An Influence of Deep Learning and the Internet of Things on Directions of Development of Integrated Financial Systems Supporting Smart Cities for Green Economy

• Autorzy: Honorata Balicka

Warianty tytułu

Wpływ uczenia głębokiego i Internetu rzeczy na kierunki rozwoju zintegrowanych systemów finansowych wspierających inteligentne miasta w warunkach ekologicznej gospodarki

• Języki publikacji: EN

Abstrakty

EN

Digitalization is not only a continuation of the status quo at a higher technological level, but is changing the rules of the game in virtually all sectors of the economy, including financial and business. Digital business transformation is the process of using digital technologies to strengthen a company's ability to create robust new digital business models. The possibilities of applying digital technologies in enterprises of individual industries have gained great interest in global research. They are implemented primarily by significant scientific centers and consulting companies. According to Gartner study, 87% of senior executives say digitalization is a priority, and 79% of corporate strategists believe that digitalization is redefining their businessin a completely new way, creating additional opportunities to generate profit. The aim of the work is to characterize the directions of financial system development supporting smart cities and green economy in the field of using modern information technologies based on cloud computing and deep neural networks. According to the author, the use of modern information technologies, based on the Internet of Things and deep neural networks in financial systems, in particular for the development of electronic forms of settlements creates a great chance to avoid a crisis due to the development of the pandemic consequences. It is worth to underline that there is a gap in the literature on the subject in this respect. There are no clear ideas on how to apply artificial intelligence and cloud computing to strengthen the role of the financial systems in smart city subject to an efficient development of green economy. Therefore, we discuss integrated financial system in smart city. Besides, we describe Internet of Things for green management of critical city resources. After discussing financial investment in green and smart technologies, issues related to deep learning for prediction in financial systems are characterized. Considerations on the special case of deep learning architecture based on artificial neural networks (ANNs) are presented, too. The Long Short Term Memory ANNs are verified for stock market investment. Finally, conclusions and future work are presented. (original abstract)

Cyfryzacja to nie tylko kontynuacja status quo na wyższym poziomie technologicznym, ale również zmiana reguł konkurencyjności gospodarczej praktycznie we wszystkich sektorach gospodarki, w tym finansowym. Cyfrowa transformacja biznesowa to proces wykorzystujący technologie cyfrowe do wzmocnienia zdolności firmy w celu konstruowania nowych efektywnych modeli biznesowych. Możliwości zastosowania sztucznej inteligencji w przedsiębiorstwach większości branż zyskały duże zainteresowanie w światowych badaniach. Realizują je przede wszystkim znaczące ośrodki naukowe oraz firmy konsultingowe. Wg ekspertów z grupy Gartnera aż 87% menedżerów wyższego szczebla jest przekonanych, że cyfryzacja jest priorytetem, a 79% strategów korporacyjnych uważa, że cyfryzacja na nowo definiuje działalność przedsiębiorstw, tworząc dodatkowe możliwości generowania zysków. Celem pracy jest scharakteryzowanie kierunków rozwoju systemów finansowych, wspierających inteligentne miasta i ekologiczną gospodarkę, w zakresie wykorzystania nowoczesnych technologii informatycznych, opartych na Internecie Rzeczy i głębokich sztucznych sieciach neuronowych. Zdaniem Autorki wykorzystanie najnowszych osiągnięć sztucznej inteligencji w systemach finansowych, a w szczególności do rozwoju elektronicznych form rozliczeń, stanowi ogromny potencjał umożliwiający uniknięcie głębokiego kryzysu w związku z negatywnymi skutkami długotrwałej pandemii w gospodarce. Warto podkreślić, że istnieje luka w literaturze przedmiotu w tym zakresie, gdyż nie ma jasnych pomysłów, jak skutecznie wykorzystać sztuczną inteligencję w chmurze obliczeniowej do efektywnego wspomagania systemów finansowych w smaty city przy uwzględnieniu zrównoważonego rozwoju gospodarczego. Z powyższych względów w artykule rozważa się strategię, jak należy zwiększyć rolę zintegrowanego systemu finansowego w inteligentnym mieście. Ponadto charakteryzuje się Internet Rzeczy w odniesieniu do zarządzania krytycznymi zasobami miasta. Po omówieniu inwestycji finansowych w ekologiczne i inteligentne technologie scharakteryzowano zagadnienia związane z głębokimi sieciami neuronowymi do predykcji i klasyfikacji w systemach finansowych. Przedstawiono również rozważania dotyczące szczególnego przypadku architektury głębokiego uczenia opartej na sztucznych sieciach neuronowych (ANN). Rekurencyjne ANN klasy LSTM zweryfikowano pod kątem inwestycji finansowych na giełdzie. Na zakończenie przedstawiono wnioski i planowane przyszłe prace. (abstrakt oryginalny)

