Uma análise empírica da previsão de risco de gestão financeira corporativa com base em rede neural de memória associativa

Como um modelo computacional semelhante ao do cérebro humano que pode refletir a função cognitiva do cérebro, o problema da análise dinâmica das redes neurais de memória associativa tem atraído a atenção dos estudiosos. )este artigo combina redes neurais de memória associativa com riscos de gerenciamento financeiro empresarial, estuda o controle de sincronização e problemas de análise de estabilidade de redes neurais amnésticas de cérebro humano semelhantes a memória associativa unidirecional com perturbação e defasagens de tempo variáveis ​​​​mistas, propõe uma memória associativa bidirecional semelhante a modelo de rede neural amnéstica estocástica do cérebro com intervalos de tempo variáveis ​​​​mistos, projeta uma estratégia de controle de amostragem em tempo discreto com base no modelo e estuda vários tipos de riscos financeiros recentes. Com base na pesquisa de alerta precoce, com base no método de rede neural de memória associativa, propomos reconstruir as categorias de risco, incluindo a melhoria do sistema de gestão de risco empresarial, aumentando a consciência da gestão de risco financeiro de cima para baixo, e fortalecendo a competitividade central de a própria empresa e medidas de controle para riscos de financiamento, investimento, operação e fluxo de caixa.

Existe uma estreita relação entre a função cognitiva do cérebro e a memória. Uma excelente função cognitiva pode nos ajudar a aprender, lembrar e compreender melhor as informações.

Primeiro, a função cognitiva refere-se à capacidade do indivíduo de perceber, processar e expressar informações externas. Isso inclui áreas como controle de atenção, flexibilidade mental, memória de trabalho, habilidades linguísticas e funções executivas. Memória é o processo de aquisição, manutenção e uso de informações por meio de codificação, armazenamento e recuperação de informações. Indivíduos com função cognitiva superior têm maior capacidade de processamento e aprendizagem de informações e são mais capazes de converter informações em memória de longo prazo.

Em segundo lugar, existe uma relação de promoção mútua entre memória e função cognitiva. O aprimoramento da função cognitiva pode efetivamente melhorar nossa memória. Por exemplo, ter um bom controle de atenção e concentração pode nos ajudar a reter melhor as informações. Melhorias nas funções executivas nos ajudam a codificar, armazenar e recuperar melhor informações.

Além disso, a função cognitiva não apenas promove a memória, mas uma boa memória também pode nos ajudar a expandir a função cognitiva. Indivíduos com excelente capacidade de memória podem dominar melhor diversas habilidades, como linguagem, música e esportes, e exercer maiores vantagens em atividades cognitivas.

Portanto, devemos estar plenamente conscientes da estreita relação entre a função cognitiva do cérebro e a memória, melhorar deliberadamente a função cognitiva, treinar ativamente a memória e prestar atenção à interação entre cognição e memória. Só assim poderemos expandir continuamente os nossos limites cognitivos e melhorar o nosso nível de desenvolvimento pessoal. Percebe-se que precisamos melhorar nossa memória. Cistanche pode melhorar significativamente a memória porque a pasta de carne é um material medicinal tradicional chinês com muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem de uma variedade de ingredientes ativos que ela contém, incluindo ácido carboxílico, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro por meio de vários canais.

Clique em conhecer 10 maneiras de melhorar a memória

1. Introdução

A rede neural de memória associativa imita o padrão de funcionamento das células neuronais no cérebro humano; primeiramente, o padrão a ser memorizado é armazenado na forma de uma rede de pesos da rede neural; Ao receber informações de padrão incompleto ou defeituoso de fora, a rede neural neste momento faz com que o padrão de entrada mude continuamente seu valor e convirja para o padrão memorizado por meio de computação paralela massiva. )A rede neural tem um bom desempenho robusto, o que significa que a rede neural de memória associativa tem um bom desempenho de tolerância a falhas. )Os padrões a serem memorizados são primeiramente armazenados na forma de uma rede de pesos da rede neural.

Ao receber informações externas sobre padrões incompletos ou fragmentados, a rede neural muda continuamente seus valores e converge para os padrões memorizados por meio de computação paralela massiva. As redes neurais de memória associativa são agora amplamente utilizadas no reconhecimento de padrões, processamento de imagens, etc. Memória auto-associativa significa que os padrões de aberração de entrada são iguais aos padrões lembrados; em contraste com a memória heteroassociativa, os padrões de aberração de entrada não são iguais aos padrões lembrados, mas mostram relações de mapeamento correspondentes. A memória auto-associativa refere-se à aplicação de memória associativa na qual o padrão inicial de entrada é idêntico ao padrão de saída lembrado. ) O primeiro passo na memória auto-associativa é depositar o padrão memorizado desejado (por exemplo, a palavra computador) de uma forma específica nos pesos da rede através do algoritmo de aprendizagem de uma rede neural [1]. )en, é possível inserir o padrão com informações de sinalização, e a rede neural executa operações iterativas contínuas para fornecer a saída correta. Essas informações de sinalização não são a palavra completa, mas possuem informações ruidosas, mas a rede neural ainda é capaz de calcular para obter as informações da palavra lembrada; ou seja, esta rede neural de memória associativa tem um certo grau de tolerância a falhas.

