A vállalati pénzügyi menedzsment kockázat-előrejelzésének empirikus elemzése az asszociatív memória neurális hálózaton

Az emberi agyhoz hasonló, az agy kognitív funkcióit tükröző számítási modellként az asszociatív memória neurális hálózatok dinamikus elemzésének problémája felkeltette a tudósok figyelmét. A dolgozat egyesíti az asszociatív memória neurális hálózatokat a vállalati pénzügyi menedzsment kockázataival, tanulmányozza az egyirányú asszociatív memória-szerű emberi agy amnesztiás neurális hálózatainak szinkronizálási és stabilitáselemzési problémáit perturbációval és vegyes időben változó időeltolódásokkal, javasol egy kétirányú asszociatív memória-szerűséget. agyi sztochasztikus amnesztikus neurális hálózat modell vegyes időben változó időeltolódásokkal, a modell alapján diszkrét idejű mintavételezési vezérlési stratégiát tervez, és különféle típusú pénzügyi kockázatokat vizsgál. A korai figyelmeztető kutatások alapján, az asszociatív memória neurális hálózat módszerére alapozva javasoljuk a kockázati kategóriák rekonstrukcióját, ideértve a vállalati kockázatkezelési rendszer fejlesztését, a pénzügyi kockázatkezelés tudatosságának tetőtől lefelé történő növelését, valamint a vállalat alapvető versenyképességének erősítését. maga a vállalkozás, valamint a finanszírozási, beruházási, működési és pénzforgalmi kockázatok ellenőrzési intézkedései.

Szoros kapcsolat van az agy kognitív funkciói és a memória között. A kiváló kognitív funkció segíthet az információk jobb megismerésében, emlékezésében és megértésében.

Először is, a kognitív funkció az egyén azon képességére utal, hogy észleli, feldolgozza és kifejezi a külső információkat. Ez magában foglalja az olyan területeket, mint a figyelemkontroll, a mentális rugalmasság, a munkamemória, a nyelvi készségek és a végrehajtó funkciók. A memória az információ megszerzésének, karbantartásának és felhasználásának folyamata az információk kódolásával, tárolásával és visszanyerésével. A kiváló kognitív funkciókkal rendelkező egyének erősebb információfeldolgozási és tanulási képességekkel rendelkeznek, és jobban képesek az információkat hosszú távú memóriává alakítani.

Másodszor, kölcsönös elősegítő kapcsolat van a memória és a kognitív funkció között. A kognitív funkciók fejlesztése hatékonyan javíthatja memóriánkat. Például a jó figyelemkontroll és koncentráció segíthet abban, hogy jobban megőrizzük az információkat. A végrehajtó funkciók fejlesztései segítenek az információk jobb kódolásában, tárolásában és visszakeresésében.

Ezen túlmenően, a kognitív funkciók nemcsak a memóriát erősítik, hanem a jó memória is segíthet a kognitív funkciók bővítésében. A kiemelkedő memóriaképességű egyének jobban elsajátíthatják a különféle készségeket, például a nyelvet, a zenét és a sportokat, és nagyobb előnyökkel járhatnak a kognitív tevékenységekben.

Ezért teljes mértékben tudatában kell lennünk az agy kognitív funkciói és a memória közötti szoros kapcsolatnak, szándékosan javítani kell a kognitív funkciókat, aktívan edzeni a memóriát, és figyelni kell a megismerés és a memória közötti kölcsönhatásra. Csak így tudjuk folyamatosan tágítani kognitív határainkat és javítani személyes fejlődésünk szintjén. Látható, hogy javítanunk kell a memóriánkat. A Cistanche jelentősen javíthatja a memóriát, mert a hústészta egy hagyományos kínai gyógyászati ​​anyag, számos egyedi hatással, amelyek közül az egyik a memória javítása. A darált hús hatékonysága a benne található különféle hatóanyagoknak köszönhető, beleértve a karbonsavat, poliszacharidokat, flavonoidokat stb. Ezek az összetevők különféle csatornákon keresztül elősegíthetik az agy egészségét.

Kattintson a Tudjon meg 10 módszerre a memória javítására

1. Bemutatkozás

Az asszociatív memória neurális hálózat az emberi agy idegsejtjeinek működési mintáját utánozza; először a memorizálandó mintát a neurális hálózat súlyhálózata formájában tároljuk; Amikor a neurális hálózat kívülről kapja a hiányos vagy hibás mintázat információit, ekkor a bemeneti minta folyamatosan változtatja az értékét, és hatalmas párhuzamos számítással konvergál a memorizált mintához. )e neurális hálózat jó robusztus teljesítménnyel rendelkezik, ami azt jelenti, hogy az asszociatív memória neurális hálózat jó hibatűrő képességgel rendelkezik. )e memorizálandó mintákat először a neurális hálózat súlyhálózata formájában tároljuk.

Amikor a neurális hálózat kívülről kap információt a hiányos vagy töredezett mintákról, akkor folyamatosan változtatja értékeit, és hatalmas párhuzamos számítással konvergál a memorizált mintákhoz. Az asszociatív memória neurális hálózatait ma már széles körben használják mintafelismerésben, képfeldolgozásban stb. Az önasszociatív memória azt jelenti, hogy a bemeneti aberrációs minták megegyeznek az emlékezett mintákkal; A hetero-asszociatív memóriával ellentétben a bemeneti aberrációs minták nem azonosak az emlékezett mintákkal, hanem megfelelő leképezési kapcsolatokat mutatnak. Az önasszociatív memória az asszociatív memória alkalmazására utal, amelyben a bemenet kezdeti mintája megegyezik a kimenet emlékezett mintájával. ) Az önasszociatív memória első lépése, hogy a kívánt memorizált mintát (pl. a számítógép szót) egy neurális hálózat tanulóalgoritmusán keresztül meghatározott formában lerakjuk a hálózati súlyokba [1]. )en, lehetőség van a minta jelzés információval történő bevitelére, és a neurális hálózat folyamatos iteratív műveleteket hajt végre a megfelelő kimenet érdekében. Ez a jelzés információ nem a teljes szó, de zajos információval rendelkezik, de a neurális hálózat továbbra is képes kiszámítani az emlékezett szó információinak beszerzése; azaz ennek az asszociatív memória neurális hálózatnak van egy bizonyos fokú hibatűrése.

