No description available.

No description available.

No description available.

Disertační práce se zabývá vývojem insolvencí českých podniků a to zejména z pohledu historického a ekonomického vývoje a z pohledu právní úpravy insolvenčních (dříve konkursních) řízení. V teoreticko-metodologické části práce je uveden přehled tuzemských a zahraničních modelů predikce finanční tísně, které jsou nejčastěji využívány za účelem rozpoznání hrozícího bankrotu. Aplikační část je věnována rozboru vybraných modelů a praktickému zhodnocení jejich vypovídací schopnosti na vzorku podniků z různých odvětví. Cílem práce bylo zhodnocení zda je možné pro tuzemské podniky využít modely vytvořené v zahraničí a dále zda jsou modely universálně využitelné bez ohledu na odvětví.

This thesis deals with evaluating accuracy of GDP prediction. Several indicators will be calculated to determine the accuracy, e.g. mean absolute error, root mean squared error, average forecast error and Theil coefficient. First section presents history of economic theory understanding, general description of DSGE model and description of national models. Countries with most and least reliable prediction models are identified through analysis. GEAR model of German national bank ended up as most reliable, while ÉIRE model of National Bank of Ireland is on the other side with lowest score. If company is seeking the most reliable information about future changes of GDP, it shall look for predictions of German national bank. Having more precise predictions leads to sustainable and stable business sphere.

Porozumění chování silniční dopravy je klíčem pro její efektivní řízení a organizaci. Tato úloha se stává čím dál více důležitou s rostoucími požadavky na dopravu a počtem registrovaných vozidel. Informace o dopravní situaci je důležitá pro řidiče a osoby zodpovědné za její řízení. Naštěstí v posledních několika dekádách došlo k značnému rozvoji technologií pro monitorování dopravní situace. Stacionární senzory, jako jsou indukční smyčky, radary, kamery a infračervené senzory, mohou být nainstalovány na důležitých místech. Zde jsou schopny měřit různé mikroskopické a makroskopické dopravní veličiny. Bohužel mnohá měření obsahují nekorektní data, která není možné použít při dalším zpracování, například pro predikci dopravy a její inteligentní řízení. Tato nekorektní data mohou být způsobena poruchou zařízení nebo problémy při přenosu dat. Z tohoto důvodu je důležité navrhnout obecný framework, který je schopný doplnit chybějící data. Navíc by tento framework měl být také schopen poskytovat krátkodobou predikci budoucího stavu dopravy. Tato práce se především zabývá vybranými problémy v oblasti doplnění chybějících dopravních dat, predikcí dopravy v krátkém časovém horizontu a predikcí dojezdových dob. Navrhovaná řešení jsou založena na kombinaci současných metod strojového učení, například Support vector regression (SVR) a multikriteriálních evolučních algoritmů. SVR má mnoho meta-parametrů, které je nutné dobře nastavit tak, aby byla dosažena co nejkvalitnější predikce. Kvalita predikce SVR dále silně závisí na výběru vhodné množiny vstupních proměnných. V této práci používáme multiktriteriální optimalizaci pro optimalizaci SVR meta-parametrů a množiny vstupních proměnných. Multikriteriální optimalizace nám umožňuje získat mnoho Pareto nedominovaných řešení. Mezi těmito řešeními je možné dynamicky přepínat dle toho, jaká data jsou aktuálně k dispozici tak, aby bylo dosaženo maximální kvality predikce. Metody navržené v této práci jsou především vhodné pro prostředí s velkým množstvím chybějících hodnot v dopravních datech. Tyto metody jsme ověřili na reálných datech a porovnali jejich výsledky s metodami, které jsou v současné době používány. Navržené metody poskytují lepší výsledky než stávající metody, a to především ve scénářích, kde se vyskytuje mnoho chybějících hodnot v dopravních datech.

The exchange rate forecasting has been an interesting topic for a long time. Beating the random walk model has been the goal of many researchers, who applied various techniques and used various datasets. We tried to beat it using bayesian model averaging technique, which pools a large amount of models and the final forecast is the average of forecasts of these models. We used quarterly data from 1980 to 2013 and attempted to predict the value of exchange rate return of five currency pairs. The novelty was the fact that none of these currency pairs included U.S. Dollar. The forecasting horizon was one, two, four and eight quarters. In addition to random walk, we also compared our results to historical average return model using several benchmarks, such as root mean squared error, mean absolute error or direction of change statistic. We found out that bayesian model averaging can not generally outperform random walk or historical average return, but in specific setting it can produce forecasts with low error and with high percentage of correctly predicted signs of change.

Podniková krize je období v životě podniku, které leží stranou hlavního zájmu podnikových ekonomů. Přitom právě ona může být pro podnik výrazným impulsem, který povede k jeho zefektivnění a rostoucí konkurenceschopnosti. Disertační práce se zabývá deskripcí krize jako takové a následným rozpracováním jednotlivých podnikových činností v krizi. Důraz klade zejména na popis cyklu krize, dále na krizovou komunikaci, krizové finanční řízení, řízení lidských zdrojů a krizový management.

Tato práce se snaží nabídnout odpověď na otázku, zda má smysl při rozhodování o budoucím pohybu měnových kurzů brát ohled na výsledky vystupující z modelů získaných analýzou měnových kurzů a relevantních časových řad provedeného pomocí metod strojového učení. Účelem této práce je tak prozkoumat možnosti analýzy kurzů (ve formě časových řad) s důrazem na použití nových metod spočívajících svým těžištěm v oblasti umělé inteligence a strojového učení (neuronové sítě, algoritmus GMDH sítí).

The aim of this thesis is to describe some of the well-known, as well as several less-known, prediction models, and to verify their ability of predicting bankruptcy in the conditions of the Czech Republic. The theoretical part of the thesis contains descriptions of these models, equations to calculate them and ways of results evaluation. Models by both Czech and foreign authors are presented. The practical part of the thesis verifies the ability of these models to predict bankruptcy on a sample of eight randomly selected companies which suffered serious financial problems. At the end of this thesis, the results from evaluating of these companies by prediction models are summarized.