan badań

Sztuczne sieci neuronowe były intensywnie badane w ostatnich dziesięcioleciach ze względu na ich szerokie zastosowanie w wielu dziedzinach, takich jak rozpoznawanie wzorców, pamięć skojarzeniowa, przetwarzanie sygnałów i optymalizacja. Niektóre zastosowania, na przykład te w teorii optymalizacji, wymagają, aby sieci neuronowe miały tylko jeden stabilny punkt. Jednak niektóre inne zastosowania, takie jak pamięć asocjacyjna i rozpoznawanie wzorców, wymagają istnienia wielu stabilnych równowag w samej sieci neuronowej.

W literaturze [4] bada się multistabilność dwóch rekurencyjnych sieci neuronowych z symetrycznymi funkcjami aktywacji początku płaszczyzny fazowej. W literaturze [5] rozważana jest wielokrotna stabilność sieci neuronowych z nieograniczonymi, zmiennymi w czasie opóźnieniami czasowymi. )W literaturze omawiana jest multistabilność rekurencyjnych sieci neuronowych z niemonotonicznymi funkcjami aktywacji i nieograniczonymi, zmiennymi w czasie opóźnieniami czasowymi [6]. W literaturze [7] omawiana jest multistabilność sieci neuronowych rzędu ułamkowego w sensie Mittaga-Lefflera o stałych parametrach segmentowych. )Multistabilność klasy sieci neuronowych Hopfielda ze stochastycznymi opóźnieniami czasowymi badana była w literaturze [8] poprzez zastosowanie zasady punktu bezruchu Schaudera i powiązanej z nią stochastycznej teorii opóźnienia czasowego, gdzie w określonych warunkach i przy co najmniej jeden z tych obszarów ma punkt równowagi i proponując dwa wystarczające warunki, aby zapewnić stabilność tych punktów równowagi.

W literaturze [9] zaproponowano nowy warunek, mniej restrykcyjny w stosunku do warunku kontinuum Lipschitza w funkcjach aktywacji o wartościach zespolonych, a także przedstawiono szereg kryteriów gwarantujących istnienie, jednoznaczność i przykłady numeryczne globalnych asymptotycznych punktów stabilizacji rekurencyjnych sieci neuronowych o wartościach zespolonych. W literaturze [10] stabilność rekurencyjnych sieci neuronowych ze zmiennymi w czasie opóźnieniami czasowymi analizowana jest za pomocą FTM (Flexible Edge Method) i proponuje się kilka nowych kryteriów stabilności opisujących stabilność tej sieci neuronowej poprzez konstruowanie nowego typu Funkcja Łapunowa. W literaturze [11] zaproponowano nowatorski pomysł projektowania CVHAM (complex-valued multistate Hopfield asociative memory), mający na celu analizę stabilności systemów CVHAM z wykorzystaniem metody funkcji energii i ostatecznie uzyskanie, że sieć może zbiegać się do nieruchomego punktu przez dowolną wartość wejściową oraz omówiono geometrię projekcji georadaru (uogólniona reguła projekcji).

Według literatury [12],Przedsiębiorstwa internetowe charakteryzują się cechami finansowymi modelu „gospodarki przepływu”, modelu działania opartego na aktywach, modelu oszczędzającego koszty i niewielkie wydatki, szybkiej wymiany produktu i finansowania kapitałowego. ) Ryzyko finansowe przedsiębiorstw internetowych ma zarówno cechy przedsiębiorstw ogólnych, jak i swoje szczególne cechy. W porównaniu z przedsiębiorstwami powszechnymi ryzyko niedoboru kapitału w przedsiębiorstwach internetowych jest największe. W literaturze [13] wprowadzono model wyceny EVA w celu zbadania powiązania pomiędzy ryzykiem finansowym a wartością przedsiębiorstwa przedsiębiorstw internetowych, wykorzystano model EVA i tradycyjny model wyceny do oceny wartości firmy w przypadku firmy NetEase i doszliśmy do wniosku, że Model wyceny EVA jest dokładniejszy. W literaturze [14] stwierdzono, że przedsiębiorstwa internetowe ponoszą ryzyko głównie w zakresie modelu rentowności, przepływów pieniężnych, finansowania, inwestycji i regulacji rządowych. Zasugerowano także, że przedsiębiorstwa internetowe powinny ustanowić solidny mechanizm wczesnego ostrzegania o ryzyku finansowym, utworzyć profesjonalną instytucję audytorską i system audytu, wzmocnić kompleksowe prace budżetowe, usprawnić mechanizm kontroli należności oraz wzmocnić zarządzanie ryzykiem finansowym i inwestycyjnym. W literaturze [15] argumentuje się, że zapewnienie rentowności aktywów i środki kontrolne proponowane w celu zapobiegania nieoczekiwanym stratom osiąga się poprzez zarządzanie ryzykiem. Literatura [16] wskazuje, że przedsiębiorstwa powinny w pierwszej kolejności ustanowić solidny system kontroli wewnętrznej przy podejmowaniu decyzji biznesowych, co może w pewnym stopniu zapobiec ponoszeniu ryzyka finansowego i powodowaniu trudności operacyjnych przy finansowaniu działalności. W literaturze [17] bada się pochodzenie ryzyka oraz mechanizm działania ryzyka finansowego w celu zbadania, a także bardziej ukierunkowanej identyfikacji, oceny i kontroli ryzyka, eliminując ukryte czynniki ryzyka finansowego.

