Обсуждение. Приведенные выше раскраски в совокупности образуют атлас, отражающий финансовое состояние банков или других фирм
Приведенные выше раскраски в совокупности образуют атлас, отражающий финансовое состояние банков или других фирм, занимающихся сходными видами бизнеса. Этот атлас дает графическое отображение положения любой конкретной фирмы среди конкурентов и может использоваться как удобное средство финансового анализа. В частности, можно рассматривать эволюцию финансового положения отдельной фирмы во времени, выявлять существующие тенденции и циклы. С точки зрения макроэкономики удобство такого рода карт состоит в том, что площади на этой карте примерно пропорциональны доле фирм в силу более-менее равномерного заполнения ячеек. Таким образом можно зримо представлять себе, например, долю крупных банков или банков, испытывающих трудности с возвратом кредитов.
Выводы
В данной главе были рассмотрены различные подходы к анализу рисков. Одни из них в для формирования обучающей выборки используют мнения авторитетных рейтинговых агентств, другие - опираются на объективные данные о банкротствах. Наконец, альтернативный подход использует для обучения сети "непомеченные" финансовые данные, предлагая методику сравнительного финансового анализа.
Бэстенс, Д.-Э., Ван Ден Берг, В.-М., Вуд, Д. (1997). Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. ТВП Научное издательство.
Шарп, У., Александер, Г., Бейли, Д. (1997). Инвестиции. 5-е изд., пер. с англ. ИНФРА-М.
Altman, E. I. (1968). "Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy", Journal of Finance, 23, No 4, 589-609.
Altman, E. I. (1991). "Defaults and returns on high-yield bonds through thr first half of 1991", Financial Analyst Journal, 47, No 6. 74-75.
Dutta, S., and Shekhar, S. (1988). "Bond Rating: A Non-Conservative Application of Neural Networks", Proc. IEEE Int. Conf. on Neural Networks, pp.II443-II450.
Horrigan, J.O. (1966). "The determination of long term credit standing with financial ratios", Empirical Research in Accounting: Selected Studies. Journal of Accounting Research.
Moody, J. and Utans, J. (1993). "Architecture Selection Strategies for Neural Networks: Application to Corporate Bond Rating Prediction", in: Neural Networks in the Capital Markets, Apostolos-Paul Refenes Ed., John Wiley & Sons, 277-300.
Shumsky, S.A., and Yarovoy, A.V. (1998). "Self-Organizing Atlas of Russian Banks", in: Deboeck, G. and Kohonen, T. (Eds). Visual Explorations in Finance with Self-Organizing Maps. Springer, 1998.
Trippi, R., and Turban, E., eds. (1993) Neural Networks in Finance and Investing, Probus Publishing.
West, R.R. (1970). "An alternative approach predicting corporate bond ratings", Journal of Accounting Research, Spring 1970.
Нейронные сети и ...
Нейронные сети и статистика. Нейронные сети и нечеткая логика. Нейронные сети и экспертные системы. Нейронные сети и статистическая физика.
& Животные делятся на: а) принадлежащих Императору, б) набальзамированных, в) прирученных, г) сосунков, д) сирен, е) сказочных, ж) отдельных собак, з) включенных в эту классификацию, и) бегающих, как сумасшедшие, к) бесчисленных, л) нарисованных тончайшей кистью из верблюжьей шерсти, м) прочих, н) разбивших цветочную вазу, о) издали напоминающих мух.
Х.Л.Борхес, Аналитический язык Джона Уилкинса
Нейрокомпьютинг имеет многочисленные точки соприкосновения с другими дисциплинами и их методами. В частности, теория нейронных сетей использует аппарат статистической механики и теории оптимизации. Области приложения нейрокомпьютинга подчас сильно пересекаются или почти совпадают со сферами применения математической статистики, теории нечетких множеств и экспертных систем. Связи и параллели нейрокомпьютинга чрезвычайно многообразны и свидетельствуют о его универсальности. В данной главе, которую можно рассматривать как дополнительную, так как она требует несколько большей математической подготовки, мы поговорим только о наиболее важных из них.
Нейронные сети и статистика
Поскольку в настоящее время нейронные сети с успехом используются для анализа данных, уместно сопоставить их со старыми хорошо разработанными статистическими методами. В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются ни чем иным, как неэффективными регрессионными и дискриминантными моделями. Мы уже отмечали прежде, что многослойные нейронные сети действительно могут решать задачи типа регрессии и классификации. Однако, во-первых, обработка данных нейронными сетями носит значительно более многообразный характер - вспомним, например, активную классификацию сетями Хопфилда или карты признаков Кохонена, не имеющие статистических аналогов. Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами. Рассмотрим подробнее результаты сравнения методов нейросетей и математической статистики.
Дата добавления: 2015-04-10; просмотров: 901;