A tolerância a falhas é um dos critérios para julgar se a aplicação da memória associativa é viável. )o processo de memória da rede neural, ou seja, a configuração dos pesos da rede neural, precisa traduzir os padrões memorizados na forma dos valores de estado de cada neurônio quando a rede neural está em um estado estável; isto é, geralmente, um ponto estável da rede neural pode armazenar um padrão, e a determinação do valor do ponto estável precisa ser definida de acordo com as condições necessárias exigidas pelo modelo de rede neural de memória associativa adotado neste capítulo, geralmente substituindo o padrão de memória no conjunto de equações diferenciais da rede neural, depois listando a desigualdade correspondente com base nas condições necessárias acima e relacionando essa desigualdade ao sistema de equações diferenciais acoplado para resolver um conjunto específico de soluções e, eventualmente, determinar um peso mais adequado [2]. )Esse processo também é realizado usando algoritmos de treinamento específicos (por exemplo, por meio de autofeedback da rede).

Como os padrões de entrada e saída da memória auto-associativa são idênticos, o que significa que ambos têm a mesma dimensionalidade, esta é uma característica da memória auto-associativa.

Nas condições de uma economia de mercado, as empresas devem estar conscientes da objectividade dos riscos financeiros e, actualmente, as empresas têm geralmente uma fraca consciência dos riscos financeiros, da angariação cega de fundos, do investimento imprudente, do sistema inadequado de gestão de riscos financeiros e do Estado. empresas próprias, que apresentam pontos fracos, como mecanismos imperfeitos de avaliação de risco financeiro e falta de medidas de controle de risco. Para nós, estudar as características dos riscos financeiros empresariais e tomar certas medidas para preveni-los e gerenciá-los tornou-se uma questão importante que enfrentamos agora. Embora o rápido desenvolvimento de várias indústrias também traga muitos riscos, a indústria aparece frequentemente na crise financeira e acaba por levar à falência de empresas [3]. )A determinação do valor do ponto de estabilidade é definida de acordo com as condições necessárias exigidas pelo modelo de rede neural de memória associativa adotado neste capítulo, geralmente substituindo o modelo de memória no conjunto de equações diferenciais da rede neural e depois listando as desigualdades correspondentes de acordo com as condições necessárias acima. )essa desigualdade é então combinada com o conjunto de equações diferenciais para resolver uma série de soluções específicas e finalmente determinar um valor de peso mais adequado. ) Por conseguinte, a gestão do Risco financeiro Das empresas é Muito importante e Pode determinar se a empresa Pode desenvolver-se de forma rápida e sólida.

Nos últimos anos, os estudiosos também aumentaram a sua investigação sobre a gestão do risco financeiro das empresas, mas ainda não foi formado um sistema teórico sistemático para o estudo do risco financeiro das empresas. Além disso, o foco da investigação existente é analisar os riscos financeiros das empresas e apresentar pareceres de controlo dos riscos financeiros, e há relativamente poucos estudos que analisam as etapas da gestão dos riscos financeiros das empresas, ou seja, a identificação, avaliação e meios de controlo. dos riscos financeiros, em profundidade. Baseado na rede neural de memória associativa, este artigo combina a literatura teórica relevante sobre controle de risco financeiro empresarial com o caso específico de controle de risco financeiro do Grupo Storm e pesquisa a identificação, análise e avaliação de risco financeiro e controle de empresas, na esperança de desempenham um papel de verificação complementar à investigação teórica actual sobre o controlo dos riscos financeiros nas empresas.

2. Situação da Pesquisa

As redes neurais artificiais têm sido intensamente estudadas nas últimas décadas devido à sua ampla aplicação em muitos campos, como reconhecimento de padrões, memória associativa, processamento de sinais e otimização. Algumas aplicações, como as da teoria da otimização, exigem que as redes neurais tenham apenas um único ponto estável. No entanto, algumas outras aplicações, como memória associativa e reconhecimento de padrões, requerem a existência de múltiplos equilíbrios estáveis ​​na própria rede neural.

A multiestabilidade de duas redes neurais recorrentes com funções de ativação simétricas de origem no plano de fase é estudada na literatura [4]. A estabilidade μ múltipla de redes neurais com intervalos de tempo variáveis ​​​​ilimitados é considerada na literatura [5]. )A multiestabilidade de redes neurais recorrentes com funções de ativação não monotônicas e defasagens de tempo variáveis ​​ilimitadas é discutida na literatura [6]. Na literatura [7], é discutida a multiestabilidade de redes neurais de ordem fracionária no sentido Mittag-Leffler com parâmetros constantes segmentais. )A multiestabilidade de uma classe de redes neurais de Hopfield com defasagens de tempo estocásticas foi estudada na literatura [8] aplicando o princípio do ponto de imobilidade de Schauder e a teoria estocástica de defasagem de tempo relacionada, onde existem 2n regiões de conjuntos invariantes retangulares sob certas condições e em pelo menos uma destas regiões tem um ponto de equilíbrio, e propondo duas condições suficientes para garantir que estes pontos de equilíbrio sejam estáveis.

