Un análisis empírico de la predicción de riesgos de la gestión financiera corporativa basado en la red neuronal de memoria asociativa

Como modelo computacional similar al cerebro humano que puede reflejar la función cognitiva del cerebro, el problema del análisis dinámico de las redes neuronales de la memoria asociativa ha atraído la atención de los académicos. Este artículo combina redes neuronales de memoria asociativa con riesgos de gestión financiera empresarial, estudia el control de sincronización y los problemas de análisis de estabilidad de redes neuronales amnésicas del cerebro humano similares a la memoria asociativa unidireccional con perturbaciones y desfases temporales mixtos que varían en el tiempo, propone una red neuronal similar a la memoria asociativa bidireccional. modelo de red neuronal amnésica estocástica cerebral con retardos de tiempo mixtos que varían en el tiempo, diseña una estrategia de control de muestreo en tiempo discreto basada en el modelo y estudia varios tipos de riesgos financieros recientes. Con base en la investigación de alerta temprana, basada en el método de red neuronal de memoria asociativa, proponemos reconstruir las categorías de riesgo, incluida la mejora del sistema de gestión de riesgos empresariales, la mejora de la conciencia sobre la gestión de riesgos financieros de arriba a abajo y el fortalecimiento de la competitividad central de la propia empresa y medidas de control de los riesgos de financiamiento, inversión, operación y flujo de efectivo.

Existe una estrecha relación entre la función cognitiva del cerebro y la memoria. Una excelente función cognitiva puede ayudarnos a aprender, recordar y comprender mejor la información.

Primero, la función cognitiva se refiere a la capacidad del individuo para percibir, procesar y expresar información externa. Esto incluye áreas como el control de la atención, la flexibilidad mental, la memoria de trabajo, las habilidades lingüísticas y la función ejecutiva. La memoria es el proceso de adquirir, mantener y utilizar información mediante la codificación, el almacenamiento y la recuperación de información. Las personas con una función cognitiva superior tienen capacidades de aprendizaje y procesamiento de información más fuertes y son más capaces de convertir la información en memoria a largo plazo.

En segundo lugar, existe una relación de promoción mutua entre la memoria y la función cognitiva. La mejora de la función cognitiva puede mejorar eficazmente nuestra memoria. Por ejemplo, tener un buen control atencional y concentración puede ayudarnos a retener mejor la información. Las mejoras en la función ejecutiva nos ayudan a codificar, almacenar y recuperar información mejor.

Además, la función cognitiva no sólo promueve la memoria, sino que una buena memoria también puede ayudarnos a ampliar la función cognitiva. Las personas con una excelente capacidad de memoria pueden dominar mejor diversas habilidades como el lenguaje, la música y los deportes, y ejercer mayores ventajas en las actividades cognitivas.

Por lo tanto, debemos ser plenamente conscientes de la estrecha relación entre la función cognitiva del cerebro y la memoria, mejorar deliberadamente la función cognitiva, entrenar activamente la memoria y prestar atención a la interacción entre la cognición y la memoria. Sólo así podremos ampliar continuamente nuestros límites cognitivos y mejorar nuestro nivel de desarrollo personal. Se puede ver que necesitamos mejorar nuestra memoria. Cistanche puede mejorar significativamente la memoria porque la pasta de carne es un material medicinal tradicional chino con muchos efectos únicos, uno de los cuales es mejorar la memoria. La eficacia de la carne picada proviene de una variedad de ingredientes activos que contiene, incluidos ácido carboxílico, polisacáridos, flavonoides, etc. Estos ingredientes pueden promover la salud del cerebro a través de varios canales.

Haz clic en conocer 10 formas de mejorar la memoria

1. Introducción

La red neuronal de memoria asociativa imita el patrón de funcionamiento de las células neuronales en el cerebro humano; en primer lugar, el patrón a memorizar se almacena en forma de red de pesos de la red neuronal; Al recibir la información de un patrón incompleto o defectuoso desde el exterior, la red neuronal en este momento hace que el patrón de entrada cambie continuamente su valor y converja al patrón memorizado mediante un cálculo paralelo masivo. )La red neuronal tiene un buen rendimiento robusto, lo que significa que la red neuronal de memoria asociativa tiene un buen rendimiento de tolerancia a fallos. Los patrones a memorizar se almacenan primero en forma de una red de pesos de la red neuronal.

Cuando recibe información del exterior sobre patrones incompletos o fragmentados, la red neuronal cambia continuamente sus valores y converge a los patrones memorizados a través de un cálculo paralelo masivo. Las redes neuronales de memoria asociativa se utilizan ahora ampliamente en el reconocimiento de patrones, procesamiento de imágenes, etc. La memoria autoasociativa significa que los patrones de aberración de entrada son iguales a los patrones recordados; A diferencia de la memoria heteroasociativa, los patrones de aberración de entrada no son los mismos que los patrones recordados, pero muestran relaciones de mapeo correspondientes. La memoria autoasociativa se refiere a la aplicación de la memoria asociativa en la que el patrón inicial de entrada es idéntico al patrón recordado de salida. ) El primer paso en la memoria autoasociativa es depositar el patrón memorizado deseado (por ejemplo, la palabra computadora) en una forma específica en los pesos de la red a través del algoritmo de aprendizaje de una red neuronal [1]. )es, es posible ingresar el patrón con información de señal, y la red neuronal realiza operaciones iterativas continuas para dar la salida correcta. Esta información de señal no es la palabra completa pero tiene información ruidosa, pero la red neuronal aún puede calcular obtener la información de la palabra recordada; es decir, esta red neuronal de memoria asociativa tiene un cierto grado de tolerancia a fallos.

La tolerancia a fallos es uno de los criterios para juzgar si la aplicación de la memoria asociativa es factible. )El proceso de memoria de la red neuronal, es decir, la configuración de los pesos de la red neuronal, necesita traducir los patrones memorizados en la forma de valores de estado de cada neurona cuando la red neuronal está en un estado estable; es decir, generalmente, un punto estable de la red neuronal puede almacenar un patrón, y la determinación del valor del punto estable debe establecerse de acuerdo con las condiciones necesarias requeridas por el modelo de red neuronal de memoria asociativa adoptado en este capítulo, generalmente sustituyendo el patrón de memoria en el conjunto de ecuaciones diferenciales de la red neuronal, luego enumerando la desigualdad correspondiente según las condiciones necesarias anteriores y relacionando esta desigualdad con el sistema de ecuaciones diferenciales acopladas para resolver un conjunto específico de soluciones y eventualmente determinar una peso más adecuado [2]. Este proceso también se realiza utilizando algoritmos de entrenamiento específicos (por ejemplo, a través de la autorretroalimentación de la red).

Dado que los patrones de entrada y salida de la memoria autoasociativa son idénticos, lo que significa que ambos tienen la misma dimensionalidad, esta es una característica de la memoria autoasociativa.

En las condiciones de una economía de mercado, las empresas deben ser conscientes de la objetividad de los riesgos financieros y, en la actualidad, las empresas generalmente tienen una conciencia débil de los riesgos financieros, la recaudación de fondos a ciegas, las inversiones imprudentes, un sistema inadecuado de gestión de riesgos financieros y el Estado. empresas de propiedad privada, que tienen puntos débiles como un mecanismo imperfecto de evaluación de riesgos financieros y la falta de medidas de control de riesgos. )para nosotros, estudiar las características de los riesgos financieros empresariales y tomar ciertas medidas para prevenirlos y gestionarlos se ha convertido en un tema importante al que nos enfrentamos ahora. Aunque el rápido desarrollo de diversas industrias también conlleva muchos riesgos, la industria aparece frecuentemente en crisis financieras e incluso conduce eventualmente a la quiebra de empresas [3]. La determinación del valor del punto de estabilidad se establece de acuerdo con las condiciones necesarias requeridas por el modelo de red neuronal de memoria asociativa adoptado en este capítulo, generalmente sustituyendo el modelo de memoria en el conjunto de ecuaciones diferenciales de la red neuronal y luego enumerando las desigualdades correspondientes. de acuerdo con las condiciones necesarias anteriores. Luego, esta desigualdad se combina con el conjunto de ecuaciones diferenciales para resolver una serie de soluciones específicas y finalmente determinar un valor de peso más adecuado. ) Por lo tanto, la gestión del riesgo financiero de las empresas es muy importante y puede determinar si la empresa puede desarrollarse de manera rápida y sólida.

En los últimos años, los académicos también han aumentado sus investigaciones sobre la gestión del riesgo financiero de las empresas, pero aún no se ha formado un sistema teórico sistemático para el estudio del riesgo financiero de las empresas. Además, el foco de la investigación existente es analizar los riesgos financieros de las empresas y presentar opiniones sobre el control del riesgo financiero, y hay relativamente pocos estudios que analicen los pasos de la gestión del riesgo financiero de las empresas, es decir, los medios de identificación, evaluación y control. de riesgos financieros, en profundidad. Basado en una red neuronal de memoria asociativa, este artículo combina la literatura teórica relevante sobre el control de riesgos financieros empresariales con el caso específico de control de riesgos financieros de Storm Group e investiga la identificación, análisis y evaluación del riesgo financiero y el control de las empresas, con la esperanza de desempeñar un papel de verificación complementario a la investigación teórica actual sobre el control de riesgos financieros en las empresas.

2. Estado de la investigación

Las redes neuronales artificiales se han estudiado intensamente en las últimas décadas debido a su amplia aplicación en muchos campos como el reconocimiento de patrones, la memoria asociativa, el procesamiento de señales y la optimización. Algunas aplicaciones, como las de la teoría de la optimización, requieren que las redes neuronales tengan un solo punto estable. Sin embargo, algunas otras aplicaciones, como la memoria asociativa y el reconocimiento de patrones, requieren la existencia de múltiples equilibrios estables en la propia red neuronal.

En la literatura se estudia la multiestabilidad de dos redes neuronales recurrentes con funciones de activación simétricas de origen en el plano de fase [4]. En la literatura se considera la estabilidad μ múltiple de redes neuronales con retardos de tiempo ilimitados que varían en el tiempo [5]. En la literatura se analiza la multiestabilidad de redes neuronales recurrentes con funciones de activación no monótonas y retardos de tiempo ilimitados que varían en el tiempo [6]. En la literatura [7], se analiza la multiestabilidad de redes neuronales de orden fraccionario en el sentido de Mittag-Leffler con parámetros constantes segmentarios. La multiestabilidad de una clase de redes neuronales de Hopfield con retardos estocásticos se estudió en la literatura [8] aplicando el principio del punto de inmovilidad de Schauder y la teoría del retardo estocástico relacionada, donde existen 2n regiones rectangulares invariantes bajo ciertas condiciones y en al menos una de estas regiones tiene un punto de equilibrio, y proponiendo dos condiciones suficientes para asegurar que estos puntos de equilibrio sean estables.

