CC BY
21
УДК 330.43:658.15
ЕА. Деева ФОРМАЛИЗАЦИЯ МАТЕМАТИЧЕСКИХ
а.в. Полуэктов МОДЕЛЕЙ КОМПЛЕКСА ПРОГНОЗИРОВАНИЯ
ДОХОДНОЙ БАЗЫ БЮДЖЕТА ЦЕНТРАЛЬНОГО ДЕПОЗИТАРИЯ РФ
Аннотация. В статье описана работа по созданию математических моделей, составляющих основу модельного комплекса прогнозирования доходной базы бюджета центрального депозитария РФ. Приведены гипотезы, сформулированные перед этапом построения моделей, описаны задачи, связанные с моделированием доходной базы, представлен анализ полученных результатов.
Ключевые слова: депозитарий, моделирование доходной базы бюджета депозитария, прогнозирование, математическая модель, информационно-аналитическая система, индекс макроэкономического состояния, авторегрессия, метод регуляризации Парето.
Elena Deeva MATHEMATICAL MODELS FORMALIZATION
Andrey Poluektov OF THE FORECAST-COMPLEX OF THE REVENUE
BASE OF THE CENTRAL DEPOSITORY OF RUSSIAN FEDERATION
Annotation. This article describes the work to create mathematical models that form the basis of the model complex to predict the revenue base budget of the central depository of the Russian Federation (NSD). Hypotheses that were formulated prior to the step of constructing models are presented. Tasks associated with modeling of the revenue base are described. Analysis of the results is given.
Keywords: Depository, modeling the revenue base of budget of the depositary, forecasting, mathematical model, information-analytical system, the index of macroeconomic conditions, autoregression, regularization method Pareto.
В настоящее время ведется работа по созданию системы моделирования доходной базы бюджета НКО ЗАО «Национальный расчетный депозитарий» (НРД, Депозитарий), являющегося с 2013 года центральным депозитарием РФ (ЦД РФ). Эта система должна обеспечивать возможность прогнозирования, в том числе, отдельных статей бюджета и денежных поступлений от конкретных услуг, оказываемых Депозитарием, а также давать информацию как по будущим значениям доходов Депозитария, так и по объемам предоставляемых услуг в зависимости от экономических условий.
На начальном этапе работы были сформулированы требования к системе анализа и прогнозирования доходной базы бюджета Депозитария. Они заключаются в том, что данная система должна производить ежегодный прогноз доходов на основе месячных данных для формирования плана по бюджету на следующий год. Помимо этого система должна позволять пересчитывать прогноз ежемесячно для целей сопоставления плановых и фактических значений. Таким образом, необходимо автоматизировать как процесс сбора данных в систему, так и процесс прогнозирования. Следовательно, процесс построения системы в целом можно разделить на два этапа: автоматизация расчетов и сбора данных, а также построение комплекса математических моделей, составляющих аналитическую базу системы.
Отметим, что существует немало инструментальных средств, позволяющих реализовать построение таких моделей, в частности, Gretl, Eviews, Statgraprics. Однако эти средства достаточно сложно встроить в процесс автоматического взаимодействия с корпоративными системами любой организации. Поэтому при создании системы моделирования доходной базы бюджета Депозитария на этапе построения математических моделей была использована среда Eviews, представляющая со-
© Деева Е.А., Полуэктов А.В., 2015
бой систему обработки статистических данных, позволяющую работать с временными рядами - осуществлять построение различных классов моделей и производить их качественную оценку. На следующем этапе, после построения математических моделей, требовалось создать оболочку для дальнейшей работы с рядами данных и прогнозами в режиме реального времени. В качестве среды визуализации математических моделей для комплекса прогнозирования доходной базы бюджета Депозитария была выбрана система Qlikview, как одна из наиболее интуитивно-понятных и гибких систем, позволяющих производить сравнительно быстрое построение прогнозов и форм их визуального представления. Выбор Qlikview был обусловлен, в том числе, удобством представления разделов с тарифами организации и динамикой объемов по отдельным услугам. Кроме того, эта система интерактивна, т.е. предусматривает возможность оперативной корректировки результата для управленческих целей или для целей моделирования «что-если». Подчеркнем, что Qlikview для системы моделирования доходной базы бюджета Депозитария не является непосредственно средой разработки математических моделей, а используется в качестве хранилища данных, необходимых для построения прогнозов бюджета: значений объемов доходов за предыдущие периоды, параметров моделей, построенных для временных рядов по объемам каждой отдельной услуги, тарифов на услуги организации. Созданная модель данных визуализирована таким образом, что можно легко получить доступ к любой имеющейся в системе информации, и, кроме того, производить моделирование данных об объемах оказанных услуг и объемах активов на хранении на основе моделей, встроенных в систему. Система позволяет производить выгрузку данных в разрезе статей бюджета для согласования с головной организацией группы компаний Московская биржа, частью которой является НРД, а также в разрезе отдельных услуг для целей анализа данных и передачи данных о прогнозах в другие информационно-аналитические системы, используемые в Депозитарии.
