A Method of Constructing a Dynamic Model of Bankruptcies of Economic Entities

Abstract

АннотацияОбъектом рассмотрения настоящей работы является весьма глубокое проникновение требований эффективного обучения нейросетей в алгоритмы предпроцессорной обработки. Разработан метод оценки адекватности нейросетевых моделей в отсутствии каких-либо априорных сведений о законе распределения шумов в данных. Именно это и является научной новизной данной статьи, так как данный метод позволяет взаимосвязано управлять качеством предпроцессорной обработки финансовых данных и качеством их аппроксимации в нейросети для оценки риска банкротства экономического объекта. Главной целью всех алгоритмов предпроцессорной обработки данных является повышения однородности данных и улучшение их качества (информативности) в аспекте обучения нейросети. Итогом является построение основной нейросетевой динамической модели восстановления многомерной «обобщенной производственной функции» на основе байесовского подхода. Управление качеством нейросетевой модели необходимо для нахождения горизонта прогноза риска банкротства экономического объекта, оценивания стадии развивающегося процесса кризиса объекта во времени. Достигаемый эффект от указанных теоретических предложений -повышение эффективности (в аспекте достижения компромисса между точностью предсказания и робастностью) нейросетевой модели для сложных условий моделирования (сильной зашумленности данных и дефицита наблюдений). AbstractThe object of the consideration of this work is very deep penetration requirements for an effective neural network learning algorithms in preprocessing processing. Developed a method to assess the adequacy of neural network models in the absence of any a priori information about the distribution law of noise in the data. This is the scientific novelty of this article, as this method allows interrelated to control the quality of preprocessing financial data processing and their quality of approximation in neural networks for assessing the risk of bankruptcy of an economic object. The main purpose of all algorithms preprocessing data processing is to improve the homogeneity of the data and improving their quality (information value) in the aspect of neural network learning. The result is the construction of a basic neural network dynamic recovery model, the