3. Model ryzyka zarządzania finansami przedsiębiorstw w oparciu o sieci neuronowe z pamięcią asocjacyjną

3.1. Model sieci neuronowej z pamięcią skojarzoną. ) Podstawowe kroki obecnego algorytmu uczenia rekurencyjnej sieci neuronowej polegają na pierwszym przetworzeniu próbek do rozpoznania w celu uzyskania numerycznych wektorów cech, wprowadzeniu tych wektorów sekwencyjnie do sieci, a następnie porównaniu wyjścia sieci z wyjściem bieżącym o różnicę i wykorzystaj tę różnicę jako ujemne sprzężenie zwrotne w celu skorygowania wag sieci. ) Zaletą tego algorytmu jest to, że jest prosty w obsłudze, a proces uczenia polega na uczeniu się bez nadzoru, natomiast wada jest również widoczna w tym, że należy go ponownie uczyć raz za każdym razem, gdy zapamiętywany jest nowy wzór próbki, co może zająć więcej czasu w przypadku większych wymiarów sieci. )Model sieci neuronowej budowany jest poprzez dostosowanie wag jej neuronów po otrzymaniu danych, a zmienne wejściowe modelu mogą zmieniać się w zależności od rzeczywistych potrzeb, takich jak czynniki rynkowe i wskaźniki finansowe. ) Model sieci neuronowej można automatycznie trenować w celu filtrowania najlepszych zmiennych i dostosowywania wag zgodnie z ich implikowanymi zależnościami w celu zbudowania modelu nieliniowego i poprawy dokładności modelu. ) metoda uczenia służy do korygowania wag sieci poprzez ciągłe dostarczanie próbek szkoleniowych, tak aby wzorce próbek do zapamiętania były osadzone w wagach sieci; tzn. sieć „pamięta” próbki. Do bezpośredniego rozwiązania wag można zastosować metody algebraiczne, ponieważ sieć ma dużą liczbę atraktorów i może zapamiętać dużą liczbę próbek, wykorzystując próbki jako dane wejściowe, zakładając, że wyjście jest pożądanym wyjściem, reprezentującym zarówno jako wektorów i podstawienie ich do równań różniczkowych układu, wykorzystanie wiedzy z algebry liniowej do rozwiązania zbioru sieci wag, następnie wykorzystanie innych próbek jako danych wejściowych i na koniec rozwiązanie odpowiedniej liczby rozwiązań analitycznych. )Przecięciem tych rozwiązań analitycznych jest sieć wag, które należy wyznaczyć, jeżeli rozwiązania te nie przecinają się. )en, oznacza to, że pojemność pamięci sieci jest niewystarczająca i należy przeprojektować nowy model, aby zapewnić wystarczającą pojemność pamięci [18]. Następnie zostanie podany przykład konstrukcji pamięci skojarzeniowej, jak pokazano na rysunku 1 jako przykład procesu pamięci skojarzeniowej.

gdzie x∗ i xi∗ jest stabilnym punktem równowagi układu z i-tym zbiorem próbek na wejściu i wartość ta dobierana jest na podstawie takich warunków, jak postać funkcji aktywacji. Warunkiem wystarczającym, aby to równanie miało rozwiązanie, jest to, że liczba stabilnych punktów równowagi sieci neuronowej jest większa lub równa liczbie próbek do zapamiętania zgodnie z twierdzeniem; to znaczy liczba atraktorów powinna być wystarczająco duża, aby móc zapamiętać wystarczającą liczbę wzorców. )Równanie można rozwiązać stosując rozkład wartości osobliwych, rozwiązanie równania jest jednocześnie wektorem wag połączeń sieci, a wagi te implikują informację o wzorcach, które należy zapamiętać. ) Powyższa forma jest ogólnie procesem rozwiązywania wag pamięci samoskojarzonej, który można szczególnie zastosować w dziedzinie rozpoznawania znaków, rozpoznawania twarzy itp.) Podane zostaną przykłady ilustrujące projekt i proces rozwiązywania wag rekurencyjnej sieci neuronowej oparte na heteroasocjacyjnych aplikacjach pamięci. Tradycyjne algorytmy rozpoznawania znaków obejmują dopasowywanie szablonów i OCR [19]. W przypadku niezrównoważonych przykładowych danych można rozpocząć od metod próbkowania w dół i w górę. )e metoda próbkowania w dół, znana również jako metoda losowego próbkowania w dół, odnosi się do losowego usuwania klasy danych z największą liczbą kategorii metodą próbkowania. ) Zaletą jest to, że metoda próbkowania może poprawić dokładność modelu, gdy usunięte próbki zawierają zaszumione dane, a wadą jest to, że niektóre ważne próbki mogą zostać usunięte. Metoda nadpróbkowania odnosi się do syntezy części danych małej próbki za pomocą algorytmu. W porównaniu z tymi algorytmami rozpoznawania znaków, wspomniana powyżej rekurencyjna pamięć asocjacyjna oparta na sieci neuronowej charakteryzuje się niskim kosztem projektowania, prostą logiką przetwarzania, szybką konwergencją sieci, mniejszą zależnością od warunków zewnętrznych i łatwą praktyczną implementacją. ) Najważniejszą kwestią jest to, że ten system pamięci asocjacyjnej ma dobrą odporność na uszkodzenia; wysoka tolerancja na błędy oznacza, że ​​gdy w próbce jest więcej szumu lub zakłóceń, może ona również poprawnie zidentyfikować wzorzec docelowy, więc jeśli do rozpoznawania obrazu zostanie zastosowana metoda pamięci skojarzeniowej, chociaż obecne zastosowanie jest proste i pomysł jest bardziej podstawowy, po krótkim opracowaniu sądzę, że będzie z tego zastosowanie. Etapy projektowania rekurencyjnych sieci neuronowych dla pamięci asocjacyjnej podsumowano w następujący sposób.

