| Abstract [eng] |
Atraminių vektorių mašinų pagrindu sukurtų algoritmų tobulinimas, adaptavimas bei naujų kūrimas yra aktualus tiek visam dirbtinio intelekto, skaičiavimo ir modeliavimo mokslui, tiek ir atskiroms sritims. Ši problema plačiai tiriama ir vystoma įvairiais lygmenimis, tiek teoriniu, tiek ir praktiniu, šiuos metodus tiriant įvairiose probleminėse srityse. Pristatoma disertacija skirta intelektinių kredito rizikos vertinimo bei bankrotų prognozavimo metodų, grindžiamų SVM metodais, tyrimui. Atliktame darbe pateikiamas sukurtas hibridinis spiečiaus optimizavimu ir tiesiniais SVM metodais grindžiamas klasifikavimo metodas bei šiuo klasifikavimo metodu bei slenkančio lango testavimo principu grindžiamas metodas probleminei sričiai, pristatomi jo pagrindu atlikti tyrimai kredito rizikos vertinimo srityje, naudojant realius JAV EDGAR finansinės duomenų bazės duomenis, apimančius daugiau nei 9300 kompanijų. Atlikti tyrimai parodė, kad siūlomas klasifikavimo metodas gali parodyti panašius ar geresnius rezultatus, lyginant su panašiais, SVM grindžiamais, optimizuotais tiesiniais ir netiesiniais klasifikavimo metodais. Kartu pateikiama intelektualios sprendimų paramos sistemos, skirtos probleminei kredito rizikos vertinimo sričiai, struktūra kartu su jos modeliais grindžiama kūrimo metodika, XBRL finansinio standarto integravimo modeliu, galimu realizavimo scenarijumi. |