En la literatura [9] se propone una nueva condición que es menos restrictiva en relación con la condición del continuo de Lipschitz en funciones de activación de valores complejos, y se presentan una serie de criterios para garantizar la existencia, unicidad y ejemplos numéricos de puntos de estabilización asintótica global. de redes neuronales recurrentes de valores complejos. En la literatura [10], la estabilidad de redes neuronales recurrentes con retrasos que varían en el tiempo se analiza utilizando FTM (Método de borde flexible), y se proponen varios criterios de estabilidad nuevos para describir la estabilidad de esta red neuronal mediante la construcción de un nuevo tipo de Función de Lyapunov. En la literatura [11], se propone una idea de diseño novedosa para CVHAM (memoria asociativa de Hopfield multiestado de valores complejos) para analizar la estabilidad de los sistemas CVHAM utilizando el método de la función de energía y finalmente obtener que la red puede converger a un punto inmóvil durante un tiempo. Se analiza un valor de entrada arbitrario y la geometría de proyección del GPR (regla de proyección generalizada).

Según la literatura [12],Las empresas de Internet tienen las características financieras del modelo de "economía de flujo", el modelo de operación con activos livianos, costos y gastos livianos, reemplazo rápido de productos y financiamiento de capital. ) El riesgo financiero de las empresas de Internet tiene tanto las características de las empresas generales como sus características especiales. En comparación con las empresas en general, el riesgo de escasez de capital en las empresas de Internet es el más importante. )La literatura [13] introdujo el modelo de valoración EVA para explorar el vínculo entre el riesgo financiero y el valor empresarial de las empresas de Internet, utilizó el modelo EVA y el modelo de valoración tradicional para evaluar el valor empresarial de la empresa NetEase, y concluyó que el El modelo de valoración EVA es más preciso. La literatura [14] sostiene que las empresas de Internet tienen riesgos principalmente en el modelo de rentabilidad, el flujo de caja, la financiación, la inversión y la regulación gubernamental. También sugirió que las empresas de Internet deberían establecer un mecanismo sólido de alerta temprana de riesgos financieros, establecer una institución de auditoría profesional y un sistema de auditoría, fortalecer el trabajo presupuestario integral, mejorar el mecanismo de control de cuentas por cobrar y fortalecer la gestión de riesgos de financiamiento e inversión. La literatura [15] sostiene que el aseguramiento de la rentabilidad de los activos y las medidas de control propuestas para prevenir pérdidas inesperadas se logran a través de la gestión de riesgos. La literatura [16] sostiene que las empresas deberían primero establecer un sólido sistema de control interno al tomar decisiones comerciales, que pueda, hasta cierto punto, evitar sufrir riesgos financieros y causar dificultades operativas al financiar actividades. La literatura [17] estudia el origen del riesgo y el mecanismo de acción del riesgo financiero para explorarlo, una identificación, evaluación y control del riesgo más específicos, eliminando los factores de riesgo financiero ocultos.

3. Un modelo de riesgo para la gestión financiera corporativa basado en redes neuronales de memoria asociativa

3.1. Modelo de red neuronal de memoria asociativa. Los pasos básicos del algoritmo de entrenamiento de red neuronal recurrente actual son primero preprocesar las muestras que se van a reconocer para obtener vectores de características numéricas, ingresar estos vectores secuencialmente en la red y luego comparar la salida de la red con la salida actual por una diferencia. y utilice esta diferencia como retroalimentación negativa para corregir los pesos de la red. ) La ventaja de este algoritmo es que es simple de operar y el proceso de entrenamiento es un aprendizaje no supervisado, mientras que la desventaja también es evidente en que necesita ser reentrenado una vez cada vez que se recuerda un nuevo patrón de muestra, lo que puede consumir más tiempo en el caso de redes de mayor tamaño. )El modelo de red neuronal se construye ajustando los pesos de sus neuronas después de recibir datos, y las variables de entrada del modelo pueden cambiar según las necesidades reales, como factores de mercado e indicadores financieros. )El modelo de red neuronal se puede entrenar automáticamente para filtrar las mejores variables y ajustar los pesos de acuerdo con sus relaciones implícitas para construir un modelo no lineal y mejorar la precisión del modelo. )El método de entrenamiento se utiliza para corregir los pesos de la red alimentando continuamente muestras de entrenamiento de modo que los patrones de muestra que se recordarán estén integrados en los pesos de la red; es decir, la red "recuerda" las muestras. Es posible utilizar métodos algebraicos para resolver los pesos directamente, debido a que la red tiene una gran cantidad de atractores y puede recordar una gran cantidad de muestras, al usar las muestras como entrada, asumiendo que la salida es la salida deseada, representando ambas como vectores, y sustituirlos en las ecuaciones diferenciales del sistema, usar el conocimiento del álgebra lineal para resolver un conjunto de redes de pesos, luego usar otras muestras como entrada y finalmente resolver el número correspondiente de soluciones analíticas. )La intersección de estas soluciones analíticas es la red de pesos que se determinará si estas soluciones no se cruzan. )en, significa que la capacidad de memoria de la red no es suficiente y es necesario rediseñar un nuevo modelo para garantizar que tenga suficiente capacidad de memoria [18]. A continuación, se dará un ejemplo del diseño de la memoria asociativa, como se muestra en la Figura 1 para un ejemplo del proceso de la memoria asociativa.

