Reynsluleg greining á áhættuspá fjármálastjórnunar fyrirtækja byggt á taugakerfi tengdaminni

Sem mannlegt heilalíkan reiknilíkan sem getur endurspeglað vitsmunalega starfsemi heilans, hefur vandamálið við kraftmikla greiningu á tengiminni tauganetum vakið athygli fræðimanna. )is pappír sameinar tengiminni tauganet með áhættu í fjármálastjórnun fyrirtækja, rannsakar samstillingarstýringu og stöðugleikagreiningarvandamál einstefnubundins tengiminnislíkra mannlegs heila tauganeta með truflun og blönduðum tímatöfum, leggur til tvíátta tengiminni eins og líkan með breytilegum tímatöfum í heila með minnisleysi í taugakerfi, hannar eftirlitsstefnu fyrir staka tíma sýnatöku sem byggir á líkaninu og rannsakar ýmsar tegundir nýlegra fjárhagslegra áhættu. Byggt á rannsóknum á snemmtækum viðvörunum, byggðar á tauganetsaðferðinni með samtengingarminni, leggjum við til að endurgerð áhættuflokkana, þar á meðal að bæta áhættustjórnunarkerfi fyrirtækja, auka vitund um fjárhagslega áhættustýringu frá toppi til botns og styrkja kjarnasamkeppnishæfni fyrirtækisins. fyrirtækið sjálft og eftirlitsráðstafanir vegna fjármögnunar, fjárfestingar, reksturs og sjóðstreymisáhættu.

Það er náið samband á milli vitrænnar starfsemi heilans og minni. Frábær vitsmunaleg virkni getur hjálpað okkur að læra, muna og skilja upplýsingar betur.

Í fyrsta lagi vísar hugræn virkni til getu einstaklingsins til að skynja, vinna úr og tjá ytri upplýsingar. Þetta felur í sér svið eins og athyglisstýringu, andlegan sveigjanleika, vinnsluminni, tungumálakunnáttu og framkvæmdastarfsemi. Minni er ferlið við að afla, viðhalda og nota upplýsingar með því að kóða, geyma og sækja upplýsingar. Einstaklingar með betri vitræna virkni hafa sterkari upplýsingavinnslu- og námshæfileika og geta umbreytt upplýsingum í langtímaminni.

Í öðru lagi er gagnkvæmt kynningarsamband milli minnis og vitrænnar virkni. Aukning á vitrænni virkni getur í raun bætt minni okkar. Til dæmis getur það hjálpað okkur að halda upplýsingum betur að hafa góða athyglisstjórnun og einbeitingu. Umbætur á framkvæmdavirkni hjálpa okkur að umrita, geyma og sækja upplýsingar betur.

Að auki stuðlar ekki aðeins vitsmunaleg virkni að minni, heldur getur gott minni einnig hjálpað okkur að auka vitræna virkni. Einstaklingar með framúrskarandi minnishæfileika geta betur tileinkað sér ýmsa færni eins og tungumál, tónlist og íþróttir og haft meiri yfirburði í vitrænni starfsemi.

Þess vegna ættum við að vera fullkomlega meðvituð um náið samband milli vitsmunalegrar starfsemi heilans og minni, vísvitandi bæta vitræna virkni, þjálfa minnið virkan og gefa gaum að samspili vitsmuna og minnis. Aðeins þannig getum við stöðugt stækkað vitræna mörk okkar og bætt persónulega þroskastig okkar. Það má sjá að við þurfum að bæta minni okkar. Cistanche getur bætt minnið verulega vegna þess að kjötmauk er hefðbundið kínverskt lækningaefni með mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá ýmsum virkum efnum sem það inniheldur, þar á meðal karboxýlsýru, fjölsykrur, flavonoids osfrv. Þessi innihaldsefni geta stuðlað að heilaheilbrigði í gegnum ýmsar rásir.

Smelltu á vita 10 leiðir til að bæta minni

1. Inngangur

Sambandsminni tauganet líkir eftir vinnumynstri taugafrumna í mannsheilanum; í fyrsta lagi er mynstrið sem á að leggja á minnið geymt í formi þyngdarnets taugakerfisins; Þegar þú færð upplýsingar um ófullkomið eða gallað mynstur utanfrá, gerir tauganetið á þessum tíma inntaksmynstrið stöðugt að breyta gildi sínu og renna saman við minnið mynstur með stórfelldum samhliða útreikningum. )e taugakerfi hefur góða sterka frammistöðu, sem þýðir að tengiminni taugakerfi hefur góða bilanaþol. )e mynstur sem á að leggja á minnið eru fyrst geymd í formi nets af lóðum tauganetsins.

Þegar tekið er á móti upplýsingum um ófullkomin eða sundurlaus mynstur utan frá breytir tauganetið síðan stöðugt gildi sínu og rennur saman að minnismynstrinu með stórfelldum samhliða útreikningum. Sambandsminni tauganet eru nú mikið notuð við mynsturgreiningu, myndvinnslu o.s.frv. Sjálfstengingarminni þýðir að inntaksfráviksmynstrið er jafnt og munað mynstur; öfugt við hetero-associative minni eru inntaksfráviksmynstrið ekki það sama og munað mynstur en sýna samsvarandi kortlagningartengsl. Sjálfstengingarminni vísar til beitingar tengiminni þar sem upphafsmynstur inntaks er eins og munað mynstur framleiðslunnar. ) Fyrsta skrefið í sjálfstengingarminni er að setja æskilegt minnið mynstur (td orðið tölva) á ákveðnu formi inn í netvogin í gegnum lærdómsreiknirit tauganets [1]. )en, það er hægt að setja inn mynstrið með vísbendingaupplýsingum og tauganetið framkvæmir samfelldar endurtekningaraðgerðir til að gefa rétta úttakið, Þessar vísbendingaupplýsingar eru ekki allt orðið en hafa hávaðasömar upplýsingar, en tauganetið getur samt reiknað út til að fá upplýsingar um orð sem er minnst; þ.e. þetta tengiminni taugakerfi hefur ákveðið bilunarþol.

