Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж

Інноваційні методи оцінки банківського капіталу

де afterj – чітке значення вихідної змінної (after) у відповідності із j-м правилом, встановлене згідно табл. 3.15, 3.16;

Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі авторегресійної залежності за 3 останніх місяці (Авторська розробка)

Рис. 3.21. Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі авторегресійної залежності за 3 останніх місяці (Авторська розробка)

а) Результати розрахунків вільного грошового потоку банків за допомогою нейро-нечітких мереж на основі потенціалоутворюючих факторів. (Авторська розробка)

Рис. 3.22. а) Результати розрахунків вільного грошового потоку банків за допомогою нейро-нечітких мереж на основі потенціалоутворюючих факторів. (Авторська розробка)

– міра істинності j-го правила, визначена як мінімальна міра впевненості в істинності k-го терму і-ї вхідної змінної, що входить до j-го правила:

т – кількість правил нечіткої бази знань, m=8 згідно з табл. 4.5.4, 4.5.5;

– міра істинності k-го терму і-ї вхідної змінної, визначена у відповідності з даними табл. 3.14.

Отже коливання руху грошових коштів відбуваються щокварталу, і цей факт, беззаперечно, слід враховувати не лише під час оцінювання капіталу фінорганізацій, але й на різних етапах контролінгу їх бізнес- процесів. При цьому важливо таким чином керувати грошовими потоками, щоб тривалість періодів їх послаблення не перевищувала 2 місяці.

На користь достовірності зроблених висновків та доцільності практичного застосування побудованих систем штучного інтелекту в практиці менеджменту вартості банків свідчить близьке до нуля значення середньої помилки по тестовій вибірці (рис. 3.22 а, б).

Зокрема позначки на діаграмах (у вигляді хрестиків для фактичних значень відповідно тестової 3.22) свідчать, що у переважній більшості випадків обидві гібридні мережі не видають надмірно завищених даних, а отже вони є придатним для практичного використання в оціночній, прогнозувальній та планувальній практиці.

Наступний розділ:

Висновки

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 „Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж“ на сторінці 3. 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