Uczenie maszynowe do samoorganizacji systemów rozproszonych w zastosowaniach gospodarczych

• Autorzy: Jerzy Balicki , Waldemar Korłub

Warianty tytułu

Machine Learning for the Self-organization of Distributed Systems in Economic Applications

• Języki publikacji: PL

Abstrakty

W pracy omówiono uczenie maszynowe do samoorganizacji systemów rozproszonych w zastosowaniach gospodarczych ze szczególnym uwzględnieniem sieci neuronowych do predykcji finansowych oraz szacowania ratingu przedsiębiorstw. Oprócz sieci neuronowych, istotną rolę w przygotowaniu i testowaniu informatycznych systemów finansowych może pełnić programowanie genetyczne. Z tego powodu omówiono uczenie maszynowe w aplikacjach konstruowanych automatycznie. W celu uzyskania przewagi konkurencyjnej uczenie maszynowe może być wykorzystane do zarządzania zasobami samoorganizujących się mgieł i chmur obliczeniowych do realizacji obliczeń biznesowych w firmie. Opisano także wybrane zastosowania gospodarcze samoorganizujących się systemów rozproszonych, w tym odniesiono się do badań nad wiarygodnością kredytobiorców, a także wskazano na metody stosowane do szacowania ryzyka sektora bankowego. Na zakończenie przedstawiono kluczowe wnioski oraz kierunki dalszych badań. (abstrakt oryginalny)

EN

In this paper, an application of machine learning to the problem of self-organization of distributed systems has been discussed with regard to economic applications, with particular emphasis on supervised neural network learning to predict stock investments and some ratings of companies. In addition, genetic programming can play an important role in the preparation and testing of several financial information systems. For this reason, machine learning applications have been discussed because some software applications can be automatically constructed by genetic programming. To obtain a competitive advantage, machine learning can be used for the management of self-organizing cloud computing systems performing calculations for business. Also the use of selected economic self-organizing distributed systems has been described, including some testing methods of predicting borrower reliability. Finally, some conclusions and directions for further research have been proposed. (original abstract)

Słowa kluczowe

PL

Programowanie genetyczne; Sztuczne sieci neuronowe (SSN); Uczenie maszynowe; Systemy rozproszone; Rating

EN

Genetic programming; Artificial neural networks (ANN); Machine learning; Systems diffuse; Rating

• Czasopismo: Współczesna Gospodarka
• Rocznik: 2017
• Tom: 8
• Numer: nr 1
• Strony: 1--26

