Содержание к диссертации
Введение
1. Анализ проблем управления сырьевыми ресурсами на промышленных предприятиях 10
1.1. Анализ факторов риска в процессе закупки сырья для нужд промышленных предприятий 10
1.2. Современное состояние проблемы управления рисками в процессе закупки сырья для промышленных предприятий 17
1.3. Системный подход к управлению процессами закупки сырьевых ресурсов 25
1.4. Подход к оценке эффективности системы управления закупками сырья 29
1.5. Определение класса методов прогнозирования 31
1.6. Основные выводы 35
2. Системный анализ методов прогнозирования при управлении сырьевыми ресурсами 36
2.1. Анализ статистических методов при прогнозировании динамики ценовых показателей сырьевых ресурсов 36
2.2. Анализ интеллектуальных методов при прогнозировании динамики ценовых показателей сырьевых ресурсов 46
2.3. Анализ нестатистических методов при прогнозировании динамики ценовых показателей сырьевых ресурсов 50
2.4. Результаты анализа методов прогнозирования 54
2.5. Анализ применимости методов разделения риска в процессе закупки сырья 56
2.6. Основные выводы 59
3. Разработка алгоритмов и методов управления процессами закупки сырья 60
3.1. Анализ методов фильтрации 60
3.2. Алгоритм построения низкочастотного фильтра для прогнозирования ценовой динамики сырьевых ресурсов 62
3.3. Разработка способов определения параметров системы 69
3.4. Адаптация методов диверсификации для оптимизации набора систем принятия решений в процессе управления закупками сырья 74
3.5. Разработка генетического алгоритма поиска решения задачи 78
3.6. Основные выводы 91
4. Исследование разработанных методов и алгоритмов и реализация элементов системы 93
4.1. Цели и задачи вычислительного эксперимента 93
4.2. Исследование свойств предложенной системы принятия решения 94
4.3. Условия и исходные данные вычислительного эксперимента 98
4.4. Обработка первичной информации и нахождение промежуточных данных 103
4.5. Результаты вычислительного эксперимента и оценка результатов исследования 106
4.6. Основные требования и разработка архитектуры информационно-аналитической системы ПО
4.7. Программная реализация модуля оптимизации 114
4.8. Программная реализация алгоритмов фильтрации 117
4.9. Основные выводы 118
Заключение
- Анализ факторов риска в процессе закупки сырья для нужд промышленных предприятий
- Анализ статистических методов при прогнозировании динамики ценовых показателей сырьевых ресурсов
- Алгоритм построения низкочастотного фильтра для прогнозирования ценовой динамики сырьевых ресурсов
- Исследование свойств предложенной системы принятия решения
Введение к работе
Актуальность темы.
В последние годы промышленный сектор Российской Федерации демонстрирует уверенный рост, характеризующийся увеличением объемов выпускаемой продукции. По данным Госкомстата, наблюдается также рост промышленных предприятий ведущих активную внешнеэкономическую деятельность, связанную с экспортно-импортным обменом. Рост масштабов производства, усложнение внутренних процессов ресурсного обмена, увеличение объемов поставок сырья на промышленных предприятиях требует профессионального подхода к управлению таким предприятием, для обеспечения устойчивости его функционирования.
Если в период плановой экономики, предприятия обменивались сырьевыми ресурсами в рамках, и по правилам единого собственника, и вся ответственность за потери ложилась на государство, то в настоящее время, в России, экономические субъекты были вынуждены, практически мгновенно перейти на новые условия обмена принадлежащими им ресурсами. Это значительно повысило ответственность за принятие управленческих решений, при управлении ресурсами и снабжении сырьем, без скидок на незнание и отсутствие опыта. Если методы управления производственными и внутренними процессами предприятия хорошо изучены, то процесс управления снабжением сырьевыми ресурсам в условиях изменяющийся внешней среды, для российских предприятий, является новым и начал рассматриваться только в постсоветский период.
Одним из основных рискообразующих факторов, в процессе сырьевого снабжения промышленного предприятия, является неопределенность развития сырьевых рынков, обусловленная:
• изменяющимися объемами добычи или производства сырья, в связи с рыночными, природными и другими факторами;
• изменяющимся таможенным и налоговым законодательством;
• изменяющимися ожиданиями участников сырьевых рынков.
