Neuronowe modele identyfikowania sytuacji finansowej przedsiębiorstw

• Autorzy: Marjak H.

Warianty tytułu

EN

Neuronal models to identification financial distress of enterprises

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono badania dotyczące konstruowania modelu oceny sytuacji finansowej przedsiębiorstw w oparciu o sztuczne sieci neuronowe. Parametry sieci neuronowej optymalizowane były za pomocą algorytmu gradientów sprzężonych z regularyzacją oraz RPROP (resilient backpropagation). W zaproponowanych modelach sytuacja finansowa badana była na podstawie informacji, zawartych w raportach kwartalnych spółek branży spożywczej notowanych na WGPW.

EN

In the paper were presented researches constructing of model to estimating financial distress of enterprises based on artificial neural nets. Parameters of neural nets were optimized by scaled conjugate gradient and resilient backpropagation algorithms. In proposed models financial distress was developed based on information from quarterly reports of food branch enterprises quoted on WGPW (Warsaw Stock Exchange).

• Wydawca: -
• Czasopismo: Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu
• Rocznik: 2010
• Tom: 12
• Numer: 3
• Opis fizyczny: s.263-268,rys.,tab.,bibliogr.

Twórcy

autor

Marjak H.

• Zakład Analizy Systemowej, Wydział Ekonomiczny, Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, ul.K.Janickiego 31, 71-270 Szczecin

Bibliografia

• Altman E.I., Haldeman E., Narayanan P. 1977: Z analysis: A new model to identify bankruptcy risk of corporations. Journal of Banking and Pinance, vol. 10, s. 29-54.
• Altman E.I., Marco G, Varetto F. 1994: Corporate Distress Diagnosis: Comparison Using Linear Discriminant Analysis and Neural Networks (the Italian Experience). Journal of Banking and Pinance, nr 18, s. S0S-S29. Altman I.E. 1968: Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Pinance, september, s. S89-609.
• Balcaen S., Ooghe H. 2004: Alternative methodologies in studies on business failure: do they produce better results than the classic statistical methods? Vlerick Leuven Gent Management School, Gent. Working Paper Series, nr 16,
• Beaver W.H. 1968: Alternative accounting measures as predictor of failure. The Accounting Review, Autumn, s. 112-22.
• Becerra V.M., Galväo R.K.H., Abou-Seada M. 200S: Neural and Wavelet Network Models for Financial Distress Classification. Data Mining and Knowledge Discovery, nr 11, s. 35-55.
• Garcia D., Arques A., Calvo-Flores A. 1997: Un modelo discriminante para evaluar elriesgo bancario en los creditos a empresas. Revista Espanola de Pinanciacion y Contabilidad, vol. 24 No. 82, s. 175-200.
• Liou F.M., Yang C.H. 2008: Predicting business failure under the existence of fraudulent financial reporting.
• International Journal of Accounting and Information Management, vol. 16 No. 1, s. 74-86.
• Moller M.F. 1993: A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, vol. 6, s. 525-533.
• Riedmiller M., Braun H. 1992: A fast adaptive learning algorithm. Technical Report, University Karslruhe, Germany.
• West D. 2000: Neural Network Credit Scoring Models. Computers & Operations Research, nr 27, s. 1131-1152.