Навігація
Головна
ПОСЛУГИ
Авторизація/Реєстрація
Реклама на сайті
Методики прогнозування грошових потоків банків за допомогою гібридних...Нагромадження капіталу та його історична тенденціяУдосконалення процедур обчислення вартості капіталу банків засобами...Вартість капіталу, залученого за рахунок банківського кредитуМакроекономічні чинники нагромадження капіталу банківською системоюВАРТІСТЬ КАПІТАЛУ ВІД ОБЛІГАЦІЙ ( Кd)Теоретичні та інституційні засади вартості банківського капіталуВизначення вартості власного капіталуМетодика оцінювання вартості капіталу підприємства й оптимізації його...ОЦІНЮВАННЯ РИНКОВОЇ ВАРТОСТІ МАШИН І ОБЛАДНАННЯ
 
Головна arrow Банківська справа arrow Інноваційні методи оцінки банківського капіталу
< Попередня   ЗМІСТ   Наступна >

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

З метою контролінгу за ефективністю вартісно орієнтованого управління банком як діловим підприємством пропонуємо наступний показник – Вільний грошовий потік (ВГПУ), розрахований укрупненим методом. На нашу думку, цей показник є універсальним, оскільки відображає як внутрішню вартість бізнесу, максимізація якої важлива для акціонерів [28], так і зовнішню вартість, оскільки обчислення і контроль такого показника не являє значних ускладнень для зовнішніх користувачів банківської інформації, зважаючи на низьку транспарентність останньої. Пропонуємо визначати ВГПУ шляхом віднімання від чистого прибутку зміни у власному капіталі банку, а отриманий результат збільшувати на величину амортизації, розрахованої як 5% усіх активів банку. Обчислення показника не вимагає значних витрат часу, проте його величина та динаміка несуть важливий зміст стосовно ефективності використання нагромадженого капіталу та чутливість банку до загроз нестабільного макроекономічного оточення. Крім того, розрахунок даного показника для будь-якого банку нескладно визначити і пересічним особам, що мають економічний інтерес до результатів функціонування банківської організації чи співпраці з нею, проте не мають вільний доступ до банківської звітності. Зокрема це стосується державних службовців, гравців фондового ринку, громадян, що розмірковують над проблемою розміщення депозитів у надійних банках, приватних інвесторів.

Зазначимо, що для порівняння вартісного потенціалу банків, різних за розмірами, діловою активністю, регіоном розташування, структурою капіталу слід, насамперед, забезпечити зіставність показників. З цією метою рекомендуємо використовувати такий відносний показник, як величина вільного грошового потоку, що припадає на кожну грошову одиницю власного капіталу (ВК). Запропонований показник капіталовіддачі за грошовим потоком може бути розраховано за формулою:

Щоб сформувати нормативну базу значень цього показника, подібно до запропонованих раніше моделей, нами було виконано кластерний аналіз за методом k-середніх для 176 банків вітчизняної банківської системи, що працювали у 2008 – 2012 р. Результати аналізу представлено на рис. 3.13, з якого помітно, що можливі три типові варіанти віддачі капіталу банківської системи, що варто враховувати на різних етапах оціночних процедур, здіснюваних в рамках дохідного та порівняльного методичних підходів. Головним чином це стосується етапів прогнозування грошових потоків, обґрунтування дисконтних ставок, а також внесення корегувальних поправок до бази обчислення порівняльних мультиплікаторів.

