Содержание к диссертации
Введение
1. Теоретические основы и нвестиционной деятельности кредитно-финансовой организации 9
1.1. Основные понятия и этапы развития инвестиционной теории 9
1.2. Математическая постановка теории оптимального портфеля 14
1.3. Проблемы диверсификации инвестиционного портфеля 23
1.4. Оценка эффективности инвестиций, экономического состояния предприятия-эмитента и его финансовой устойчивости 26
1.5. Прогнозирование экономических процессов 32
Выводы по главе 1
2. Разработка моделей и методов принятия инвестиционного решения 47
2.1. Модель принятия инвестиционного решения 47
2.2. Определение эффективности инвестиционной деятельности кредитно-финансовой организации 51
2.3. Определение инвестиционной привлекательности эмитента ценной бумаги со 60
2.4. Оценка финансовой устойчивости предприятия 67
2.5. Формирование списка предприятий-кандидатов на инвестирование 77
2.6. Формирование оптимального портфеля инвестиций 83
2.6.1. Модернизация постановки задачи формирования оптимального инвестиционного портфеля 83
2.6.2. Решение задач оптимального распределения свободных средств инвестора для модели Блека 88
2.6.3. Решение задач оптимального распределения свободных средств инвестора для модели Марковича 90
2.6.4. Решение задач оптимального распределения свободных средств инвестора для модели Торбина - Шарпа - Лннтнера 92
Выводы по главе 2 98
3. Усовершенствование методов прогнозирования экономических процессов 99
3.1. Прогнозирование динамических рядов с помощью модифицированного метода экспоненциального сглаживания .99
3.2. Прогнозирование экономических процессов с использованием нейросетевых регрессионных методов 106
3.2.1. Постановки задачи, выбор метода решения 106
3.2.2. Выбор аргументов прогноза 116
3.2.3. Результаты экспериментальных исследований 120
3.2.4. Функциональные требования к подсистеме ввода данных .123
Выводы по главе 3 126
4. Применение разработанных методов в деятельности кредитно-финансовой организации 127
4.1. Анализ результатов инвестиционной деятельности кредитно-финансовой организации 127
4.2. Составление инвестиционного портфеля 135
Выводы по главе 4 142
Заключение 143
Литература 145
Приложение 153
- Оценка эффективности инвестиций, экономического состояния предприятия-эмитента и его финансовой устойчивости
- Определение эффективности инвестиционной деятельности кредитно-финансовой организации
- Прогнозирование экономических процессов с использованием нейросетевых регрессионных методов
- Функциональные требования к подсистеме ввода данных
Введение к работе
Актуальность темы исследования. Переход к рыночной экономике в России повлек качественные изменения в подходе к инвестиционной деятельности. Основным инвестиционным инструментом стали ценные бумаги, свободно обращающиеся на рынке. В оптимизации инвестиционной деятельности заинтересовано большое количество специализированных кредитно-финансовых организаций (банки, паевые инвестиционные фонды, пенсионные фонды и др.). В данной работе рассматриваются портфельные инвестиции, т.е. приобретение инвестором комплекта ценных бумаг различных предприятий (портфеля) с целью получения от них дохода, как правило, за счет изменения курсовой стоимости. Основоположником современной теории инвестиций считается 1. Марковиц, который в 1952 г. предложил математическое описание оптимального портфеля и методы его формирования при определенных условиях. Идеи Г. Марковица получили развитие в работах У. Шарпа, Д. Тобина, Д. Линтнера; формированию оптимального портфеля с использованием механизма опционов посвящены работы Ф. Блека, М. Шоуза, Р. Мертона, которые исследовали процессы установившегося рынка. Поэтому их результаты не всегда можно применять для нестабильного российского рынка. Кроме того, формирование портфеля является заключительной стадией принятия инвестиционного решения, которой должен предшествовать ряд не менее важных этапов. Вопросы диверсификации инвестиций подробно исследованы в работах Т. Коггина, Б. Кинга, В. Коэна, Р. Пога. Оценке финансовой безопасности предприятия посвящены работы Э. Альтмана, Р. Тоффлера, Г. Тиссшоу, М. Лисса и др. Эффективность инвестиций в рамках предприятия исследована в работах И.Г. Александрова, Б.Е. Веденеева, Н.П. Федоренко, Д.С. Львова и др. Общепризнанной в международной практике методикой оценки эффективности инвестиций на уровне проекта является методика ЮНИДО, рекомендованная ООН. Эти методы достаточно эффективны, но требуют длительных исследований предприятий с привлечением опытных экспертов поэтому малопригодны в современной динамичной инвестиционной деятельности.
