Empirická analýza predikce rizik podnikového finančního řízení na základě asociativní paměťové neuronové sítě

Jako výpočetní model podobný lidskému mozku, který může odrážet kognitivní funkce mozku, přitahuje pozornost vědců problém dynamické analýzy asociativních paměťových neuronových sítí. Tento článek kombinuje asociativní paměťové neuronové sítě s riziky podnikového finančního řízení, studuje problémy synchronizačního řízení a analýzy stability jednosměrných asociativních paměťových amnestických neuronových sítí lidského mozku s poruchami a smíšenými časově proměnnými časovými prodlevami, navrhuje obousměrnou asociativní paměť podobnou model mozkové stochastické amnestické neuronové sítě se smíšenými časově proměnnými časovými prodlevami, navrhuje strategii kontroly diskrétního vzorkování založenou na modelu a studuje různé typy nedávných finančních rizik. Na základě výzkumu včasného varování, založeného na metodě asociativní paměťové neuronové sítě, navrhujeme rekonstruovat kategorie rizik, včetně zlepšení systému řízení rizik v podniku, zvýšení povědomí o řízení finančních rizik shora dolů a posílení základní konkurenceschopnosti společnosti. samotný podnik a kontrolní opatření pro rizika financování, investic, provozu a peněžních toků.

Mezi kognitivní funkcí mozku a pamětí existuje úzký vztah. Vynikající kognitivní funkce nám může pomoci lépe se učit, pamatovat si a chápat informace.

Za prvé, kognitivní funkce se týká schopnosti jedince vnímat, zpracovávat a vyjadřovat vnější informace. To zahrnuje oblasti, jako je kontrola pozornosti, mentální flexibilita, pracovní paměť, jazykové dovednosti a výkonné funkce. Paměť je proces získávání, udržování a používání informací prostřednictvím kódování, ukládání a získávání informací. Jedinci s lepšími kognitivními funkcemi mají silnější schopnosti zpracovávat informace a učit se a jsou lépe schopni převádět informace do dlouhodobé paměti.

Za druhé, existuje vzájemný podpůrný vztah mezi pamětí a kognitivní funkcí. Zlepšení kognitivních funkcí může účinně zlepšit naši paměť. Například dobrá kontrola pozornosti a koncentrace nám může pomoci lépe uchovávat informace. Vylepšení výkonných funkcí nám pomáhá lépe kódovat, ukládat a získávat informace.

Kromě toho kognitivní funkce nejen podporují paměť, ale dobrá paměť nám může také pomoci rozšířit kognitivní funkce. Jedinci s vynikající schopností paměti mohou lépe ovládat různé dovednosti, jako je jazyk, hudba a sport, a uplatňovat větší výhody v kognitivních činnostech.

Proto bychom si měli plně uvědomovat úzký vztah mezi kognitivní funkcí mozku a pamětí, záměrně zlepšovat kognitivní funkce, aktivně trénovat paměť a věnovat pozornost interakci mezi kognitivními funkcemi a pamětí. Jen tak můžeme neustále rozšiřovat naše kognitivní hranice a zlepšovat úroveň našeho osobního rozvoje. Je vidět, že potřebujeme zlepšit paměť. Cistanche může výrazně zlepšit paměť, protože masová pasta je tradiční čínský léčivý materiál s mnoha unikátními účinky, z nichž jedním je zlepšení paměti. Účinnost mletého masa vychází z různých účinných látek, které obsahuje, včetně karboxylové kyseliny, polysacharidů, flavonoidů atd. Tyto složky mohou různými kanály podporovat zdraví mozku.

Klikněte na 10 způsobů, jak zlepšit paměť

1. Úvod

Asociativní paměťová neuronová síť napodobuje pracovní vzorec neuronových buněk v lidském mozku; za prvé, vzor, ​​který se má zapamatovat, je uložen ve formě váhové sítě neuronové sítě; Při příjmu informace o neúplném nebo vadném vzoru zvenčí neuronová síť v tomto okamžiku způsobí, že vstupní vzor neustále mění svou hodnotu a konverguje k zapamatovanému vzoru masivním paralelním výpočtem. Neuronová síť má dobrý robustní výkon, což znamená, že neuronová síť s asociativní pamětí má dobrou odolnost proti chybám. Vzorce k zapamatování jsou nejprve uloženy ve formě sítě vah neuronové sítě.

Při přijímání informací o neúplných nebo fragmentovaných vzorech zvenčí pak neuronová síť neustále mění své hodnoty a konverguje k zapamatovaným vzorcům prostřednictvím masivního paralelního výpočtu. Asociativní paměťové neuronové sítě jsou nyní široce používány při rozpoznávání vzorů, zpracování obrazu atd. Samoasociativní paměť znamená, že vstupní aberační vzory jsou stejné jako zapamatované vzory; na rozdíl od heteroasociativní paměti nejsou vzory vstupní aberace stejné jako zapamatované vzory, ale vykazují odpovídající mapovací vztahy. Samoasociativní paměť odkazuje na aplikaci asociativní paměti, ve které je počáteční vzor vstupu identický se zapamatovaným vzorem výstupu. ) Prvním krokem v autoasociativní paměti je uložení požadovaného zapamatovaného vzoru (např. slovo počítač) ve specifické podobě do síťových vah pomocí algoritmu učení neuronové sítě [1]. )en, je možné vložit vzor s informacemi o signálech a neuronová síť provádí nepřetržité iterační operace, aby poskytla správný výstup. Tato informace signálů není úplným slovem, ale obsahuje zašuměnou informaci, ale neuronová síť je stále schopna vypočítat získat informace o zapamatovaném slově; tj. tato asociativní paměťová neuronová síť má určitý stupeň odolnosti proti chybám.