Результати кластерного аналізу вартісного потенціалу вітчизняних банків за критерієм капіталовіддачі за вільним грошовим потоком (Авторська розробка)

Рис. 3.13. Результати кластерного аналізу вартісного потенціалу вітчизняних банків за критерієм капіталовіддачі за вільним грошовим потоком (Авторська розробка)

Згідно статистичних розрахунків, виокремлення 4-х та більше кластерних групи виявилось недоцільним, адже спостереження які потрапили до "ефективного" кластеру спромоглися заробити близько 27,24 грн. на кожну гривну власного капіталу, "помірний кластер" характеризувавсь слабкою інтенсивністю грошового потоку – близько 41 копійок з кожної гривні власного капіталу ("Помірний" кластер було отримано об'єднанням двох кластерних груп, позначених на рис. 3.13 як Cluster 1 та Cluster 2). На нашу думку, будь-які випадки від'ємного грошового потоку варто характеризувати як "неефективні", а в силу довготривалого періоду виходу вітчизняної фінансової системи з кризи під час статистичного аналізу було виявлено, що типовим для неефективних банків є відтік грошових коштів в сумі 131,19 грн. з кожної гривні власного капіталу.

У зв'язку з цим перед власниками та менеджерами фінансових організацій та іншими особами, зацікавленими у визначенні вартості банківського капіталу, постає ще одна важлива проблема – прогнозування фінансових результатів та грошового потоку на середню та короткострокову перспективу. В силу мінливості напрямів та обсягів грошових потоків національної економіки, прогнозування фінансових результатів і руху грошових коштів банків значно утруднюється. Чимала варіація зазначених показників ускладнює використання економіко- математичних методів прогнозування, хоча певні кількісні залежності між обсягами ресурсів, наявних в банківській системі, та потенціалом їх прибутковості, беззаперечно, існують. Наголосимо на ускладненості таких зв'язків – нагромаджені на певний момент часу обсяг депозитів, кредитно-інвестиційний портфель чи досягнута прибутковість власного капіталу можуть детерміновано впливати не на остаточне значення грошового потоку а лише на певний проміжний фактор. Варто припустити, що решта факторів формується внаслідок варіації цих же трьох показників (обсяг депозитів, кредитно-інвестиційний портфель та прибутковість власного капіталу, досягнута на початок періоду прогнозу), проте в інших пропорціях. Для виявлення таких прихованих детермінант, які можуть складати кількарівневу систему, що в кінцевому підсумку із прийнятним рівнем достовірності дозволить прогнозувати вартісноутворюючий показник банку, якнайкраще дозволяють методи інтелектуального аналізу даних, зокрема нейронні мережі чи гібридні нейро-нечіткі моделі. Щоб зробити результати використання засобів штучного інтелекту придатними для застосування, складні прогностичні моделі, встановлені на підставі статистичного аналізу та математичного опрацювання емпіричної інформації, в подальшому потрібно

перетворити на прикладні методики-алгоритми, що містять перелік операцій, які має здійснити користувач, перед тим, як отримає результат. Тобто, підвищити привабливість технологій дейтамайнінгу для фахівців банківської сфери можливо насамперед шляхом перетворення складних формалізованих залежностей на систему зрозумілих рекомендацій, що несуть конкретний економічний зміст.

Вважаємо за доцільне побудувати засобами штучного інтелекту та адаптувати для практичного застосування два типи моделей прогнозування індикатору ВГПУ:

1. На підставі вивчення головних потенціалоутворюючих факторів.

2. Шляхом вивчення авторегресійної залежності індикатору змін вартості банківського капіталу.

Модель першого типу розроблялась, виходячи з припущення, що згенерований протягом певного періоду грошовий потік, звичайно, залежить від того, якими були "стартові умови" банківської організації на початку цього періоду: скільки ліквідних ресурсів було залучено, як було використано існуючий фінансовий потенціал, наскільки результативною виявилась процентна політика. Зазначені міркування зумовили наступний набір вхідних змінних:

D – сума строкових депозитів фізичних і юридичних осіб, млн.грн. на початок останнього місяця, що передує даті оцінки;

КІП кредитно-інвестиційний портфель, млн.грн. на початок останнього місяця, що передує даті оцінки.