(1) Określić charakterystykę modelu sieci neuronowej, która ma zostać zastosowana

(2) Zamień wzorce do zapamiętania na wektory stanowiące dane wejściowe do systemu oraz dane wyjściowe, które należy podstawić do równań układu

(3) )Rozwiązanie układu równań uzyskuje się poprzez odpowiedni dobór współrzędnych punktu równowagi i rozkład wartości osobliwych

(4) Rozwiązania układu równań przechowuj jako wagi sieci neuronowej

(5) Zbuduj system sieci neuronowej z pamięcią skojarzeniową i wykonaj testy rozpoznawania.

) Obwód sieci amnestycznej opartej na pamięci asocjacyjnej, rekonfigurowalnej, składa się z czterech części: obwodu sieci amnestycznej opartej na pamięci skojarzeniowej, PRMC z wejściowymi sygnałami binarnymi, bloku obwodu synaptycznego i obwodu sterującego. W obwodzie sieci amnestycznej opartej na pamięci asocjacyjnej wagi synaptyczne wskazują siłę połączeń synaptycznych, a zatem tylko wagi dodatnie. )e PRMC wejściowego sygnału binarnego można wytrenować za pomocą algorytmu jedynie w celu osiągnięcia odpowiedniej funkcji, więc obwód synaptyczny musi reprezentować wagi ujemne, wagi zerowe i wagi dodatnie. W obwodzie rekonfigurowalnej memetycznej sieci neuronowej opartej na pamięci skojarzeniowej, PRMC z wejściowymi sygnałami binarnymi i obwodzie memetycznej sieci neuronowej opartej na pamięci skojarzeniowej wykorzystuje ten sam obwód synaptyczny, a obwód synaptyczny w obwodzie memetycznej sieci neuronowej opartej na pamięci skojarzeniowej może się różnić tylko w obrębie dodatnich wag za pomocą obwodu sterującego [20]. ) obwody synaptyczne w bloku obwodów synaptycznych są współdzielone i te obwody synaptyczne można wykorzystać do skonstruowania zarówno PRMC z wejściowymi sygnałami binarnymi, jak i obwodów memetycznej sieci neuronowej opartej na pamięci asocjacyjnej. Jak widać na rysunku 2, obie podsieci działają niezależnie, więc mogą pracować równolegle.

Symulując uczenie się i zapominanie w pamięci asocjacyjnej, rekonfigurowalny memrystorowy obwód sieci neuronowej oparty na pamięci asocjacyjnej może dynamicznie zmieniać strukturę obwodu w celu osiągnięcia rekonfiguracji, zgodnie z następującym procesem: kiedy sygnał bodźca bezwarunkowego i sygnał bodźca warunkowego są jednocześnie wprowadzane do Memrystorowy obwód sieci neuronowej oparty na pamięci skojarzeniowej indukuje uczenie się asocjacyjne między nimi, dzięki czemu stopniowo wzrasta waga synaptyczna odpowiadająca bodźcowi warunkowemu. Jeśli po zakończeniu procesu uczenia się sygnał bodźca warunkowego pozostanie na wejściu, indukowany jest proces zapominania. Podczas zapominania masa synaptyczna odpowiadająca bodźcowi warunkowemu stopniowo maleje, aż do momentu, w którym nie następuje aktywacja odpowiedniego obwodu neuronowego. Po zakończeniu procesu zapominania obwody sieci amnestycznej opartej na pamięci skojarzeniowej nie ulegają aktywacji niezależnie od tego, czy na wejściu zostanie wprowadzony sygnał bodźca warunkowego [21]. Następnie obwody synaptyczne odpowiadające bodźcowi warunkowemu można odłączyć od obwodów neuronalnych i te obwody synaptyczne można wprowadzić do bloku obwodów synaptycznych. ) Obwody synaptyczne w bloku obwodów synaptycznych można wykorzystać do skonstruowania obwodów sieci amnestycznej PRMC lub amnestycznych opartych na pamięci asocjacyjnej z wejściowymi sygnałami binarnymi. W ten sposób osiąga się rekonfigurację obwodu.

4. Model przewidywania ryzyka oparty na sieci neuronowej z pamięcią skojarzeniową w zarządzaniu finansami przedsiębiorstwa