A hibatűrés az egyik kritérium annak megítélésére, hogy megvalósítható-e az asszociatív memória alkalmazása. )a neurális háló memóriafolyamatának, vagyis a neurális hálózat súlyainak beállításának szüksége van arra, hogy a memorizált mintákat az egyes neuronok állapotértékeibe lefordítsa, amikor a neurális hálózat stabil állapotban van; azaz általában a neurális hálózat egy stabil pontja tárolhat mintát, és a stabil pont értékének meghatározását az ebben a fejezetben elfogadott asszociatív memória neurális hálózati modell által megkívánt szükséges feltételek szerint kell beállítani. úgy, hogy a memóriamintát behelyettesítjük a neurális hálózat differenciálegyenleteinek halmazába, majd felsoroljuk a megfelelő egyenlőtlenséget a fenti szükséges feltételek alapján, és ezt az egyenlőtlenséget hozzákapcsoljuk a differenciálegyenlet-rendszerhez, amely egy adott megoldási halmaz megoldásához és végül meghatároz egy alkalmasabb súly [2]. Ez a folyamat is speciális betanítási algoritmusok segítségével történik (pl. hálózati ön-visszacsatoláson keresztül).

Mivel az önasszociatív memória bemeneti és kimeneti mintái azonosak, vagyis mindkettőnek azonos a dimenziója, ez az önasszociatív memória jellemzője.

A piacgazdaság körülményei között a vállalkozásoknak tisztában kell lenniük a pénzügyi kockázatok objektivitásával, jelenleg pedig általában gyenge a pénzügyi kockázati tudatosság, a vak forrásbevonás, az átgondolatlan befektetés, a nem megfelelő pénzügyi kockázatkezelési rendszer, valamint az állami- tulajdonú vállalatok, amelyeknek vannak gyenge pontjai, mint például a pénzügyi kockázatértékelési mechanizmus tökéletlensége és a kockázatkezelési intézkedések hiánya. A vállalati pénzügyi kockázatok jellemzőinek tanulmányozása, valamint azok megelőzése és kezelése érdekében tett intézkedések meghozatala fontos témává vált. Bár a különféle iparágak rohamos fejlődése számos kockázattal is jár, az iparág gyakran megjelenik a pénzügyi válságban, és végül a vállalkozások csődjéhez is vezet [3]. )a stabilitási pont értékének meghatározását az ebben a fejezetben átvett asszociatív memória neurális hálózati modell által megkövetelt szükséges feltételek szerint állítjuk be, általában úgy, hogy a memóriamodellt behelyettesítjük a neurális hálózat differenciálegyenleteinek halmazába, majd felsoroljuk a megfelelő egyenlőtlenségeket. a fenti szükséges feltételek szerint. )az egyenlőtlenséget ezután kombinálják a differenciálegyenletekkel, hogy megoldjanak egy sor konkrét megoldást, és végül meghatározzanak egy megfelelőbb súlyértéket. ) Ezért a vállalkozások pénzügyi kockázatkezelése nagyon fontos, és meghatározhatja, hogy a vállalkozás tud-e gyorsan és stabilan fejlődni.

Az elmúlt években a tudósok is fokozták a vállalkozások pénzügyi kockázatkezelésével kapcsolatos kutatásaikat, de szisztematikus elméleti rendszer még nem alakult ki a vállalkozások pénzügyi kockázatának vizsgálatára. Ezen túlmenően a meglévő kutatások fókuszában a vállalkozások pénzügyi kockázatainak elemzése, pénzügyi kockázatkezelési vélemények megfogalmazása áll, és viszonylag kevés olyan tanulmány létezik, amely a vállalkozások pénzügyi kockázatkezelésének lépéseit, azaz az azonosítást, értékelést és ellenőrzési eszközöket elemzi. a pénzügyi kockázatokról, mélyrehatóan. Az asszociatív memória neurális hálóra épülő tanulmány a vállalati pénzügyi kockázatkezelés vonatkozó elméleti irodalmát ötvözi a Storm Group pénzügyi kockázatkezelésének sajátos esetével, és a vállalkozások pénzügyi kockázatának és ellenőrzésének azonosítását, elemzését és értékelését kutatja, remélve, hogy kiegészítő ellenőrző szerepet töltenek be a jelenlegi, a vállalkozások pénzügyi kockázatkezelésével kapcsolatos elméleti kutatások mellett.

2. A kutatás állapota

A mesterséges neurális hálózatokat intenzíven tanulmányozták az elmúlt évtizedekben, mivel széles körben alkalmazzák számos területen, mint például a mintafelismerés, az asszociatív memória, a jelfeldolgozás és az optimalizálás. Egyes alkalmazások, például az optimalizálási elméletben használtak, megkövetelik, hogy a neurális hálózatok csak egyetlen stabil ponttal rendelkezzenek. Néhány más alkalmazás azonban, például az asszociatív memória és a mintafelismerés, több stabil egyensúly meglétét igényli magában a neurális hálózatban.

A szakirodalom tanulmányozza két visszatérő, fázissík eredetű szimmetrikus aktivációs függvényekkel rendelkező neurális hálózat multistabilitását [4]. A szakirodalomban a neurális hálózatok többszörös μ-stabilitását veszik figyelembe korlátlan időben változó időeltolódásokkal [5]. A nem monoton aktivációs függvényekkel és korlátlan időben változó időeltolódásokkal rendelkező visszatérő neurális hálózatok multistabilitását a szakirodalom tárgyalja [6]. A szakirodalom [7] a Mittag-Leffler értelemben vett törtrendű neurális hálózatok szegmentális konstans paraméterekkel rendelkező multistabilitását tárgyalja. A sztochasztikus időeltolódásokkal rendelkező Hopfield neurális hálózatok egy osztályának multistabilitását a szakirodalomban [8] Schauder mozdulatlansági pont elvének és a kapcsolódó sztochasztikus időeltolódás elméletének alkalmazásával tanulmányozták, ahol 2n téglalap alakú invariáns halmazrégió létezik bizonyos feltételek mellett és ponton. e régiók közül legalább az egyiknek van egyensúlyi pontja, és két elegendő feltételt kell javasolni annak biztosítására, hogy ezek az egyensúlyi pontok stabilak legyenek.