Особливістю пропонованої моделі є "лаговий розріз", адже незалежні фактори відображають економічний стан банку на початок періоду, а залежна змінна – ВГПУ розраховується на кінець періоду, тим самим відображаючи здатність фінансової організації використовувати існуючий потенціал створення цінності для акціонерів.

Відзначимо, що кореляційно регресійний аналіз виявив помірну тісноту стохастичного зв'язку між зазначеними факторами та індикатором вартості як результативним показником тільки для "ефективного" кластеру, у той час як для всієї вибірки, "помірного" та "неефективного" кластерів коефіцієнт кореляції для жодного із незалежних факторів за абсолютним значенням не перевищував 0,4. Звичайно, отримані регресійні рівняння вкрай неточно визначатимуть обсяги грошового потоку і не можуть бути рекомендованими для практичного використання, тому й не наводяться в даній роботі. Однак для їх побудови було опрацьовано чималий масив кількісних залежностей між потенціалоутворюючими показниками банків – ретроспективний аналіз охоплював період з січня 2008 по квітень 2012 року в помісячному розрізі для всієї банківської системи. Тому доцільно розглянути інші способи визначення зв'язку між потенціалоутворюючими факторами та змінами індикатору вартості капіталу. З цією метою нами було застосовано інструментарій неро-нечіткого моделювання.

Щодо моделей другого типу – авторегресійних – відзначимо, що багатьом економічним явищам і процесам, як на макро- так і на макрорівнях властива циклічна повторюваність. Це дає підстави для припущення щодо залежності результативного показника вільного грошового потоку в поточному періоді від його ретроспективної динаміки, наприклад протягом попереднього кварталу чи півріччя. Звичайно, розбіжності у масштабах діяльності, специфіці стратегічного управління, ринкової ніші, територіального розташування позначатимуться на тривалості таких приватних ділових циклів. Однак інструментарій штучного інтелекту дозволить "типізувати" форми прояву приватних ділових циклів фінансових організацій, а отже й виробити конкретизовані рекомендації щодо моніторингу їх фінансового стану та управління в залежності від досягнутого рівня ефективності банківського менеджменту. Крім того, у фаховій літературі детально відображені вдалі спроби застосування нейромережевого моделювання для аналізу циклічних економічних процесів й періодичної динаміки фінансових ринків [12]. В залежності від частоти прояву тих чи інших тенденцій зміни ефективності банку можна припустити, що показники варіації результатів попередніх періодів, поєднуючись у різних пропорціях, дозволять передбачити результати фінансової діяльності у перспективі. Звичайно, виявити такі приховані залежності, встановити складність та кількість рівнів проміжних детермінант, якнайкраще вдасться завдяки використанню нейронних мереж. При цьому гібридні моделі додатково дозволять виокремити "типові" сценарії прояву циклічності результатів у банківському секторі. Під час розробки авторегресійних моделей проблема обсягу та суттєвості інформації також не втрачає гостроти. Оскільки результати нейромережевого моделювання необхідно представити у зручній для користувача формі методики-алгоритму, залежностей не повинно бути дуже багато. Оскільки обсяг людської уваги обмежений 7 – 9 одиниць, кількість правил-залежностей не має перевищувати 9. Згідно правил комбінаторики, 9 правил може бути отримано як сукупність різноманітних пар передумов, утворених не більше, ніж трьома змінними. Отже, для цілей розробки рекомендацій по удосконаленню прогнозування та управління вартісноутворюючими фінансовими потоками банків доцільно обмежити глибину ретроспективи 3-ма періодами. Для досліджуваної вибірки, у якій періодичність інформації складає місяць, незалежними вхідними змінними будуть показники грошового потоку за попередній квартал – тобто за 3 місяці. Виявивши сукупність закономірностей, що детермінують мінливість грошових потоків за попередній квартал, і застосовуючи інтелектуальну систему прогнозування на основі авторегресії, користувач зможе оцінювати динаміку ефективності використання капіталу банками у середньостроковій перспективі. У такий спосіб визначаються "контрольні показники", перевищення яких свідчить про поліпшення використання фінансового потенціалу тим чи іншим банком. Натомість недосягнення фактичними значеннями прогнозованих "контрольних цифр" буде ознакою знецінення вартості банківського капіталу. В цьому зв'язку варто наголосити ще на одному аспекті практичного застосування результатів створеної системи штучного інтелекту: у випадку сталої тенденції до заниження розрахункової величини вільного грошового потоку, у порівнянні з фактичною, прогноз грошових потоків, а отже і вартість банківського капіталу, обчислена в рамках дохідного підходу, не матиме необгрунтовано завищеного спекулятивного значення. Безперечно, орієнтація на песимістичний сценарій дозволить більш обґрунтовано керувати поведінкою учасників фондового ринку, уникаючи спекулятивних бульбашок й подальших деструктивних наслідків для банківської системи та національної економіки в цілому. Гібридна нейромережева модель, побудована на підставі вивчення авторегресійної залежності індикатору змін вартості банківського капіталу, містить наступні незалежні вхідні змінні:

ago – значення ВГПУ, млн.грн., на початок останнього кварталу, що передує даті оцінки;

before – значення ВГПУ, млн.грн., що передує даті оцінки на 2 місяці;

now – значення ВГПУ, млн.грн. на початок останнього місяця, що передує даті оцінки.

В обох моделях штучного інтелекту вихідною змінною є значення індикатору ВГПу. Зупинимось детальніше на функціонуванні гібридних нейрон-нечітких моделей, які в результаті численних експериментів ми рекомендуємо покласти в основу розробки методик прогнозування індикаторів ефективності вартісного управління банками.

Хоча подібні системи деякою мірою позбавлені прозорості, користувачеві, якого насамперед цікавить фінансовий результат банку, не надто інтересні складні математичні викладки та обчислення. Як зазначалось раніше, уникнути надмірних труднощів під час візуального аналізу та економічної інтерпретації моделі стане можливим завдяки проектуванню систем із кількістю вхідних змінних, не більшою, ніж З (позначення вхідних змінних для систем обох типів наведено вище). Крім того, у [12] зазначено, що для великого масиву вхідних даних- спостережень гібридні нейро-нечіткі моделі дозволяють отримати прийнятні результати короткострокових прогнозів, значно кращі, порівняно з моделями авторегресії. Остання настанова якнайкраще підтверджує доцільність виконаної розробки на підставі щомісячних

даних по всій вітчизняній банківській системі. Тому детальніше зупинимось на результатах використання ANFIS-моделей (Adaptive- Network-based Fuzzy Inference System) під час проектування систем нечіткого висновку. Адаптивні системи нечіткого висновку являють собою систему типу Сугено, в якій кожне правило нечітких продукцій має постійну вагу, рівну одиниці. Проте, досвід удосконалення процедури проектування систем нечіткого висновку свідчить, що саме за рахунок корегування вагових коефіцієнтів правил, присутніх у базі знань, досягається витончене налаштування алгоритму. Отже, гібридні мережі вимагають додаткових налаштувань вагових коефіцієнтів правил, отриманих в результаті багатоітераційного навчання мережі. Архітектура ANFIS-моделі, представлена на рис. 3.14 [73, 88], являє собою п'ятишарову нейронну мережу прямого розповсюдження сигналу. При цьому першому шару (із подвійним точковим контуром та символічним зображенням гаусові кривої) відповідають терми вхідних змінних, які найчастіше задаються Гаусовими, чи трикутними. Кількість нейронів першого шару визначається сумарною кількістю термів вхідних змінних у системі нечіткого висновку, причому самі вхідні змінні, присутні у структурі у вигляді нейронів, розташованих у крайньому лівому "стовпчику", в окремий шар не виділяються – це входи системи. Кожен вхід з'єднаний із такою кількістю нейронів першого шару, скільки терм- множин визначено для відповідної вхідної мережі. З виходів першого шару інформаційні сигнали відповідно із лініями-зв'язками надходять до другого, який містить передумови нечітких правил.

