Analisis Empirikal Ramalan Risiko Pengurusan Kewangan Korporat Berdasarkan Rangkaian Neural Memori Bersekutu

Sebagai model pengiraan seperti otak manusia yang boleh mencerminkan fungsi kognitif otak, masalah analisis dinamik rangkaian saraf ingatan bersekutu telah menarik perhatian para sarjana. )adalah kertas menggabungkan rangkaian saraf ingatan bersekutu dengan risiko pengurusan kewangan perusahaan, mengkaji kawalan penyegerakan dan masalah analisis kestabilan rangkaian neural amnestic otak manusia bersekutu satu arah dengan gangguan dan selang masa yang berbeza-beza masa bercampur, mencadangkan memori seperti ingatan bersekutu dua arah. model rangkaian neural amnestic stokastik otak dengan selang masa yang berbeza-beza masa bercampur, mereka bentuk strategi kawalan pensampelan masa diskret berdasarkan model dan mengkaji pelbagai jenis risiko kewangan terkini. Berdasarkan penyelidikan amaran awal, berdasarkan kaedah rangkaian neural memori bersekutu, kami mencadangkan untuk membina semula kategori risiko, termasuk menambah baik sistem pengurusan risiko perusahaan, meningkatkan kesedaran pengurusan risiko kewangan dari atas ke bawah, dan mengukuhkan daya saing teras perusahaan itu sendiri dan langkah kawalan untuk risiko pembiayaan, pelaburan, operasi dan aliran tunai.

Terdapat hubungan rapat antara fungsi kognitif otak dan ingatan. Fungsi kognitif yang sangat baik boleh membantu kita belajar, mengingat dan memahami maklumat dengan lebih baik.

Pertama, fungsi kognitif merujuk kepada keupayaan individu untuk melihat, memproses, dan menyatakan maklumat luaran. Ini termasuk bidang seperti kawalan perhatian, fleksibiliti mental, ingatan kerja, kemahiran bahasa dan fungsi eksekutif. Ingatan ialah proses memperoleh, mengekalkan, dan menggunakan maklumat melalui pengekodan, menyimpan, dan mendapatkan semula maklumat. Individu yang mempunyai fungsi kognitif yang unggul mempunyai kebolehan pemprosesan maklumat dan pembelajaran yang lebih kukuh serta lebih mampu untuk menukar maklumat kepada ingatan jangka panjang.

Kedua, terdapat hubungan promosi bersama antara ingatan dan fungsi kognitif. Peningkatan fungsi kognitif dapat meningkatkan daya ingatan kita dengan berkesan. Contohnya, mempunyai kawalan perhatian dan penumpuan yang baik boleh membantu kami mengekalkan maklumat dengan lebih baik. Penambahbaikan dalam fungsi eksekutif membantu kami mengekod, menyimpan dan mendapatkan maklumat dengan lebih baik.

Selain itu, bukan sahaja fungsi kognitif menggalakkan ingatan, tetapi ingatan yang baik juga boleh membantu kita mengembangkan fungsi kognitif. Individu yang mempunyai keupayaan ingatan yang cemerlang boleh menguasai pelbagai kemahiran seperti bahasa, muzik, dan sukan dengan lebih baik, dan menggunakan kelebihan yang lebih besar dalam aktiviti kognitif.

Oleh itu, kita harus sedar sepenuhnya tentang hubungan rapat antara fungsi kognitif otak dan ingatan, dengan sengaja meningkatkan fungsi kognitif, melatih ingatan secara aktif, dan memberi perhatian kepada interaksi antara kognisi dan ingatan. Hanya dengan cara ini kita boleh terus mengembangkan sempadan kognitif kita dan meningkatkan tahap perkembangan peribadi kita. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan. Cistanche boleh meningkatkan daya ingatan dengan ketara kerana pes daging adalah bahan perubatan tradisional Cina dengan banyak kesan unik, salah satunya adalah untuk meningkatkan daya ingatan. Keberkesanan daging cincang berasal dari pelbagai bahan aktif yang terkandung di dalamnya, termasuk asid karboksilik, polisakarida, flavonoid, dll. Bahan-bahan ini boleh menggalakkan kesihatan otak melalui pelbagai saluran.

Klik tahu 10 cara untuk meningkatkan ingatan

1. Pengenalan

Rangkaian saraf ingatan bersekutu meniru corak kerja sel neuron dalam otak manusia; pertama, corak yang akan dihafal disimpan dalam bentuk rangkaian pemberat rangkaian saraf; Apabila menerima maklumat corak yang tidak lengkap atau rosak dari luar, rangkaian saraf pada masa ini menjadikan corak input secara berterusan mengubah nilainya dan menumpu kepada corak yang dihafal dengan pengiraan selari besar-besaran. )e rangkaian neural mempunyai prestasi teguh yang baik, yang bermaksud bahawa rangkaian neural ingatan bersekutu mempunyai prestasi toleransi kesalahan yang baik. )e corak yang hendak dihafal terlebih dahulu disimpan dalam bentuk rangkaian pemberat rangkaian saraf.

Apabila menerima maklumat tentang corak yang tidak lengkap atau berpecah-belah dari luar, rangkaian saraf kemudiannya secara berterusan menukar nilainya dan menumpu kepada corak yang dihafal melalui pengiraan selari besar-besaran. Rangkaian saraf ingatan bersekutu kini digunakan secara meluas dalam pengecaman corak, pemprosesan imej, dsb. Ingatan bersekutu sendiri bermaksud corak penyimpangan input adalah sama dengan corak yang diingati; Berbeza dengan ingatan hetero-asosiatif, corak penyimpangan input tidak sama dengan corak yang diingati tetapi menunjukkan hubungan pemetaan yang sepadan. Ingatan bersekutu sendiri merujuk kepada aplikasi ingatan bersekutu di mana corak awal input adalah sama dengan pola keluaran yang diingati. ) Langkah pertama dalam ingatan bersekutu kendiri ialah mendepositkan corak hafalan yang dikehendaki (cth, perkataan komputer) dalam bentuk tertentu ke dalam pemberat rangkaian melalui algoritma pembelajaran rangkaian saraf [1]. )en, adalah mungkin untuk memasukkan corak dengan maklumat isyarat, dan rangkaian saraf melakukan operasi berulang berterusan untuk memberikan output yang betul, Maklumat isyarat ini bukanlah perkataan yang lengkap tetapi mempunyai maklumat yang bising, tetapi rangkaian saraf masih dapat mengira untuk mendapatkan maklumat perkataan yang diingati; iaitu, rangkaian saraf ingatan bersekutu ini mempunyai tahap toleransi kesalahan tertentu.

