Методы прогнозирования банкротства и рейтинговой оценки финансово-экономического состояния предприятия

) анализ надежности предприятия с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде;

) анализ величины вероятности банкротства предприятия на основе многокритериальной оценки с построением нелинейной модели при помощи нейронных сетей.

Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов. Оно наиболее применимо в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена.

Следует подчеркнуть такую особенность применения нейросетевых экспертных систем: исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку. В частности, нейронные сети хорошо себя зарекомендовали в качестве основы для разработки экспертных систем в нечетких средах, в которых часто отсутствует явная функциональная зависимость между событиями, свойственная статистическим экспертным системам.

Нейронные сети при обучении генерируют нелинейные модели и имеют два типа выходных сигналов - дискретные и непрерывные.

Дискретные выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы. Условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самом неявном и неформализуемом виде.

Непрерывные выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения. С их помощью можно строить прогнозы и функциональные зависимости для различной информации, причем сразу по нескольким переменным (критериям оценки). В качестве исходной информации для прогноза может служить экономический временной ряд, и прогноз будет обоснованным, если информация позволит построить нелинейную модель.

Нейронные сети позволяют достичь значительно более хороших результатов, чем статистические методы традиционного регрессионного анализа, поскольку нейронная сеть строит неформальную модель процесса, которая не может быть выражена в виде некоего формального аппарата выделения статистических характеристик, применяемого в регрессионном анализе. Нейронная сеть учится выполнять преобразование на основе ряда предъявляемых примеров, при этом сложно проинтерпретировать ту «формальную модель», которая формируется в настраиваемых весовых коэффициентах нейронной сети после обучения.

Нейронная сеть представляет собой адаптивную систему, жизненный цикл которой состоит из двух независимых фаз - обучения и работы сети. Обучение считается законченным, когда сеть правильно выполняет преобразование на тестовых примерах и дальнейшее обучение не вызывает значительного изменения настраиваемых весовых коэффициентов. Далее сеть выполняет преобразование ранее неизвестных ей данных на основе сформированной ею в процессе обучения нелинейной модели процесса.