Bilanaþol er eitt af forsendum til að dæma hvort beiting tengiminni sé framkvæmanleg. )e minnisferli tauganetsins, það er að segja stilling á þyngd tauganetsins, þarf að þýða munstrið á minnið í formi ástandsgilda hverrar taugafrumu þegar tauganetið er í stöðugu ástandi; það er, almennt getur stöðugur punktur tauganetsins geymt mynstur og ákvörðun á gildi stöðuga punktsins þarf að stilla í samræmi við nauðsynlegar aðstæður sem krafist er af taugakerfislíkaninu með tengiminni sem notað er í þessum kafla, almennt með því að skipta minnismynstrinu út í mengi diffurjöfnu tauganetsins, skrá síðan samsvarandi ójöfnuð út frá ofangreindum nauðsynlegum skilyrðum og tengja þennan ójöfnuð við kerfi mismunajöfnunnar sem eru tengdar til að leysa tiltekið mengi lausna og að lokum ákvarða a hentugri þyngd [2]. )ferlið er einnig framkvæmt með því að nota sérstakar þjálfunarreiknirit (td með sjálfsendurgjöf á neti).

Þar sem inntaks- og úttaksmynstrið sjálftengandi minni eru eins, sem þýðir að báðir hafa sömu vídd, er þetta einkenni sjálfstengingarminni.

Við aðstæður markaðshagkerfis verða fyrirtæki að vera meðvituð um hlutlægni fjármálaáhættu og um þessar mundir eru fyrirtæki almennt með veika meðvitund um fjárhagslega áhættu, blinda fjáröflun, óvarlega fjárfestingu, ófullnægjandi fjármálaáhættustjórnunarkerfi og ríkis- fyrirtæki í eigu, sem hafa veika punkta eins og ófullkomið fjárhagslegt áhættumatskerfi og skortur á áhættueftirlitsráðstöfunum. ) okkur, að rannsaka eiginleika fjárhagslegrar áhættu fyrirtækja og grípa til ákveðinna ráðstafana til að koma í veg fyrir og stjórna henni er orðið mikilvægt mál sem við stöndum frammi fyrir núna. Þrátt fyrir að hröð þróun ýmissa atvinnugreina hafi einnig í för með sér margar áhættur, kemur iðnaðurinn oft fram í fjármálakreppunni og leiðir jafnvel að lokum til gjaldþrots fyrirtækja [3]. ) Ákvörðun stöðugleikapunktsgildisins er stillt í samræmi við nauðsynleg skilyrði sem krafist er í samtengingarminni taugakerfislíkaninu sem notað er í þessum kafla, almennt með því að skipta minnislíkaninu út í mengi diffurjöfnu tauganetsins og skrá síðan samsvarandi ójöfnur samkvæmt ofangreindum nauðsynlegum skilyrðum. )is ójöfnuður er síðan settur saman við mengi diffurjöfnunnar til að leysa röð sértækra lausna og að lokum ákvarða heppilegra þyngdargildi. ) Þess vegna er fjárhagsleg áhættustýring fyrirtækja mjög mikilvæg og getur ákvarðað hvort fyrirtækið geti þróast með miklum hraða og traustum hætti.

Á undanförnum árum hafa fræðimenn einnig aukið rannsóknir sínar á fjárhagslegri áhættustýringu fyrirtækja, en kerfisbundið fræðilegt kerfi hefur ekki enn verið mótað til að rannsaka fjárhagslega áhættu fyrirtækja. Ennfremur er áhersla fyrirliggjandi rannsókna að greina fjárhagslega áhættu fyrirtækja og setja fram álit um eftirlit með fjárhagslegri áhættu og það eru tiltölulega fáar rannsóknir sem greina skref fjárhagslegrar áhættustýringar fyrirtækja, þ.e. auðkenningu, mati og eftirlitsaðferðum. um fjárhagslega áhættu, ítarlega. Þessi ritgerð, sem byggir á taugakerfi tengdaminni, sameinar viðeigandi fræðilegar heimildir um eftirlit með fjárhagslegri áhættu fyrirtækja með sérstöku tilviki fjárhagslegrar áhættustýringar Storm Group og rannsakar auðkenningu, greiningu og mat á fjárhagslegri áhættu og eftirliti fyrirtækja, í von um að gegna auknu sannprófunarhlutverki við núverandi fræðilegar rannsóknir á eftirliti með fjárhagslegri áhættu í fyrirtækjum.

2. Staða rannsókna

Gervi taugakerfi hafa verið rannsakað mikið á undanförnum áratugum vegna víðtækrar notkunar þeirra á mörgum sviðum eins og mynsturgreiningu, tengiminni, merkjavinnslu og hagræðingu. Sum forrit, eins og þau í hagræðingarkenningunni, krefjast þess að taugakerfi hafi aðeins einn stöðugan punkt. Hins vegar, sum önnur forrit eins og tengiminni og mynsturgreining krefjast tilvistar margra stöðugra jafnvægis í tauganetinu sjálfu.

Fjölstöðugleiki tveggja endurtekinna tauganeta með samhverfum virkjunaraðgerðum fasaplans uppruna er rannsakaður í bókmenntum [4]. Margfaldur μ-stöðugleiki tauganeta með ótakmörkuðum tímabreytilegum tímatöfum er talinn í bókmenntum [5]. Fjallað er um fjölstöðugleika endurtekinna tauganeta með óeintóna virkjunaraðgerðum og ótakmörkuðum tímabreytilegum tímatöfum í bókmenntum [6]. Í bókmenntum [7] er fjallað um fjölstöðugleika tauganeta í brotaskipan í Mittag-Leffler skilningi með breytum stöðugum hlutum. Fjölstöðugleiki flokks Hopfield tauganeta með stokastískum tímatöfum var rannsakaður í bókmenntum [8] með því að beita Schauder óhreyfanleikapunktareglunni og tengdri stochastic tímatöfkenningu, þar sem til eru 2n rétthyrnd óbreytanleg mengsvæði við ákveðnar aðstæður og kl. að minnsta kosti eitt þessara svæða hefur jafnvægispunkt, og með því að leggja til tvö nægjanleg skilyrði til að tryggja að þessir jafnvægispunktar séu stöðugir.