Все инвестиционные решения принимаются в предположении определенного поведения финансового рынка. Поэтому любая инвестиционная деятельность может быть эффективна только при использовании точку точных и надежных методов прогноза. Разработке и изложению статистических методов прогноза посвящены работы П. Бикела, • Бокса, Г. Дженкинса, Р. Брауна и др. Применение методов теории интеллектуальных систем для прогноза исследовано в работах Д. Бестенса, М. Вуд, Е.З. Демиденко, Г.Л. Яковлевой. Однако, точность этих методов не всегда достаточно высока для использования в инвестиционной деятельности.
Кроме того, отсутствует общепризнанная модель, связывающая все перечисленные этапы принятия инвестиционного решения.
Наличие комплекса указанных проблем в теоретическом и практическом плане определило актуальность темы исследования.
Цель диссертационного исследования - повышение эффективности Управления инвестиционной деятельностью кредитно-финансовой организации на основе разработки методов принятия управленческих решении, учитывающих нестабильность российского финансового рынка.
Достижение поставленной цели потребовало решения следующих задач провести анализ известных методов принятия инвестиционного решения; построить обобщенную схему принятия управленческих решений при инвестиционной деятельности кредитно-финансовой организации;
модернизировать методы принятия управленческих решений на всех этапах инвестиционного процесса;
адаптировать классические типы инвестиционного портфеля к российским условиям;
Усовершенствовать методы прогнозирования финансовых процессов Для обеспечения повышенной точности прогноза и обосновать подход к созданию автоматизированных систем прогнозирования.
Научная новизна диссертационного исследования. При выполнении работы получены следующие новые результаты.
Предложена обобщенная схема управления инвестиционной
Разработана методика анализа эффективности инвестиционной Деятельности кредитно-финансовой организации, основанная на прогнозировании доходности и риска произведенных инвестиций на следующий период, отличающаяся возможностью оперативного изменения инвестиционной стратегии.
• Модернизирована методика принятия управленческих решений при предприятий-кандидатов на инвестирование, отличающаяся оптимальным по Парето составом инвестиционного портфеля. Ма Предложен квазиоптимальный инвестиционный портфель адаптированный к нестабильному финансовому рынку, отличающийся использованием прогноза цен финансовых инструментов и возможностью учета результатов предыдущей инвестиционной деятельности, что позволяет повысить доходность портфеля и снизить риск.
• Усовершенствован метод прогнозирования тенденций финансовых ков, отличающийся использованием адаптивных нелинейных грессионных моделей ш информации о внешних факторах, влияющих на огнозируемыи процесс, что позволяет существенно повысить точность и использовать разработанную обобщенную схему автоматизированной системы сбора информации. Объект исследования. Портфельная инвестиционная деятельность кредитно-финансовых организаций. Предмет исследования. Методы и способы управления портфельной инвестиционной деятельностью кредитно-финансовых организаций. Методы исследования. В диссертационной работе применялись методы теории управления и системного анализа, теории вероятности, математической статистики, многофакторного анализа, линейного и нелинейного регрессионного анализа, линейного и нелинейного программирования, формализации логических зависимостей, фундаментального анализа.
Достоверность и обоснованность результатов диссертационного исследования определяются корректным применением использованных методов, подтверждаются результатами численных экспериментов и успешным применением разработанных методов в деятельности, кредитно-финансовой организации.