A szakirodalomban egy olyan új feltételt javasoltak, amely kevésbé korlátozza a Lipschitz kontinuum feltételt komplex értékű aktivációs függvényekben [9], és egy sor kritériumot mutat be a globális aszimptotikus stabilizációs pontok létezésének, egyediségének és számszerű példáinak a biztosítására. komplex értékű visszatérő neurális hálózatok. Az irodalomban [10] az időben változó késleltetésű, visszatérő neurális hálózatok stabilitását FTM (Flexible Edge Method) segítségével elemzik, és számos új stabilitási kritériumot javasoltak ennek a neurális hálózatnak a stabilitásának leírására egy új típusú hálózat létrehozásával. Ljapunov funkció. A szakirodalomban [11] egy új tervezési ötletet javasolnak a CVHAM-okra (komplex értékű többállapotú Hopfield asszociatív memória) a CVHAM rendszerek stabilitásának elemzésére energiafüggvény módszerrel, és végül annak megállapítására, hogy a hálózat képes konvergálni egy mozdulatlan ponthoz. tetszőleges bemeneti értéket, és a GPR (generalizált vetítési szabály) vetületi geometriáját tárgyaljuk.

A szakirodalom szerint [12]Az internetes vállalkozások az „áramlásgazdaság” modell, az eszköz-könnyű működési modell, a költség-könnyű és költség-könnyű, a gyors termékcsere és a tőkefinanszírozás pénzügyi jellemzőivel rendelkeznek. ) Az internetes vállalkozások pénzügyi kockázata az általános vállalkozások jellemzőivel és sajátos jellemzőivel is rendelkezik. Az általános vállalkozásokhoz képest az internetes vállalkozások tőkehiányos kockázata a legjelentősebb. )e szakirodalom [13] bemutatta az EVA értékelési modellt a pénzügyi kockázat és az internetes vállalkozások vállalati értéke közötti kapcsolat feltárására, az EVA modellt és a hagyományos értékelési modellt használta a NetEase esetcég vállalati értékének felmérésére, és arra a következtetésre jutott, hogy a Az EVA értékelési modellje pontosabb. A szakirodalom [14] azzal érvel, hogy az internetes vállalkozásoknak főként a jövedelmezőségi modellben, a cash flow-ban, a finanszírozásban, a beruházásokban és a kormányzati szabályozásban vannak kockázatok. Azt is javasolta, hogy az internetes vállalkozásoknak szilárd pénzügyi kockázatokra vonatkozó korai figyelmeztető mechanizmust kell létrehozniuk, professzionális könyvvizsgáló intézményt és ellenőrzési rendszert kell létrehozniuk, meg kell erősíteni az átfogó költségvetési munkát, javítani kell a kintlévőség-ellenőrzési mechanizmust, valamint meg kell erősíteni a finanszírozási és befektetési kockázatkezelést. A szakirodalom [15] azt állítja, hogy az eszközök jövedelmezőségének biztosítása és a váratlan veszteségek megelőzésére javasolt kontrollintézkedések kockázatkezelésen keresztül valósulnak meg. A szakirodalom [16] amellett érvel, hogy a vállalatoknak az üzleti döntések meghozatalakor először szilárd belső kontrollrendszert kell kialakítaniuk, amely bizonyos mértékig elkerülheti a pénzügyi kockázatokat és a működési nehézségeket a tevékenységek finanszírozása során. A szakirodalom [17] a kockázat eredetét, a pénzügyi kockázati cselekvési mechanizmust vizsgálja annak feltárására, és célzottabb kockázatazonosítására, értékelésére és ellenőrzésére, a rejtett pénzügyi kockázati tényezők kiküszöbölésére.

3. A vállalati pénzügyi menedzsment kockázati modellje asszociatív memória-neurális hálózatokon

3.1. Az asszociatív memória neurális hálózati modellje. )A jelenlegi ismétlődő neurális hálózatok tanító algoritmusának alapvető lépései a felismerendő minták előfeldolgozása, hogy numerikus jellemzővektorokat kapjunk, ezeket a vektorokat szekvenciálisan bevisszük a hálózatba, majd összehasonlítjuk a hálózat kimenetét a folyamatban lévő kimenettel. , és használja ezt a különbséget negatív visszacsatolásként a hálózat súlyainak korrigálásához. ) Ennek az algoritmusnak az az előnye, hogy egyszerűen kezelhető, és a betanítási folyamat felügyelet nélküli tanulás, a hátránya pedig az is nyilvánvaló, hogy minden alkalommal újra kell képezni, amikor egy új mintaminta emlékszik, ami több időt vesz igénybe a tanulásban. nagyobb hálózati méretek esetén. )E neurális hálózati modell úgy épül fel, hogy az adatok fogadása után a neuronjai súlyát állítjuk be, és a modell bemeneti változói az aktuális igényeknek, például piaci tényezőknek, pénzügyi mutatóknak megfelelően változhatnak. )A neurális hálózati modell automatikusan betanítható a legjobb változók szűrésére, és a súlyok beállítására azok implikált kapcsolatai szerint, hogy egy nemlineáris modellt építsenek fel, és javítsák a modell pontosságát. )e tanítási módszer a hálózati súlyok korrigálására szolgál a betanítási minták folyamatos betáplálásával úgy, hogy az emlékezendő mintaminták beágyazódnak a hálózati súlyokba; azaz a hálózat "emlékezik" a mintákra. Lehetőség van algebrai módszerek alkalmazására a súlyok közvetlen megoldására, mivel a hálózat nagyszámú attraktorral rendelkezik és nagy számú mintát tud megjegyezni, a mintákat bemenetként használva, feltételezve, hogy a kimenet a kívánt kimenet, mindkettőt reprezentálva vektorok, és ezek behelyettesítése a rendszer differenciálegyenleteibe, a lineáris algebra ismereteinek felhasználásával egy súlyhálózat megoldására, majd más minták felhasználásával a bemenetre, végül a megfelelő számú analitikai megoldás megoldására. Ezeknek az analitikai megoldásoknak a metszéspontja a meghatározandó súlyok hálózata, ha ezek a megoldások nem metszik egymást. )en, ez azt jelenti, hogy a hálózat memóriakapacitása nem elegendő, és új modellt kell újratervezni, hogy elegendő memóriakapacitással rendelkezzen [18]. Ezután egy példát mutatunk be az asszociatív memória tervezésére, amint az 1. ábrán látható az asszociatív memória folyamat példáján.

ahol x∗ i xi∗ a rendszer stabil egyensúlyi pontja az i-edik mintahalmaz bemenetével, és ezt az értéket olyan feltételeknek megfelelően választjuk meg, mint például az aktiválási függvény formája. Ennek az egyenletnek elegendő feltétele a megoldásnak, hogy a neurális hálózat stabil egyensúlyi pontjainak száma nagyobb vagy egyenlő, mint az állítás által memorizálandó minták száma; vagyis az attraktorok számának elég nagynak kell lennie ahhoz, hogy elegendő számú mintát tudjon emlékezni. )e egyenlet megoldható szinguláris értékbontással, az egyenlet megoldása egyben a hálózat kapcsolódási súlyainak vektora is, és ezek a súlyok információkat tartalmaznak a megjegyezendő mintákról. ) A fenti forma általában egy önasszociatív memóriasúly-megoldó folyamat, amely kifejezetten a karakterfelismerés, arcfelismerés stb. területén alkalmazható -alapú hetero-asszociatív memória alkalmazások. A hagyományos karakterfelismerő algoritmusok közé tartozik a sablonillesztés és az OCR [19]. Kiegyensúlyozatlan mintaadatok esetén kezdheti a le- és felmintavételezési módszerekkel. )e downsampling módszer, más néven véletlenszerű lemintavételi módszer, a legtöbb kategóriájú adatosztály véletlenszerű eltávolítására vonatkozik a mintavételi módszerrel. ) Előnye, hogy a mintavételi módszer javíthatja a modell pontosságát, ha a törölt minták zajos adatokat tartalmaznak, hátránya pedig az, hogy néhány fontos minta törölhető. A túlmintavételezési módszer kis mintaadatok egy részének algoritmussal történő szintetizálására vonatkozik. Ezekkel a karakterfelismerő algoritmusokkal összehasonlítva a fent említett visszatérő neurális hálózat alapú asszociatív memóriát alacsony tervezési költség, egyszerű feldolgozási logika, gyors hálózati konvergencia, kisebb külső feltételektől való függés és egyszerű gyakorlati megvalósítás jellemzi. ) A legfontosabb szempont az, hogy ez az asszociatív memóriarendszer jó hibatűréssel rendelkezik; A magas hibatűrés azt jelenti, hogy ha több zaj vagy zavar van a mintában, akkor a célmintát is helyesen tudja azonosítani, így ha ezt az asszociatív memória módszert alkalmazzuk a képfelismerésre, bár a jelenlegi alkalmazás egyszerű és az ötlet alapvetőbb, kis fejlesztés után azt hiszem lesz haszna. Az asszociatív memória visszatérő neurális hálózatainak tervezési lépéseit az alábbiakban foglaljuk össze.

(1) Határozza meg a használni kívánt neurális hálózat modelljellemzőit!

(2) Konvertálja a megjegyezendő mintákat vektorokká a rendszer bemeneteiként, valamint a rendszeregyenletekbe behelyettesítendő kimenetekké

(3) ) Az egyenletrendszer megoldását az egyensúlyi pont koordinátáinak megfelelő megválasztásával és szinguláris érték felbontással kapjuk

(4) Tárolja az egyenletrendszer megoldásait a neurális hálózat súlyaként

(5) Építsen fel egy asszociatív memória neurális hálózati rendszert és végezzen felismerési teszteket.

Az asszociatív memória alapú újrakonfigurálható amnesztikus hálózati áramkör négy részből áll: az asszociatív memória alapú amnesztikus hálózati áramkörből, a bemeneti bináris jelekkel rendelkező PRMC-ből, a szinaptikus áramkör blokkjából és a vezérlő áramkörből. Az asszociatív memória alapú amnesztikus hálózati áramkörben a szinaptikus súlyok a szinaptikus kapcsolatok erősségét jelzik, így csak pozitív súlyokat. A bemeneti bináris jel )e PRMC-jét az algoritmus csak a megfelelő függvény elérésére taníthatja, ezért a szinaptikus áramkörnek negatív súlyokat, nulla súlyokat és pozitív súlyokat kell ábrázolnia. Az asszociatív memória alapú újrakonfigurálható memetikus neurális hálózati áramkörben a bemeneti bináris jelekkel rendelkező PRMC és az asszociatív memória alapú memetikus neurális hálózati áramkör ugyanazt a szinaptikus áramkört használja, és az asszociatív memória alapú memetikus neurális hálózati áramkör szinaptikus áramköre korlátozottan változhat. a pozitív súlyokon belül egy vezérlőáramkörrel [20]. A szinaptikus áramkör blokkban lévő szinaptikus áramkörök megosztottak, és ezek a szinaptikus áramkörök felhasználhatók mind a bemeneti bináris jelekkel rendelkező PRMC-k, mind az asszociatív memória alapú memetikus neurális hálózati áramkörök létrehozására. A 2. ábrán látható módon a két alhálózat egymástól függetlenül működik, így párhuzamosan működhetnek.

Az asszociatív memóriában a tanulás és a felejtés szimulálásával az asszociatív memórián alapuló újrakonfigurálható memrisztor neurális hálózati áramkör dinamikusan megváltoztathatja az áramkör szerkezetét az újrakonfigurálás eléréséhez, a következő folyamatnak megfelelően: amikor a feltétel nélküli ingerjel és a kondicionált ingerjel egyidejűleg kerül bemenetre a asszociatív memórián alapuló memristor neurális hálózati áramkör, a kettő között asszociatív tanulás indukálódik, így a kondicionált ingernek megfelelő szinaptikus súly fokozatosan növekszik. A tanulási folyamat befejezése után, ha a kondicionált ingerjelet beviszik, a felejtési folyamat indukálódik. A felejtés során a kondicionált ingernek megfelelő szinaptikus súly fokozatosan csökken, amíg nem aktiválja a megfelelő neuronális kört. A felejtési folyamat befejezése után az asszociatív memória alapú amnesztiás hálózat áramkörei nem aktiválódnak, függetlenül attól, hogy a kondicionált inger jel bemenetre kerül [21]. Ezután a kondicionált ingernek megfelelő szinaptikus áramkörök leválaszthatók a neuronális áramkörökről, és ezek a szinaptikus áramkörök betáplálhatók a szinaptikus áramkör blokkjába. A szinaptikus áramkör blokkban lévő szinaptikus áramkörök felhasználhatók PRMC vagy asszociatív memória alapú amnesztikus hálózati áramkörök létrehozására bemeneti bináris jelekkel. Ily módon az áramkör újrakonfigurálása valósul meg.