donde x∗ i xi∗ es el punto de equilibrio estable del sistema con el i-ésimo conjunto de muestras como entrada, y este valor se elige de acuerdo con condiciones tales como la forma de la función de activación. Una condición suficiente para que esta ecuación tenga solución es que el número de puntos de equilibrio estable de la red neuronal sea mayor o igual al número de muestras a memorizar por el reclamo; es decir, el número de atractores debe ser lo suficientemente grande como para poder recordar una cantidad suficiente de patrones. )La ecuación se puede resolver mediante descomposición en valores singulares, la solución de la ecuación es también el vector de pesos de conexión de la red, y estos pesos implican información sobre los patrones que se deben recordar. ) El formulario anterior es generalmente un proceso de resolución de peso de memoria autoasociativa que se puede aplicar específicamente en los campos del reconocimiento de caracteres, reconocimiento de rostros, etc.) Se darán ejemplos para ilustrar el diseño y el proceso de resolución de peso de la red neuronal recurrente. Aplicaciones de memoria heteroasociativa basadas en. Los algoritmos tradicionales de reconocimiento de caracteres incluyen coincidencia de plantillas y OCR [19]. Para datos de muestra no balanceados, puede comenzar con métodos de reducción y aumento de resolución. El método de reducción de muestra, también conocido como método de reducción de muestra aleatoria, se refiere a la eliminación aleatoria de la clase de datos con más categorías mediante el método de muestreo. ) La ventaja es que el método de muestreo puede mejorar la precisión del modelo cuando las muestras eliminadas contienen datos ruidosos, y la desventaja es que algunas muestras importantes pueden eliminarse. El método de sobremuestreo se refiere a sintetizar una parte de datos de muestra pequeños mediante un algoritmo. En comparación con estos algoritmos de reconocimiento de caracteres, la memoria asociativa basada en redes neuronales recurrentes mencionada anteriormente se caracteriza por un bajo costo de diseño, una lógica de procesamiento simple, una rápida convergencia de la red, una menor dependencia de condiciones externas y una fácil implementación práctica. ) El punto más importante es que este sistema de memoria asociativa tiene un buen rendimiento de tolerancia a fallos; La alta tolerancia a fallas significa que cuando hay más ruido o perturbaciones en la muestra, también puede identificar correctamente el patrón objetivo, por lo que si este método de memoria asociativa se aplica al reconocimiento de imágenes, aunque la aplicación actual es simple y la idea es más básica, Después de un poco de desarrollo, creo que le resultará útil. Los pasos de diseño de redes neuronales recurrentes para memoria asociativa se resumen a continuación.

(1) Determinar las características del modelo de la red neuronal que se utilizará.

(2) Convertir los patrones que se recordarán en vectores como entradas al sistema, así como salidas que se sustituirán en las ecuaciones del sistema.

(3) La solución del sistema de ecuaciones se obtiene mediante la elección adecuada de las coordenadas del punto de equilibrio y mediante la descomposición en valores singulares.

(4) Almacenar las soluciones del sistema de ecuaciones como los pesos de la red neuronal.

(5) Construir un sistema de red neuronal de memoria asociativa y realizar pruebas de reconocimiento.

El circuito de red amnéstica reconfigurable basado en memoria asociativa consta de cuatro partes: el circuito de red amnéstica basado en memoria asociativa, el PRMC con señales binarias de entrada, el bloque de circuito sináptico y el circuito de control. En el circuito de red amnésica asociativa basada en la memoria, los pesos sinápticos indican la fuerza de las conexiones sinápticas y, por tanto, sólo los pesos positivos. )El PRMC de la señal binaria de entrada solo puede ser entrenado por el algoritmo para lograr la función correspondiente, por lo que el circuito sináptico debe representar pesos negativos, pesos cero y pesos positivos. En el circuito de red neuronal memética reconfigurable basado en memoria asociativa, el PRMC con señales binarias de entrada y el circuito de red neuronal memética basado en memoria asociativa utiliza el mismo circuito sináptico, y el circuito sináptico en el circuito de red neuronal memética basado en memoria asociativa está restringido a variar dentro de los pesos positivos mediante un circuito de control [20]. Los circuitos sinápticos en el bloque de circuitos sinápticos son compartidos, y estos circuitos sinápticos se pueden usar para construir tanto PRMC con señales binarias de entrada como circuitos de redes neuronales meméticas basadas en memoria asociativa. Como se puede observar en la Figura 2, las dos subredes operan de manera independiente, por lo que pueden trabajar en paralelo.

Al simular el aprendizaje y el olvido en la memoria asociativa, el circuito de red neuronal de memristor reconfigurable basado en la memoria asociativa puede cambiar dinámicamente la estructura del circuito para lograr la reconfiguración, correspondiente al siguiente proceso: cuando la señal de estímulo incondicionado y la señal de estímulo condicionado se ingresan simultáneamente al Circuito de red neuronal memristor basado en memoria asociativa, se induce el aprendizaje asociativo entre los dos, de modo que el peso sináptico correspondiente al estímulo condicionado aumenta gradualmente. Una vez finalizado el proceso de aprendizaje, si se mantiene la señal del estímulo condicionado, se induce el proceso de olvido. Durante el olvido, el peso sináptico correspondiente al estímulo condicionado disminuye gradualmente hasta que no logra activar el circuito neuronal correspondiente. Una vez finalizado el proceso de olvido, los circuitos de la red amnésica basada en la memoria asociativa no se activan independientemente de si se ingresa la señal de estímulo condicionado [21]. Luego, los circuitos sinápticos correspondientes al estímulo condicionado se pueden desconectar de los circuitos neuronales y estos circuitos sinápticos se pueden alimentar al bloque del circuito sináptico. Los circuitos sinápticos en el bloque de circuitos sinápticos se pueden utilizar para construir circuitos de redes amnésicas basadas en memoria asociativa o PRMC con señales binarias de entrada. De esta forma se consigue la reconfiguración del circuito.

4. Un modelo de predicción de riesgos basado en redes neuronales de memoria asociativa para la gestión financiera corporativa

El riesgo financiero es un tipo de riesgo empresarial que existe en actividades financieras como recaudar, invertir, gastar, recuperar y asignar actividades de fondos en el proceso de reproducción social. Y el riesgo es la desviación de las expectativas de la realidad. ) Existe una distinción entre riesgo financiero en sentido estricto y amplio. El riesgo financiero en sentido estricto se refiere al riesgo financiero que surge de la operación de endeudamiento en el proceso de recaudación de fondos para la empresa. El riesgo financiero en un sentido amplio se refiere a la incertidumbre de obtener los resultados financieros esperados en el proceso de realización de las actividades financieras de una empresa. ) Por lo tanto, el riesgo financiero existe en todas las empresas y en las actividades comerciales de la empresa y tiene un impacto significativo en la situación de pérdidas y ganancias y en las condiciones comerciales de la empresa. La gestión de riesgos financieros es la prevención, el control y la gestión de riesgos en la gestión financiera empresarial y también forma parte de la gestión integral de riesgos empresariales [22]. El diagnóstico interno es una forma que tiene la propia empresa de descubrir diversos problemas en el proceso de negocio mediante el autoanálisis y, finalmente, de resolverlos de forma específica. El diagnóstico externo significa que la empresa contrata a una organización externa para analizar el funcionamiento financiero de la empresa. Como nueva teoría de la ciencia de la gestión, es una teoría de la gestión desarrollada principalmente por académicos de acuerdo con la experiencia previa en gestión de riesgos y gestión financiera para todo tipo de riesgos en la operación de empresas. La gestión de riesgos financieros incluye la identificación, evaluación, análisis de causas y control de diversas actividades financieras de la empresa. Para garantizar el funcionamiento normal y el movimiento de capital de la empresa y evitar impactos negativos en los intereses económicos de la empresa, el proceso de gestión de la gestión de riesgos financieros incluye la identificación de riesgos, la evaluación, el análisis de las causas y el control de diversas actividades financieras de la empresa. y medidas oportunas y eficaces de prevención y control basadas en su función de alerta temprana.

) Los métodos más utilizados para la evaluación del riesgo financiero incluyen el análisis jerárquico, el método del factor de eficacia y el análisis factorial. ) El principio básico del análisis factorial es agrupar los indicadores con gran relevancia en una categoría y reemplazar cada categoría con un factor, reemplazando así todos los indicadores originales con unos pocos factores.

En este artículo, el análisis de la predicción del riesgo de la gestión financiera corporativa se lleva a cabo combinando el modelo de red neuronal de memoria asociativa con el análisis factorial. Se elige el análisis factorial por las siguientes razones: en primer lugar, el análisis factorial puede reducir el número de variables originales, al extraer y nombrar los factores principales en lugar de la gran mayoría de la información original; en segundo lugar, la muestra se puede clasificar y comparar. Según la puntuación de cada factor principal y la puntuación integral, se puede clasificar la muestra, lo que no solo muestra la clasificación de los factores individuales y aclara qué factores tienen un mayor impacto en la situación financiera de la empresa, sino que también analiza la clasificación integral de los factores después de la ponderación, lo que es beneficioso para la empresa al aclarar sus fortalezas y debilidades [23].

(6) Se construye una red neuronal de memoria asociativa basada en un modelo de árbol de decisión utilizando un algoritmo de histograma que facilita la segregación de los datos. )La diferencia con los modelos de árbol de decisión anteriores es que la red neuronal de memoria asociativa está orientada verticalmente, es decir, generando las hojas del árbol de decisión, mientras que otros modelos de árbol de decisión generan los niveles del árbol, por lo que se ejecuta el algoritmo de red neuronal de memoria asociativa. más rápido y almacena menos datos. Su característica principal es recorrer todo el conjunto de entrenamiento y hacer que los atributos sean discretos para variables continuas de punto flotante; Estos k datos discretos se construyen en un histograma con un ancho específico de k. )Se calcula el número de valores discretos que convergen dentro de cada histograma. Dado que existen muchos componentes del riesgo financiero, varios factores e indicadores financieros interactuarán entre sí para formar una relación compleja. En este artículo, se extraen los indicadores relevantes, los factores se extraen mediante pruebas de significancia y los factores adecuados para la construcción del modelo se obtienen mediante pruebas de esfericidad, extracción de componentes principales y otros pasos.

Con base en los factores obtenidos, se utiliza el modelo logístico de regresión por pasos para modelar la alerta temprana financiera. ) El proceso de modelado analiza gradualmente los factores de la composición del riesgo, utilizando las ventajas del modelo para proporcionar una base más intuitiva para la futura toma de decisiones de los gerentes. )los indicadores de alerta temprana seleccionados deben ser exhaustivos; es decir, los indicadores deben seleccionarse de los aspectos tradicionales de solvencia, rentabilidad, capacidad de desarrollo y capacidad operativa, y los indicadores deben seleccionarse de los aspectos de capacidad de investigación y desarrollo que reflejen las características de la industria, haciendo que la gama de indicadores seleccionados para La industria de fabricación de equipos de comunicación es más completa. )La empresa invierte capital en la producción de productos y recupera el capital y las ganancias a través de las ventas de los productos. La rotación del inventario sólo puede aumentar si las ventas son exitosas y el inventario se liquida rápidamente, por lo que la rotación del inventario indica qué tan rápido se puede recuperar el dinero de la venta de bienes. En general, una empresa puede mejorar su liquidez aumentando la rotación de sus inventarios. El índice de rotación de inventarios indica el nivel de inventario, mientras que el índice de rotación de activos circulantes refleja la velocidad de rotación de los activos circulantes, que es el más líquido de todos los activos de una empresa. Un nivel más bajo de rotación de activos corrientes puede tener un mayor impacto en la capacidad de pago a corto plazo de una empresa. ) Cuanto mayor sea el índice de rotación de activos circulantes, menor será el riesgo relativo de liquidez financiera. Una tasa de rotación lenta requerirá liquidez adicional para participar en la rotación, lo que generará un desperdicio de fondos y reducirá la rentabilidad de la empresa. Según la teoría anterior, en la clasificación posterior, el punto de corte óptimo solo se puede encontrar según el ancho del histograma. ) La idea del algoritmo de histograma se refleja principalmente en la conversión de datos de punto flotante en datos binarios, y la operación específica es determinar el número de depósitos contenidos en cada característica, actualizar los datos de cada depósito por separado después de una división igual y sustituya las características de la predicción de riesgos de la gestión financiera empresarial en el modelo de red neuronal de memoria asociativa, que se representa gráficamente como se muestra en la Figura 3.

3. En comparación con otros modelos basados ​​en algoritmos de árbol de decisión, las redes neuronales de memoria asociativa son más rápidas principalmente en términos de velocidad de carrera, consumen menos memoria y la precisión no se ve comprometida, combinando perfectamente tanto la pata de pez como la de oso. Con el deseo de pasar al siguiente nivel, el modelo se puede optimizar de las dos formas siguientes: para acelerar la velocidad de ejecución, el original se puede procesar simplemente; reducir la cantidad de características y datos, convertir variables de características en características de categoría o guardar los archivos de datos como archivos binarios, cambiar el método de entrenamiento del modelo a paralelo también puede acelerar la velocidad de ejecución del modelo; Para mejorar la precisión del modelo y reducir la tasa de aprendizaje del modelo, comenzando desde el modelo, ajuste los parámetros del modelo, elija la mejor combinación de parámetros, aumente los tiempos de aprendizaje del modelo y haga que el modelo comprenda mejor las leyes. entre los datos puede mejorar la precisión del modelo. Comenzar con los datos, aumentar la cantidad de datos de entrenamiento y preprocesar los datos para resolver los valores faltantes y el desequilibrio en los datos originales también puede entrenar mejor el modelo y mejorar el rendimiento del modelo.

4.1. Verificación experimental y conclusiones.

) Se entrenará el modelo de árbol de decisión CART con diseño de prepoda y pospoda, y el gráfico del árbol de decisión y el gráfico de importancia variable se generarán después del entrenamiento del modelo para interpretar mejor los resultados discriminantes del modelo de árbol de decisión CART. En primer lugar, se construyen los resultados discriminantes y el conjunto de reglas del modelo general de evaluación de riesgos financieros de la empresa. Debido a que hay demasiados valores de características de evaluación en la evaluación general del riesgo financiero de la empresa, el gráfico de importancia variable en la evaluación general del riesgo financiero de la empresa toma las 5 variables de mayor importancia y el modelo general de evaluación del riesgo financiero de la empresa genera el gráfico de importancia de la variable como se muestra en la Figura 4.

Como se puede ver en la Figura 4, entre las 18 características del modelo de árbol de decisión CART, "múltiplo de intereses ganados", "rendimiento de activos totales", "rotación de cuentas por cobrar", "rotación de activos totales" y "rendimiento ponderado sobre activos netos". " clasificó entre los cinco primeros en importancia, siendo "intereses ganados múltiples" el indicador más importante con una importancia de más de 0.5. La capacidad operativa refleja la eficiencia y eficacia de las operaciones de capital de una empresa con diferentes activos, y la eficiencia de rotación de diferentes tipos de activos generalmente se utiliza para determinar el nivel operativo de una empresa. Esto indica que las empresas deben centrarse en los "intereses ganados múltiples" cuando evaluar el riesgo financiero general y la suma de las cinco puntuaciones de importancia principales supera el 90%; por lo tanto, también indica que las empresas que cotizan en bolsa deben centrarse en estas cinco características del índice en el proceso de evaluación del riesgo financiero general de las empresas. ) La interpretación del conjunto de reglas generado por el modelo de árbol de decisión proporcionará evidencia cuantitativa para que la empresa que cotiza en bolsa evalúe el riesgo financiero general de la empresa, lo que ayudará a la empresa que cotiza en bolsa a medir si tiene riesgo financiero general.

) 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, la empresa no tiene riesgo financiero. )La interpretación del conjunto de reglas generado por el modelo de árbol de decisión proporcionará a la empresa que cotiza en bolsa evidencia cuantitativa para evaluar el grado de riesgo comercial de la empresa, lo que ayudará a la empresa que cotiza en bolsa a medir si tiene riesgo 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, la empresa no está en riesgo. )La interpretación del conjunto de reglas generado por el modelo de árbol de decisión proporcionará a la empresa que cotiza en bolsa evidencia cuantitativa para evaluar el nivel de riesgo de financiación de la empresa, lo que ayudará a la empresa que cotiza en bolsa a medir si tiene riesgo de financiación.

