При анализе возможности банкротства дополнительные данные могут содержать информацию, которая становится доступной позднее, например, о том, стала ли компания банкротом в течение некоторого времени после представления отчетных данных. Тогда вектора весовых коэффициентов каждой ячейки плоскости выходных параметров будут содержать в себе соответственно финансовую информацию и информацию о статусе компании.
Исходя из этого, поиск нейрона-победителя будет осуществляться с использованием только той части вектора, которая содержит основные финансовые показатели, взятые из финансовых отчетов, в то время как для обновления весов элементов плоскости выходных параметров будет использоваться весь вектор целиком (т.е. как основная, так и дополнительная информация). Для обновления весов в данном случае целесообразно использовать гауссово распределение меры соседства, так как в сравнении с другими известными методами оно дает более гладкое отображение . так называемое «пузырьковое» распределение меры соседства (bubble neighborhood), облегчающее визуальное представление. В качестве альтернативы методу АНС с «гибридным обучением» можно окрасить нейроны плоскости выходных параметров таким образом, чтобы цвет каждого элемента плоскости определялся свойствами отображаемых на него векторов дополнительных данных. Однако этот путь может привести к возникновению случайных цветовых вариаций по причине статистических помех. При использовании подхода с «гибридным обучением» этого не происходит, поскольку функция гауссова распределения позволяет сгладить эти случайные вариации.
При использовании АНС с «гибридным обучением» в процессе общего финансового анализа компанийэмитентов наряду с основной информацией из финансовых отчетов целесообразно использовать дополнительную информацию, отражающую рыночные характеристики ценных бумаг эмитента, например, количество выпущенных акций, рыночная капитализация, количество акций, торгуемых на бирже, отношение цены к номиналу, к доходу и сумма выплаченных дивидендов. Оценивая ценные бумаги с позиции инвесторов, можно ввести такие показателя, как общая доходность, уровень риска или доходность, взвешенная по уровню риска.
Каждый параметр из входного набора переменных, как правило, имеет свою предметную область (universe of discourse) . диапазон, в котором он определен. Кроме того, единицы измерения некоторых нефинансовых показателей могут не совпадать. Вследствие этого различные показатели будут иметь разные веса в АНС, что может существенно исказить ее структуру.
Распространенным приемом предварительного анализа является нормирование или выравнивание входных данных. Как правило, все отдельные параметры приводятся к нулевому среднему и единичной дисперсии.
Для выполнения первой операции необходимо каждый член ряда уменьшить на математическое ожидание, полученное путем статистической обработки исходного ряда.
Выравнивание по дисперсии осуществляется путем деления элементов каждого ряда данных (отражающего один параметр) на квадратный корень из дисперсии, соответствующей данному ряду. Таким образом, все значения одного параметра, отличающиеся по абсолютной величине от соответствующих значений другого параметра, будут вносить равный вклад в суммарное расстояние между векторами входных данных.
