Finanse, Rynki Finansowe, Ubezpieczenia

Wcześniej: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia

ISSN: 2450-7741     DOI: 10.18276/frfu.2018.92-14
CC BY-SA   Open Access 

Lista wydań / 2/2018 (92)
Możliwości zastosowania złożonych struktur prognozujących w systemach eksperckich wczesnego ostrzegania o sytuacjach kryzysowych w przedsiębiorstw

Rok wydania:2018
Liczba stron:14 (161-174)
Słowa kluczowe: prognozowanie bankructwo struktury dynamiczne analiza wskaźnikowa system wspomagania decyzji
Autorzy: Leonard Rozenberg
Wydział Informatyki ZUT w Szczecinie

Abstrakt

Cel – Celem badań prezentowanych w artykule jest zaprezentowanie nowej metody prognozowania (określania) sytuacji kryzysowych w przedsiębiorstwie. Metodologia badania – Wykorzystanie struktur dynamicznych, stosowanych dotychczas w sterowaniu oraz w zadaniach optymalizacji. Badania przeprowadzono na dużej bazie danych wskaźników finansowych przedsiębiorstw metodą symulacji komputerowej poprzez porównanie wyników uzyskanych proponowaną metodą z wynikami osiąganymi przez stosowane powszechnie metody i podejścia. Wynik – Wyniki badań wskazują na możliwość zrealizowania dyskretnej struktury prognozującej stan i sytuację finansową w przedsiębiorstwie, której skuteczność będzie porównywalna lub lepsza w stosunku do istniejących i stosowanych obecnie rozwiązań w tej dziedzinie. Oryginalność/wartość – Zaproponowano nową metodę prognozowania sytuacji kryzysowej, zaś wyniki badań są z całą pewnością oryginalne nie tylko w skali kraju, ale także w skali światowej. Wartość poznawcza samej metody, jak i uzyskanych wyników wydaje się być wysoka.
Pobierz plik

Plik artykułu

Bibliografia

1.Altman, E.I. (1968). Financial Ratio, Discriminant Analysis and Prediction of Corporate Bankruptcy. Journal of Finance.
2.Gruszczyński, M. (2002). Kondycja finansowa przedsiębiorstw. Prognozy ekonometryczne. W: Zarządzanie finansami: klasyczne zasady – nowoczesne narzędzia, red D. Zarzecki. Szczecin: Wydawnictwo Naukowe Uniwersytetu Szczecińskiego.
3.Haykin, S. (1996). Adaptive Filter Theory. Englewood Cliffs: Prentice-Hall.
4.Hertz, J., Krogh, A., Palmer, R.G. (1995). Wstęp do teorii obliczeń neuronowych. Warszawa: Wydawnictwa Naukowo-Techniczne.
5.Julier, S.J., Uhlmann, J.K. (1996). A General Method for Approximating Nonlinear Transformations of Probability Distributions. Oxford: Robotics Research Group, University of Oxford, Technical Report.
6.Michie, D., Spiegelhalter, D.J., Taylor, C.C. (1994). Machine Learning, Neural and Statistical Classification. Nowy Jork: Ellis Horwood.
7.Pietruszkiewicz, W. (2004). Możliwości zastosowania dyskretnych struktur prognozujących w systemach eksperckich wczesnego ostrzegania o sytuacjach kryzysowych w przedsiębiorstwie. Praca doktorska, promotor dr. hab. inż. Leonard Rozenberg, Politechnika Szczecińska.
8.Shirata, C.Y. (1998). Financial Ratios as Predictors of Bankruptcy in Japan. An Empirical Research. Journal of Risk and Management, 23.
9.Sierpińska, M., Jachna, T. (1999). Ocena przedsiębiorstwa według standardów światowych. Warszawa: Wydawnictwo Naukowe PWN.
10.Sitz, A., Schwarz, U., Kurths, J., Voss, H.U. (2002). Estimation of Parameters and Unobserved Components for Nonlinear Systems from Noisy Time Series. Physical Review, E 66.
11.Wan, E.A,. van der Merwe, R. (2003). Sigma-Point Kalman Filters for Probabilistic Inference in Dynamic State-Space Models. Montreal: Proceedings of the Workshop on Advances in Machine Learning.
12.Wan, E.A., van der Merwe, R. (2001). The Unscented Kalman Filter. W: Kalman Filtering and Neural Networks, red. S. Haykin. New York: John Wiley & Sons.
13.Wilson, R.L., Sharda, R. (1994). Bankruptcy Prediction Using Neural Networks. Decision Support Systems, 11.