En la Figura 7, se puede ver que el modelo de este artículo basado en una red neuronal de memoria asociativa logra una precisión del 83% para el efecto discriminativo del conjunto de entrenamiento y una precisión del 76% para el conjunto de validación, lo que es un mejor resultado. Al mismo tiempo, este artículo combinó el modelo GBDT con el modelo de regresión logística para la predicción combinada, y los resultados de la predicción mostraron que el modelo combinado mejoró la precisión de la predicción del conjunto de entrenamiento al 91% y el conjunto de validación al 78%, en términos tanto de precisión como de estabilidad; El efecto de advertencia del modelo combinado es más significativo en comparación con el modelo único, por lo que demuestra la viabilidad del modelo combinado. En comparación con el modelo de regresión logística de modelo único, la curva ROC del modelo de advertencia de riesgo financiero de regresión del modelo de red neuronal de memoria asociativa está más cerca del eje superior izquierdo y su valor AUC es 0. 79, que es significativamente más alto que el valor AUC del modelo de regresión logística de 0.60. ) Las ventajas del modelo de advertencia de riesgo financiero de la red neuronal de memoria asociativa se pueden ver directamente a partir de la curva ROC y el valor AUC. Del experimento, se puede concluir que GBDT para la combinación de funciones puede extraer mejor la información en los datos financieros de las empresas que cotizan en bolsa, y el modelo logístico tiene una velocidad de procesamiento rápida, lo que puede resolver el problema de la velocidad de procesamiento lenta que GBDT no puede procesar. En paralelo, el modelo fusionado con GBDT y el modelo logístico se puede utilizar eficazmente en el campo de la alerta temprana de riesgos financieros de las empresas que cotizan en bolsa para el modelado.

La) tasa de aprendizaje electrónico es la tasa a la que las variables de entrada se actualizan en cada iteración durante el entrenamiento y determina qué tan lejos deben moverse los pesos en la dirección del gradiente en un lote pequeño, a través de muchas iteraciones, hasta llegar finalmente a una posición que coincida con la precisión del entrenamiento de la red. ) El proceso de aprender las características de un conjunto de datos de muestra mediante una red neuronal de memoria asociativa es el proceso de iteración constante hacia adelante. Una tasa de aprendizaje más baja hace que el proceso de formación sea más fiable, pero la optimización llevará más tiempo. Por otro lado, tasas de aprendizaje más altas conducen a una falta de convergencia del entrenamiento y pueden causar cambios de peso muy grandes, haciendo que la función de pérdida sea muy pobre. Se puede optimizar la tasa de multiplicación de matrices y mejorar la utilización de la memoria aumentando la cantidad de lotes en una región determinada, lo que reduce la cantidad de actualizaciones necesarias para completar el entrenamiento de todo el conjunto de datos y acelera un poco el proceso para los datos del mismo. capacidad. El descenso de gradiente estocástico actualiza solo la información de una muestra e a la vez, lo que acelera el entrenamiento, pero debido a que solo se usa una muestra a la vez, no representa toda la muestra de entrenamiento, lo que hace más difícil hacer converger los resultados del entrenamiento a algún valor mínimo. Para que una empresa alcance el desarrollo sostenible debe conceder gran importancia a sus capacidades de I+D e innovación. Sólo a través de la innovación continua y las invenciones continuas puede una empresa obtener una ventaja competitiva. Con el desarrollo del aprendizaje profundo, se demostró que los resultados de la capacitación se pueden convertir a un mínimo local disminuyendo lentamente la tasa de aprendizaje. Después de ajustar los parámetros varias veces, finalmente se obtuvieron los resultados de entrenamiento esperados y finalmente convergió el error absoluto promedio del modelo en las muestras durante el entrenamiento. Las curvas de pérdida para el conjunto de datos de muestra se muestran en la Figura 8. La línea azul en la figura representa la curva de pérdida del conjunto de entrenamiento y la línea naranja representa la curva de pérdida del conjunto de prueba; el eje horizontal presenta el número de iteraciones de las muestras en el proceso de entrenamiento y el eje vertical presenta el cambio del valor de error promedio durante el proceso de entrenamiento.

De acuerdo con los parámetros establecidos en este documento, la ventana de Spyder puede mostrar las pérdidas de las muestras de entrenamiento y prueba en cada iteración y calcular el error cuadrático medio del modelo al final del entrenamiento. Durante el proceso de entrenamiento, cuantas más iteraciones, menor será el error de muestreo, con fluctuaciones locales en un rango pequeño. Al comienzo del entrenamiento, el error cae rápidamente, y en el intervalo de entrenamiento de 10 a 50 iteraciones, el error cae a un ritmo rápido, lo que indica que el modelo se está ajustando localmente. A partir de 100 iteraciones de entrenamiento, el error cae más suavemente, lo que indica que el modelo ha convergido a un proceso óptimo. ) La tendencia de la curva de pérdida de la muestra de entrenamiento y el cambio de pérdida de la muestra de prueba se integran, y el error de la muestra de entrenamiento finalmente converge con un mejor ajuste; el error de la muestra de prueba converge al mínimo local y su ajuste no es tan bueno como el de la muestra de entrenamiento, pero el efecto de utilizar el descenso de gradiente para la optimización es obvio y no afectará el rendimiento de todo el modelo.

Basado en el modelo de red neuronal de memoria asociativa, el sistema de indicadores de alerta temprana que puede reflejar las características de riesgo de las empresas agrícolas cotizadas se establece combinando las características de riesgo de la empresa y las causas de su generación: contiene indicadores financieros y no financieros, que cubren la solvencia. , capacidad operativa, capacidad de desarrollo, rentabilidad y otros indicadores de capacidad. Para mejorar la velocidad de convergencia y la estabilidad del modelo, se utiliza el software SPSS para realizar análisis factorial de los datos de los indicadores primarios seleccionados y calcular las puntuaciones de los factores de las muestras como datos de la capa de entrada del modelo. De esta manera, se determina aún más la precisión del modelo de crisis financiera y se selecciona una parte de la muestra para probar el modelo. Finalmente, el modelo se aplica a la empresa real para identificar sus problemas y optimizarlos para reducir la posibilidad de su crisis financiera.

