Neurónová síť je souhrnný pojem pro skupinu postupů z oblasti umělé inteligence, z nichž některé lze dobře využít jako klasifikační systémy. Neurónové sítě představují alternativu k použití diskriminační analýzy ve finanční analýze. Nevyžadují hluboké matematicko-statistické znalosti ani existenci jakýchkoliv předpokladů. Naopak vícerozměrná diskriminační analýza předpokládá například normální rozdělení hodnot ukazatelů a nezávislost ukazatelů.
Výhody a nevýhody neurónových sítí
Výhodou neurónových sítí je schopnost odhalit nelineární vazby v datech a schopnost učení se. Nevýhodou neurónových sítí je náročnost na výpočetní výkon, vyžadují velmi výkonný počítač. Postup popisuje Zalai v knize Neurónové sítě na straně 97 – princip LVQ je vysvětlen v porovnání s diskriminační analýzou.
Diskriminační analýza
Podniky jsou zobrazeny body a v ideálním případě získáme dva shluky bodů. Prosperující podniky tvoří shluk ležící vlevo nahoře a jsou označeny jako „dobré“, neprospívající podniky tvoří shluk ležící vpravo dole a jsou označeny jako „špatné“. Klasifikace podniků a jejich zařazení do jedné z těchto dvou skupin probíhá podle zjištěné diskriminační přímky.
LVQ
Namísto diskriminační přímky se pro každý shluk vypočítá jeho střed. Klasifikace podniku, jeho přiřazení do jedné ze dvou skupin, probíhá na základě jeho vzdálenosti od středů obou shluků. Hodnocený podnik je blíže ke středu shluku „dobré“ než k shluku „špatné“. Význam LVQ roste zejména při počtu dvou a více shluků. Identifikuje se odpovídající počet středů shluků a následně probíhá klasifikace podniků.
Princip neurónových sítí
Neurónová síť je výpočetní model založený na abstrakci vlastností biologických nervových systémů. Základní součástí neurónové sítě je model neurónu s N vstupy a M výstupy. Základní vlastností neurónových sítí je schopnost abstrakce pravidel mezi vstupními a výstupními hodnotami prezentovanými ve vhodné formě a následná aplikace získaných pravidel na libovolné vstupní hodnoty. Neurónové sítě se využívají v regulační a simulační technice. Proces abstrakce se nazývá učení, které může probíhat s učitelem nebo bez učitele. Během tohoto procesu se aktualizují hodnoty váhových spojení. V literatuře je popsáno několik učících algoritmů. Po ukončení učení se hodnoty vah již nemění a síť produkuje výstupy podle uvedeného pravidla aplikovaného na vstupní hodnoty. Více o neurónových sítích naleznete ve Wikipedii na stránce Neurónová síť.
Prognózování finančně-ekonomické situace podniku – Neurónové sítě (Zalai)
Wikipedia: http://sk.wikipedia.org/wiki/Neur%C3%B3nov%C3%A1_sie%C5%A5
