- 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 SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu - Bibliografia
-
- Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
- Łuniewska M., Tarczyński W.: Metody wielowymiarowej analizy porównawczej na rynku kapitałowym. PWN, Warszawa 2006.
- Obuchowicz A.: Optymalizacja architektury sieci neuronowych. PAN, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
- Rumelhart D.E., Hinton G.E, Williams R.J.: Learning internal representation by error propagation. Parallel Distributed Processing, Cambridge 1986.
- Cytowane przez
- Język
- pol
