Ettevõtte finantsjuhtimise riskiennustuse empiiriline analüüs assotsiatiivse mälu närvivõrgu põhjal

Inimese ajulaadse arvutusmudelina, mis võib peegeldada aju kognitiivset funktsiooni, on assotsiatiivse mälu närvivõrkude dünaamilise analüüsi probleem pälvinud teadlaste tähelepanu. ) on artikkel ühendab assotsiatiivse mälu närvivõrgud ettevõtte finantsjuhtimise riskidega, uurib ühesuunaliste assotsiatiivse mälutaoliste inimaju amnestiliste närvivõrkude sünkroonimiskontrolli ja stabiilsusanalüüsi probleeme koos häirete ja segatud ajas muutuvate ajavahedega, pakub välja kahesuunalise assotsiatiivse mälu sarnase aju stohhastiline amnestiline närvivõrgu mudel segatud ajas muutuvate ajavahedega, kavandab mudeli põhjal diskreetse aja valimi juhtimise strateegia ja uurib erinevat tüüpi hiljutisi finantsriske. Tuginedes varajase hoiatamise uuringule, tuginedes assotsiatiivse mälu närvivõrgu meetodile, teeme ettepaneku rekonstrueerida riskikategooriad, sealhulgas täiustada ettevõtte riskijuhtimise süsteemi, tõsta teadlikkust finantsriskide juhtimisest ülalt alla ja tugevdada ettevõtte põhilist konkurentsivõimet. ettevõte ise ning rahastamis-, investeeringu-, tegevus- ja rahavooriskide kontrollimeetmed.

Aju kognitiivse funktsiooni ja mälu vahel on tihe seos. Suurepärane kognitiivne funktsioon aitab meil teavet paremini õppida, meeles pidada ja mõista.

Esiteks viitab kognitiivne funktsioon indiviidi võimele välist teavet tajuda, töödelda ja väljendada. See hõlmab selliseid valdkondi nagu tähelepanu juhtimine, vaimne paindlikkus, töömälu, keeleoskus ja täidesaatev funktsioon. Mälu on teabe hankimise, säilitamise ja kasutamise protsess teabe kodeerimise, salvestamise ja hankimise kaudu. Suurema kognitiivse funktsiooniga inimestel on paremad teabetöötlus- ja õppimisvõimed ning nad on paremini võimelised muutma teavet pikaajaliseks mäluks.

Teiseks on mälu ja kognitiivse funktsiooni vahel vastastikune edendamise suhe. Kognitiivse funktsiooni parandamine võib meie mälu tõhusalt parandada. Näiteks võib hea tähelepanu ja keskendumisvõime omamine aidata meil teavet paremini säilitada. Täiustusfunktsioonide täiustused aitavad meil teavet paremini kodeerida, salvestada ja hankida.

Lisaks ei soodusta kognitiivne funktsioon mitte ainult mälu, vaid hea mälu võib samuti aidata meil kognitiivset funktsiooni laiendada. Silmapaistva mäluvõimega inimesed saavad paremini omandada erinevaid oskusi, nagu keel, muusika ja sport, ning avaldada kognitiivsetes tegevustes suuremaid eeliseid.

Seetõttu peaksime olema täielikult teadlikud aju kognitiivse funktsiooni ja mälu tihedast seosest, teadlikult parandama kognitiivset funktsiooni, treenima aktiivselt mälu ning pöörama tähelepanu tunnetuse ja mälu vastasmõjule. Ainult nii saame oma kognitiivseid piire pidevalt laiendada ja isikliku arengu taset tõsta. On näha, et me peame oma mälu parandama. Tistanche võib oluliselt parandada mälu, sest lihapasta on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb erinevatest selles sisalduvatest toimeainetest, sealhulgas karboksüülhappest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad erinevate kanalite kaudu edendada aju tervist.

Klõpsake nuppu Tea 10 võimalust mälu parandamiseks

1. Sissejuhatus

Assotsiatiivne mälu närvivõrk jäljendab inimese aju neuronaalsete rakkude töömustrit; esiteks salvestatakse meelde jäetav muster närvivõrgu kaaluvõrgu kujul; Väljastpoolt mittetäieliku või defektse mustri teabe saamisel paneb närvivõrk sel ajal sisendmustri väärtust pidevalt muutma ja massilise paralleelarvutuse abil koonduma meeldejäetud mustrile. )närvivõrgul on hea tugev jõudlus, mis tähendab, et assotsiatiivse mälu närvivõrgul on hea tõrketaluvus. )e meeldejäävad mustrid salvestatakse esmalt närvivõrgu kaalude võrgu kujul.

Väljastpoolt mittetäielike või killustatud mustrite kohta teavet saades muudab närvivõrk seejärel pidevalt oma väärtusi ja konvergeerub massiivse paralleelarvutuse abil meeldejäänud mustritega. Assotsiatiivse mälu närvivõrke kasutatakse nüüd laialdaselt mustrituvastuses, pilditöötluses jne. Eneseassotsiatiivne mälu tähendab, et sisendi aberratsioonimustrid on võrdsed meeldejäävate mustritega; Vastupidiselt heteroassotsiatiivsele mälule ei ole sisendi aberratsioonimustrid samad, mis meeldejäänud mustrid, vaid näitavad vastavaid kaardistamissuhteid. Iseassotsiatiivne mälu viitab assotsiatiivse mälu rakendamisele, mille puhul algne sisendi muster on identne meeldejääva väljundmustriga. ) Iseassotsiatiivse mälu esimene samm on soovitud meeldejäetud mustri (nt sõna arvuti) talletamine kindlal kujul võrgu kaaludesse närvivõrgu õppimisalgoritmi kaudu [1]. )et, on võimalik sisestada muster vihjeteabega ja närvivõrk teeb õige väljundi andmiseks pidevaid iteratiivseid toiminguid. See vihjeteave ei ole täielik sõna, kuid sellel on mürarikas teave, kuid närvivõrk suudab siiski arvutada meelde jäänud sõnainfo hankimiseks; st sellel assotsiatiivse mälu närvivõrgul on teatud tõrketaluvus.

Tõrketaluvus on üks kriteeriumidest, mille alusel otsustatakse, kas assotsiatiivse mälu kasutamine on teostatav. )närvivõrgu mäluprotsess, st närvivõrgu kaalude seadmine, vajab päheõpitud mustrid tõlkimist iga neuroni olekuväärtuste kujule, kui närvivõrk on stabiilses olekus; see tähendab, et üldiselt võib närvivõrgu stabiilne punkt salvestada mustrit ja stabiilse punkti väärtuse määramine tuleb seada vastavalt vajalikele tingimustele, mida nõuab selles peatükis vastu võetud assotsiatiivse mälu närvivõrgu mudel. asendades mälumustri närvivõrgu diferentsiaalvõrrandite kogumiga, seejärel loetledes vastava ebavõrdsuse ülaltoodud vajalike tingimuste alusel ja seostades selle ebavõrdsuse diferentsiaalvõrrandite süsteemiga, mis on seotud konkreetse lahenduste komplekti lahendamiseks ja lõpuks sobivam kaal [2]. )protsess viiakse läbi ka spetsiaalsete treeningalgoritmide abil (nt võrgu enesetagasiside kaudu).

Kuna iseassotsiatiivse mälu sisend- ja väljundmustrid on identsed, mis tähendab, et mõlemal on sama dimensioon, on see iseassotsiatiivse mälu tunnusjoon.

Turumajanduse tingimustes peavad ettevõtted olema teadlikud finantsriskide objektiivsusest ning praegu on ettevõtetel üldiselt nõrk finantsriskide teadvustamine, pimedate vahendite kaasamine, ettevaatamatu investeerimine, ebapiisav finantsriskide juhtimise süsteem ja riigi- omanduses olevad ettevõtted, millel on nõrgad kohad, nagu ebatäiuslik finantsriskide hindamise mehhanism ja riskikontrollimeetmete puudumine. ) on ettevõtte finantsriskide tunnuste uurimine ning teatud meetmete rakendamine nende ennetamiseks ja maandamiseks muutunud meie ees seisvaks oluliseks teemaks. Kuigi erinevate tööstusharude kiire areng toob kaasa ka palju riske, satub see tööstus sageli finantskriisi ja viib lõpuks isegi ettevõtete pankrotti [3]. )stabiilsuspunkti väärtuse määramine seatakse vastavalt vajalikele tingimustele, mida nõuab selles peatükis kasutusele võetud assotsiatiivse mälu närvivõrgu mudel, üldiselt asendades mälumudeli närvivõrgu diferentsiaalvõrrandite kogumiga ja seejärel loetledes vastavad võrratused. vastavalt ülaltoodud vajalikele tingimustele. Seejärel kombineeritakse ebavõrdsus diferentsiaalvõrrandite komplektiga, et lahendada rida konkreetseid lahendusi ja lõpuks määrata sobivam kaaluväärtus. ) Seetõttu on ettevõtete finantsriskide juhtimine väga oluline ja võib määrata, kas ettevõte suudab kiiresti ja usaldusväärselt areneda.

Viimastel aastatel on teadlased suurendanud ka ettevõtete finantsriskide juhtimise uurimist, kuid süsteemset teoreetilist süsteemi ettevõtete finantsriskide uurimiseks pole veel välja kujunenud. Lisaks on olemasolevate uuringute fookuses ettevõtete finantsriskide analüüsimine ja finantsriskide ohjamise arvamuste esitamine ning suhteliselt vähe on uuringuid, mis analüüsiksid ettevõtete finantsriskide juhtimise samme ehk identifitseerimist, hindamist ja kontrolli vahendeid. finantsriskidest, põhjalikult. Assotsiatiivse mälu närvivõrgule tuginedes ühendab käesolev artikkel ettevõtte finantsriskide kontrolli käsitleva teoreetilise kirjanduse Storm Groupi finantsriskide kontrolli konkreetse juhtumiga ning uurib finantsriskide ja ettevõtete kontrolli tuvastamist, analüüsi ja hindamist, lootes etendavad täiendavat kontrollivat rolli praegustele ettevõtete finantsriskide ohjamise teoreetilisele uuringule.

2. Uurimistöö staatus

Kunstnärvivõrke on viimastel aastakümnetel intensiivselt uuritud, kuna need on laialdaselt kasutusel paljudes valdkondades, nagu mustrituvastus, assotsiatiivne mälu, signaalitöötlus ja optimeerimine. Mõned rakendused, näiteks optimeerimisteooria rakendused, nõuavad, et närvivõrkudel oleks ainult üks stabiilne punkt. Mõned muud rakendused, nagu assotsiatiivne mälu ja mustrituvastus, nõuavad aga mitme stabiilse tasakaalu olemasolu närvivõrgus endas.

Kirjanduses on uuritud kahe korduva närvivõrgu multistabiilsust, millel on faasitasandi päritolu sümmeetrilised aktiveerimisfunktsioonid [4]. Kirjanduses käsitletakse piiramatu ajas muutuva ajavahega närvivõrkude mitmekordset μ-stabiilsust [5]. Kirjanduses käsitletakse mittemonotoonsete aktiveerimisfunktsioonide ja piiramatute ajas muutuvate viivitustega korduvate närvivõrkude multistabiilsust [6]. Kirjanduses [7] käsitletakse murdosa järku närvivõrkude multistabiilsust Mittag-Leffleri tähenduses segmentkonstantsete parameetritega. )Stohhastiliste ajavahedega Hopfieldi närvivõrkude klassi multistabiilsust uuriti kirjanduses [8], rakendades Schauderi liikumatuspunkti printsiipi ja sellega seotud stohhastilise ajavahe teooriat, kus teatud tingimustel ja juures on olemas 2n ristkülikukujulist invariantset hulga piirkonda. vähemalt ühel neist piirkondadest on tasakaalupunkt ja pakkudes välja kaks piisavat tingimust, et tagada nende tasakaalupunktide stabiilsus.

