МОДЕЛЮВАННЯ ЕКОНОМІЧНИХ СИСТЕМ І ПРОЦЕСІВ ІЗ ЗАСТОСУВАННЯМ НЕЙРОННИХ МЕРЕЖ ЗУСТРІЧНОГО РОЗПОВСЮДЖЕННЯ

Краткое описание

МІНІСТЕРСТВО ОСВІТИ ТА НАУКИ, МОЛОДІ І СПОРТУ УКРАЇНИ
ДЕРЖАВНИЙ ВИЩИЙ НАВЧАЛЬНИЙ ЗАКЛАД
«КИЇВСЬКИЙ НАЦІОНАЛЬНИЙ ЕКОНОМІЧНИЙ УНІВЕРСИТЕТ ІМЕНІ ВАДИМА ГЕТЬМАНА»

На правах рукопису

Кайданович Дмитро Броніславович

УДК 330.43:519.866

МОДЕЛЮВАННЯ ЕКОНОМІЧНИХ СИСТЕМ І ПРОЦЕСІВ
ІЗ ЗАСТОСУВАННЯМ НЕЙРОННИХ МЕРЕЖ
ЗУСТРІЧНОГО РОЗПОВСЮДЖЕННЯ

Спеціальність 08.00.11 – Математичні методи, моделі та інформаційні технології в економіці

Дисертація на здобуття наукового ступеня
кандидата економічних наук

Науковий керівник:
Матвійчук Андрій Вікторович,
доктор економічних наук, доцент

Київ – 2012

ЗМІСТ

ВСТУП 4
РОЗДІЛ 1. ТЕОРЕТИКО-МЕТОДОЛОГІЧНІ АСПЕКТИ МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ ЕКОНОМІЧНИХ СИСТЕМ І ПРОЦЕСІВ 12
1.1. Огляд існуючих підходів до аналізу динаміки фінансових показників та прогнозування розвитку фінансових часових рядів 12
1.2. Аналіз сучасних методів і моделей оцінки загрози банкрутства підприємств 24
1.3. Базові засади теорії штучних нейронних мереж 41
Висновки до розділу 1 54
РОЗДІЛ 2. МАТЕМАТИЧНІ МОДЕЛІ ПРОГНОЗУВАННЯ ФІНАНСОВИХ ПОКАЗНИКІВ ТА ОЦІНЮВАННЯ ФІНАНСОВОГО СТАНУ ПІДПРИЄМСТВ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ ЗУСТРІЧНОГО РОЗПОВСЮДЖЕННЯ 56
2.1. Методологічний підхід до прогнозування фінансових часових рядів на основі розпізнавання образів у структурі цінових кривих 56
2.2. Прогнозування динаміки курсу цінних паперів на основі моделі із розподіленим лагом 66
2.3. Нейромережеві моделі оцінки можливості банкрутства на основі індикаторів фінансового стану підприємств 80
2.4. Конструювання та налаштування параметрів нейронної мережі зустрічного розповсюдження 91
Висновки до розділу 2 111
РОЗДІЛ 3. ЕКСПЕРИМЕНТАЛЬНЕ ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ РОЗРОБЛЕНОГО МЕТОДОЛОГІЧНОГО ПІДХОДУ ДО МОДЕЛЮВАННЯ ЕКОНОМІЧНИХ СИСТЕМ ТА ПРОЦЕСІВ 115
3.1. Модельні експерименти з розпізнавання образів у структурі цінових кривих на основі нейронної мережі зустрічного розповсюдження 115
3.2. Експериментальне дослідження ефективності моделі прогнозування динаміки курсу цінних паперів 140
3.3. Проведення експериментів та корегування параметрів нейромережевої моделі оцінки можливості банкрутства підприємств 158
Висновки до розділу 3 176
ВИСНОВКИ 179
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 183
ДОДАТКИ 199

ВСТУП

Актуальність теми. Україна сьогодні знаходиться на етапі становлення й розвитку ринкових відносин та формування сучасних принципів і механізмів функціонування фінансово-економічних систем різних рівнів. Зважаючи на тривалий кризовий період на світових фінансових ринках, який останнім часом перекинувся і на реальний сектор економіки, особливого значення набувають завдання аналізу економічних систем та процесів, побудови достовірних прогнозів для забезпечення ефективного управління ними.
Однак у зв’язку з постійними змінами умов та тенденцій розвитку сучасної економіки стає проблематичним адекватне проведення аналізу рядів статистичних даних традиційними способами в силу істотної нестаціонарності економічних процесів, котрі мають стохастичний характер. Це обумовлює важливість розробки та залучення для управління економічними системами нових методів аналізу та прогнозування, які потребують використання сучасного математичного інструментарію, що дозволить більш адекватно врахувати невизначеність.
Відповідно, наукове дослідження присвячено розробці концептуальних та методологічних положень та економіко-математичних моделей аналізу і прогнозування розвитку економічних систем із застосуванням апарату штучних нейронних мереж як інструментарію, що надає можливість ефективно виявляти приховані закономірності у вихідних даних та дозволяє уникнути обмежень, що накладаються на поширені класичні методи моделювання в економіці.
Об’єктом моделювання у дисертації обрано фінанси підприємницьких структур та показники фондового ринку, що обумовлюється важливістю підвищення ефективності функціонування економічних систем як мікро-, так і макрорівня. Адже адекватний аналіз фінансово-господарської діяльності суб’єктів господарювання та прогнозування економічних і фінансових показників можуть надати інструмент ефективного управління на всіх рівнях господарювання та сприятиме підвищенню стабільності вітчизняної економіки.
Вагомий внесок у розробку теоретичних основ і методології аналізу та моделювання економічних систем зробили провідні вітчизняні та зарубіжні науковці, зокрема: Е. Альтман, В. Бівер, Д. Е. Бестенс, Дж. Бокс, Г. Дебок, Б. Вільямс, В. В. Вітлінський, В. М. Вовк, В. М. Геєць, Е. Гейтлі, Г. Дженкінс, А. Б. Камінський, Т. С. Клебанова, М. М. Клименюк, К. Ф. Ковальчук, Р. М. Лепа, Ю. Г. Лисенко, І. Г. Лук’яненко, А. В. Матвійчук, О. Ю. Мінц, Е. Петерс, С. К. Рамазанов, Л. Н. Сєргєєва, М. І. Скрипниченко, О. П. Суслов, О. О. Терещенко, В. М. Тимохін, О. І. Черняк, О. Д. Шарапов, У. Шарп та ін.
Ґрунтовний аналіз фундаментальних праць згаданих дослідників та робіт інших науковців виявив низку невирішених питань, які обумовлюють необхідність розробки та практичної реалізації моделей прогнозування та аналізу фінансово-економічних систем і процесів на основі виявлення аналогічних явищ і ситуацій, які їм передували, використовуючи технології розпізнавання образів та сучасний математичний апарат. Саме ці аспекти моделювання фінансово-економічних систем є недостатньо дослідженими та обґрунтовують вибір теми дисертаційної роботи, її мету та завдання.
Зв’язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана відповідно до науково-дослідницьких тем кафедри економіко-математичного моделювання ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана»: «Математичне моделювання економічних систем і процесів в умовах невизначеності та конфлікту: проблеми теорії та практики» (№ державної реєстрації 0106U001804) та «Методологія та інструментарій моделювання економічних процесів з урахуванням ризику» (№ держреєстрації 0111U002615).
Мета і задачі дослідження. Метою дослідження є розробка теоретико-методологічних положень та відповідних математичних моделей аналізу економічних систем і прогнозування фінансових показників із застосуванням штучних нейронних мереж зустрічного розповсюдження.
В рамках дисертаційної роботи поставлено та вирішено такі основні завдання:
• дослідження теоретичних аспектів фінансового аналізу та моделювання розвитку економічних систем і процесів з метою обрання напрямів наукової роботи;
• дослідження методологічних основ використання інструментарію штучних нейронних мереж для моделювання фінансово-економічних систем та обґрунтування вибору математичного апарату нейронних мереж зустрічного розповсюдження для вирішення задач аналізу економічних систем та прогнозування розвитку фінансових показників;
• формування концепції побудови економіко-математичних моделей ідентифікації типових закономірностей поведінки економічних систем з метою аналізу та прогнозування їх розвитку, що ґрунтується на використанні інструментарію нейронних мереж зустрічного розповсюдження;
• розробка методологічного підходу до побудови економіко-математичних моделей аналізу економічних систем та прогнозування фінансових показників;
• розробка економіко-математичної моделі прогнозування розвитку фінансових часових рядів шляхом розпізнавання образів у структурі цінових кривих;
• побудова економіко-математичної моделі з розподіленим лагом для прогнозування динаміки дохідності акцій у структурі портфелю цінних паперів;
• розробка на підґрунті інструментарію штучних нейронних мереж зустрічного розповсюдження економіко-математичних моделей оцінювання можливості банкрутства підприємства на основі індикаторів фінансового стану, рекомендованих Міністерством фінансів України, показників, серед яких відсутні колінеарні залежності, та найбільш адекватних показників оцінки фінансового стану підприємства;
• проведення модельних експериментів на основі комплексу розроблених алгоритмів і програмних засобів аналізу економічних систем та прогнозування розвитку фінансових показників за побудованими у дисертації економіко-математичними моделями;
• визначення оптимальної структури нейронних мереж зустрічного розповсюдження для запропонованих моделей та корекція основних параметрів навчання з урахуванням результатів проведених модельних експериментів.
Об’єктом дослідження дисертаційної роботи є процеси функціонування фінансово-економічних систем в умовах невизначеності та ризику.
Предметом дослідження є теорія та методологія економіко-математичного моделювання, аналізу та прогнозування розвитку фінансових та економічних систем і процесів із застосуванням інструментарію штучних нейронних мереж зустрічного розповсюдження.
Методи дослідження базуються на використанні загальнонаукових методів пізнання: абстракції, аналізу, аналогії, діалектики, логіки, синтезу, а також теорій фондового менеджменту, економічного та фінансового аналізу для постановки задач дослідження та вибору способів їх розв’язання, системного аналізу, фундаментальних засад математичного моделювання та апарату нейронних мереж для отримання прогнозів щодо розвитку фінансових показників та аналізу фінансового стану підприємств.
Інформаційною базою дослідження слугували фінансова звітність компаній, статистичні матеріали фондових бірж ПФТС та ММВБ, динаміка фондового індексу S&P500, законодавство та нормативно-правові акти Кабінету Міністрів України, Міністерства фінансів України.
Наукова новизна одержаних результатів. В дисертаційній роботі здійснено постановку та вирішення важливої науково-практичної задачі розробки концептуальних та методологічних положень та побудови відповідних економіко-математичних моделей аналізу економічних систем та прогнозування розвитку фінансових часових рядів.
При цьому наукова новизна одержаних результатів така:
вперше:
розроблено концепцію побудови економіко-математичних моделей ідентифікації типових закономірностей поведінки економічних систем з метою аналізу та прогнозування їх розвитку, що ґрунтується на використанні інструментарію нейронних мереж зустрічного розповсюдження;
удосконалено:
та обґрунтовано в рамках запропонованої концепції методологічний підхід до побудови економіко-математичних моделей аналізу фінансового стану підприємств та прогнозування розвитку фінансових показників. В основу розробленого підходу покладено апарат нейронних мереж зустрічного розповсюдження, що здійснює моделювання шляхом виділення образів у структурі вихідних даних. У цих моделях узагальнення ключових властивостей реалізується шаром нейронів Кохонена, розпізнавання й класифікації економічних ситуацій вихідною зіркою Гроссберга відповідно до сформованих класів результуючої змінної;
систему показників оцінювання фінансового стану компаній, що базуються на загальнодоступній інформаційній базі та, на відміну від використовуваних раніше, надають можливість врахувати особливості формування звітності підприємствами в сучасних умовах економічного розвитку України, проаналізувати різноманітні аспекти господарської діяльності підприємств, враховуючи відповідні узагальнені групи фінансово-економічних показників;
спосіб візуалізації карт самоорганізації Кохонена, що ґрунтується на кількісному та якісному аналізі рівня активації нейронів шару Кохонена, що, на відміну від аналогічних підходів, за рахунок застосування двох видів карти Кохонена дає чітке уявлення, які образи та з якою інтенсивністю активує кожний нейрон карти;
концептуальні положення побудови багатофакторної економіко-математичної моделі з розподіленим лагом на основі інструментарію нейронних мереж зустрічного розповсюдження, ґрунтуючись на яких розроблено модель прогнозування динаміки ринкової вартості акцій та управління портфелем цінних паперів, який вони утворюють, з метою спекулятивної торгівлі на коротких позиціях. На відміну від альтернативних підходів, даний підхід дає можливість враховувати поряд з динамікою ціни конкретної акції ще й взаємний вплив інших цінних паперів із сформованого портфеля;
дістали подальшого розвитку:
загальнонаукові положення щодо застосування нейромоделювання для аналізу динаміки фінансових показників, оцінки поточного та прогнозування майбутнього фінансового стану підприємства.
Практичне значення одержаних результатів. Запропоновані в дисертаційній роботі економіко-математичні моделі прогнозування можливого банкрутства компаній України дозволяють виявити внутрішні проблеми підприємств та своєчасно вжити необхідні заходи для покращення їх фінансового стану, оскільки надають можливість уникнути ризиків і підвищити стабільність їх функціонування. Розроблені у роботі моделі прогнозування динаміки фінансових показників мають практичну цінність для інвесторів та біржових трейдерів, оскільки дають змогу формувати на їх основі торгові стратегії з метою отримання прибутків або хеджування на валютному та фондовому ринках.
Теоретичні положення, методи і моделі, що складають наукову новизну дисертації, застосовано ТОВ «Прогноз Україна» при розробці інформаційно-аналітичних систем для фінансових організацій (довідка № 2012/1-121 від 06.06.2012), а також використовуються у практичній діяльності ТОВ «Лабораторія штучного інтелекту» (довідка № 71/5 від 20.05.2012) та в навчальному процесі ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана».
Особистий внесок здобувача полягає в одноосібно виконаному науковому дослідженні, в якому розкрито авторський підхід до побудови моделей аналізу економічних систем і прогнозування розвитку фінансових показників в умовах невизначеності та ризику, який базується на нейронних мережах зустрічного розповсюдження. Усі наукові, практичні, розрахункові та експериментальні результати, які викладено в дисертації, одержані автором самостійно.
Апробація результатів дисертації. Результати досліджень, що викладені в дисертаційній роботі, були апробовані на таких наукових конференціях: Інтернет-конференція на базі Академії технологічних наук України «Проблеми ефективного вирішення економічних задач» (м. Донецьк, 15-30 вересня 2009 р.), ХIV Всеукраїнська науково-методична конференція «Проблеми економічної кібернетики» (м. Харків, 8-9 жовтня 2009 р.), XV Всеукраїнська науково-методична конференція «Проблеми економічної кібернетики» (м. Євпаторія, 4-8 травня 2010 р.), III міжнародна науково-практична конференція "Сучасні проблеми моделювання економічних систем" (м. Харків, 7-9 квітня 2011 р.), Міжнародна наукова конференція «Інтелектуальні системи прийняття рішень та проблеми обчислювального інтелекту» (ISDMCI’2011) (м. Євпаторія, 16-20 травня 2011 р.), Всеукраїнський науковий семінар "Моделювання та ризикологія в економіці" (м. Київ, 15 грудня 2010 р. та 12 квітня 2012 р.).
Публікації. Основні наукові положення, висновки та результати дисертаційної роботи викладені у 7 наукових працях обсягом 3,45 друк. арк., з яких 2,9 друк. арк. належить особисто здобувачу. З них 1 публікація в колективній монографії, 4 надруковано у наукових фахових виданнях, 2 – в збірниках матеріалів конференцій.

Список литературы

ВИСНОВКИ

У дисертації здійснено теоретичне узагальнення та запропоновано нове вирішення наукових задач аналізу економічних систем та прогнозування розвитку фінансових процесів. Обґрунтовано доцільність застосування та ефективність нейромережевого підходу в моделюванні динаміки фінансових показників та проведенні фінансового аналізу суб’єктів господарювання. Результати досліджень у рамках вирішення поставлених задач відповідно до обраної мети дозволили сформулювати такі основні висновки та практичні рекомендації:
1. Особливості процесів у сучасній економіці обумовлюють потребу використання більш досконалого математичного інструментарію, ніж традиційні економетричні підходи. Класичні інструменти та методи прогнозування потребують дотримання гіпотези про статистичну однорідність випадкових процесів, що практично не зустрічається в умовах стрімкого динамічного розвитку та невизначеності транзитивної економіки.
2. Показано, що для застосування нейронних мереж зустрічного розповсюдження немає потреби у дотриманні обмежень і передумов щодо стаціонарності досліджуваних процесів, відповідності нормальному закону розподілу, наявності кореляційних залежностей між вхідними та вихідними змінними та відсутності мультиколінеарних зв’язків між факторами моделі тощо.
3. В роботі сформульовано концепцію побудови економіко-математичних моделей ідентифікації типових закономірностей поведінки економічних систем з метою аналізу та прогнозування їх розвитку, що ґрунтується на використанні інструментарію нейронних мереж зустрічного розповсюдження.
4. Запропоновано методологічний підхід до побудови математичних моделей аналізу економічних систем та прогнозування фінансових процесів, що ґрунтуються на інструментарії нейронних мереж зустрічного розповсюдження. Надано рекомендації щодо конструювання шарів нейронів Кохонена та Гроссберга як основних функціональних вузлів обраного математичного апарату. Розроблено алгоритм налаштування моделей та сформульовано рекомендації щодо їх використання.
5. Розроблено нову схему візуалізації результатів роботи шару нейронів Кохонена, що забезпечує можливість отримати наглядне відображення результатів навчання нейронної мережі та формування вихідного сигналу. Аналіз розташування тестових образів на сформованій карті надає можливість визначити належність до певного класу досліджуваного об’єкта.
6. У рамках розробленого методологічного підходу побудовано економіко-математичну модель прогнозування фінансово-економічних показників. Прогнозування розвитку часового ряду здійснюється на основі ідентифікації типових цінових кривих у його структурі, що принципово відрізняє цей підхід від класичних методів. На основі проведених експериментів обрано структуру та параметри нейромережі з метою підвищення точності визначення напрямку зміни досліджуваного показника. Реалізована модель показала високу ефективність і може бути використана для підтримки прийняття рішень на фондовому ринку.
7. Побудовано економіко-математичну нейромережеву модель прогнозування розвитку фондового ринку на базі моделі із розподіленим лагом, ефективність якої перевірено шляхом моделювання динаміки високочастотних фінансових рядів (відносних приростів цін 10 акцій за 10 хвилинні інтервали часу). Результатом роботи моделі є прогноз напрямку зміни ринкової вартості акцій з портфеля цінних паперів в короткостроковому періоді з урахуванням взаємного впливу цих акцій.
8. Розроблено критерії вибору акцій для формування спекулятивного портфелю цінних паперів у відповідності до аналізу структури фондового ринку, динаміки цін акцій, обсягу торгів та рівня ліквідності.
9. Показано, що в умовах невизначеності транзитивної економіки велика кількість вітчизняних підприємств мають фінансові ускладнення. Достовірна і своєчасна ідентифікація глибини фінансової кризи, систематизація і виявлення зовнішніх і внутрішніх негативних чинників впливу на фінансово-господарську діяльність і антикризове управління надають можливість вжити необхідні заходи зі стабілізації фінансового стану суб'єкта господарювання і таким чином запобігти його банкрутству. Ґрунтовний аналіз існуючих підходів до діагностування банкрутства підприємств виявив необхідність подальшого удосконалення методологічних та інструментальних основ моделювання фінансового стану компаній.
10. У дослідженні в рамках сформульованого методологічного підходу розроблено три різні види нейромережевих моделей передбачення банкрутства підприємств відповідно до відібраних пояснюючих змінних:
• модель на основі фінансово-економічних показників господарської діяльності підприємств, відібраних за умови відсутності мультиколінеарних зв’язків;
• модель передбачення банкрутства на основі найбільш важливих коефіцієнтів з точки зору впливу на фінансовий стан підприємства, що охоплюють різні узагальнені групи показників господарської діяльності;
• нейромережева модель на базі показників, затверджених Міністерством фінансів України для методології багатофакторного дискримінантного аналізу.
11. Результати експериментів засвідчили найбільшу ефективність першої моделі. Проте й інші моделі продемонстрували високий рівень коректного оцінювання фінансового стану підприємств порівняно з існуючими донині моделями та підходами.
12. Проведене дослідження надало можливість вирішити завдання побудови ефективного інструментарію для аналізу та моделювання економічних систем і процесів. Було обґрунтовано придатність та експериментально доведено високу ефективність апарату нейронних мереж зустрічного розповсюдження для використання як з науковою, так і аналітичною метою в економіці та фінансах. Відповідно, проведене наукове дослідження створює методологічну основу та відкриває простір для подальших досліджень з математичного моделювання економічних систем в умовах невизначеності та ризику із застосуванням інструментарію нейронних мереж зустрічного розповсюдження.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Вітлінський В.В. Зміна парадигми в сучасній теорії економіко-математичного моделювання / В. В. Вітлінський, А. В. Матвійчук // Моделювання та інформаційні системи в економіці. – К.: КНЕУ, 2006. – № 74. – С. 30-38.
2. Матвійчук А.В. Штучний інтелект в економіці: нейронні мережі, нечітка логіка: монографія / А. В. Матвійчук. – К.: КНЕУ, 2011. – 439 с.
3. Галіцин В. К. Інформаційний менеджмент: наука про інформаційні процеси та управління ними, перспективи його розвитку / В. К. Галіцин, С. Ф. Лазарєва // Моделювання та інформаційні системи в економіці. – К.: КНЕУ, 2006. – № 74. – с. 30-38.
4. An Introduction to High-Frequency Finance / [Dacorogna M. M., Gençay R., Muller U. A., Olsen R. B., Pictet O.V.]. – San Diego: Academic Press, 2001. – 383 p.
5. Присенко Г. В. Прогнозування соціально-економічних процесів: Навч. посіб. / Г. В. Присенко, Є. І. Равікович. – К.: КНЕУ, 2005. – 378 с.
6. Achelis S. Technical Analysis from A to Z / Achelis S. – [2nd ed.]. – New York: McGraw-Hill, 2000. – 380 p.
7. Бланк И. А. Инвестиционный менеджмент / Бланк И. А. — К.: МП «ИТЕМ» ЛТД; «Юнайтед Лондон Трейд Лимитед», 1995. — 448 с.
8. Айвазян С.А. Прикладная статистика. Основы эконометрики. Том 2 / Айвазян С.А. — М.: Юнити-Дана, 2001. — 432 с.
9. Вильямс Б. Торговый Хаос: экспертные методики максимизации прибыли / Вильямс Б. – М.: ИК "Аналитика", 2006, – 330 с.
10. Шарп У. Инвестиции: Пер. с англ. / Шарп У., Александер Г., Бэйли Дж. – М.: ИНФРА-М, 1999. – 1028 с.
11. Mantegna R. An Introduction to Econophysics, Correlations and Complexity in Finance / Mantegna R., Stanley H. – Cambridge: Cambridge University Press, 2000. – 162 p.
12. Cornell B. Spot Rates, Forward Rates and Exchange Market Efficiency / Cornell B. // Journal of Financial Economics. – 1977. –
№ 5. – P. 55-65.
13. Frankel J. A. Tests of Rational Expectations in the Forward Exchange Market / Frankel J. A.// Southern Economic Journal. – 1980. –
№ 46. – P. 1083-1101.
14. Hilborn R. C., Chaos and Nonlinear Dynamics / Hilborn R. C. – New York: Oxford University Press, 1994. – 672 p.
15. Kantz H. Nonlinear Time Series Analysis / Kantz H., Schreiber T. – Cambridge: Cambridge University Press, 1997. – 784 p.
16. Peters E. E. Chaos and Order in the Capital Markets / Peters E. E. – New York: John Wiley & Sons, Inc., 1991. – 336 p.
17. Петерс Е. Фрактальный анализ финансовых рынков: применение теории хаоса в инвестициях и економике / Петерс Е. – М: Интернет-трейдинг, 2004. – 304 с.
18. Bleaney M. Nonlinearities in Exchange Rate Dynamics: Evidence from Five Currencies: 1973-1994 / Bleaney M., Mizen P. // Economic Record. – 1996. – vol. 72, № 216. – P. 36-45.
19. An Introduction to High-Frequency Finance / [Dacorogna M. M., Gençay R., Muller U. A., Olsen R. B., Pictet O.V.]. – San Diego: Academic Press, 2001. – 383 p.
20. Voit J. The Statistical Mechanics of Financial Markets/ Voit J. – Berlin: Springer-Verlag, 2005. – 385p.
21. Masaaki Kijima Stochastic Processes with Applications to Finance / Masaaki Kijima. – Chapman and Hall/CRC, 2002. – 288 p.
22. Mandelbrot B. A multifractal model of asset’s returns / Mandelbrot B., Fisher A., Calvet L. // Cowles Foundation Discussion Paper. – 1997. – № 1164. – 33 p.
23. Russell S. J., Norvig P. Artificial Intelligence: A Modern Approach. / Russell S. J., Norvig P. – [3rd ed.]. – New Jersey: Prentice Hall, 2009. – 1152 p.
24. Alan Turing Computing Machinery and Intelligence / Alan Turing // Mind LIX. – 1950. – № 236. – P. 433-460
25. Стюарт Рассел, Питер Норвиг Искусственный интеллект: современный подход (AIMA) / Стюарт Рассел, Питер Норвиг. – [2-е изд.]. – М.: «Вильямс», 2007. – 1424 с.
26. Каллан Р. Основные концепции нейронных сетей / Каллан Р. – [пер. с англ.] – М: Изд.Дом «Вильямс», 2003. – 288с.
27. Лысенко Ю. Г. Нейронные сети. Применение и экономическая эфективность / Лысенко Ю. Г.// Нове в економічній кібернетиці: зб. наук. ст. – Донецьк: Юго-Восток, 2010. – №4. – C. 58-70.
28. Камінський А.Б., Сікач В.О. Нейромережеві технології в управлінні портфелем простроченої заборгованості // Міжвідомчий науковий збірник «Моделювання та інформаційні системи в економіці». –
2011. – 84. – С. 5-19.
29. Are foreign exchange rates predictable? A survey from artaficial neural network perspective / [Yu L., Wang S., Huang W., Lai K. K.] // Scientific Inquiry. – 2007. – vol. 8, no.2. – P. 207-228.
30. Analysis of Artificial Neural Network for Financial Time Series Forecasting / [Shukla A., Tiwari R., Kant S. etc] // International Journal of Computer Applicationsю – 2010.– vol. 9, №.5. – P. 16-22.
31. Yu L. Foreign-Exchange-Rate Forecasting With Artificial Neural Networks / Yu L., Wang S. Y., Lai K. K. – New York: Springer, 2007. – 339 p.
32. Березький О. Прогнозування курсу акцій за допомогою нейронних мереж / Березький О., Барвінський А., Чирка М. // Вісник Тернопільської академії народного господарства. – 2000. –
Вип. 10. – С. 112-117.
33. Выбор архитектуры и адаптивное обучение рекуррентной нейронной сети для прогнозирования временных рядов [Головко В., Савицкий Ю., Саченко А., та ін.] // Вісник Тернопільської академії народного господарства. – 2000. – Вип. 10. – С. 37–42.
34. Zhang G. Forecasting with artificial neural networks: the state of the art / Zhang G., Patuwo B., Hu M. // International Journal of Forecasting. – 1998. – № 14. – P. 35-62.
35. An-Sing Chen Application of neural networks to an emerging financial market: forecasting and trading the Taiwan Stock Index / An-Sing Chen, Mark T. Leung, Hazem Daouk // Computers & Operations Research. – 2003. –
№ 30. – P. 901-923.
36. Gately Ed Neural Networks for Financial Forecasting (Wiley trader’s advantage series) / Gately Ed. – New York: John Wiley & Sons Inc.,
1996. – 196 p.
37. Grudnitski G. Forecasting S&P and gold futures prices: an application of neural networks / Grudnitski G., Osburn L. // The Journal of Futures Markets. – 1993. – № 13. – P. 631-643.
38. Freisleben B. Stock market prediction with backpropagation networks / Freisleben B. // Industrial and Engineering Applications of Artificial Intelligence and Expert System – 5th International Conference in Paderborn, Germany, 1992. – P. 451–460.
39. Hoptroff R. The principles and practice of time series forecasting and business modelling using neural nets / Hoptroff R. // Neural Computing and Applications. – 1993. – № 1. – P. 59-66.
40. Hu M.Y. A cross-validation analysis of neural network out-of-sample performance in exchange rate forecasting/ Hu M.Y., Zhang G., Jiang C., Patuwo B.E. // Decision Sciences. – 1999. – № 30. – P. 197-216.
41. Kim S. Graded forecasting using an array of bipolar predictions: application of probabilistic neural networks to a stock market index / Kim S., Chun S. // International Journal of Forecastingю. – 1998. – vol. 14,
№ 3. – P. 323-337.
42. Lean Yu A neural-network-based nonlinear metamodeling approach to financial time series forecasting / Lean Yu, Shouyang Wang, Kin Keung Lai // Applied Soft Computing. – 2009. – № 9. – P. 563-574.
43. Leigh W. Forecasting the NYSE composite index with technical analysis, pattern recognizer, neural network, and genetic algorithm: a case study in romantic decision support / Leigh W., Purvis R., Ragusa J. M. // Decision Support Systems. – 2002. – № 32. – P. 361-377.
44. Saad E. Comparative study of stock trend prediction using time delay, recurrent and probabilistic neural networks / Saad E., Prokhorov D., Wunsch D. // IEEE Transactions on Neural Networks. – 1998. – №. 9. – P. 1456-1470.
45. Shaikh A. Hamid Using neural networks for forecasting volatility of S&P 500 Index futures prices / Shaikh A. Hamid, Zahid Iqbal // Journal of Business Research. – 2004. – №. 57. – P. 1116-1125.
46. Бэстенс Д.-Э. Нейронные сети и финансовые рынки: принятие решений в торговых операциях / Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. – Москва: ТВП, 1997. – 236 с.
47. Robert R. Trippi Neural Networks Finance and Investment: Using Artificial Intelligence to Improve Real World Performance / Robert R. Trippi, Efraim Turban. – [2 ed.]. – Chicago: Irwin Professional Pub., 1996. – 850 p.
48. Azoff M. Neural Network Time Series: Forecasting of Financial Markets / Azoff M. — John Wiley & Sons, 1994. — 212 p.
49. Senol D., Ozturan M. Stock Price Direction Prediction Using Artificial Neural Network Approach: The Case of Turkey / Senol D., Ozturan M. // Journal of Artificial Intelligence. – 2008. – vol.1. – P. 70-77.
50. Kazuhiro Kohara Neural Networks for Economic Forecasting Problems / Kazuhiro Kohara // Expert Systems, 2002. – P. 1175-1197.
51. Fabio D. Freitasa Prediction-based portfolio optimization model using neural networks / Fabio D. Freitasa, Alberto F. De Souzab, Ailson R. de Almeidac // Neurocomputing. – 2009. – vol. 72, № 10-12. – P. 2155-2170.
52. Leandro Santos Maciel Design a neural network for time series financial forecasting: accuracy and robustness analisys / Leandro Santos Maciel, Rosângela Ballini // IX Brazilian Finance meeting, UNISINOS. – 2009. –Режим доступу до журн.:
http://bibliotecadigital.fgv.br/ocs/index.php/ebf/9EBF/paper/viewFile/895/168
53. Chi-Jie Lu Financial time series forecasting using independent component analysis and support vector regression / Chi-Jie Lu, Tian-Shyug Lee, Chih-Chou Chiu // Decision Support Systems. – 2009. –
Vol. 47, № 2. – P. 115-125.
54. Джусов А. Международное инвестирование: выбор благоприятного экономического пространства, фондовых активов и тестирование торговых систем / Джусов А. // Журнал европейской экономики. – 2003. – Т. 2. – № 4. – С. 468-490.
55. Пардо Р. Разработка, тестирование и оптимизация торговых систем для биржевого трейдера / Пардо Р., [Пер. с английского А. Полесчука]. – М.: Минакс, 2002. – 224 с.
56. Jingtao Yao Neural networks for technical analysis: a study on KLCI / Jingtao Yao, Chew Lim Tan, Hean-Lee Poh // International Journal of Theoretical and Applied Finance. – 1999. – Vol. 2. – №. 2. – P. 221-241.
57. Monica Lam Neural network techniques for financial performance prediction: integrating fundamental and technical analysis / Monica Lam // Decision Support Systems. – 2004. – vol. 37. – P. 567-581.
58. Chan Man-Chung Financial Time Series Forecasting by Neural Network Using Conjugate Gradient Learning Algorithm and Multiple Linear Regression Weight Initialization / Chan Man-Chung, Wong Chi-Cheong, Lam Chi-Chung // Computing in Economics and Finance. – 2000. – №. 61. – Режим доступу до журн.: http://fmwww.bc.edu/cef00/papers/paper61.pdf
59. Vracko M. Kohonen Artificial Neural Network and Counter Propagation Neural Network in Molecular Structure-Toxicity Studies / Vracko M. // Current Computer-Aided Drug Design, 2005. – P. 73-78.
60. Kuzmanovski I. Counter-propagation neural networks in Matlab / Kuzmanovski I., Novič M. // Chemometrics and Intelligent Laboratory Systems. – 2008. – № 90. – P. 84-91.
61. Vrackoa M. Structure-mutagenicity modelling using counter propagation neural networks / Vrackoa M., Millsb D., Subhash C. Basak // Environmental Toxicology and Pharmacology. – 2004. – vol. 16. –
№ 1-2. – P. 25-36.
62. Stojića N. Prediction of toxicity and data exploratory analysis of estrogen-active endocrine disruptors using counter-propagation artificial neural networks / Stojića N., Erićb S., Kuzmanovskia I. // Journal of Molecular Graphics and Modelling. – 2010. – vol. 29, № 3. – P. 450-460.
63. Zupan J. Neural networks with counter-propagation learning strategy used for modelling / Zupan J., Noviča M., Gasteigerb J. // Chemometrics and Intelligent Laboratory Systems. – 1995. – vol. 27, № 2. – P. 175-187.
64. Juanga S.C. A comparison between the back-propagation and counter-propagation networks in the modeling of the TIG welding process / Juanga S.C, Tarnga Y.S, Liib H.R. // Journal of Materials Processing Technology. – 1998. – vol. 75, № 1-3. – P. 54-62.
65. Madan A. Vibration control of building structures using self-organizing and self-learning neural networks / Madan A. // Journal of Sound and Vibration. – 2005. – vol. 287, № 4-5 . – P. 759-784.
66. Deboeck G J. Financial Applications of Self-Organizing Maps Advisor / Deboeck G J. – World Bank. – 1997. – 32 p.
67. Kohonen Т. Self organizing maps / Kohonen Т. – [3d ed.]. – New-York: Springer, 2001. – 501 p.
68. Philippe du Jardin Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy / Philippe du Jardin // Neurocomputing. – 2010. –
№ 73. – P. 2047-2060.
69. Zhu Z. Self-organizing learning array and its application to economic and financial problems / Zhu Z., He H., Starzyk J. A., Tseng C. // Information Sciences. – 2007. – № 177. – P. 1180-1192.
70. Kiviluoto K. Predicting bankruptcies with the self-organizing map / Kiviluoto K. // Neuro- computing. – 1998. – № 21. – P. 191-220.
71. Дебок Г. Анализ финансовых данных с помощью самоорганизующихся карт / Дебок Г., Кохонен Т.– М.: Издательский Дом «АЛЬПИНА», 2001.– 317 с.
72. Управление коммерческим банком: инновационный аспект: монография / [Лысенко Ю. Г., Тимохин В. Н., Руденский Р. А. и др.]. – Донецк: ООО «Юго-Восток, Лтд», 2008. – 328 с.
73. Times Series Prediction: Forecasting the Future and Understanding the Past / [A. S. Weigend, N. A. Gershenfeld, eds]. – New York: Addison-Wesley, 1993. – 582 p.
74. Altman E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy / Altman E. I. // The Journal of Finance. – 1968. – №. 4. – P. 589-609.
75. Beermann K. Prognosemöglichkeiten von Kapitalverlusten mit Hilfe von Jahresabschlüssen / Beermann K. // Schriftenreihe des Instituts für Revisionswesen der Westfälischen Wilhelms-Universität Münster.– Düsseldorf, 1976. – Band 11.– S. 118-121.
76. Taffler R. Going, going, gone – four factors which predict / R. Taffler, H. Tishaw // Accountancy. – 1977. – Vol. 88, №. 1003. – P. 50-54.
77. Давыдова Г. В. Методика количественной оценки риска банкротства предприятий / Г. В. Давыдова, А. Ю. Беликов // Управление риском. – 1999. – № 3. – С. 13-20.
78. Терещенко О. О. Антикризове фінансове управління на підприємстві /Терещенко О. О. – К.: КНЕУ, 2004. – 268 с.
79. Черняк О. І., Виявлення ознак неплатоспроможності підприємства та можливого його банкрутства / О. І. Черняк , В. О. Креківський, В. О. Монаков, Д. В. Ящук // Статистика України. – 2003. –
№ 4. – С. 87-94.
80. Матвійчук А. В. Дискримінантна модель оцінки ймовірності банкрутства / А. В. Матвійчук // Моделювання та інформаційні системи в економіці. – К.: КНЕУ, 2006. – Вип. 74. – С. 299-314.
81. Матвійчук А. В. Моделювання економічних процесів із застосуванням методів нечіткої логіки / А. В. Матвійчук. – К.: КНЕУ,
2007. – 264 с.
82. Недосекин А. О. Нечетко-множественный анализ рисков фондовых инвестиций / А. О. Недосекин. – СПб.: Сезам, 2002. – 181 с.
83. Amir F. Atiya Bankruptcy prediction for credit risk using neural networks: a survey and new results / Amir F. Atiya // IEEE Transactions on Neural Networks. – 2001. – № 7. – P. 929-935.
84. Laitinen E. Bankruptcy prediction: application of the Taylor’s expansion in logistic regression / Laitinen E., Laitinen T. // International Review of Financial Analysis. – 2000. – № 9. – P. 327-349.
85. Odom M. A neural network model for bankruptcy prediction / Odom M., Sharda R. // The International Joint Conference on Neural Networks. –
1990. – P. 163-168.
86. Philippe du Jardin Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy / Philippe du Jardin // Neurocomputing. – 2010. –
№ 73. – P. 2047-2060.
87. Kumar N. Financial decision support with hybrid genetic and neural based modeling tools / Kumar N., Krovi R., Rajagopalan B. // European Journal of Operational Research. – 1997. – № 103.– P. 339-349.
88. Altman E. Corporate distress diagnosis:comparisons using linear discriminant analysis and neural network—the Italian experience / Altman E., Marco G., Varetto F. // Journal of Banking and Finance. – 1994. –
№ 18. – P.505-529.
89. Back B. Choosing bankruptcy predictors using discriminant analysis, logit analysis and genetic algorithms / B. Back, G. Oosterom, K. Sere, M. Wezel // Proceedings of the Ist International Meeting on Artificial Intelligence in Accounting, Finance and Tax. – 1996. – P. 337-356.
90. Back B. Neural networks and genetic algorithms for bankruptcy predictions / B. Back, G. Oosterom, K. Sere // Expert Systems with Applications. – 1996. – № 11. – P. 407–413.
91. Alfaro E. Bankruptcy forecasting: an empirical comparison of adaboost and neural networks / E. Alfaro, N. Garcia, M. Games, D. Ellison // Decision Support Systems. – 2008. – № 45. – P. 110-122.
92. Agarwal A. Abductive networks for two-group classification: a comparison with neural networks / Agarwal A. // The Journal of Applied Business Research. – 1999. – vol. 15, № 2. – P. 1-12.
93. Wilson R. L. Bankruptcy prediction using neural networks / Wilson R. L., Sharda R. // Decision Support System . – 1994. –
№ 32. – P. 545-557.
94. Shorouq Fathi Eletter Neuro-Based Artificial Intelligence Model for Loan Decisions / Shorouq Fathi Eletter, Saad Ghaleb Yaseen, Ghaleb Awad Elrefae // American Journal of Economics and Business Administration. – 2010. –
vol. 2, № 1. – P. 27-34.
95. West D. Neural network credit scoring models / West D. // Computers & Operations Research. – 2000. – vol. 27, № 11-12. – P. 1131-1152.
96. Chih-Fong Tsai Using neural network ensembles for bankruptcy prediction and credit scoring / Chih-Fong Tsai, Jhen-Wei Wu // Expert Systems with Applications. – 2008. – № 34. – P. 2639-2649.
97. Білик М. Д. Фінансовий аналіз: Навч. посіб. / Білик М. Д., Павловська О. В., Притуляк Н. М., Невмержицька Н. Ю. – К.: КНЕУ,
2005. – 592 с.
98. Кизим Н. А. Оценка и прогнозирование неплатежеспособности предприятий / Кизим Н. А., Благун И. С., Копчак Ю. С. – Х.: Издательский дом „ИНЖЭК”, 2004. – 144 с.
99. Бланк И. А. Финансовый менеджмент: Учебный курс / Бланк И. А. – К.: Ника-Центр, 1999. – 528 с.
100. Лігоненко Л. О. Антикризове управління підприємством: теоретико-методологічні засади та практичний інструментарій / Лігоненко Л. О. – К.: Київ. нац. торг.-екон. ун-т, 2001. – 580 с.
101. Beaver W. H. Financial Ratios as Predictors of Failure, Empirical Research in Accounting Selected Studies / William H. Beaver // Supplement to Journal of Accounting Research. – 1966. – vol. 4. – P. 71-111.
102. Ohlson J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy / Ohlson J. A. // Journal of Accounting Research. – 1980. –
vol. 18, no. 1. – P. 109-131.
103. Fulmer J. G. A Bankruptcy Classification Model For Small Firms / John G. Fulmer et al. // Journal of Commercial Bank Lending. – 1984. – P. 25-37.
104. Frydman H., Altman E. I., Kao D. Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress / Frydman H., Altman E. I., Kao D. // The Journal of Finance. – 1985. – vol. XI, №. 1. – P. 269-291.
105. Kotsiantis S. Efficiency of machine learning techniques in bankruptcy prediction / Kotsiantis S., Tzelepis D., Koumanakos E., Tampakas V. // 2nd International Conference on Enterprise Systems and Accounting. –
2005. – P. 39-49.
106. Tam K.Y., Kiang M.Y. Managerial applications of neural networks: The case of bank failure predictions / K. Y. Tam, M. Y. Kiang // Management Science. – 1992. – vol 38, № 7. – P. 926-947.
107. Fanning K. M. A Comparative Analysis of Artificial Neural Networks Using Financial Distress Prediction / K. M. Fanning , K. O. Cogger // International Journal of Intelligent Systems in Accounting, Finance and Management. – 1994. – vol. 3. – P. 241-252.
108. Lee T. H. Forecasting creditworthiness: Logistic vs. artificial neural net / Lee T. H., Jung S. // The Journal of Business Forecasting Methods and Systems. – 2000. – vol. 18, № 4. – P. 28-30.
109. Павлов Р. А. Рання діагностика банкрутства банків [Текст]: дис. канд. екон. наук: 08. 00. 08 – гроші, фінанси і кредит / Р. А. Павлов. – Дніпропетровськ: Дніпропетровський національний університет,
2008. – 237с.
110. Arbib М. А. Brains, Machines and Mathematics / Arbib М. А. – [2nd ed.]. – New York: Springer Verlag, 1987. – 202 p.
111. Хайкин С. Нейронные сети: полный курс / Хайкин С. – [2e издание; Пер. с анrл.]. – М.: Издательский дом "Вильямс", 2006. – 1104 с
112. Розенблатт Ф. Принципы нейродинамики / Розенблатт Ф. – М.: Мир, 1965. – 480 с.
113. Grossberg S. The Adaptive Brain / Grossberg S. – Sole distributors for the U.S.A. and Canada, Elsevier Science Pub. Co., 1987. – 497 p.
114. Aleksander I. An Introduction to Neural Computing / Aleksander I., Morton Н. // Adv. Neural Computation. – London: Chapman and Hall,
1990. – P. 97-102.
115. Geman S. Neural networks and the bias/variance dilemma / Geman S., Bienenstock Е., Doursat R. // Neural Computation. – 1992. – vol. 4. – 158 p.
116. Mead С.А. Analog VLSI and Neural Systems / Mead С.А. – МА: Addison Wesley, 1989. – 371 p.
117. Минский М. Л. Персептроны / М. Л. Минский, С. Пейперт – М. Мир, 1971. – 263 с.
118. Mendel J.M. Reinforcement learning control and pattern recognition systems / J. M. Mendel, R.W. McLaren // Adaptive, Learning and Pattern Recognition Systems: Theory and Aplications. – New York: Academic Press, 1970. – vоl. 66. – P. 287-318.
119. Becker S. Unsupervised learning procedures for neural networks / Becker S. // International Journal of Neural Systems. – 1991. – vоl. 2. – P. 17-33.
120. Christoph von der Malsburg Network self-organization / Christoph von der Malsburg // Аn Introduction to Neural and Electronic Networks. – San Diego, СА: Academic Press, 1990. – P. 421-432.
121. Barlow Н.В. Unsupervised learning / Barlow Н. В. // Neural Computation. – 1989. – vоl. 1.– P. 295-311.
122. Hecht-Nielsen R. Counterpropagation networks / Hecht-Nielsen R. // Proceedings of the IEEE First International Conference on Neural Networks. – San Diego, CA: SOS Printing, 1987. – vol. 2. – P. 19-32.
123. Минц А. Ю. Методы отбора данных для нейросетевого моделирования / Минц А. Ю. // Моделювання та інформаційні системи в економіці, зб.наук.пр. – Київ: КНЕУ, 2011. – Вип. 84. – С. 256-270.
124. Брюзгин А. Вольные размышления на тему трейдинга / Брюзгин А. // Валютный спекулянт. – 2002. – № 6. – С. 84-89.
125. Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе / С. А. Шумский, А. А. Ежов, под ред. проф. В.В. Харитонова. – М.: МИФИ, 1998. – 224 с.
126. Бокс Дж. Анализ временных рядов, прогноз и управление: Пер. с англ. / Бокс Дж., Дженкинс Г., Под ред. В.Ф. Писаренко. – М.: Мир,
1974. – 406 с.
127. RiskMetrics Technical Document. – 4th edition. – JP Morgan,
1996. – 283 р.
128. Фінанси підприємств: Підручник / Керівник авт. кол. і наук. ред. проф. А. М. Поддєрьогін. – [3-тє вид., перероб. та доп.] –
К.: КНЕУ, 2001. – 460 с.
129. Матвійчук А. В. Моделювання та аналіз економічних систем на підгрунті теорії нечіткої логіки [Текст] : дис. д-ра екон. наук: 08.00.11 / Матвійчук Андрій Вікторович. – К: Державний вищий навчальний заклад "Київський національний економічний ун-т ім. Вадима Гетьмана",
2007. – 466 с.
130. Наконечний С. І. Економетрія. Підручник / С. І. Наконечний, Т. О. Терещенко, Т. П. Романюк. – Вид.3-тє, доп. та перероб. – К.: КНЕУ,
2004. – 520 с.
131. Наказ міністерства фінансів України № 1234 від 22.10.2009 «Про затвердження Порядку проведення оцінки фінансового стану бенефіціара та визначення виду забезпечення для обслуговування та погашення позики, наданої за рахунок коштів міжнародних фінансових організацій».
132. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Уоссермен Ф. – М.:Мир, 1992. – 184 c.
133. Оссовский С. Нейронные сети для обработки информации / Оссовский С. – М: Финансы и статистика, 2002. – 344 с.
134. Tzu-Chiang Liu A new ART-counterpropagation neural network for solving a forecasting problem / Tzu-Chiang Liu, Rong-Kwei Li // Expert Systems with Applications. – 2005. – vol. 28, № 1. – P. 21-27.
135. Demartines P. Kohonen self organizsing maps: is the normalization nessesary? / Demartines P., Blayo F. // Complex Systems. – 1992. –
vol. 6. – P. 105-123.
136. Коhоnen Т. Things уоu haven’t heard about the se1f-organizing mар / Коhоnen Т. // Proceedings of the International conference оn Neural Networks. – 1993. – P. 1147-1156.
137. Hebb D. O. Organization of behavior / Hebb D. O. – New York: Science Edition, 1961. – 378 p.
138. Lo Z. P. Analysis of neighborhood interaction in Kohonen neural networks / Z. P. Lo, М. Fujita, В. Bavarian // 6th International Parallel Processing Symposium Proceedings. – Los Alamitos, СА, 1991. – P. 247-249.
139. Ritter Н. Neural Computation and Self-Organizing Maps: Аn Introduction / Ritter Н., Martinetz Т., Schulten К. – New York: Addison-Wesley, 1992. – 293 p.
140. Erwin Е. Self-organizing maps: Stationary states, metastability and convergence rate / Erwin Е., Obermayer К. Schulten К. // Biological Cybernetics. – 1992. – vоl. 67. – P. 35-45.
141. Grossberg S. The Adaptive Brain / Grossberg S. – Sole distributors for the U.S.A. and Canada, Elsevier Science Pub. Co., 1987. – 497 p.
142. Kohonen T. Self-organization and associative memory / Kohonen T. // Series in Information Sciences. – Berlin: Springer-Verlag, 1984. –
vol. 8. – P. 95-105.
143. Матвійчук А. В. Діагностування можливості банкрутства підприємств із застосуванням нейронних мереж зустрічного розповсюдження / Матвійчук А. В., Кайданович Д. Б. // Современные подходы к моделированию сложных социально-экономических систем: монография – Х.:ФЛП Александрова К.М.; ИД «ИНЖЕК», 2011.– С. 229-242.
144. Матвійчук А. В. Розпізнавання образів у структурі цінових кривих та прогнозування їх подальшого розвитку із застосуванням нейронних мереж зустрічного розповсюдження / Матвійчук А. В., Кайданович Д. Б. // Нове в економічній кібернетиці: зб. наук. ст. – Донецьк: Юго-Восток, 2010. – №1. – C. 54-60.
145. Кайданович Д. Б. Прогнозування розвитку фінансових показників із застосуванням нейронних мереж зустрічного розповсюдження / Кайданович Д. Б. // Збірник наукових праць «Моделювання та інформаційні системи в економіці». – К: ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2010. – № 81. – С. 230-242.
146. Матвійчук А. В. Оцінка ризику банкрутства підприємств із застосуванням карт самоорганізації / Матвійчук А. В., Кайданович Д. Б. // Вісник Східноукраїнського національного університету імені Володимира Даля. – Луганськ: СНУ імені Володимира Даля, 2010. –
№8 (150). – С. 171-177 .
147. Кайданович Д.Б. Оцінка ризику банкрутства підприємств із застосуванням нейронних мереж зустрічного розповсюдження / Кайданович Д. Б. // Наукові записки серія «Економіка»: зб. наук. пр. – Острог: Національний університет «Острозька академія», 2010. –
№ 15. – С. 468-474.
148. Матвійчук А. В. Прогнозування розвитку фінансових показників із застосуванням нейронних мереж зустрічного розповсюдження / Матвійчук А. В., Кайданович Д. Б. // Тези доповідей ХIV Всеукраїнської науково-методичної конференції «Проблеми економічної кібернетики». – м. Харків: Харківський національний університет імені В. Н. Каразіна, 8-9 жовтня 2009 р. – С. 60-64.
149. Кайданович Д. Б. Моделі аналізу можливого банкрутства підприємств на основі нейронної мережі зустрічного розповсюдження / Кайданович Д. Б. // Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту: Матеріали міжнародної наукової конференції. Том 1. – Херсон: ХНТУ, 2011. – С. 254-257.