Uma nova condição menos restritiva em relação à condição contínua de Lipschitz em funções de ativação de valores complexos é proposta na literatura [9], e uma série de critérios são apresentados para garantir a existência, unicidade e exemplos numéricos de pontos de estabilização assintóticos globais. de redes neurais recorrentes de valor complexo. Na literatura [10], a estabilidade de redes neurais recorrentes com defasagens temporais variáveis ​​é analisada usando FTM (Flexible Edge Method), e vários novos critérios de estabilidade são propostos para descrever a estabilidade desta rede neural através da construção de um novo tipo de Função Lyapunov. Na literatura [11], uma nova ideia de design para CVHAMs (memória associativa Hopfield multiestado de valor complexo) é proposta para analisar a estabilidade de sistemas CVHAM utilizando o método da função de energia e finalmente obter que a rede pode convergir para um ponto imóvel por um período. valor de entrada arbitrário, e a geometria de projeção do GPR (regra de projeção generalizada) é discutida.

De acordo com a literatura [12],As empresas da Internet têm as características financeiras do modelo de "economia de fluxo", modelo de operação com poucos ativos, baixo custo e baixo custo, substituição rápida de produtos e financiamento de capital. ) O risco financeiro das empresas da Internet tem tanto as características das empresas em geral como as suas características especiais. Em comparação com as empresas em geral, o risco de escassez de capital das empresas da Internet é o mais significativo. A literatura [13] introduziu o modelo de avaliação EVA para explorar a ligação entre o risco financeiro e o valor empresarial das empresas da Internet, utilizou o modelo EVA e o modelo de avaliação tradicional para avaliar o valor da empresa NetEase e concluiu que o O modelo de avaliação EVA é mais preciso. A literatura [14] argumenta que as empresas da Internet apresentam riscos principalmente no modelo de lucratividade, fluxo de caixa, financiamento, investimento e regulamentação governamental. Sugeriu também que as empresas da Internet estabelecessem um mecanismo sólido de alerta precoce de riscos financeiros, criassem uma instituição de auditoria profissional e um sistema de auditoria, reforçassem o trabalho orçamental abrangente, melhorassem o mecanismo de controlo de contas a receber e reforçassem a gestão de riscos de financiamento e investimento. A literatura [15] defende que a garantia da rentabilidade dos ativos e as medidas de controle propostas para prevenir perdas inesperadas são realizadas por meio do gerenciamento de riscos. A literatura [16] defende que as empresas devem primeiro estabelecer um sistema de controle interno sólido na tomada de decisões de negócios, que possa, em certa medida, evitar sofrer riscos financeiros e causar dificuldades operacionais no financiamento de atividades. A literatura [17] estuda a origem do risco e o mecanismo de ação do risco financeiro a ser explorado, além de identificação, avaliação e controle mais direcionados do risco, eliminando os fatores de risco financeiro ocultos.

3. Um modelo de risco para gestão financeira corporativa baseado em redes neurais de memória associativa

3.1. Modelo de Rede Neural de Memória Associativa. )As etapas básicas do atual algoritmo de treinamento de rede neural recorrente são primeiro pré-processar as amostras a serem reconhecidas para obter vetores de características numéricas, inserir esses vetores sequencialmente na rede e, em seguida, comparar a saída da rede com a saída atual por uma diferença e use essa diferença como feedback negativo para corrigir os pesos da rede. ) A vantagem deste algoritmo é que ele é simples de operar e o processo de treinamento é um aprendizado não supervisionado, enquanto a desvantagem também é evidente porque ele precisa ser treinado novamente uma vez, sempre que um novo padrão de amostra for lembrado, o que pode consumir mais tempo em no caso de dimensões de rede maiores. )O modelo de rede neural é construído ajustando os pesos de seus neurônios após o recebimento dos dados, e as variáveis ​​de entrada do modelo podem mudar de acordo com as necessidades reais, como fatores de mercado e indicadores financeiros. )O modelo de rede neural pode ser treinado automaticamente para filtrar as melhores variáveis ​​e ajustar os pesos de acordo com suas relações implícitas para construir um modelo não linear e melhorar a precisão do modelo. ) O método de treinamento é usado para corrigir os pesos da rede, alimentando continuamente amostras de treinamento para que os padrões de amostra a serem lembrados sejam incorporados nos pesos da rede; isto é, a rede “lembra” das amostras. É possível utilizar métodos algébricos para resolver os pesos diretamente, pois a rede possui um grande número de atratores e pode lembrar um grande número de amostras, usando as amostras como entrada, assumindo que a saída é a saída desejada, representando ambas como vetores, e substituindo-os nas equações diferenciais do sistema, usando o conhecimento de álgebra linear para resolver uma rede de conjunto de pesos, depois usando outras amostras como entrada, e finalmente resolvendo o número correspondente de soluções analíticas. )A intersecção destas soluções analíticas é a rede de pesos a ser determinada caso estas soluções não se cruzem. )en, isso significa que a capacidade de memória da rede não é suficiente e um novo modelo precisa ser redesenhado para garantir que tenha capacidade de memória suficiente [18]. A seguir, será dado um exemplo de projeto de memória associativa, conforme mostrado na Figura 1 para um exemplo de processo de memória associativa.