Twórcy

autor

Jerzy Balicki

• Politechnika Warszawska

autor

Waldemar Korłub

• Politechnika Gdańska

Bibliografia

• Angeline P. J., Subtree crossover: Building block engine or macromutation?, Genetic Programming 1997: Proceedings of the Second Annual Conference, Stanford University, CA, USA, Morgan Kaufmann, 1997, s. 9-17.
• Baesens B., Setiono R., Mues C., Vanthien J.: Using neural network rule extraction and decision tables for credit-risk evaluation. Management Science, Vol. 49, No. 3, March 2003, pp. 312-320.
• Balicka H., Balicki J., Korłub W., Paluszak J., Zadroga M.: Superkomputery do wspomagania procesów gospodarczych ze szczególnym uwzględnieniem sektora bankowego. Współczena Gospodarka, Vol. 4, Issue 5, 2014, ss. 1-15.
• Balicki J., Dryja P., Korłub W., Przybyłek P., Tyszka M., Zadroga M., Zakidalski M.: Metody neuronowe do prognozowania finansowego, Współczesna Gospodarka, Vol. 7, No. 2, 2016, ss. 21-36.
• Balicki J., Korłub W., Krawczyk H., Paluszak J.: Genetic programming with negative selection for volunteer computing system optimization, The 6th IEEE International Conference on Human System Interaction (HSI), Sopot, Poland, June 6-8, 2013, pp. 271 - 278.
• Balicki J., Kuchta J. (red.): Obliczenia rozproszone w systemach komputerowych o architekturze klasy grid, Wyd. Politechniki Gdańskiej, Gdańsk 2012.
• Balicki J., Przybyłek P., Zadroga M., Zakidalski M.: Sztuczne sieci neuronowe oraz metoda wektorów wspierających w bankowych systemach informatycznych, Współczesna Gospodarka, Vol. 4, 2013, ss. 1-14.
• Balicki J.: Wybrane paradygmaty sztucznej inteligencji w informatycznych systemach finansowych, Współczesna Gospodarka, Vol. 6, No. 4, 2015, ss. 1-23.
• Bartz-Beielstein T., Branke J., Mehnen J., Mersmann O.: Evolutionary Algorithms, WIREs Data mining knowledge discovery, vol. 4, John Wiley & Sons, New York, 2014, s. 178-195.
• Bechler A.: Porównanie efektywności sieci neuronowych i modeli ekonometrycznych we wspomaganiu decyzji kredytowych, Zastosowania metod statystycznych w badaniach naukowych, StatSoft Polska, Kraków 2003.
• Brown C.: Technical analysis for the trading professional, Second Edition: Strategies and techniques for today's turbulent global financial markets. The McGrawHill Companies, New York 2011.
• Chaveesuk R., Srivaree-Ratana C., Smith A.E.: Alternative neural network approaches to corporate bond rating. Journal of Engineering Valuation and Cost Analysis, vol. 2, 1999, ss. 117-131.
• Chowdhury A., Tripathi P.: A metrics based analysis of cloud resource management techniques, International Conference on Advanced Communication Control and Computing Technologies (ICACCCT 2014), Ramanathapuram, 2014, pp. 1632-1636.
• Davis E. P., Karim D.: Comparing early warning systems for banking crises. Journal of Financial Stability, vol. 4, no. 2, 2008, pp. 89-120.
• De Jong K. A., Evolutionary Computation: a Unified Approach, MIT Press, Cambridge, 2006.
• Demirguc-Kunt A., Detragiache E.: Monitoring banking sector fragility: a multivariate logit approach. World Bank Economic Review, vol. 14, no. 2, 2000, pp. 287-307.
• Eliasmith C. et al.: A large-scale model of the functioning brain, Science, Vol. 338, 2012, pp. 1202-1205.
• Estrada T., Wyatt M., Taufer M.: A genetic programming approach to design resource allocation policies for heterogeneous workflows in the cloud, Parallel and Distributed Systems (ICPADS), 2015 IEEE 21st International Conference on, Melbourne, VIC, 2015, pp. 372-379.
• Etemadi H., Rostamy A., Dehkordi H.: A genetic programming model for bankruptcy prediction: Empirical evidence from Iran, Expert Systems with Applications, Vol. 36, No. 2, March 2009, pp. 3199-3207.
• Eurostat. Your key to European statistics. http://ec.europa.eu/eurostat/web/national-accounts/data/main-tables, dostęp: 7.10.2016 r.
• Facebook patent: Your friends could help you get a loan - or not, http://money.cnn.com/2015/08/04/technology/facebook-loan-patent/, dostęp 6 marca 2016 r.
• Ferdousi Z., Maeda A.: Anomaly detection using unsupervised profiling method in time series data, Proc. of the 10th Conference on Advances in Databases and Information Systems, Tesaloniki 2006.
• Frankel J. A., Rose A. K.: Currency crashes in emerging markets: an empirical treatment. Journal of International Economics, vol. 41, no. 3-4, 1996, pp. 351-366.
• Gately E. Sieci Neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych. WIG-Press, Warszawa 1999.
• Hanschel E., Monnin P.: Measuring and forecasting stress in the banking sector: evidence from Switzerland. Investigating the Relationship between the Financial and Real Economy, BIS Papers, no. 22, 2005, pp. 431-449.
• Henley W.E., Hand D.J.: A k-nearest-neighbour classifier for assessing consumer credit risk, The Statistician, Vol. 45, Issue 1, 1996, pp. 75 - 95.
• Kaminsky G. L., Reinhart C. M.: The twin crises: the causes of banking and balance-of-payments problems. American Economic Review, vol. 89, no. 3, pp. 473-500, 1999.
• Knight Shows How to Lose $440 Million in 30 Minutes. http://www.bloomberg.com/bw/articles/2012-08-02/knight-shows-how-to-lose-440-million-in-30-minutes, dostęp: 10.10.2016.
• Koza J. R., et al.: Genetic programming IV. Routine human-competitive machine intelligence, Kluwer Academic Publishers, New York, 2003.
• Larousse D. T.: Metody i modele eksploracji danych. Wydawnictwo Naukowe PWN, Warszawa 2008.
• Majer I.: Application scoring: logit model approach and the divergence method com-pared, Department of Applied Econometrics, Working Paper, No. 10-06, 2006.
• Matuszczyk A., Credit Scoring, Wydawnictwo CeDeWu, Warszawa 2012, s. 32 - 40.
• Mylonakis J., Diacogiannis G.: Evaluating the likelihood of using linear discriminant analysis as a commercial bank card owners credit scoring model. International Busi-ness Research, Vol. 3, No. 2, 2010.
• Nazari M., Alidadi M.: Measuring credit risk of bank customers using artificial neural network. Journal of Management Research, Vol. 5, No. 2, 2013.
• Oet M., Eiben R., Bianco T., Gramlich D., Ong S., Wang J.: SAFE: an early warning system for systemic banking risk. Proc. of the 24th Australasian Finance and Banking Conference, SSRN, 2011.
• OpenStack, https://www.openstack.org/, dostęp: 4 września 2016.
• Pandey V., Wee-Keong Ng, Ee-Peng Lim: Financial advisor agent in a multi-agent financial trading system. Proc. 11th Int. Workshop on Database and Expert Systems Applications, 2000, pp. 482-486.
• Pietrzak E., Markiewicz M. (red.): Finanse, bankowość i rynki finansowe, Wyd. Uniwersytetu Gdańskiego, Gdańsk 2007.
• Pietrzak J.: Czynniki przewagi konkurencyjnej na rynku bankowych usług detalicznych, Wyd. Uniwersytetu Gdańskiego, Gdańsk 2002.
• Poli R., Langdon W.B., McPhee N.F.: A Field Guide to Genetic Programming, http://www.gp-field-guide.org.uk, dostęp: 4 września 2016.
• Potvin J.-Y., Soriano P., Vallée M.: Generating trading rules on the stock markets with genetic programming, Computers & Operations Search, Vol. 31, No. 7, June 2004, pp. 1033-1047.
• Rout M., Majhi B., Majhi R., Panda G.: Novel stock market prediction using a hybrid model of adptive linear combiner and differential evolution. Communications in Computer and Information Science, Vol. 142, 2011, pp 187-191.
• Schwaerzel R.: Financial time series prediction and evaluation by genetic programming with trigonometric functions and high-order statistics. Ph.D. Dissertation. The University of Texas at San Antonio, 2006.
• Sensmeier L.: Building Stock Trading Strategies: 20% Faster with Hadoop. http://hortonworks.com/blog/building-stock-trading-strategies-20-faster-with-hadoop/, dostęp: 10.10.2016r.
• Shouwei L., Mingliang W., Jianmin H.: Prediction of banking systemic risk based on Support Vector Machine. Mathematical Problems in Engineering, Vol. 2013, April 2013, pp. 1-15.
• Srivastava R. P.: Automating judgmental decisions using neural networks: a model for processing business loan applications, Proc. of the 1992 ACM Annual Conference on Communications, pp. 351-357.
• Staniec I.: Zastosowanie sztucznych sieci neuronowych i wybranych metod statystycznych do wspomagania decyzji kredytowych, Zastosowania metod statystycznych w badaniach naukowych II, StatSoft Polska, Kraków 2003, s. 20.
• Statlog (German Credit Data) Data Set, http://archive.ics.uci.edu/ml/datasets/Statlog+ German+Credit+Data , dostęp: 2 września 2016 r.
• Svangard N.; Nordin P.; Lloyd S.; Wihlborg C.: Evolving short-term trading strategies using genetic programming. Proc. of the Congress on Evolutionary Computation, vol. 2, 2002, pp. 2006-2010.
• The "Big Data" Solution For Wall Street. Stock Forecast Based On a Predictive Algorithm. http://iknowfirst.com/the-big-data-solution-for-wall-street, dostęp: 10.10.2016r.
• Winiarski J.: Ryzyko w działalności gospodarczej przedsiębiorstw. Wyd. Uniwersytet Gdański. Instytut Transportu i Handlu Morskiego, Gdańsk 2014.
• Yobas M.B., Crook J.N., Ross P.: Credit scoring using neural and evolutionary techniques. Journal of Mathematics Applied in Business and Industry, Vol. 11, 2000, pp. 111-125.
• Zan H. et al.: Credit rating analysis with support vector machines and neural net-works: a market comparative study. Decision Support Systems, vol. 37, 2004, ss. 543-558.