Kirjanduses on välja pakutud uus tingimus, mis on Lipschitzi kontiinumi tingimusega võrreldes kompleksväärtuslike aktiveerimisfunktsioonide puhul vähem piirav [9], ja esitatakse rida kriteeriume, mis tagavad globaalsete asümptootiliste stabiliseerimispunktide olemasolu, unikaalsuse ja arvulised näited. kompleksväärtusega korduvad närvivõrgud. Kirjanduses [10] analüüsitakse ajas muutuvate viivitustega korduvate närvivõrkude stabiilsust FTM-i (Flexible Edge Method) abil ning pakutakse välja mitmeid uusi stabiilsuskriteeriume selle närvivõrgu stabiilsuse kirjeldamiseks uut tüüpi võrgu konstrueerimise teel. Ljapunovi funktsioon. Kirjanduses [11] on pakutud välja uudne CVHAM-ide (kompleksväärtusega mitme olekuga Hopfieldi assotsiatiivne mälu) disainiidee, et analüüsida CVHAM-süsteemide stabiilsust, kasutades energiafunktsiooni meetodit ja lõpuks jõuda selleni, et võrk suudab koonduda liikumatusse punkti. suvaline sisendväärtus ja käsitletakse GPR (generalized projection rule) projektsioonigeomeetriat.

Kirjanduse andmetel [12],Interneti-ettevõtetel on sellised finantsomadused nagu "voomajanduse" mudelil, varade-kergete toimimismudelitel, kulu-kergetel ja kulukuludel, toodete kiire asendamisel ja omakapitali finantseerimisel. ) Interneti-ettevõtete finantsriskil on nii üldettevõtete tunnused kui ka eriomadused. Võrreldes tavaettevõtetega on Interneti-ettevõtete kapitalipuuduse risk kõige olulisem. Kirjanduses [13] tutvustati EVA hindamismudelit, et uurida seost finantsriski ja Interneti-ettevõtete ettevõtte väärtuse vahel, kasutati juhtumiettevõtte NetEase ettevõtte väärtuse hindamiseks EVA mudelit ja traditsioonilist hindamismudelit ning jõuti järeldusele, et EVA hindamismudel on täpsem. Kirjanduses [14] väidetakse, et Interneti-ettevõtetel on peamiselt riskid kasumlikkuse mudeli, rahavoo, rahastamise, investeeringute ja valitsuse regulatsiooniga. Samuti soovitati Interneti-ettevõtetel luua usaldusväärne finantsriskide varajase hoiatamise mehhanism, luua professionaalne auditeerimisasutus ja auditisüsteem, tugevdada kõikehõlmavat eelarvetööd, parandada saadaolevate arvete kontrollimehhanismi ning tugevdada rahastamis- ja investeerimisriskide juhtimist. Kirjanduses [15] väidetakse, et varade kasumlikkuse tagamine ja ootamatute kahjude vältimiseks kavandatud kontrollimeetmed saavutatakse riskijuhtimise kaudu. Kirjanduses [16] väidetakse, et ettevõtted peaksid äriotsuste tegemisel kõigepealt looma usaldusväärse sisekontrollisüsteemi, mis teatud määral hoiab ära finantsriskide kandmise ja tegevusraskuste tekitamise tegevuse rahastamisel. Kirjandus [17] uurib riski päritolu ja finantsriskide uurimise mehhanismi ning riskide sihipärasemat tuvastamist, hindamist ja kontrolli, kõrvaldades varjatud finantsriskifaktorid.

3. Assotsiatiivsetel mälunärvivõrkudel põhinev ettevõtte finantsjuhtimise riskimudel

3.1. Assotsiatiivse mälu närvivõrgu mudel. ) Praeguse korduva närvivõrgu koolitusalgoritmi põhisammud on esmalt äratuntavate näidiste eeltöötlemine, et saada numbrilised tunnusvektorid, sisestada need vektorid järjestikku võrku ja seejärel võrrelda võrgu väljundit jooksva väljundiga erinevuse järgi. ja kasutage seda erinevust negatiivse tagasisidena võrgu kaalude korrigeerimiseks. ) Selle algoritmi eeliseks on see, et seda on lihtne kasutada ja koolitusprotsess on järelevalveta õppimine, samas kui puuduseks on ka see, et iga kord, kui uus näidismuster meelde tuleb, tuleb seda uuesti koolitada, mis võib kulutada rohkem aega. suuremate võrgumõõtmete korral. )Närvivõrgu mudel on üles ehitatud selle neuronite kaalu kohandamisega pärast andmete saamist ning mudeli sisendmuutujad võivad muutuda vastavalt tegelikele vajadustele, nagu turutegurid ja finantsnäitajad. )Närvivõrgu mudelit saab automaatselt koolitada filtreerima parimaid muutujaid ja kohandama kaalusid vastavalt nende kaudsetele seostele, et luua mittelineaarne mudel ja parandada mudeli täpsust. )treeningmeetodit kasutatakse võrgukaalude korrigeerimiseks, söötes pidevalt sisse treeningnäidiseid, nii et meeldejäävad näidismustrid põimitakse võrgukaaludesse; st võrk "mäletab" näidiseid. Kaalude otseseks lahendamiseks on võimalik kasutada algebralisi meetodeid, kuna võrgus on palju atraktoreid ja see suudab meeles pidada suure hulga valimeid, kasutades valimeid sisendina, eeldades, et väljundiks on soovitud väljund, mis esindab mõlemat vektoreid ja asendades need süsteemi diferentsiaalvõrranditega, kasutades lineaaralgebra teadmisi kaalude võrgu lahendamiseks, seejärel kasutades sisendiks muid valimeid ja lõpuks lahendades vastava arvu analüütilisi lahendusi. Nende analüütiliste lahenduste ristumiskoht on kaalude võrgustik, mis tuleb määrata, kui need lahendused ei ristu. )et, tähendab see, et võrgu mälumaht ei ole piisav ja piisava mälumahu tagamiseks tuleb uus mudel ümber kujundada [18]. Järgmisena tuuakse assotsiatiivse mälu kujunduse näide, nagu on näidatud joonisel 1 assotsiatiivse mälu protsessi näite jaoks.

