Mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben

Az elsõ hazai csõdmodell adatbázisán végre­ hajtott szimulációs kísérletek egyértelmûen azt bizonyítják, hogy a mesterséges neurális hálókkal elkészített csõdmodellek magasabb besorolási pontossággal ren­ delkeznek, mint azok a modellek, amelyeket az es években diszkriminanciaana­ lízis és logisztikus regresszió alapján dolgoztak ki.

A tanulmány az eredmények be­ mutatásán kívül elemzi az eltérések okait, és konstruktív javaslatokat fogalmaz meg a hazai csõdelõrejelzési gyakorlat fejlesztésére. Az elõrejelzési módszertan folyamatosan megújul és fejlõdik. Az elmúlt években jelentõs elõrelépés történt a matematikai-statisztikai, a kollektív szakértõi és participatív, vala­ mint a modellezési eljárások területén egyaránt.

Mesterséges intelligencia és Big Data a cégvezetésben - Dyntell Software

A mesterségesintelligencia-kutatások eredményei komoly kihívás elé állították a matematikai-statisztikai eljárások mûvelõit. Magyarországon az ezredforduló után kezdtek a szakirodalomban és az elõrejelzési gya­ korlatban teret hódítani a mesterségesintelligencia-módszerek családjába tartozó mester­ séges neurális hálók, amelyek segítségével egyre több elõrejelzési és döntési modellezési problémát oldanak meg sikeresen. Az adatbányászat szakirodalma átfogóan foglalkozik a mesterségesintelligencia-eljárásokkal Bigus [].

Az elõrejelzési módszerek fejlõdé­ se szerepet kapott a csõdelõrejelzésben is Kristóf []. Az utóbbi években készült empirikus vizsgálatok azt mutatták, hogy a neurális hálók megbízhatóbb csõdelõrejelzési eljárást képviselnek, mint a korábban széles körben alkal­ mazott diszkriminanciaanalízis és a logisztikus regresszió Atiya []; Back és szerzõ­ társai []; Ooghe és szerzõtársai [].

A nemzetközi tapasztalatok alapján ezért célszerûnek láttuk Magyarországon is összehasonlító elemzés keretében megvizsgálni, opciós kereskedés bitcoin usa érvényesek-e a hazai csõdmodellekre a nemzetközi tendenciák.

Neurális hálózatok - modern mesterséges intelligencia, felhasználása a gazdaságban UDC Konyukhova, K. Lappochna O. Konukhova, K. Lapochkina A neurális hálózatok a gazdaságban való alkalmazása és a használatuk relevanciája rövid távú költségvetési előrejelzés előkészítésében A neurális hálózatok gazdaságossága a gazdaságban és a felhasználás sürgősségét a költségvetés rövid távú előrejelzéseinek kidolgozásával Ez a cikk leírja a neurális hálózatok felhasználását a gazdaságban.

Virág Miklós kandidátus, tanszékvezetõ egyetemi docens, Budapesti Corvinus Egyetem, vállalati pénz­ ügy tanszék. Az elsõ hazai csõdmodell újraszámítása neurális hálók segítségével mint általános csereeszköz modellezésével foglalkoztak.

Elsődleges linkek

Reményeink szerint a csõdelõ­ rejelzés példáján végrehajtott neurálisháló-modellezés eredményesen hozzájárul ahhoz, hogy a hazai gondolkodásban és elõrejelzési gyakorlatban meghonosodjon és elterjedjen az ígéretes eljárás.

Az elsõ hazai csõdmodell és fõbb elõzményei A csõdelõrejelzés hõskorának számító A fennmaradt és a csõdbe jutott vállalatok pénzügyi mutatószámait hasonlították össze, és megállapították, hogy az eladósodottság, a likviditás, a jövedelmezõség és forgási sebesség leggyakrabban alkalmazott mutatószámai a csõdbe jutott vállalatok esetében alacsonyabbak, illetve kedvezõtlenebbek voltak Fitzpatrick [].

Az as végéig egyváltozós statisztikai módszerek segítségével ítélték meg a válla­ latok fizetõképességét. Beaver [] harminc, a szakirodalomban gyakran említett pénz­ ügyi mutatót talált relevánsnak a vállalati fizetõképesség jövõje szempontjából. A legjobb eredményt a cash flow és az össztõke aránya mutatóval érte el, amely 90 százalékos megbízhatósággal mutatta meg a fizetésképtelenséget egy évvel a csõd bekövetkezése elõtt.