Практическая ценность исследования. Использование разработанных методов, схем и вариантов инвестиционного портфеля широким кругом предприятий, имеющих отношение к инвестиционной деятельности, позволяет упорядочить процесс принятия инвестиционных решений и повысить их эффективность, а, соответственно, доходы предприятий.
Разработанные методики, схемы и варианты инвестиционного портфеля используются в деятельности инвестиционной компании ООО «Финансовый специалист» (г. Саратов).
Апробация результатов работы. Отдельные результаты диссертационного исследования докладывались и обсуждались на: XVLH Международной научной конференции «Математические методы в технике и технологиях», Казань, 2005; Международной научно-практической конференции «Социальные и институциональные факторы экономического развития России», Саратов, 2005; 2-й Международной научной конференции «Аналитическая теория автоматического управления и ее приложения»,
Саратов, 2005; XIX Международной научной конференции «Математические методы в технике и технологиях», Воронеж, 2006; XX Международной научной конференции «Математические методы в технике и технологиях», Ярославль, 2007; Международной конференции «Проблемы и перспективы прецизионной механики и управления в машиностроении», Саратов, 2006; Конференции победителей конкурса Международного фонда экономических исследований академика Н.П. Федоренко, Москва, 2006; XXI Международной научной конференции «Математические методы в технике и технологиях», Саратов, 2008.
Публикации. Основные положения диссертационной работы опубликованы в 22 научных работах общим объемом 6,8 п.л., в том числе 2 статьи в журналах, включенных в перечень ВАК. Работа «Алгоритм принятия инвестиционного решения» признана победителем конкурса научных работ Международного фонда экономических исследований академика Н.П. Федоренко.
Объем и структура диссертационной работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы, включающего 175 наименований и приложения. Объем основного текста составляет 152 страницы, 16 таблиц, 39 рисунков, 187 формул.
Оценка эффективности инвестиций, экономического состояния предприятия-эмитента и его финансовой устойчивости
Для оценки экономической эффективности инвестиционных проектов в международной практике в основном используется методика ООН по промышленному развитию - ЮНИДО, на основе которой были разработаны Методические рекомендации 1994г. [91], базирующаяся на трех принципах: моделирование ожидаемых потоков ресурсов, продукции и денежных средств; приведение предстоящих разновременных расходов и доходов к начальному периоду методом дисконтирования; расчет интегрального эффекта от проекта.
При обосновании целесообразности инвестиций рассчитывается четыре показателя: чистый дисконтированный доход (ЧДД); индекс доходности (коэффициент чистого дисконтированного дохода) (ИД); внутренняя норма доходности (ВНД) - ставка дисконта, которая уравновешивает приведенные по ней выгоды с приведенными затратами. Инвестиционный проект может быть принят, если ВНД больше нормы дисконта, используемой для расчета ЧДД; срок окупаемости (Гок) — период времени, в течении которого доходы от проекта возместят затраты.
Для принятия решения инвестор должен проанализировать значение всех четырех показателей, каждый из которых характеризует один из аспектов проекта.
Для цели экспресс - анализа можно воспользоваться традиционными, не учитывающими фактор времени, показателями: период окупаемости; простая (годовая) норма прибыли. Приведенный подход к оценке инвестиций позволяет с достаточной степенью надежности судить о привлекательности в условиях стабильной, эффективно функционирующей экономики со сложившейся инфраструктурой. К его положительным сторонам относятся: учет временной стоимости денег путем дисконтирования платежей на заданный интервал времени; обоснование целесообразности реализации проекта через систему показателей эффективности инвестиций и коэффициентов финансового состояния предприятия; признание фактора риска в условиях нестабильности. Для практического использования предлагаемого подхода оценки эффективности инвестиций в условиях нестабильности переходного периода рекомендуется моделировать три различных сценария реализации проекта: оптимистический, пессимистический и промежуточный. Основу моделирования данных сценариев в большинстве случаев составляют величина принятой нормы прибыли дисконта и объемы реализованной продукции (объем продаж) на этапе функционирования проекта. Анализ показывает, что формирование оптимистического сценария базируется на условии обеспечения желаемой рентабельности проекта за счет достижения соответствующего объема продаж. В пессимистическом сценарии уровень продаж базируется на предположении возврата заемных средств и достижения точки безубыточности проекта. В промежуточном сценарии предлагаемый объем продаж «устанавливается» на уровне точки безубыточности, либо чуть выше ее. Методика ЮНИДО в настоящее время является общепризнанной всем мировым сообществом. На ее основе разработано множество программных продуктов, например, КОМФАР, Microsoft Project, Project Expert. Все они базируются на приведенных показателях системы ЮНИДО и отличаются друг от друга степенью детализации запрашиваемых для анализа данных и набором дополнительных услуг. Существенным недостатком методики ЮНИДО является необходимость точного определения множества данных, которые принципиально не могут быть точно заданы. К таким параметрам относятся, например, параметры инфляции на ряд лет вперед, оценки затрат на реализацию проекта, возможные доходы от реализации продукции. Для успешного применения методики ее желательно дополнить механизмом, позволяющим учитывать эти неопределенности. Для реализации такого механизма можно использовать методы теории нечетких множеств и вытекающей из нее теории возможностей, сравнительно полно описанной в работах [13, 51, 116]. Один из возможных подходов к применению методов теории нечетких множеств к решению задачи инвестирования предложен диссертантом в работе [80]. В этой работе при принятии того или иного инвестиционного решения использовалась формула современной ценности инвестиций (NPV - Net Present Value) [21], вытекающая из метода ЮНИДО. Из-за относительной большой трудоемкости и необходимости значительного времени для сбора адекватной информации о объекте, метод ЮНИДО применяется в основном для оценки экономической эффективности инвестиционных проектов, рассчитанных на долговременную реализацию. Для оперативной оценки экономического состояния предприятия больше подходят различные методы, применяемые в фундаментальном анализе, основывающиеся на данных общедоступной финансовой отчетности. В каждом конкретном случае инвестор может определить собственный набор показателей для расчета рейтинга. За базовый набор предлагается принять общеизвестные финансовые коэффициенты (табл. 1.1). Нормативные значения этих коэффициентов различаются между компаниями различных отраслей, а также различного срока жизни. Среди последних выделяются акции роста и акции компаний, представляющих оазисные отрасли. Акции роста, как правило, представляют молодые компании, работающие в новых отраслях, к таковым относятся биотехнологии, hiech и т.д. Для них характерны сравнительно высокие значения коэффициентов, т.к. эти компании нуждаются в средствах и стараются не выплачивать дивиденды, а прибыль направлять на развитие. Базисными отраслями являются, компании зрелых и старых отраслей, автомобилестроение, энергетика, пищевая промышленность и т.д.
Определение эффективности инвестиционной деятельности кредитно-финансовой организации
Эффективность инвестиционной деятельности КФО определяется не только доходом, который получает организация, но и расходами, которые она несет на содержание пассивов (оплата заимствований, капитальное строительство, эксплутационные расходы, оплата персонала). Эффективность прошлой инвестиционной деятельности постфактум может быть определена обычными методами финансового анализа, но, с точки зрения управления КФО, желательно уметь прогнозировать эти результаты хотя бы на один инвестиционный период вперед с целью заблаговременного изменения стратегии организации. При анализе инвестиционной деятельности КФО нет смысла анализировать результаты каждой сделки в отдельности, так как все они осуществляются согласно некоторой единой стратегии. В качестве отдельного актива при анализе можно рассматривать инвестиционные портфели в целом, а в качестве пассивов - определенные классы производственных издержек. Кроме того, необходимо учитывать, что подведение суммарных итогов организации производится сравнительно редко (не чаще одного раза в месяц), поэтому в распоряжении аналитика могут быть только относительно короткие числовые ряды данных (не более десяти точек). Применим статистический подход к построению модели доходности і-ото актива. Будем считать, что риск изменения доходности и нормы прибыли характеризуются дисперсиями этих величин. Доходность актива может изменяться по достаточно сложным законам, но при анализе на относительно небольших временных промежутков ее можно считать изменяющейся по линейному закону.