Tolerance chyb je jedním z kritérií pro posouzení, zda je použití asociativní paměti proveditelné. ) Paměťový proces neuronové sítě, tedy nastavení vah neuronové sítě, potřebuje převést zapamatované vzory do podoby stavových hodnot každého neuronu, když je neuronová síť ve stabilním stavu; to znamená, že obecně stabilní bod neuronové sítě může ukládat vzor a určení hodnoty stabilního bodu je třeba nastavit podle nezbytných podmínek požadovaných modelem neuronové sítě s asociativní pamětí přijatým v této kapitole, obecně dosazením paměťového vzoru do množiny diferenciálních rovnic neuronové sítě, následným vypsáním odpovídající nerovnosti na základě výše uvedených nezbytných podmínek a spojením této nerovnosti se systémem diferenciálních rovnic spojených za účelem řešení konkrétní množiny řešení a případně určení a vhodnější hmotnost [2]. Tento proces se také provádí pomocí specifických trénovacích algoritmů (např. prostřednictvím síťové zpětné vazby).

Vzhledem k tomu, že vstupní a výstupní vzorce autoasociativní paměti jsou totožné, což znamená, že oba mají stejnou dimenzionalitu, je to charakteristika autoasociativní paměti.

V podmínkách tržní ekonomiky si podniky musí být vědomy objektivity finančních rizik a v současnosti mají podniky obecně slabé povědomí o finančních rizicích, slepém získávání finančních prostředků, neprozíravém investování, neadekvátním systému řízení finančních rizik a státní správě. vlastněné podniky, které mají slabé stránky, jako je nedokonalý mechanismus hodnocení finančních rizik a nedostatek opatření pro kontrolu rizik. Studium charakteristik podnikových finančních rizik a přijímání určitých opatření k jejich prevenci a zvládání se stalo důležitým problémem, kterému nyní čelíme. I když rychlý rozvoj různých odvětví přináší i mnohá rizika, odvětví se často objevuje ve finanční krizi a nakonec vede až k bankrotu podniků [3]. )e určení hodnoty bodu stability se nastavuje podle nezbytných podmínek vyžadovaných modelem asociativní paměťové neuronové sítě přijatým v této kapitole, obecně dosazením paměťového modelu do sady diferenciálních rovnic neuronové sítě a následným vypsáním odpovídajících nerovností podle výše uvedených nezbytných podmínek. Tato nerovnost je pak kombinována se sadou diferenciálních rovnic, aby se vyřešila řada konkrétních řešení a nakonec se určila vhodnější hodnota hmotnosti. ) Proto je řízení finančních rizik podniků velmi důležité a může určit, zda se podnik může rozvíjet vysokou rychlostí a zdravým způsobem.

V posledních letech vědci také zvýšili svůj výzkum v oblasti řízení finančních rizik podniků, ale dosud nebyl vytvořen systematický teoretický systém pro studium finančních rizik podniků. Kromě toho se současný výzkum zaměřuje na analýzu finančních rizik podniků a předkládání názorů na kontrolu finančních rizik a existuje poměrně málo studií, které analyzují kroky řízení finančních rizik podniků, tj. identifikaci, hodnocení a kontrolní prostředky. finančních rizik, do hloubky. Tento článek, založený na asociativní paměťové neuronové síti, kombinuje relevantní teoretickou literaturu o řízení finančních rizik podniku se specifickým případem řízení finančních rizik skupiny Storm a zkoumá identifikaci, analýzu a hodnocení finančních rizik a řízení podniků v naději, že hrát doplňkovou ověřovací roli k současnému teoretickému výzkumu řízení finančních rizik v podnicích.

2. Stav výzkumu

Umělé neuronové sítě byly v posledních desetiletích intenzivně studovány kvůli jejich širokému uplatnění v mnoha oblastech, jako je rozpoznávání vzorů, asociativní paměť, zpracování signálů a optimalizace. Některé aplikace, jako jsou ty v optimalizační teorii, vyžadují, aby neuronové sítě měly pouze jeden stabilní bod. Některé další aplikace, jako je asociativní paměť a rozpoznávání vzorů, však vyžadují existenci více stabilních rovnováh v samotné neuronové síti.

Multistabilita dvou rekurentních neuronových sítí se symetrickými aktivačními funkcemi fázové roviny je studována v literatuře [4]. V literatuře se uvažuje o mnohonásobné μ-stabilitě neuronových sítí s neomezenými časově proměnnými časovými prodlevami [5]. ) V literatuře je diskutována multistabilita rekurentních neuronových sítí s nemonotonickými aktivačními funkcemi a neomezenými časově proměnnými časovými prodlevami [6]. V literatuře [7] je diskutována multistabilita neuronových sítí zlomkového řádu v Mittag-Lefflerově smyslu s parametry segmentových konstant. Multistabilita třídy Hopfieldových neuronových sítí se stochastickými časovými prodlevami byla studována v literatuře [8] aplikací Schauderova principu bodu imobility a související teorie stochastické časové prodlevy, kde za určitých podmínek a při alespoň jedna z těchto oblastí má rovnovážný bod a navržením dvou dostatečných podmínek k zajištění, že tyto rovnovážné body jsou stabilní.