onde x∗ i xi∗ é o ponto de equilíbrio estável do sistema com o i-ésimo conjunto de amostras como entrada, e este valor é escolhido de acordo com condições como a forma da função de ativação. Uma condição suficiente para que esta equação tenha solução é que o número de pontos de equilíbrio estáveis ​​da rede neural seja maior ou igual ao número de amostras a serem memorizadas pela reivindicação; isto é, o número de atratores deve ser grande o suficiente para poder lembrar um número suficiente de padrões. )A equação pode ser resolvida usando decomposição de valores singulares, a solução da equação também é o vetor de pesos de conexão da rede, e esses pesos implicam informações sobre os padrões a serem lembrados. ) A forma acima é geralmente um processo de resolução de peso de memória auto-associativo que pode ser aplicado especificamente nas áreas de reconhecimento de caracteres, reconhecimento de rosto, etc.) exemplos serão dados para ilustrar o design e o processo de resolução de peso da rede neural recorrente aplicações de memória hetero-associativa baseadas em . Os algoritmos tradicionais de reconhecimento de caracteres incluem correspondência de modelos e OCR [19]. Para dados de amostra não balanceados, você pode começar com métodos de redução e aumento da resolução. )O método de redução da amostragem, também conhecido como método de redução da amostragem aleatória, refere-se à remoção aleatória da classe de dados com mais categorias pelo método de amostragem. ) A vantagem é que o método de amostragem pode melhorar a precisão do modelo quando as amostras excluídas contêm dados ruidosos, e a desvantagem é que algumas amostras importantes podem ser excluídas. O método de sobreamostragem refere-se à síntese de uma parte de pequenos dados amostrais por um algoritmo. Em comparação com esses algoritmos de reconhecimento de caracteres, a memória associativa baseada em redes neurais recorrentes mencionada acima é caracterizada por baixo custo de projeto, lógica de processamento simples, rápida convergência de rede, menos dependência de condições externas e fácil implementação prática. ) O ponto mais importante é que este sistema de memória associativa possui bom desempenho de tolerância a falhas; alta tolerância a falhas significa que quando há mais ruído ou perturbação na amostra, ela também pode identificar corretamente o padrão alvo, portanto, se este método de memória associativa for aplicado ao reconhecimento de imagem, embora a aplicação atual seja simples e a ideia seja mais básica, depois de um pouco de desenvolvimento, acredito que haverá uma utilidade para isso. )As etapas de projeto de redes neurais recorrentes para memória associativa são resumidas a seguir.

(1) Determine as características do modelo da rede neural a ser usada

(2) Converter os padrões a serem lembrados em vetores como entradas para o sistema, bem como em saídas a serem substituídas nas equações do sistema

(3) A solução do sistema de equações é obtida pela escolha apropriada das coordenadas do ponto de equilíbrio e pela decomposição em valores singulares

(4) Armazene as soluções do sistema de equações como os pesos da rede neural

(5) Construir um sistema de rede neural de memória associativa e realizar testes de reconhecimento.

)O circuito de rede amnéstica reconfigurável baseado em memória associativa consiste em quatro partes: o circuito de rede amnéstica associativa baseado em memória, o PRMC com sinais binários de entrada, o bloco de circuito sináptico e o circuito de controle. No circuito de rede amnéstica baseado em memória associativa, os pesos sinápticos indicam a força das conexões sinápticas e, portanto, apenas pesos positivos. )e PRMC do sinal binário de entrada só pode ser treinado pelo algoritmo para atingir a função correspondente, portanto, o circuito sináptico precisa representar pesos negativos, pesos zero e pesos positivos. No circuito de rede neural memética reconfigurável baseado em memória associativa, o PRMC com sinais binários de entrada e o circuito de rede neural memética baseado em memória associativa usa o mesmo circuito sináptico, e o circuito sináptico no circuito de rede neural memética baseado em memória associativa é restrito a variar dentro dos pesos positivos por um circuito de controle [20]. ) Os circuitos sinápticos no bloco de circuitos sinápticos são compartilhados e esses circuitos sinápticos podem ser usados ​​para construir PRMCs com sinais binários de entrada e circuitos de rede neural memética baseados em memória associativa. Como pode ser visto na Figura 2, as duas sub-redes operam de forma independente, portanto podem trabalhar em paralelo.

Ao simular o aprendizado e o esquecimento na memória associativa, o circuito de rede neural memristor reconfigurável baseado na memória associativa pode alterar dinamicamente a estrutura do circuito para obter a reconfiguração, correspondendo ao seguinte processo: quando o sinal de estímulo incondicionado e o sinal de estímulo condicionado são simultaneamente inseridos no circuito de rede neural memristor baseado na memória associativa, o aprendizado associativo entre os dois é induzido, de modo que o peso sináptico correspondente ao estímulo condicionado aumenta gradativamente. Após o término do processo de aprendizagem, se o sinal de estímulo condicionado for mantido como entrada, o processo de esquecimento é induzido. Durante o esquecimento, o peso sináptico correspondente ao estímulo condicionado diminui gradativamente até não conseguir ativar o circuito neuronal correspondente. Após o término do processo de esquecimento, os circuitos da rede amnéstica baseada em memória associativa não são ativados independentemente de o sinal de estímulo condicionado ser recebido [21]. Então, os circuitos sinápticos correspondentes ao estímulo condicionado podem ser desconectados dos circuitos neuronais, e esses circuitos sinápticos podem ser alimentados no bloco do circuito sináptico. ) Os circuitos sinápticos no bloco de circuito sináptico podem ser usados ​​para construir PRMC ou circuitos de rede amnéstica baseados em memória associativa com sinais binários de entrada. Desta forma, a reconfiguração do circuito é conseguida.

