Search academic texts

Information × Registration Number 0825U001271, PhD dissertation Status Доктор філософії Date 01-05-2025 popup.evolution o Title Risk-oriented management of financial security of the enterprise. Author Serhii Kanyhin, popup.head Viktoriia F. Tyshchenko popup.opponent Zaharii Varnalii popup.opponent Oleksii Hutsaliuk popup.review Iryna M. Chmutova popup.review Tetyana Blyznyuk Description Дисертаційна робота присвячена розвитку теоретичних та методичних засад ризик-орієнтованого управління фінансовою безпекою підприємства (РОУ ФБП). У процесі дослідження використано комплекс методів наукового пізнання, зокрема наукового аналізу та синтезу, критичного аналізу, системного підходу, моделювання, емпіричного аналізу та статистичних методів. Інформаційною базою стали статистичні дані українських підприємств, база даних Scopus, дані криптовалютної біржі Binance, законодавчі та нормативні акти, а також наукові публікації вітчизняних і зарубіжних науковців. Розглянуто основні поняття, такі як "загроза", "ризик" і "фінансова безпека підприємства". Виявлено недоліки поточних визначень, зокрема їхню загальність і недостатню деталізацію, що ускладнює практичне застосування в РОУ ФБП. Розроблено власні дефініції цих термінів, які точніше відображають специфіку фінансових ризиків та їхній вплив на ФБП. Визначено складові системи ФБП та механізм її управління, що включає ідентифікацію ризиків, оцінку їхнього впливу та розробку стратегій реагування. Розглянуто значення фінансових даних і технологій у РОУ ФБП. Обґрунтовано необхідність інтеграції технологій великих даних та штучного інтелекту в процес РОУ ФБП. Визначено переваги та виклики цифровізації для підприємств, включаючи питання кібербезпеки та необхідність адаптації до швидких технологічних змін. Здійснено аналіз методичного забезпечення РОУ ФБП. Виявлено обмеження традиційних методів фінансового аналізу, таких як фінансові коефіцієнти та якісні методи, у сучасному динамічному бізнес-середовищі. Проаналізовано моделі прогнозування банкрутства підприємств у контексті РОУ ФБП. З огляду на обмеження традиційних фінансових коефіцієнтів, які не завжди забезпечують достатню точність і гнучкість у прогнозуванні ризиків банкрутства, обґрунтовано необхідність застосування більш комплексних моделей. Удосконалено методику прогнозування банкрутства на основі нейронних мереж. Використовуючи фінансові дані та показник виду економічної діяльності (КВЕД), побудовано і протестовано моделі НМПП, РНМ ДКЧП та РНМ ВРВ. Результати показали, що нейронні мережі забезпечують вищу точність прогнозування банкрутства порівняно з традиційними методами. Особливо ефективною виявилася модель НМПП, яка досягла найвищих показників точності, прецизійності та F1-оцінки. Визначено основні складові торгових стратегій та алгоритм їх розробки, а також проаналізовано переваги і недоліки алгоритмічної торгівлі. Запропоновано інтегрувати алгоритмічну торгівлю на криптовалютних біржах як інноваційний компонент ризик-орієнтованого управління фінансовою безпекою підприємства. Проведено детальний аналіз методик прогнозування цін на криптовалютних біржах, що є ключовим для ефективного ризик-орієнтованого управління фінансовою безпекою підприємства. Розглянуто основні методи прогнозування, такі як фундаментальний та технічний аналіз, з урахуванням їхньої специфіки на криптовалютних ринках. Детально класифіковано технічні індикатори за групами: трендові, імпульсні, обсягу та волатильності. Проаналізовано переваги й недоліки кожної групи, а також їх застосування на різних ринках. Наголошено на необхідності комбінування індикаторів для підвищення точності прогнозів і зниження ризиків, пов'язаних із використанням окремих індикаторів. Запропоновано авторську методику розробки торгових стратегій на основі генетичних алгоритмів із використанням ризик-орієнтованих метрик. Проведено емпіричне дослідження, результати якого підтвердили ефективність запропонованого підходу та його економічну доцільність шляхом валідації на реальних ринкових даних. Розроблено модель прогнозування цін на криптовалютній біржі на основі РНМ, зокрема модифікацій ДКЧП та ВРВ, використовуючи дані з біржі Binance за період з червня 2021 по червень 2023 року, що охоплюють 289 різних криптовалют. Вибірка включала щоденні ціни та обсяги торгів, що забезпечило широкий спектр даних для навчання моделей. Проведено порівняльний аналіз моделей ДКЧП та ВРВ. Модель ВРВ показала кращі результати за точністю та коефіцієнтами Сортіно і Шарпа, що свідчить про більшу стабільність та ефективність прогнозування. Підтверджено гіпотезу, що використання РНМ з комплексними вхідними ознаками та відповідною стратегією навчання дозволяє покращити прогнозування цін на криптовалютних біржах. Модель враховує нелінійні залежності та патерни динаміки цін, що підвищує її точність і стійкість до ризиків. Удосконалено методику прогнозування цін на криптовалютних біржах на основі рекурентних нейронних мереж. На відміну від наявних підходів, запропонована модель використовує алгоритм формування ознак, який враховує волатильність активу та сигнали 26 технічних індикаторів. Registration Date 2025-04-15 popup.nrat_date 2025-04-15 Close