Мировая практика показывает, что неблагоприятные изменения ценовых характеристик сырьевых ресурсов, использующихся в производственном процессе конкретного предприятия, оказывает сильное негативное влияние на эффективность его деятельности. Недопустимость сбоев способных привести к снижению объемов производства, повышению себестоимости или его остановке, требует разработки и внедрения систем управления процессами сырьевого снабжения, опирающихся на прогнозирование изменения ценовых характеристик сырья.
Таким образом, первоочередной задачей на промышленном предприятии является создание такой стратегии управления снабжением сырьевыми ресурсами, которая была бы направлена на формирование оптимальных производственных показателей, и ориентирована к работе в условиях динамично меняющейся внешней среды. Решение подобной задачи требует системного подхода к ее решению, включающую в себя разработку инструментария прогнозирования, принятия решений, оценку результатов принимаемых решений, корректировку параметров реализованных в виде системы для принятия управленческих решений.
Рассмотренные выше особенности сырьевого снабжения обуславливают актуальность исследования проблем и методов управления закупками сырья промышленных предприятий и разработку методики принятия решений для управления сырьевым снабжением промышленных предприятий.
Целью настоящей диссертационной работы является системный анализ проблемы управления процессами сырьевого снабжения промышленного предприятия, разработка и совершенствование методов управления сырьевым снабжением промышленных предприятий. Основными задачами для достижения поставленной цели являются:
- системный анализ процесса закупки сырья с целью выявления рискообразующих факторов снижающих эффективность производственной деятельности и разработка системного описания данного процесса;
- исследование существующих методов управления закупками сырья;
- разработка методов обработки ценовых показателей сырьевых ресурсов для обоснования принятий решений в процессе управления закупками сырья;
- разработка алгоритмов оценки показателей, характеризующих эффективность и риск стратегий принятия решения в процессе управления закупками сырья;
- разработка методов снижения риска стратегий, используемых для принятия решений;
- разработка алгоритма оценки параметров стратегии принятия решения в процессе управления закупками сырья;
- разработка методов и алгоритмов обработки экспериментальных данных и определение инструментов для их реализации;
- разработка архитектуры информационно-аналитической системы для управления процессом закупки сырьевых ресурсов;
- реализация необходимых для проведения экспериментального исследования модулей информационно-аналитической системы;
исследование эффективности разработанных методов и алгоритмов на статистических данных; Научная новизна исследования:
1) предложено системное описание процесса управления закупками сырья, которое в отличие от аналогов позволяет учитывать рискообразующие факторы внешней среды посредствам применения методов прогнозирования, позволяющее повысить эффективность процесса закупки сырья;
2) разработана методика принятия решения в процессе закупки сырьевых ресурсов на промышленном предприятии, отличающаяся использованием методов прогнозирования ценовых показателей сырьевого ресурса и используемая для повышения эффективности процесса управления закупками сырья;
3) предложен метод разделения рисков между несколькими стратегиями принятия решения, позволяющий обеспечить повышение показателя эффективности, набора стратегий, по сравнению с отдельно взятой стратегией, при заданном уровне показателя риска, используемый для повышения устойчивости принимаемых решений;
4) предложен генетический алгоритм для решения многокритериальных задач, отличающийся модифицированным оператором кроссовера, позволяющий обеспечить более быстрое схождение алгоритма, используемый для оптимизации набора стратегий принятия решения;
Практическая полезность работы:
1) предложенное описание процесса управления закупками сырья, повышает эффективность закупки сырьевых ресурсов промышленного предприятия и способствует обеспечению устойчивости производственного процесса;
2) предложенные алгоритмы и методы управления процессами закупками сырья, реализуемы для отделов снабжения промышленных предприятий, торговых домов осуществляющих снабженческую деятельность;
3) предложенные алгоритмы, используемые для принятия решения в процессе управления закупками сырья, могут быть использованы для управления другими видами ресурсов;
4) предложенный модифицированный генетический алгоритм может быть использован для оптимизации любых многокритериальных задач;
5) Разработанная архитектура информационно-аналитической системы позволяет отслеживать зоны благоприятные для заключения сырьевых сделок и корректировать параметры системы в режиме реального времени;
6) Внедрение информационно-аналитической системы, позволяет повысить эффективность подразделений осуществляющих сырьевые сделки;
Основные положения, выносимые на защиту:
1) системное описание процесса управления закупками сырья;
2) методика принятия решения в процессе закупки сырьевых ресурсов на промышленном предприятии;
3) метод разделения рисков между несколькими стратегиями принятия решения;
4) модифицированный генетический алгоритм для решения многокритериальных задач;
Реализация работы.