4. Egy asszociatív memória neurális hálózat alapú kockázat-előrejelző modell a vállalati pénzügyi menedzsment számára

A pénzügyi kockázat az üzleti kockázatok egy fajtája, amely olyan pénzügyi tevékenységekben létezik, mint a források előteremtése, befektetése, költése, visszaszerzése és elosztása a társadalmi újratermelés folyamatában. A kockázat pedig az elvárások valóságtól való eltérése. ) Különbséget teszünk a szűk és tág értelemben vett pénzügyi kockázat között. A szűkebb értelemben vett pénzügyi kockázat az adósságműveletből eredő pénzügyi kockázatot jelenti a vállalkozás forrásbevonása során. A tág értelemben vett pénzügyi kockázat a vállalkozás pénzügyi tevékenysége során a várt pénzügyi eredmények elérésének bizonytalanságát jelenti. ) Ezért a pénzügyi kockázat minden vállalkozásban és a vállalkozás üzleti tevékenységében jelen van, és jelentős hatással van a vállalkozás eredményére és üzleti feltételeire. A pénzügyi kockázatkezelés a kockázatok megelőzése, ellenőrzése és kezelése a vállalati pénzügyi menedzsmentben, és egyben az átfogó vállalati kockázatkezelés része is [22]. A belső diagnosztika egy módja annak, hogy a vállalkozás önelemzés útján feltárja az üzleti folyamat különböző problémáit, és végül célzottan megoldja azokat. A külső diagnózis azt jelenti, hogy a vállalkozás külső, külső szervezetet bérel fel a vállalkozás pénzügyi működésének elemzésére. Új vezetéstudományi elméletként elsősorban tudósok által a korábbi kockázatkezelési és pénzügyi menedzsment tapasztalatok alapján kidolgozott menedzsmentelmélet a vállalkozások működésének mindenféle kockázatára. A pénzügyi kockázatkezelés magában foglalja a kockázatok azonosítását, értékelését, az okok elemzését és a vállalkozás különféle pénzügyi tevékenységeinek ellenőrzését. A vállalkozás normál működésének és tőkemozgásának biztosítása, valamint a vállalkozás gazdasági érdekeire gyakorolt ​​negatív hatás elkerülése érdekében a pénzügyi kockázatkezelési folyamat magában foglalja a kockázatok azonosítását, felmérését, az okok elemzését és a vállalkozás különböző pénzügyi tevékenységeinek ellenőrzését, valamint korai előrejelző szerepén alapuló időben és hatékony megelőzési és ellenőrzési intézkedések.

) A pénzügyi kockázatértékelés leggyakrabban használt módszerei közé tartozik a hierarchikus elemzés, a hatékonysági faktor módszer és a faktoranalízis. ) A faktoranalízis alapelve, hogy az erős relevanciájú mutatókat egy kategóriába csoportosítjuk, és minden kategóriát faktorral helyettesítünk, így az összes eredeti mutatót néhány tényezővel helyettesítjük.

Ebben a cikkben a vállalati pénzügyi menedzsment kockázati előrejelzésének elemzését az asszociatív memória neurális hálózati modell és a faktoranalízis kombinálásával végezzük. A faktoranalízist a következő okok miatt választjuk: egyrészt a faktoranalízis csökkentheti az eredeti változók számát, azáltal, hogy az eredeti információ túlnyomó többsége helyett a főbb tényezőket kinyeri és nevezi meg; másodszor a minta rangsorolható és összehasonlítható. Az egyes főtényezők pontszáma és az átfogó pontszám alapján a minta rangsorolható, amely nemcsak az egyes tényezők rangsorolását mutatja meg, és tisztázza, hogy mely tényezők befolyásolják nagyobb mértékben a vállalkozás pénzügyi helyzetét, hanem elemzi a vállalkozás pénzügyi helyzetére vonatkozó átfogó rangsort is. a súlyozás utáni tényezők, ami a vállalkozás számára előnyös, hogy tisztázza erősségeit és gyengeségeit [23].

(6) Az asszociatív memória neurális hálózat egy döntési fa modell alapján épül fel hisztogram algoritmus segítségével, amely megkönnyíti az adatok elkülönítését. )A korábbi döntési fa modellekhez képest az a különbség, hogy az asszociatív memória neurális hálózat függőlegesen orientált, azaz a döntési fa leveleit generálja, míg más döntési fa modellek a fa szintjeit generálják, így az asszociatív memória Emory ral network algoritmus fut. gyorsabb és kevesebb adatot tárol. Fő jellemzője a teljes képzési halmaz bejárása és az attribútumok diszkrét lebegtetése a lebegőpontos folytonos változók esetében; ezek a k diszkrét adat egy k meghatározott szélességű hisztogrammá épülnek fel. )az egyes hisztogramokon belül konvergált diszkrét értékek számát a rendszer kiszámítja. Mivel a pénzügyi kockázatnak számos összetevője van, különböző tényezők és pénzügyi mutatók kölcsönhatásba lépnek egymással, és összetett kapcsolatot alkotnak. Ebben a cikkben a releváns mutatókat kinyerjük, a faktorokat szignifikancia teszttel, a modellépítésre alkalmas tényezőket pedig szférikussági vizsgálattal, főkomponens-kinyeréssel és egyéb lépésekkel kapjuk meg.

