ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ В МОДЕЛЮВАННІ ФІНАНСОВИХ РЕЗУЛЬТАТІВ БІЗНЕС-ПРОЦЕСІВ
Анотація
Вступ. Атрибути нейронних мереж втілено в дослідження результативності бізнес-процесів, яке засновано на інтегрованих коефіцієнтах міжнародного моніторингу з діапазоном кількісних параметрів. Змодельовані ситуаційні прецеденти дають змогу припускати багатоваріантні рішення в режимі реального часу. Використано конструктивний і деконструктивний підходи до побудови мережі та алгоритмів навчання.
Мета – використати нейромережеві технології при моделюванні фінансових результатів бізнес-процесів за допомогою інтегрованих індексів міжнародного моніторингу та вітчизняних статистичних даних.
Результати. Охарактеризовано отримані ділянки поверхні відгуку встановленого індикатора і пари незалежних змінних для нейронної мережі типу RBF 3-7-1. Запропоновано алгоритм застосування методології оцінки функціонування бізнесу з використанням нейромережевих технологій. За результатами теоретичних узагальнень удосконалено розуміння основної мети бізнес-операції. Особливістю пропонованої інтерпретації є звуження функціональної складової бізнес-процесів до результуючої особливості в режимі реального часу. Встановлено низькі показники готовності мережі, рівня розвитку ІКТ, глобальної конкурентоспроможності вітчизняної економіки і прибутковості бізнесу. Для змодельованих ситуацій отримані результати дали змогу привести до зближення розрахованого показника відносно незалежних факторів, тобто реакції вітчизняного бізнесу на інтенсифікацію цифровізації, підвищення конкурентоспроможності економіки і розвиток інформаційно-комунікаційних технологій.
Перспективи. Подальші перспективи використання викладеної в роботі методики пов’язані із проектуванням вибірки незалежних факторів для забезпечення репрезентативності та екстраполяції результатів аналізу з метою оптимізації прийняття раціональних управлінських рішень.
Ключові слова
Повний текст:
>PDF
Посилання
Tudoroiu N., Churu C., & Grigire M. Neural networks architectures for modeling and simulation of the economy system dynamics. IEEE Trans Neural Netw. 2008, Vol. 19. Iss. 9, Sept. P. 1549–1563.
Maditinos D., Chatzoglou P. The use of neural networks in forecasting. Review of Economic Sciences, 2004. 6. TEI of Epirus. P. 161–176.
Yu L., Huang W., Lai K. K. Neural networks in finance and economics forecasting. International Journal of Information Technology and Decision Making. 2007. Vol. 06, No.(01). P. 113–140.
Falat L., Pancikova L. Quantitative modelling in economics with advanced artificial neural networks. Procedia Economics and Finance. 2015. Vol. 34. P. 194–201.
Tello-Lea, E., Roa J., Rubiolo M., Ramirez U. Predicting activities in business processes with LSTM recurrent neural networks. 2018. 26-28 November. Santa Fe, Argentina. 13 p.
Iqbal M. F., Zahid M., Habib D., John L. K. Efficient prediction of network traffic for realtime applications. Journal of Computer Networks and Communications. 2019. Vol. 2019, Article ID 4067135. 11 p.
Курочкина И. П., Калинин И. И., Маматова Л. А., Шувалова Е. Б. Метод нейронных сетей в моделировании финансовых показателей компании. Статистика и экономика. 2017. Т. 14, № 5. C. 33–41.
Guryanova L. S., Gvozdytskyi V. S., Dymchenko O. V., Rudachenko O. A. Models of forecasting in the mechanism of early informing and prevention of financial crises in corporate systems. Financial and credit activity: problems of theory and practice. 2018. Vol.1, No. 26. P. 303–312.
Андрющенко К. А., Рудик В. К., Рябченко О. П., Качинська М. О., Мариненко Н. Ю., Шергіна Л. А., Ковтун В. П., Теплюк М. А., Жемба А. И., Кучай О. В. Процеси управління інформаційною інфраструктурою цифрового підприємства в межах концепції “Індустрія 4.0”. Східно-Європейський журнал передових технологій. 2019. Вип. 1. №3(97). URL: http://journals.uran.ua/eejet/article/view/157765/159963.
Maita A.R.C., Martins L.C., Paz C.R.L., Peres S.M. Process mining through artificial neural networks and support vector machines: A systematic literature review. Business Process Management Journal. 2015. Vol. 21, No. 6. P. 1391–1415.
Francescomarino C. Di, Ghidini C., Maggi F. M., Milani F. Predictive process monitoring methods: which one suits me best? 16th International Conference, BPM 2018, Sydney, NSW, Australia, 2018. September 9–14. P. 462–479.
Офіційний сайт Державної служби статистики України. URL: http://www.ukrstat.gov.ua/.
The networked readiness index. Reports 2010–2011, 2012, 2013, 2014, 2015, 2016 of world economic forum. URL:http://www3.weforum.org.
Measuring the information society reports 2014, 2015, 2016, 2017. The official web-site of ITU Telecom. URL: https://www.itu.int/.
Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. Москва: Финансы и статистика, 2002. 344 с.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. Москва: Горячая линия. Телеком, 2002. 382 с.
Касюк С. Т. Анализ и прогнозирование спортивных данных в нейронных сетях: учеб.- метод. пособие. Челябинск: Уральская академия, 2014. 72 с.
Посилання
- Поки немає зовнішніх посилань.
ISSN 1818-5754 (print), ISSN 2415-3672 (online)
Західноукраїнський національний університет
© «Світ фінансів», 2004-2019