Разработанная методика управления закупками сырья, а также методы и алгоритмы использующиеся в этом процессе внедрены и используются в практической деятельности предприятия ООО «Инвест-лайн», г.Самара.
Апробация работы.
Основные положения работы и результаты исследований обсуждались на следующих конференциях: международных конференциях «Интеллектуальные системы и компьютерные науки» (г.Москва, 2006г.), «Моделирование. Теория, методы и средства»(г.Новочеркасск, 2006г.), «Мягкие вычисления и измерения» (г.С.Петербург, 2005г.), «Информационные технологии в XXI веке» (г.Днепропетровск, 2005г.), «Наука и образование» (г.Мурманск, 2005г.), «Современная техника и технологии» (г.Томск, 2003г.), всероссийской конференции «Математическое моделирование и краевые задачи»(г.Самара, 2005, 2006г.), всероссийской конференции «Компьютерные технологии в науке, практике и образовании» (г.Самара, 2003г.)., всероссийской конференции «Компьютерные технологии в науке, практике и образовании-2003»и других.
Публикации.
По теме диссертации опубликовано 12 печатных работ, в их числе 1 статья в журнале из перечня, рекомендуемого ВАК РФ;
Структура работы.
Диссертация состоит из введения, пяти глав, заключения и списка литературы. Основная часть содержит 131 страницу машинописного текста, 38 рисунков, 105 формул и 11 таблиц. Список использованных источников состоит из 116 наименований.
Работа выполнена в рамках НИР №517/05, 501/06 «Разработка, исследование и оптимизация приближенно-аналитических методов обработки и интерпретации результатов экспериментальных исследований».
Анализ факторов риска в процессе закупки сырья для нужд промышленных предприятий
В условиях динамичного развития российской экономики, протекающего на фоне широкомасштабных, общемировых интеграционных процессов, в которых отечественные предприятия вынуждены уже сегодня вести конкурентную борьбу на рынке не только между собой, но и с западными производителями, неизбежной составляющей деятельности экономических субъектов становится ведение активной инновационной деятельности. Актуальна эта задача и для отечественных промышленных предприятий импортирующих сырье для производственных нужд и ведущих активную внешне экономическую деятельность, для которых вступление России в ВТО должно послужить особым стимулом к инновационным преобразованиям с учетом всех факторов как положительного, так и отрицательного характера, связанных с данным интеграционным процессом [1, 67].
Несмотря на то, что во всем мире, именно рост числа предприятий, ведущих экономический обмен с другими странами, свидетельствует об успешном переходе от посткризисной стадии развития экономики к динамичному росту, в настоящее время более характерным явлением для российской действительности является сокращение и ликвидация отечественных промышленных предприятий, чем их профильная модернизация или развитие. Такое положение связано как с особенностями государственной политики в отношении отрасли, которая характеризуется сегодня состоянием неопределенности в выборе путей развития, так и со сложившимися традициями работы предприятий данной сферы, для которых устоявшейся проблемой является слабое применение принципов активного функционирования в рыночной среде [21, 72, 24, 88].