Toleransi kesalahan adalah salah satu kriteria untuk menilai sama ada penggunaan ingatan bersekutu boleh dilaksanakan. )proses ingatan rangkaian saraf, iaitu penetapan pemberat rangkaian saraf, perlu menterjemahkan corak yang dihafal ke dalam bentuk nilai keadaan setiap neuron apabila rangkaian saraf berada dalam keadaan stabil; iaitu, secara amnya, titik stabil rangkaian saraf boleh menyimpan corak, dan penentuan nilai titik stabil perlu ditetapkan mengikut syarat yang diperlukan yang diperlukan oleh model rangkaian saraf ingatan bersekutu yang diterima pakai dalam bab ini, secara amnya. dengan menggantikan corak ingatan ke dalam set persamaan pembezaan rangkaian saraf, kemudian menyenaraikan ketaksamaan yang sepadan berdasarkan syarat-syarat yang diperlukan di atas, dan mengaitkan ketaksamaan ini dengan sistem persamaan pembezaan yang digabungkan untuk menyelesaikan satu set penyelesaian tertentu dan akhirnya menentukan satu berat yang lebih sesuai [2]. )adalah proses juga dilakukan menggunakan algoritma latihan khusus (cth, melalui maklum balas kendiri rangkaian).

Memandangkan corak input dan output memori bersekutu diri adalah sama, bermakna kedua-duanya mempunyai dimensi yang sama, ini adalah ciri ingatan bersekutu diri.

Di bawah keadaan ekonomi pasaran, perusahaan mesti sedar tentang objektiviti risiko kewangan, dan pada masa ini, perusahaan umumnya mempunyai kesedaran yang lemah tentang risiko kewangan, pengumpulan dana buta, pelaburan tidak berhemat, sistem pengurusan risiko kewangan yang tidak mencukupi, dan keadaan- perusahaan milik, yang mempunyai titik lemah seperti mekanisme penilaian risiko kewangan yang tidak sempurna dan kekurangan langkah kawalan risiko. ) kami, mengkaji ciri-ciri risiko kewangan perusahaan dan mengambil langkah-langkah tertentu untuk mencegah dan mengurusnya telah menjadi isu penting yang dihadapi oleh kami sekarang. Walaupun perkembangan pesat pelbagai industri juga membawa banyak risiko, industri ini kerap muncul dalam krisis kewangan malah akhirnya membawa kepada kebankrapan perusahaan [3]. )e penentuan nilai titik kestabilan ditetapkan mengikut syarat perlu yang diperlukan oleh model rangkaian saraf ingatan bersekutu yang diguna pakai dalam bab ini, secara amnya dengan menggantikan model ingatan ke dalam set persamaan pembezaan rangkaian saraf dan kemudian menyenaraikan ketaksamaan yang sepadan. mengikut syarat-syarat yang diperlukan di atas. )adalah ketaksamaan kemudiannya digabungkan dengan set persamaan pembezaan untuk menyelesaikan satu siri penyelesaian khusus dan akhirnya menentukan nilai berat yang lebih sesuai. ) Oleh itu, pengurusan risiko kewangan perusahaan adalah sangat penting dan boleh menentukan sama ada perusahaan itu boleh berkembang dengan pantas dan mantap.

Dalam beberapa tahun kebelakangan ini, sarjana juga telah meningkatkan penyelidikan mereka mengenai pengurusan risiko kewangan perusahaan, tetapi sistem teori yang sistematik masih belum dibentuk untuk kajian risiko kewangan perusahaan. Tambahan pula, tumpuan penyelidikan sedia ada adalah untuk menganalisis risiko kewangan perusahaan dan mengemukakan pendapat kawalan risiko kewangan, dan terdapat sedikit kajian yang menganalisis langkah pengurusan risiko kewangan perusahaan, iaitu, pengenalpastian, penilaian dan kaedah kawalan. risiko kewangan, secara mendalam. Berdasarkan rangkaian neural ingatan bersekutu, kertas kerja ini menggabungkan literatur teori yang berkaitan tentang kawalan risiko kewangan perusahaan dengan kes khusus kawalan risiko kewangan Kumpulan Storm dan menyelidik pengenalpastian, analisis dan penilaian risiko kewangan dan kawalan perusahaan, dengan harapan dapat memainkan peranan pengesahan tambahan kepada penyelidikan teori semasa mengenai kawalan risiko kewangan dalam perusahaan.

2. Status Penyelidikan

Rangkaian saraf tiruan telah dikaji secara intensif dalam beberapa dekad kebelakangan ini kerana aplikasinya yang meluas dalam banyak bidang seperti pengecaman corak, ingatan bersekutu, pemprosesan isyarat dan pengoptimuman. Sesetengah aplikasi, seperti dalam teori pengoptimuman, memerlukan rangkaian saraf hanya mempunyai satu titik stabil. Walau bagaimanapun, beberapa aplikasi lain seperti ingatan bersekutu dan pengecaman corak memerlukan kewujudan pelbagai keseimbangan yang stabil dalam rangkaian saraf itu sendiri.

Pelbagai kestabilan dua rangkaian saraf berulang dengan fungsi pengaktifan simetri asal satah fasa dikaji dalam literatur [4]. Pelbagai μ-kestabilan rangkaian saraf dengan selang masa yang berbeza-beza masa yang tidak terhad dipertimbangkan dalam kesusasteraan [5]. )e pelbagai kestabilan rangkaian saraf berulang dengan fungsi pengaktifan bukan monoton dan lag masa yang tidak terhad dibincangkan dalam literatur [6]. Dalam kesusasteraan [7], kepelbagaian kestabilan rangkaian saraf tertib pecahan dalam pengertian Mittag-Leffler dengan parameter pemalar segmen dibincangkan. )e pelbagai kestabilan kelas rangkaian saraf Hopfield dengan lag masa stokastik telah dikaji dalam literatur [8] dengan menggunakan prinsip titik imobilitas Schauder dan teori lag masa stokastik yang berkaitan, di mana terdapat 2n kawasan set invarian segi empat tepat di bawah keadaan tertentu dan pada sekurang-kurangnya satu daripada kawasan ini mempunyai titik keseimbangan, dan dengan mencadangkan dua syarat yang mencukupi untuk memastikan titik keseimbangan ini stabil.