kus x∗ i xi∗ on süsteemi stabiilne tasakaalupunkt, mille sisendiks on i-s valimite hulk, ja see väärtus valitakse vastavalt tingimustele, nagu aktiveerimisfunktsiooni vorm. Selle võrrandi lahenduse saamiseks piisav tingimus on see, et närvivõrgu stabiilsete tasakaalupunktide arv on suurem või võrdne väitega meelde jäetavate valimite arvuga; see tähendab, et atraktorite arv peaks olema piisavalt suur, et oleks võimalik meeles pidada piisavat arvu mustreid. )e võrrandit saab lahendada ainsusväärtuse dekomponeerimisega, võrrandi lahend on ühtlasi ka võrgu ühenduskaalude vektor ning need kaalud viitavad infole meeldejäävate mustrite kohta. ) Ülaltoodud vorm on üldiselt iseassotsieeruv mälu kaalulahendusprotsess, mida saab konkreetselt rakendada märgituvastuse, näotuvastuse jne valdkondades). Korduva närvivõrgu kujunduse ja kaalulahenduse protsessi illustreerimiseks tuuakse näiteid. -põhised heteroassotsiatiivsed mälurakendused. Traditsioonilised märgituvastusalgoritmid hõlmavad mallide sobitamist ja OCR-i [19]. Tasakaalustamata näidisandmete puhul võite alustada alla- ja ülesdiskreetimise meetoditega. )e alladiskreetimismeetod, mida tuntakse ka juhusliku allavõtu meetodina, viitab kõige kategooriatega andmeklassi juhuslikule eemaldamisele valimimeetodi abil. ) Eeliseks on see, et diskreetimismeetod võib mudeli täpsust parandada, kui kustutatud proovid sisaldavad mürarikkaid andmeid, ja puuduseks on see, et mõned olulised proovid võidakse kustutada. Ülesamplimise meetod viitab väikese valimi andmete osa sünteesimisele algoritmi abil. Võrreldes nende märgituvastusalgoritmidega iseloomustab ülalmainitud korduvat närvivõrgupõhist assotsiatiivset mälu madalad projekteerimiskulud, lihtne töötlemisloogika, kiire võrgu konvergents, väiksem sõltuvus välistingimustest ja lihtne praktiline rakendamine. ) Kõige olulisem on see, et sellel assotsiatiivsel mälusüsteemil on hea veataluvus; kõrge tõrketaluvus tähendab, et kui proovis on rohkem müra või häireid, suudab see ka sihtmustri õigesti tuvastada, nii et kui seda assotsiatiivset mälumeetodit rakendatakse kujutise tuvastamisel, kuigi praegune rakendus on lihtne ja idee elementaarsem, peale väikest arendust usun, et sellest on kasu. )Assotsiatiivse mälu jaoks korduvate närvivõrkude kavandamise etapid on kokku võetud järgmiselt.

(1) Määrake kasutatava närvivõrgu mudeli karakteristikud

(2) Teisendage meeldejäävad mustrid vektoriteks süsteemi sisenditena ja väljundid, mis tuleb süsteemi võrranditesse asendada

(3) ) võrrandisüsteemi lahend saadakse tasakaalupunkti koordinaatide sobiva valiku ja singulaarväärtuse dekomponeerimisega

(4) Salvestage võrrandisüsteemi lahendid närvivõrgu kaaludena

(5) Ehitada assotsiatiivse mälu närvivõrgu süsteem ja teha tuvastusteste.

Assotsiatiivne mälupõhine ümberkonfigureeritav amnestiline võrguahel koosneb neljast osast: assotsiatiivne mälupõhine amnestiline võrguahel, sisendbinaarsignaalidega PRMC, sünaptilise vooluahela plokk ja juhtimisahel. Assotsiatiivses mälupõhises amnestilise võrgu ahelas näitavad sünaptilised kaalud sünaptiliste ühenduste tugevust ja seega ainult positiivseid kaalusid. Sisendbinaarsignaali PRMC-d saab vastava funktsiooni saavutamiseks treenida ainult algoritmiga, seega peab sünaptiline ahel esindama negatiivseid, null- ja positiivseid kaalusid. Assotsiatiivse mälupõhise ümberkonfigureeritava memeetilise närvivõrgu ahelas kasutab sisendbinaarsignaalidega PRMC ja assotsiatiivse mälupõhise memeetilise närvivõrgu vooluring sama sünaptilist vooluringi ning assotsiatiivse mälupõhise memeetilise närvivõrgu ahela sünaptiline skeem on piiratud muutumisega. positiivsete kaalude piires juhtahela abil [20]. Sünaptiliste ahelate ploki sünaptilised ahelad on jagatud ja neid sünaptilisi ahelaid saab kasutada nii sisendbinaarsignaalidega PRMC-de kui ka assotsiatiivse mälupõhiste memeetilise närvivõrgu ahelate ehitamiseks. Nagu on näha jooniselt 2, töötavad kaks alamvõrku iseseisvalt, nii et nad saavad töötada paralleelselt.

Assotsiatiivses mälus õppimist ja unustamist simuleerides saab assotsiatiivsel mälul põhinev ümberkonfigureeritav memristori närvivõrgu ahel dünaamiliselt muuta ahela struktuuri, et saavutada ümberseadistus, mis vastab järgmisele protsessile: kui tingimusteta stiimulisignaal ja konditsioneeritud stiimuli signaal sisestatakse samaaegselt assotsiatiivsel mälul põhinev memristori närvivõrgu ahel, indutseeritakse nende kahe vahel assotsiatiivne õppimine, nii et konditsioneeritud stiimulile vastav sünaptiline kaal suureneb järk-järgult. Kui pärast õppeprotsessi lõppu säilitatakse konditsioneeritud stiimulisignaal, kutsutakse esile unustamisprotsess. Unustamise ajal väheneb konditsioneeritud stiimulile vastav sünaptiline kaal järk-järgult, kuni see ei suuda vastavat neuroniahelat aktiveerida. Pärast unustamisprotsessi lõppu assotsiatiivse mälupõhise amnestilise võrgu ahelad ei aktiveeru olenemata sellest, kas konditsioneeritud stiimulisignaal on sisend [21]. Seejärel saab konditsioneeritud stiimulile vastavad sünaptilised ahelad neuronaalsetest ahelatest lahti ühendada ja need sünaptilised ahelad sisestada sünaptilise ahela plokki. )e sünaptiliste ahelate plokis olevaid sünaptilisi ahelaid saab kasutada kas PRMC või assotsiatiivse mälupõhise amnestiliste võrguahelate koostamiseks sisendbinaarsignaalidega. Sel viisil saavutatakse ahela ümberkonfigureerimine.