Поэтому доходность z-oro актива может быть представлена с помощью линейной модели вида: где Хп - значение доходности 7-ого в момент времени t; Xt0 - начальное значение доходности z-oro актива; аг линейный коэффициент изменения доходности z -ого актива во времени. Будем считать, что параметры Xt0, ее, за моменты времени tl,t2,...,ti,...,tk известны. Однако распределение этих значений во времени представляет собой случайный процесс. Среднее значение изменения доходности z-ого актива во времени можно выразить зависимостью: где Хп - математическое ожидание значения доходности z -ого актива в момент времени t; Xi0- математическое ожидание начального значения доходности /-ого актива; а\- математическое ожидание линейного изменения доходности г -ого актива во времени. Используя математическую модель изменения доходности (2.1) можно прогнозировать доходность /-го актива предприятия инвестора в в произвольный момент времени t. Для определения значение коэффициентов модели (2.2) применим МНК. Получим: После расчета «/ ; и XiQ по формуле (2.3), используя выражение (2.2) можно рассчитать доходность всех активов на конец периода инвестирования. Инвестор, задаваясь минимальным допустимым значением доходности Xmim может произвести отбраковку активов, доходность которых на момент окончания инвестиционного периода окажется меньше допустимой. При этом в качестве формального критерия выполнения условия минимальной допустимой доходности может использоваться неравенство:
Величина Xmin должна выбираться инвестором индивидуально, исходя из его стратегии. Используя математическую модель изменения доходности (2.1) можно прогнозировать и риск изменения доходности /-ого актива предприятия инвестора в момент времени t. Для этого необходимо определить прогнозируемую дисперсию /-ого актива, которая может быть вычислена по известной формуле равна: Из выражения (2.7) следует, что в случае использования линейной модели изменения доходности (2.1), дисперсия доходности изменяется по параболическому закону. Используя МНК, определим зависимость D(Xit) в виде: Сумма квадратов отклонений запишется в виде: где А - фактическая дисперсия в момент времени t. Дифференцируя (2.9) по D0, Я Da, и приравнивая производную к нулю, получаем систему уравнений, решая которую найдем: ={ AR BDa+E)/k; где введены следующие обозначения: ыражения (2.8), (2.10) позволяют прогнозировать дисперсию Доходности на любой необходимый момент времени. Но, так как кривая изменения риска доходности выпуклая, дисперсия достигает максимума при максимальном времени (если а 0), имеет смысл прогнозировать дисперсию только на конец периода инвестирования.
Прогнозирование экономических процессов с использованием нейросетевых регрессионных методов
Все методы прогнозирования экономических процессов, использующие только ретроспективную информацию о прогнозируемом процессе, обладают принципиально неустранимым недостатком - наличием значительных погрешностей при резком изменении тренда. Для уменьшения этих погрешностей в качестве математического аппарата прогнозирования рекомендуется использовать множественный регрессионный анализ. Множественный регрессионный анализ применительно к прогнозу финансовых рынков получил свое развитие только последние 15-20 лет [30, 47, 56, 124]. Его основное отличие от всех ранее применявшихся методов состоит в том, что он не замыкается "внутри" рынка, а пытается установить зависимости между изменением прогнозируемой величины и внешними факторами, могущими оказать на нее существенное воздействие. В дальнейшем условимся внешние факторы, влияющие на прогнозируемую величину, называть аргументами прогноза. Справедливость такого подхода может быть подтверждена графиками, приведенными на рис. 3.5 и рис. 3.6. Статистическая обработка этих графиков, показала, что во всех случаях коэффициенты корреляции между ценой нефти и ценой российских ЦБ не ниже 0,55. Из графиков рис. 3.6 видно, что тенденции изменения цены российских ЦБ с часовым запаздыванием повторяют изменения цены на нефть на Нью-Йоркской бирже. Для удобства восприятия цены даны в относительных единица где 6),(0 - относительная цена; zt (t) - цена в момент времени t, z,-(0) -цена в момент времени /=0.