В результате на сегодняшний момент деятельность промышленных предприятий ведется в условиях действия множества рискообразующих факторов, носящих политический, информационный, экономический, социальный, рыночный характер. Эти виды рисков предприятия должны учитывать при разработке концепции инновационного развития в современных условиях, успешно существовать в которых можно за счет выбора адекватной стратегии развития. При этом нужно иметь в виду, что независимо от выбора той или иной стратегии промышленного предприятия, неизбежно будут сталкиваться с определенной совокупностью рисков при осуществлении своей деятельности. Разработка мер, для воздействия на риск, требует в выявления факторов риска. Анализ факторов рисков и разработка мероприятий, уменьшающих его отрицательные последствия до приемлемого уровня, как правило, позволяют производить априорно высоко рискованные хозяйственные мероприятия, фактически рискуя настолько малым, насколько это приемлемо или допустимо для субъекта хозяйственной деятельности [26, 42, 65, 87, 92]. Реализация подобных мер по минимизации либо оптимизации совокупного уровня риска промышленного предприятия напрямую влияет на его конечный финансовый результат и конкурентоспособность и как следствие на экономическое благополучие региона, чем и объясняется ее растущая актуальность [5, 79]. При этом каждое1 промышленное предприятие подвержено своим, характерным для него рискам и использует свои специфические методы для их предотвращения. Совокупность таких действий и представляет собой систему управления рисками, состоящую из множества стратегий и тактик. Ее основной задачей является сохранение имущества предприятия, обеспечить его финансовое состояние, интеллектуальный потенциал, снизить вероятность наступления неблагоприятных событий, а также уменьшение и компенсация размера ущерба, что позволяет эффективнее использовать ресурсы, улучшить результаты работы предприятия, обеспечить его безопасность [73].
В настоящее время в Российской Федерации, отслеживается рост числа предприятий ведущих экономический обмен с другими странами, о чем свидетельствует увеличение объемов экспорта и импорта, данные которых представлены в таблице 1.1., а динамика изображена на рисунке 1.2.
Очевидно, что обмен продуктами деятельности есть необходимое условие существования всех экономических систем, в т.ч. и на промышленных предприятий. Традиционно, экспорт представлен производимыми товарами, а импорт потребительскими и сырьевыми товарами. Из приведенных данных видно, с ростом объемов импорта сырьевых товаров, усложняются процессы управления поставками сырья для нужд промышленных предприятий
Анализ статистических методов при прогнозировании динамики ценовых показателей сырьевых ресурсов
К этой группе можно отнести методы прогнозирования по последнему значению и по математическому ожиданию [89]. Прогнозирование по последнему значению или по последнему отсчету, называемое также «ступенчатой экстраполяцией», или экстраполяцией нулевого порядка» заключается в том, что в качестве предсказанного значения принимается прошлое значение: y(tN+r) = y(tN) (2.1)
Предсказанное значение здесь не зависит от времени прогноза (упреждения) т, предыстория представлена лишь одной точкой -последним значением y(t ), вероятностные характеристики не учитываются вовсе.
Алгоритм прогноза, как видно из (2.1), заключается а умножении значения y(tN) - последнего отсчета — на единицу, т.е. не требует выполнения вообще никаких вычислительных операций.
Прогноз, таким образом, можно выполнять, ничего не зная о процессе, кроне последнего значения, и не производя никаких вычислений.
Отметим, что последняя формула применима только в случае, если Y(t) -стационарный случайный процесс, в1 противном случае о точности прогноза сказать ничего нельзя. По-видимому, она будет достаточно плохой в случае нестационарных процессов.
Прогнозирование по математическому ожиданию может быть использовано для стационарных, случайных процессов и заключается в том, что в качестве предсказанного значения принимается математическое ожидание процесса: y(tN+r) = my (2.2)
Как и в предыдущем случае, предсказанное значение здесь не зависит от времени прогноза г. Однако различие заключается в том, что хотя информации о предыстории не требуется никакой, нужны некоторые сведения о свойствахпроцесса—его стационарности и математическом ожидании. На практике вместо ту приходиться использовать оценку: 1 соответственно формула для прогноза принимает вид: y(tNr) = ±Ty(tk) (2.4)
Сравнение формул показывает, что для стационарных случайных процессов, прогноз по математическому ожиданию является более точным, чем прогноз по последнему значению. [89]
Для нестационарных процессов прогноз по математическому ожиданию неприменим, поскольку для таких процессов отсутствует само понятие математические ожидания.
Оба рассмотренных метода являются экстраполяционными, поскольку используют предысторию только прогнозируемого процесса.