Исследование, связанное с построением математических моделей для системы прогнозирования доходной базы бюджета Депозитария, было начато с определения того, какие именно временные ряды будут для этого использоваться. Учитывая то, что конечная цель работы системы - получить спрогнозированный бюджет Депозитария в разбивке по статьям, которые отражают доходы от определенного вида деятельности, необходимо было построить модели по отдельным статьям бюджета. Подобный подход мог бы существенно упростить процесс построения моделей и сократить трудозатраты, но в ситуации изменения формы бюджета или появления новых услуг потребовалось бы менять логику работы всей системы в целом. Принимая во внимание то, что в управленческом учете организации проводится не только анализ доходов в разрезе статей бюджета, но также существуют и иные группировки услуг, было принято решение строить модели по отдельным услугам. Таким образом, в создаваемой системе существует возможность строить различные группировки услуг для аналитики. Логика группировки услуг такова, что услуга однозначно входит в подгруппу, подгруппа в группу, а группа услуг относится только к одной статье бюджета. Но, помимо этого, в Депозитарии существуют понятия «направление бизнеса» (НБ) и «вид доходов» (ВД). НБ может включать в себя несколько статей бюджета, а услуги, входящие в один ВД, могут быть приписаны к совершенно разным статьям бюджета. Это связано с тем, что в последнее время НРД затронул процесс изменения структуры отчетности головной компании группы - Московской биржи. Для того, чтобы была возможность гибко менять структуру бюджета, а также ВД и НБ, было принято решение моделировать именно временные ряды объемов отдельных услуг.
В начале исследования предполагалось, что доходы Депозитария находятся в зависимости от состояния макроэкономики РФ. К сожалению, не было возможности оценить влияние кризисных явлений на доходную базу, т.к. в период кризиса 2007-2009 года ЦД РФ в его современном виде не существовал. Поэтому был сформулирован ряд гипотез относительно зависимости доходов Депозитария от состояния экономики. В табл. 1 представлена структура доходов этой организации.
Составляющие бюджет Депозитария виды доходов могут быть охарактеризованы следующим образом:
1) процентный доход - доход от управления собственными средствами;
2) депозитарная деятельность - доходы от хранения и учета ценных бумаг, а также операций с ними;
3) дополнительные доходы депозитария - доходы от обслуживания эмитентов и платежных агентов, клиринга;
4) РКО - доходы от расчетно-кассового обслуживания клиентов;
5) прочие доходы - доходы от аренды помещений, машиномест и т.д.;
6) репозитарий - доходы от учета операций РЕПО, необходимых к регистрации в НРД.
