- •Оглавление
- •Введение
- •Раздел 1 информационная поддержка принятия инвестиционных решений на малом предприятии. Постановка научной задачи
- •1.1. Определение, функции и классификация инвестиций
- •1.2. Управление финансовыми инвестициями
- •1.3. Классификация общих управленческих решений
- •1.4. Классификация инвестиционных управленческих решений
- •1.5. Характеристика технологического процесса принятия управленческих решений на малом предприятии
- •1.6. Требования, предъявляемые к системе поддержки принятия инвестиционных решений
- •1.7. Определение критериев оптимизации функционирования системы поддержки принятия инвестиционных решений. Постановка научной задачи
- •1.8. Общая схема решения задачи
- •Раздел 2 оценка экономической эффективности облигаций и определение их параметров
- •2.1. Общие принципы оценки эффективности финансовых инвестиций
- •2.2. Классификация облигаций
- •2.3. Оценка эффективности облигаций
- •2.4. Определение параметров облигаций
- •Раздел 3
- •3.2. Модели оптимизации распределения финансовых инвестиций
- •3.2.1. Геометрическая интерпретация модели Марковица
- •3.2.2. Постановка задачи определения распределения финансовых ресурсов в оптимальном портфеле Марковица
- •3.2.3. Обобщенный алгоритм реализации модели Марковица
- •3.2.4. Одноиндексная модель Шарпа
- •3.2.5. Нейромодифированная одноиндексная модель Шарпа
- •Раздел 4
- •Разработка автоматизированного рабочего места
- •Поддержки принятия инвестиционных решений
- •Малого предприятия
- •4.1. Состав и структура автоматизированного рабочего места поддержки принятия инвестиционных решений малого предприятия
- •4.2. Характеристика аппаратной платформы, общего программного обеспечения, технологической среды реализации и среды разработки автоматизированного рабочего места
- •4.2.1. Выбор операционной системы
- •4.2.2. Выбор технологической среды реализации
- •4.2.3. Выбор среды разработки программного обеспечения
- •4.3. Выбор системы управления базой данных автоматизированного рабочего места
- •4.4. Алгоритм обмена данными между бд
- •4.5. Эвристическая оптимизация структуры базы данных
- •4.6. Обоснование методов и инструментов архивации данных
- •4.7. Резервное копирование данных
- •4.7.1. Требования, предъявляемые к резервному копированию данных
- •4.7.2. Классификация типов резервного копирования
- •4.7.3. Реализация резервного копирования данных
- •4.8. Типизация искусственных нейронных сетей
- •4.9. Анализ методов и алгоритмов адаптации архитектуры искусственной нейронной сети
- •4.9.1. Предварительный подбор архитектуры сети
- •4.9.2. Подбор оптимальной архитектуры сети
- •4.9.3. Алгоритм каскадной корреляции Фальмана
- •4.9.4. Методы редукции сети с учетом чувствительности
- •4.9.5. Методы редукции сети с использованием штрафной функции
- •4.10. Совершенствование технологии моделирования искусственных нейронных сетей на основе визуального контактора
- •4.11. Модификация алгоритма обратного распространения ошибки
- •4.12. Эвристическая оптимизация функционирования алгоритма обратного распространения ошибки
- •4.13. Порядок функционирования автоматизированного рабочего места
- •Заключение
- •Библиографический список
- •394006 Воронеж, ул. 20-Летия Октября, 84
3.2.5. Нейромодифированная одноиндексная модель Шарпа
Суть одного из существенных недостатков одноиндексной модели Шарпа заключается в том, что портфель ЦБ, рассчитываемый на основе данной модели, теряет свойства оптимальности в упреждающие моменты времени. В [40] это математически доказано. Потеря оптимальности обусловлена отсутствием в модели механизма учета прогноза. Парировать данный недостаток в [40] предложено экспертным путем. В рамках нейромодифированной одноиндексной модели Шарпа [94] в качестве эквивалента экспертных прогнозных оценок предлагается использовать искусственные нейронные сети (ИНС).
Математическое обоснование предлагаемой идеи состоит в следующем.