Ryzyko finansowe to rodzaj ryzyka biznesowego, który występuje w działalności finansowej, takiej jak pozyskiwanie, inwestowanie, wydawanie, odzyskiwanie i alokacja środków w procesie reprodukcji społecznej. A ryzyko polega na odchyleniu oczekiwań od rzeczywistości. ) Istnieje rozróżnienie pomiędzy ryzykiem finansowym w wąskim i szerokim znaczeniu. Ryzyko finansowe w wąskim znaczeniu oznacza ryzyko finansowe wynikające z obsługi zadłużenia w procesie pozyskiwania środków finansowych dla przedsiębiorstwa. Ryzyko finansowe w szerokim znaczeniu odnosi się do niepewności uzyskania oczekiwanych wyników finansowych w procesie prowadzenia działalności finansowej przedsiębiorstwa. ) Dlatego ryzyko finansowe istnieje w każdym przedsiębiorstwie i działalności gospodarczej przedsiębiorstwa i ma istotny wpływ na sytuację zysków i strat oraz warunki prowadzenia działalności przedsiębiorstwa. Zarządzanie ryzykiem finansowym to zapobieganie, kontrola i zarządzanie ryzykiem w zarządzaniu finansami przedsiębiorstwa, a także stanowi część kompleksowego zarządzania ryzykiem przedsiębiorstwa [22]. Diagnoza wewnętrzna to sposób, w jaki samo przedsiębiorstwo może wykryć różne problemy w procesie biznesowym poprzez samoanalizę i ostatecznie rozwiązać je w ukierunkowany sposób. Diagnoza zewnętrzna oznacza, że ​​przedsiębiorstwo zatrudnia zewnętrzną organizację do analizy funkcjonowania finansowego przedsiębiorstwa. Jako nowa teoria nauk o zarządzaniu jest teorią zarządzania opracowaną głównie przez naukowców na podstawie wcześniejszych doświadczeń w zarządzaniu ryzykiem i zarządzaniu finansami dla wszystkich rodzajów ryzyka w funkcjonowaniu przedsiębiorstw. Zarządzanie ryzykiem finansowym obejmuje identyfikację, ocenę, analizę przyczyn i kontrolę różnych działań finansowych przedsiębiorstwa, ryzyka. Aby zapewnić normalne funkcjonowanie i przepływ kapitału przedsiębiorstwa oraz uniknąć negatywnego wpływu na interesy ekonomiczne przedsiębiorstwa, proces zarządzania ryzykiem finansowym obejmuje identyfikację, ocenę ryzyka, analizę przyczyn i kontrolę różnych działań finansowych przedsiębiorstwa, oraz terminowe i skuteczne środki zapobiegania i kontroli w oparciu o jego rolę wczesnego ostrzegania.

) Do najczęściej stosowanych metod oceny ryzyka finansowego zalicza się analizę hierarchiczną, metodę współczynników efektywności oraz analizę czynnikową. ) Podstawową zasadą analizy czynnikowej jest grupowanie wskaźników o dużym znaczeniu w jedną kategorię i zastąpienie każdej kategorii czynnikiem, zastępując w ten sposób wszystkie oryginalne wskaźniki kilkoma czynnikami.

W artykule analiza predykcji ryzyka zarządzania finansami przedsiębiorstw została przeprowadzona poprzez połączenie modelu sieci neuronowej pamięci asocjacyjnej z analizą czynnikową. Analizę czynnikową wybiera się z następujących powodów: po pierwsze, analiza czynnikowa może zmniejszyć liczbę pierwotnych zmiennych poprzez wyodrębnienie i nazwanie głównych czynników zamiast zdecydowanej większości oryginalnych informacji; po drugie, próbkę można uszeregować i porównać. Według punktacji każdego czynnika głównego i wyniku kompleksowego można uszeregować próbę, która nie tylko pokazuje ranking poszczególnych czynników i wyjaśnia, które czynniki mają większy wpływ na sytuację finansową przedsiębiorstwa, ale także analizuje kompleksowy ranking czynniki po zważeniu, co jest korzystne dla przedsiębiorstwa w celu wyjaśnienia jego mocnych i słabych stron [23].

(6) Sieć neuronowa pamięci asocjacyjnej zbudowana jest w oparciu o model drzewa decyzyjnego wykorzystujący algorytm histogramu, który ułatwia segregację danych. ) Różnica w stosunku do poprzednich modeli drzew decyzyjnych polega na tym, że sieć neuronowa pamięci asocjacyjnej jest zorientowana pionowo, tj. generuje liście drzewa decyzyjnego, podczas gdy inne modele drzew decyzyjnych generują poziomy drzewa, więc działa algorytm sieci pamięci skojarzeniowej Emory ral szybciej i przechowuje mniej danych. Jego główną cechą jest przechodzenie przez cały zbiór treningowy i sprawianie, że atrybuty są dyskretne dla zmiennoprzecinkowych zmiennych ciągłych; te k dyskretnych danych są konstruowane w histogram o określonej szerokości k. ) Obliczana jest liczba dyskretnych wartości zbieżnych w obrębie każdego histogramu. Ponieważ istnieje wiele elementów ryzyka finansowego, różne czynniki i wskaźniki finansowe będą ze sobą współdziałać, tworząc złożoną relację. W tym artykule wyodrębniono odpowiednie wskaźniki, czynniki wyodrębniono za pomocą testu istotności, a czynniki odpowiednie do budowy modelu uzyskano za pomocą testu kulistości, ekstrakcji głównych składowych i innych etapów.