A kapott tényezők alapján a lépésenkénti regresszió logisztikus modelljét alkalmazzuk a pénzügyi korai figyelmeztetés modellezésére. ) A modellezési folyamat fokozatosan elemzi a kockázati összetétel tényezőit, kihasználva a modell előnyeit, hogy intuitívabb alapot adjon a vezetők jövőbeni döntéshozatalához. )a kiválasztott korai figyelmeztető mutatóknak átfogónak kell lenniük; azaz a fizetőképesség, a jövedelmezőség, a fejlesztési képesség és a működési képesség hagyományos szempontjai közül kell kiválasztani a mutatókat, a kutatás-fejlesztési képesség szempontjai közül pedig olyan mutatókat kell kiválasztani, amelyek tükrözik az iparág sajátosságait, így az indikátorok körét kiválasztva a kommunikációs berendezéseket gyártó ipar átfogóbb. )a vállalat tőkét fektet be a termékek előállításába, és a tőkét és a nyereséget a termékek értékesítésével visszaszerzi. A készletforgalmat csak akkor lehet növelni, ha az értékesítés sikeres és a készlet gyorsan kiürül, így a készletforgalom azt jelzi, hogy az áru eladásából milyen gyorsan lehet pénz megtérülni. Általánosságban elmondható, hogy egy vállalat a készletforgalmának növelésével javíthatja likviditását. A készletforgalmi mutató a készletszintet, a forgóeszközök forgási mutatója pedig a forgóeszközök forgási sebességét tükrözi, amely a vállalat összes eszköze közül a leglikvidebb. Az alacsonyabb forgóeszköz-forgalom nagyobb hatással lehet a cég rövid távú törlesztőképességére. ) Minél magasabb a forgóeszköz-forgalmi mutató, annál kisebb a relatív pénzügyi likviditási kockázat. A lassú forgási ütem további likviditást igényel a forgalomban való részvételhez, ami forráspazarlással jár, és csökkenti a vállalkozás jövedelmezőségét. A fenti elmélet alapján az utólagos osztályozásnál az optimális vágási pontot csak a hisztogram szélessége szerint találhatjuk meg. )a hisztogram algoritmus elgondolása elsősorban a lebegőpontos adatok bináris adatokká való konvertálásában tükröződik, a konkrét művelet pedig az egyes jellemzőkben található gyűjtők számának meghatározása, az egyes gyűjtők adatainak külön frissítése egyenlő osztás után, ill. Helyettesítse be a vállalati pénzügyi menedzsment kockázat-előrejelzésének jellemzőit az asszociatív memória neurális hálózat modelljébe, amelyet grafikusan ábrázol a 3. ábra.

3. Más döntési fa algoritmusokra épülő modellekhez képest az asszociatív memória neurális hálózatok elsősorban a futási sebességet tekintve gyorsabbak, miközben kevesebb memóriát fogyasztanak, és a pontosság sem sérül, tökéletesen ötvözi a halat és a medvemancsot. A következő szintre lépés vágyával a modell a következő két módon optimalizálható: a futási sebesség felgyorsítása érdekében az eredeti egyszerűen feldolgozható; a jellemzők és adatok számának csökkentése, a jellemzőváltozók kategória jellemzőkké alakítása, vagy az adatfájlok bináris fájlként történő mentése, a modell betanítási módszerének párhuzamosra állítása szintén felgyorsíthatja a modell futási sebességét; a modell pontosságának javítása és a modell tanulási sebességének csökkentése, a modellből kiindulva, a modell paramétereinek háló hangolása, a paraméterek legjobb kombinációjának kiválasztása, a modell tanulási idejének növelése, valamint a modell jobb megértése a törvényszerűségekkel az adatok között javíthatja a modell pontosságát. Az adatokkal kezdve a betanítási adatok számának növelése és az adatok előfeldolgozása a hiányzó értékek és az eredeti adatok kiegyensúlyozatlanságának megoldása érdekében a modell jobb képzését és a modell teljesítményét is javíthatja.

4.1. Kísérleti ellenőrzés és következtetések

)E CART döntési fa modell előmetszés és utómetszés kialakításával betanításra kerül, a döntési fa grafikonja és a változó fontosság grafikonja pedig a modell betanítás után jön létre a CART döntési fa modell diszkriminancia eredményeinek jobb értelmezésére. Először a vállalkozás átfogó pénzügyi kockázatértékelési modelljének diszkriminatív eredményeit és szabályrendszerét alkotják meg. Mivel az értékelési jellemzőknek túl sok értéke van a vállalkozás átfogó pénzügyi kockázatértékelésében, a változó fontossági grafikonja a vállalat átfogó pénzügyi kockázatértékelésében az 5 legfontosabb fontossági változót veszi fel, és a vállalkozás átfogó pénzügyi kockázatértékelési modellje generálja a 4. ábrán látható változó fontossági grafikont.

A 4. ábrán látható, hogy a CART döntési fa modell 18 jellemzője közül a "kamat többszöröse", "teljes eszközhozam", "követelés forgalom", "teljes eszközforgalom" és "a nettó eszközök súlyozott hozama" A " fontossági sorrendben az első öt helyen szerepelt, a legfontosabb mutató a "megkeresett kamat többszöröse" volt 0,5 feletti fontossággal. A működési kapacitás egy vállalkozás tőkeműveletének hatékonyságát és eredményességét tükrözi különböző eszközökkel, és a különböző típusú eszközök forgalmi hatékonyságát általában a vállalkozás működési szintjének meghatározására használják. Az is jelzi, hogy a vállalkozásoknak a „kamat többszörösére” kell összpontosítaniuk. a teljes pénzügyi kockázat felmérése, és az első öt fontossági pontszám összege meghaladja a 90%-ot; ezért azt is jelzi, hogy a tőzsdén jegyzett társaságoknak erre az öt indexjellemzőre kell összpontosítaniuk a vállalkozások átfogó pénzügyi kockázatának felmérése során. )A döntési fa modell által generált szabálykészlet értelmezése kvantitatív bizonyítékot szolgáltat a tőzsdén jegyzett társaság számára a társaság átfogó pénzügyi kockázatának felméréséhez, ami segít a tőzsdén jegyzett társaságnak mérni, hogy van-e átfogó pénzügyi kockázata.

) 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, a vállalkozásnak nincs pénzügyi kockázata. )A döntési fa modell által generált szabálykészlet értelmezése a tőzsdén jegyzett társaság számára kvantitatív bizonyítékot szolgáltat a társaság üzleti kockázatának mértékének felméréséhez, amely segít a tőzsdén jegyzett társaságnak annak felmérésében, hogy van-e üzleti kockázata.

)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, a cég nincs veszélyben. )A döntési fa modell által generált szabálykészlet értelmezése a tőzsdén jegyzett társaság számára kvantitatív bizonyítékot szolgáltat a társaság finanszírozási kockázatának felméréséhez, amely segít a tőzsdén jegyzett társaságnak mérni, hogy van-e finanszírozási kockázata.