Трендовые методы. Самой общей чертой технико-экономических временных рядов является то, что они с большой вероятностью содержат тренды [2]. Нестационарный временной ряд y(t), как отмечалось, при использовании трендовых методов обычно представляют в виде: y(t) = m(t) + e(t) (2.5) где m(t) - тренд, который может быть детерминированной или случайной функцией времени, e(t) - остаточный стационарный, ряд. Прогнозирование осуществляется по выражению: y(tN +т) = m(tN +т) + E(tN + т) (2.6) л л где m(t),c(t) - оценки соответствующих процессов.
Выявление тренда (нахождение оценки m(t) тренда) временных рядов является сложной задачей, поскольку то, что кажется трендом при малом количестве данных, при большом количестве данных может им не оказаться.
Трендовые методы прогнозирования обеспечивают получение краткосрочных и среднесрочных прогнозов при выполнении ряда предпосылок [53]: 1) интервал времени, за который изучается прогнозируемый процесс, должен быть достаточным, чтобы можно было проследить его закономерности (иными словами, выборка исходных экспериментальных данных должна иметь достаточно большой размер N); 2) трендовая модель в анализируемый интервал должна развиваться эволюционно, т.е. достаточно гладко, без скачков; 3) процесс, описываемый временным рядом y(t), должен обладать некоторой инерционностью, т,е, для наступления большого изменения в поведении процесса необходимо значительное время; 4) автокорреляционная функция остаточного ряда s(t) должна быть быстро затухающей, т.е. влияние более поздней информации должно сильнее отражаться на прогнозируемой оценке, чем влияние более ранней информации.
Нестационарность временного ряда y(t), выражается функцией m(t), т.е. трендом. Иногда целесообразно в выражении временного ряда учитывать отдельные сезонные колебания, характеризующиеся некоторой периодичностью: y(t) = m(t) + s(t) + E(t) (2.7) где s(t) - так называемая сезонная составляющая. Чаще всего оценивание тренда производится методами регрессионного анализа: y(t) = Yjalft(t) + s(t) (2.8) ыо где я,- - некоторые постоянные коэффициенты,/ - заданные функции. Достаточно часто в качестве таких функций выбирают степенную функции, тогда: y(t) = а0 + att + a/ +.. + a/ + s(t) (2.9)
При этом оценка вектора а = (д0,я/,д . аг) находится с помощью метода наименьших квадратов (МНК) или другими способами, в частности, при нало жении определенных добавочных условий: наибольшей простоты компьютерной реализации, минимальной величины перерегулирования и т.д. [2,10, 89] Недостатки трендовых методов: 1) они никак не учитывают случайной оставляющей є(t) прогнозируемого процесса (такой учет мог бы повысить точность прогноза); 2) данные методы требуют выполнения предпосылки о «гладкости» тренда (что на практике выполняется далеко не всегда),
О средней ошибке прогноза в общем случае здесь сказать ничего нельзя — она существенным образом зависит от ряда факторов: действительном характере тренда, вероятностных характеристиках процесса e(t) величине интервала дискретизации и т.д. Метод экспоненциального сглаживания. Метод экспоненциального сглаживания реализует адаптивную процедуру прогнозирования нестационарного временного ряда, при этом получаемый прогноз является теоретически устойчивым [2,10].
Алгоритм построения низкочастотного фильтра для прогнозирования ценовой динамики сырьевых ресурсов
В предыдущей главе рассматривались основные подходы к анализу временных рядов, анализ которых показал, что основная проблема в задаче анализа и прогнозирования заключается в построении модели, адекватно отражающей динамику финансовых временных рядов. Однако необходимо выбрать метод подходящий для решаемой задачи. В нашем случае предприятием, вкладывающим свой оборотный капитал в запасы сырья, важно знать, как будут вести себя ценовые характеристики данных сырьевых ресурсов в будущем. Прогнозирование в процессе заключения сырьевых сделок необходимо для выбора адекватного экономического инструмента избежания сырьевого риска.
Однако, в нашей задаче, в связи с тем, что промышленные предприятия являются конечными потребителями сырьевого ресурса, используемого в производственном процессе, в отличие от посреднических компаний, нам важно знать не столько точный количественный показатель цены сырьевого ресурса в будущем, сколько знать тенденцию ее движения.