Keadaan baharu yang kurang ketat berbanding keadaan kontinum Lipschitz dalam fungsi pengaktifan bernilai kompleks dicadangkan dalam literatur [9], dan satu siri kriteria dibentangkan untuk menjamin kewujudan, keunikan, dan contoh berangka bagi titik penstabilan asimptotik global. rangkaian saraf berulang bernilai kompleks. Dalam kesusasteraan [10], kestabilan rangkaian saraf berulang dengan selang masa yang berubah-ubah masa dianalisis menggunakan FTM (Kaedah Tepi Fleksibel), dan beberapa kriteria kestabilan baru dicadangkan untuk menggambarkan kestabilan rangkaian saraf ini dengan membina jenis baru Fungsi Lyapunov. Dalam kesusasteraan [11], idea reka bentuk novel untuk CVHAM (memori bersekutu Hopfield multistate bernilai kompleks) dicadangkan untuk menganalisis kestabilan sistem CVHAM menggunakan kaedah fungsi tenaga dan akhirnya memperoleh bahawa rangkaian boleh menumpu ke titik tidak bergerak untuk nilai input sewenang-wenangnya, dan geometri unjuran GPR (peraturan unjuran am) dibincangkan.

Menurut kesusasteraan [12],Perusahaan Internet mempunyai ciri kewangan model "ekonomi aliran", model operasi ringan aset, ringan kos dan ringan perbelanjaan, penggantian produk pantas dan pembiayaan ekuiti. ) Risiko kewangan perusahaan Internet mempunyai kedua-dua ciri perusahaan am dan ciri khasnya. Berbanding dengan perusahaan umum, risiko kekurangan modal perusahaan Internet adalah yang paling ketara. )e literature [13] memperkenalkan model penilaian EVA untuk meneroka hubungan antara risiko kewangan dan nilai perusahaan bagi perusahaan Internet, menggunakan model EVA dan model penilaian tradisional untuk menilai nilai syarikat bagi syarikat kes NetEase, dan membuat kesimpulan bahawa Model penilaian EVA adalah lebih tepat. )e literatur [14] berpendapat bahawa perusahaan Internet terutamanya mempunyai risiko dalam model keuntungan, aliran tunai, pembiayaan, pelaburan, dan peraturan kerajaan. Ia juga mencadangkan bahawa perusahaan Internet harus mewujudkan mekanisme amaran awal risiko kewangan yang kukuh, menubuhkan institusi pengauditan profesional dan sistem audit, mengukuhkan kerja belanjawan yang komprehensif, menambah baik mekanisme kawalan akaun belum terima, dan mengukuhkan pengurusan risiko pembiayaan dan pelaburan. )e literature [15] berhujah bahawa jaminan keuntungan aset dan langkah kawalan yang dicadangkan untuk mengelakkan kerugian yang tidak dijangka dicapai melalui pengurusan risiko. Literatur [16] berpendapat bahawa syarikat harus terlebih dahulu mewujudkan sistem kawalan dalaman yang kukuh apabila membuat keputusan perniagaan, yang boleh, pada tahap tertentu, mengelak daripada mengalami risiko kewangan dan menyebabkan kesukaran operasi apabila membiayai aktiviti. Literatur [17] mengkaji asal usul risiko, dan mekanisme risiko kewangan tindakan untuk diterokai, dan pengenalpastian risiko yang lebih disasarkan, penilaian dan kawalan, menghapuskan faktor risiko kewangan yang tersembunyi.

3. Model Risiko untuk Pengurusan Kewangan Korporat Berdasarkan Rangkaian Neural Memori Bersekutu

3.1. Model Rangkaian Neural Memori Bersekutu. )langkah asas algoritma latihan rangkaian saraf berulang semasa ialah terlebih dahulu memproses sampel yang akan diiktiraf bagi mendapatkan vektor ciri berangka, masukkan vektor ini secara berurutan ke dalam rangkaian, dan kemudian bandingkan output rangkaian dengan keluaran berterusan dengan perbezaan , dan gunakan perbezaan ini sebagai maklum balas negatif untuk membetulkan berat rangkaian. ) Kelebihan algoritma ini ialah ia mudah dikendalikan dan proses latihan adalah pembelajaran tanpa pengawasan, manakala kelemahannya juga jelas kerana ia perlu dilatih semula sekali setiap kali corak sampel baharu diingati, yang mungkin memakan lebih banyak masa dalam kes dimensi rangkaian yang lebih besar. )emodel rangkaian neural dibina dengan melaraskan berat neuronnya selepas ia menerima data, dan pembolehubah input model boleh berubah mengikut keperluan sebenar, seperti faktor pasaran dan penunjuk kewangan. Model rangkaian saraf )e boleh dilatih secara automatik untuk menapis pembolehubah terbaik dan melaraskan pemberat mengikut perhubungan tersiratnya untuk membina model tak linear dan meningkatkan ketepatan model. )e kaedah latihan digunakan untuk membetulkan pemberat rangkaian dengan memberi makan secara berterusan dalam sampel latihan supaya corak sampel yang perlu diingati tertanam dalam pemberat rangkaian; iaitu, rangkaian "mengingat" sampel. Adalah mungkin untuk menggunakan kaedah algebra untuk menyelesaikan pemberat secara langsung, kerana rangkaian mempunyai bilangan penarik yang besar dan boleh mengingati sejumlah besar sampel, dengan menggunakan sampel sebagai input, dengan mengandaikan bahawa output adalah output yang dikehendaki, mewakili kedua-duanya sebagai vektor, dan menggantikannya ke dalam persamaan pembezaan sistem, menggunakan pengetahuan algebra linear untuk menyelesaikan satu set rangkaian pemberat, kemudian menggunakan sampel lain untuk input, dan akhirnya menyelesaikan bilangan penyelesaian analisis yang sepadan. )e persilangan penyelesaian analitik ini ialah rangkaian pemberat yang akan ditentukan jika penyelesaian ini tidak bersilang. )en, ini bermakna kapasiti memori rangkaian tidak mencukupi dan model baharu perlu direka bentuk semula untuk memastikan ia mempunyai kapasiti memori yang mencukupi [18]. Seterusnya, contoh reka bentuk ingatan bersekutu akan diberikan, seperti yang ditunjukkan dalam Rajah 1 untuk contoh proses ingatan bersekutu.