A 7. ábrán látható, hogy a jelen dolgozat asszociatív memória neurális hálózaton alapuló modellje 83%-os pontosságot ér el a tanító halmaz diszkriminatív hatásánál és 76%-os pontosságot a validációs halmaznál, ami jobb eredmény. Ugyanakkor ez a cikk kombinálta a GBDT modellt a logisztikus regressziós modellel a kombinált előrejelzéshez, és az előrejelzési eredmények azt mutatták, hogy a kombinált modell 91%-ra javította a képzési készlet előrejelzési pontosságát és 78%-ra a validálást. mind a pontosság, mind a stabilitás szempontjából; a kombinált modell figyelmeztető hatása jelentősebb az egyedi modellhez képest, így bizonyítja a kombinált modell megvalósíthatóságát. Az egymodell logisztikus regressziós modelljéhez képest az asszociatív memória neurális hálózat modell regressziós pénzügyi kockázatra figyelmeztető modelljének ROC görbéje közelebb van a bal felső tengelyhez, és AUC értéke 0,79, ami szignifikánsan magasabb, mint a a logisztikus regressziós modell AUC értéke 0,60. ) Az asszociatív memória neurális hálózat pénzügyi kockázatokra figyelmeztető modelljének előnyei közvetlenül láthatóak a ROC görbéből és az AUC értékből. A kísérletből megállapítható, hogy a GBDT jellemzőkombinációra jobban ki tudja bányászni a tőzsdén jegyzett cégek pénzügyi adataiban lévő információkat, és a logisztikai modell gyors feldolgozási sebességgel rendelkezik, ami megoldhatja a lassú feldolgozási sebesség problémáját, hogy a GBDT nem feldolgozható. párhuzamosan, és a GBDT-vel és logisztikai modellel ötvözött modell hatékonyan alkalmazható a tőzsdén jegyzett társaságok pénzügyi kockázatok korai figyelmeztetése területén modellezésre.

Az e-learning sebesség az a sebesség, amellyel a bemeneti változók frissítésre kerülnek minden iteráció során a képzés során, és meghatározza, hogy a súlyoknak mennyit kell elmozdulniuk a gradiens irányába egy kis tételben, sok iteráción keresztül, végül egy pozícióba kerülve. amely megfelel a hálózat edzési pontosságának. ) A mintaadatkészlet jellemzőinek asszociatív memória-neurális hálózat általi megtanulásának folyamata a folyamatos előrehaladás folyamata. Az alacsonyabb tanulási arány megbízhatóbbá teszi a képzési folyamatot, de az optimalizálás tovább tart. A magasabb tanulási ráta viszont az edzések nem konvergenciájához vezet, és nagyon nagy súlyváltozásokat okozhat, ami nagyon gyengécskézi a veszteség funkciót. A mátrixszorzás sebességének optimalizálása és a memóriakihasználás javítása a kötegek számának növelésével érhető el egy adott régióban, ami csökkenti a teljes adatkészlet betanításához szükséges frissítések számát, és valamelyest felgyorsítja a folyamatot ugyanazon adathalmaz esetében. kapacitás. A sztochasztikus gradiens süllyedés egyszerre csak egy minta e információt frissít, ami felgyorsítja a képzést, de mivel egyszerre csak egy mintát használnak, nem reprezentálja a teljes képzési mintát, ami megnehezíti a képzési eredmények konvergálását néhányhoz. minimális érték. Ahhoz, hogy egy vállalat fenntartható fejlődést érjen el, nagy jelentőséget kell tulajdonítania K+F és innovációs képességeinek. Csak a folyamatos innováció és a folyamatos találmányok révén szerezhet versenyelőnyt egy vállalat. A mély tanulás fejlesztésével bebizonyosodott, hogy a tanulási arány lassú csökkentésével a képzési eredmények helyi minimumra konvertálhatók. A paraméterek többszöri módosítása után végül a várt edzési eredmények születtek, és a modell átlagos abszolút hibája a mintákon a betanítás során végül konvergált. )a mintaadatkészlet veszteséggörbéi a 8. ábrán láthatók.)Az ábrán a kék vonal a betanítási halmaz veszteségi görbéjét, a narancssárga vonal pedig a teszthalmaz veszteségi görbéjét jelöli; a vízszintes tengely a minták iterációinak számát mutatja a betanítási folyamatban, a függőleges tengely pedig az átlagos hibaérték változását mutatja a betanítási folyamat során.

A jelen cikkben beállított paraméterek szerint a Spyder ablak minden iterációban megjelenítheti a betanítási és tesztminták veszteségeit, és kiszámíthatja a modell négyzetes hibáját a betanítás végén. A betanítási folyamat során minél több iteráció, annál kisebb a mintavételi hiba, kis tartományban lokális ingadozásokkal. A képzés elején a hiba gyorsan csökken, és a 10-50 iteráció közötti betanítási intervallumban a hiba gyors ütemben csökken, jelezve, hogy a modell helyi finomhangolása folyik, 100 tanítási iterációtól kezdve a hiba gyengéden csökken, jelezve, hogy a modell egy optimális folyamathoz konvergál. )a betanítási minta veszteséggörbéjének trendje és a tesztminta veszteségváltozása integrálódik, és a betanítási minta hibája végül jobb illeszkedéssel konvergál; a tesztminta hibája egy lokális minimumhoz konvergál, és illeszkedése nem olyan jó, mint a betanító mintáé, de a gradiens süllyedés optimalizálásra való alkalmazása nyilvánvaló, és nem befolyásolja az egész modell teljesítményét.

Az asszociatív memória neurális hálózati modell alapján a tőzsdén jegyzett mezőgazdasági társaságok kockázati jellemzőit tükrözni képes korai figyelmeztető jelzőrendszer a vállalat kockázati jellemzőinek és a keletkezésének okainak kombinálásával jön létre: pénzügyi és nem pénzügyi mutatókat tartalmaz, amelyek lefedik a fizetőképességet. , működési kapacitás, fejlesztési kapacitás, jövedelmezőség és egyéb kapacitásmutatók. A modell konvergencia sebességének és stabilitásának javítása érdekében az SPSS szoftverrel faktoranalízist végeznek az elsődlegesen kiválasztott indikátorok adatain, és a modell bemeneti rétegadataiként számítják ki a minták faktorpontszámait. Ily módon a pénzügyi válságmodell pontosságát tovább határozzuk meg, és a minta egy részét kiválasztjuk a modell tesztelésére. Végül a modellt az aktuális vállalatra alkalmazzák, hogy azonosítsák problémáit és optimalizálják azokat, hogy csökkentsék a pénzügyi válság lehetőségét.