Проведенный ранее анализ выявил наиболее применимый метод сглаживания ценовой тенденции посредствам фильтрации, позволяющей выделить низкочастотные составляющие в колебаниях ценовых показателей сырьевых ресурсов. Как было замечено раннее методы фильтрации, при имеющихся статистических данных, наиболее подходят для прогнозирования нестационарных нелинейных процессов. Также одним и наиболее весомым фактором является удобная программная реализация, позволяющая быстро оценивать тенденции динамики процесса, тем самым, предоставив информацию для принятия адекватного управленческого решения.
Оценка тренда осуществляется с использованием цифрового фильтра низкой частоты и служит для подавления высокочастотных шумов, а также рыночных циклов с очень короткими периодами колебаний, которые также можно считать шумом. Выбор фильтра необходимо осуществлять исходя из вида его амплитудно-частотной характеристики, которая должна быть максимально плоской в полосе пропускания и характеризовалась резким переходом в полосе подавления
Фильтр Чебышева направлен на максимальное подавление сигнала в полосе заграждения. Ценой является неравномерность амплитудно-частотной характеристики (пульсация) распределенная по всей полосе пропускания фильтра. В инверсном фильтре Чебышева амплитудно-частотная характеристика монотонно изменяется в полосе пропускания и пульсирует в полосе подавления. Фильтр Бесселя обеспечивает одинаковое запаздывание на всех частотах, не искажая сигнал, спектр которого лежит в полосе пропускания. Вследствие чего переходная характеристика фильтра имеет очень малое перерегулирование. Амплитудно-частотная характеристика этого фильтра не колеблется ни в полосе пропускания, ни в полосе подавления. Фильтр Кауэра, обеспечивает более крутой скат амплитудно-частотной характеристики между полосами пропускания и задерживания, чем фильтры Баттерворта и Чебышева, но его амплитудно-частотная характеристика является равномерно пульсирующей как в полосе пропускания, так и в полосе задерживания. Эллиптические фильтры обычно позволяют выполнить заданные требования к полосам пропускания и задерживания при минимальном порядке фильтра (по сравнению с остальными классическими типами фильтров). Фильтра Баттерворта имеет максимально плоскую амплитудно-частотную характеристику из всех рассмотренных фильтров. Это позволяет меньше искажать сигнал в полосе пропускания, поступаясь при этом некоторой неравномерностью в области частоты среза, это является весомым фактором при фильтрации ценовых характеристик сырьевых ресурсов. Фильтр Баттерворта является удобным для расчета и программной реализации, что позволяет реализовать его в специализированных программных пакетах, для анализа динамики ценовых характеристик сырья.
Для его реализации необходимо синтезировать алгоритм фильтрации, определив его коэффициенты. Частотные характеристики фильтра определяются по формуле (3.25) если в них положить Л; из формулы (3.17). Вычисления идут при условии, что значения любых величин при отрицательном аргументе равны нулю.
Рассматривая практические методы применения алгоритмов обработки временных рядов во 2ой главе настоящей работе, было отмечено, что в практике для управления сырьевыми сделками используют несколько одинаковых фильтров разных порядков, для более наглядного выявления зон благоприятных для заключения сырьевых сделок. Т.к. разработанный фильтр является низкочастотным, более высокий порядок будет характеризоваться более длительным запаздыванием, следовательно, зона, где действует соотношение Yp(m) Yq(m) где q р, будет характеризовать рост ценовых характеристик сырьевого актива, т.е. благоприятна для заключения сырьевых сделок, с целью приобретения сырьевых ресурсов, и наоборот.
Индикатор, построенный на базе фильтра нижних частот Баттерворта, в зависимости от его порядка, является оценкой линии краткосрочного или долгосрочного тренда.. Индикатор утроится с использованием цифрового фильтра низкой частоты Баттерворта. Фильтр служит для подавления высокочастотных шумов, а также циклов с очень короткими периодами колебаний, которые также можно считать шумом. В результате индикатор построенный на базе фильтра нижних частот Батерворта оказываются значительно более гладким и регулярным, нежели индикаторы классического технического анализа, рассмотренных во 2ой главе, и поэтому имеют большую прогностическую ценность.