5. Conclusión

Los modelos de redes neuronales de memoria asociativa generalmente se construyen a partir de datos sobre las características de la industria en cuestión para hacer predicciones sobre diversos aspectos de los puntos de demanda. Las predicciones del modelo de red neuronal de memoria asociativa no solo se limitan a las preferencias de la vida diaria, comida, ropa, vivienda, etc., sino que ahora también están casi presentes en el desarrollo de la industria financiera, la previsión financiera, etc. En este artículo, analizando la capacidad de desarrollo posterior en Junto con las características de la industria y el panorama competitivo de la empresa, se encuentra que el modelo puede reflejar bien la situación de la empresa a través de indicadores de alerta temprana y proporcionar una referencia para el desarrollo futuro de la empresa. Si sólo se introduce el modelo de datos que ajusta los indicadores financieros, será demasiado único y no podrá juzgar la situación de las finanzas de manera integral. En el estudio, se encontró que el número de muestras en la categoría de alto riesgo financiero era demasiado pequeño en comparación con las muestras en las categorías de riesgo financiero bajo y medio, y si los datos de la muestra no estaban equilibrados, podría dar lugar a una alerta temprana. El modelo no aprende las características de las muestras en la categoría de alto riesgo financiero durante el entrenamiento, lo que eventualmente condujo a una baja precisión de predicción de las muestras en esta categoría.

Dado que factores como la composición de la empresa y el capital también pueden tener un impacto importante en las finanzas, este artículo agrega indicadores no financieros para mejorar la generalización y precisión del modelo. Hoy en día, las empresas se encuentran en un entorno de mercado y actividades sociales cada vez más complejos, y la simulación de big data mediante la cuantificación de los indicadores relevantes de las empresas de la industria puede reflejar la situación actual de la industria de manera integral y extensa, y la inclusión razonable de indicadores específicos de la industria puede También mejorará la eficacia del modelo de alerta temprana. Al combinar los indicadores de la empresa y el modelo de alerta temprana establecido, los principales componentes que puede identificar el modelo se utilizan para analizar la situación en la que surgen los riesgos de la empresa y al mismo tiempo proporcionar opiniones que incorporan los detalles de la Empresa B. Utilizando esta alerta temprana financiera En este modelo, se puede ajustar la estructura de la empresa, hacer planificación estratégica y prevención de crisis por adelantado para el mercado cambiante, organizar capacitación para talentos de alerta temprana financiera, fortalecer la comunicación entre talentos de alerta temprana financiera y garantizar una estructura accionaria razonable para evitar que una acción sea dominante; en segundo lugar, se puede mejorar la construcción de información del sistema financiero y establecer un conjunto del sistema financiero aplicable a la empresa sobre esta base. Al mismo tiempo, debemos respetar la elección del mercado, y el desarrollo de mercados diversificados puede garantizar su competencia y al mismo tiempo centrarse en la calidad del producto.

Referencias

[1] MA Fern ´ Méndez-G´ Gamez, JAC Soria, JAC Santos y ´ D. Alaminos, "Heterogeneidad de los países europeos en la predicción de dificultades financieras: un análisis empírico con factores macroeconómicos y regulatorios", Economic Modelling, vol. 88, págs. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr y M. El Bannany, "Un enfoque de perceptrón multicapa para la predicción de dificultades financieras con algoritmo genético", Control automático e informática, vol. 54, núm. 6, págs. 475–482, 2020.

[3] X. Yan, W. Weihan y M. Chang, "Investigación sobre el modelo de predicción de transacciones de activos financieros basado en la red neuronal LSTM", Neural Computing and Applications, vol. 33, núm. 1, págs. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko y H. Katagiri, "Predicción de quiebras para corporaciones japonesas que utilizan máquinas de vectores de soporte, redes neuronales artificiales y análisis discriminante multivariado", Revista Internacional de Ingeniería Industrial, vol. 1, núm. 1, págs. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu y W. Ai, "Predicción de dificultades financieras dinámicas con desequilibrio de clases basada en un conjunto adaboost-SVM combinado con SMOTE y ponderación temporal", Information Fusion, vol. . 54, págs. 128-144, 2020.

[6] J. Che, S. Zhao, Y. Li y K. Li, "Modelo de previsión de telemercadeo bancario basado en t-SNE-SVM", Journal of Service Science and Management, vol. 13, núm. 3, págs. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan y O. Escobar, "Inteligencia artificial y modelos de negocio en la perspectiva de los objetivos de desarrollo sostenible: una revisión sistemática de la literatura", Journal of Business Research, vol. 121, págs. 283–314, 2020.

[8] PK Mitra y C. Banga, "Predicción de los precios del crudo de la canasta india mediante un enfoque comparativo de modelos de aprendizaje automático", Revista Internacional de Previsión Empresarial y Inteligencia de Marketing, vol. 5, núm. 3, págs. 249–266, 2019.

[9] G. Kumar, S. Jain y UP Singh, "Previsión del mercado de valores utilizando inteligencia computacional: una encuesta", Archives of Computational Methods in Engineering, vol. 28, núm. 3, págs. 1069-1101, 2021.

[10] K. Lu, Y. Lyu, X. Li e Y. Zhang, "Un nuevo método para evaluar el crecimiento del sistema de información de las PYME basado en una red neuronal mejorada de BP", Sistemas de información y gestión de negocios electrónicos, vol. 18, núm. 4, págs. 779–792, 2020.

[11] BS Kumar, V. Ravi y R. Miglani, "Predicción del mercado de valores indio utilizando las características psicolingüísticas de las noticias financieras", Annals of Data Science, vol. 8, núm. 3, págs. 517–558, 2021.

[12] S.-J. Lin, "Técnica integrada de inteligencia artificial y visualización para mejorar las decisiones de gestión en los turbulentos entornos empresariales actuales", Cybernetics and Systems, vol. 52, núm. 4, págs. 274–292, 2021.

For more information:1950477648nn@gmail.com