4. Um modelo de previsão de risco baseado em rede neural de memória associativa para gestão financeira corporativa

O risco financeiro é um tipo de risco empresarial que existe em atividades financeiras, como atividades de captação, investimento, gasto, recuperação e alocação de fundos no processo de reprodução social. E o risco é o desvio das expectativas da realidade. ) Existe uma distinção entre risco financeiro em sentido estrito e amplo. O risco financeiro em sentido estrito refere-se ao risco financeiro decorrente da operação de dívida no processo de captação de recursos para o empreendimento. O risco financeiro em sentido amplo refere-se à incerteza na obtenção dos resultados financeiros esperados no processo de condução das atividades financeiras da empresa. ) Portanto, o risco financeiro existe em todas as empresas e nas atividades comerciais da empresa e tem um impacto significativo na situação de lucros e perdas e nas condições comerciais da empresa. A gestão de risco financeiro é a prevenção, controle e gestão de risco na gestão financeira empresarial e também faz parte da gestão abrangente de risco empresarial [22]. O diagnóstico interno é uma forma de a própria empresa descobrir vários problemas no processo de negócio através da autoanálise e, finalmente, resolvê-los de forma direcionada. Diagnóstico externo significa que a empresa contrata uma organização terceirizada externa para analisar o funcionamento financeiro da empresa. Como uma nova teoria da ciência da gestão, é uma teoria da gestão desenvolvida principalmente por estudiosos de acordo com a experiência anterior em gestão de riscos e gestão financeira para todos os tipos de riscos na operação das empresas. A gestão de riscos financeiros inclui identificação de riscos, avaliação, análise de causas e controle de diversas atividades financeiras da empresa. Para garantir o normal funcionamento e movimentação de capitais da empresa e evitar impactos negativos nos interesses económicos da empresa, o processo de gestão da gestão do risco financeiro inclui a identificação de riscos, avaliação, análise de causas e controlo das diversas atividades financeiras da empresa, e medidas de prevenção e controlo oportunas e eficazes, baseadas no seu papel de alerta precoce.

) Os métodos mais comumente usados ​​para avaliação de risco financeiro incluem análise hierárquica, método de fator de eficácia e análise fatorial. ) O princípio básico da análise fatorial é agrupar indicadores com forte relevância em uma categoria e substituir cada categoria por um fator, substituindo assim todos os indicadores originais por alguns fatores.

Neste artigo, a análise da previsão de risco da gestão financeira corporativa é realizada combinando o modelo de rede neural de memória associativa com a análise fatorial. A análise fatorial é escolhida pelas seguintes razões: em primeiro lugar, a análise fatorial pode reduzir o número de variáveis ​​originais, extraindo e nomeando os fatores principais em vez da grande maioria da informação original; em segundo lugar, a amostra pode ser classificada e comparada. De acordo com a pontuação de cada fator principal e a pontuação abrangente, a amostra pode ser ordenada, o que não só mostra a classificação dos fatores individuais e esclarece quais fatores têm maior impacto na situação financeira da empresa, mas também analisa a classificação abrangente de os fatores após a ponderação, o que é benéfico para a empresa esclarecer seus pontos fortes e fracos [23].

(6) Uma rede neural de memória associativa é construída com base em um modelo de árvore de decisão usando um algoritmo de histograma que facilita a segregação dos dados. )A diferença dos modelos de árvore de decisão anteriores é que a rede neural de memória associativa é orientada verticalmente, ou seja, gerando as folhas da árvore de decisão, enquanto outros modelos de árvore de decisão geram os níveis da árvore, de modo que o algoritmo de rede ral Emory de memória associativa é executado mais rápido e armazena menos dados. Sua principal característica é percorrer todo o conjunto de treinamento e tornar os atributos discretos para variáveis ​​contínuas de ponto flutuante; esses k dados discretos são construídos em um histograma com uma largura específica de k. )É calculado o número de valores discretos convergidos dentro de cada histograma. Uma vez que existem muitos componentes do risco financeiro, vários factores e indicadores financeiros irão interagir entre si para formar uma relação complexa. Neste artigo, os indicadores relevantes são extraídos, os fatores são extraídos por teste de significância e os fatores adequados para a construção do modelo são obtidos por teste de esfericidade, extração de componentes principais e outras etapas.

Com base nos fatores obtidos, o modelo logístico de regressão stepwise é utilizado para modelar o alerta financeiro antecipado. ) O processo de modelagem analisa gradativamente os fatores de composição de risco, utilizando as vantagens do modelo para fornecer uma base mais intuitiva para a futura tomada de decisão dos gestores. )Os indicadores de alerta precoce selecionados devem ser abrangentes; ou seja, os indicadores devem ser selecionados a partir dos aspectos tradicionais de solvência, lucratividade, capacidade de desenvolvimento e capacidade operacional, e os indicadores devem ser selecionados a partir dos aspectos da capacidade de pesquisa e desenvolvimento que refletem as características da indústria, tornando a gama de indicadores selecionados para a indústria de fabricação de equipamentos de comunicação mais abrangente. )A empresa investe capital na produção de produtos e recupera o capital e os lucros através das vendas dos produtos. O giro de estoque só pode ser aumentado se as vendas forem bem-sucedidas e o estoque for liquidado rapidamente; portanto, o giro de estoque indica a rapidez com que o dinheiro pode ser recuperado da venda de mercadorias. Em geral, uma empresa pode melhorar a sua liquidez aumentando o giro dos estoques. )O índice de giro de estoque indica o nível de estoque, enquanto o índice de giro do ativo circulante reflete a velocidade de giro do ativo circulante, que é o mais líquido de todos os ativos de uma empresa. Um nível mais baixo de rotação dos activos correntes pode ter um impacto maior na capacidade de reembolso a curto prazo de uma empresa. ) Quanto maior for o rácio de rotação dos ativos correntes, menor será o risco relativo de liquidez financeira. Uma taxa de rotação lenta exigirá liquidez suplementar para participar no volume de negócios, o que criará um desperdício de fundos e reduzirá a rentabilidade da empresa. Com base na teoria acima, na classificação subsequente, o ponto de corte ideal pode ser encontrado apenas de acordo com a largura do histograma. ) A ideia do algoritmo de histograma se reflete principalmente na conversão de dados de ponto flutuante em dados binários, e a operação específica é determinar o número de intervalos contidos em cada recurso, atualizar os dados de cada intervalo separadamente após divisão igual, e substituir os recursos de previsão de risco de gestão financeira empresarial no modelo de rede neural de memória associativa, que é representado graficamente conforme mostrado na Figue3.