Звичайно один і той же терм вхідної змінної може бути використаним у кількох правилах, тому кількість виходів кожного нейрону першого шару відповідає кількості посилань на нього у правилах нечіткого логічного висновку. Якщо структура нейромережі побудована за допомогою генератору ANFIS-систем середовища MATLAB, колір нейронів другого шару відповідає типу логічної зв'язки, використаної при побудові правила. Виходом кожного нейронного вузла є міра виконання правила, що обчислюється як добуток міри істинності всіх наявних у правилі передумов, тому на схемі (рис. 3.14) нейрони другого шару мають позначення "П" – символу добутку аргументів.

Структурна модель гібридної нейрон-нечіткої мережі Розроблено на підставі [73, с. 49 – 52]

Рис. 3.14. Структурна модель гібридної нейрон-нечіткої мережі Розроблено на підставі [73, с. 4952]

Нейрони третього шару акумулюють інформацію про міру істинності висновків кожного з правил. Кількість нейронів другого та третього шарів збігається і дорівнює кількості правил у базі знань. Єдиний нейрон четвертого шару – це суматор, який виконує агрегацію виходів всіх правил, наявних у базі знань, саме тому його позначено символом "Σ". Нарешті п'ятий шар, також позначений темним кольором, є виходом мережі. Він теж містить єдиний нейрон, який видає чітке значення вихідної змінної. У спеціалізованій науковій літературі, зокрема [60] обґрунтовано принципи побудови та функціонування значно складніших нейро-нечітких моделей, порівняно із варіантом структури, яку генерує підсистема MATLAB ANFIS-editor Побудова гібридних нейро-нечітких моделей здійснюється у результаті розрахунку таких параметрів функцій належності, що дозволили б якнайкраще відобразити кількісні та структурні характеристики існуючої вибірки даних.

Під час обчислення параметрів функцій належності використовують відомі процедури навчання нейронних мереж. Зазвичай, використовують комбінацію градієнтного спуску у вигляді алгоритму зворотного розповсюдженні помилки. Алгоритм зворотного розповсюдження помилки налаштовує параметри функцій належності.

Крім того, може застосовуватись і метод найменших квадратів, що дозволяє оцінити коефіцієнти висновків правил, оскільки ANFIS-модель реалізує систему нечіткого висновку Сугено, у якій вхідні змінні лінійно пов'язані із виходами мережі. Кожна ітерація процедури налаштування виконується в два етапи. На першому етапі на входи подається навчальна вибірка і за нев'язкою між бажаною і дійсною поведінкою мережі методом найменших квадратів обчислюються оптимальні параметри лінійних функцій належності вихідної змінної, які у структурній моделі мережі (рис. 3.14) е нейронам третього шару. На другому етапі остаточна нев'язка передається з виходів мережі на входи і методом зворотного розповсюдження модифікуються параметри функцій належності вхідних змінних – вузлів першого шару. При цьому обчислені коефіцієнти функцій належності вихідної змінної залишаються без змін. Ітераційна процедура налаштування триває доти, доки нев'язка перевищує заздалегідь встановлений поріг.

Програмна реалізація нейро-нечітких мереж засобами MATLAB спрощується у випадку роботи не у режимі командного рядку, а в разі застосування вбудованого редактору ANFIS, який шляхом обробки тренувальної вибірки даних обирає якнайкращі, з точи зору узгодження фактичних і розрахункових результатів, параметри функцій належності. При цьому вагові коефіцієнти всіх правил встановлюються на рівні одиниці. Отримана в результаті подібного налаштування система може виявитися надто складною, проте для невеликих систем, що містять одну вихідну і 2 – 3 вхідних змінних, налаштування вагових коефіцієнтів правил за допомогою нейронних мереж надає прийнятні результати. Редактор нейро-нечіткої мережі (ANFIS-editor) дозволяє автоматично синтезувати з експериментальних або експертних даних нейро-нечіткі мережі та налаштовувати їх [73, с. 126 – 130]. ANFIS-editor викликається у результаті друку слова anfisedit та натискання клавіші ENTER в командному рядку MATLAB. У результаті виконання цієї команди з'являється інтерактивне діалогове вікно (рис. 3.15).

