Динамические нейросетевые модели банкротств корпораций при неполных данных

Монография посвящена сложной и практически неисследованной проблеме нейросетевого моделирования развития процессов банкротств корпораций в динамике. Сложность этих моделей вытекает из специфической неполноты данных, обусловленных юридическими причинами, и сильной зашумленности данных. Предложен метод оптимизации структуры нейросети в комбинации с её байесовской регуляризацией, а также алгоритм компрессии переменных на основе обобщенной функции желательности Харрингтона. Разработан на основе общесистемных законов концептуальный базис нейросетевого моделирования и реализующий его нейросетевой логистический динамический метод, который восстанавливает неполные данные в ходе решения задачи аппроксимации зависимости «вход-выход». Впервые рассмотрены гибридные нейросетевые модели неправомерных банкротств юридических лиц. Выдвинутые теоретические идеи подробно иллюстрируются прикладными задачами и обосновываются вычислительными экспериментами на реальных данных. Материал монографии на 90% оригинален, обобщает и развивает методы нейросетевого моделирования банкротств из прежних книг авторов. Для студентов, магистрантов и преподавателей широкого круга вузов, а также научных работников, интересующихся проблемами нейросетевого моделирования в сфере финансового менеджмента и экономической безопасности предприятий.