Słowa kluczowe

EN

Smart city; Ecology; Economy; Finance; Long-short term memory (LSTM)

PL

Inteligentne miasto; Ekologia; Gospodarka; Finanse; Długa pamięć krótkotrwała (LSTM)

• Czasopismo: Przestrzeń, Ekonomia, Społeczeństwo
• Rocznik: 2020
• Numer: nr 17/1
• Strony: 62--80

Twórcy

autor

Honorata Balicka

• Sopocka Szkoła Wyższa

Bibliografia

• 1. Aldrich E., Fernández-Villaverde M., Gallant J.R., Rubio-Ramírez A., Juan F., Tapping the supercomputer under your desk: Solving dynamic equilibrium models with graphics processors, "Journal of Economic Dynamics and Control", Elsevier, vol. 35(3), 2011.
• 2. Amoruso F. M., Dietrich U., Schuetze T., Development of a Building Information ModelingParametric Workflow Based Renovation Strategy for an Exemplary Apartment Building in Seoul, Korea, Sustainability 2018, 10(12), 4494; https://doi.org/10.3390/su10124494.
• 3. Aslam S., Rasool A., Jiang Q., Qu Q., LSTM based Model for Real-time Stock Market Prediction on Unexpected Incidents. RCAR 2021: 1149-1153.
• 4. Atsalakis G., Valavanis K., Surveying stock market forecasting techniques - Part I, "Conventional methods in Computation Optimization in Economics and Finance Research Compendium", Nova Science Publishers, New York 2013.
• 5. Awad M., Khanna R., Support Vector Regression: Efficient learning machines, Apress, Berkeley, CA 2015.
• 6. 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.
• 7. Balicka H., Balicki J., Korłub W., Paluszak J., Zadroga M., Supercomputers to support economic processes with particular emphasis on the banking sector, ,,Contemporary Economy", Vol. 4, Issue 5, 2014.
• 8. Balicki J., Beringer M., Korłub W., Przybyłek P., Tyszka M., Zadroga M., Collective citizens' behavior modelling with support of the Internet of Things and Big Data, "Proceedings of the 8th International Conference on Human-System-Interaction HSI'2015", Warsaw, Poland, June 25-27, 2015.
• 9. Balicki J., Korłub W., Paluszak J., Big data processing by volunteer computing supported by intelligent agents, "Proceedings of 6th International Conference, PReMI 2015, Warsaw, Poland, June 30 - July 3, 2015, Lecture Notes in Computer Science", Vol. 9124.
• 10. Balicki J., Korłub W., Tyszka M., Harmony search to self-configuration of fault-tolerant grids for big data, [In]: Z. Kowalczuk, "Advances in Intelligent Systems and Computing", Vol. 386, 2016.
• 11. Balicki J., Multi-criterion decision making by artificial intelligence techniques, "Proceedings on the 8th Int. Con. on Artificial Intelligence, Knowledge Engineering and Data Bases", February 2009, Cambridge.
• 12. Balicki J., Przybyłek P., Zadroga M., Zakidalski M., Artificial neural networks and the support vector method in banking information systems, "Contemporary Economy", Vol. 4, 2013.
• 13. Balicki J., Szymański J., Kępa M., Draszawka K., Korłub W., Improving effectiveness of svm classifier for large scale data, "Proceedings on 14th International Conference", ICAISC 2015, Zakopane, Poland, June 14-18, 2015, "Part I, Lecture Notes in Computer Science", Vol. 9119.
• 14. Balicki J., Balicka H., Dryja P., Big Data from Sensor Network via Internet of Things to Edge Deep Learning for Smart City, [In]: Saeed K., Dvorský J. (eds) "Computer Information Systems and Industrial Management CISIM 2021, Lecture Notes in Computer Science", vol 12883. Springer, Cham 2021.
• 15. Benbouzid B., To predict and to manage. Predictive policing in the United States. "Big Data & Society" January-June 2019: 1-13.
• 16. Bosse T., Siddiqui G. F., Treur J., Supporting financial decision making by an intelligent agent estimating greed and risk, "Proceedings the IEEE/WIC/ACM Int. Conf. on Web Intelligence and Intelligent Agent Technology", Vol. 3, Aug. 31 - Sept. 3 2010.
• 17. 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.
• 18. Chen S.-H., Kuoand T.-W., Hoi K.-M., Genetic programming and financial trading: How much about "What we Know". In: "4th NTU International Conference on Economics, Finance and Accounting", April 2006.
• 19. Davis E. P., Karim D., Comparing early warning systems for banking crises, "Journal of Financial Stability", Vol. 4, no. 2, 2008.