dengan x∗ i xi∗ ialah titik keseimbangan sistem yang stabil dengan set sampel ke-i sebagai input, dan nilai ini dipilih mengikut keadaan seperti bentuk fungsi pengaktifan. Syarat yang mencukupi untuk persamaan ini mempunyai penyelesaian ialah bilangan titik keseimbangan yang stabil bagi rangkaian saraf adalah lebih besar daripada atau sama dengan bilangan sampel yang perlu dihafal oleh tuntutan; iaitu bilangan penarik hendaklah cukup besar untuk dapat mengingati bilangan corak yang mencukupi. )e persamaan boleh diselesaikan menggunakan penguraian nilai tunggal, penyelesaian persamaan juga merupakan vektor pemberat sambungan rangkaian, dan pemberat ini membayangkan maklumat tentang corak yang perlu diingati. ) Bentuk di atas secara amnya ialah proses penyelesaian berat ingatan bersekutu kendiri yang boleh digunakan secara khusus dalam bidang pengecaman watak, pengecaman muka, dll) contoh akan diberikan untuk menggambarkan reka bentuk dan proses penyelesaian berat rangkaian saraf berulang. -aplikasi ingatan hetero-asosiatif berasaskan. Algoritma pengecaman aksara tradisional termasuk padanan templat dan OCR [19]. Untuk data sampel yang tidak seimbang, anda boleh mulakan dengan kaedah pensampelan bawah dan pensampelan naik. )e kaedah pensampelan turun, juga dikenali sebagai kaedah pensampelan rawak, merujuk kepada penyingkiran rawak kelas data dengan kategori terbanyak dengan kaedah pensampelan. ) Kelebihannya ialah kaedah pensampelan boleh meningkatkan ketepatan model apabila sampel yang dipadam mengandungi data bising, dan kelemahannya ialah beberapa sampel penting mungkin dipadamkan. Kaedah pensampelan berlebihan merujuk kepada mensintesis sebahagian daripada data sampel kecil oleh algoritma. Berbanding dengan algoritma pengecaman aksara ini, ingatan bersekutu berasaskan rangkaian saraf berulang yang disebutkan di atas dicirikan oleh kos reka bentuk yang rendah, logik pemprosesan yang mudah, penumpuan rangkaian yang cepat, kurang pergantungan pada keadaan luaran, dan pelaksanaan praktikal yang mudah. ) Perkara yang paling penting ialah sistem ingatan bersekutu ini mempunyai prestasi toleransi kesalahan yang baik; toleransi kesalahan tinggi bermakna apabila terdapat lebih banyak bunyi atau gangguan dalam sampel, ia juga boleh mengenal pasti corak sasaran dengan betul, jadi jika kaedah ingatan bersekutu ini digunakan untuk pengecaman imej, walaupun aplikasi semasa adalah mudah dan ideanya lebih asas, selepas sedikit perkembangan, saya percaya akan ada kegunaannya. )langkah reka bentuk rangkaian saraf berulang untuk ingatan bersekutu diringkaskan seperti berikut.

(1) Tentukan ciri model rangkaian saraf yang akan digunakan

(2) Tukarkan corak yang perlu diingati kepada vektor sebagai input kepada sistem serta output untuk digantikan ke dalam persamaan sistem

(3) )e penyelesaian kepada sistem persamaan diperoleh dengan pilihan koordinat yang sesuai bagi titik keseimbangan dan dengan penguraian nilai tunggal

(4) Simpan penyelesaian sistem persamaan sebagai pemberat rangkaian saraf

(5) Bina sistem rangkaian neural memori bersekutu dan lakukan ujian pengecaman.

)e litar rangkaian amnestik boleh dikonfigurasikan semula berasaskan ingatan bersekutu terdiri daripada empat bahagian: litar rangkaian amnestik berasaskan ingatan bersekutu, PRMC dengan isyarat binari input, blok litar sinaptik dan litar kawalan. Dalam litar rangkaian amnestik berasaskan ingatan bersekutu, pemberat sinaptik menunjukkan kekuatan sambungan sinaptik dan oleh itu hanya pemberat positif. )e PRMC isyarat binari input hanya boleh dilatih oleh algoritma untuk mencapai fungsi yang sepadan, jadi litar sinaptik perlu mewakili pemberat negatif, pemberat sifar dan pemberat positif. Dalam litar rangkaian neural memetik berasaskan memori bersekutu yang boleh dikonfigurasikan semula, PRMC dengan isyarat binari input dan litar rangkaian neural memetik berasaskan memori bersekutu menggunakan litar sinaptik yang sama, dan litar sinaptik dalam litar rangkaian neural memetik berasaskan memori bersekutu dihadkan untuk berubah-ubah. dalam pemberat positif oleh litar kawalan [20]. )e litar sinaptik dalam blok litar sinaptik dikongsi, dan litar sinaptik ini boleh digunakan untuk membina kedua-dua PRMC dengan isyarat binari input dan litar rangkaian neural memetik berasaskan ingatan bersekutu. Seperti yang dapat dilihat dalam Rajah 2, kedua-dua subrangkaian beroperasi secara bebas, supaya ia boleh berfungsi secara selari.

Dengan mensimulasikan pembelajaran dan melupakan dalam ingatan bersekutu, litar rangkaian saraf memristor yang boleh dikonfigurasikan semula berdasarkan ingatan bersekutu secara dinamik boleh menukar struktur litar untuk mencapai konfigurasi semula, sepadan dengan proses berikut: apabila isyarat rangsangan tanpa syarat dan isyarat rangsangan terkondisi dimasukkan secara serentak ke litar rangkaian neural memristor berdasarkan ingatan bersekutu, pembelajaran bersekutu antara kedua-duanya diinduksi, supaya berat sinaptik sepadan dengan rangsangan terkondisi secara beransur-ansur meningkat. Selepas proses pembelajaran tamat, jika isyarat rangsangan terkondisi disimpan input, proses melupakan diinduksi. Semasa terlupa, berat sinaptik sepadan dengan rangsangan terkondisi secara beransur-ansur berkurangan sehingga ia gagal untuk mengaktifkan litar neuron yang sepadan. Selepas tamat proses melupakan, litar rangkaian amnestik berasaskan ingatan bersekutu tidak diaktifkan tanpa mengira sama ada isyarat rangsangan terkondisi adalah input [21]. Kemudian, litar sinaptik yang sepadan dengan rangsangan terkondisi boleh diputuskan daripada litar neuron, dan litar sinaptik ini boleh dimasukkan ke dalam blok litar sinaptik. )e litar sinaptik dalam blok litar sinaptik boleh digunakan untuk membina sama ada PRMC atau litar rangkaian amnestik berasaskan ingatan bersekutu dengan isyarat binari input. Dengan cara ini, konfigurasi semula litar dicapai.

4. Model Ramalan Risiko Berdasarkan Rangkaian Neural Memori Bersekutu untuk Pengurusan Kewangan Korporat

Risiko kewangan ialah sejenis risiko perniagaan yang wujud dalam aktiviti kewangan seperti mengumpul, melabur, membelanjakan, memulihkan, dan memperuntukkan aktiviti dana dalam proses pembiakan sosial. Dan risikonya adalah penyelewengan jangkaan daripada realiti. ) Terdapat perbezaan antara risiko kewangan dalam erti kata yang sempit dan luas. Risiko kewangan dalam erti kata sempit merujuk kepada risiko kewangan yang timbul daripada operasi hutang dalam proses mengumpul dana untuk perusahaan. Risiko kewangan dalam erti kata luas merujuk kepada ketidakpastian untuk memperoleh keputusan kewangan yang diharapkan dalam proses menjalankan aktiviti kewangan perusahaan. ) Oleh itu, risiko kewangan wujud dalam setiap perusahaan dan aktiviti perniagaan perusahaan dan mempunyai kesan yang ketara ke atas situasi untung rugi dan keadaan perniagaan perusahaan. Pengurusan risiko kewangan ialah pencegahan, kawalan, dan pengurusan risiko dalam pengurusan kewangan perusahaan dan juga merupakan sebahagian daripada pengurusan risiko perusahaan yang komprehensif [22]. Diagnosis dalaman adalah cara untuk perusahaan itu sendiri mengetahui pelbagai masalah dalam proses perniagaan melalui analisis diri dan akhirnya menyelesaikannya dengan cara yang disasarkan. Diagnosis luaran bermakna perusahaan mengupah organisasi pihak ketiga luaran untuk menganalisis operasi kewangan perusahaan. Sebagai teori sains pengurusan baharu, ia merupakan teori pengurusan yang dibangunkan terutamanya oleh para sarjana mengikut pengalaman terdahulu dalam pengurusan risiko dan pengurusan kewangan untuk semua jenis risiko dalam operasi perusahaan. Pengurusan risiko kewangan termasuk pengenalpastian risiko, penilaian, analisis punca, dan kawalan pelbagai aktiviti kewangan perusahaan. Untuk memastikan operasi normal dan pergerakan modal perusahaan dan untuk mengelakkan kesan negatif terhadap kepentingan ekonomi perusahaan, proses pengurusan pengurusan risiko kewangan termasuk pengenalpastian risiko, penilaian, analisis punca dan kawalan pelbagai aktiviti kewangan perusahaan, dan langkah pencegahan dan kawalan yang tepat pada masanya serta berkesan berdasarkan peranan amaran awalnya.

) Kaedah yang paling biasa digunakan untuk penilaian risiko kewangan termasuk analisis hierarki, kaedah faktor keberkesanan dan analisis faktor. ) Prinsip asas analisis faktor adalah untuk mengumpulkan penunjuk yang mempunyai perkaitan yang kuat ke dalam satu kategori dan menggantikan setiap kategori dengan faktor, sekali gus menggantikan semua penunjuk asal dengan beberapa faktor.

Dalam makalah ini, analisis ramalan risiko pengurusan kewangan korporat dijalankan dengan menggabungkan model rangkaian neural memori bersekutu dengan analisis faktor. Analisis faktor dipilih atas sebab berikut: pertama, analisis faktor boleh mengurangkan bilangan pembolehubah asal, dengan mengekstrak dan menamakan faktor utama dan bukannya sebahagian besar maklumat asal; kedua, sampel boleh diberi kedudukan dan dibandingkan. Mengikut skor setiap faktor utama dan skor komprehensif, sampel boleh disenaraikan, yang bukan sahaja menunjukkan kedudukan faktor individu dan menjelaskan faktor yang mempunyai kesan yang lebih besar terhadap keadaan kewangan perusahaan tetapi juga menganalisis kedudukan komprehensif bagi faktor selepas pemberatan, yang bermanfaat kepada perusahaan untuk menjelaskan kekuatan dan kelemahannya [23].

(6) Rangkaian saraf ingatan bersekutu dibina berdasarkan model pepohon keputusan menggunakan algoritma histogram yang memudahkan pengasingan data. )ebezaan daripada model pepohon keputusan sebelumnya ialah rangkaian neural memori bersekutu diorientasikan secara menegak, iaitu, menghasilkan daun pepohon keputusan, manakala model pepohon keputusan lain menjana tahap pepohon, jadi algoritma rangkaian Emory ral memori bersekutu berjalan. lebih pantas dan menyimpan lebih sedikit data. Ciri utamanya adalah untuk merentasi keseluruhan set latihan dan menjadikan atribut diskret untuk pembolehubah berterusan titik terapung; data diskret k ini dibina menjadi histogram dengan lebar tertentu k. )ebilangan nilai diskret yang tertumpu dalam setiap histogram dikira. Oleh kerana terdapat banyak komponen risiko kewangan, pelbagai faktor dan penunjuk kewangan akan berinteraksi antara satu sama lain untuk membentuk hubungan yang kompleks. Dalam kertas ini, penunjuk yang berkaitan diekstrak, faktor diekstrak melalui ujian keertian, dan faktor yang sesuai untuk pembinaan model diperoleh melalui ujian sfera, pengekstrakan komponen utama dan langkah-langkah lain.

Berdasarkan faktor yang diperoleh, model logistik regresi berperingkat digunakan untuk memodelkan amaran awal kewangan. ) Proses pemodelan menganalisis secara beransur-ansur faktor komposisi risiko, menggunakan kelebihan model untuk menyediakan asas yang lebih intuitif untuk membuat keputusan masa depan pengurus. )e penunjuk amaran awal yang dipilih hendaklah menyeluruh; iaitu, penunjuk hendaklah dipilih daripada aspek tradisional iaitu kesolvenan, keuntungan, keupayaan pembangunan, dan keupayaan operasi, dan penunjuk hendaklah dipilih daripada aspek keupayaan penyelidikan dan pembangunan yang mencerminkan ciri-ciri industri, menjadikan julat penunjuk dipilih untuk industri pembuatan peralatan komunikasi lebih menyeluruh. )e syarikat melaburkan modal dalam pengeluaran produk dan mendapatkan semula modal serta keuntungan melalui jualan produk. Pusing ganti inventori hanya boleh ditingkatkan jika jualan berjaya dan inventori dibersihkan dengan cepat, jadi pusing ganti inventori menunjukkan seberapa cepat wang boleh diperolehi daripada penjualan barang. Secara umum, syarikat boleh meningkatkan kecairannya dengan meningkatkan pusing ganti inventorinya. )e nisbah pusing ganti inventori menunjukkan tahap inventori, manakala nisbah pusing ganti aset semasa mencerminkan kelajuan pusing ganti aset semasa, yang merupakan paling cair daripada semua aset syarikat. Tahap perolehan aset semasa yang lebih rendah boleh memberi kesan yang lebih besar terhadap keupayaan pembayaran balik jangka pendek firma. ) Semakin tinggi nisbah pusing ganti aset semasa, semakin rendah risiko kecairan kewangan relatif. Kadar pusing ganti yang perlahan akan memerlukan kecairan tambahan untuk mengambil bahagian dalam perolehan, yang akan mewujudkan pembaziran dana dan mengurangkan keuntungan perusahaan. Berdasarkan teori di atas, dalam pengelasan seterusnya, titik potong optimum boleh didapati hanya mengikut lebar histogram. )idea algoritma histogram terutamanya dicerminkan dalam penukaran data titik terapung kepada data binari, dan operasi khusus adalah untuk menentukan bilangan baldi yang terkandung dalam setiap ciri, mengemas kini data setiap baldi secara berasingan selepas pembahagian yang sama, dan gantikan ciri ramalan risiko pengurusan kewangan perusahaan ke dalam model rangkaian neural memori bersekutu, yang diwakili secara grafik seperti ditunjukkan dalam Rajah3.

3. Berbanding model lain yang dibina di atas algoritma pepohon keputusan, rangkaian saraf ingatan bersekutu adalah lebih pantas terutamanya dari segi kelajuan larian, sambil menggunakan kurang memori, dan ketepatan tidak terjejas, menggabungkan kedua-dua ikan dan kaki beruang dengan sempurna. Dengan keinginan untuk pergi ke peringkat seterusnya, model boleh dioptimumkan dalam dua cara berikut: untuk mempercepatkan kelajuan larian, yang asal boleh diproses dengan mudah; mengurangkan bilangan ciri dan data, menukar pembolehubah ciri kepada ciri kategori, atau menyimpan fail data sebagai fail binari, menukar kaedah latihan model kepada selari juga boleh mempercepatkan kelajuan larian model; untuk meningkatkan ketepatan model dan mengurangkan kadar pembelajaran model, bermula dari model, mesh tuning parameter model, memilih gabungan parameter terbaik, meningkatkan masa pembelajaran model, dan menjadikan model lebih memahami undang-undang antara data boleh meningkatkan ketepatan model. Bermula dengan data, menambah bilangan data latihan dan pramemproses data untuk menyelesaikan nilai yang hilang dan ketidakseimbangan dalam data asal juga boleh melatih model dengan lebih baik dan meningkatkan prestasi model.

4.1. Pengesahan dan Kesimpulan Eksperimen

)e Model pepohon keputusan CART dengan reka bentuk prapencantas dan selepas pemangkasan akan dilatih, dan graf pepohon keputusan dan graf kepentingan boleh ubah akan dijana selepas latihan model untuk mentafsir keputusan diskriminasi model pokok keputusan CART dengan lebih baik. Pertama, keputusan diskriminasi dan set peraturan keseluruhan model penilaian risiko kewangan perusahaan dibina. Oleh kerana terdapat terlalu banyak nilai ciri penilaian dalam penilaian risiko kewangan keseluruhan perusahaan, graf kepentingan berubah dalam penilaian risiko kewangan keseluruhan perusahaan mengambil 5 pembolehubah kepentingan teratas, dan model penilaian risiko kewangan keseluruhan perusahaan menjana graf kepentingan berubah seperti yang ditunjukkan dalam Rajah 4.

Seperti yang dapat dilihat daripada Rajah 4, antara 18 ciri model pepohon keputusan CART, "faedah diperoleh berbilang," "jumlah pulangan aset," "perolehan akaun belum terima," "jumlah pusing ganti aset," dan "pulangan berwajaran atas aset bersih. " meletakkan kedudukan lima teratas dalam kepentingan, dengan "berbilang faedah yang diperolehi" menjadi penunjuk paling penting dengan kepentingan melebihi 0.5. Kapasiti operasi mencerminkan kecekapan dan keberkesanan operasi modal perusahaan dengan aset yang berbeza, dan kecekapan pusing ganti jenis aset yang berbeza biasanya digunakan untuk menentukan tahap operasi perusahaan. ini menunjukkan bahawa perusahaan harus menumpukan pada "berbilang faedah yang diperolehi" apabila menilai keseluruhan risiko kewangan, dan jumlah lima markah kepentingan teratas melebihi 90%; oleh itu, ia juga menunjukkan bahawa syarikat tersenarai harus memberi tumpuan kepada lima ciri indeks ini dalam proses menilai risiko kewangan keseluruhan perusahaan. )etafsiran set peraturan yang dijana oleh model pokok keputusan akan memberikan bukti kuantitatif untuk syarikat tersenarai untuk menilai keseluruhan risiko kewangan syarikat, yang akan membantu syarikat tersenarai untuk mengukur sama ada ia mempunyai risiko kewangan keseluruhan.

) 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, perusahaan tidak mempunyai risiko kewangan. )etafsiran set peraturan yang dijana oleh model pokok keputusan akan menyediakan bukti kuantitatif kepada syarikat tersenarai untuk menilai tahap risiko perniagaan syarikat, yang akan membantu syarikat tersenarai untuk mengukur sama ada ia mempunyai risiko perniagaan.

)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, firma itu tidak berisiko. )etafsiran set peraturan yang dijana oleh model pokok keputusan akan menyediakan bukti kuantitatif kepada syarikat tersenarai untuk menilai tahap risiko pembiayaan syarikat, yang akan membantu syarikat tersenarai untuk mengukur sama ada ia mempunyai risiko pembiayaan.

Daripada Rajah 7, dapat dilihat bahawa model kertas ini berdasarkan rangkaian neural memori bersekutu mencapai ketepatan 83% untuk kesan diskriminasi set latihan dan ketepatan 76% untuk set pengesahan, yang merupakan hasil yang lebih baik. Pada masa yang sama, kertas kerja ini menggabungkan model GBDT dengan model regresi logistik untuk ramalan gabungan, dan keputusan ramalan menunjukkan bahawa model gabungan meningkatkan ketepatan ramalan set latihan kepada 91% dan pengesahan ditetapkan kepada 78%, dalam segi ketepatan dan kestabilan; kesan amaran model gabungan adalah lebih ketara berbanding dengan model tunggal, jadi ia membuktikan kebolehlaksanaan model gabungan. Berbanding dengan model regresi logistik model tunggal, lengkung ROC model amaran risiko kewangan regresi memori rangkaian saraf memori bersekutu adalah lebih dekat dengan paksi kiri atas dan nilai AUCnya ialah 0.79, yang jauh lebih tinggi daripada nilai AUC model regresi logistik 0.60. ) Kelebihan model amaran risiko kewangan rangkaian neural memori bersekutu boleh dilihat secara langsung daripada keluk ROC dan nilai AUC. Daripada eksperimen, dapat disimpulkan bahawa GBDT untuk kombinasi ciri boleh melombong maklumat dalam data kewangan syarikat tersenarai dengan lebih baik, dan model logistik mempunyai kelajuan pemprosesan yang cepat, yang boleh menyelesaikan masalah kelajuan pemprosesan perlahan yang GBDT tidak dapat diproses. secara selari, dan model yang digabungkan dengan GBDT dan model logistik boleh digunakan dengan berkesan dalam bidang amaran awal risiko kewangan syarikat tersenarai untuk pemodelan.

Kadar e-pembelajaran ialah kadar di mana pembolehubah input dikemas kini pada setiap lelaran semasa latihan dan menentukan sejauh mana pemberat perlu bergerak ke arah kecerunan dalam kelompok kecil, melalui banyak lelaran, akhirnya bergerak ke kedudukan yang sepadan dengan ketepatan latihan rangkaian. ) Proses mempelajari ciri set data sampel oleh rangkaian neural ingatan bersekutu ialah proses berulang ke hadapan secara berterusan. Kadar pembelajaran yang lebih rendah menjadikan proses latihan lebih dipercayai, tetapi pengoptimuman akan mengambil masa yang lebih lama. Kadar pembelajaran yang lebih tinggi, sebaliknya, membawa kepada ketidakkonvergenan latihan dan boleh menyebabkan perubahan berat yang sangat besar, menjadikan fungsi kehilangan sangat lemah. Mengoptimumkan kadar pendaraban matriks dan meningkatkan penggunaan memori boleh dicapai dengan meningkatkan bilangan kelompok di rantau tertentu, yang mengurangkan bilangan kemas kini yang diperlukan untuk melengkapkan latihan keseluruhan set data dan mempercepatkan sedikit proses untuk data yang sama kapasiti. Keturunan kecerunan stokastik mengemas kini hanya satu sampel dan maklumat pada satu masa, yang mempercepatkan latihan, tetapi kerana hanya satu sampel digunakan pada satu masa, ia tidak mewakili keseluruhan sampel latihan, menjadikannya lebih sukar untuk menumpu hasil latihan kepada beberapa nilai minimum. Untuk syarikat mencapai pembangunan mampan, ia mesti mementingkan keupayaan R&D dan inovasinya. Hanya melalui inovasi berterusan dan ciptaan berterusan syarikat boleh memperoleh kelebihan daya saing. Dengan perkembangan pembelajaran mendalam, ia menunjukkan bahawa hasil latihan boleh ditukar kepada minimum tempatan dengan mengurangkan kadar pembelajaran secara perlahan. Selepas melaraskan parameter beberapa kali, keputusan latihan yang dijangka akhirnya diperoleh, dan purata ralat mutlak model pada sampel semasa latihan akhirnya tertumpu. )eluk kerugian untuk set data sampel ditunjukkan dalam Rajah 8.)garisan biru dalam rajah mewakili keluk kehilangan set latihan dan garis oren mewakili keluk kerugian set ujian; paksi mendatar membentangkan bilangan lelaran sampel dalam proses latihan, dan paksi menegak membentangkan perubahan nilai ralat purata semasa proses latihan.

Mengikut parameter yang ditetapkan dalam kertas ini, tetingkap Spyder boleh memaparkan kerugian latihan dan sampel ujian dalam setiap lelaran dan mengira ralat punca purata kuasa dua model pada akhir latihan. Semasa proses latihan, lebih banyak lelaran, lebih kecil ralat pensampelan, dengan turun naik tempatan dalam julat yang kecil. Pada permulaan latihan, ralat menurun dengan cepat, dan dalam selang latihan dari 10 hingga 50 lelaran, ralat menurun pada kadar yang cepat, menunjukkan bahawa model sedang diperhalusi secara tempatan, Dari 100 lelaran latihan dan seterusnya, ralat jatuh lebih perlahan, menunjukkan bahawa model telah menumpu kepada proses yang optimum. )e trend keluk kehilangan sampel latihan dan perubahan kehilangan sampel ujian disepadukan, dan ralat sampel latihan akhirnya menumpu dengan kesesuaian yang lebih baik; ralat sampel ujian menumpu kepada minimum tempatan, dan kesesuaiannya tidak sebaik sampel latihan, tetapi kesan penggunaan keturunan kecerunan untuk pengoptimuman adalah jelas dan tidak akan menjejaskan prestasi keseluruhan model.

Berdasarkan model rangkaian neural memori bersekutu, sistem penunjuk amaran awal yang boleh mencerminkan ciri risiko syarikat pertanian tersenarai ditubuhkan dengan menggabungkan ciri risiko syarikat dan punca penjanaannya: ia mengandungi penunjuk kewangan dan bukan kewangan, meliputi kesolvenan , kapasiti operasi, kapasiti pembangunan, keuntungan dan penunjuk kapasiti lain. Untuk meningkatkan kelajuan penumpuan dan kestabilan model, perisian SPSS digunakan untuk menjalankan analisis faktor pada data penunjuk utama yang dipilih dan mengira skor faktor sampel sebagai data lapisan input model. Dengan cara ini, ketepatan model krisis kewangan ditentukan lagi dan sebahagian daripada sampel dipilih untuk menguji model tersebut. Akhirnya, model itu digunakan untuk syarikat sebenar untuk mengenal pasti masalahnya dan mengoptimumkannya untuk mengurangkan kemungkinan krisis kewangannya.

5. Kesimpulan

Model rangkaian neural ingatan bersekutu biasanya dibina berdasarkan data tentang ciri-ciri industri berkenaan untuk membuat ramalan tentang pelbagai aspek titik permintaan. Ramalan model rangkaian saraf ingatan bersekutu bukan sahaja terhad kepada keutamaan kehidupan harian, makanan, pakaian, perumahan, dll. tetapi kini juga hampir meresap dalam pembangunan industri kewangan, ramalan kewangan, dll. Dalam kertas kerja ini, dengan menganalisis keupayaan pembangunan seterusnya dalam seiring dengan ciri-ciri industri dan landskap daya saing syarikat, didapati model tersebut dapat menggambarkan situasi syarikat dengan baik melalui petunjuk amaran awal dan memberi rujukan untuk pembangunan masa depan syarikat. Jika hanya pemasangan model data penunjuk kewangan diperkenalkan, ia akan menjadi terlalu tunggal dan tidak akan dapat menilai keadaan kewangan secara menyeluruh. Dalam kajian tersebut, didapati bilangan sampel dalam kategori risiko kewangan tinggi adalah terlalu kecil berbanding sampel dalam kategori risiko kewangan rendah dan sederhana, dan jika data sampel tidak seimbang, ia mungkin membawa kepada amaran awal. model tidak mempelajari ciri-ciri sampel dalam kategori risiko kewangan tinggi semasa latihan, yang akhirnya membawa kepada ketepatan ramalan yang rendah bagi sampel dalam kategori ini.

Memandangkan faktor seperti komposisi syarikat dan ekuiti juga boleh memberi kesan penting ke atas kewangan, makalah ini menambah penunjuk bukan kewangan untuk meningkatkan kebolehgeneralisasian dan ketepatan model. Pada masa kini, syarikat berada dalam persekitaran pasaran dan aktiviti sosial yang semakin kompleks, dan simulasi data besar dengan mengukur penunjuk berkaitan syarikat dalam industri boleh mencerminkan situasi semasa industri secara menyeluruh dan meluas, dan kemasukan munasabah penunjuk khusus industri boleh juga meningkatkan keberkesanan model amaran awal. Dengan menggabungkan penunjuk syarikat dan model amaran awal yang ditetapkan, komponen utama yang boleh dikenal pasti oleh model digunakan untuk menganalisis situasi di mana risiko syarikat timbul sambil memberikan pendapat yang menggabungkan butiran Syarikat B. Menggunakan amaran awal kewangan ini model, seseorang boleh menyesuaikan struktur syarikat, melakukan perancangan strategik dan pencegahan krisis lebih awal untuk pasaran yang berubah-ubah, menganjurkan latihan untuk bakat amaran awal kewangan, mengukuhkan komunikasi antara bakat amaran awal kewangan, dan memastikan struktur pegangan saham yang munasabah untuk mengelakkan satu saham menjadi dominan; kedua, seseorang boleh menambah baik pembinaan maklumat sistem kewangan dan mewujudkan satu set sistem kewangan yang terpakai kepada syarikat atas dasar ini. Pada masa yang sama, kita harus mematuhi pilihan pasaran, dan pembangunan pasaran yang pelbagai dapat memastikan persaingan mereka dan pada masa yang sama memberi tumpuan kepada kualiti produk.

Rujukan

[1] MA Fern ´ Mendez-G´ Gamez, JAC Soria, JAC Santos, dan ´ D. Alaminos, "Heterogenitas negara Eropah dalam ramalan kesusahan kewangan: analisis Empirikal dengan faktor makroekonomi dan peraturan," Permodelan Ekonomi, vol. 88, hlm. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr, dan M. El Bannany, "Pendekatan perceptron berbilang lapisan untuk ramalan kesusahan kewangan dengan algoritma genetik," Kawalan Automatik dan Sains Komputer, vol. 54, tidak. 6, hlm. 475–482, 2020.

[3] X. Yan, W. Weihan, dan M. Chang, "Penyelidikan mengenai model ramalan transaksi aset kewangan berdasarkan rangkaian saraf LSTM," Pengkomputeran dan Aplikasi Neural, vol. 33, tidak. 1, hlm. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko, dan H. Katagiri, "Ramalan kebankrapan untuk syarikat Jepun menggunakan mesin vektor sokongan, rangkaian saraf tiruan, dan analisis diskriminasi multivariate," Jurnal Antarabangsa Kejuruteraan Industri, vol. 1, tidak. 1, ms. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu, dan W. Ai, "Ramalan tekanan kewangan dinamik tidak seimbang kelas berdasarkan ensembel adaboost-SVM yang digabungkan dengan SMOTE dan pemberat masa," Information Fusion, vol . 54, hlm. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li, dan K. Li, "Model ramalan telemarketing bank berdasarkan t-SNE-SVM," Jurnal Sains dan Pengurusan Perkhidmatan, vol. 13, tidak. 3, hlm. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan, dan O. Escobar, "Kecerdasan buatan dan model perniagaan dalam perspektif matlamat pembangunan mampan: kajian literatur sistematik," Jurnal Penyelidikan Perniagaan, vol. 121, hlm. 283–314, 2020.

[8] PK Mitra dan C. Banga, "Meramalkan harga minyak mentah bakul India melalui pendekatan perbandingan model pembelajaran mesin," Jurnal Antarabangsa Peramalan Perniagaan dan Perisikan Pemasaran, vol. 5, tidak. 3, hlm. 249–266, 2019.

[9] G. Kumar, S. Jain, dan UP Singh, "Ramalan pasaran saham menggunakan kecerdasan pengiraan: tinjauan," Arkib Kaedah Pengiraan dalam Kejuruteraan, vol. 28, tidak. 3, hlm. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li, dan Y. Zhang, "Kaedah baharu untuk menilai pertumbuhan sistem maklumat PKS berdasarkan rangkaian neural BP yang lebih baik," Sistem Maklumat dan Pengurusan E-Perniagaan, vol. 18, tidak. 4, hlm. 779–792, 2020.

[11] BS Kumar, V. Ravi, dan R. Miglani, "Meramalkan pasaran saham India menggunakan ciri psiko-linguistik berita kewangan," Annals of Data Science, vol. 8, tidak. 3, hlm. 517–558, 2021.

[12] S.-J. Lin, "Teknik kecerdasan buatan dan visualisasi bersepadu untuk keputusan pengurusan yang dipertingkatkan dalam persekitaran perniagaan yang bergelora hari ini," Cybernetics and Systems, vol. 52, tidak. 4, hlm. 274–292, 2021.

For more information:1950477648nn@gmail.com