Основной задачей регрессионного анализа является определение аппроксимирующей функции, наилучшим в некотором смысле образом описывающей закон изменения прогнозируемой величины. Зная аппроксимирующую функцию и значение аргументов прогноза, легко определить значение прогнозируемой величины вперед на некоторый интервал времени. Физическую реализацию решения задачи поиска наилучшей аппроксимирующей функции можно обеспечить различными способами [16, 19, 20, 30, 82, 56], однако, мы полагаем, что наилучшим из них является нейросетевой подход [82, 130-134]. Пусть на прогнозируемую величину y{t) оказывают влияние аргументы прогноза Хд (q = 1, ..., т где т \. Причем, изменение прогнозируемой величины наступает через время At после соответствующих изменений аргументов прогноза. Естественно, что даже в самых простых случаях невозможно учесть все факторы, влияющие на изменение состояния объекта прогноза. Поэтому в данной работе считается, что определены все наиболее значимые аргументы xq (q = 1, ..., т) для рассматриваемой прогнозируемой величины y(i). Значения прогнозируемой величины y{f) известны в точках h (/ - 1, ..., п), они образуют вектор известных значений прогнозируемой величины 7= (уь ..., Уп)} элементы которого обозначаютyt (/ = 1,..., п). Значения аргументов прогноза {хь ...,хт) известны в моменты времени tt (і = 1,..., п), они образуют матрицу аргументов прогнозаХ= х (/ = 1, ..., п-\), (q - 1, ..., т), элементы которой обозначают xql (і = 1, ..., п-\\ (q = 1, ..., т), и вектор Необходимо определить ул+1, то есть прогнозируемой значение величины Х0 в точке tn+1.
Описанная выше задача называется задачей регрессионного анализа. Можно выделить следующие этапы ее решения: 1. Формируется аппроксимирующая функция F(x, а), где а - вектор неизвестных параметров, х - .вектор аргументов прогноза размерностью т. Функция F(x, а) может быть как линейной, так и нелинейной. 2. Определяются неизвестные параметры а, обеспечивающих наилучшую аппроксимацию согласно определенному критерию качества. Критерии оценки качества аппроксимации могут быть заданы различными способами. В данной работе для получения оценки используется метод наименьших квадратов (МНК) 3. Вычисляется прогнозируемое значения y„+i=F(x n\a) и погрешности прогноза. При решении задачи регрессионного анализа наиболее ответственным и наименее обоснованным этапом является определение вида аппроксимирующей функции. Мною предлагается искать аппроксимирующую функцию в виде аддитивного набора линейной функции и группы нелинейных функций [72, 73].
Такую функцию удобно представить в виде нейронной сети с одним выходным нейроном. Кроме удобства представления, это предоставляет возможность использовать как алгоритмы специально разработанные для обучения нейронных сетей, так и традиционные методы минимизации. В работе [82] мною был проведен анализ известных схем нейросетевого прогнозирования, показано что наилучшим вариантом является архитектура, предложенная в авторами работ [131-133] и усовершенствованная мною в сотрудничестве с Яковлевой Г.Л. [72, 73].