Nýtt ástand sem er minna takmarkandi miðað við Lipschitz samfellu ástandið í virkjunaraðgerðum með flókið gildi er lagt til í bókmenntum [9], og röð viðmiða er sett fram til að tryggja tilvist, sérstöðu og töluleg dæmi um alþjóðlega einkennalausa stöðugleikapunkta. endurtekinna tauganeta með flóknu gildi. Í bókmenntum [10] er stöðugleiki endurtekinna tauganeta með tímabreytilegum tímatöfum greindur með FTM (Flexible Edge Method), og nokkrar nýjar stöðugleikaviðmiðanir eru lagðar til til að lýsa stöðugleika þessa tauganets með því að smíða nýja tegund af Lyapunov virka. Í bókmenntum [11] er ný hönnunarhugmynd fyrir CVHAMs (complex-valued multistate Hopfield associative memory) lögð til til að greina stöðugleika CVHAM kerfa með því að nota orkuvirkniaðferðina og að lokum komast að því að netið geti sameinast að óhreyfanlegum punkti Fjallað er um handahófskennt inntaksgildi og vörpun rúmfræði GPR (almenn vörpun regla).

Samkvæmt bókmenntum [12],Internetfyrirtæki hafa fjárhagsleg einkenni „flæðishagkerfis“ líkansins, eignaljósa rekstrarlíkans, kostnaðarljóss og kostnaðarljóss, hraðvirkrar vöruskipta og hlutafjármögnunar. ) Fjárhagsleg áhætta netfyrirtækja hefur bæði einkenni almennra fyrirtækja og séreinkenni hennar. Í samanburði við almenn fyrirtæki er hættan á fjármagnsskorti netfyrirtækja mest áberandi. )e bókmenntir [13] kynntu EVA verðmatslíkanið til að kanna tengslin milli fjárhagslegrar áhættu og fyrirtækjavirðis netfyrirtækja, notuðu EVA líkanið og hefðbundna verðmatslíkanið til að meta fyrirtækisverðmæti málsfyrirtækisins NetEase og komst að þeirri niðurstöðu að EVA verðmatslíkan er nákvæmara. )e bókmenntir [14] halda því fram að internetfyrirtæki hafi aðallega áhættu í arðsemislíkani, sjóðstreymi, fjármögnun, fjárfestingum og stjórnvaldsreglum. Það lagði einnig til að internetfyrirtæki ættu að koma á fót traustu viðvörunarkerfi fyrir fjárhagslega áhættu, setja upp faglega endurskoðunarstofnun og endurskoðunarkerfi, styrkja alhliða fjárhagsáætlunarvinnu, bæta eftirlitskerfi viðskiptakrafna og styrkja fjármögnunar- og fjárfestingaráhættustýringu. Í ritum [15] er því haldið fram að trygging um arðsemi eigna og eftirlitsráðstafanir sem lagðar eru til til að koma í veg fyrir óvænt tap sé náð með áhættustýringu. Í bókmenntum [16] er því haldið fram að fyrirtæki ættu fyrst að koma á traustu innra eftirlitskerfi þegar þeir taka viðskiptaákvarðanir sem geta að vissu marki forðast að lenda í fjárhagslegri áhættu og valda rekstrarerfiðleikum við fjármögnun starfsemi. Bókmenntir [17] rannsaka uppruna áhættunnar, og fjárhagslega áhættuaðferð aðgerða til að kanna, og markvissari áhættugreiningu, mati og eftirliti, sem útrýma falnum fjárhagslegum áhættuþáttum.

3. Áhættulíkan fyrir fjármálastjórnun fyrirtækja sem byggir á tengslaminni tauganetum

3.1. Sambandsminni taugakerfislíkan. ) Grunnskref núverandi endurtekinna taugakerfisþjálfunaralgríms eru að forvinna fyrst sýnin sem á að bera kennsl á til að fá tölulega eiginleika vektora, setja þessa vektora í röð inn í netið og bera síðan saman úttak netkerfisins við úttakið sem er í gangi með mismun , og notaðu þennan mismun sem neikvæða endurgjöf til að leiðrétta netþyngdina. ) Kosturinn við þetta reiknirit er að það er einfalt í notkun og þjálfunarferlið er nám án eftirlits, en ókosturinn er einnig augljós í því að það þarf að endurþjálfa það einu sinni í hvert skipti sem nýtt sýnishorn er munað, sem getur tekið meiri tíma í þegar um er að ræða stærri netvídd. Taugakerfislíkanið er byggt upp með því að stilla þyngd taugafrumna þess eftir að það tekur við gögnum og inntaksbreytur líkansins geta breyst í samræmi við raunverulegar þarfir, svo sem markaðsþætti og fjármálavísa. Hægt er að þjálfa tauganetlíkanið sjálfkrafa til að sía bestu breyturnar og stilla þyngdina í samræmi við óbein tengsl þeirra til að byggja upp ólínulegt líkan og bæta nákvæmni líkansins. )Þjálfunaraðferðin er notuð til að leiðrétta netþyngdina með því að fæða stöðugt þjálfunarsýni þannig að sýnismynstrið sem á að muna eru felld inn í netþyngdina; þ.e. netið „man“ sýnin. Það er hægt að nota algebrufræðilegar aðferðir til að leysa lóðin beint, vegna þess að netið hefur mikinn fjölda aðdráttaraflanna og getur munað mikinn fjölda sýna, með því að nota sýnin sem inntak, miðað við að úttakið sé æskilegt úttak, sem táknar bæði sem vigra, og setja þá í diffurjöfnur kerfisins, nota þekkingu á línulegri algebru til að leysa sett af lóðarneti, nota síðan önnur sýni til inntaks og að lokum leysa samsvarandi fjölda greiningarlausna. )e skurðpunktur þessara greiningarlausna er netið af lóðum sem á að ákvarða ef þessar lausnir skerast ekki. )en, það þýðir að minnisgeta netsins er ekki nægjanleg og nýja gerð þarf að endurhanna til að tryggja að það hafi nægilega minnisgetu [18]. Næst verður gefið dæmi um hönnun tengdaminni eins og sýnt er á mynd 1 til að sjá dæmi um tengiminnisferli.