В основу одноиндексной модели Шарпа положена регрессионная зависимость (3.22), устанавливающая взаимосвязь между доходностью ЦБ, включаемой в инвестиционный портфель, и доходностью рыночного индекса [11]:
, (3.22)
где - доходность i-й ЦБ в момент времени t; - доходность рыночного индекса в момент времени t; , - оцениваемые параметры регрессионной модели; - случайная погрешность.
Параметр , так называемый сдвиг (смещение), определяет составляющую доходности ЦБ, не зависящую от динамики рынка. Фактически данный параметр является мерой недооценки или переоценки соответствующей ЦБ рынком. Положительное значение указывает на переоценку рынком данной ЦБ, и наоборот. Он рассчитывается в соответствии с выражением
, (3.23)
где - доходность рынка в i-й период времени; xi – доходность ЦБ в i-й период времени; n – количество периодов.
Параметр представляет собой чувствительность данной ЦБ к изменению рынка. Если >1, то стоимость ЦБ изменятся быстрее, чем рыночный индекс, и соответственно она является более рискованной, чем рынок в среднем. Если <0, то движение ЦБ обратно движению рынка. Оценивается параметр путем сопоставления данных о соотношении доходности рассматриваемой ЦБ и доходности рынка (индекса) за определенный период времени. При этом используется метод наименьших квадратов.
Введем в выражение (3.22) дополнительное слагаемое . Тогда выражение (3.22) примет вид
, (3.23)
где p - параметр оценки средней величины скачкообразных изменений ЦБ, - дихотомическая переменная.
Дихотомическая переменная принимает значение +1 в случае превышения фактической доходностью ЦБ трендового уровня, и значение –1 - в противном случае [97]. В символьном виде это записывается следующим образом:
, , . (3.24)
В соответствии с (3.24) доходность ЦБ зависит от доходности индекса и скачкообразных изменений, которые имеют место в динамике самой ЦБ. Эти скачкообразные изменения можно интерпретировать как риск - эффекты, которые не имеют объяснения внутри рынка, но которые в каждый момент времени оказывают воздействие на уровень доходности ЦБ, изменяя ее то в одну, то в другую сторону. Средняя величина этих изменений на историческом периоде равна величине оцененного параметра p [40].
В интересах прогнозирования значений риск - эффектов предлагается использовать ИНС, которые способны запоминать значения p для аналогичных условий, имевших место в прошлые периоды времени. По своей сути знания экспертов, на основе которых они оценивают текущую ситуацию, аналогичны. Только в данной модели в роли эксперта выступает ИНС [79, 91].
В качестве ИНС целесообразно использовать многослойный персептрон в совокупности с модифицированным обучающим алгоритмом обратного распространения ошибок. При прочих равных условиях данная ИНС обеспечивает приемлемую точность и достаточно высокую оперативность обучения.
Технология применения нейромодифированной одноиндексной модели Шарпа заключается в следующем.
В процессе электронных торгов на бирже в различные моменты времени множество ИНС обучается, тестируется и ее параметры заносятся в соответствующую базу данных с целью последующего воспроизведения. Проведение этих действий особенно актуально в период протекания аномальных ситуаций. При наличии достаточно полной базы ИНС параметры текущей ситуации на рынке сравниваются с имеющимися, и для подобных условий из базы извлекается и инициализируется соответствующая ИНС или их множество. Полученные на ее (их) основе прогнозные значения используются при проведении текущей оценки соответствующей ЦБ.
В случае если ИНС при работе на тестовом множестве и с реальными данными несколько раз подряд (более трех) формирует ошибочные результаты, предусмотрено ее отключение, что эквивалентно функционированию обычной одноиндексной модели Шарпа. Последнее важно для практики, поскольку исключает накопление ошибок.
Симбиоз ИНС, реализующей определение и оценку отклонений доходности ЦБ на упреждающем отрезке времени и модифицированной одноиндексной модели Шарпа, призван повысить точность последней. Если ИНС настроена и работает корректно, то точность модели повышается, в противном случае возможно достижение такого состояния, когда точность получаемых результатов будет соответствовать одноиндексной модели Шарпа без каких-либо модификаций (нейромодифицированная модель не должна работать хуже одноиндексной модели Шарпа).