Исследование свойств предложенной системы принятия решения
Переход от исследования объекта к исследованию разработанной стратегии принятия решения и метода разделения рисков, подтверждению их пригодности для решения поставленных задач требует проведения оценки качества разработанных и предложенных методов с помощью проведения вычислительного эксперимента.
Вычислительный эксперимент преследует следующие цели: 1) Реализация предложенного метода фильтрации временного ряда, ценовых характеристик сырьевых ресурсов и исследование его свойств; 2) Исследование качеств тестового набора систем принятия решения, в процессе закупки сырья, на имеющихся статистических данных; 3) Исследование качеств метода снижения рисков в процессе закупки сырья; 4) Исследование качеств модифицированного генетического алгоритма предложенного, при поиске оптимального решения поставленной задачи ранжирования набора алгоритмов, и нахождении экстремумов тестовой функции.
Вычислительный эксперимент сводиться к следующим этапам: - Оценивание показателей эффективности и риска, отобранных стратегий управления процессами закупки сырья, на основе обработки статистических данных; - Оценивание функции распределения показателя эффективности, отобранных стратегий управления процессами закупки сырья, на основе обработки статистических данных; - Расчет корреляционной матрицы показателей эффективности выбранных стратегий принятия решения; - Формулировка и решение задачи ранжирования стратегий принятия решений в процессе управления закупки сырья, предложенным модифицированным генетическим алгоритмом; - Оценка характеристик использованного модифицированного генетического алгоритма для решения задачи ранжирования алгоритмов управления процессами закупки сырья;
Во второй главе мы условились подразумевать под стратегий принятия решения, не инструментарий подготовки данных, а инструментарий выработки рекомендаций для лица, принимающего решение. Опираясь на предложенный алгоритм фильтрации, при заключении сырьевой сделки, необходимо выбрать из существующих альтернатив вариант соответствующий дальнейшему развитию рынка данного вида сырья. Таким образом, выбор альтернативы сводиться к сигналам, позволяющих, сделать предположение о поведении цены сырьевого актива в ближайшем будущем.
Анализ, проведенный во второй главе показывает, что в качестве сигналов традиционно используются положение реальной цены относительно показаний индикатора. Для растущей тенденции характерно превышение цены над показаниями трендового индикатора, и наоборот. Однако чаще на практике используются разница в показаниях индикаторов разных порядков, при этом для растущей тенденции будет характерно что фильтр более высокого порядка будет иметь более низкой значение по сравнение с фильтром более низкого порядка (см.рисунок 4.1.). Точки пересечения индикаторов играют роль сигналов о переломе тенденции и соответственно оптимальны для принятия решения о покупке или продажи сырьевого актива, либо для выбора производного инструмента, для снижения риска сырьевой операции.
Взяв за основу подобные правила для принятия решения оценим эффективность подобной системы принятия решения (механической торговой системы). В качестве статистических данных возьмем динамику цены сырой нефть марки Brent f3a период с 24.1.2000г. по 13.7.2006г.
На основе этих данных в следующих параграфах будет найдена эмпирическая функция распределения и функция плотности распределения.
Следующим этапом исследования свойств разработанной системы управления закупками сырья, состоит в определении параметров этой системы. Этой проблемы мы коснулись в разделах 1.4. и 3.3. настоящего исследования, на основании которых были сделаны выводы о неравномерности и изменчивости рельефа поверхности эффективности механических торговых систем. В настоящем же разделе поставим цели исследовать рельеф функции эффективности в зависимости от параметров стратегии, в качестве которых будут выступать порядки индикаторов, построенных на базе фильтров Батерворта. Для торговой стратегии построенной на двух индикаторах фильтра нижних частот Батерворта, таких параметров будет два. Определив область значений этих параметров, на основании данных полученных с помощью проведения вычислительного эксперимента, для разных рынков за период с 2005-2007г. строим график зависимости показателя эффективности стратегии принятия решения от ее параметров для рынка сырой нефти марки brent