Na podstawie uzyskanych czynników do modelowania finansowego wczesnego ostrzegania wykorzystuje się logistyczny model regresji krokowej. ) W procesie modelowania stopniowo analizowane są czynniki składu ryzyka, wykorzystując zalety modelu, aby zapewnić bardziej intuicyjną podstawę do przyszłego podejmowania decyzji przez menedżerów. ) wybrane wskaźniki wczesnego ostrzegania powinny być kompleksowe; tj. wskaźniki należy wybierać spośród tradycyjnych aspektów wypłacalności, rentowności, możliwości rozwoju i zdolności operacyjnej, a wskaźniki należy wybierać spośród aspektów zdolności badawczo-rozwojowych, które odzwierciedlają charakterystykę branży, dzięki czemu zakres wskaźników wybrany do bardziej kompleksowa branża produkująca sprzęt komunikacyjny. )firma inwestuje kapitał w produkcję produktów i odzyskuje kapitał oraz zyski poprzez sprzedaż produktów. Obrót zapasami można zwiększyć tylko wtedy, gdy sprzedaż zakończy się sukcesem, a zapasy zostaną szybko wyczyszczone, zatem rotacja zapasów wskazuje, jak szybko można odzyskać pieniądze ze sprzedaży towarów. Ogólnie rzecz biorąc, firma może poprawić swoją płynność, zwiększając rotację zapasów. )wskaźnik rotacji zapasów wskazuje poziom zapasów, natomiast wskaźnik rotacji majątku obrotowego odzwierciedla prędkość rotacji majątku obrotowego, który jest najbardziej płynnym ze wszystkich aktywów przedsiębiorstwa. Niższy poziom rotacji aktywów bieżących może mieć większy wpływ na zdolność firmy do spłaty krótkoterminowej. ) Im wyższy wskaźnik rotacji aktywów bieżących, tym mniejsze względne ryzyko płynności finansowej. Powolne tempo obrotu będzie wymagało dodatkowej płynności, aby wziąć udział w obrocie, co spowoduje marnowanie środków i obniży rentowność przedsiębiorstwa. Bazując na powyższej teorii, w późniejszej klasyfikacji optymalny punkt odcięcia można znaleźć jedynie ze względu na szerokość histogramu. )idea algorytmu histogramu odzwierciedla się głównie w konwersji danych zmiennoprzecinkowych na dane binarne, a konkretna operacja polega na określeniu liczby koszyków zawartych w każdej funkcji, aktualizacji danych każdego segmentu osobno po równym podzieleniu oraz zastąpić cechy przewidywania ryzyka zarządzania finansami przedsiębiorstwa w modelu sieci neuronowej z pamięcią asocjacyjną, który jest przedstawiony graficznie, jak pokazano na rys. 3.

3. W porównaniu do innych modeli zbudowanych na algorytmach drzewa decyzyjnego, sieci neuronowe z pamięcią skojarzeniową są szybsze, głównie pod względem szybkości działania, zużywają przy tym mniej pamięci, a dokładność nie jest zagrożona, doskonale łącząc zarówno rybę, jak i niedźwiedzią łapę. Chcąc przejść na wyższy poziom, model można zoptymalizować na dwa sposoby: aby przyspieszyć prędkość działania, oryginał można po prostu przetworzyć; zmniejszenie liczby cech i danych, konwersja zmiennych cech na cechy kategorii lub zapisanie plików danych jako plików binarnych, zmiana metody uczenia modelu na równoległą może również przyspieszyć prędkość działania modelu; aby poprawić dokładność modelu i zmniejszyć szybkość uczenia się modelu, zaczynając od modelu, dostrajając siatkę parametrów modelu, wybierając najlepszą kombinację parametrów, zwiększając czasy uczenia się modelu i sprawiając, że model lepiej rozumie prawa pomiędzy danymi może poprawić dokładność modelu. Rozpoczynając od danych, zwiększając liczbę danych uczących i wstępnie przetwarzając dane w celu usunięcia brakujących wartości i braku równowagi w oryginalnych danych, można również lepiej wytrenować model i poprawić jego wydajność.

4.1. Weryfikacja eksperymentalna i wnioski

) e Model drzewa decyzyjnego CART z projektem wstępnego i końcowego oczyszczania zostanie wytrenowany, a wykres drzewa decyzyjnego i wykres zmiennej ważności zostaną wygenerowane po treningu modelu, aby lepiej zinterpretować wyniki dyskryminacyjne modelu drzewa decyzyjnego CART. W pierwszej kolejności konstruowane są wyniki dyskryminacyjne i zbiór reguł ogólnego modelu oceny ryzyka finansowego przedsiębiorstwa. Ponieważ w ogólnej ocenie ryzyka finansowego przedsiębiorstwa występuje zbyt wiele wartości cech oceny, wykres zmiennej ważności w ogólnej ocenie ryzyka finansowego przedsiębiorstwa uwzględnia 5 zmiennych o najwyższym znaczeniu, a ogólny model oceny ryzyka finansowego przedsiębiorstwa generuje wykres ważności zmiennej, jak pokazano na rysunku 4.

Jak widać na rysunku 4, wśród 18 cech modelu drzewa decyzyjnego CART znajdują się: „wielokrotność uzyskanych odsetek”, „całkowity zwrot z aktywów”, „obrót należnościami”, „całkowity obrót aktywami” i „ważony zwrot z aktywów netto ” znalazło się w pierwszej piątce pod względem ważności, przy czym „wielokrotność uzyskanych odsetek” jest najważniejszym wskaźnikiem o znaczeniu ponad 0.5. Zdolność operacyjna odzwierciedla wydajność i efektywność operacji kapitałowych przedsiębiorstwa przy użyciu różnych aktywów, a efektywność obrotu różnych typów aktywów jest zwykle wykorzystywana do określenia poziomu operacyjnego przedsiębiorstwa. Wskazuje, że przedsiębiorstwa powinny skupiać się na „wielokrotności uzyskanych odsetek”, gdy ocenę całkowitego ryzyka finansowego, a suma pięciu najważniejszych ocen przekracza 90%; wskazuje zatem również, że spółki giełdowe w procesie oceny ogólnego ryzyka finansowego przedsiębiorstw powinny skoncentrować się na tych pięciu cechach indeksu. ) Interpretacja zestawu reguł wygenerowanego przez model drzewa decyzyjnego dostarczy spółce giełdowej dowodów ilościowych umożliwiających ocenę ogólnego ryzyka finansowego spółki, co pomoże spółce giełdowej zmierzyć, czy ponosi ona ogólne ryzyko finansowe.