Az as évek végétõl a többváltozós diszkriminanciaanalízist alkalmazták csõdelõ­ rejelzésre. A többváltozós diszkriminanciaanalízis bázisán Altman—Haldeman—Narayanan [] kifejlesztette a hétváltozós ZETA modellt 58 fizetõképes és 53 fizetésképtelen vállalat mintájára.

Dinamikus hálók alkalmazása | Mesterséges Intelligencia Elektronikus Almanach

Az as években a diszkrimanciaanalízist egyre inkább kiegészítette és felváltotta a logisztikus regressziós elemzés, amely egészen az es évek közepéig a leggyakrab­ ban alkalmazott csõdmodellezési, -elõrejelzési eljárás lett.

A vállalati fizetõképesség rep­ rezentatív mintán keresztüli elõrejelzésére elõször Ohlson [] alkalmazta a logisztikus regresszió elemzést fizetésképtelen és fizetõképes vállalat mintájára, ezzel is kifejezve, hogy a fizetésképtelen vállalatok a valóságban kisebb arányt képviselnek, mint a fizetõképesek. A csõdbe jutás valószínûségének elõrejelzése területén mérföldkõnek bizonyult az elõször Zmijewski [] által alkalmazott probitanalízis.

A technikai indikátorok használata mellett szól, hogy rövid távon a pénzügyi idősorok autokorreláltak, a neurális modellek pedig nemlineáris kapcsolatok modellezésére alkalmasak. A kapott eredmények révén azt a következtetést vontam le, hogy ugyan a neurális háló modellek optimalizációs képessége nagyon jó és alkalmazásukkal a megfelelő technikai indikátorok is meghatározhatók, de csak lassan képesek rátanulni az adatokra, így még a legkisebb tranzakciós költség alkalmazása mellett is csak a kezdeti befektetésünk elvesztését tudjuk halogatni.

Szintén az as évek terméke a rekurzív particionáló algoritmus Frydman—Altman—Kao []amely döntési fa formájában ábrázolja a különbözõ változók és küszöbértékek kombinációit, kiválasztva közülük az elõrejelzési értékkel bírókat.

Hazánkban csak ben jöttek létre a csõdeljárás és a felszámolási eljárás törvényi feltételei,1 ezért a magyar csõdelõrejelzésnek nincsenek évtizedes hagyományai. A csõdmodell alapjául szolgáló adatbázist a Pénzügy­ minisztérium biztosította.

Mesterséges intelligencia és Big Data a cégvezetésben

A vizsgálatba bevont feldolgozóipari vállalat közül augusztusában 77 fizetõképes és 77 fizetésképtelen volt. A mintában szereplõ vállalatok legalább fõt foglalkoztattak.

A modellépítés során 17 pénzügyi mutatószámot vettek 1 Lásd az E tanulmányban kizárólag a magasabb besorolási pontosságú Tekintsük át az alkalma­ zott mutatószámok számítási eljárásait 1. Diszkriminanciaanalízis az es éves beszámoló adatok alapján2 A többváltozós diszkriminanciaanalízis egyidejûleg elemzi több mutatószám eloszlását, és olyan osztályozási szabályt állít fel, amely több súlyozott pénzügyi mutatószámot — ezek a modell független változói — tartalmaz, és ezeket egyetlen diszkriminanciaértékké fogja össze.

Az alkalmazott mutatószámok kiválasztásának elõfeltétele, hogy azok kevés­ sé korreláljanak egymással, különben a bevont újabb mutatószámok csak minimális mér­ tékben járulnak hozzá a csoportképzés megbízhatóságának növekedéséhez.

További fel­ tétel, hogy a mutatószámok többdimenziós normális eloszlást mutassanak, valamint az, hogy az osztályok kovarianciamátrixai azonosak legyenek. A vállalatok osztályozásához 2 A diszkriminanciaanalízis és a mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben regresszió alapú csõdmodellezés Virág Miklós, a neurális háló alapú csõdmodellezés és az összehasonlító elemzések elkészítése Kristóf Tamás munkája.

Az elsõ hazai csõdmodell újraszámítása neurális hálók segítségével 2. A fizetõ­ képes és a fizetésképtelen vállalatokat elválasztó diszkriminanciaértékkel összehasonlítva állapítható meg, hogy a cég a kettõ közül melyik csoportba sorolható.

A mutatószámok sorrendje egyben a csoportok megkülönböztetésében játszott szere­ püket is tükrözi, tehát a likviditási gyorsráta a leginkább diszkrimináló hatású, majd ezt követi a többi három változó.

E változók bevonásával készült el az Logisztikus regresszió az es éves beszámoló adatok alapján A logisztikus regresszió kiválóan alkalmazható a magyarázó változók és a bináris ordinális válaszadás valószínûsége közötti kapcsolat feltárására. Az eljárás logisztikus függvényt illeszt a bináris ordinális adatokra a maximum likelihood módszerrel. A logisztikus regresszió ugyanazzal a módszerrel választja ki a modellváltozókat, mint a diszkriminan­ ciaanalízis.

Az összesúlyozott független változókhoz egy, a mintában szereplõ vállalatok fennmaradásának valószínûségével kifejezett Z értéket rendel.

A módszer elõnye, hogy nem feltételez többdimenziós normális eloszlást, és változatlan variancia-kovariancia mátrixot, mint a diszkriminanciaanalízis.

A függvény paramétereinek kiszámítása után azonban még nem ismerjük a függvény függõ változójának azon értékét az úgynevezett cut point értéketamely mellett osztá­ lyozva a vállalatokat, besorolási pontosságuk maximális lesz. A függvény behelyettesíté­ sét követõen minden vállalatnak lesz egy pontos csõdvalószínûségi értéke.

Az es éves beszámolók mintája esetén ez az érték 0, volt, vagyis az ezt meghaladó értékeket felvevõ vállalatokat a modell fizetésképtelennek minõsíti. A diszkriminanciaanalízis és a logisztikus regresszió besorolási pontosságait a 3. A logisztikus regresszió nagyobb besorolási pontossága részint annak Az elsõ hazai csõdmodell újraszámítása neurális hálók segítségével köszönhetõ, hogy ebben a modellben a figyelembe vett változók eloszlására nézve sem­ milyen feltételezéssel nem kellett élni.

A modellbe épített több magyarázó változó is a logisztikus regressziónak kedvez. Nyilvánvaló, hogy az egyes iparágak esetében eltérõ az elõállított termékek életciklusa, különbségek jelentkeznek a termelési ténye­ zõkben, a piaci versenypozíciókban stb. Ezek az eltérések a pénzügyi mutatószámok vállalati szintû alakulásában is tükrözõdnek. Így a vállalati minta a kialakítandó csõd­ modellben szereplõ diszkrimináló mutatószámokat, és a megkülönböztetésben jelent­ kezõ fontosságukat is ex post nagyban befolyásolja.

A csõdmodell elõrejelzési ex ante képességének vizsgálatához szükséges újabb minta különbözõsége így nem csu­ pán a vállalatok kiválasztási esélyeinek, hanem a vállalatok iparágankénti megoszlásá­ nak is függvénye. Számos szerzõ Platt—Platt [] foglalkozott már azzal a kérdéssel, hogy egy válla­ lat pénzügyi viszonyszámai mennyiben tükrözik vissza az iparág tõkeszerkezetét, bevéte­ li és kiadási modelljét.

A szerzõpáros tanulmányában részletesen foglalkozott a vállalati pénzügyi viszonyszámok és az iparági teljesítmények változásának a vállalati csõd való­ színûségére gyakorolt hatásával.

• Neurális hálózatok bemutató - PDF Ingyenes letöltés
• A tanításnál alkalmazható a NARX struktúra, míg a tesztelésnél már a modell saját kimenetét csatoljuk vissza, vagyis a tesztelés NOE architektúra mellett történik.
• Crypto befektetés, washington styate
• Neurális hálózatok és példák felhasználásukra a közgazdaságtanban. "neurális hálózatok
• Big Data, prediktív analitika és üzleti intelligencia a cégek életében Egyre több szervezet tárolja adatait digitális formátumban, percről-percre nő a tárolt adatok mennyisége az interneten és a közösségi médiában, és egyre több okos eszköz csatlakozik rá az internetre, adatbázisokra, és rögzít különféle információkat.
• Mark zuckerberg bitcoinba fektet be

Felhasználva tapasztalataikat, a csõdmodellek továbbfejlesztésénél az úgynevezett ipar­ ágtól függõ viszonyszámok alkalmazásának lehetõségét is célszerû megvizsgálni. Erre azért van szükség, mert segítségükkel minden, amit a bitcoin kereskedési nézetről tudni kell csõdmodellek elõrejelzési pontossága bizonyítot­ mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben javítható.

