Динамические модели производства банковского продукта для поддержки стратегического управления кредитной организацией

Динамические модели производства банковского продукта для поддержки стратегического управления кредитной организацией

Автор: Воловник, Александр Давидович

Шифр специальности: 08.00.05

Научная степень: Докторская

Год защиты: 2006

Место защиты: Ижевск

Количество страниц: 381 с. ил.

Артикул: 3319948

Автор: Воловник, Александр Давидович

Стоимость: 250 руб.

Динамические модели производства банковского продукта для поддержки стратегического управления кредитной организацией  Динамические модели производства банковского продукта для поддержки стратегического управления кредитной организацией 

1.1 .Общие цели и задачи системы маркетинговых исследований
1.2.Системное представление маркетинговой деятельности при стратегическом планировании
1.3.Модель поведения покупателя банковских услуг.
1.4.Методическое обеспечение системы маркетинговых исследований.
1.4.1. Методы кластеризации
1.4.2. Снижение размерности системы данных
1.5.Анализ временной зависимости депозитов.
1.5.1. Методы анализа временных рядов
1.5.2. Нейросетевые модели
1.5.3. Анализ кассовых операций по обслуживанию физических лиц.
1.6.Выводы по главе
Глава 2.Модсли поведения кредитной организации па
конкурентном рынке.
2.1 .Обзор общих экономических теорий ценообразования
2.1.1. Общие методологические принципы ценообразования
2.1.2. Анализ механизма ценовой дискриминации
2.1.3. Анализ практики ценообразования на предприятиях в условиях Российской экономики.
2.2.Модель зависимости спроса на банковский продукт от цены
на рынке банковских услуг
2.3.Динамическое моделирование ценовой политики кредитной организации в условиях конкуренции.
2.4.Моделирование жизненного цикла банковского продукта .
2.5.Выводы по главе 2
Глава З.Интеллектуальный капитал важнейшая составляющая
эффективного развития банка
3.1.Современные представления о человеческом
и интеллектуальном капитале
3.2.Динамическая модель производства банковского продукта с учетом интеллектуального капитала.
3.2.1. Постановка задачи и уравнения
3.2.2. Идентификация модели производства банковского продукта
3.3.Оценка величины интеллектуального капитала банка
3.4.Задача оптимального управления развитием банка на основе
дифференциальной модели
3.5.Нечеткое моделирование системы управления
интеллектуальным капиталом банка.
3.5.1. Система управления интеллектуальным
капиталом банка
3.5.2. Нечеткая математическая модель производства банковского продукта.
З.б.Обучение нечеткой сети, моделирующей банковскую
деятельность.
3.7.Управление численности сотрудников подразделения на основе модели системы с резервами.
3.8.Моделирование 8УОТстратегий нечеткой системой
3.9.Выводы по главе 3
Глава 4.Моделированне кредитоспособности клиентов
коммерческого банка.
4.1 .Понятие скоринга в кредитной деятельности банков
4.2.Оценка кредитоспособности физических лиц с применением интеллектуальных алгоритмов обработки данных
4.2.1. Нейросетевые методы оценки кредитной надежности физических лиц.
4.2.2. Алгоритмы анализа, основанные на правилах.
4.2.3. Построение моделей, прогнозирующих поведение клиентов.
4.3.Показатели хозяйственной деятельности кредитуемых предприятий.
4.4.Модель выбора стратегии кредитования юридических лиц.
4.4.1. Методика оценки кредитоспособности, основанная на нечетком логическом выводе.
4.4.2. Применение нечетких сетей Петри для оценки кредитоспособности.
4.4.3. Причинноследственная сеть для оценки кредитования юридических лиц
4.5.Выводы по главе 4.
Глава 5.Развитие инвестиционных способностей кредитною банка
5.1.Этапы инвестиционного процесса в производственноэкономических системах.
5.1.1. Система показателей оценки инвестиционных проектов. .
5.1.2. Методы моделирования процесса инвестиционной деятельности
5.1.3. Возможности снижения рисков реальных инвестиций 1 5.2.0рганизация движения финансовых ресурсов предприятия
5.2.1. Оптимизация стратегии использования
заемных средств
5.2.2. Политика долгосрочного кредитования предприятия на основе модели экономической системы с запаздывающими параметрами
5.3.Модель рационального поведения товаропроизводителей
5.3.1. Постановка задачи.
5.3.2. Результаты численного моделирования
5.4.Управление инвестиционными проектами с венчурным
финансированием
5.4.1. Схема венчурного финансирования
инвестиционных проектов
5.4.2. Формализованная модель развития венчурного инвестиционного проекта
5.4.3. Идентификация производственной функции товаропроизводящего предприятия
5.4.4. Оптимизация управления инвестиционным проектом
для получения максимальной прибыли за заданное время
5.4.5. Результаты параметрического исследования развития инвестиционных венчурных проектов
5.4.6. Организация управления венчурным проектом
для получения прибыли в кратчайшие сроки
5.4.7. Оценки риска венчурного инвестирования.
5.5.Выводы по главе 5.
Глава б.Моделирование сценариев развитии коммерческого банка
6.1.Анализ состояния банковской деятельности
ОАО ФОНДСЕРВИСБАНК.
6.1.1. Основные приоритеты развития Банка
6.1.2. Финансовые показатели деятельности.
6.2.Внешние и внутренние факторы, влияющие на развитие банка
6.2.1. Ранжирование внешних и внутренних факторов методом анализа иерархий
6.2.2. Прогноз динамики внешних факторов
6.3.Анализ сценариев банковской деятельности
6.3.1. Переменные модели и структура системы
6.3.2. Анализ результатов расчетов.
6.4.Выводы по главе 6
Заключение и выводы.
Библиографический список
Приложение
Акты о внедрении результатов диссертационной работы
Введение


Случайным образом или по какомулибо правилу выбирается К исходных центров точек в пространстве всех переменных. Не очень критично, какие именно это будут центры, процедура выбора исходных точек отразится, главным образом, только на времени счета. На первом шаге разобьем все записи на К групп, наиболее близких к одному из центров. Мерой близости может быть расстояние в пространстве всех. На втором шаге вычисляем новые центры кластеров по средним значениям переменных для записей, отнесенных к сформированным группам. Новые центры могут отличаться от предыдущих. Процедура повторяется до тех пор, пока центры кластеров соответственно, и границы между ними не перестанут меняться. В реальных данных изменение одной из переменных на некоторую величину по смыслу может значить существенно больше, чем такое же изменение другой переменной. Действительные переменные можно преобразовать к равнозначному масштабу, разделив на их характерный масштаб или, если он неизвестен, на среднее значение этой переменной, на диапазон ее изменения разность между максимальным и минимальным значением переменной или на ее стандартное отклонение. Тогда геометрическое расстояние между точками будет примерно соответствовать нашим представлениям о близости записей. Введение метрики, расстояния между категориальными переменными или отношениями порядка имеет более сложный характер. Методы кластеризации могут работать с категориальными, булевыми переменными и с текстом. Метод К средних хорошо работает, если данные по своей естественной природе делятся на компактные, примерно сферические группы. Момент остановки этого процесса объединения может задаваться исследователем путем указания требуемого числа кластеров или максимального расстояния, при котором допустимо объединение. За расстояние между кластерами можно принять, например, минимальное расстояние между отдельными записями точками этих кластеров. Для решения задачи классификации маркетинговой информации можно применять алгоритмы ненаблюдаемого обучения нейронных сетей, являющееся менее требовательными к объему данных. Будем использовать нейросети, обучаемые по правилу Кохонена 6 самоорганизующиеся карты. Алгоритм Кохонена предусматривает корректировку весовых коэффициентов связей между нейронами на основании их значений от предыдущей итерации. С, степень соседства к1 номер итерации и слоя, соответственно. Обучение заключается в минимизации разности между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя у1 и его весовыми коэффициентами 6. Коррекция весовых коэффициентов производится для нейронапобедителя, т. Выбор такого нейрона осуществляется либо по максимуму скалярного произведения вектора весовых коэффициентов с вектором входных
значений, либо по минимуму расстояния между ними 2 . К на первых итерациях большая, так что обучаются все нейроны, но с течением времени она уменьшается до нуля. Таким образом, чем ближе конец обучения, тем точнее определяется группа нейронов, отвечающих каждому классу образов. Данный алгоритм называется обучением без учителя и позволяет выделить классы объектов с похожими свойствами. Другой разновидностью кластеризации является метод нечеткой самоорганизации 0,8,9 Стеат. В данном алгоритме 6 вводится величина ии0 1, характеризующая степень принадлежности подаваемого на вход сети вектора Ху к центру С,. Как уже отмечалось, алгоритмы расщепления на заданное число кластеров хорошо работают, когда объекты компактно распределены относительно центров кластеров 0. Если данные образуют несферические группы или шкалы отдельных координат вектора сильно отличаются, то качество кластеризации можно повысить с применением алгоритма самоорганизации ГустаффсонаКесселя. А масштабирующая матрица. Такой алгоритм параллельно генерирует все центры самоорганизующихся нечетких кластеров и связанные с ними масштабирующие матрицы, используемые при вычислении расстояний. Рассмотрим анкетные данные клиентов физических лиц, приведенные в таблЛ . В таблице 1. Поле Возраст содержит количество полных лет. Поле Доход соответствует трем уровням дохода 0 низкий, 1 средний, 2 высокий.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 1.151, запросов: 128