) The importance of the variables generated by the enterprise operational risk assessment model is shown in Figure 5. As can be seen from Figure 5, the importance of the six characteristics of the CART decision tree model is the same, with the importance of "operating profit margin" becoming the most important assessment indicator. Therefore, the model results indicate that listed companies should focus on these 6 indicators in the process of enterprise business risk assessment. Rule 1: When the "operating profit margin" is ≤−6.151, the enterprise has business risks. Rule 2: When "operating profit margin" >−6.151 and "accounts receivable turnover ratio" >3.203, the company does not have financial risk. Rule 3: When "operating profit margin" >−6.151, "accounts receivable turnover" ≤3.203, and "cost margin" ≤7.552, the enterprise, there is financial risk. Rule 4: When "operating profit margin" >−6.151, "accounts receivable turnover" ≤3.203, and "cost margin" >7.552, przedsiębiorstwo nie ponosi ryzyka finansowego. ) Interpretacja zbioru reguł wygenerowanego przez model drzewa decyzyjnego zapewni spółce giełdowej ilościowe dowody umożliwiające ocenę stopnia ryzyka biznesowego spółki, co pomoże spółce giełdowej zmierzyć, czy posiada ryzyko biznesowe.

)e importance diagram of the variables generated by the enterprise financing risk assessment model is shown in Figure 6. For the decision result of the CART decision tree model, among the three characteristics of financing risk, the importance of "interest multiples earned" becomes the most important evaluation indicator, and the importance score of its indicator is close to 0.8. Therefore, the model results indicate that listed companies should focus on the following characteristics in the process of enterprise financing risk evaluation. )e year-over-year revenue growth rate, net asset per share growth rate, and total asset growth rate are important indicators of a company's growth ability. )e model results suggest that listed companies should focus on the indicator characteristic of "interest multiples earned" in the process of corporate financing risk assessment. )e set of rules for the determination of the CART decision tree for corporate financing risk is as follows. Rule 1: When the "interest earned multiple" is ≤1.249, the enterprise has financing risk. Rule 2: When the interest earned multiple is >1,249, spółka nie jest zagrożona. ) Interpretacja zbioru reguł wygenerowanego przez model drzewa decyzyjnego zapewni spółce giełdowej ilościowe dowody umożliwiające ocenę poziomu ryzyka finansowania spółki, co pomoże spółce giełdowej zmierzyć, czy ponosi ryzyko finansowania.

Z rysunku 7 widać, że model w tej pracy oparty na sieci neuronowej z pamięcią asocjacyjną osiąga 83% dokładność dla efektu dyskryminacyjnego zbioru treningowego i 76% dokładność dla zbioru walidacyjnego, co jest lepszym wynikiem. Jednocześnie w artykule połączono model GBDT z modelem regresji logistycznej dla złożonej predykcji, a wyniki predykcji wykazały, że połączony model poprawił dokładność predykcji zbioru uczącego do 91% i walidacji ustawionej do 78%, w zarówno pod względem dokładności, jak i stabilności; efekt ostrzegawczy połączonego modelu jest bardziej znaczący w porównaniu z pojedynczym modelem, co potwierdza wykonalność modelu połączonego. W porównaniu z modelem regresji logistycznej z pojedynczym modelem, krzywa ROC modelu regresji modelu sieci neuronowej z pamięcią skojarzeniową jest bliżej lewej górnej osi, a jej wartość AUC wynosi 0,79, czyli jest znacznie wyższa niż wartość AUC modelu regresji logistycznej wynosząca 0,60. ) Zalety modelu ostrzegania o ryzyku finansowym sieci neuronowej z pamięcią skojarzeniową można dostrzec bezpośrednio z krzywej ROC i wartości AUC. Z eksperymentu można wywnioskować, że GBDT dla kombinacji cech może lepiej wydobywać informacje z danych finansowych spółek giełdowych, a model logistyczny charakteryzuje się dużą szybkością przetwarzania, co może rozwiązać problem małej szybkości przetwarzania, której GBDT nie może przetworzyć równolegle, a model połączony z GBDT i modelem logistycznym może być skutecznie stosowany w obszarze wczesnego ostrzegania spółek giełdowych o ryzyku finansowym do modelowania.

Szybkość e-learningu to szybkość, z jaką zmienne wejściowe są aktualizowane w każdej iteracji podczas szkolenia i określa, jak daleko obciążniki muszą przesunąć się w kierunku gradientu w małej partii, przez wiele iteracji, ostatecznie docierając do pozycji która odpowiada dokładności uczenia sieci. ) Proces uczenia się cech przykładowego zbioru danych przez sieć neuronową pamięci skojarzeniowej jest procesem ciągłej iteracji do przodu. Niższa szybkość uczenia się sprawia, że ​​proces uczenia jest bardziej niezawodny, ale optymalizacja zajmie więcej czasu. Z drugiej strony, wyższe tempo uczenia się prowadzi do braku konwergencji treningu i może powodować bardzo duże zmiany masy ciała, przez co funkcja utraty jest bardzo słaba. Optymalizację szybkości mnożenia macierzy i poprawę wykorzystania pamięci można osiągnąć poprzez zwiększenie liczby partii w określonym regionie, co zmniejsza liczbę aktualizacji potrzebnych do ukończenia uczenia całego zbioru danych i nieco przyspiesza proces w przypadku danych tego samego pojemność. Zejście w gradiencie stochastycznym aktualizuje informacje tylko o jednej próbce na raz, co przyspiesza uczenie, ale ponieważ w danym momencie używana jest tylko jedna próbka, nie reprezentuje ona całej próbki uczącej, co utrudnia zbieżność wyników uczenia z niektórymi minimalna wartość. Aby firma mogła osiągnąć zrównoważony rozwój, musi przywiązywać dużą wagę do swoich możliwości badawczo-rozwojowych i innowacyjnych. Tylko dzięki ciągłym innowacjom i ciągłym wynalazkom firma może zyskać przewagę konkurencyjną. Wraz z rozwojem głębokiego uczenia się wykazano, że wyniki uczenia można przekształcić w minimum lokalne poprzez powolne zmniejszanie szybkości uczenia się. Po kilkukrotnym dostosowaniu parametrów w końcu uzyskano oczekiwane wyniki uczenia, a średni błąd bezwzględny modelu na próbkach podczas uczenia ostatecznie osiągnął zbieżność. ) krzywe strat dla przykładowego zbioru danych pokazano na rysunku 8.) niebieska linia na rysunku przedstawia krzywą straty zbioru uczącego, a pomarańczowa linia przedstawia krzywą straty zbioru testowego; oś pozioma przedstawia liczbę iteracji próbek w procesie uczenia, a oś pionowa przedstawia zmianę wartości błędu średniego w trakcie procesu uczenia.

Zgodnie z parametrami określonymi w tym artykule, okno Spydera może wyświetlać straty próbek uczących i testowych w każdej iteracji oraz obliczać pierwiastek błędu średniokwadratowego modelu na koniec uczenia. W procesie uczenia im więcej iteracji, tym mniejszy błąd próbkowania, przy lokalnych wahaniach w niewielkim zakresie. Na początku uczenia błąd szybko spada, a w przedziale uczenia od 10 do 50 iteracji błąd spada w szybkim tempie, co wskazuje, że model jest dostrajany lokalnie. Począwszy od 100 iteracji uczenia błąd spada łagodniej, co wskazuje, że model osiągnął proces optymalny. ) trend krzywej straty próbki uczącej i zmiana straty próbki testowej są całkowane, a błąd próbki uczącej ostatecznie zbiega się z lepszym dopasowaniem; błąd próbki testowej zbiega się do minimum lokalnego, a jej dopasowanie nie jest tak dobre, jak próbki uczącej, ale efekt wykorzystania gradientowego opadania do optymalizacji jest oczywisty i nie będzie miał wpływu na działanie całego modelu.

W oparciu o model sieci neuronowej pamięci skojarzeniowej tworzony jest system wskaźników wczesnego ostrzegania, który może odzwierciedlać charakterystykę ryzyka notowanych na giełdzie spółek rolnych, poprzez połączenie charakterystyki ryzyka spółki i przyczyn jego powstania: zawiera wskaźniki finansowe i niefinansowe, obejmujące wypłacalność , zdolność operacyjną, zdolność rozwojową, rentowność i inne wskaźniki zdolności. Aby poprawić szybkość zbieżności i stabilność modelu, stosuje się oprogramowanie SPSS do przeprowadzenia analizy czynnikowej danych głównych wybranych wskaźników i obliczenia wyników czynnikowych próbek jako danych warstwy wejściowej modelu. W ten sposób dokładniej określa się dokładność modelu kryzysu finansowego i wybiera się część próby do przetestowania modelu. Na koniec model stosuje się do rzeczywistej firmy, aby zidentyfikować jej problemy i zoptymalizować je, aby zmniejszyć ryzyko kryzysu finansowego.

5. Wniosek

Modele sieci neuronowych z pamięcią asocjacyjną są zazwyczaj konstruowane w oparciu o dane dotyczące charakterystyki danej branży w celu przewidywania różnych aspektów punktów zapotrzebowania. Przewidywania modeli sieci neuronowych z pamięcią skojarzeniową nie ograniczają się tylko do preferencji w zakresie życia codziennego, żywności, odzieży, mieszkania itp., ale obecnie są również niemal przenikane w rozwoju branży finansowej, prognozowaniu finansowym itp. W tym artykule, analizując późniejsze możliwości rozwoju w w połączeniu z charakterystyką branży i konkurencyjnym krajobrazem przedsiębiorstwa, okazuje się, że model może dobrze odzwierciedlać sytuację przedsiębiorstwa poprzez wskaźniki wczesnego ostrzegania i stanowić punkt odniesienia dla przyszłego rozwoju przedsiębiorstwa. Jeżeli wprowadzone zostanie jedynie model danych dopasowujący wskaźniki finansowe, będzie on zbyt pojedynczy i nie będzie w stanie kompleksowo ocenić sytuacji finansów. W badaniu stwierdzono, że liczba próbek z kategorii wysokiego ryzyka finansowego była zbyt mała w porównaniu z próbami z kategorii niskiego i średniego ryzyka finansowego, a brak zbilansowania danych z próby może prowadzić do wczesnego ostrzegania model nie uczył się w trakcie szkolenia cech próbek z kategorii wysokiego ryzyka finansowego, co ostatecznie doprowadziło do niskiej trafności predykcji próbek z tej kategorii.

Ponieważ czynniki takie jak skład przedsiębiorstwa i kapitał własny mogą również mieć istotny wpływ na finanse, w tym artykule dodano wskaźniki niefinansowe, aby poprawić możliwość uogólniania i dokładność modelu. Obecnie przedsiębiorstwa działają w coraz bardziej złożonym otoczeniu rynkowym i działaniach społecznych, a symulacja dużych zbiorów danych poprzez ilościowe określenie odpowiednich wskaźników przedsiębiorstw w branży może kompleksowo i szeroko odzwierciedlić obecną sytuację w branży, a rozsądne uwzględnienie wskaźników specyficznych dla branży może poprawić także skuteczność modelu wczesnego ostrzegania. Łącząc wskaźniki przedsiębiorstwa i ustalony model wczesnego ostrzegania, główne elementy, które model może zidentyfikować, służą do analizy sytuacji, w której pojawia się ryzyko przedsiębiorstwa, przy jednoczesnym wydawaniu opinii uwzględniających szczegółowe informacje na temat przedsiębiorstwa B. Korzystanie z tego finansowego wczesnego ostrzegania modelu można dostosować strukturę firmy, planować strategicznie i zapobiegać kryzysom z wyprzedzeniem dla zmieniającego się rynku, organizować szkolenia dla talentów finansowego wczesnego ostrzegania, wzmacniać komunikację pomiędzy talentami finansowego wczesnego ostrzegania oraz zapewnić rozsądną strukturę akcjonariatu, aby uniknąć sytuacji, w której jedna akcja dominujący; po drugie, można ulepszyć konstrukcję informacyjną systemu finansowego i na tej podstawie ustalić zbiór systemu finansowego mającego zastosowanie do przedsiębiorstwa. Jednocześnie powinniśmy kierować się wyborem rynku, a rozwój zróżnicowanych rynków może zapewnić ich konkurencję, a jednocześnie skupić się na jakości produktu.

Bibliografia

[1] MA Fern „Mendez-G” Gamez, JAC Soria, JAC Santos i „D. Alaminos, „Europejska heterogeniczność w przewidywaniu trudności finansowych: analiza empiryczna z czynnikami makroekonomicznymi i regulacyjnymi”, „Ekonomiczne Modelowanie”, tom. 88, s. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr i M. El Bannany, „Wielowarstwowe podejście perceptronowe do przewidywania trudności finansowych za pomocą algorytmu genetycznego”, Automatic Control and Computer Sciences, tom. 54, nie. 6, s. 475–482, 2020.

[3] X. Yan, W. Weihan i M. Chang, „Badania nad modelem przewidywania transakcji dotyczących aktywów finansowych w oparciu o sieć neuronową LSTM”, Neural Computing and Applications, tom. 33, nie. 1, s. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko i H. Katagiri, „Przewidywanie upadłości japońskich korporacji przy użyciu maszyny wektorów nośnych, sztucznej sieci neuronowej i wielowymiarowej analizy dyskryminacyjnej”, International Journal of Industrial Engineering, tom. 1, nie. 1, s. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu i W. Ai, „Klasowe niezrównoważone dynamiczne przewidywanie trudności finansowych w oparciu o zespół adaboost-SVM w połączeniu z SMOTE i ważeniem czasu”, Information Fusion, tom . 54, s. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li i K. Li, „Model prognozowania telemarketingu bankowego oparty na t-SNE-SVM”, Journal of Service Science and Management, tom. 13, nie. 3, s. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan i O. Escobar, „Sztuczna inteligencja i modele biznesowe w perspektywie celów zrównoważonego rozwoju: systematyczny przegląd literatury”, Journal of Business Research, tom. 121, s. 283–314, 2020.

[8] PK Mitra i C. Banga, „Przewidywanie indyjskich cen ropy koszykowej za pomocą podejścia porównawczego modeli uczenia maszynowego”, International Journal of Business Forecasting and Marketing Intelligence, tom. 5, nie. 3, s. 249–266, 2019.

[9] G. Kumar, S. Jain i UP Singh, „Prognozowanie giełdowe przy użyciu inteligencji obliczeniowej: ankieta”, Archives of Computational Methods in Engineering, tom. 28, nie. 3, s. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li i Y. Zhang, „Nowa metoda oceny rozwoju systemu informacyjnego MŚP w oparciu o ulepszoną sieć neuronową BP”, Information Systems and E-Business Management, tom. 18, nie. 4, s. 779–792, 2020.

[11] BS Kumar, V. Ravi i R. Miglani, „Przewidywanie indyjskiej giełdy przy użyciu psycholingwistycznych cech wiadomości finansowych”, Annals of Data Science, tom. 8, nie. 3, s. 517–558, 2021.

[12] S.-J. Lin, „Zintegrowana technika sztucznej inteligencji i wizualizacji w celu usprawnienia decyzji zarządczych w dzisiejszych turbulentnych środowiskach biznesowych”, Cybernetics and Systems, tom. 52, nie. 4, s. 274–292, 2021.

For more information:1950477648nn@gmail.com