þar sem x∗ i xi∗ er stöðugi jafnvægispunktur kerfisins með i-ta mengi sýna sem inntak, og þetta gildi er valið í samræmi við aðstæður eins og form virkjunarfallsins. Nægjanlegt skilyrði fyrir þessari jöfnu til að leysast er að fjöldi stöðugra jafnvægispunkta tauganetsins sé meiri en eða jafn og fjöldi sýna sem á að leggja á minnið með kröfunni; það er að fjöldi aðdráttaraflanna ætti að vera nógu mikill til að hægt sé að muna nægilega marga mynstur. )e jöfnu er hægt að leysa með því að nota eintölugildi niðurbrot, lausn jöfnunnar er einnig vektor tengingarþyngda netsins og þessar lóðir gefa til kynna upplýsingar um mynstur sem á að muna. ) Ofangreind eyðublað er almennt sjálfstætt ferli til að leysa minnisþyngd sem hægt er að beita sérstaklega á sviði persónugreiningar, andlitsgreiningar o.s.frv.) Dæmi verða gefin til að sýna hönnun og þyngdarleysisferli endurtekins taugakerfis. -undirstaða hetero-associative minni forrit. Hefðbundin persónugreiningarreiknirit innihalda samsvörun sniðmáta og OCR [19]. Fyrir ójafnvægi úrtaksgagna geturðu byrjað með niðursýni og uppsýnistökuaðferðum. )e niðurúrtaksaðferðin, einnig þekkt sem slembiúrtaksaðferðin, vísar til þess að gagnaflokkurinn með flesta flokka er fjarlægður af handahófi með úrtaksaðferðinni. ) Kosturinn er sá að sýnatökuaðferðin getur bætt nákvæmni líkansins þegar eydd sýni innihalda hávaðasöm gögn og ókosturinn er sá að sumum mikilvægum sýnum gæti verið eytt. Ofsýnisaðferðin vísar til þess að búa til hluta af litlum sýnishornsgögnum með reiknirit. Í samanburði við þessar persónugreiningarreiknirit, einkennist endurtekið tauganet sem byggir á tengiminni sem nefnt er hér að ofan af lágum hönnunarkostnaði, einfaldri vinnslurökfræði, hröðu netsamruni, minna háð ytri aðstæðum og auðveldri hagnýtri útfærslu. ) Mikilvægasti punkturinn er að þetta tengdaminniskerfi hefur góða bilanaþolsgetu; mikið bilunarþol þýðir að þegar það er meiri hávaði eða truflun í sýninu getur það líka borið kennsl á markmynstrið á réttan hátt, þannig að ef þessi tengiminnisaðferð er notuð við myndgreiningu, þó að núverandi umsókn sé einföld og hugmyndin sé grunnari, eftir smá þróun tel ég að það verði not fyrir það. ) Hönnunarþrep endurtekinna tauganeta fyrir tengiminni eru dregin saman sem hér segir.

(1) Ákvarða fyrirmyndareiginleika tauganetsins sem á að nota

(2) Umbreyttu mynstrin sem á að muna í vektora sem inntak í kerfið sem og úttak sem á að skipta út í kerfisjöfnur

(3) ) Lausn á jöfnukerfinu er fengin með viðeigandi vali á hnitum jafnvægispunktsins og með niðurbroti á eintölu.

(4) Geymdu lausnir jöfnukerfisins sem þyngd tauganetsins

(5) Byggja tauganetkerfi með tengiminni og framkvæma viðurkenningarpróf.

)e tengingarminnið-undirstaða endurstillanleg amnestic net hringrás samanstendur af fjórum hlutum: associative minni sem byggir á amnest net hringrás, PRMC með inntak tvöfaldur merki, synaptic hringrás blokk, og stjórn hringrás. Í samtengingarminninu sem byggir á minnisleysisnetkerfi, gefa taugamótaþyngd til kynna styrk taugamótatenginga og þar með aðeins jákvæða þyngd. )e PRMC inntaks tvöfalda merkisins er aðeins hægt að þjálfa með reikniritinu til að ná samsvarandi virkni, þannig að taugamótarásin þarf að tákna neikvæð þyngd, núll þyngd og jákvæð þyngd. Í endurstillanlegu memetic tauganet hringrásinni, sem byggir á tengiminni, notar PRMC með tvíundarmerkjum inntaks og tengiminni byggða memetic tauganet hringrás sömu taugakerfisrásina, og taugamótarásin í tengiminni byggða memetic tauganet hringrásinni er takmörkuð við að vera mismunandi innan jákvæðra lóðanna með stjórnrás [20]. )e synaptic hringrás í synaptic hringrás blokk eru sameiginleg, og þessar synaptic hringrás er hægt að nota til að smíða bæði PRMCs með inntak tvöfaldur merki og tengd minni-undirstaða memetic tauganet hringrás. Eins og sést á mynd 2 starfa undirnetin tvö sjálfstætt, þannig að þau geta unnið samhliða.

Með því að líkja eftir námi og gleymsku í tengdaminni getur endurstillanleg memristor taugakerfisrás sem byggir á tengiminni breytt hringrásarskipulaginu á virkan hátt til að ná fram endurstillingu, sem samsvarar eftirfarandi ferli: þegar óskilyrta áreitimerkið og skilyrta áreitimerkið eru samtímis inntakið í memristor taugakerfi hringrás byggt á tengiminni, tenginám á milli tveggja er framkallað, þannig að taugamótunarþyngd sem samsvarar skilyrtu áreiti eykst smám saman. Eftir að námsferlinu er lokið, ef skilyrta áreitimerkinu er haldið inn, þá er gleymt ferli framkallað. Meðan á gleymsku stendur minnkar taugamótaþyngd sem samsvarar skilyrta áreitinu smám saman þar til það tekst ekki að virkja samsvarandi taugakerfi. Eftir að gleymingarferlinu lýkur, virkjast hringrásir samtengingarminnis-tengda amnestnetsins ekki óháð því hvort skilyrta áreitimerkið er inntakið [21]. Síðan er hægt að aftengja taugamótarásirnar sem samsvara skilyrta áreitinu frá taugafrumumrásunum og hægt er að gefa þessum taugamótarásum inn í taugamótarásarblokkina. )e Synaptic hringrás í synaptic hringrás blokk er hægt að nota til að smíða annaðhvort PRMC eða associative memory-undirstaða amnestic net hringrás með inntak tvöfaldur merki. Á þennan hátt er endurstillingu hringrásar náð.

