KNEU Logo Публікації КНЕУ імені Вадима Гетьмана Publications of KNEU named after Vadym Hetman
Switch to Ukrainian Switch to English
Modeling and Information System in Economics

Modeling and Information System in Economics

ISSN 2708-9746
Кисіль Тетяна Миколаївна
Tetiana Kysil

Архітектура когнітрона в інтелектуальній банківській систем

Cognitron architecture in the intellectual banking systems

DOI:

10.33111/mise.98.13

Анотація: В даній статті розглядається архітектура та організація інтелектуальної банківської системи на основі функціонування чотиришарового когнітрона Фукушіми. Адаптовано алгоритм самонавчання когнітрона в системі, який оптимально проаналізує фінансовий стан комерційних банків за даними їх офіційної звітності, виявить фінансову стійкість та платоспроможність, забезпечить ефективне прийняття рішень в різні періоди діяльності банківських установ. Досліджено роботу існуючих інформаційних та інтелектуальних систем, сформовано вимоги щодо банківських інтелектуальних систем, вибрано принципи їх побудови та запропоновано модель інтелектуальної системи на основі методів згортального моделювання та розглянуто процес функціонування в межах конкретної банківської установи. Розроблена модель когнітрона адаптована для виявлення та прогнозування банкрутств за методикою нормативно-індексної оцінки сукупного рівня ризиковості банківських установ з врахуванням чотирьох видів ризиків: кредитного, відсоткового, ліквідного та валютного. Автором запропоновано алгоритм роботи когнітрона з самоорганізацією неконтрольованого навчання, що забезпечить своєчасне визначення кризисних ситуацій комерційних банків та достовірність їх прогнозування. Побудована модель когнітрона дає можливість об’єктивно проаналізувати фактичні нормативи ризиковості банку в залежності від встановлених еталонних та сприяє, в подальшому, прийнятті запропонованих ситуаційних рішень. В даній інтелектуальній банківській системі визначається комплексна оцінка на базі якої аналізується сукупний ступінь ризиковості комерційних банків та передбачається подальший ситуаційний їх розвиток. Запропоновану модель інтелектуальної системи можна застосувати для оцінки будь-яких окремих напрямів ризикової діяльності банку, а саме, ліквідності та платоспроможності, кредитної та депозитної діяльності, тощо. Спроектована модель інтелектуальної системи здатна проводити порівняльний аналіз ризиковості різних банківських установ та встановлювати рейтинг їх фінансової стійкості.
Abstract: Abstract. This article talk about architecture and organization of the banking intellectual system based on the functioning of The four-layer Fukushima cognitron. An algorithm for self-learning cognitron in the system has been adapted, which will optimally analyze the financial condition of commercial banks according to their official reports, demonstrate financial stability and solvency, and ensure effective decision-making in different periods of banking institutions ‘ activity. Studied existing information and intelligent systems, formed the requirements on a Bank of intelligent systems, selected principles of their construction and the proposed model of intelligent system based techniques shortlog modeling and the process of function within a particular banking institution. The cognitron model has been developed that is adapted for detecting and predicting bankruptcies using the method of standard index assessment of the total risk level of banking institutions, taking into account four types of risks: credit, interest rate, liquid and currency. The author proposes an algorithm for working with cognitron self-organization of uncontrolled learning, which will ensure timely identification of crisis situations of commercial banks and the reliability of their prediction. The cognitron model is constructed, which makes it possible to objectively analyze the actual risk standards of the Bank depending on the established reference standards and contributes to the further adoption of the proposed situational decisions. This intellectual banking system defines a comprehensive assessment on the basis of which the aggregate degree of riskiness of commercial banks is analyzed and their further development is foreseen. The proposed model of the intellectual system can be applied to evaluate any particular areas of risky activity of the bank, namely, liquidity and solvency, credit and deposit activities, etc. The designed model of the intellectual system is able to perform a comparative risk analysis of different banking institutions and to establish their financial soundness rating
Ключові слова: інтелектуальна банківська система, архітектура когнітрона, алгоритм навчання, база даних, вибір показників, банкрутство, прогнозування, рейтинг банків, неконтрольоване навчання, модель нейронної мережі, самоорганізація, моделювання.
Key words: intellectual banking system, cognitron architecture, training algorithm, database, choice of indicators, bankruptcy, forecasting, bank rating, uncontrolled training, neural network model, self-organization, modeling.
УДК: 330.46
UDC: 330.46
To cite paper
In APA style
Kysil, T. (2019). Cognitron architecture in the intellectual banking systems. Modeling and Information System in Economics, 98, 123-134. http://doi.org/10.33111/mise.98.13
In MON style
Кисіль Т.М. Архітектура когнітрона в інтелектуальній банківській систем. Моделювання та інформаційні системи в економіці. 2019. № 98. С. 123-134. http://doi.org/10.33111/mise.98.13 (дата звернення: 18.04.2025).
With transliteration
Kysil, T. (2019) Arkhitektura kohnitrona v intelektualnii bankivskii system [Cognitron architecture in the intellectual banking systems]. Modeling and Information System in Economics, no. 98. pp. 123-134. http://doi.org/10.33111/mise.98.13 [in Ukrainian] (accessed 18 Apr 2025).
# 98 / 2019 # 98 / 2019
Download Paper
34
Views
9
Downloads
0
Cited by

  1. Fukushima К. 1981. Cognitron: A self–organizing multilayer neural network model. NHK Technical Monograph No. 30, pp. 1–25. Available from Nippon Hoso Kyokai (Japanese Broadcasting Corp.), Technical Research Labs, Tokio, Japan.
  2. Домінова І. В. Оцінка ризику репутації в умовах функціонування електронного банкінгу // Бізнес Інформ. — 2018. — №1. — C. 286–295.
  3. Єрьоміна Н. В., Банківські інформаційні системи // Навчальний посібник. — К.: КНЕУ, 2000. — 220 с.
  4. Кисіль Т. М. Застосування моделі когнітрона при прогнозуванні показників платоспроможності та фінансової стійкості // Цифрова економіка: збірник матеріалів Національної науково-методичної конференції, 4-5 жовтня 2018 р., м. Київ. — К.:КНЕУ, 2018. — с. 167–171.
  5. Кисіль Т. М. Концептуальні моделі діагностики банкрутств засновані на методах штучного інтелекту // Моделювання та інформаційні системи в економіці: збірник наукових праць -КНЕУ, Київ, 2015. — Вип. 91 — С. 274–283.
  6. Кисіль Т. М., Нейросистеми та фінансові ринки: прийняття рішень в торгових операціях // Моделювання та інформаційні системи в економіці, вип. 82, КНЕУ Київ, 2010. — 47–64 с.
  7. Кисиль Т. Н. Оценка и прогнозирование стрессоустойчивости коммерческих банков (Assessment and forecasting stress resistance of commercial banks) // Инновационная экономика и менеджмент: Методы и технологии: Сборник материалов II Международной научно-практической конференции, Москва, 26 октября 2017 г. МГУ имени М.В. Ломоносова / Под ред. О.А. Косорукова, В. В. Печковской, С.А. Красильникова. — М.: Издательство «Аспект Пресс», 2018. — С. 193–196.
  8. Примостка Л. О, Лисенок О. В., Сукупний ризик банку: методика оцінки на основі нормативно-індексної моделі // Вісник НБУ № 5, 2008. — с. 34–40.
  9. Ткач А. І, Ткач І. І., Інформаційні системи в фінансово-кредитних установах: курс лекцій // Впоряд. А.І. Ткач, І.І. Ткач. Тернопіль: ТНЕУ, 2008. — 120 с.