Применение Matlab для реализации системы анализа финансового состояния предприятия

Финансовое состояние – это важнейшая характеристика экономической деятельности предприятия, которая определяет его конкурентоспособность на рынке, а также потенциал в деловом сотрудничестве. Финансовый анализ позволяет определить способность компании к дальнейшему финансовому росту, установить каким образом финансовая политика компании будет влиять на будущее и проанализировать сильные и слабые стороны ее конкурентных стратегий.

Нефинансовые факторы, в частности, стиль руководства предприятием и его история помогают определить направление и глубину анализа. Систематическое рассмотрение и оценка информации для получения достоверных выводов относительно прошлого состояния предприятия с целью предвидения его жизнеспособности в будущем являются важными моментами для успешного анализа финансовых отчетов.

В условиях рыночной экономики практическое применение результатов финансового анализа приобретает наибольшую актуальность, что связано, прежде всего, с тем, что современное предприятие самостоятельно определяет направление  своей деятельности и осуществляет ее финансирование с целью получения прибыли. В постоянно изменяющихся рыночных условиях руководители предприятия должны постоянно следить 1

за изменяющейся конъюнктурой, за эффективностью использования своих ресурсов, за состоянием своих активов, конкурентоспособностью своей продукции, т.к. данные показатели определяют не только текущую конкурентоспособность предприятия, но и перспективы развития предприятия в будущем.

Финансовый анализ может использоваться как инструмент обоснования краткосрочных и долгосрочных экономических решений, целесообразности инвестиций; как средство оценки мастерства и качества управления; как способ прогнозирования будущих финансовых результатов [1]. Финансовое прогнозирование позволяет в значительной степени улучшить управление предприятием за счет обеспечения координации всех факторов производства и реализации, взаимосвязи деятельности всех подразделений и распределения ответственности.

В настоящее время для анализа данных широко применяются различные интеллектуальные методы, в частности, нейронные сети. Это достаточно гибкий продукт, предоставляющий разработчикам большое количество возможностей для достижения конкретных целей [2].

Анализируя финансовые показатели, всегда стоит иметь в виду то, что оценка результатов деятельности производится на основании данных прошедших периодов, и на этой основе может оказаться некорректной экстраполяция будущего развития компании. Финансовый анализ должен быть направлен на будущее. Такую возможность может дать какая-либо система, обладающая возможность прогнозирования показателей с определенной точностью. Поэтому была поставлена задача разработки действующей модели нейронной сети для прогнозирования финансовых показателей предприятия.

Обучить нейронную сеть – значит, сообщить ей, чего мы от нее добиваемся. Нейронная сеть может обучаться с учителем или без него. После многократного предъявления примеров веса нейронной сети стабилизируются, причем нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что «нейронная сеть выучила все примеры», «нейронная сеть обучена», или «нейронная сеть натренирована». В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению новых данных.

Для решения поставленной задачи необходимо из всего многообразия программных продуктов выбрать оптимальный инструмент. В настоящее время MATLAB является мощным и универсальным средством решения задач, возникающих в различных областях 2

человеческой деятельности. Данный продукт подходит для решения широкого спектра научных и прикладных задач, в таких областях как: моделирование объектов и разработка систем управления, проектирование коммуникационных систем, обработка сигналов и изображений, а также финансовое моделирование.

Пакет прикладных программ Neural Networks Tool содержит средства для построения нейронных сетей, базирующихся на поведении математического аналога нейрона. Пакет обеспечивает эффективную поддержку проектирования, обучения, анализа и моделирования множества известных типов сетей – от базовых моделей персептрона до самых современных ассоциативных и самоорганизующихся сетей. Данная среда предоставляет возможность создания нейронных сетей как уже по заранее существующим шаблонам. При этом пользователям будет необходимо определить количество входов и выходов сети, весовые коэффициенты, связывающие нейроны, функции активации и еще много различных параметров [3].

Преимущество пакета MATLAB состоит в том, что при его использовании пользователь не ограничен моделями нейронных сетей и их параметрами, жестко заложенными в нейросимуляторе, а имеет возможность самостоятельно сконструировать ту сеть, которую считает оптимальной для решения поставленной задачи. В пакете возможно конструирование сети любой сложности и нет необходимости привязываться к ограничениям, накладываемым нейросимулятором. Однако для работы с нейронными сетями в пакете Matlab необходимо изучить как саму среду, так и большинство функций Neural Network Toolbox.

Для каждого типа архитектуры и обучающих правил имеются М-функции инициализации, обучения, адаптации, создания, моделирования, отображения, оценки и демонстрации, а также примеры применения. Обеспечена возможность генерации переносимого кода с помощью пакета Real Time Workshop. Также система MATLAB Neural Network Toolbox предоставляет максимальные возможности настройки и контроля сети в процессе обучения, именно она оптимально подходит в качестве системы прогнозирования данных.

Таким образом, MATLAB – достаточно гибкий и наиболее подходящий инструмент, позволяющий заменить различные статистические программные продукты, и по-новому взглянуть на проблему кластеризации и прогнозирования финансового состояния предприятия.

Изучение возможности применения нейронных сетей в задачах прогнозирования данных дает возможность сказать, что искусственные нейронные сети могут применяться для осуществления прогнозов. Разработанные модели позволят предприятиям иметь 3

возможность планировать значения финансовых показателей при анализе финансовой устойчивости на определенный период вперед.

В заключение следует сказать, что данная система, к сожалению, пока не сможет полностью заменить человека, так как при прогнозировании в отрыве от конкретной области не учитываются некоторые факторы, способные повлиять на качество прогноза, поэтому роль эксперта неоценима. Однако данная система позволит значительно снизить как временные и финансовые затраты, так и ускорить процесс анализа человеком финансового состояния предприятия.