5. Következtetés

Az asszociatív memória neurális hálózati modelljei általában a kérdéses iparág jellemzőire vonatkozó adatok alapján készülnek, hogy előrejelzéseket készítsenek a keresleti pontok különböző aspektusairól. Az asszociatív memória neurális hálózat modelljének előrejelzései nemcsak a mindennapi élet preferenciáira, élelmiszerre, ruházatra, lakhatásra stb. korlátozódnak, hanem ma már szinte átszövik a pénzügyi ágazat fejlődését, a pénzügyi előrejelzéseket stb. Ebben a cikkben a későbbi fejlesztési képesség elemzésével A vállalat iparági jellemzőivel és versenykörülményeivel összefüggésben megállapítható, hogy a modell jól tükrözi a vállalat helyzetét a korai figyelmeztető indikátorokon keresztül, és referenciaként szolgál a vállalat jövőbeli fejlődéséhez. Ha csak a pénzügyi mutatók adatmodell illesztését vezetik be, az túlságosan egységes lesz, és nem fogja tudni átfogóan megítélni a pénzügy helyzetét. A vizsgálat során megállapították, hogy a magas pénzügyi kockázatú kategóriába tartozó minták száma túl kicsi volt az alacsony és közepes pénzügyi kockázatú kategóriák mintáihoz képest, és ha a mintaadatok nem lennének kiegyensúlyozottak, az korai figyelmeztetéshez vezethet. A modell nem tanulta meg a magas pénzügyi kockázatú kategóriába tartozó minták jellemzőit a képzés során, ami végül az ebbe a kategóriába tartozó minták alacsony előrejelzési pontosságához vezetett.

Mivel az olyan tényezők, mint a vállalati összetétel és a saját tőke szintén jelentős hatással lehetnek a pénzügyekre, ez a tanulmány nem pénzügyi mutatókat ad hozzá a modell általánosíthatóságának és pontosságának javítása érdekében. Napjainkban a vállalatok egyre összetettebb piaci környezetben és társadalmi tevékenységben vannak, és az iparági vállalatok releváns mutatóinak számszerűsítésével végzett big data szimuláció átfogóan és széleskörűen tükrözheti az iparág jelenlegi helyzetét, és az iparág-specifikus mutatók ésszerű beépítése javítja a korai előrejelző modell hatékonyságát is. A vállalati mutatók és a kialakított korai figyelmeztető modell kombinálásával a modell által azonosítható főbb komponensek segítségével elemzik azt a helyzetet, amelyben a vállalati kockázatok felmerülnek, miközben véleményt adnak, amely magában foglalja a B vállalat adatait is. modell segítségével módosítható a vállalati struktúra, előre stratégiai tervezést és válságmegelőzést végezhet a változó piac számára, képzést szervezhet a pénzügyi korai előrejelző tehetségek számára, erősítheti a kommunikációt a pénzügyi korai előrejelző tehetségek között, és ésszerű tulajdonosi struktúrát biztosíthat, hogy elkerülje egy részvény megszerzését. uralkodó; másodszor, javítható a pénzügyi rendszer információs felépítése, és ennek alapján kialakítható a vállalatra alkalmazható pénzügyi rendszer halmaza. Ugyanakkor meg kell felelnünk a piacválasztásnak, és a diverzifikált piacok kialakítása biztosíthatja a versenyt és egyben a termékminőségre való összpontosítást.

Hivatkozások

[1] MA Fern ´ Mendez-G´ Gamez, JAC Soria, JAC Santos és ´ D. Alaminos, "Európai ország heterogenitása a pénzügyi nehézségek előrejelzésében: empirikus elemzés makroökonómiai és szabályozási tényezőkkel", Economic Modelling, vol. 88., 398–407., 2020.

[2] M. Meenu Sreedharan, AM Khedr és M. El Bannany, "A többrétegű perceptron megközelítés a pénzügyi nehézségek előrejelzéséhez genetikai algoritmussal", Automatic Control and Computer Sciences, vol. 54, sz. 6., 475–482., 2020.

[3] X. Yan, W. Weihan és M. Chang: "LSTM neurális hálózaton alapuló pénzügyi eszközök tranzakció-előrejelzési modelljének kutatása", Neural Computing and Applications, vol. 33. sz. 1., 257–270., 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko és H. Katagiri, "Csőd-előrejelzés japán vállalatok számára támogató vektorgépet, mesterséges neurális hálózatot és többváltozós diszkriminanciaanalízist használva", International Journal of Industrial Engineering, vol. 1, sz. 1., 2019. 78–96.

[5] J. Sun, H. Li, H. Fujita, B. Fu és W. Ai, "Class-balanced dynamic financial distress előrejelzés az adaboost-SVM együttesen, SMOTE-val és idősúlyozással kombinálva", Information Fusion, vol. . 54., 128–144. o., 2020.

[6] J. Che, S. Zhao, Y. Li és K. Li, "Bank telemarketing előrejelzési modell a t-SNE-SVM alapján", Journal of Service Science and Management, vol. 13. sz. 3., 435–448., 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan és O. Escobar, "Mesterséges intelligencia és üzleti modellek a fenntartható fejlődési célok perspektívájában: szisztematikus irodalmi áttekintés", Journal of Business Research, vol. 121., 283–314. o., 2020.

[8] PK Mitra és C. Banga, „India kosár nyersolajárak előrejelzése gépi tanulási modellek összehasonlító megközelítésén keresztül”, International Journal of Business Forecasting and Marketing Intelligence, vol. 5, sz. 3., 249–266., 2019.

[9] G. Kumar, S. Jain és UP Singh, "Tőzsdei előrejelzés számítási intelligenciával: felmérés", Archives of Computational Methods in Engineering, vol. 28, sz. 3., 1069–1101. o., 2021.

[10] K. Lu, Y. Lyu, X. Li és Y. Zhang, "Új módszer a KKV-k információs rendszer-növekedésének értékelésére a továbbfejlesztett BP neurális hálózat alapján", Information Systems and E-Business Management, vol. 18, sz. 4, 779–792., 2020.

[11] BS Kumar, V. Ravi és R. Miglani, "Az indiai tőzsde előrejelzése a pénzügyi hírek pszicho-lingvisztikai jellemzői segítségével", Annals of Data Science, vol. 8, sz. 3., 517–558. o., 2021.

[12] S.-J. Lin: "Integrált mesterséges intelligencia és vizualizációs technika a jobb menedzsment döntések érdekében a mai viharos üzleti környezetekben", Cybernetics and Systems, vol. 52. sz. 4, 274–292., 2021.

For more information:1950477648nn@gmail.com