Функциональные требования к подсистеме ввода данных
Подсистема ввода данных должна обеспечивать работу с широким спектром внешних источников данных. Соответственно, для работы с наиболее популярными, покрывающими основные информационные потребности источниками система должна иметь механизмы конвертации данных из предоставляемого формата в формат базы данных. Для прочих источников должны быть реализованы механизмы: во-первых, конвертации данных из текстового и DBF форматов в формат базы данных, во-вторых, ручного ввода. Должен существовать механизм ввода новых типов данных, аргументов прогноза, прогнозируемых величин и другой служебной информации, поступающей извне. Подсистема ввода данных является узким местом многих АСУ, работающих с большими потоками данных. Так как данные могут поступать из неограниченного числа источников, состав которых может меняться, единственным универсальным методом работы со всеми возможными внешними источниками данных является ручной ввод. Но при эксплуатации систем, предоставляющих только механизм ручного ввода, невозможно оперативно ввести большие объемы информации, что зачастую приводит к снижению качества работы системы. Поэтому нами предлагается следующий выход. Из всей совокупности возможных источников данных выделяются несколько, покрывающих основные информационные потребности системы. Для них разрабатываются индивидуальные конвертеры считывания данных из формата внешнего источника и записи в базу данных системы. При работе с российскими финансовыми рынками такими источниками являются международное информационное агентство "REUTERS", торговые системы ММВБ и РТС. Для работы с прочими источниками предоставляются конвертеры файлов из текстового и DBF форматов с жестко установленной структурой и ручной ввод. Ручной ввод необходим для работы с данными, являющимися оценкой пользователя не формализуемой информации, реквизитами финансовых инструментов, типами данных, аргументов прогноза, прогнозируемой величины и прочего. Обобщенная схема поступления данных в такую систему представлена на рис. 3.11. Как уже было сказано, основной объем данных поступает из трех источников: международного информационного агентства "REUTERS", торговых систем ММВБ и РТС. Организация, работающая с агентством "REUTERS", имеет в своем распоряжении локальную сеть, включающую один или несколько специализированных серверов "REUTERS", которые получают данные по удаленной связи, и одну или несколько рабочих станций "REUTERS", располагающих интерфейсом для доступа к БД серверов. База данных "REUTERS" имеет собственный формат, для работы с ним предлагается SSL - набор библиотек, написанных на Си обеспечивающих стандартный АРІ для доступа к данным. Конвертер для работы с "REUTERS состоит из двух частей: приложение типа Source Distributor, обеспечивающее считывание данных из БД "REUTERS" по мере их поступления, и приложение типа Sink Distributor, управляющее записью данных в БД АДС.
По требованию пользователя торговые системы ММВБ и РТС предоставляют текстовый файл установленной структуры с торговыми данными для каждого финансового инструмента, торгуемого на этих площадках. Конвертеры считывают данные из полученных текстовых файлов и управляют их записью в БД АДС. Для работы с прочими источниками информации подсистема ввода должна предоставлять конвертер данных из текстового и DBF форматов. Структура конвертируемого таким образом файла может быть определена: для файла в формате DBF следующим образом: первое поле - код типа данного, второе - численное значение; для файла в текстовом формате код типа данного и значение разделяются служебным символом. Данный механизм удобен, при необходимости ввести большой объем данных из редко используемого источника. Если же необходимо ввести небольшой объем данных, например, ежедневные оценки аналитика или реквизиты финансового инструмента, то гораздо удобнее пользоваться предоставляемым подсистемой механизмом ручного ввода. 1. Предложен метод прогнозирования нестационарных экономических процессов с применением адаптивного модифицированного фильтра Брауна, использующего принцип «скользящего окна», определены оптимальные параметры фильтра. Исследован метод прогнозирования нестационарных экономических процессов, базирующийся на методе нелинейного регрессионного анализа с использованием для реализации аппроксимирующей функции искусственной нейронной сети.
Показано, что по сравнению со статистическими методами, использующими только ретроспективную информацию о процессах, метод обладает значительно более высокой точностью. 3. Предложены наборы нелинейных активизационных функций искусственной нейронной сети, обеспечивающих повышенную точность прогноза финансовых процессов. 4. Для повышения точности прогнозирования тенденций финансовых рынков предложено использовать в качестве активизационных функций искусственной нейронной сети нелинейные функции, полученные с использование теории детерминированного хаоса.
Похожие диссертации на Управление инвестиционной деятельностью кредитно-финансовой организации в условиях нестабильного рынка