V literatuře je navržena nová podmínka, která je méně omezující ve srovnání s podmínkou Lipschitzova kontinua v komplexně hodnocených aktivačních funkcích [9] a je prezentována řada kritérií, která zaručují existenci, jedinečnost a numerické příklady globálních asymptotických stabilizačních bodů. komplexních rekurentních neuronových sítí. V literatuře [10] je stabilita rekurentních neuronových sítí s časově proměnnými časovými prodlevami analyzována pomocí FTM (Flexible Edge Method) a je navrženo několik nových kritérií stability pro popis stability této neuronové sítě pomocí konstrukce nového typu Ljapunovova funkce. V literatuře [11] je navržena nová myšlenka designu pro CVHAM (komplexní vícestavová Hopfieldova asociativní paměť) k analýze stability systémů CVHAM využívajících metodu energetické funkce a nakonec k získání toho, že síť může konvergovat k nehybnému bodu pro libovolná vstupní hodnota a je diskutována geometrie projekce GPR (generalized projection rule).

Podle literatury [12]Internetové podniky mají finanční charakteristiky modelu „flow economy“, modelu prostého provozu aktiv, nízkého poměru nákladů a nákladů, rychlé výměny produktů a kapitálového financování. ) Finanční riziko internetových podniků má jak charakteristiky obecných podniků, tak i své speciální charakteristiky. Ve srovnání s obecnými podniky je u internetových podniků nejvýznamnější riziko nedostatku kapitálu. Literatura [13] zavedla model ocenění EVA, aby prozkoumala souvislost mezi finančním rizikem a podnikovou hodnotou internetových podniků, použila model EVA a tradiční model ocenění k posouzení hodnoty společnosti případové společnosti NetEase a dospěla k závěru, že Model ocenění EVA je přesnější. Literatura [14] tvrdí, že internetové podniky mají především rizika v modelu ziskovosti, peněžních tocích, financování, investicích a vládní regulaci. Rovněž navrhl, aby internetové podniky zavedly řádný mechanismus včasného varování před finančními riziky, zřídily profesionální kontrolní instituci a systém auditu, posílily komplexní rozpočtovou práci, zlepšily mechanismus kontroly pohledávek a posílily řízení finančních a investičních rizik. Literatura [15] tvrdí, že zajištění ziskovosti aktiv a kontrolní opatření navržená k zabránění neočekávaným ztrátám se dosahují prostřednictvím řízení rizik. Literatura [16] tvrdí, že společnosti by měly při přijímání obchodních rozhodnutí nejprve zavést spolehlivý systém vnitřní kontroly, který může do určité míry zabránit finančním rizikům a způsobit provozní potíže při financování činností. Literatura [17] studuje původ rizika a mechanismus působení finančních rizik k prozkoumání a cílenější identifikaci rizik, hodnocení a kontrolu, eliminující skryté faktory finančního rizika.

3. Model rizika pro podnikové finanční řízení založený na asociativních paměťových neuronových sítích

3.1. Asociativní paměťový model neuronové sítě. Základními kroky současného trénovacího algoritmu rekurentní neuronové sítě je nejprve předběžně zpracovat vzorky, které mají být rozpoznány, za účelem získání vektorů numerických znaků, vložit tyto vektory postupně do sítě a poté porovnat výstup sítě s aktuálním výstupem rozdílem. a použijte tento rozdíl jako negativní zpětnou vazbu k opravě vah sítě. ) Výhodou tohoto algoritmu je, že se snadno ovládá a trénovací proces je učení bez dozoru, zatímco nevýhoda je také zřejmá v tom, že je třeba jej znovu proškolit pokaždé, když si zapamatujete nový vzor vzorku, což může zabrat více času v případě větších rozměrů sítě. Model neuronové sítě je vytvořen úpravou vah svých neuronů poté, co obdrží data, a vstupní proměnné modelu se mohou měnit podle skutečných potřeb, jako jsou tržní faktory a finanční ukazatele. Model neuronové sítě lze automaticky trénovat, aby filtroval nejlepší proměnné a upravoval váhy podle jejich implikovaných vztahů, aby se vytvořil nelineární model a zlepšila se přesnost modelu. )Tréninková metoda se používá ke korekci vah sítě nepřetržitým dodáváním trénovacích vzorků tak, aby vzorové vzory, které se mají pamatovat, byly vloženy do vah sítě; tj. síť si "pamatuje" vzorky. Je možné použít algebraické metody k přímému řešení vah, protože síť má velký počet atraktorů a dokáže si zapamatovat velké množství vzorků, použitím vzorků jako vstupu, za předpokladu, že výstup je požadovaný výstup, reprezentující obojí jako vektory a jejich dosazením do diferenciálních rovnic systému, využitím znalostí lineární algebry k vyřešení sítě vah, pak použitím jiných vzorků pro vstup a nakonec řešením odpovídajícího počtu analytických řešení. Průsečík těchto analytických řešení je síť vah, které mají být určeny, pokud se tato řešení neprotínají. )cs, znamená to, že kapacita paměti sítě není dostatečná a je třeba přepracovat nový model, aby byla zajištěna dostatečná kapacita paměti [18]. Dále bude uveden příklad návrhu asociativní paměti, jak je znázorněno na obrázku 1 pro příklad procesu asociativní paměti.

kde x∗ i xi∗ je stabilní rovnovážný bod systému s i-tou sadou vzorků jako vstupem a tato hodnota se volí podle podmínek, jako je forma aktivační funkce. Postačující podmínkou pro řešení této rovnice je, že počet stabilních rovnovážných bodů neuronové sítě je větší nebo roven počtu vzorků, které si má nárok zapamatovat; to znamená, že počet atraktorů by měl být dostatečně velký, aby si byl schopen zapamatovat dostatečný počet vzorů. Rovnici lze řešit pomocí rozkladu singulárních hodnot, řešení rovnice je také vektorem spojovacích vah sítě a tyto váhy znamenají informace o vzorech, které je třeba si zapamatovat. ) Výše ​​uvedená forma je obecně samoasociativní proces paměťového řešení váhy, který může být specificky aplikován v oblastech rozpoznávání znaků, rozpoznávání obličeje atd.) Budou uvedeny příklady pro ilustraci návrhu a procesu váhového řešení rekurentní neuronové sítě aplikace založené na heteroasociativní paměti. Tradiční algoritmy rozpoznávání znaků zahrnují porovnávání šablon a OCR [19]. U nevyvážených vzorových dat můžete začít s metodami převzorkování dolů a převzorkování nahoru. Metoda převzorkování, známá také jako metoda náhodného převzorkování, se týká náhodného odstranění třídy dat s největším počtem kategorií metodou vzorkování. ) Výhodou je, že metoda vzorkování může zlepšit přesnost modelu, když smazané vzorky obsahují zašuměná data, a nevýhodou je, že některé důležité vzorky mohou být vymazány. Metoda převzorkování se týká syntézy části dat malého vzorku pomocí algoritmu. Ve srovnání s těmito algoritmy rozpoznávání znaků se výše zmíněná asociativní paměť založená na rekurentní neuronové síti vyznačuje nízkými náklady na návrh, jednoduchou logikou zpracování, rychlou konvergencí sítě, menší závislostí na vnějších podmínkách a snadnou praktickou implementací. ) Nejdůležitějším bodem je, že tento systém asociativní paměti má dobrou odolnost proti chybám; vysoká odolnost proti chybám znamená, že když je ve vzorku více šumu nebo rušení, může také správně identifikovat cílový vzor, ​​takže pokud je tato metoda asociativní paměti aplikována na rozpoznávání obrazu, ačkoli současná aplikace je jednoduchá a myšlenka je základnější, po menším vývoji věřím, že se najde využití. Kroky návrhu rekurentních neuronových sítí pro asociativní paměť jsou shrnuty následovně.

(1) Určete charakteristiky modelu neuronové sítě, která má být použita

(2) Převeďte vzory, které se mají zapamatovat, na vektory jako vstupy do systému a také výstupy, které se mají dosadit do rovnic systému

(3) Řešení soustavy rovnic získáme vhodnou volbou souřadnic bodu rovnováhy a singulárním rozkladem hodnot.

(4) Uložte řešení soustavy rovnic jako váhy neuronové sítě

(5) Vybudujte systém neuronové sítě s asociativní pamětí a proveďte rozpoznávací testy.

Rekonfigurovatelný amnestický síťový obvod na bázi asociativní paměti se skládá ze čtyř částí: amnestického síťového obvodu založeného na asociativní paměti, PRMC se vstupními binárními signály, bloku synaptického obvodu a řídicího obvodu. V obvodu amnestické sítě založené na asociativní paměti synaptické váhy indikují sílu synaptických spojení, a tedy pouze kladné váhy. )e PRMC vstupního binárního signálu může být trénován pouze algoritmem k dosažení odpovídající funkce, takže synaptický obvod musí reprezentovat záporné váhy, nulové váhy a kladné váhy. V obvodu asociativní paměti založené rekonfigurovatelné memetické neuronové sítě používá PRMC se vstupními binárními signály a obvod asociativní memetické neuronové sítě založený na paměti stejný synaptický obvod a synaptický obvod v obvodu asociativní memetické neuronové sítě založené na paměti se může lišit. v rámci kladných vah řídicím obvodem [20]. Synaptické obvody v bloku synaptických obvodů jsou sdílené a tyto synaptické obvody lze použít ke konstrukci jak PRMC se vstupními binárními signály, tak obvodů memetických neuronových sítí na bázi asociativní paměti. Jak je vidět na obrázku 2, obě podsítě fungují nezávisle, takže mohou pracovat paralelně.

Simulací učení a zapomínání v asociativní paměti může rekonfigurovatelný memristorový obvod neuronové sítě založený na asociativní paměti dynamicky měnit strukturu obvodu tak, aby bylo dosaženo rekonfigurace, což odpovídá následujícímu procesu: když jsou nepodmíněný stimulační signál a podmíněný stimulační signál současně vstupem do memristorový obvod neuronové sítě založený na asociativní paměti, je mezi nimi indukováno asociativní učení, takže synaptická váha odpovídající podmíněnému podnětu se postupně zvyšuje. Po skončení procesu učení, pokud je podmíněný stimulační signál udržován na vstupu, je vyvolán proces zapomínání. Během zapomínání se synaptická váha odpovídající podmíněnému podnětu postupně snižuje, až selže aktivovat odpovídající neuronální okruh. Po ukončení procesu zapomínání se obvody amnestické sítě založené na asociativní paměti neaktivují bez ohledu na to, zda je na vstupu podmíněný stimulační signál [21]. Poté mohou být synaptické okruhy odpovídající podmíněnému podnětu odpojeny od neuronových okruhů a tyto synaptické okruhy mohou být přivedeny do bloku synaptického okruhu. Synaptické obvody v bloku synaptických obvodů lze použít ke konstrukci buď PRMC nebo amnestických síťových obvodů na bázi asociativní paměti se vstupními binárními signály. Tímto způsobem je dosaženo rekonfigurace obvodu.

4. Model předpovědi rizik založený na asociativní paměti neuronové sítě pro podnikové finanční řízení

Finanční riziko je druh podnikatelského rizika, které existuje ve finančních činnostech, jako je získávání, investování, utrácení, zpětné získávání a přidělování finančních prostředků v procesu společenské reprodukce. A rizikem je odchylka očekávání od reality. ) Existuje rozdíl mezi finančním rizikem v úzkém a širokém smyslu. Finanční riziko v užším smyslu označuje finanční riziko vyplývající z dluhové operace v procesu získávání finančních prostředků pro podnik. Finanční riziko v širším smyslu označuje nejistotu dosažení očekávaných finančních výsledků v procesu provádění finančních činností podniku. ) Finanční riziko tedy existuje v každém podniku a podnikatelské činnosti podniku a má významný vliv na ziskovou a ztrátovou situaci a obchodní podmínky podniku. Řízení finančních rizik je prevence, kontrola a řízení rizik ve finančním řízení podniku a je také součástí komplexního řízení podnikových rizik [22]. Interní diagnostika je způsob, jak samotný podnik sám sebeanalýzou zjistit různé problémy v obchodním procesu a nakonec je cíleně řešit. Externí diagnostika znamená, že podnik najme externí organizaci třetí strany, aby analyzovala finanční provoz podniku. Jako nová teorie vědy o řízení se jedná o teorii managementu vyvinutou především vědci na základě předchozích zkušeností v oblasti řízení rizik a finančního řízení pro všechny druhy rizik při provozu podniků. Řízení finančních rizik zahrnuje identifikaci rizik, hodnocení, analýzu příčin a kontrolu různých finančních aktivit podniku. Aby byl zajištěn běžný provoz a pohyb kapitálu podniku a aby se předešlo negativním dopadům na ekonomické zájmy podniku, řídící proces řízení finančních rizik zahrnuje identifikaci rizik, hodnocení, analýzu příčin a kontrolu různých finančních činností podniku, a včasná a účinná preventivní a kontrolní opatření založená na jeho úloze včasného varování.

) Mezi nejčastěji používané metody hodnocení finančních rizik patří hierarchická analýza, metoda faktoru efektivity a faktorová analýza. ) Základním principem faktorové analýzy je seskupit ukazatele se silnou relevanci do jedné kategorie a každou kategorii nahradit faktorem, čímž se všechny původní ukazatele nahradí několika faktory.

V tomto článku je analýza predikce rizik podnikového finančního řízení provedena kombinací modelu asociativní paměťové neuronové sítě s faktorovou analýzou. Faktorová analýza je zvolena z následujících důvodů: za prvé, faktorová analýza může snížit počet původních proměnných tím, že extrahuje a pojmenuje hlavní faktory namísto převážné většiny původních informací; za druhé, vzorek lze seřadit a porovnat. Podle skóre každého hlavního faktoru a komplexního skóre lze vzorek seřadit, což nejen ukazuje pořadí jednotlivých faktorů a objasňuje, které faktory mají větší vliv na finanční situaci podniku, ale také analyzuje komplexní hodnocení faktory po vážení, což je pro podnik přínosem k objasnění jeho silných a slabých stránek [23].

(6) Asociativní paměťová neuronová síť je postavena na základě modelu rozhodovacího stromu pomocí algoritmu histogramu, který usnadňuje segregaci dat. Rozdíl oproti předchozím modelům rozhodovacího stromu je v tom, že asociativní paměťová neuronová síť je orientována vertikálně, tj. generuje listy rozhodovacího stromu, zatímco jiné modely rozhodovacího stromu generují úrovně stromu, takže algoritmus asociativní paměti Emory ral sítě běží rychlejší a ukládá méně dat. Jeho hlavním rysem je procházet celou trénovací množinou a dělat atributy diskrétní pro spojité proměnné s plovoucí desetinnou čárkou; těchto k diskrétních dat je konstruováno do histogramu se specifickou šířkou k. ) Vypočítá se počet diskrétních hodnot konvergovaných v rámci každého histogramu. Protože existuje mnoho složek finančního rizika, různé faktory a finanční ukazatele se budou vzájemně ovlivňovat a vytvářet komplexní vztah. V tomto článku jsou extrahovány relevantní indikátory, faktory jsou extrahovány testem významnosti a faktory vhodné pro sestavení modelu jsou získány testem sféricity, extrakcí hlavních komponent a dalšími kroky.

