Automatyczne monitorowanie kondycji finansowej

• Autorzy: Kamila Migdał-Najman , Krzysztof Najman

Warianty tytułu

Automatic Monitoring System of Financial Standing of Companies

• Języki publikacji: PL

Abstrakty

Przedstawione badanie jest jedynie ilustracją metody monitorowania kondycji finansowej podmiotów. Nie jest to więc badanie wyczerpujące. Wiele aspektów ważnych w analizach empirycznych nie zostało tu rozwiniętych (np. problem wyboru wskaźników czy szczegóły budowy i optymalizacji samej sieci SOM). Niemniej autorzy są przekonani, że udało się wykazać duży potencjał praktyczny prezentowanej metodologii. Wyróżnienie na sieci SOM spółek o słabej, przeciętnej i dobrej kondycji finansowej jest zadaniem względnie łatwym. Obserwacja na mapie SOM zmian w czasie kondycji poszczególnych walorów jest intuicyjna i oparta na analizie graficznej. Jest to szczególnie cenna własność sieci SOM i jej duży praktyczny atut. Praktycy zwykle niechętnie poznają tajniki specjalistycznych metod analizy danych, które wymagają profesjonalnej znajomości statystyki i ekonometrii. Chętnie się jednak będą posługiwali wizualizacją wyników nawet bardzo złożonej metody, kiedy nie wymaga się znajomości jej naukowych szczegółów. Warto także zauważyć, że sieć SOM umożliwia jednoczesną, wieloaspektową analizę danych, pozwalając obserwować złożoną własność przedsiębiorstwa, którą jest "kondycja finansowa". Dostarcza syntetycznego opisu rzeczywistości tak w ujęciu statycznym, jak i dynamicznym. Jest także doskonałym narzędziem do porównań wielu podmiotów jednocześnie, prezentując na mapie SOM względne podobieństwa i różnice między obiektami opisywanymi wieloma cechami. Sieci SOM z pewnością warto włączyć do zbioru narzędzi stosowanych przez analityków rynków finansowych. Zdaniem autorów, sieci tego typu znakomicie uzupełniają inne powszechnie stosowane metody analizy finansowej przedsiębiorstw. (fragment tekstu)

EN

The SOM (self-organizing map) network is one of the most popular unsupervised artificial neural networks models used for clustering, classification, visualization in number of real-world problems. The focus in this article is better understanding of the trends and patterns among today's financial l markets. Through the creation of SOM maps of fundamental data, it is possible to detect similarities and dissimilarities among stocks and time trace their evolution over long periods of time . In this article we have demonstrated how self-organizing map can be created for illustrating the trajectory or evolution companies on Warsaw Stock Exchange , how to aplly SOM to diagnose company solvency. (original abstract)

Słowa kluczowe

PL

Monitoring finansowy; Monitoring w przedsiębiorstwie

EN

Financial monitoring; Workplace monitoring

• Czasopismo: Zeszyty Naukowe Uniwersytetu Szczecińskiego. Ekonomiczne Problemy Usług
• Rocznik: 2009
• Numer: nr 31, T.1 Ekonomiczne i organizacyjne instrumenty wspierania rozwoju lokalnego i regionalnego. Finanse, rachunkowość, przedsiębiorczość
• Strony: 172--181

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• M.R. Tyran: Wskaźniki finansowe. Wydawnictwo Wolters Kluwer Polska - Oficyna, 2004.
• T.Kohonen: Self-Organizing Maps.Springer Series in Information Scienes , Springer-Verlag , Berlin Heidenberg 1997.
• G Deboeck,T. Kohonen:Visual explorationsin finase with Self-Organizing Maps.Springer-Verlag, London 1998.
• K. Migdał-Najman, K. Najman: Applying llie Kohonen Selforganizing Map Networks to Selecting Variables. Data Analysis, Machinę Learning and Applications, Studies in Classification, Data Analysis and Knowledge Organization, C. Presisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker, Springer Verlag Berlin Heidelberg 2008, s. 45-54
• K. Migdał-Najman, K. Najman: Diagnozowanie kondycji finansowej spółek notowanych na GPW w Warszawie w oparciu o sieć SOM. Zeszyty Naukowe nr 389. Rynek Kapitałowy, skuteczne inwestowanie. Cz. 1. Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Szczecin 2004, Is-507-519^6 S. Papadimitriou, S. Mavroudi, L. Vladutu, Ci. Pavlides, A. Bezerianos: The supervised network wJ-Organizing Map for classification of large data sets. "Applied Intelligence", Kluwer Academic Publis" ers, 16, 2002, s. 187
• A. Delgado: Control of nonlinear systems using a Self-Organizing neural network. -Neural Computing&Applications", Springer-Yerlag, 9, 2000, s. 113.
• J. Vcsanto: Data mining łechniques based on ihe Sef-Organizing Maps. Helsinki University of Technology, Department of Engineering Physics and Mathematics, ESPOO, Finland 1997, s. 16-17.