Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу

Інноваційні методи оцінки банківського капіталу

Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Це – найпростіша конструкція з 2-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 4 терми) (Опрацювання [22])

Рис. 3.16. Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Це – найпростіша конструкція з 2-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 4 терми) (Опрацювання [22])

Інтерактивне вікно визначення складових системи Сугено у випадку вибору опції решітчастого розбиття (Опрацювання [22])

Рис. 3.17. Інтерактивне вікно визначення складових системи Сугено у випадку вибору опції решітчастого розбиття (Опрацювання [22])

Для проектування нової гібридної нейро-нечіткої мережі потрібно виконати послідовність дій:

• 1. Завантажити файл з експериментальними даними за допомогою кнопки Load data. Дані являють масив фактичних значень вхідних та вихідної змінної для певної кількості спостережень, збережених у файлі типу dat чи *.txt. Масив вхідних даних може бути імпортований з робочої області (workspace) MATLAB, до якої можлива вставка вхідних даних шляхом копіювання відповідного табличного масиву, створеного в програмі MS Excel.

• 2. Встановлення характеристик системи типу Сугено шляхом вибору опції Grid Partition (сітчасте розбиття) та натискання кнопки Generate області Generate FIS (рис. 3.15). Це призведе до появи вікна вводу параметрів сітчастого розбиття (рис. 3.17), в якому визначається кількість термів для кожної вхідної змінної та тип функцій належності для вхідних та вихідної змінної.

• 3. Визначення налаштувань процесу навчання в області Train FIS (рис. 3.15) та запуск навчання кнопкою Train Now. Ітерації процесу навчання та досягнута в їх результаті помилка навчання одночасно ілюструватимуться в області візуалізації.

• 4. Перевірка якості нейро-нечіткої системи за допомогою тестової вибірки, що передбачає такі дії:

  – а) . Завантаження файлу експериментальних даних, що увійшли до складу тестової вибірки. При цьому в області Load data обирається опція Testing і після натискання кнопки Load data завантажується потрібний файл даних. Необхідні дані можна завантажити і при допомозі робочої області (workspace) MATLAB.

  – б) 3апуск тестування мережі натисканням кнопки Test Now з області Test FIS (рис. 3.15). Залежно від вибору опцій цієї області в області візуалізації буде наведено графік експериментальних даних та даних, отриманих у результаті моделювання. По завершенні тестування в області виводу поточної інформації буде наведено середню помилку по тренувальній вибірці.

• 5. Перегляд структури нейро-нечіткої мережі, згенерованої ANFIS- editorom в результаті натискання кнопки Structure з області властивостей ANFIS (ANFIS info). Переглянути процес нечіткого висновку за допомогою нейро-нечіткої мережі можна, скориставшись командою меню View Þ Rules, – в результаті відкривається вікно Rule Viewer FIS-editory. Подальше налаштування параметрів побудованої та навченої моделі може виконуватись за допомогою стандартних засобів FIS-editory шляхом виклику відповідних вікон за допомогою команд меню Edit

• 6. Збереження створеної чи налаштованої системи Сугено шляхом вибору команд меню: File Þ Export Þ То disk (або натискання загальновідомої комбінації клавіш Ctrl+S) із подальшим вибором місця зберігання файла. Як і для будь-якої системі нечіткого висновку, створеної в середовищі MATLAB, програма додає розширення *.fis.

Під час розробки нейро-нечіткої мережі в ANFIS- editori слід пам'ятати, що в одному сеансі роботи можна завантажувати дані тільки одного формату з однаковою кількістю вхідних змінних, що співпадає із кількістю входів, визначених в області властивостей ANFIS (ANFIS info)

Вище подану послідовність дій в програмному середовищі ANFIS було реалізовано до двох наборів вхідних даних, сформованих у відповідності із двома вищезазначеними типами моделей прогнозування індикатору ВГПу (2 потенціалоутворюючих фактори: сума строкових депозитів фізичних та юридичних осіб, кредитно-інвестиційний портфель, або вільний грошовий потік за три попередні місяці). Зазначимо, що програма автоматично надає імена вхідним та вихідній змінним і їх терм-множинам, однак вони є малоінформаційними, що вимагає деякого "доопрацювання" системи, потрібного для подальшої економічної інтерпретації та розробки прикладних методик-алгоритмів.

Сторінки


В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Інноваційні методи оцінки банківського капіталу» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу“ на сторінці 4. Приємного читання.

Зміст

  • Вступ

  • Розділ 1. Концептуально-прикладні засади формування вартості капіталу банків

  • Макроекономічні чинники нагромадження капіталу банківською системою

  • Екзогенні тенденції зміни вартості капіталу банків як ділових підприємств

  • Розділ 2. Методологічний інструментарій оцінювання вартості капіталу банків як ділових підприємств

  • Сутність вартісного оцінювання капіталу фінансових організацій

  • Методичні підходи до оцінки ринкової вартості банків

  • Специфіка оцінки банків за витратним підходом

  • Особливості процедури оцінювання банків в рамках доходного підходу

  • Порівняльний підхід до оцінки банківського капіталу, його характеристика

  • Визначення ринкової вартості банку як ділового підприємства на основі порівняльного підходу

  • Розділ 3. Удосконалення процедур обчислення вартості капіталу банків засобами теорії нечітких множин

  • Нечітка система Мамдані-Ларсена як засіб обґрунтування величини дисконтної ставки

  • Оцінювання капіталу банків за допомогою фаззі-алгоритму типу Сутано

  • Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу
  • Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж

  • Висновки