4. Assotsiatiivse mälu närvivõrgupõhine riskiennustusmudel ettevõtte finantsjuhtimiseks

Finantsrisk on teatud tüüpi äririsk, mis esineb sellistes finantstegevustes nagu raha kogumine, investeerimine, kulutamine, tagasinõudmine ja jaotamine sotsiaalse taastootmise protsessis. Ja risk on ootuste kõrvalekaldumine tegelikkusest. ) Eristatakse finantsriski kitsamas ja laiemas tähenduses. Finantsrisk kitsamas tähenduses tähendab finantsriski, mis tuleneb võlatehingust ettevõtte jaoks raha hankimise protsessis. Finantsrisk laiemas tähenduses tähendab ebakindlust oodatavate finantstulemuste saavutamisel ettevõtte finantstegevuse läbiviimise protsessis. ) Seetõttu eksisteerib finantsrisk igas ettevõttes ja ettevõtte äritegevuses ning sellel on oluline mõju ettevõtte kasumi ja kahjumi olukorrale ja äritingimustele. Finantsriskide juhtimine on riskide ennetamine, kontroll ja juhtimine ettevõtte finantsjuhtimises ning on ka osa terviklikust ettevõtte riskijuhtimisest [22]. Sisediagnostika on viis, kuidas ettevõte ise saab läbi eneseanalüüsi välja selgitada erinevad probleemid äriprotsessis ja lõpuks need sihipäraselt lahendada. Väline diagnostika tähendab, et ettevõte palkab ettevõtte finantstegevuse analüüsimiseks välise kolmanda osapoole organisatsiooni. Uue juhtimisteaduse teooriana on see juhtimisteooria, mis on peamiselt teadlaste poolt välja töötatud vastavalt varasemale riskijuhtimise ja finantsjuhtimise kogemusele igasuguste ettevõtete tegevuses esinevate riskide jaoks. Finantsriskide juhtimine hõlmab riskide tuvastamist, hindamist, põhjuste analüüsi ja ettevõtte erinevate finantstegevuste kontrollimist. Ettevõtte normaalse toimimise ja kapitali liikumise tagamiseks ning negatiivse mõju vältimiseks ettevõtte majanduslikele huvidele hõlmab finantsriskide maandamise juhtimisprotsess riskide tuvastamist, hindamist, põhjuste analüüsi ja ettevõtte erinevate finantstegevuste kontrolli, ning õigeaegsed ja tõhusad ennetus- ja kontrollimeetmed, mis põhinevad tema varajase hoiatamise rollil.

) Kõige sagedamini kasutatavad finantsriskide hindamise meetodid hõlmavad hierarhilist analüüsi, efektiivsusteguri meetodit ja faktoranalüüsi. ) Faktoranalüüsi põhiprintsiip on rühmitada olulise tähtsusega näitajad ühte kategooriasse ja asendada iga kategooria teguriga, asendades nii kõik algsed näitajad mõne faktoriga.

Käesolevas töös viiakse ettevõtte finantsjuhtimise riskide prognoosimise analüüs läbi, kombineerides assotsiatiivse mälu närvivõrgu mudelit faktoranalüüsiga. Faktoranalüüs valitakse järgmistel põhjustel: esiteks saab faktoranalüüsiga vähendada algsete muutujate hulka, eraldades ja nimetades põhilised tegurid valdava enamuse algse teabe asemel; teiseks saab valimit järjestada ja võrrelda. Iga põhiteguri hinde ja koondskoori järgi saab järjestada valimi, mis mitte ainult ei näita üksikute tegurite pingerida ja selgitab, millised tegurid mõjutavad ettevõtte finantsolukorda rohkem, vaid analüüsib ka igakülgset pingerida. tegurid pärast kaalumist, mis on ettevõttele kasulik, et selgitada välja oma tugevad ja nõrgad küljed [23].

(6) Assotsiatiivne mälu närvivõrk ehitatakse otsustuspuu mudeli alusel, kasutades histogrammi algoritmi, mis muudab andmete eraldamise lihtsamaks. Erinevus varasematest otsustuspuu mudelitest seisneb selles, et assotsiatiivne mälu närvivõrk on orienteeritud vertikaalselt, st genereerib otsustuspuu lehti, samas kui teised otsustuspuu mudelid genereerivad puu tasemeid, seega töötab assotsiatiivse mälu Emory ral network algoritm. kiiremini ja salvestab vähem andmeid. Selle peamine omadus on läbida kogu treeningkomplekt ja muuta atribuudid ujukoma pidevate muutujate jaoks diskreetseks; need k diskreetsed andmed konstrueeritakse histogrammiks, mille laius on k. ) arvutatakse iga histogrammi sees koondunud diskreetsete väärtuste arv. Kuna finantsriskil on palju komponente, moodustavad erinevad tegurid ja finantsnäitajad üksteisega keeruka suhte. Selles artiklis eraldatakse asjakohased näitajad, tegurid eraldatakse olulisuse testiga ja mudeli ehitamiseks sobivad tegurid saadakse sfäärilisuse testi, põhikomponendi ekstraheerimise ja muude etappide abil.