4. Sambandsminni taugakerfisbundið áhættuspálíkan fyrir fjármálastjórnun fyrirtækja

Fjárhagsáhætta er tegund viðskiptaáhættu sem er til staðar í fjármálastarfsemi eins og að safna, fjárfesta, eyða, endurheimta og úthluta starfsemi fjármuna í ferli félagslegrar æxlunar. Og áhættan er frávik væntinga frá raunveruleikanum. ) Það er greinarmunur á fjárhagslegri áhættu í þröngum og víðum skilningi. Fjárhagsleg áhætta í þröngum skilningi vísar til þeirrar fjárhagslegu áhættu sem stafar af skuldastarfsemi við fjáröflun fyrir fyrirtækið. Fjárhagsleg áhætta í víðum skilningi vísar til óvissu um að ná væntanlegum fjárhagslegum árangri í því ferli að stunda fjármálastarfsemi fyrirtækisins. ) Þess vegna er fjárhagsleg áhætta fyrir hendi í hverju fyrirtæki og starfsemi fyrirtækisins og hefur veruleg áhrif á rekstrarstöðu og viðskiptaskilyrði fyrirtækisins. Fjárhagsleg áhættustýring er forvarnir, eftirlit og stjórnun áhættu í fjármálastjórnun fyrirtækja og er einnig hluti af alhliða áhættustýringu fyrirtækja [22]. Innri greining er leið fyrir fyrirtækið sjálft að komast að ýmsum vandamálum í viðskiptaferlinu með sjálfsgreiningu og að lokum leysa þau á markvissan hátt. Ytri greining þýðir að fyrirtækið ræður utanaðkomandi þriðja aðila stofnun til að greina fjárhagslegan rekstur fyrirtækisins. Sem ný stjórnunarfræðikenning er það stjórnunarkenning sem aðallega er þróuð af fræðimönnum í samræmi við fyrri reynslu í áhættustjórnun og fjármálastjórnun fyrir alls kyns áhættu í rekstri fyrirtækja. Fjárhagsleg áhættustýring felur í sér áhættugreiningu, mat, greiningu á orsökum og eftirlit með ýmsum fjármálastarfsemi fyrirtækisins. Til að tryggja eðlilegan rekstur og fjármagnsflutninga fyrirtækisins og til að forðast neikvæð áhrif á efnahagslega hagsmuni fyrirtækisins, felur stjórnunarferlið fjárhagslegrar áhættustýringar í sér áhættugreiningu, mat, greiningu á orsökum og eftirlit með ýmsum fjármálastarfsemi fyrirtækisins, og tímabærar og árangursríkar forvarnir og eftirlitsráðstafanir sem byggjast á viðvörunarhlutverki þess.

) Algengustu aðferðirnar við mat á fjárhagslegri áhættu eru meðal annars stigveldisgreining, aðferð við virknistuðla og þáttagreiningu. ) Grundvallarregla þáttagreiningar er að flokka vísbendingar með sterka þýðingu í einn flokk og skipta hverjum flokki út fyrir þátt og skipta þannig öllum upprunalegu vísunum út fyrir nokkra þætti.

Í þessari grein er greining á áhættuspá fjármálastýringar fyrirtækja framkvæmd með því að sameina taugakerfislíkanið tengda minni með þáttagreiningu. Þáttagreining er valin af eftirfarandi ástæðum: Í fyrsta lagi getur þáttagreining fækkað upprunalegum breytum, með því að draga út og nefna helstu þætti í stað langflestra upprunalegra upplýsinga; í öðru lagi er hægt að raða úrtakinu og bera það saman. Samkvæmt skori hvers meginþáttar og heildarskori er hægt að raða úrtakinu sem sýnir ekki aðeins röðun einstakra þátta og skýrir hvaða þættir hafa meiri áhrif á fjárhagsstöðu fyrirtækisins heldur greinir einnig heildarröðun þeirra. þættirnir eftir vigtun, sem er hagkvæmt fyrir fyrirtækið til að skýra styrkleika þess og veikleika [23].

(6) Sambandsminni tauganet er byggt á ákvörðunartré líkani sem notar histogram reiknirit sem gerir það auðveldara að aðgreina gögnin. Munurinn frá fyrri ákvarðanatréslíkönum er að tauganet tengdaminni er stillt lóðrétt, þ.e. myndar blöð ákvörðunartrésins, en önnur ákvörðunartréslíkön búa til stig trésins, þannig að tengiminni Emory ral netalgrímið keyrir hraðar og geymir færri gögn. Aðaleiginleiki þess er að fara yfir allt þjálfunarsettið og gera eiginleikana aðgreinda fyrir samfelldar breytur með fljótandi punkti; þessi k stak gögn eru smíðuð í súlurit með ákveðinni breidd k. Reiknaður er fjöldi stakra gilda sem renna saman innan hvers súlurits. Þar sem það eru margir þættir fjárhagslegrar áhættu munu ýmsir þættir og fjárhagslegir vísbendingar hafa samskipti sín á milli til að mynda flókið samband. Í þessari grein eru viðeigandi vísbendingar dregin út, þættir eru dregnir út með marktektarprófi og þættir sem henta fyrir gerð líkana eru fengnir með kúluprófi, útdrætti aðalhluta og öðrum skrefum.

Byggt á þeim þáttum sem fengust er skipulagslíkanið um þrepavísa aðhvarf notað til að móta fjárhagslega viðvörunina. ) Líkanaferlið greinir smám saman þætti áhættusamsetningar og notar kosti líkansins til að veita innsæi grunn fyrir framtíðarákvarðanatöku stjórnenda. )Valdir viðvörunarvísar ættu að vera yfirgripsmiklir; þ.e., vísbendingar ættu að vera valdir úr hefðbundnum þáttum gjaldþols, arðsemi, þróunargetu og rekstrargetu, og vísbendingar ættu að vera valdir úr þáttum rannsóknar- og þróunargetu sem endurspegla eiginleika iðnaðarins, sem gerir úrval vísbendinga valið fyrir samskiptabúnaðarframleiðsluiðnaðurinn yfirgripsmeiri. ) Fyrirtækið leggur fjármagn í framleiðslu á vörum og endurheimtir fjármagnið og hagnaðinn með sölu afurðanna. Aðeins er hægt að auka birgðaveltu ef sala gengur vel og birgðahreinsun er fljótt, þannig að birgðavelta gefur til kynna hversu fljótt er hægt að endurheimta peninga frá vörusölu. Almennt séð getur fyrirtæki bætt lausafjárstöðu sína með því að auka birgðaveltu sína. )e Veltuhlutfall birgða segir til um hversu mikið birgðir eru, en veltuhlutfall veltueigna endurspeglar veltuhraða veltufjármuna, sem er mest seljanlegur af öllum eignum fyrirtækis. Minni velta veltufjármuna getur haft meiri áhrif á endurgreiðslugetu fyrirtækis til skamms tíma. ) Því hærra sem veltuhlutfall veltueigna er, því minni er hlutfallsleg lausafjáráhætta. Hægur veltuhraði mun krefjast viðbótarlausafjár til að taka þátt í veltunni, sem mun valda sóun á fjármunum og draga úr arðsemi fyrirtækisins. Byggt á ofangreindri kenningu, í síðari flokkun, er ákjósanlegur skurðpunktur aðeins hægt að finna í samræmi við breidd súluritsins. ) Hugmyndin um súluritalgrímið endurspeglast aðallega í umbreytingu fljótandi gagna yfir í tvöfalda gögn, og sérstaka aðgerðin er að ákvarða fjölda fötu sem er í hverjum eiginleika, uppfæra gögn hvers fötu fyrir sig eftir jafna skiptingu og skipta út eiginleikum áhættuspár fjármálastýringar fyrirtækis í taugakerfislíkanið sem tengist minni, sem er táknað á myndrænan hátt eins og sýnt er á mynd 3.

