+7(495) 989 9610
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Подход к нейросетевому анализу текстовой информации при экономической оценке компаний

Купить электронную версию статьи

т. 20, вып. 8, август 2021

Получена: 27.05.2021

Получена в доработанном виде: 08.06.2021

Одобрена: 22.06.2021

Доступна онлайн: 30.08.2021

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ

Коды JEL: C53, G3

Страницы: 1574–1594

https://doi.org/10.24891/ea.20.8.1574

Неврединов А.Р. аспирант кафедры предпринимательства и внешнеэкономической деятельности, Московский государственный технический университет им. Н.Э. Баумана, Москва, Российская Федерация 
a.r.nevredinov@gmail.com

ORCID id: отсутствует
SPIN-код: 9186-4690

Предмет. При оценке предприятий важна максимальная точность и всесторонность анализа, хотя применение разнообразных показателей финансового состояния организации и внешних факторов уже дает достаточно высокую точность прогнозов. Многие исследователи уделяют все больше внимания обработке естественного языка для анализа различных текстовых источников. Этот предмет исследования крайне актуален на фоне потребностей компаний быстро и всесторонне анализировать свою деятельность.
Цели. Анализ методов обработки естественного языка, а также источников текстовой информации о компаниях, которые могут быть применены в таком анализе. Разработка подхода к анализу текстовой информации. Такой тип анализа может быть применен по отношению к российским компаниям для автоматизированного извлечения значимой информации из текстов.
Методология. Использованы методы анализа и синтеза, подходы систематизации, формализации, сравнительного анализа, теоретические и методологические положения, содержащиеся в отечественных и зарубежных научных трудах по темам текстового анализа, в том числе для оценки компаний.
Результаты. Предложен и апробирован подход к использованию нечисловых показателей для анализа компании. В частности, предложена авторская модель, созданная на основе существующих разработок, показавших свою действенность. Обоснована польза применения данного подхода при анализе состояния компании и включения результатов такого анализа в модели для общей оценки состояния компаний.
Выводы. Результаты работы развивают научно-практическое представление о методах анализа компаний, пути применения текстового анализа с помощью машинного обучения. Эти методы могут быть использованы для поддержки принятия управленческих решений на предприятиях для автоматизации анализа своей или других компаний на рынке, с которыми ведется какое-либо взаимодействие.

Ключевые слова: прогнозирование банкротства, машинное обучение, анализ предприятий, искусственные нейронные сети, обработка естественного языка

Список литературы:

  1. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 23, no. 4, pp. 589–609. URL: Link
  2. Горбачев 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
  3. Дроговоз П.А., Рассомагин А.С. Обзор современных методов интеллектуального анализа данных и их применение для принятия управленческих решений // Экономика и предпринимательство. 2017. № 3. С. 689–693.
  4. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.
  5. Горбатков С.А. и др. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности. М.: Экономическая газета, 2012. 494 с.
  6. Hebb D.O. The Organization of Behavior, Wiley, New York, 1949, 335 p.
  7. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 288 с.
  8. Горбачевская Е.Н., Краснов С.С. История развития нейронных сетей // Вестник Волжского университета им. В.Н. Татищева. 2015. № 1. С. 52–56. URL: Link
  9. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт. М.: Альпина Паблишер, 2001. 317 с.
  10. Краснов М.А. Метод предсказания динамики финансовых временных рядов в инвестировании // Terra Economicus. 2009. Т. 7. № 1. Ч. 2. С. 93–98. URL: Link
  11. Kohonen T. Self-Organizing Maps, NY., Springer-Verlag, 2001, 317 p.
  12. 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, 2015, vol. 353, Springer, Cham. URL: Link
  13. 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
  14. Bishop C.M., Svensen M., Williams C.K.I. Developments of the generative topographic mapping. Neurocomputing, 1998, vol. 21, iss. 1, pp. 203–224.
  15. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997, vol. 9, iss. 8, pp. 1735–1780. URL: Link
  16. Тьюринг А.М. Может ли машина мыслить? (С приложением статьи Дж. фон Неймана «Общая и логическая теория автоматов»). М.: Государственное издательство физико-математической литературы, 1960.
  17. Хлопенкова А.Ю., Белов Ю.С. Методы обработки естественного языка в виртуальных голосовых помощниках // E-Scio. 2019. № 11. С. 167–173. URL: Link
  18. Юсков В.С., Баранникова И.В. Сравнительный анализ платформ обработки естественного языка // Горный информационно-аналитический бюллетень (научно-технический журнал). 2017. № 3. С. 272–278. URL: Link
  19. Mai Feng, Tian Shaonan, Lee Chihoon, Ma Ling. Deep Learning Models for Bankruptcy Prediction using Textual Disclosures. European Journal of Operational Research, 2019, vol. 274, iss. 2, pp. 743–758. URL: Link
  20. Федорова Е.А., Хрустов Л.Е., Демин И.С. Влияние качества раскрытия нефинансовой информации российскими компаниями на их инвестиционную привлекательность // Российский журнал менеджмента. 2020. Т. 18. № 1. С. 51–72. URL: Link
  21. Федорова Е.А., Афанасьев Д.О., Нерсесян Р.Г., Ледяева С.В. Влияние нефинансовой информации на основные показатели российских компаний // Журнал новой экономической ассоциации. 2020. № 2. С. 73–96. URL: Link
  22. Гринин И.Л. Разработка, тестирование и сравнение моделей сентиментального анализа коротких текстов // Инновации и инвестиции. 2020. № 6. С. 186–189. URL: Link
  23. Воронов В.И., Мартыненко Э.В. Исследование параллельных структур нейронных сетей для использования в задачах по семантической классификации текста на русском языке в условиях ограничения вычислительных ресурсов (на примере оперативных сводок в системе МВД России) // Экономика и качество систем связи. 2018. № 3. С. 52–60. URL: Link
  24. 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.
  25. Биконов Д.В., Бражкин А.А., Сивцов А.С. и др. Высокоуровневая система параллельного программирования многоядерного гибридного процессора // Наноиндустрия. 2020. Т. 13. № S4. С. 94–96. URL: Link
  26. Кафтанников И.Л., Парасич А.В. Проблемы формирования обучающей выборки в задачах машинного обучения // Вестник Южно-Уральского государственного университета. Сер.: Компьютерные технологии, управление, радиоэлектроника. 2016. Т. 16. № 3. С. 15–24. URL: Link
  27. Рубцова Ю.В. Построение корпуса текстов для настройки тонового классификатора // Программные продукты и системы. 2015. № 1. С. 72–78. URL: Link
  28. Veganzones D., Séverin E. An investigation of bankruptcy prediction in imbalanced datasets. Decision Support Systems, 2018, vol. 112, pp. 111–124. URL: Link
  29. Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation, 1997, vol. 9, no. 8, pp. 1735–1780. URL: Link
  30. Гречачин В.А. К вопросу о токенизации текста // Международный научно-исследовательский журнал. 2016. № 6-4. С. 25–27. URL: Link

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 20, вып. 8, август 2021

Другие номера журнала