Saadud tegurite põhjal kasutatakse finantsvarajase hoiatuse modelleerimiseks astmelise regressiooni logistilist mudelit. ) Modelleerimisprotsessis analüüsitakse järk-järgult riskikoosseisu tegureid, kasutades mudeli eeliseid, et luua intuitiivsem alus juhtide tulevastele otsustusprotsessidele. )valitud varajase hoiatamise indikaatorid peaksid olema kõikehõlmavad; st indikaatorid tuleks valida traditsiooniliste maksevõime, kasumlikkuse, arendusvõime ja tegevusvõime aspektide hulgast ning näitajad tuleks valida teadus- ja arendusvõimekuse aspektide hulgast, mis kajastavad valdkonna iseärasusi, muutes indikaatorite hulga valitud sideseadmete tootmisharu terviklikum. )ettevõte investeerib kapitali toodete tootmisse ning saab kapitali ja kasumi tagasi toodete müügi kaudu. Laovarude käivet saab kasvatada vaid siis, kui müük on edukas ja laoseisud tühjendatakse kiiresti, seega näitab varude käive seda, kui kiiresti on võimalik kauba müügist raha tagasi saada. Üldiselt saab ettevõte oma likviidsust parandada varude käivet suurendades. )e varude käibekordaja näitab varude taset, käibevara käibekordaja aga käibevara käibekiirust, mis on ettevõtte kõigist varadest kõige likviidsem. Käibevara käibe madalam tase võib ettevõtte lühiajalisele tagasimaksevõimele rohkem mõju avaldada. ) Mida kõrgem on käibevara käibekordaja, seda väiksem on suhteline finantslikviidsusrisk. Aeglane käibetempo nõuab käibes osalemiseks täiendavat likviidsust, mis tekitab raha raiskamist ja vähendab ettevõtte kasumlikkust. Lähtudes ülaltoodud teooriast, saab järgnevas klassifikatsioonis optimaalse lõikepunkti leida ainult histogrammi laiuse järgi. )Histogrammi algoritmi idee kajastub peamiselt ujukomaandmete binaarandmeteks teisendamises ning spetsiifiline toiming on määrata igas tunnuses sisalduvate ämbrite arv, värskendada iga ämbri andmeid pärast võrdset jagamist eraldi ning asendada ettevõtte finantsjuhtimise riskide prognoosimise funktsioonid assotsiatiivse mälu närvivõrgu mudeliga, mis on kujutatud graafiliselt, nagu on näidatud joonisel 3.

3. Võrreldes teiste otsustuspuu algoritmidele üles ehitatud mudelitega on assotsiatiivse mälu närvivõrgud kiiremad peamiselt jooksukiiruse poolest, samas kulutavad vähem mälu ning täpsust ei kahjustata, kombineerides suurepäraselt nii kala kui ka karukäpa. Sooviga minna järgmisele tasemele saab mudelit optimeerida kahel järgmisel viisil: jooksukiiruse kiirendamiseks saab originaali lihtsalt töödelda; funktsioonide ja andmete arvu vähendamine, funktsioonimuutujate teisendamine kategooria tunnusteks või andmefailide salvestamine binaarfailidena, mudeli treeningmeetodi muutmine paralleelseks võib samuti kiirendada mudeli jooksukiirust; mudeli täpsuse parandamiseks ja mudeli õppimiskiiruse vähendamiseks, alustades mudelist, mudeli parameetrite võrguhäälestusest, parima parameetrite kombinatsiooni valimisest, mudeli õppimisaegade suurendamisest ja mudeli seadustest paremini aru saamisest. andmete vahel võib parandada mudeli täpsust. Alustades andmetest, treeningandmete arvu suurendamine ja andmete eeltöötlemine, et lahendada puuduolevad väärtused ja algandmete tasakaalustamatus, võib ka mudelit paremini treenida ja mudeli jõudlust parandada.

4.1. Eksperimentaalne kontrollimine ja järeldused

) Koolitatakse CART-i otsustuspuu mudelit koos eel- ja järellõikuse kujundusega ning otsustuspuu graafik ja muutuva tähtsuse graafik genereeritakse pärast mudelikoolitust, et paremini tõlgendada CART-i otsustuspuu mudeli diskrimineerivaid tulemusi. Esiteks konstrueeritakse ettevõtte üldise finantsriskide hindamise mudeli diskrimineerivad tulemused ja reeglistik. Kuna ettevõtte üldises finantsriskide hinnangus on hindamistunnuste väärtusi liiga palju, võtab muutuva tähtsuse graafik ettevõtte üldises finantsriskide hinnangus 5 kõige olulisemat olulisuse muutujat ja ettevõtte üldine finantsriskide hindamise mudel genereerib. muutuva tähtsuse graafik, nagu on näidatud joonisel 4.

Nagu on näha jooniselt 4, on CART-otsuste puu mudeli 18 tunnuse hulgas "teenitud intressi mitmekordne", "varade kogutulu", "käive debitoorselt", "varade kogukäive" ja "netovara kaalutud tootlus". " oli tähtsuselt esiviisikus, kusjuures kõige olulisem näitaja on "teenitud intressid mitmekordselt" tähtsusega üle 0,5. Tegevusvõime peegeldab ettevõtte kapitalioperatsiooni tõhusust ja tulemuslikkust erinevate varadega ning erinevat tüüpi varade käibeefektiivsust kasutatakse tavaliselt ettevõtte tegevustaseme määramiseks.is näitab, et ettevõtted peaksid keskenduma "teenitud intressi mitmekordsele summale", kui üldise finantsriski hindamine ning viie parima tähtsuse hindepunktide summa ületab 90%; Seetõttu viitab see ka sellele, et börsiettevõtted peaksid ettevõtete üldise finantsriski hindamisel keskenduma nendele viiele indeksi tunnusele. )Otsuste puu mudeli abil genereeritud reeglistiku tõlgendamine annab börsiettevõttele kvantitatiivse tõendusmaterjali ettevõtte üldise finantsriski hindamiseks, mis aitab börsiettevõttel mõõta, kas tal on üldine finantsrisk.

) 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, ettevõttel finantsriski ei ole. )Otsuste puu mudeli abil genereeritud reeglistiku tõlgendamine annab börsiettevõttele kvantitatiivseid tõendeid ettevõtte äririski taseme hindamiseks, mis aitab börsiettevõttel mõõta, kas tal on äririsk.

)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, ettevõte ei ole ohus. )Otsuste puu mudeli abil genereeritud reeglistiku tõlgendamine annab börsiettevõttele kvantitatiivseid tõendeid ettevõtte rahastamisriski taseme hindamiseks, mis aitab börsiettevõttel mõõta, kas tal on rahastamisriski.