3. Samanborið við önnur líkön sem byggð eru á reikniritum ákvarðanatrés, eru taugakerfi tengd minni taugakerfi hraðari, aðallega hvað varðar hlaupahraða, en eyða minna minni og nákvæmni er ekki skert, sem sameinar fullkomlega bæði fiska og björn loppu. Með löngun til að fara á næsta stig er hægt að fínstilla líkanið á eftirfarandi tvo vegu: til að flýta fyrir hlaupahraða er hægt að vinna upprunalega einfaldlega; að fækka eiginleikum og gögnum, breyta eiginleikum í flokkaeiginleika eða vista gagnaskrárnar sem tvöfaldar skrár, að breyta þjálfunaraðferð líkansins í samhliða getur einnig flýtt fyrir hlaupahraða líkansins; til að bæta nákvæmni líkansins og draga úr námshraða líkansins, byrja á líkaninu, stilla færibreytur líkansins, velja bestu samsetningu færibreytna, auka námstíma líkansins og gera líkanið betur skilið við lögin milli gagna getur bætt nákvæmni líkansins. Með því að byrja á gögnunum, fjölga þjálfunargögnum og forvinna gögnin til að leysa þau gildi sem vantar og ójafnvægi í upprunalegu gögnunum getur líka þjálfað líkanið betur og bætt árangur líkansins.

4.1. Tilraunastaðfesting og ályktanir

)e CART ákvörðunartréslíkan með forklippingu og eftirklippingu verður þjálfað og ákvarðanatrésgrafið og grafið með breytilegu mikilvægi verða til eftir líkanaþjálfunina til að túlka betur niðurstöður CART ákvarðanatréslíkans. Í fyrsta lagi eru mismunandi niðurstöður og reglur heildarfjárhagsáhættumatslíkans fyrirtækisins smíðaðar. Vegna þess að það eru of mörg gildi matseiginleika í heildar fjárhagslegri áhættumati fyrirtækisins, tekur grafið með breytilegu mikilvægi í heildar fjárhagslegri áhættumati fyrirtækisins 5 mikilvægustu breyturnar og heildarfjárhagsáhættumatslíkan fyrirtækisins myndar grafið með breytilegu mikilvægi eins og sýnt er á mynd 4.

Eins og sjá má á mynd 4, meðal 18 einkenna CART ákvörðunartrés líkansins, „margfaldir vextir“, „ávöxtun heildareigna“, „velta viðskiptakrafna“, „heildarvelta eigna“ og „vegin ávöxtun hreinnar eigna“. " raðaði í fimm efstu sætin í mikilvægi, þar sem "vextir áunnin margfaldir" er mikilvægasti vísirinn með mikilvægi yfir 0.5. Rekstrargeta endurspeglar hagkvæmni og skilvirkni fjármagnsreksturs fyrirtækis með mismunandi eignir og veltuhagkvæmni mismunandi tegunda eigna er venjulega notuð til að ákvarða rekstrarstig fyrirtækis.is gefur til kynna að fyrirtæki ættu að einbeita sér að "vextum margfalda" þegar að meta heildarfjárhagsáhættuna og summan af fimm efstu mikilvægu stigunum fer yfir 90%; því gefur það einnig til kynna að skráð fyrirtæki ættu að einbeita sér að þessum fimm vísitölueinkennum við mat á heildarfjárhagsáhættu fyrirtækja. ) Túlkun á reglusettinu sem myndast af ákvörðunartréslíkaninu mun veita skráða fyrirtækinu tölulegar sannanir til að meta heildarfjárhagsáhættu fyrirtækisins, sem mun hjálpa skráða fyrirtækinu að mæla hvort það hafi heildar fjárhagslega áhættu.

) 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, fyrirtækið hefur ekki fjárhagslega áhættu. ) Túlkun reglusettsins sem myndast af ákvörðunartréslíkaninu mun veita skráða fyrirtækinu tölulegar vísbendingar til að meta hversu mikil viðskiptaáhætta fyrirtækisins er, sem mun hjálpa skráða fyrirtækinu að mæla hvort það hafi viðskiptaáhættu.

)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, fyrirtækið er ekki í hættu. ) Túlkun reglusettsins sem myndast af ákvörðunartréslíkaninu mun veita skráða fyrirtækinu tölulegar vísbendingar til að meta fjármögnunaráhættu fyrirtækisins, sem mun hjálpa skráða fyrirtækinu að mæla hvort það hafi fjármögnunaráhættu.