Таблица 1
Структура доходов Депозитария
в процентах
Вид дохода Доля в совокупном доходе
Процентный доход 48,4
Депозитарная деятельность 31,4
Дополнительные доходы депозитария 17,0
РКО 2,4
Прочие доходы 0,7
Репозитарий 0,1
Итого: 100
Поскольку наибольшую долю операционного дохода НРД получает от услуг, связанных с хранением и учетом ценных бумаг, а также от управления собственным портфелем активов, было выдвинуто предположение о том, что в период негативных тенденций в экономике, а, следовательно, и на фондовом рынке, доходы Депозитария должны несколько снижаться. Как показывает мировая практика, кризис в экономике характеризуется общим снижением активности на фондовых рынках, то есть снижением объемов торгов, уменьшением числа первичных размещений акций акционерных обществ, снижением объемов займов, что, в свою очередь, означает снижение числа выпускаемых облигационных выпусков. Это приводит к тому, что объемы хранимых и учитываемых активов в НРД не увеличиваются. Также в период кризиса происходит снижение стоимости инструментов фондового рынка. Данные факты говорят о том, что в это время должны снижаться объемы комиссий за услуги депозитария в части учета ценных бумаг. В свою очередь, уменьшение объемов и числа сделок на фондовой бирже приводит к тому, что снижается доход от учета операций [2]. Что касается дохода от управления собственным портфелем ценных бумаг, ситуация должна быть аналогична. Снижение активности рынка приводит к высокой вероятности дефолта некоторых активов, что должно заставлять Депозитарий вкладывать свободные средства в менее рискованные активы, что, в свою очередь, означает меньшую доходность подобных инвестиций.
Относительно других видов услуг НРД можно сказать то, что общая тенденция, связанная со снижением активности рынка, сохраняется, однако, можно отметить новые услуги, связанные с операциями РЕПО с Банком России, позволяющие снизить риск контрагентов. В этой части гипотеза о прямом влиянии на уровень подобных операций отвергается, т.к. клиентам НРД должно быть интересно привлечение денежных средств со сниженным риском в период нестабильности в экономике, в частности, на фондовом рынке.
Для учета состояния экономики РФ в целом в модели доходов бюджета Депозитария был
предложен интегрированный показатель, отражающий макроэкономическое состояние. Следует отметить, что данный показатель полезен не только при моделировании будущих доходов, но и при постановке целей организации и описании ее стратегии, так как прогноз данного индекса может показать динамику развития экономической ситуации в государстве, что необходимо при описании тенденции собственного развития компании. Поэтому при моделировании доходной базы было решено применять не отдельные показатели, на основе которых строится индекс состояния макроэкономики, а непосредственно агрегированный индикатор - индекс макроэкономического состояния. При прогнозировании доходной базы депозитария индекс состояния экономики РФ определяется на основе временных рядов, каждый из которых отражает определенный аспект состояния макроэкономики РФ [4].
Для построения индекса макроэкономического состояния в НКО ЗАО НРД были использованы материалы д-ра экон. наук Г.М. Гамбарова, в том числе статья, посвященная методу регуляризации Парето и прототип программы расчета, созданный на основе методики расчета индекса, предоставленный для анализа и внесения предложений [1]. Задача создания индекса заключалась в поиске оптимального состава данных для построения показателя, обеспечении доступности этих данных для ежедневной загрузки в корпоративную базу данных Депозитария, а также автоматизации расчета самого показателя. В процессе работ был сокращен первоначальный состав данных, описанный Г.М. Гамбаровым, вследствие недоступности некоторых показателей для ежедневной загрузки, а также из-за слабого влияния ряда показателей на агрегированный индекс. Для тестирования адекватности исходных данных и результирующего показателя был составлен ряд гипотез, касающихся динамики различных показателей при разных тенденциях в экономике РФ.
Для подтверждения гипотез были проанализированы динамики таких показателей, как индексы S&P 500 и ММВБ, курсы доллара и евро, сальдо операций по предоставлению ликвидности ЦБ, ставки межбанковского рынка, а также цены на нефть за период с 2008 года по текущий момент. В результате анализа выяснилось, что гипотезы относительно того, что выбранные временные ряды могут быть использованы в конструкции индикатора макроэкономического состояния РФ, верны. Таким образом, для создания индекса макроэкономического состояния были выбраны следующие показатели: курс доллара, курс евро, индекс ММВБ, индекс S&P, ставка MIACR, сальдо предоставления ликвидности Банком России, фьючерсная цена на нефть.