Jooniselt 7 on näha, et selle töö assotsiatiivse mälu närvivõrgul põhinev mudel saavutab treeningkomplekti diskrimineeriva mõju 83% täpsuse ja valideerimiskomplekti 76% täpsuse, mis on parem tulemus. Samal ajal ühendas käesolev artikkel GBDT mudeli kombineeritud prognoosi logistilise regressioonimudeliga ning ennustustulemused näitasid, et kombineeritud mudel parandas treeningkomplekti ennustustäpsust 91% ja valideerimiskomplekti 78% võrra. nii täpsuse kui ka stabiilsuse osas; kombineeritud mudeli hoiatusefekt on üksikmudeliga võrreldes olulisem, seega tõestab see kombineeritud mudeli teostatavust. Võrreldes üksikmudeli logistilise regressioonimudeliga on assotsiatiivse mälu närvivõrgu mudeli regressiooni finantsriski hoiatusmudeli ROC kõver lähemal ülemisele vasakpoolsele teljele ja selle AUC väärtus on 0,79, mis on oluliselt kõrgem kui logistilise regressiooni mudeli AUC väärtus 0,60. ) Assotsiatiivse mälu närvivõrgu finantsriski hoiatusmudeli eeliseid saab näha otse ROC kõveralt ja AUC väärtuselt. Eksperimendist võib järeldada, et GBDT funktsioonide kombinatsiooni jaoks suudab paremini kaevandada börsiettevõtete finantsandmetes olevat teavet ning logistiline mudel on kiire töötlemiskiirusega, mis võib lahendada aeglase töötlemiskiiruse probleemi, mida GBDT ei saa töödelda. paralleelselt ning GBDT ja logistilise mudeliga sulandatud mudelit saab efektiivselt kasutada börsiettevõtete finantsriskide varajase hoiatamise valdkonnas modelleerimiseks.

E-õppe määr on kiirus, millega sisendmuutujaid treeningu ajal igal iteratsioonil värskendatakse ja see määrab, kui kaugele peavad raskused liikuma gradiendi suunas väikese partiina, läbi paljude iteratsioonide, liikudes lõpuks positsioonile. mis vastab võrgu treeningu täpsusele. ) Näidisandmestiku funktsioonide õppimise protsess assotsiatiivse mälu närvivõrgu abil on pidev edasiliikumise protsess. Madalam õppimismäär muudab koolitusprotsessi usaldusväärsemaks, kuid optimeerimine võtab kauem aega. Teisest küljest põhjustab kõrgem õppimismäär treeningute mittekonvergentsi ja võib põhjustada väga suuri kaalumuutusi, muutes kaotusfunktsiooni väga halvaks. Maatriksi korrutamise kiiruse optimeerimine ja mälukasutuse parandamine on saavutatav, suurendades teatud piirkonna partiide arvu, mis vähendab kogu andmestiku koolituse lõpuleviimiseks vajalike värskenduste arvu ja kiirendab mõnevõrra sama andmete töötlemise protsessi. mahutavus. Stohhastilise gradiendi laskumine värskendab korraga ainult ühte näidise e-teavet, mis kiirendab treeningut, kuid kuna korraga kasutatakse ainult ühte näidist, ei esinda see kogu treeningvalimi, mistõttu on treeningtulemuste ühtlustamine mõnega keerulisem. minimaalne väärtus. Ettevõte peab jätkusuutliku arengu saavutamiseks pöörama suurt tähelepanu oma teadus- ja arendustegevuse ning innovatsioonivõimekusele. Ainult pideva innovatsiooni ja pidevate leiutiste kaudu saab ettevõte konkurentsieelise. Süvaõppe arendamisega näidati, et koolitustulemusi saab õppekiirust aeglaselt alandades konverteerida kohalikuks miinimumiks. Pärast parameetrite mitmekordset korrigeerimist saadi lõpuks oodatud treeningtulemused ning mudeli keskmine absoluutviga treeningu ajal proovidel lõpuks ühtlustus. )e näidisandmestiku kadukõverad on näidatud joonisel 8.)e sinine joon joonisel kujutab treeningkomplekti kadukõverat ja oranž joon kujutab testikomplekti kadukõverat; horisontaalteljel on kujutatud valimite iteratsioonide arvu koolitusprotsessis ja vertikaalteljel keskmise vea väärtuse muutust koolitusprotsessi jooksul.

Vastavalt käesolevas töös seatud parameetritele saab Spyderi aken kuvada treening- ja testnäidiste kadusid igas iteratsioonis ning arvutada mudeli ruutkeskmise vea treeningu lõpus. Treeningprotsessi ajal, mida rohkem iteratsioone, seda väiksem on diskreetimisviga, kusjuures kohalikud kõikumised on väikeses vahemikus. Treeningu alguses langeb viga kiiresti ja treeningintervallil 10 kuni 50 iteratsiooni väheneb viga kiire kiirusega, mis näitab, et mudelit peenhäälestatakse kohapeal, Alates 100 treeningiteratsioonist alates langeb õrnemalt, mis näitab, et mudel on lähenenud optimaalsele protsessile. )treeningvalimi kadukõvera trend ja testvalimi kadumuutus on integreeritud ning treeningvalimi viga koondub lõpuks parema sobivusega; testvalimi viga läheneb lokaalsele miinimumile ja selle sobivus ei ole nii hea kui treeningvalimi oma, kuid gradiendi laskumise efekt optimeerimiseks on ilmne ega mõjuta kogu mudeli jõudlust.

Assotsiatiivse mälu närvivõrgu mudeli põhjal luuakse ettevõtte riskiomaduste ja selle tekkepõhjuste kombineerimisel varajase hoiatamise indikaatorite süsteem, mis suudab kajastada börsil noteeritud põllumajandusettevõtete riskiomadusi: see sisaldab finants- ja mitterahalisi näitajaid, mis hõlmavad maksevõimet. , töövõime, arendusvõime, kasumlikkus ja muud suutlikkuse näitajad. Mudeli konvergentsi kiiruse ja stabiilsuse parandamiseks kasutatakse SPSS tarkvara abil esmaste valitud näitajate andmetel faktoranalüüsi ning mudeli sisendkihi andmetena arvutatakse valimite faktorskoorid. Sel viisil määratakse edasi finantskriisi mudeli täpsus ja valitakse osa valimist mudeli testimiseks. Lõpuks rakendatakse mudelit tegelikule ettevõttele, et tuvastada selle probleemid ja optimeerida neid, et vähendada finantskriisi võimalust.

