Нейросетевой анализ финансовой устойчивости предприятия

Введение 3
Постановка задачи разработки нейросетевой модели прогнозирования финансовой неустойчивости 5
Обзор литературы 6
Глава 1. Теоретические основы прогнозирования банкротства 8
1.1. Понятие банкротства 8
1.2. Обзор основных методов прогнозирования финансовой неустойчивости 9
1.3. Нейронные сети как инструмент прогнозирования банкротства 16
Глава 2. Построение, обучение и тестирование нейронной сети для прогнозирования банкротства 18
2.1. Математическая постановка задачи, подготовка данных и среды разработки 18
2.2. Обучение нейронной сети 19
2.3. Тестирование нейронной сети 26
Глава 3. Анализ работы программы 27
Выводы 29
Заключение 31
Литература 32
Купить

Проблема предсказания банкротства на предприятии была актуальна всегда. За всё время её существования было разработано множество способов её решения, прогнозирующих наступление банкротства организации с той или иной вероятностью. Однако, эта задача до сих пор не решена. Методов, прогнозирующих наступление состояния финансовой неустойчивости предприятия с достаточно высокой точностью, практически нет. К тому же, большая часть популярных методик показали свою несостоятельность во время мирового финансового кризиса, начавшегося в 2008 году. [1, 2, 3]
В актуальных исследованиях по теме прогнозирования банкротства преобладают работы, изучающие деятельность фирм, развитых и крупнейших развивающихся стран. Российские компании в научных работах рассматриваются крайне редко. К тому же, доказан тот факт, что применение моделей, разработанных на данных компаний развитых стран к компаниям развивающихся, существенно снижает предсказательную способность. Чтобы создать модель предсказания банкротства на российском рынке, работающую с точностью, превышающей стандартный финансовый анализ, необходимо использовать национальные данные. [4]
Все способы прогнозирования можно разделить на 3 класса: статистические модели, модели искусственного интеллекта и теоретические модели. На данный момент нет ответа на вопрос, какая методология прогнозирования банкротства является лучшей. В этом исследовании мы будем работать именно с нейросетевыми моделями предсказания банкротства, поскольку применение информационных технологий не только исключает человеческий фактор (ошибки в вычислениях), но и в дальнейшей перспективе позволит достигнуть наиболее высокой точности прогнозирования .
Нейронные сети (НС) применяются для решения широкого спектра задач и прогнозирование лишь одна из их возможностей. НС используют для прогноза финансовой неустойчивости такие корпорации, как General Electric, American Airlines, Coca Cola, Procter&Gamble и другие.
Цель данной выпускной квалификационной работы бакалавра: составление нейронной сети для прогнозирования банкротства, в основе которой лежит математическая модель предсказания банкротства, разработанная для реалий России.
Объектом исследования является институт финансовой неустойчивости (банкротства). Предмет исследования — нейросетевой метод предсказания финансовой неустойчивости предприятия.
В данной работе нам предстоит решить такие проблемы как: выбор наилучшего статистического метода диагностики финансовой неустойчивости; сбор достаточного количества качественных данных (финансовой отчётности обанкротившихся и финансового устойчивых предприятий); разработка и обучение нейронной сети; тестирование нейронной сети; информационный анализ полученных результатов.
Структура работы выглядит следующим образом. После введения дан обзор литературы по изучаемой теме и сформулирована постановка задачи на естественном языке. В первой главе представлены необходимые теоретические выкладки по теме банкротства и существующих моделей (методов) его прогнозирования, сделан выбор статистической модели, показатели которой станут основой нейронной сети. Вторая глава посвящена подготовке данных, обучению и тестированию нейронной сети. В третьей главе представлены полученные результаты работы по решению задачи выпускной квалификационной работы. В разделе «Выводы» проводится анализ полученных результатов и оценка возможности улучшения разработанной сети. В заключении подведены итоги проведенной работы.
Купить