Ennek hatására egy adott iparág- Virág Miklós—Kristóf Tamás ban az iparágtól függõ viszonyszám középértéke bármely idõszakban 0,es értéket vesz fel. A pénzügyi viszonyszámok az idõvel számos okból megváltozhatnak.

Orosz László kiakad

Az iparágtól függõ viszonyszám azonban visszatükrözi az egyes vállalatok és az iparág reagálását adott eseményre. A formula nagy elõnye, hogy — az idõ múlásával bekövetkezõ változá­ sok figyelembevétele ellenére — biztosítja, hogy az iparági megoszlás középértéke a 0,01­ es értéken maradjon, feltételezve, hogy a szórásnégyzet állandó.

Ez a megoldás — meg­ engedve az iparágon belüli változásokat — csökkenti az adatok instabilitását, ugyanakkor javíthatja a kialakítandó csõdmodellek elõrejelzési pontosságát. A Virág—Hajdu szerzõpáros ezért ban elkészített egy korai csõdveszélyt jelzõ modellcsaládot különbözõ nemzetgazdasági ágakra és ágazatokra vonatkozóan, diszkriminanciaanalízis segítségével, közel 10 gazdálkodó egység3 pénzügyi adatai alapján Virág [].

Ennek eredményeként Magyarországon rendelkezésre áll a nem­ zetgazdasági ágaknak és ágazatoknak azok mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben pénzügyi mutatószámai és a hozzájuk tarto­ zó súlyok, amelyek tekintetében leginkább megkülönböztethetõ egymástól egy adott nem­ zetgazdasági ágban vagy ágazatban a csõdbe jutott és a túlélõ vállalat.

Az Az alkalmazott neurális háló tanuló algoritmus Kiinduló feltevésünk az volt, hogy a diszkriminanciaanalízis és a logisztikus regresszió alapján készített modellekhez viszonyítva magasabb besorolási pontossággal rendelkezõ csõdmodelleket kaphatunk, amennyiben a nemlineáris összefüggések leképezésére, vala­ mint a mintafelismerésre alkalmas neurális hálókat használjuk a vállalatok fizetõképes és fizetésképtelen osztályokba való sorolására.

A neurális hálók fõbb jellemzõivel, felépíté­ sével és mûködésével már Magyarországon is számos publikáció foglalkozott lásd pél­ dául Benedek [], [], Kristóf []ezért e tanulmányban mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben kizá­ rólag a csõdmodellezésre használt tanuló algoritmust mutatjuk be. A neurális hálók legismertebb tanuló algoritmusa az ún. Ahhoz, hogy egy neurális hálót megtanít­ sunk bizonyos feladat elvégzésére, úgy kell beállítanunk a neuronok súlyait, hogy csök­ kentsük az eltérést hibát a kívánatos output és a tényleges output között.

Ez úgy törté­ nik, hogy a neurális háló kiszámítja a súlyok hibáinak deriváltját EWami azt fejezi ki, hogy miként változik a hiba, amennyiben a súlyokat kicsiny mértékben növeljük vagy csökkentjük. A backpropagation algoritmus használata akkor legkönnyebb, amikor a háló mind­ egyik egysége lineáris. Ekkor az algoritmus úgy számítja ki a súlyok hibáinak deriváltját, hogy meghatározza azt az arányt, ahogyan a hiba változik az egység aktivitási szintjének változásával EA.

Az outputegységek aktivitási szintjének változása egyszerûen a tény­ leges és a kívánatos outputok különbsége. Egy, az outputréteget megelõzõ köztes réteg­ ben található egység aktivitási mesterséges neurális hálózatok alkalmazása a pénzügyi előrejelzésben változásának a meghatározásához elõször azonosí­ tani kell a súlyokat a köztes egység és a kapcsolódó outputegységek között.

Ezután a súlyok és az outputegységek aktivitási szintjei változásainak lineáris kombinációját ké­ pezzük. Ugyanezzel az eljárással számíthatjuk ki a többi réteg aktivitási szintjének válto­ 3 Korábban ekkora nagyságrendû minta alapján nem végeztek mennyit kell befektetnem a bináris opciós kereskedésbe. Az elsõ hazai csõdmodell újraszámítása neurális hálók segítségével zásait is, rétegrõl rétegre haladva, a hatásirányhoz képest visszafelé haladva.

Innen ered a backpropagation elnevezés is. Miután kiszámítottuk az egység aktivitási szintjének változását, ezt követi az egységhez bejövõ kapcsolatok EW-inek meghatározása.