Для построения модели макроэкономического состояния РФ в целях восстановления ряда агрегированного индекса был использован метод регуляризации Парето (МРП). Данный метод предполагает восстановление зависимости между показателями, на основе которых производится моделирование, и результирующим показателем. В данном случае в роли первых выступают временные ряды, названные выше, а в роли второго - непосредственно индекс макроэкономического состояния РФ. Метод регуляризации Парето применялся как альтернатива методу главных компонент (МГК). Основное достоинство МРП заключается в том, что расчетная процедура МРП проще, чем расчетная процедура МГК, что позволяет не только упростить автоматизацию расчета индекса, но и затрачивать меньше ресурсов на реализацию ежедневного расчета, необходимого для организации при аналогичном по качеству результате. В качестве недостатка МРП можно назвать то, что все ряды, при моделировании ряда данным методом должны быть однонаправленными, т.е. иметь положительную корреляцию. Данный недостаток, впрочем, легко устраняется введением обратного ряда (с минусом).
Суть метода регуляризации Парето заключается в попарном сравнении одинаковых уровней ряда показателей и ранжировании рядов по принципу «хуже-лучше». МРП позволяет восстановить ряд в нормированном виде, т.е. значения индекса могут принять значения от 0 до 100, тогда как модельные значения могут выбиваться из заданного коридора. Для того, чтобы упростить визуальное восприятие индекса (исключить отрицательные значения), к модельным данным было решено приба-
вить 1000. После восстановления ряда производится процедура моделирования, то есть строится линейная регрессия, где экзогенными переменными выступают ряды, определяющие индекс (отдельные индикаторы), а эндогенной - восстановленный МРП показатель состояния макроэкономики [1; 4].
После построения модели индекса была изучена динамика данного показателя и установлена его адекватность. Индекс показывал динамику, сравнимую с динамикой индекса ММВБ, но, в то же время, существовали отличия в динамике, обусловленные добавлением к индексу нескольких рядов показателей. После этого была произведена автоматизация загрузки данных, необходимых для его расчета, а также автоматизация ежедневного расчета непосредственно индекса. На сегодняшний день руководство получает сведения о значении данного индекса и использует данные о динамике этого показателя при мониторинге текущей деятельности, в частности, подразделения, связанные с управлением рисками, используют данный показатель для определения уровня нормативных резервов. Помимо этого индексу было найдено несколько других применений: в частности, он используется для корректировки параметров системы оценки справедливой стоимости облигаций, созданной на базе
НРД.
Для моделирования макроэкономического индекса была выбрана модель авторегрессии, т.к. именно этот класс позволял получить наиболее качественную модель. В итоге модель индекса макроэкономики (index) имеет вид:
indext = 0,54indext-1 + 0,16indext-3 + 0,31indext-6 + 0,21indext-12 + 0,27indext-18 - 0,52indext-24 (1)
Учитывая, что последние несколько лет индекс снижается, т.к. наблюдалось снижение ключевых для финансового сектора показателей в РФ, а именно: снижался индекс ММВБ, резко вырос курс доллара и евро, увеличилась ставка межбанковского рынка, прогноз в настоящий момент - также на снижение показателя. Но в последнее время наблюдается изменение тенденций с курсом валют, ожидается снижение банковских ставок, а также уже изменилось направление динамики индексов финансового рынка РФ, что означает скорое увеличение индекса.
В процессе исследования было решено использовать среднемесячное значение индекса, т.к. прогноз по доходам должен строиться именно на месячных данных. В результате было выяснено, что большая часть доходов не находится в зависимости от состояния экономической среды. В частности, состояние экономики влияет только на доходы в части расчетно-кассовых услуг, что было подтверждено корреляционным и регрессионным анализами. Таким образом, описанный выше индекс был включен в состав лишь небольшого количества моделей услуг. Было принято решение использовать его как индикатор состояния экономики в модели, для проведения, например, моделирования в части устанавливаемых тарифов и объемов доходов по новым услугам, которые могут находиться в прямой зависимости от уровня состояния экономики РФ.
После изучения зависимости динамики объемов услуг Депозитария от состояния экономики, а также произведенного анализа временных рядов, был сделан вывод о том, что при построении прогнозов объемов услуг Депозитария могут быть использованы следующие классы моделей:
- модель скользящей средней;
- модель экспоненциального сглаживания;
- авторегрессионная модель;
- коинтеграционная модель с авторегрессорами (для включения в авторегрессионную модель индекса состояния экономики) [3].
