Darbo tikslas – išnagrinėti įmonės bankroto nustatymo būdus ir pasiūlyti modelį, kuris kuo tiksliau prognozuotų gręsiantį įmonei bankrotą. Darbe apžvelgiami Lietuvos Respublikos (toliau – LR) teisės aktai, reglamentuojantys įmonių nemokumą bei bankrotą ir įmonių veiklą charakterizuojantys finansinės atskaitomybės dokumentai. Analizuojami klasikiniai bankroto prognozavimo modeliai ir, pasiremiant jais, sukonstruojamas naujas bankroto prognozavimo modelis, kuriame pritaikomas neuroninis tinklas. Atlikus įvairius bandymus su skirtingais neuroniniais tinklais ir jų konfigūracijomis nustatytas optimaliausias bankroto prognozavimo modelis. Sukurtas modelis gali prognozuoti Lietuvos įmonių bankrotą tiksliau nei klasikiniai bankroto prognozavimo modeliai. Sukurto modelio tikslumas pralenkia klasikinius bankroto prognozavimo modelius prognozuojant bankrotą Lietuvos įmonėms (pagal atliktus skaičiavimus E. I. Altmano modelio tikslumas buvo 64%, naujo modelio – 74%). / During bankruptcies in Lithuania creditors in average receive 11,4 % of their claims. Bankruptcy prediction could reduce looses that shareholders and creditors encounter if it is done in time. This work describes definitions of the insolvency of commercial entities in Lithuania. It should be noticed that these definitions do not use companies financial data rather depending on different assessment methodologies. Classical bankruptcy prediction models are reviewed and used to build new prediction models based on neural networks. The new bankruptcy prediction model that was developed outperforms classical Z-Score models. This shows that neural networks can be used in upgrading old bankruptcy prediction models. One of the conclusions this research provides is that using detailed business activity category of commercial entity (EVRK code) combined with various financial ratios in prediction process improves its results. Historical financial accounting data of Lithuanian commercial entities has been used to train neural networks. The bankruptcy predictions model that was developed is optimized for Lithuanian commercial entities.

2008 metais vykusi JAV nekilnojamo turto krizė peraugo į pasaulinę finansinę krizę palietusi ir Lietuvos akcijų rinką. Šiame darbe sukurta metodika padės išsiaiškinti veiklos sektorius, kuriuos krizė palietė labiausiai ir kuriuose ji pasireiškė anksčiausiai. Darbe nagrinėjant dirbtinio intelekto neuroninius tinklus parodyta, kad finansų sektorius yra rizikingiausias investicinis sektorius. O krizinis akcijų vertės sumažėjimas anksčiausiai pasireiškė statybų ir finansų sektoriuose. Naudojant įvairius paaiškinamuosius kintamuosius (akcijos pelningumas, vidurkis, dispersija, akcijų pirkimo/pardavimo kiekis, apimtys, sandoriai) nustatyti faktoriai jautriausiai reaguojantys į krizės pasireiškimus. / The theme of this Master’s degree paper is the Identification of Lithuanian Risky Stock Market Sector by Artificial Intelligence Techniques. The object of this job is the implement for Lithuania market risk. In 2008, held in the U.S. real estate crisis has grown into a global financial crisis affecting the Lithuania stock market. The main goal of the paper is identification the risky sector of Lithuania stock market in 2008 using Neural Network method. The main tasks to reach this goal are: divide all Lithuania stock market in to a groups. Write a program using Borland C++ Builder, based on neural network algorithm. Methodology developed in this work will help to identify the sectors of activity, which the crisis affected the most. With the help of artificial intelligence neural networks, it is shown that the financial sector is a risky investment sector. Using various explanatory variables (share profitability, average, dispersion, transactions amount and volumes), factors were identified, which had the most sensitive response to the crisis in the market. The length of this paper is 61 pages; there are 25 pictures and 28 tables in this paper.

In this research paper have been examined the ability of artificial neuron network, to project multidimensional data into smaller measurement expanse, by using the idea of main components. Described the usage of artificial neuron network and educational algorithm for specific features extraction and multidimensional data projection. Analyzed classical research methods of main components, and program KOMPONENTĖ has been designed to accomplish this particular work. Also there have been analyzed the possibilities of artificial neuron network to project the multidimensional data into the straight and plane. There have been designed programs TIESĖ, OJA and SANGER for this research paper. There have been accomplished and presented the results of this research. The results, obtained using classical main components method, were compared with results, obtained by neuron network realizabled main components. Additional conclusions maid about multidimensional data visualization problems, using the Y.H.Oja ir T.D.Sanger regulations and dependance of these regulations from parameter of educational precision, and parameter of significance of educational rate. Software operated in this research paper: Free Pascal IDE for WIN32 and Microsoft Excel 2003.

Duomenų klasifikavimas – sudėtingas procesas, kurio metu pradinių duomenų aibės apdorojamos taip, kad būtų sukurta sistema, leidžianti automatizuoti objektų atpažinimą ir informacijos srautus. Darbe pristatomi ir aptariami pagrindiniai objektų atpažinimo metodai, siekiama ištirti ar modelių modifikacijos padidina objektų atpažinimo tikslumą. Darbo tikslas – išanalizuoti statistinio objektų atpažinimo metodus, pasiūlyti naują hibridinį metodą ir patikrinti jo patikimumą. Siekiant užsibrėžto tikslo, analitinėje dalyje aptariami objektų atpažinimo metodai, nagrinėjamos objektų atpažinimo problemos, toliau pateiktas siūlomo hibridinio metodo aprašymas ir jo teorinė nauda. Eksperimentinėje dalyje aprašyta visa tyrimo eiga, duomenų apdorojimo procesas, apibendrinami rezultatai. Įvertinus objektų atpažinimo metodus, pasiūlytas hibridinis metodas, apjungiantis tiesinės diskriminantės ir neuroninio tinklo metodus. Lyginant standartinius objektų atpažinimo metodus su hibridiniais, parodyta, kad hibridiniai metodai leidžia pasiekti didesnį tikslumą (apie 10%) atpažinimo procese. Darbą sudaro 56 lapai, aprašą pagyvina 25 paveikslai, 7 lentelės ir 2 priedai. / Data classification is a complex process in which the set of initial data is treated to create a system that allows the identification of automated objects and data flows. The paper presents and discusses the main methods of object identification, seeks to examine whether the modification of models increases the accuracy of object recognition. The aim is to analyze the methods of statistical object detection, offer a new hybrid method and verify its reliability. In order to achieve this objective, analytical part deals with methods of object identification and analyzes the object recognition problems. Further, the description of the proposed hybrid method is suggested and its theoretical benefits are indicated. Experimental part describes the whole research process, data treatment processing and summarizes the results. After evaluating the methods of object identification, hybrid method, that unifies linear discriminant and methods of neuron system, is proposed. Comparing the standard object recognition methods with the hybrid ones, it was demonstrated, that the hybrid methods allow for greater accuracy (approximately 10%) in the process of identification. Paper consists of 56 pages, inventory is enlivened by 25 pictures, 7 tables and 2 appendixes.

Šio darbo tikslas – sukurti efektyvius įvykių atpažinimo filtrus duomenims, gautiems pasitelkiant pagreičių matavimo prietaisus mobiliosiose technologijose. Atlikus sukurtų filtrų nuodugnius tyrimus įvertinti, kurie iš filtrų įvykius atpažįsta efektyviausiai. Neuroninių tinklų pagalba išskirti duobę ir greičio ribojimo kalnelį iš bendro įvykių srauto. Sukurtą prototipą realizuoti praktiškai ir išsamiai atvaizduoti gaunamus rezultatus. Taip pat susipažinti su kitų autorių sukurtais atpažinimo modeliais bei sistemomis, palyginti jų sukurtų algoritmų bei šio darbo atpažinimo rezultatus, praktiškai realizuoti išnagrinėtą modelį. Užfiksuotoms eismo įvykių koordinatėms pritaikyti tinkamiausią duomenų grupavimo algoritmą ir išsamiai atvaizduoti gautus rezultatus. / The aim of this work was to analyze the data which was gotten from accelerometer mounted in mobile device during the test drives through the city together with GPS (Global Positioning System) coordinates, to detect and report the surface conditions of roads as well as to find the way, how it could be represented in the map. The research was started by analyzing oscillation data from accelerometer. We had to keep in mind that there can be road bumps, pit holes, speed bumps and other road anomalies, car can accelerate quickly and break sharply or even crash into something, what would cause a sudden stop. In order to recognize events, different detection filters were applied on data. In addition to this, neuron network was used to recognize pit holes and speed bumps from all event flow. The results of event detection algorithms were compared with other scientist’s works. In order to represent results clearly, database was created holding coordinates of the road events and other information like time, etc. The results were represented using an application programming interface made-up by Google, which was really suitable solution in our case. The whole system was programmed using Java servlets, which allowed to gather data from database using SQL (Structured Query Language) queries. While trying to represent accelerometer data, we faced difficulties in representing these road events on the map, as GPS each time returned answer with small variation of coordinates. In this case, we... [to full text]

The present diploma work investigates visualization of multidimensional data using multilayer neuron networks. The research comprised artificial neuron network (SAMANN) for non – linear projection, and visualization of multidimensional space data to smaller measurement space. The SAMANN network is trained by error backpropagation algorithm, that is, a multilayer perceptron is trained by using gradient descent rule for minimization of accumulated square error. Programme language helped creating a language for SAMANN network realization. Practical researches were carried out, that is, plane visualization of specific data sets complex (vectors). Dependence of visualization accuracy on number of iterations, training speed parameter and number of neurons in hidden layers was established. The following software was used for the work: Microsoft Visual Studio 6.00 C++ (for realization of SAMANN network) and Microsoft Excel 2002 (for visualization of the created programme).

Magistriniame darbe nagrinėjamas vertybinių popierių portfelio optimizavimas panaudojant saviorganizuojančius neuroninius tinklus (SOM). Darbe supažindinta su SOM algoritmu, neuroninio tinklo struktūra. Aprašytas SOM panaudojimas finansinėse operacijose. Detaliai aprašyta vertybinių popierių analizės specifika. Supažindinama su technin��, bei finansine analizėmis, bei jų metodais ir indikatoriais. Atlikta teorinė finansinių rodiklių analizė, kurios metu, naudojant OMX Vilnius vertybinių popierių biržos istorinius duomenis, nustatyta finansinių rodiklių tinkamumas vertybinių popierių portfelio optimizavimo uždaviniams spręsti. Projektinių sprendimų dalyje aprašytos finansinių rodiklių modifikacijos, bei pritaikymas vertybinių popierių portfelio optimizavimui. Sukurtas VP portfelio optimizavimo modelis. Modelio teisingumas pagrįstas atliktais praktiniais eksperimentais naudojant istorinius duomenis. Parašytos praktinės VP portfelio optimizavimo modelio taikymo rekomendacijos. Suformuluotos magistrinio darbo išvados. / There is analyzed stock portfolio optimization by using self-organizing maps (SOM) in Master thesis. It introduce with SOM algorithm neuron network structure. Also there is described SOM usage in financial operations. Particularity of stock analysis is described. There are introduction with technical, financial analysis and their methods and indicators. It was performed theoretical financial indicators analysis using OMX Vilnius stock market historical data and find out financial indicators suitability for stock portfolio optimization problem solving. Financial indicators modifications and their usage in stock portfolio optimization are described in project decision chapter. VP portfolio optimization model was created and models correctness based on practical experiments using historical data. Practical VP portfolio optimization usage recommendations are given there. Master thesis conclusions are defined in this work.

Šiame darbe atliekamas reformuotos lietuvos pensijų sistemos modeliavimas ir tyrimas. Tiek modeliavimui tiek tyrimui naudojamas C++ Builder programavimo kalba autoriaus sukurtas įrankis, leidžiantis pasirinkti pageidaujamą scenarijų. Prognozavimas 40 metų į priekį realizuotas neuroniniais tinklais. Remiantis sukurtojo įrankio modeliavimo rezultatais, palyginamos pirmoji ir antroji pensijų sistemos pakopos bei padaromos išvados. / In this work we will analyze is voluntary saving pension insurance effective or not. Also we will analyze the situation of this insurance nearly 40 years. The data which is need to perform this analyze we will forecast from having statistical data and using neural networks. We will also create a multifunction program in C++ Builder programming language, to perform all mentioned task. According to the program count results we will compare the first and the second pillar of the Lithuanian pension system, and do findings.

Magistro baigiamajame darbe išanalizuota ir įvertinta tarptautinė valiutų rinka, jos struktūra bei analizės ir prognozės būdai. Taip pat analizuojami neuronini tinklai bei įvairios jų struktūros: daugiasluoksnis perseptronas, radialinių bazinių funkcijų neuroniniai tinklai, GRNN bei rekurentiniai neuroniniai tinklai. Tyrimu siekiama nustatyti ar valiutų kursų prognozavimo tikslumas, taikant neuroninius tinklus, priklauso nuo investavimo rizikos lygio. Darbas susideda iš trijų skyrių. Pirmame skyriuje nagrinėjama tarptautinės valiutų rinkos teorija, didesnį dėmesį atkreipiant į pačia FOREX koncepciją, rinkos dalyvius bei jų elgesį ir finansinius instrumentus, naudojamus šioje rinkoje. Tiriami pagrindiniai valiutų kursų prognozės bei analizės būdai, skirstant juos fundamentalią ir techninę analizę. Analizė atliekama, tiriant Lietuvos ir užsienio mokslininkų darbus valiutų rinkos prognozavimo srityje. Antrame skyriuje analizuojami neuroniniai tinklai. Aprašoma neuroninių tinklų koncepcija bei taikymo sritys. Naudojant literatūros analizės metodą, tiriami Lietuvos ir užsienio autorių moksliniai darbai, kuriuose aprašomi neuroninių tinklų tyrimai valiutų rinkos prognozavimo srityje. Pateikiama aktualiausių straipsnių meta analizė. Trečiame skyriuje atliekamas tyrimas su pasirinktų tyrimų duomenimis. Aprašomi šių pasirinkimo motyvai. Skyriaus galia pateikti statistiniai analizės rezultatai: MAE (angl. Mean absoliute error), MAPE (angl. Mean absolute percentage error) krypties... [toliau žr. visą tekstą] / The master thesis analyses the application of the neural networks for foreign exchange market forecast. Multilayer perceptron, radial basis functionneural networks, GRNN and recurrent neural networks are analyzed in order to find the correlation level between the forecast accuracy and the level of the investment risk. The work consists of three main parts. The first part analyses the conception, the main participants, trading characteristics and trading instruments of the FOREX market as well as the trading strategies and the methods of forecasting currency market. The second part is appointed to analyze the neural networks. The analyzes the conception, the structure and the application of the neural networks is made. The Meta-analyses of the main scientific articles are provided in every sub-part. In the third part the forecasting data analysis is performed to evaluate the correlation rate between the forecast accuracy and the level of the investment risk. Mean absolute error, Mean absolute percentage error, sign function andStandard deviation are used as indicators.

Šiame magistro darbe apžvelgiami daugiamačių duomenų dimensijos mažinimo (vizualizavimo) metodai, tarp kurių nagrinėjami dirbtiniai neuroniniai tinklai. Pateikiamos pagrindinės dirbtinių neuroninių tinklų sąvokos (biologinis neuronas ir dirbtinio neurono modelis, mokymo strategijos, daugiasluoksnis neuronas ir pan.). Nagrinėjami autoasociatyviniai neuroniniai tinklai. Darbo tikslas – išnagrinėti autoasociatyviųjų neuroninių tinklų taikymo daugiamačių duomenų dimensijos mažinimui ir vizualizavimui galimybes bei ištirti gaunamų rezultatų priklausomybę nuo skirtingų parametrų. Siekiant šio tikslo atlikti eksperimentai naudojant kelias daugiamačių duomenų aibes. Tyrimų metu nustatyti parametrai, įtakojantys autoasociatyvinio neuroninio tinklo veikimą. Be to, gauti rezultatai lyginti pagal dvi skirtingas tinklo daromas paklaidas – MDS ir autoasociatyvinę. MDS paklaida parodo, kaip gerai išlaikomi atstumai tarp analizuojamų taškų (vektorių) pereinant iš daugiamatės erdvės į mažesnės dimensijos erdvę. Autoasociatyvinio tinklo išėjimuose gautos reikšmės turi sutapti su įėjimo reikšmėmis, taigi autoasociatyvinė paklaida parodo, kaip gerai tai gaunama (vertinamas skirtumas tarp įėjimų ir išėjimų). Tirta, kaip paklaidas įtakoja šie autoasociatyvinio neuroninio tinklo parametrai: aktyvacijos funkcija, minimizuojama funkcija, mokymo funkcija, epochų skaičius, paslėptų neuronų skaičius ir dimensijos mažinimo skaičiaus pasirinkimas. / This thesis gives an overview of dimensionality reduction of multivariate data (visualization) techniques, including the issue of artificial neural networks. Presents the main concepts of artificial neural networks (biological and artificial neuron to neuron model, teaching strategies, multi-neuron and so on.). Autoassociative neural networks are analyzed. The aim of this work - to consider the application of autoassociative neural networks for multidimensional data visualization and dimension reduction and to explore the possibilities of the results obtained from the dependence of different parameters. To achieve this, several multidimensional data sets were used. In analysis determinate parameters influencing autoassociative neural network effect. In addition, the results obtained by comparing two different network made errors - MDS and autoassociative. MDS error shows how well maintained the distance between the analyzed points (vectors), in transition from the multidimensional space into a lower dimension space. Autoassociative network output values obtained should coincide with the input values, so autoassociative error shows how well it is received (evaluated the difference between inputs and outputs). Researched how autoassociative neural network errors are influenced by this parameters: the activation function, minimizing function, training function, the number of epochs, hidden neurons number and choices of the number of dimension reduction.