Відповідно до рис. 3.15, на якому також наведено призначення функціональних полів ANFIS-редактору, під час створення або налаштування гібридних нейро-нечітких систем використовують:

• команди меню: File, Edit, View;

• область візуалізації;

• область властивостей ANFIS;

• область завантаження даних;

• область генерування вихідної системи нечіткого висновку;

• область навчання;

• область тестування;

• область виводу поточної інформації;

• кнопки Help та Close

Меню Edit містить такі команди:

• команда Undo відміняє виконану дію, що може також бути виконано натисканням комбінації клавіш Ctrl+Z,

• команда FIS Properties... відкриває FIS-редактор, що може також бути викликаним натисканням комбінації клавіш Ctrl+1;

• команда Membership Functions... відкриває редактор функцій належності, що може також бути викликаним натисканням комбінації клавіш Ctrl+2,

команда Rules... відкриває редактор бази знань, що може також бути викликаним натисканням комбінації клавіш Ctrl+3,

• команда Anfis... відкриває ANFIS-редактор бази знань, що може також бути викликаним натисканням комбінації клавіш Ctrl+4 Ця команда, запущена з ANFIS-редактору, не призводить до виконання будь-яких дій, оскільки його вже відкрито.

В області візуалізації міститься інформація двох типів:

• при налаштуванні системи – динаміка навчання у вигляді графіку залежності помилки навчання від номеру ітерації;

• при завантаженні даних та тестуванні системи – експериментальні дані та результати моделювання.

Дані виводяться у вигляді точок в двовимірному просторі. По осі абсцис відкладається порядковий номер даних у навчальній, тестовій чи контрольній вибірці, а по осі ординат – значення вихідної змінної для даного рядку вибірки. Використовуються наступні маркери:

• блакитна точка (•) – тестова вибірка;

• блакитне коло (О) – навчальна вибірка;

• блакитний плюс (+) – контрольна вибірка;

• червона зірочка (*) – результати моделювання.

В області властивостей ANFIS (ANFIS info) наводиться кількість вхідних та вихідних змінних, кількість функцій належності для кожної вхідної змінної, а також об'єми вибірок даних. В області (рис. 3.15) розташовано дві кнопки Structure та Clear Plot. Натискання Clear Plot очищує область візуалізації, а натискання кнопки Structure відкриває нове вікно (рис. 3.16), в якому система нечіткого висновку відображається нейро-нечіткою мережею.

На рис. 3.16 мережа містить 2 входи, один вихід та 4 нечіткі правила, що позначено чорними та синіми (на рис. 3.16 – темно-сірі) кругами. Кількість білих кругів, з'єднаних з кругами-позначками вхідних змінних відображає кількість їхніх терм-множин.

Про присутність певного терму в логічному правилі свідчить наявність з'єднувальної лінії із синім кругом-позначенням правила. Виходи правил – білі круги є термами вихідної змінної, яких для системи з рис. 3.16 також 4. Агрегація правил нечітких продукції відображена білим кругом, що передує чорному кругу на позначення дефаззифікованої вихідної змінної.

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 (Ценайпростіша 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.

 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >
 
Дисципліни
Агропромисловість
Банківська справа
БЖД
Бухоблік та Аудит
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Менеджмент
Нерухомість
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
РПС
Соціологія
Статистика
Страхова справа
Техніка
Товарознавство
Туризм
Філософія
Фінанси