Неврединов А.Р.аспирант кафедры предпринимательства и внешнеэкономической деятельности, Московский государственный технический университет им. Н.Э. Баумана (МГТУ), Москва, Российская Федерация a.r.nevredinov@gmail.com ORCID id: отсутствует SPIN-код: 9186-4690
Предмет. Оценка состояния компаний, методы прогнозирования банкротства. Цели. Разработка инструментального метода на основе машинного обучения для прогнозирования банкротства. Исследование источников информации, выбор исходных параметров, изучение возможностей прогнозных моделей. Методология. Использованы методы анализа и синтеза, а также подходы систематизации, формализации, сравнительного анализа. Теоретические и методологические положения, содержащиеся в отечественных и зарубежных научных трудах по темам анализа компаний и прогнозированию банкротства. Результаты. Предложен и апробирован инструментальный метод для прогнозирования банкротства. В частности, предложены авторские наборы показателей, выявленные на основе анализа ключевых показателей финансовой устойчивости, результативности и внешних факторов, влияющих на компании на рынке. Собрана обучающая выборка данных, включающая российские и зарубежные компании, разработаны модели на основе машинного обучения, обладающие высокой точностью предсказаний. Выводы. Результаты развивают научно-практическое представление о методах прогнозирования банкротства и могут быть использованы для поддержки принятия управленческих решений в организации для автоматизации собственного анализа или анализа других организаций, с которыми оно взаимодействует.
Ключевые слова: прогнозирование банкротства, машинное обучение, анализ компаний, искусственные нейронные сети
Список литературы:
Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 23, iss. 4, pp. 589–609. URL: Link
Almaskati N., Bird R., Yeung D., Lu Y. A horse race of models and estimation methods for predicting bankruptcy. Advances in Accounting, 2021, vol. 52, 100513. URL: Link
Горбачёв А.С., Дроговоз П.А. Прогнозирование как инструмент опережающего развития технологических компетенций в промышленности // Креативная экономика. 2020. Т. 14. № 12. С. 3427—3438. URL: Link
Дроговоз П.А., Рассомгин А.С. Обзор современных методов интеллектуального анализа данных и их применение для принятия управленческих решений // Экономика и предпринимательство. 2017. № 3-1. С. 689—693.
Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. Wiley, 1949.
Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2017. 288 с.
Горбачевская Е.Н., Краснов С.С. История развития нейронных сетей // Вестник волжского университета им. В.Н. Татищева. 2015. № 1. С. 52—56.
Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.
Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.
Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина Паблишер, 2001. 317 с.
Краснов М.А. Метод предсказания динамики финансовых временных рядов в инвестировании // Terra Economicus. 2009. Т. 7. № 1-2. С. 93—98. URL: Link
Kohonen T. Self-Organizing Maps. NY, Springer-Verlag, 2001, 502 p.
Silva B., Marques N. Ubiquitous Self-Organizing Map: Learning Concept-Drifting Data Streams. In: Rocha A., Correia A., Costanzo S., Reis L. (eds) New Contributions in Information Systems and Technologies. Advances in Intelligent Systems and Computing, Springer, Cham, 2015, vol. 353. URL: Link
Загоруйко Н.Г., Кутненко О.А. Цензурирование обучающей выборки // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2013. № 1. С. 66—73. URL: Link
Bishop C.M., Svensen M., Williams C.K.I. Developments of the generative topographic mapping. Neurocomputing, 1998, vol. 21, iss. 1, pp. 203–224. URL: Link00043-5
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735-1780. URL: Link
Горбатков С.А. и др. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности. М.: Экономическая газета, 2012. 494 с.
Коротеев М.В. Обзор некоторых современных тенденций и технологий машинного обучения // E-Management. 2018. Т. 1. № 1. С. 26—35. URL: Link 10.26425/2658-3445-2018-1-26-35
Bughin J., Hazan E., Ramaswamy S. et al. Artificial Intelligence: The Next Digital Frontier? McKinsey Global Institute, 2017, 80 p.
Дроговоз П.А., Коренькова Д.А. Современный инструментарий гибкого управления ИТ-проектами и перспективы его совершенствования с использованием технологий искусственного интеллекта // Экономика и предпринимательство. 2019. № 10. С. 829—833.
Биконов Д.В., Бражкин А.А., Пузиков А.Д. и др. Высокоуровневая система параллельного программирования многоядерного гибридного процессора // Наноиндустрия. 2020. Т. 13. № S4. С. 94—96. URL: Link
Макаров В.Л., Бахтизин А.Р., Бекларян Г.Л. Разработка цифровых двойников для производственных предприятий // Бизнес-информатика. 2019. Т. 13. № 4. С. 7—16. URL: Link
Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник Южно-уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2016. Т. 16. № 3. С. 15—24.
Santoro E., Gaffeo E. Business Failures, Macroeconomic Risk and the Effect of Recessions on Long-Run Growth: A Panel Cointegration Approach. Journal of Economics and Business, 2009, vol. 61, iss. 6, pp. 435–452. URL: Link
Platt H.D., Platt M.B., Pedersen J.G. Bankruptcy discrimination with real variables. Journal of Business Finance & Accounting, 1994, vol. 21, iss. 4, pp. 491–510. URL: Link
Veganzones D., Séverin E. An investigation of bankruptcy prediction in imbalanced datasets. Decision Support Systems, 2018, vol. 112, pp. 111–124. URL: Link
Большаков М.А. Подготовка данных системы мониторинга ИТ-инфраструктуры для моделей выявления критических состояний на основе нейросетей // Наукоемкие технологии в космических исследованиях Земли. 2019. Т. 11. № 4. С. 65—71. URL: Link
Goodfellow L., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning Series). The MIT Press, 2016, 800 p.
