BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Dyduch Monika (Uniwersytet Ekonomiczny w Katowicach)
Title
Syntetyczny miernik rozwoju inwestycji i sztuczna sieć neuronowa
Source
Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach. Współczesna gospodarka - wyzwania i oczekiwania, 2011, s. 36-49, Rys., tab., wykr., bibliogr. 4 poz.
Keyword
Inwestycje, Ryzyko inwestycyjne, Sieci neuronowe, Syntetyczny miernik
Investment, Investment risk, Neural networks, Synthetic meter
Abstract
W pracy przedstawiono koncepcję wyznaczania syntetycznego miernika rozwoju, który pozwala na ocenę siły fundamentalnej spółek oraz ich klasyfikację. Konstrukcja syntetycznego miernika rozwoju jest wykonana przy użyciu sieci neuronowych, które okazały się w tym przypadku istotnym narzędziem. (...) Wprawdzie sieci oparte są na bardzo prostym modelu, przedstawiającym wyłącznie najbardziej podstawową istotę działania biologicznego systemu nerwowego, jednak ich działanie wzbudza ciekawość także i z tego powodu, że mogą być rozpatrywane jako jedna z prób przeniknięcia istoty działania ludzkiego mózgu. Niektórzy w związku z tym sądzą, że w przyszłości rozwój modelowania neurobiologicznego może doprowadzić do powstania prawdziwych komputerów inteligentnych, obdarzonych inicjatywą i zdolnych do samodzielnego podejmowania decyzji. Tak będzie jednak dopiero w przyszłości - być może dość odległej. Tym czasem już dziś proste modele sieci neuronowych stanowią godne uwagi, bardzo użyteczne narzędzie.(fragment tekstu)
Accessibility
The Main Library of the Cracow University of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
Bibliography
Show
  1. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
  2. Łuniewska M., Tarczyński W.: Metody wielowymiarowej analizy porównawczej na rynku kapitałowym. PWN, Warszawa 2006.
  3. Obuchowicz A.: Optymalizacja architektury sieci neuronowych. PAN, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
  4. Rumelhart D.E., Hinton G.E, Williams R.J.: Learning internal representation by error propagation. Parallel Distributed Processing, Cambridge 1986.
Cited by
Show
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu