より詳細な情報
銀行と投資（10論文）
Trajectories of development of state-owned banks by analyzing the dynamics of patterns
Mussina, A., Shkolnyk, I. O., & Bukhtiarova, A. H. (2017).
2007年から2016年の間に国有ウクライナの銀行の発展が分析されています。 Viscovery SOMineは、資産、預金、資本および貸付金を記述する14の指標に関する銀行のクラスタリングに使用されています。
Financial performance analysis of European banks using a fuzzified self-organizing map
Sarlin, P., & Eklund, T. (2013). International Journal of Knowledge-Based and Intelligent Engineering Systems, 17(3), 223-234.
この論文では、PCAと自己組織化マップを使用してヨーロッパの銀行の財務実績分析を行っています。 Viscovery SOMineは、SOM-Wardアルゴリズムを使用して業績データをクラスタリングするために使用されています。 第2のステップでは、ファジー化Wardクラスタリングがマップの上に導入されています。.
Segmentation in banking using self-organizing maps: a case study of business customers
Juković, S., Bach, M. P., Dumičić, K., & Šarlija, N. (2012, January). In 6th International Conference of the School of Economics and Business Beyond the Economic Crisis: Lessons Learned and Challenges Ahead.
Viscoveryによって導入された自己組織化マップ、特にSOM-Wardクラスタリングアルゴリズムの基礎は、市場セグメンテーションのアプリケーションで提示され、実証されています。 Viscovery SOMineは、クロアチアの銀行のビジネス・クライアントのデータセットを3つのグループに分類し、関連するマーケティング活動を導出するために使用されています。
Rating of enterprises' activities by the modified cluster method
Kravets, T., & Kuznetsov, G. (2011). Ekonomika, 90.
この論文の焦点は、企業の格付けと財務実績です。 この目的のために、Viscovery SOMineは、収益、納税額、労働コストおよびその他の業績指標に従って企業のクラスターを取得するために使用されています。
Artificial neural networks and self-organization for knowledge extraction
Aharkava, L. (2010).
この修士論文では、自己組織化マップとバックプロパゲーション・ニューラルネットワークを使用して、金融時系列データを予測します。 Viscovery SOMineは、ビジュアルデータ分析、およびForexデータをBUYおよびSELLの推奨事項に分類するために使用されます。
Forecasting of credit classes with the self-organizing maps
Merkevičius, E., Garšva, G., & Simutis, R. (2004). Information technology and control, 33(4).
クレジット・クラスの予測における自己組織化マップの能力が調査されています。 Viscovery SOMineは、類似のプロセス特性を持つクレジット・ユニットのモデルを生成してクレジット・クラスを決定するために使用されていす。 自己組織化マップは、分類誤差を明らかに減少させる可能性があることが示されています。
European financial cross-border consolidation: at the crossroads in Europe? By exception, evolution or revolution?
Abraham, J. P., & Van Dijcke, P. (2002). SUERF Studies. (No. 22).
クロスボーダーの財務連結が、銀行戦略の観点から分析されています。 ヨーロッパの100の最も大きい銀行グループのサンプルが、Bankscopeデータに基づいて選択されています。 Viscovery SOMineクラスタリングを使用すると、同様の特性を持つピアグループが見つかります。
Credit rating classification using self-organizing maps
Tan, R. P., van den Berg, J., & van den Bergh, W. M. (2002). In Neural Networks in Business: Techniques and Applications (pp. 140-153). IGI Global.
この記事の目的は、消費者景気循環の中で取引されているアメリカ企業300社のS＆P（Standard＆Poor）格付けを定量的に再現することです。 Viscovery SOMineは、財務諸表データをクラスタリングし、S＆P格付けによく合致し、評価が主に使用される財務指標に依存することを明らかにするために使用されます。
An empirical evidence of the financial performance of lean production adoption: a self-organizing neural networks approach
Biscontri, R., & Park, K. (2000). In Neural Networks, 2000. IJCNN 2000, Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks (Vol. 5, pp. 297-302). IEEE.
米国のリーン生産会社の財務実績を調べるための自己組織化マップ（SOM）の適用を評価するために、フィージビリティ・スタディが実施されています。対照群設計を使用して、ターゲットグループ（リーン会社）と対照群（非リーン会社）のメンバー間の財務パフォーマンスを区別するSOMの能力がテストされます。 調査された財務実績には、資産収益率、現行比率、売却原価対売上比、売上総利益率、資産回転率、在庫回転率が含まれます。 結果は、SOMモデルが、リーン企業と非リーン企業の財務実績を首尾よく区別することを示しています。
Credit rating prediction using self-organizing maps
Tan, R. P. G. H. (2000). Erasmus University Rotterdam.
企業の財務諸表とその割り当てられた信用格付けとの関係を分析して、格付機関によって実施された定性分析によってどれだけの格付けが影響を受けるかを示します。 Viscovery SOMineは、大規模なデータセットを視覚化し、洞察を得るために、信用格付けの予測に使用されています。