Na základě získaných faktorů je k modelování finančního včasného varování použit logistický model postupné regrese. ) Proces modelování postupně analyzuje faktory složení rizik a využívá výhod modelu k poskytnutí intuitivnějšího základu pro budoucí rozhodování manažerů. )vybrané ukazatele včasného varování by měly být komplexní; tj. ukazatele by měly být vybírány z tradičních aspektů solventnosti, ziskovosti, schopnosti vývoje a provozní schopnosti a ukazatele by měly být vybírány z aspektů schopnosti výzkumu a vývoje, které odrážejí charakteristiky odvětví, takže rozsah ukazatelů vybraných pro průmysl výroby komunikačních zařízení komplexnější. Společnost investuje kapitál do výroby produktů a získává zpět kapitál a zisky prodejem produktů. Obrat zásob lze zvýšit pouze v případě úspěšného prodeje a rychlého vyklízení zásob, takže obrat zásob udává, jak rychle lze získat zpět peníze z prodeje zboží. Obecně platí, že společnost může zlepšit svou likviditu zvýšením obratu zásob. ) Obrátkovost zásob udává výši zásob, zatímco obrátkovost oběžných aktiv vyjadřuje rychlost obratu oběžných aktiv, která jsou ze všech aktiv podniku nejlikvidnější. Nižší úroveň obratu oběžných aktiv může mít větší dopad na krátkodobou schopnost firmy splácet. ) Čím vyšší je ukazatel obratu běžných aktiv, tím nižší je relativní riziko finanční likvidity. Nízká míra obratu bude vyžadovat dodatečnou likviditu, která se bude podílet na obratu, což způsobí plýtvání finančními prostředky a sníží ziskovost podniku. Na základě výše uvedené teorie lze v následné klasifikaci nalézt optimální hraniční bod pouze podle šířky histogramu. Myšlenka algoritmu histogramu se odráží hlavně v převodu dat s plovoucí desetinnou čárkou na binární data a konkrétní operací je určit počet segmentů obsažených v každém prvku, aktualizovat data každého segmentu zvlášť po rovnoměrném rozdělení a nahradit rysy predikce rizik podnikového finančního řízení do modelu asociativní paměťové neuronové sítě, který je graficky znázorněn, jak je znázorněno na obrázku 3.

3. Ve srovnání s jinými modely postavenými na algoritmech rozhodovacího stromu jsou neuronové sítě s asociativní pamětí rychlejší hlavně z hlediska rychlosti běhu, spotřebovávají méně paměti a přesnost není ohrožena, dokonale kombinují jak rybu, tak medvědí tlapu. S přáním jít na další úroveň lze model optimalizovat dvěma způsoby: pro urychlení rychlosti chodu lze originál jednoduše zpracovat; snížení počtu prvků a dat, převod proměnných prvků na prvky kategorií nebo uložení datových souborů jako binárních souborů, změna trénovací metody modelu na paralelní může také urychlit běh modelu; zlepšit přesnost modelu a snížit rychlost učení modelu, počínaje modelem, síťovým laděním parametrů modelu, výběrem nejlepší kombinace parametrů, prodloužením doby učení modelu a lepším pochopením zákonů modelu mezi daty může zlepšit přesnost modelu. Počínaje daty, zvýšením počtu trénovacích dat a předzpracováním dat k vyřešení chybějících hodnot a nerovnováhy v původních datech může také lépe trénovat model a zlepšit výkon modelu.

4.1. Experimentální ověření a závěry

)e Model rozhodovacího stromu CART s návrhem před prořezáváním a po prořezávání bude trénován a po trénování modelu se vygeneruje graf rozhodovacího stromu a graf proměnné důležitosti, aby bylo možné lépe interpretovat diskriminační výsledky modelu rozhodovacího stromu CART. Nejprve jsou konstruovány diskriminační výsledky a soubor pravidel celkového modelu hodnocení finančních rizik podniku. Protože v celkovém hodnocení finančních rizik podniku existuje příliš mnoho hodnot hodnotících prvků, graf proměnné důležitosti v celkovém hodnocení finančních rizik podniku přebírá 5 nejdůležitějších proměnných a celkový model hodnocení finančních rizik podniku vytváří graf proměnné důležitosti, jak je znázorněno na obrázku 4.

Jak je patrné z obrázku 4, mezi 18 charakteristikami modelu rozhodovacího stromu CART patří „násobek získaného úroku“, „výnos celkových aktiv“, „obrat pohledávek“, „obrat celkových aktiv“ a „vážená návratnost čistých aktiv“. “ zařadil prvních pět z hlediska důležitosti, přičemž „násobek získaného úroku“ je nejdůležitějším ukazatelem s důležitostí nad 0,5. Provozní kapacita odráží efektivitu a efektivitu podnikových kapitálových operací s různými aktivy a obratová efektivita různých typů aktiv se obvykle používá k určení provozní úrovně podniku. Znamená to, že podniky by se měly zaměřit na „násobek vydělaných úroků“, když posouzení celkového finančního rizika a součet pěti nejlepších skóre důležitosti přesahuje 90 %; proto také naznačuje, že kotované společnosti by se měly v procesu hodnocení celkového finančního rizika podniků zaměřit na těchto pět indexových charakteristik. Interpretace sady pravidel generované modelem rozhodovacího stromu poskytne kótované společnosti kvantitativní důkazy pro posouzení celkového finančního rizika společnosti, což kotované společnosti pomůže změřit, zda má celkové finanční riziko.

) 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, podnik nemá finanční riziko. Interpretace sady pravidel generované modelem rozhodovacího stromu poskytne kotované společnosti kvantitativní důkazy pro posouzení míry obchodního rizika společnosti, což kotované společnosti pomůže změřit, zda má obchodní riziko.

)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, firma není ohrožena. Interpretace souboru pravidel generovaného modelem rozhodovacího stromu poskytne kotované společnosti kvantitativní důkazy pro posouzení úrovně rizika financování společnosti, což kotované společnosti pomůže změřit, zda má finanční riziko.