• 20. Frankel J. A., Rose A. K., Currency crashes in emerging markets: an empirical treatment, "Journal of International Economics", Vol. 41, no. 3-4, 1996.
• 21. Gately E., Neural networks. Financial forecasting and design of transaction systems, WIG-Press, Warsaw 1999.
• 22. Gierusz, J., Koleśnik, K., Chart of accounts with comment, ODDK, Gdańsk 2021 (in Polish).
• 23. Henley W. E., Hand D.J., A k-nearest-neighbour classifier for assessing consumer credit risk, "The Statistician", Vol. 45, Issue 1, 1996.
• 24. Kumar K., Haider T.U., Enhanced Prediction of Intra-day Stock Market Using Metaheuristic Optimization on RNN-LSTM Network, "New Gener. Comput.", Vol. 39(1), 2021.
• 25. Martyniuk T., Cygańska M., Żurawik A., Malinowska E., Cost accounting in healthcare entities, Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk 2021 (in Polish).
• 26. Mylonakis J., Diacogiannis G., Evaluating the likelihood of using linear discriminant analysis as a commercial bank card owners credit scoring model, International Business Research, Vol. 3, No. 2, 2010.
• 27. Nazari M., Alidadi M., Measuring credit risk of bank customers using artificial neural network, "Journal of Management Research", Vol. 5, No. 2, 2013.
• 28. Oet M., Eiben R., Bianco T., Gramlich D., Ong S., Wang J., SAFE: an early warning system for systemic banking risk, "Proceedings of the 24th Australasian Finance and Banking Conference", SSRN, 2011.
• 29. Pietrzak E., Markiewicz M. (red.), Finance, banking and financial markets, Publishing House of the University of Gdańsk, Gdansk 2006 (in Polish).
• 30. Potvin J.-Y., Soriano P., Vall M., Generating trading rules on the stock markets with genetic programming, "Computers & Operations Research", Vol. 31, 2004.
• 31. Rahman A., Hamid U., Chin T., Emerging with discuptive effects, A review, "PERINTIS eJournal", vol. 7, no. 2, 2017.
• 32. Roy A., In El Salvador, more people have bitcoin wallets than traditional bank accounts, Forbes, 7 October, 2021, https://www.forbes.com/sites/theapothecary/2021/10/07/, [Access: 20.10.2021].
• 33. 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, Advisor(s) Tom Bylander 2006.
• 34. Shouwei L., Mingliang W., Jianmin H., Prediction of banking systemic risk based on support vector machine, "Mathematical Problems in Engineering", Vol. 2013, April 2013.
• 35. Soja E., Soja P., Exploring determinants of enterprise system adoption success in light of an ageing workforce, [In]: Themistocleous M., Rupino da Cunha P. (eds), "Information Systems" EMCIS 2018. Lecture Notes in Business Information Processing, vol. 341, 2019. Springer, Cham. https://doi.org/10.1007/978-3-030-11395-7_32.
• 36. Staniec I., Application of artificial neural networks and selected statistical methods to support credit decisions. Applications of statistical methods in scientific research II, StatSoft Poland, Cracow 2003.
• 37. Svangard N., Nordin P., Lloyd S., Wihlborg C., Evolving short-term trading strategies using genetic programming, "Proceedings of the Congress on Evolutionary Computation", Vol. 2, 2002.
• 38. Yobas M.B., Crook J.N., Ross P., Credit scoring using neural and evolutionary technique,"IMA Journal of Mathematics Applied in Business and Industry", Vol. 11, 2000.
• 39. Zan H. et al., Credit rating analysis with support vector machines and neural networks: a market comparative study, "Decision Support Systems", Vol. 37, 2004.
• 40. Cisco Packet Tracer software. https://www.netacad.com/courses/packet-tracer, [Access: 10.09.2021].
• 41. Eurostat, http://ec.europa.eu/eurostat/, [Access: 20.09.2021].
• 42. Gartner, Speed up Your Digital Business Transformation, https://www.gartner.com/smarterwithgart-ner/speed-up-your-digital-business-transformation/ [Access: 20.09.2021].
• 43. German Credit dataset, http://archive.ics.uci.edu/ml/datasets/Statlog+%28German+Credit+Data%29, [Access: 2.09.2021].
• 44. Libelium.org, https://www.libelium.com/, [Access: 10.09.2021].
• 45. Prices of electricity, http://cena-pradu.pl/mapa.html, [Access: 10.09.2021].