BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Dyduch Monika (Uniwersytet Ekonomiczny w Katowicach)
Tytuł
Syntetyczny miernik rozwoju inwestycji i sztuczna sieć neuronowa
Źródło
Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach. Współczesna gospodarka - wyzwania i oczekiwania, 2011, s. 36-49, Rys., tab., wykr., bibliogr. 4 poz.
Słowa kluczowe
Inwestycje, Ryzyko inwestycyjne, Sieci neuronowe, Syntetyczny miernik
Investment, Investment risk, Neural networks, Synthetic meter
Abstrakt
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)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  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.
Cytowane przez
Pokaż
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu