Монография посвящена сложной и практически неисследованной проблеме нейросетевого моделирования развития процессов банкротств корпораций в динамике. Сложность этих моделей вытекает из специфической неполноты данных, обусловленных юридическими причинами, и сильной зашумленности данных. Предложен метод оптимизации структуры нейросети в комбинации с её байесовской регуляризацией, а также алгоритм компрессии переменных на основе обобщенной функции желательности Харрингтона. Разработан на основе общесистемных законов концептуальный базис нейросетевого моделирования и реализующий его нейросетевой логистический динамический метод, который восстанавливает неполные данные в ходе решения задачи аппрок