5. Järeldus

Assotsiatiivse mälu närvivõrgu mudelid koostatakse üldiselt kõnealuse valdkonna omaduste andmete põhjal, et teha ennustusi nõudluspunktide erinevate aspektide kohta. Assotsiatiivse mälu närvivõrgu mudeli ennustused ei piirdu mitte ainult igapäevaelu eelistuste, toidu, riietuse, eluaseme jmsga, vaid on nüüdseks peaaegu levinud ka finantssektori arengusse, finantsprognoosidesse jne. Käesolevas artiklis analüüsitakse järgnevat arenguvõimet Seoses ettevõtte valdkonna iseärasuste ja konkurentsimaastikuga leitakse, et mudel suudab varajase hoiatamise indikaatorite kaudu hästi kajastada ettevõtte olukorda ja anda võrdlusaluse ettevõtte edasiseks arenguks. Kui võtta kasutusele ainult finantsnäitajate andmemudelisobitus, on see liiga ühene ega suuda rahanduse olukorda terviklikult hinnata. Uuringus leiti, et kõrge finantsriski kategooria valimite arv oli madala ja keskmise finantsriski kategooria valimitega võrreldes liiga väike ning kui valimiandmed pole tasakaalus, võib see kaasa tuua varajase hoiatuse. mudel ei õppinud koolituse ajal kõrge finantsriski kategooria valimite omadusi, mis lõpuks viis selle kategooria valimite madala ennustustäpsuseni.

Kuna sellised tegurid nagu ettevõtte koosseis ja omakapital võivad samuti rahandusele olulist mõju avaldada, lisatakse käesolevas artiklis mitterahalised näitajad, et parandada mudeli üldistavust ja täpsust. Tänapäeval on ettevõtted üha keerulisemas turukeskkonnas ja sotsiaalses tegevuses ning suurandmete simulatsioon, kvantifitseerides valdkonna ettevõtete vastavaid näitajaid, suudab kajastada valdkonna hetkeolukorda igakülgselt ja ulatuslikult ning valdkonnapõhiste näitajate mõistlik kaasamine parandada ka varajase hoiatamise mudeli tõhusust. Kombineerides ettevõtte näitajaid ja väljakujunenud varajase hoiatamise mudelit, kasutatakse mudeli abil tuvastatavaid põhikomponente, et analüüsida olukorda, milles ettevõtte riskid tekivad, esitades samal ajal arvamusi, mis sisaldavad ettevõtte B üksikasju. Selle finantsvarajase hoiatuse kasutamine mudeliga saab kohandada ettevõtte struktuuri, teha muutuva turu jaoks ette strateegilist planeerimist ja kriisiennetust, korraldada finantsvarajase hoiatamise talentide koolitusi, tugevdada finantsvarajase hoiatamise talentide vahelist suhtlust ja tagada mõistlik osalusstruktuur, et vältida ühe aktsia tekkimist. domineeriv; teiseks saab parandada finantssüsteemi infokonstruktsiooni ja luua selle alusel ettevõttele kohaldatava finantssüsteemi kogumi. Samas peaksime järgima turuvalikut ning mitmekesiste turgude areng võib tagada nende konkurentsi ja samal ajal keskenduda toodete kvaliteedile.

Viited

[1] MA Fern ´ Mendez-G´ Gamez, JAC Soria, JAC Santos ja ´ D. Alaminos, "Euroopa riigi heterogeensus finantsraskuste prognoosimisel: empiiriline analüüs makromajanduslike ja regulatiivsete teguritega", Economic Modelling, kd. 88, lk 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr ja M. El Bannany, "Multikihiline perceptron lähenemine finantsraskuste prognoosimisele geneetilise algoritmiga", Automatic Control and Computer Sciences, vol. 54, nr. 6, lk 475–482, 2020.

[3] X. Yan, W. Weihan ja M. Chang, "LSTM-i närvivõrgul põhinev finantsvarade tehingute prognoosimise mudel", Neural Computing and Applications, vol. 33, nr. 1, lk 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko ja H. Katagiri, "Jaapani ettevõtete pankrotiennustus, kasutades tugivektori masinat, tehisnärvivõrku ja mitme muutujaga diskriminantanalüüsi", International Journal of Industrial Engineering, vol. 1, ei. 1, lk 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu ja W. Ai, "Klassi tasakaalustamata dünaamiliste finantsraskuste ennustus põhineb adaboost-SVM ansamblil kombineerituna SMOTE ja aja kaalumisega", Information Fusion, vol. . 54, lk 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li ja K. Li, "T-SNE-SVM-il põhinev panga telemarketingi prognoosimudel", Journal of Service Science and Management, vol. 13, nr. 3, lk 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan ja O. Escobar, "Tehisintellekt ja ärimudelid säästva arengu eesmärkide perspektiivis: süstemaatiline kirjanduse ülevaade", Journal of Business Research, vol. 121, lk 283–314, 2020.

[8] PK Mitra ja C. Banga, "India ostukorvide toornaftahindade ennustamine masinõppemudelite võrdleva lähenemisviisi kaudu", International Journal of Business Forecasting and Marketing Intelligence, vol. 5, nr. 3, lk 249–266, 2019.

[9] G. Kumar, S. Jain ja UP Singh, "Aktsiaturgude prognoosimine arvutusliku luure abil: uuring", Archives of Computational Methods in Engineering, vol. 28, nr. 3, lk 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li ja Y. Zhang, "Uus meetod VKEde infosüsteemide kasvu hindamiseks, mis põhineb täiustatud BP närvivõrgul", Information Systems and E-Business Management, vol. 18, nr. 4, lk 779–792, 2020.

[11] BS Kumar, V. Ravi ja R. Miglani, "India aktsiaturu ennustamine finantsuudiste psühholingvistiliste tunnuste abil", Annals of Data Science, vol. 8, nr. 3, lk 517–558, 2021.

[12] S.-J. Lin, "Integreeritud tehisintellekt ja visualiseerimistehnika täiustatud juhtimisotsuste tegemiseks tänapäeva turbulentses ärikeskkonnas", Cybernetics and Systems, vol. 52, nr. 4, lk 274–292, 2021.

For more information:1950477648nn@gmail.com