Монография посвящена сложной и практически неисследованной проблеме нейросетевого моделирования развития процессов банкротств корпораций в динамике. Сложность этих моделей вытекает из специфической неполноты данных, обусловленных юридическими причинами, и сильной зашумленности данных. Предложен метод оптимизации структуры нейросети в комбинации с её байесовской регуляризацией, а также алгоритм компрессии переменных на основе обобщенной функции желательности Харрингтона. Разработан на основе общесистемных законов концептуальный базис нейросетевого моделирования и реализующий его нейросетевой логистический динамический метод, который восстанавливает неполные данные в ходе решения задачи аппроксимации зависимости «вход-выход». Впервые рассмотрены гибридные нейросетевые модели неправомерных банкротств юридических лиц. Выдвинутые теоретические идеи подробно иллюстрируются прикладными задачами и обосновываются вычислительными экспериментами на реальных данных. Материал монографии на 90% оригинален, обобщает и развивает методы нейросетевого моделирования банкротств из прежних книг авторов.
Для студентов, магистрантов и преподавателей широкого круга вузов, а также научных работников, интересующихся проблемами нейросетевого моделирования в сфере финансового менеджмента и экономической безопасности предприятий.

Библиографическое описание Скопировать библиографическое описание

Горбатков С.А. Динамические нейросетевые модели банкротств корпораций при неполных данных: Монография / С.А. Горбатков, С.А. Фархиева. - Москва : Прометей, 2020. - 210 с. - ISBN 978-5-907244-86-3. - URL: http://m.ibooks.ru/bookshelf/395216/reading (дата обращения: 27.07.2025). - Текст: электронный.