Z obrázku 7 je vidět, že model tohoto článku založený na asociativní paměťové neuronové síti dosahuje 83% přesnosti pro diskriminační efekt trénovací sady a 76% přesnosti pro validační sadu, což je lepší výsledek. Tento článek zároveň kombinoval model GBDT s modelem logistické regrese pro kombinovanou predikci a výsledky predikce ukázaly, že kombinovaný model zlepšil přesnost predikce tréninkové sady na 91 % a validační sady na 78 %, v roce z hlediska přesnosti i stability; varovný efekt kombinovaného modelu je významnější ve srovnání s jedním modelem, takže dokazuje proveditelnost kombinovaného modelu. Ve srovnání s jednomodelovým logistickým regresním modelem je ROC křivka modelu regrese modelu asociativní paměťové neuronové sítě pro varování před finančním rizikem blíže levé horní ose a její hodnota AUC je 0,79, což je výrazně vyšší hodnota než hodnota AUC logistického regresního modelu 0,60. ) Výhody modelu asociativní paměťové neuronové sítě pro varování před finančním rizikem lze vidět přímo z křivky ROC a hodnoty AUC. Z experimentu lze vyvodit závěr, že GBDT pro kombinaci funkcí může lépe dolovat informace ve finančních datech společností kótovaných na burze a logistický model má vysokou rychlost zpracování, což může vyřešit problém pomalé rychlosti zpracování, kterou GBDT nelze zpracovat. paralelně a model spojený s GBDT a logistickým modelem lze efektivně využít v oblasti včasného varování kótovaných společností před finančním rizikem pro modelování.

Rychlost e-learningu je rychlost, s jakou jsou vstupní proměnné aktualizovány při každé iteraci během tréninku a určuje, jak daleko se musí váhy posunout ve směru gradientu v malé dávce, v mnoha iteracích, případně se přesunout do pozice která odpovídá tréninkové přesnosti sítě. ) Proces učení vlastností ukázkové datové sady pomocí asociativní paměťové neuronové sítě je proces neustálého iterování vpřed. Nižší rychlost učení činí tréninkový proces spolehlivějším, ale optimalizace bude trvat déle. Vyšší rychlost učení na druhé straně vede k nekonvergenci tréninku a může způsobit velmi velké změny hmotnosti, takže funkce ztráty je velmi špatná. Optimalizace rychlosti násobení matic a zlepšení využití paměti lze dosáhnout zvýšením počtu dávek v určité oblasti, což snižuje počet aktualizací potřebných k dokončení trénování celé datové sady a poněkud urychluje proces pro data stejného druhu. kapacita. Stochastický gradientový sestup aktualizuje vždy pouze jeden vzorek informací, což urychluje trénování, ale protože je v daném okamžiku použit pouze jeden vzorek, nepředstavuje celý tréninkový vzorek, což ztěžuje konvergování trénovacích výsledků k některým minimální hodnota. Aby společnost dosáhla udržitelného rozvoje, musí přikládat velký význam svým schopnostem výzkumu, vývoje a inovací. Pouze neustálými inovacemi a neustálými vynálezy může společnost získat konkurenční výhodu. S rozvojem hlubokého učení se ukázalo, že výsledky školení lze převést na místní minimum pomalým snižováním rychlosti učení. Po několikanásobné úpravě parametrů byly konečně získány očekávané výsledky tréninku a průměrná absolutní chyba modelu na vzorcích během tréninku se konečně sblížila. )e ztrátové křivky pro vzorovou datovou sadu jsou znázorněny na obrázku 8.) modrá čára na obrázku představuje křivku ztráty trénovací sady a oranžová křivka představuje křivku ztráty zkušební sady; horizontální osa představuje počet iterací vzorků v procesu trénování a vertikální osa představuje změnu průměrné hodnoty chyby během trénovacího procesu.

Podle parametrů nastavených v tomto článku může okno Spyderu zobrazit ztráty trénovacích a testovacích vzorků v každé iteraci a vypočítat střední kvadraturu modelu na konci trénování. Během trénovacího procesu platí, že čím více iterací, tím menší je výběrová chyba s lokálními výkyvy v malém rozsahu. Na začátku trénování chyba rychle klesá a v trénovacím intervalu od 10 do 50 iterací chyba klesá rychlým tempem, což naznačuje, že model je dolaďován lokálně. Od 100 trénovacích iterací dále chyba klesá jemněji, což znamená, že model konvergoval k optimálnímu procesu. ) Trend křivky ztráty trénovacího vzorku a změny ztráty zkušebního vzorku jsou integrovány a chyba trénovacího vzorku nakonec konverguje s lepším přizpůsobením; chyba testovacího vzorku konverguje k lokálnímu minimu a její přizpůsobení není tak dobré jako u trénovacího vzorku, ale efekt použití gradientního klesání pro optimalizaci je zřejmý a neovlivní výkon celého modelu.

Na základě modelu asociativní paměťové neuronové sítě je systém indikátorů včasného varování, který může odrážet rizikové charakteristiky kotovaných zemědělských společností, vytvořen kombinací rizikových charakteristik společnosti a příčin jejího generování: obsahuje finanční a nefinanční indikátory pokrývající solventnost , provozní kapacita, vývojová kapacita, ziskovost a další kapacitní ukazatele. Pro zlepšení rychlosti konvergence a stability modelu se software SPSS používá k provádění faktorové analýzy na datech primárně vybraných indikátorů a výpočtu faktorových skóre vzorků jako vstupních dat vrstvy modelu. Tímto způsobem je dále stanovena přesnost modelu finanční krize a vybrána část vzorku pro testování modelu. Nakonec je model aplikován na skutečnou společnost, aby se identifikovaly její problémy a optimalizovaly se, aby se snížila možnost její finanční krize.