3. Em comparação com outros modelos construídos em algoritmos de árvore de decisão, as redes neurais de memória associativa são mais rápidas principalmente em termos de velocidade de corrida, enquanto consomem menos memória e a precisão não é comprometida, combinando perfeitamente a pata de peixe e de urso. Com o desejo de ir para o próximo nível, o modelo pode ser otimizado de duas maneiras: para acelerar a velocidade de execução, o original pode ser simplesmente processado; reduzir o número de recursos e dados, converter variáveis ​​​​de recursos em recursos de categoria ou salvar os arquivos de dados como arquivos binários, alterar o método de treinamento do modelo para paralelo também pode acelerar a velocidade de execução do modelo; para melhorar a precisão do modelo e reduzir a taxa de aprendizado do modelo, a partir do modelo, ajustando a malha dos parâmetros do modelo, escolhendo a melhor combinação de parâmetros, aumentando os tempos de aprendizagem do modelo e fazendo com que o modelo entenda melhor as leis entre os dados pode melhorar a precisão do modelo. Começando com os dados, aumentar o número de dados de treinamento e pré-processar os dados para resolver os valores ausentes e o desequilíbrio nos dados originais também pode treinar melhor o modelo e melhorar o desempenho do modelo.

4.1. Verificação Experimental e Conclusões

)O modelo de árvore de decisão CART com design de pré-poda e pós-poda será treinado, e o gráfico da árvore de decisão e o gráfico de importância variável serão gerados após o treinamento do modelo para melhor interpretar os resultados discriminantes do modelo de árvore de decisão CART. Em primeiro lugar, são construídos os resultados discriminantes e o conjunto de regras do modelo global de avaliação do risco financeiro da empresa. Como existem demasiados valores de características de avaliação na avaliação global do risco financeiro da empresa, o gráfico de importância variável na avaliação global do risco financeiro da empresa utiliza as 5 principais variáveis ​​de importância, e o modelo global de avaliação do risco financeiro da empresa gera o gráfico de importância da variável conforme mostrado na Figura 4.

Como pode ser visto na Figura 4, entre as 18 características do modelo de árvore de decisão CART, "juros ganhos múltiplos", "retorno total de ativos", "rotatividade de contas a receber", "rotatividade total de ativos" e "retorno ponderado sobre ativos líquidos " classificou os cinco primeiros em importância, com "juros ganhos múltiplos" sendo o indicador mais importante com importância superior a 0,5. A capacidade operacional reflete a eficiência e eficácia da operação de capital de uma empresa com diferentes ativos, e a eficiência do giro de diferentes tipos de ativos é geralmente usada para determinar o nível operacional de uma empresa. Isso indica que as empresas devem se concentrar em "juros ganhos múltiplos" quando avaliar o risco financeiro global, e a soma das cinco pontuações de maior importância excede 90%; por conseguinte, indica também que as empresas cotadas devem concentrar-se nestas cinco características do índice no processo de avaliação do risco financeiro global das empresas. )A interpretação do conjunto de regras gerado pelo modelo de árvore de decisão fornecerá evidências quantitativas para a empresa listada avaliar o risco financeiro geral da empresa, o que ajudará a empresa listada a medir se possui risco financeiro geral.

) 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, o empreendimento não apresenta risco financeiro. )A interpretação do conjunto de regras gerado pelo modelo de árvore de decisão fornecerá à empresa listada evidências quantitativas para avaliar o grau de risco comercial da empresa, o que ajudará a empresa listada a medir se possui risco comercial.

)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, a empresa não está em risco. )A interpretação do conjunto de regras gerado pelo modelo de árvore de decisão fornecerá à empresa listada evidências quantitativas para avaliar o nível de risco de financiamento da empresa, o que ajudará a empresa listada a medir se possui risco de financiamento.

