Система підтримки прийняття фінансових рішень у фінансовому управлінні інтегрованої корпоративної структури

     

      Наведені в попередньому розділі кількісні лінійно-регресійні методи оцінки фінансового управління показали неможливість їх для математичного прогнозування результатів фінансового управління – вони не мають стійкості до варіацій у вихідних даних, бо передбачають стаціонарність розвитку випадкових величин і незмінність зовнішніх умов. Тож, нами було зроблено висновок про доцільність застосування нейронних мереж, які дають можливість з більшою точністю побудувати прогнозну систему результуючих показників, які мають між собою певний зв'язок та дають можливість перетворити відомі вхідні дані у невідомі вихідні.

      Для розв’язання даної задачі необхідним є виконання наступних дій:

      формулювання вихідного результату. Для фінансового управління ІКС такими результатами буде загальна оцінка ефективності фінансового управління, яка інтегрує результати виконання функцій та роботи підсистем за підприємствами корпоративної структури;

      визначення об’єкту, що виступає в ролі вхідного сигналу нейронної мережі. Вхідними сигналами нейронної мережі є сформовані в попередньому розділі система збалансованих показників, що характеризує фінансове управління підприємств корпоративної структури та в інтегральному вираженні – фінансове управління ІКС; визначення об’єкту, що виступає в ролі вихідного сигналу нейронної мережі. Вихідним сигналом буде оцінка кожної окремої функції фінансового управління та підсистеми за певними підприємствами корпоративної структури;

      визначення відхилення сигналу нейронної мережі від реального вхідного сигналу за допомогою коефіцієнтів кореляції та детермінації - на цій основі визначається найбільш точна нейромережна модель, її архітектура та вагові коефіцієнти.

      Отже, у процесі розробки нейронної мережі, по-перше, слід визначити оптимальну архітектуру мережі. Оскільки області застосування найбільш відомих парадигм перетинаються, тому для вирішення відповідної задачі можна використовувати різні типи нейронних мереж, і при цьому результати можуть бути однаковими. Вирішення задач апроксимації експериментальних даних можливе за допомогою наступних типів нейронних мереж: багатошаровий персептрон та мережі з радіально-базисними функціями.

      Вся работа доступна по Ссылке