5. Závěr

Modely neuronových sítí s asociativní pamětí jsou obecně konstruovány na základě údajů o vlastnostech daného odvětví, aby bylo možné předpovídat různé aspekty bodů poptávky. Predikce modelu neuronové sítě asociativní paměti se neomezují pouze na preference každodenního života, jídlo, oblečení, bydlení atd., ale nyní téměř pronikají do vývoje finančního odvětví, finančních prognóz atd. ve spojení s odvětvovými charakteristikami a konkurenčním prostředím společnosti bylo zjištěno, že model může dobře odrážet situaci společnosti prostřednictvím indikátorů včasného varování a poskytnout referenci pro budoucí vývoj společnosti. Pokud bude zaveden pouze datový model přizpůsobení finančních ukazatelů, bude příliš jednoduchý a nebude schopen posuzovat situaci financí komplexně. Ve studii bylo zjištěno, že počet vzorků v kategorii vysokého finančního rizika byl příliš malý ve srovnání se vzorky v kategoriích nízkého a středního finančního rizika, a pokud by údaje o vzorku nebyly vyvážené, mohlo by to vést k včasnému varování model se během tréninku nenaučil charakteristiky vzorků v kategorii vysokého finančního rizika, což nakonec vedlo k nízké přesnosti predikce vzorků v této kategorii.

Vzhledem k tomu, že faktory, jako je složení společnosti a vlastní kapitál, mohou mít také významný dopad na finance, tento dokument přidává nefinanční ukazatele pro zlepšení zobecnitelnosti a přesnosti modelu. V dnešní době se společnosti nacházejí ve stále složitějším tržním prostředí a společenských aktivitách a simulace velkých dat kvantifikací relevantních ukazatelů firem v oboru může komplexně a extenzivně odrážet aktuální situaci v oboru a rozumné zahrnutí oborově specifických ukazatelů může také zlepšit účinnost modelu včasného varování. Kombinací podnikových ukazatelů a zavedeného modelu včasného varování jsou hlavní komponenty, které lze modelem identifikovat, použity k analýze situace, ve které se objevují rizika společnosti, a poskytují názory, které zahrnují podrobnosti o společnosti B. Použití tohoto finančního včasného varování model, lze upravit strukturu společnosti, provádět strategické plánování a předcházet krizím v předstihu pro měnící se trh, organizovat školení pro finanční talenty včasného varování, posílit komunikaci mezi finančními talenty včasného varování a zajistit přiměřenou strukturu akcií, aby se zabránilo tomu, že jedna akcie bude dominantní; za druhé, lze zlepšit informační konstrukci finančního systému a na tomto základě vytvořit soubor finančního systému použitelného pro společnost. Zároveň bychom měli vyhovět volbě trhu a rozvoj diverzifikovaných trhů může zajistit jejich konkurenci a zároveň se zaměřit na kvalitu produktů.

Reference

[1] MA Fern ´Mendez-G´ Gamez, JAC Soria, JAC Santos a ´D. Alaminos, "Heterogenita evropských zemí v predikci finanční tísně: Empirická analýza s makroekonomickými a regulačními faktory," Economic Modelling, sv. 88, s. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr a M. El Bannany, "Vícevrstvý perceptronový přístup k predikci finanční tísně s genetickým algoritmem", Automatic Control and Computer Sciences, sv. 54, č.p. 6, s. 475–482, 2020.

[3] X. Yan, W. Weihan a M. Chang, „Výzkum modelu predikce transakcí finančních aktiv založený na neuronové síti LSTM“, Neural Computing and Applications, sv. 33, č. 1, s. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko a H. Katagiri, "Predpověď bankrotu pro japonské korporace využívající podpůrný vektorový stroj, umělou neuronovou síť a multivariační diskriminační analýzu," International Journal of Industrial Engineering, sv. 1, č. 1, s. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu a W. Ai, „Třídně nevyvážená predikce dynamické finanční tísně založená na souboru adaboost-SVM v kombinaci se SMOTE a časovým vážením“, Information Fusion, sv. . 54, s. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li a K. Li, "Bank telemarketing forecasting model based on t-SNE-SVM", Journal of Service Science and Management, sv. 13, č. 3, s. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan a O. Escobar, "Umělá inteligence a obchodní modely v perspektivě cílů udržitelného rozvoje: systematický přehled literatury", Journal of Business Research, sv. 121, s. 283–314, 2020.

[8] PK Mitra a C. Banga, "Predicting indických košových cen ropy prostřednictvím komparativního přístupu modelů strojového učení," International Journal of Business Forecasting and Marketing Intelligence, sv. 5, č. 3, s. 249–266, 2019.

[9] G. Kumar, S. Jain a UP Singh, "Prognózování akciového trhu pomocí výpočetní inteligence: průzkum," Archives of Computational Methods in Engineering, sv. 28, č. 3, s. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li a Y. Zhang, "Nová metoda pro hodnocení růstu informačního systému malých a středních podniků založená na zdokonalené neuronové síti BP", Information Systems and E-Business Management, sv. 18, č. 4, s. 779–792, 2020.

[11] BS Kumar, V. Ravi a R. Miglani, „Předpovídání indického akciového trhu pomocí psycho-lingvistických rysů finančních zpráv“, Annals of Data Science, sv. 8, č. 3, s. 517–558, 2021.

[12] S.-J. Lin, "Integrovaná umělá inteligence a vizualizační technika pro vylepšené manažerské rozhodování v dnešním turbulentním obchodním prostředí," Cybernetics and Systems, sv. 52, č.p. 4, s. 274–292, 2021.

For more information:1950477648nn@gmail.com