Model wykorzystania funkcji scoringowych i sztucznych sieci neuronowych w optymalizacji decyzji kapitałowych

• Autorzy: Jan Chadam , Grzegorz Kłosowski
• Języki publikacji: PL

Abstrakty

Rozwój organizacji gospodarczych i zwiększanie ich dotychczasowych możliwości odbywa się na podstawie dwóch podstawowych typologii wzrostu: rozwój wewnętrzny (wykorzystanie własnego potencjału) i rozwój zewnętrzny (fuzje i przejęcia). Oczywiście, każdy z tych modeli na swoje wady i zalety (Chadam 2007). Decyzje o wyborze drogi rozwoju są związane wieloma czynnikami strategicznymi, wyborami rynkowymi, finansowymi i innymi, związanymi z rozmiarem prowadzonej działalności gospodarczej (...) Niezależnie od tego, czy organizacja rozwija się drogą wzrostu wewnętrznego czy zewnętrznego, zawsze stoi ona przed problemem skuteczności w procesie podejmowania decyzji inwestycyjnych. Tak jak wspomnieliśmy, zagrożenie utraty wartości jest zdecydowanie większe w procesach wzrostu zewnętrznego. Zakup przedsiębiorstwa jest jednorazową decyzją, której ewentualnie negatywne skutki są trudne, a najczęściej niemożliwe do skorygowania. (fragment tekstu)

Słowa kluczowe

PL

Scoring; Sieci neuronowe; Metoda sztucznych sieci neuronowych; Optymalizacja decyzji; Decyzje inwestycyjne

EN

Scoring; Neural networks; Artificial neural networks method; Decision optimization; Investment decisions

• Czasopismo: Master of Business Administration
• Rocznik: 2008
• Tom: 16
• Numer: nr 4
• Strony: 30--35

Twórcy

autor

Jan Chadam

• Polkomtel SA

autor

Grzegorz Kłosowski

• Politechnika Lubelska

Bibliografia

• Berger, P., Ofek, E. (1995), Diversification's effect on firm value. Journal of Financial Economics, No 37, pp. 39—66.
• Chadam, J. (2007), Model tworzenia organizacji kapitałowych a oczekiwane efekty synergii. Przegląd Organizacji, nr 1.
• Ensign Prescott, C. (1998), Interrelationships and horizontal strategy to achieve synergy and competitive advantage in the diversified firm. Management Decision, No 36/10, pp. 657 -668.
• Zhang, G., Hu, M.Y., Patuw, B.E., Indro, D.C. (1999), Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research, No. 116, pp. 16-32.
• Lawrence, J. (1994), Introduction to Neural Networks. Design, Theory, and Applications, California Scientific Software Press, Nevada.
• Norgaard, M., Ravn, O., Poulsen, N.K., Hanson, L.K. (2000) Neural Networks for Modelling and Control of Dynamic Systems, Springer, Verlag London Limited.
• Malhotra, R., Malhotra, O.K. (2003), Evaluating consume loans using neural networks, Omega 31, pp. 83—96.
• Krycha, K.A., Wagner, U. (1999), Applications of artificial neural networks in management science: a survey, Journal of Retailing and Consumer Services, No. 6, pp. 185—203.
• Zhang, Hu Y. (1998), Neural Network Forecasting of Currency Exchange Rates, Omega, Int. J. Mgmt Sci., Vol. 26, No. 4, pp. 495-506.
• Indro, D.C., Jiang, C.X., Patuwo, B.E., Zhang G.P. (1999), Predicting mutual fund performance using artificial neural networks, Omega, Int. J. Mgmt. Sci., Vol. 27. pp. 373-380.
• Lamont, O.A., Polk Ch. (2002), Does diversification destroy value? Evidence from the industry shocks. Journal of Financial Economics, No. 63, pp. 51—77.
• Lee, K.C., Han, I., Kwon, Y. (1996), Hybrid neural network models for bankruptcy predictions. Decision Support Systems, No. 18, pp. 63-72.
• Pendharkar, P.C. (2005), A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem. Computers & Operations Research, 32, pp. 2561-2582.
• Zhang, G., Hu, M.Y., Patuw, B.E., Daniel C. Indro, D.C. (1999), Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research, No. 116 (1999), pp. 16-32.
• Kodogiannis, V. (2002), A. Lolis; Forecasting Financial Time Series using Neural Network and Fuzzy System-based Techniques; Neural Comput &Applic, Vol. 11, pp. 90—102.
• Lam, M. (2004), Neural network techniques for financial performance prediction: integrating fundamental and technical analysis; Decision Support Systems, No. 37, pp. 567— 581.
• McNelis, P.O. (2004), Neural Networks in Finance: Gaining Predictive Edge in the Market (Academic Press Advanced Finance Series), Elsevier Academic Press.
• Servaes, H. (1996), The value of diversification during the conglomerate merger wave. Journal of Finance, No. 51, pp. 1201-1255.
• Sirower, M.L. (1997), The synergy trap, The Free Press, New York.