Af mynd 7 má sjá að líkan þessarar greinar, sem byggir á taugakerfi tengdaminnis, nær 83% nákvæmni fyrir mismununaráhrif þjálfunarsettsins og 76% nákvæmni fyrir staðfestingarsettið, sem er betri árangur. Á sama tíma sameinaði þessi grein GBDT líkanið við logistic aðhvarfslíkanið fyrir sameinuðu spána, og spániðurstöðurnar sýndu að sameinaða líkanið bætti spánákvæmni þjálfunarsettsins í 91% og staðfestingarsettið í 78%, í hvað varðar bæði nákvæmni og stöðugleika; viðvörunaráhrifin af sameinuðu líkani eru marktækari samanborið við staka líkanið, þannig að það sannar hagkvæmni sameinaðs líkans. Í samanburði við logistic aðhvarfslíkanið með einni líkani er ROC ferill samtengingarminnis tauganets líkansins aðhvarfsaðhvarfslíkans fyrir fjárhagslega áhættu nær efri vinstri ásnum og AUC gildi þess er 0.79, sem er marktækt hærra en aðhvarfslíkanið AUC gildi 0.60. ) Kostina við viðvörunarlíkanið um fjárhagslega áhættu við tengiminni tauganetsins má sjá beint af ROC kúrfunni og AUC gildi. Af tilrauninni má draga þá ályktun að GBDT fyrir samsetningu eiginleika geti betur unnið úr upplýsingum í fjárhagsgögnum skráðra fyrirtækja og skipulagslíkanið hefur hraðan vinnsluhraða, sem getur leyst vandamálið með hægum vinnsluhraða sem ekki er hægt að vinna úr GBDT samhliða, og líkanið sem er sameinað GBDT og skipulagslíkaninu er hægt að nota á áhrifaríkan hátt á sviði fjármálaáhættu snemma viðvörunar skráðra fyrirtækja fyrir líkanagerð.

Rafræn námshraði er hraðinn sem inntaksbreyturnar eru uppfærðar við hverja endurtekningu meðan á þjálfun stendur og ákvarðar hversu langt lóðin þurfa að hreyfast í átt að hallanum í litlum lotu, í gegnum margar endurtekningar, að lokum færast þær í stöðu sem passar við þjálfunarnákvæmni netsins. ) Ferlið við að læra eiginleika sýnisgagnagagnasetts með tauganeti með tengiminni er ferlið við að endurtaka sífellt áfram. Lægra námshlutfall gerir þjálfunarferlið áreiðanlegra en hagræðing mun taka lengri tíma. Hærra námshlutfall leiðir aftur á móti til þess að þjálfun fer ekki saman og getur valdið mjög miklum þyngdarbreytingum, sem gerir tapvirknina mjög lélega. Hægt er að fínstilla hraða fylkismargföldunar og bæta minnisnýtingu með því að fjölga lotum á ákveðnu svæði, sem dregur úr fjölda uppfærslum sem þarf til að ljúka þjálfun alls gagnasafnsins og flýtir ferlinu nokkuð fyrir gögn af sama getu. Stokastísk hallafall uppfærir aðeins eitt sýnishorn og upplýsingar í einu, sem flýtir fyrir þjálfuninni, en þar sem aðeins eitt sýni er notað í einu, táknar það ekki allt þjálfunarúrtakið, sem gerir það erfiðara að sameina þjálfunarniðurstöðurnar við suma lágmarksverðmæti. Til að fyrirtæki nái sjálfbærri þróun verður það að leggja mikla áherslu á rannsóknir og þróun og nýsköpunargetu sína. Aðeins með stöðugri nýsköpun og stöðugum uppfinningum getur fyrirtæki náð samkeppnisforskoti. Með þróun djúpnáms var sýnt fram á að hægt væri að breyta þjálfunarárangri í staðbundið lágmark með því að draga hægt úr námshraðanum. Eftir að hafa stillt færibreyturnar nokkrum sinnum fengust væntanlegar þjálfunarniðurstöður loksins og meðaltal algera skekkju líkansins á sýnunum á meðan á þjálfun stóð fór að lokum saman. )e tapferlar fyrir sýnisgagnagagnasafnið eru sýndir á mynd 8.)e bláa línan á myndinni táknar tapferil æfingasettsins og appelsínugula línan táknar tapferilinn í prófunarsettinu; lárétti ásinn sýnir fjölda endurtekninga sýnanna í þjálfunarferlinu og lóðrétti ásinn sýnir breytingu á meðalvillugildi meðan á þjálfun stendur.

Samkvæmt breytunum sem settar eru í þessari grein getur Spyder glugginn sýnt tap þjálfunar og prófunarsýna í hverri endurtekningu og reiknað út kvaðratmeðalvillu líkansins í lok þjálfunar. Í þjálfunarferlinu, því fleiri endurtekningar, því minni er úrtaksskekkjan, með staðbundnar sveiflur á litlu bili. Í upphafi þjálfunar lækkar villan hratt og á þjálfunarbilinu frá 10 til 50 endurtekningum lækkar villan hratt, sem gefur til kynna að verið sé að fínstilla líkanið á staðnum, Frá 100 endurteknum æfingar og áfram, villan lækkar varlega, sem gefur til kynna að líkanið hafi runnið saman í ákjósanlegt ferli. )e stefna tapsferils þjálfunarúrtaksins og tapsbreytingar prófunarúrtaksins eru samþætt, og villan í þjálfunarúrtakinu rennur að lokum saman og passar betur; villan í prófunarsýninu rennur saman að staðbundnu lágmarki og passa þess er ekki eins góð og þjálfunarúrtakið, en áhrifin af því að nota hallafall til hagræðingar eru augljós og munu ekki hafa áhrif á frammistöðu alls líkansins.

Byggt á taugakerfislíkaninu með tengiminni er snemmbúnaviðvörunarkerfi sem getur endurspeglað áhættueiginleika skráðra landbúnaðarfyrirtækja komið á með því að sameina áhættueiginleika fyrirtækisins og orsakir myndunar þess: það inniheldur fjárhagslegar og ófjárhagslegar vísbendingar sem ná yfir gjaldþol. , rekstrargetu, þróunargetu, arðsemi og aðrar getuvísar. Til að bæta samleitishraða og stöðugleika líkansins er SPSS hugbúnaður notaður til að framkvæma þáttagreiningu á gögnum aðalvöldum vísbendinga og reikna út þáttaskor sýnanna sem inntakslagsgögn líkansins. Þannig er nákvæmni fjármálakreppulíkanssins enn ákvörðuð og hluti úrtaksins valinn til að prófa líkanið. Að lokum er líkaninu beitt á raunverulegt fyrirtæki til að bera kennsl á vandamál þess og hámarka þau til að draga úr líkum á fjármálakreppu þess.