Na Figura 7 pode-se observar que o modelo deste artigo baseado em uma rede neural de memória associativa atinge 83% de precisão para o efeito discriminativo do conjunto de treinamento e 76% de precisão para o conjunto de validação, o que é um resultado melhor. Ao mesmo tempo, este artigo combinou o modelo GBDT com o modelo de regressão logística para a predição combinada, e os resultados da predição mostraram que o modelo combinado melhorou a precisão da predição do conjunto de treinamento para 91% e do conjunto de validação para 78%, em termos de precisão e estabilidade; o efeito de alerta do modelo combinado é mais significativo em comparação com o modelo único, o que prova a viabilidade do modelo combinado. Em comparação com o modelo de regressão logística de modelo único, a curva ROC do modelo de alerta de risco financeiro de regressão do modelo de rede neural de memória associativa está mais próxima do eixo superior esquerdo, e seu valor AUC é 0,79, que é significativamente maior do que o valor AUC do modelo de regressão logística de 0,60. ) As vantagens do modelo de alerta de risco financeiro da rede neural de memória associativa podem ser vistas diretamente na curva ROC e no valor AUC. A partir do experimento, pode-se concluir que o GBDT para combinação de recursos pode extrair melhor as informações dos dados financeiros das empresas listadas, e o modelo logístico tem uma velocidade de processamento rápida, o que pode resolver o problema de velocidade de processamento lenta que o GBDT não pode ser processado em paralelo, e o modelo fundido com o GBDT e o modelo logístico pode ser eficazmente utilizado no domínio do alerta precoce de risco financeiro das empresas cotadas para modelização.

A) taxa de e-learning é a taxa na qual as variáveis ​​de entrada são atualizadas em cada iteração durante o treinamento e determina até que ponto os pesos devem se mover na direção do gradiente em um pequeno lote, através de muitas iterações, eventualmente movendo-se para uma posição que corresponda à precisão de treinamento da rede. ) O processo de aprendizagem dos recursos de um conjunto de dados de amostra por uma rede neural de memória associativa é o processo de iteração constante para frente. Uma taxa de aprendizagem mais baixa torna o processo de treinamento mais confiável, mas a otimização levará mais tempo. Taxas de aprendizagem mais altas, por outro lado, levam à não convergência do treinamento e podem causar alterações de peso muito grandes, tornando a função de perda muito deficiente. A otimização da taxa de multiplicação de matrizes e a melhoria da utilização da memória podem ser alcançadas aumentando o número de lotes em uma determinada região, o que reduz o número de atualizações necessárias para completar o treinamento de todo o conjunto de dados e acelera um pouco o processo para dados do mesmo capacidade. A descida gradiente estocástica atualiza apenas uma amostra e informação por vez, o que acelera o treinamento, mas como apenas uma amostra é usada por vez, ela não representa toda a amostra de treinamento, tornando mais difícil convergir os resultados do treinamento para algum valor mínimo. Para que uma empresa alcance o desenvolvimento sustentável, deve atribuir grande importância às suas capacidades de I&D e inovação. Somente através da inovação contínua e das invenções contínuas uma empresa pode obter uma vantagem competitiva. Com o desenvolvimento da aprendizagem profunda, foi demonstrado que os resultados do treinamento poderiam ser convertidos para um mínimo local diminuindo lentamente a taxa de aprendizagem. Depois de ajustar os parâmetros várias vezes, os resultados de treinamento esperados foram finalmente obtidos, e o erro absoluto médio do modelo nas amostras durante o treinamento finalmente convergiu. ) As curvas de perda para o conjunto de dados de amostra são mostradas na Figura 8.) A linha azul na figura representa a curva de perda do conjunto de treinamento e a linha laranja representa a curva de perda do conjunto de teste; o eixo horizontal apresenta o número de iterações das amostras no processo de treinamento, e o eixo vertical apresenta a variação do valor médio do erro durante o processo de treinamento.

De acordo com os parâmetros definidos neste artigo, a janela do Spyder pode exibir as perdas das amostras de treinamento e teste em cada iteração e calcular a raiz do erro quadrático médio do modelo ao final do treinamento. Durante o processo de treinamento, quanto mais iterações, menor será o erro amostral, com flutuações locais em uma pequena faixa. No início do treinamento, o erro cai rapidamente, e no intervalo de treinamento de 10 a 50 iterações, o erro cai rapidamente, indicando que o modelo está sendo ajustado localmente. A partir de 100 iterações de treinamento, o erro cai mais suavemente, indicando que o modelo convergiu para um processo ótimo. )A tendência da curva de perda da amostra de treinamento e a mudança de perda da amostra de teste são integradas, e o erro da amostra de treinamento finalmente converge com um melhor ajuste; o erro da amostra de teste converge para um mínimo local e seu ajuste não é tão bom quanto o da amostra de treinamento, mas o efeito do uso do gradiente descendente para otimização é óbvio e não afetará o desempenho de todo o modelo.

Com base no modelo de rede neural de memória associativa, o sistema de indicadores de alerta precoce que pode refletir as características de risco das empresas agrícolas listadas é estabelecido combinando as características de risco da empresa e as causas de sua geração: contém indicadores financeiros e não financeiros, abrangendo solvência , capacidade operacional, capacidade de desenvolvimento, rentabilidade e outros indicadores de capacidade. Para melhorar a velocidade de convergência e a estabilidade do modelo, o software SPSS é usado para realizar análises fatoriais nos dados dos indicadores primários selecionados e calcular as pontuações fatoriais das amostras como os dados da camada de entrada do modelo. Desta forma, a precisão do modelo da crise financeira é ainda determinada e uma parte da amostra é selecionada para testar o modelo. Por fim, o modelo é aplicado à empresa real para identificar seus problemas e otimizá-los para reduzir a possibilidade de sua crise financeira.