5. Niðurstaða

Sambandsminni taugakerfislíkön eru almennt smíðuð út frá gögnum um eiginleika viðkomandi iðnaðar til að spá fyrir um ýmsa þætti eftirspurnarpunkta. Spár um tengslaminni taugakerfislíkön takmarkast ekki aðeins við óskir um daglegt líf, mat, fatnað, húsnæði o.s.frv., heldur gegnsýra þær nú næstum einnig í þróun fjármálaiðnaðar, fjármálaspá osfrv. Í þessari grein, með því að greina síðari þróunargetu í Í tengslum við iðnaðareiginleika og samkeppnislandslag fyrirtækisins kemur í ljós að líkanið getur endurspeglað stöðu fyrirtækisins vel með snemmtækum viðvörunarvísum og veitt viðmiðun fyrir framtíðarþróun fyrirtækisins. Ef aðeins gagnalíkanaðlögun fjármálavísa er tekin upp verður hún of ein og mun ekki geta dæmt stöðu fjármála í heild sinni. Í rannsókninni kom í ljós að fjöldi sýna í áhættuflokknum með mikla fjárhagslega áhættu var of lítill miðað við úrtakin í flokkunum með lága og meðalstóra fjárhagslega áhættu, og ef úrtaksgögnin voru ekki í jafnvægi gæti það leitt til þess að viðvörun líkanið lærði ekki eiginleika sýnanna í háum fjárhagslegum áhættuflokki meðan á þjálfun stóð, sem leiddi að lokum til lítillar spánákvæmni sýnanna í þessum flokki.

Þar sem þættir eins og samsetning fyrirtækja og eigið fé geta einnig haft mikilvæg áhrif á fjármál bætir þessi grein við ófjárhagslegum vísbendingum til að bæta alhæfingarhæfni og nákvæmni líkansins. Nú á dögum eru fyrirtæki í sífellt flóknara markaðsumhverfi og félagslegri starfsemi og stór gagnahermun með því að mæla viðeigandi vísbendingar um fyrirtæki í greininni getur endurspeglað núverandi stöðu iðnaðarins í heild sinni og ítarlega og sanngjarnt að taka með sértæka vísbendingar bæta einnig skilvirkni viðvörunarlíkans. Með því að sameina fyrirtækisvísana og hið staðfesta viðvörunarlíkan, eru helstu þættirnir sem hægt er að bera kennsl á með líkaninu notaðir til að greina aðstæður þar sem fyrirtækisáhætta skapast á sama tíma og hún gefur álit sem felur í sér upplýsingar um fyrirtæki B. Nota þessa fjárhagslega viðvörun. líkan, hægt er að aðlaga fyrirtækisskipulagið, gera stefnumótun og forvarnir gegn hættuástandi fyrirfram fyrir breyttan markað, skipulagt þjálfun fyrir hæfileikafólk í fjármálaviðvörun, styrkt samskipti milli hæfileikamanna í fjármálaviðvörun og tryggt sanngjarna eignarhlutdeild til að forðast að einn hlutur verði ríkjandi; Í öðru lagi er hægt að bæta upplýsingauppbyggingu fjármálakerfisins og koma á samstæðu fjármálakerfis sem á við um fyrirtækið á þessum grundvelli. Á sama tíma ættum við að fara að vali markaðarins og þróun fjölbreyttra markaða getur tryggt samkeppni þeirra og á sama tíma einbeitt okkur að gæðum vöru.

Heimildir

[1] MA Fern 'Mendez-G' Gamez, JAC Soria, JAC Santos og 'D. Alaminos, "European country heterogeneity in financial distress prediction: an Empirical analysis with macroeconomic and regulatory factors," Economic Modeling, vol. 88, bls. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr og M. El Bannany, "Mjöglaga skynjunaraðferð við spá um fjárhagslega neyð með erfðafræðilegum reikniritum," Automatic Control and Computer Sciences, vol. 54, nr. 6, bls. 475–482, 2020.

[3] X. Yan, W. Weihan og M. Chang, "Rannsóknir á spálíkani fjármálaeignaviðskipta byggt á LSTM taugakerfi," Neural Computing and Applications, bindi. 33, nr. 1, bls. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko og H. Katagiri, "Gjaldþrotsspá fyrir japönsk fyrirtæki sem nota stuðning vektor vél, gervi taugakerfi og margbreytilegt aðgreiningargreiningu," International Journal of Industrial Engineering, vol. 1, nr. 1, bls. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu og W. Ai, „Klassójafnvægi, kraftmikil fjárhagsleg neyðarspá byggð á adaboost-SVM ensemble ásamt SMOTE og tímavigtun,“ Information Fusion, bindi. . 54, bls. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li og K. Li, "Fjarskiptamarkaðsspálíkan banka byggt á t-SNE-SVM," Journal of Service Science and Management, bindi. 13, nr. 3, bls. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan og O. Escobar, "Gervigreind og viðskiptamódel í sjónarhorni sjálfbærrar þróunarmarkmiða: kerfisbundin ritrýni," Journal of Business Research, vol. 121, bls. 283–314, 2020.

[8] PK Mitra og C. Banga, "Spá fyrir hráolíuverð á indverskum körfu með samanburðaraðferðum vélanámsmódela," International Journal of Business Forecasting and Marketing Intelligence, bindi. 5, nr. 3, bls. 249–266, 2019.

[9] G. Kumar, S. Jain, og UP Singh, "Stock market forecasting using computational intelligence: a survey," Archives of Computational Methods in Engineering, vol. 28, nr. 3, bls. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li og Y. Zhang, "Ný aðferð til að meta vöxt upplýsingakerfa lítilla og meðalstórra fyrirtækja byggt á bættu BP taugakerfi," Upplýsingakerfi og rafræn viðskipti, bindi. 18, nr. 4, bls. 779–792, 2020.

[11] BS Kumar, V. Ravi og R. Miglani, "Spá fyrir indverskan hlutabréfamarkað með því að nota sál-málfræðilega eiginleika fjármálafrétta," Annals of Data Science, bindi. 8, nr. 3, bls. 517–558, 2021.

[12] S.-J. Lin, "Samþætt gervigreind og sjónræn tækni til að auka stjórnunarákvarðanir í ólgusömu viðskiptaumhverfi nútímans," Cybernetics and Systems, vol. 52, nr. 4, bls. 274–292, 2021.

For more information:1950477648nn@gmail.com