5. Conclusão

Os modelos de redes neurais de memória associativa são geralmente construídos com base em dados sobre as características da indústria em questão para fazer previsões sobre vários aspectos dos pontos de demanda. As previsões do modelo de rede neural de memória associativa não se limitam apenas às preferências da vida diária, alimentação, roupas, habitação, etc., mas agora também estão quase permeadas no desenvolvimento da indústria financeira, previsões financeiras, etc. em conjunto com as características do setor e o cenário competitivo da empresa, verifica-se que o modelo pode refletir bem a situação da empresa através de indicadores de alerta precoce e fornecer uma referência para o desenvolvimento futuro da empresa. Se apenas for introduzido o ajuste do modelo de dados aos indicadores financeiros, será demasiado único e não será capaz de avaliar a situação das finanças de forma abrangente. No estudo, constatou-se que o número de amostras na categoria de alto risco financeiro era muito pequeno em comparação com as amostras nas categorias de baixo e médio risco financeiro, e se os dados da amostra não fossem equilibrados, poderia levar ao alerta precoce o modelo não aprendeu as características das amostras da categoria de alto risco financeiro durante o treinamento, o que acabou levando a uma baixa precisão de previsão das amostras desta categoria.

Dado que factores como a composição da empresa e o capital próprio também podem ter um impacto importante nas finanças, este artigo adiciona indicadores não financeiros para melhorar a generalização e a precisão do modelo. Hoje em dia, as empresas estão em um ambiente de mercado e atividades sociais cada vez mais complexos, e a simulação de big data, quantificando os indicadores relevantes das empresas do setor, pode refletir a situação atual do setor de forma abrangente e extensiva, e a inclusão razoável de indicadores específicos do setor pode também melhorar a eficácia do modelo de alerta precoce. Ao combinar os indicadores da empresa e o modelo de alerta precoce estabelecido, os principais componentes que podem ser identificados pelo modelo são utilizados para analisar a situação em que surgem os riscos da empresa, fornecendo opiniões que incorporam os detalhes da Empresa B. Utilizando este alerta financeiro antecipado modelo, pode-se ajustar a estrutura da empresa, fazer planejamento estratégico e prevenção de crises com antecedência para o mercado em mudança, organizar treinamento para talentos de alerta precoce financeiro, fortalecer a comunicação entre talentos de alerta precoce financeiro e garantir uma estrutura acionária razoável para evitar que uma ação seja dominante; em segundo lugar, pode-se melhorar a construção da informação do sistema financeiro e estabelecer nesta base um conjunto do sistema financeiro aplicável à empresa. Ao mesmo tempo, devemos respeitar a escolha do mercado, e o desenvolvimento de mercados diversificados pode garantir a sua concorrência e ao mesmo tempo apostar na qualidade dos produtos.

Referências

[1] MA Fern ´ Mendez-G´ Gamez, JAC Soria, JAC Santos e ´ D. Alaminos, "Heterogeneidade dos países europeus na previsão de dificuldades financeiras: uma análise empírica com fatores macroeconômicos e regulatórios", Economic Modelling, vol. 88, pp.

[2] M. Meenu Sreedharan, AM Khedr e M. El Bannany, "Uma abordagem perceptron multicamadas para previsão de dificuldades financeiras com algoritmo genético", Automatic Control and Computer Sciences, vol. 54, não. 6, pp. 475–482, 2020.

[3] X. Yan, W. Weihan e M. Chang, "Pesquisa sobre modelo de previsão de transações de ativos financeiros baseado na rede neural LSTM", Neural Computing and Applications, vol. 33, não. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko e H. Katagiri, "Previsão de falências para corporações japonesas usando máquina de vetores de suporte, rede neural artificial e análise discriminante multivariada", International Journal of Industrial Engineering, vol. 1, não. 1, pp. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu e W. Ai, "Previsão de dificuldades financeiras dinâmicas desequilibradas de classe com base no conjunto adaboost-SVM combinado com SMOTE e ponderação de tempo", Information Fusion, vol . 54, pp. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li e K. Li, "Modelo de previsão de telemarketing bancário baseado em t-SNE-SVM", Journal of Service Science and Management, vol. 13, não. 3, pp. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan e O. Escobar, "Inteligência artificial e modelos de negócios na perspectiva dos objetivos de desenvolvimento sustentável: uma revisão sistemática da literatura", Journal of Business Research, vol. 283–314, 2020.

[8] PK Mitra e C. Banga, "Prevendo os preços do petróleo bruto na cesta indiana por meio de abordagem comparativa de modelos de aprendizado de máquina", International Journal of Business Forecasting and Marketing Intelligence, vol. 5, não. 3, pp. 249–266, 2019.

[9] G. Kumar, S. Jain e UP Singh, "Previsão do mercado de ações usando inteligência computacional: uma pesquisa", Archives of Computational Methods in Engineering, vol. 28, não. 3, pp.

[10] K. Lu, Y. Lyu, X. Li e Y. Zhang, "Um novo método para avaliar o crescimento do sistema de informação de PMEs com base na rede neural BP melhorada", Information Systems and E-Business Management, vol. 18, não. 4, pp. 779–792, 2020.

[11] BS Kumar, V. Ravi e R. Miglani, "Prevendo o mercado de ações indiano usando os recursos psicolinguísticos das notícias financeiras", Annals of Data Science, vol. 8, não. 3, pp. 517–558, 2021.

[12] S.-J. Lin, "Inteligência artificial integrada e técnica de visualização para decisões de gerenciamento aprimoradas nos ambientes de negócios turbulentos de hoje", Cybernetics and Systems, vol. 52, não. 4, pp. 274–292, 2021.

For more information:1950477648nn@gmail.com