Решение об ограничении числа классов моделей связано с тем, что в создаваемую систему моделирования доходной базы бюджета должны быть обязательно включены алгоритмы формирования определенных типов моделей. Учитывая большое количество услуг, по которым требуется стро-
ить модели динамики, использовать в каждом случае различные подходы было бы очень затратно, то есть введение ограничения по типам моделей реализовано в целях стандартизации, упрощения и удешевления процесса моделирования доходной базы.
Следует отметить, что построение моделей по отдельным услугам было сопряжено с рядом неудобств и трудностей, т.к. общее число услуг Депозитария составляет около 200 наименований, а каждый ряд должен быть тщательно изучен на предмет выявления тенденций и особенностей. В результате этой работы требуемые модели были построены, после чего была подтверждена гипотеза о том, что при использовании лишь математических моделей система не будет выдавать желаемого результата по точности. Основная причина, как было отмечено выше, - это появление новых услуг, находящихся в стадии развития, что говорит о том, что спрос на них будет увеличиваться. Особенно это касается услуг, спрос на которые будет расти в условиях ограничения получения кредитов за пределами РФ. Здесь речь идет, в первую очередь, об операциях, связанных с рефинансированием банков, а это РЕПО ЦБ с системой управления обеспечением (СУО) и операции «Поставка против платежа». Получается, что, не имея достаточной глубины ретроспективных данных и строя модель временного ряда, образующего в координатной плоскости ^ (оси t и q - соответственно, время и объем услуг) экспоненту, модель будет повторять предыдущие значения, т.е. визуально будет рисоваться экспонента, т.к. с точки зрения формулы модели не будет определен момент изменения тенденции, когда именно рынок придет в состояние насыщения и кривая экспоненты перейдет скорее в логарифмическую кривую.
Как было сказано выше, построение модели доходной базы бюджета усложнялось высокой трудоемкостью процесса моделирования вследствие большого объема услуг, оказываемых депозитарием. Поэтому был предложен ряд гипотез, позволяющий сократить время работы по построению моделей, с получением в итоге прогнозных данных удовлетворительного качества. В частности, одна из гипотез была сформулирована следующим образом: учитывая то, что основная информация, которой будут пользоваться аналитики организации, - это непосредственно бюджет, т.е. тарифы, умноженные на объем услуг, сгруппированные по определенным правилам в статьи бюджета, есть возможность построить модели по временным рядам статей бюджета, а затем распространить их параметры на каждую из моделей тарифов, лежащую в основе конкретной статьи бюджета. Вторая гипотеза в целом повторяет первую, но отличается тем, что допускает возможность построения моделей по услугам, приносящим наибольший доход в группе, и распространении параметров моделей на все услуги группы. Предпосылка к формированию данных гипотез в следующем: т.к. основной разрез плана и анализа - это бюджет в целом, ошибка при построении прогноза временного ряда определенной статьи бюджета не должна быть больше суммы ошибок всех моделей, совокупность которых составляет данную статью бюджета. То есть, если прогнозировать статью бюджета и распространить параметры этой модели на все услуги, математически ошибка будет иметь ту же величину, т.к. с * (а + Ь) = с * а + с * Ь. В случае же построения различных моделей по отдельным услугам ошибки этих моделей будут суммироваться при восстановлении статьи бюджета. Недостаток такого подхода заключается в том, что при снижении трудоемкости процесса моделирования будут наблюдаться существенные ошибки в некоторых моделях внутри статей бюджета. На текущий момент данная гипотеза не проверялась, но, используя построенную аналитическую систему, можно провести серию экспериментов, которые могут подтвердить (или опровергнуть) данное предположение.
Таким образом, было принято решение первоначально построить модели по каждой из услуг в отдельности. Начать было решено с услуг, которые приносят наибольший операционный доход организации, а именно с учета и хранения ценных бумаг. Соответственно, были построены модели объемов ценных бумаг на хранении в организации, причем в разбивке по тарификационными типам. Для этого сначала была сформирована база данных по временным рядам объемов оказанных услуг, вклю-
чавшая в себя данные о значениях объемов услуг за период с января 2011 года по май 2014 года. Выборка была разбита на обучающую и тестовую. Объем тестовой выборки составлял 6 месяцев. Процесс сбора данных упрощался тем, что на момент построения прогнозов организация обладала автоматизированной аналитической системой на базе ПО Qlikview, позволяющей агрегировать данные о доходах и объемах оказанных услуг из различных источников. После сбора данных в файлах MS Excel были определены кодификаторы для каждой услуги, после чего данные были загружены в систему моделирования EViews для их анализа и построения моделей.
Процесс построения моделей был реализован традиционно: первоначально временные ряды анализировались визуально (таким образом производилось простейшее выявление тенденций ряда и наличия трендов, а также сопоставление изменений динамики с существенными событиями, связанными с определенной услугой); после визуального анализа данных проводился корреляционный анализ для выявления взаимосвязи между рядами данных по объемам различных услуг; далее при помощи построения автокорреляционной функции, частной автокорреляционной функции и проведения теста Дики-Фуллера производился анализ стационарности временных рядов (для определения ограничений классов моделей для конкретного временного ряда по объемам услуг) [3].
После проведения анализа рядов и построения альтернативных моделей были получены математические модели, вошедшие в состав модельного комплекса. Учитывая большое число услуг, приводить в данной статье все модели нецелесообразно, поэтому представлены только примеры авторегрессионных моделей с оптимальными параметрами качества по следующим типам бумаг:
1) облигации эмитентов РФ (bond):
bondt = 0,835bondi-1 - 0,09bondt-2 + 0,283bondi-6 - 0,017bondi-12 ;
2) 3)
еврооблигации (ebond): ebondt = 0,34ebondt-1 -акции эмитентов РФ (share):
ebondt = 0,34ebondt-1 + 0,097ebondt-2 + 0,52ebondt-4 + 0,05ebondt-12 ;
sharet = 0,213sharet-1 + 0,374sharet-2 + 0,386sharet-6 + 0,028sharet-13.
Услуги по хранению данных типов ценных бумаг составляют порядка 50 % операционного дохода НРД, поэтому можно сказать, что эти три модели являются основными, и именно их качество во многом определит качество прогнозирования всего комплекса. Следует также отметить, что ошибка прогноза по данным моделям составляет от 3 до 5 процентов, что является удовлетворительным результатом. Помимо построения данных моделей было произведено исследование, связанное с построением моделей для каждой из услуг, оказываемых НРД. По результатам построения моделей их параметры были внесены в аналитическую систему, позволяющую производить анализ и прогнозирование доходной базы в автоматическом режиме или в «полуавтоматическом», с использованием интерактивных корректировок результата.
Коэффициенты некоторых других моделей комплекса прогнозирования доходной базы бюджета Депозитария приведены в табл. 2 (модели можно записать в виде: у^ = а^Уи-кг + а2Уи-к2 + + + апУИ-кп).
Таблица 2
Параметры некоторых моделей комплекса прогнозирования доходной базы бюджета Депозитария
i Наименование услуги ai kl ai k2 аз k3 a4 k4 as k5 a6 k6
1 Доступ к сервисам SWIFT 0,25 1 0,25 2 0,25 6 0,23 12 0,00 0 0,00 0
Продолжение таблицы 2
1 Наименование услуги а1 к1 а2 к2 аз к3 а4 к4 а5 к5 аб к6
2 Просроченное зачисление 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
3 Инструменты в международных депозитариях -прием 0,48 1 0,56 2 -0,07 9 0,05 12 0,00 0 0,00 0
4 DVP в международных депозитариях - прием 0,31 2 0,57 1 -0,01 9 0,19 12 0,00 0 0,00 0
5 Прием на хранение АДР, ГДР 0,34 2 0,60 1 0,08 12 0,00 0 0,00 0 0,00 0
6 Разблокировка операций по счету депо 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
7 Ежемесячная минимальная плата за услуги Депозитария 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
8 Предоставление отчета в бумажной форме 0,40 1 0,30 2 0,30 3 0,00 0 0,00 0 0,00 0
9 Обработка бумажной формы поручения/запроса 0,40 1 0,30 2 0,30 3 0,00 0 0,00 0 0,00 0
10 Учет залоговых обременений 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
11 Передача других документов и запросов регистраторам через СЭД НРД 0,87 1 0,14 2 0,01 6 -0,02 12 0,00 0 0,00 0
13 Переводы ценных бумаг - внебиржевые 0,35 1 0,49 2 0,00 0 0,19 12 0,00 0 0,00 0
14 Перевод ценных бумаг по результатам сделки, включенной в простой клиринг -0,05 1 0,15 2 0,17 3 0,66 12 0,00 0 0,00 0
15 Перевод ценных бумаг с контролем расчетов по денежным средствам 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
Окончание таблицы 2
i Наименование услуги ai k1 a2 k2 аз k3 a4 k4 as k5 a6 k6
16 Переводы ценных бумаг - по итогам торгов -0,06 1 0,37 2 0,14 3 0,58 12 0,00 0 0,00 0
17 Сообщения SWIFT - первый отчет 0,55 1 0,14 2 -0,03 6 0,30 12 0,00 0 0,00 0
18 Сообщения SWIFT - доп. сообщения 0,55 1 0,14 2 -0,03 6 0,31 12 0,00 0 0,00 0
21 Ускоренная перерегистрация ДР 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
25 Снятие с хранения АДР, ГДР 0,44 2 0,65 1 -0,07 9 -0,02 3 0,00 0 0,00 0
26 Снятие с хранения ценных бумаг, номинированные в рублях, инвестиционных паев, инструментов, учитываемых в ЦД стран СНГ 0,23 1 0,28 3 0,50 6 0,00 0 0,00 0 0,00 0
27 DVP3 0,33 1 0,33 2 0,34 3 0,00 0 0,00 0 0,00 0
28 DVP2 0,49 1 0,24 2 0,31 12 -0,02 6 0,00 0 0,00 0
29 DVP1 0,18 1 0,10 2 1,05 12 -0,09 4 0,00 0 0,00 0
30 Обслуживание клиринговой организации 1,00 1 0,00 0 0,00 0 0,00 0 0,00 0 0,00 0
32 СУО - учет обязательств 0,06 3 0,46 12 0,27 1 0,13 6 0,03 5 0,00 0
33 СУО - DVP1 0,50 1 0,46 2 0,10 6 0,08 12 -0,13 9 0,00 0
34 Возмещение -0,01 1 0,28 2 0,03 7 0,07 8 0,31 10 0,14 11
35 Услуги платежного агента 0,23 1 0,17 2 -0,06 7 0,21 6 0,20 10 0,20 12
36 СУО - DVP3 0,46 12 0,29 1 0,09 3 0,10 4 0,03 12 0,00 0
37 Обслуживание эмитентов 0,19 1 0,08 2 0,23 6 0,12 8 0,33 12 -0,06 10
Необходимо отметить, что математические модели, построенные на этапе создания комплекса прогнозирования доходной базы бюджета Депозитария, с течением времени потребуется корректировать. В настоящее время ведется мониторинг качества данных, получаемых с их использованием, для того, чтобы установить правила пересмотра оценок параметров моделей. Гипотетически, существуют
несколько вариантов реализации данной идеи. Первый вариант - установить жесткий период пересмотра модельных параметров, второй вариант - ввести специальную индикативную систему, производящую автоматический расчет качества прогноза по модельному комплексу и вывод сообщений о том, что расчеты становятся некорректными. Предположительно наилучшим будет «гибридный» вариант, сочетающий оба обозначенных подхода. Учитывая то, что в настоящий момент автоматизированы как сбор данных, так и ежемесячный расчет прогноза, проблем с реализацией алгоритма мониторинга качества моделей не возникнет. Реализация данного алгоритма позволит также получать статистические данные о погрешностях модели, что поможет в будущем существенно улучшить результаты моделирования, а помимо этого будет являться инструментом тестирования качества построенных моделей в режиме реального времени.
Библиографический список
1. Гамбаров, Г. М. Метод Парето-регуляризации финансовых показателей / Г. М. Гамбаров // Финансы и кредит. - 2006. - № 6. - с. 47-52.
2. Писарева, О. М. Методы прогнозирования развития социально-экономических систем / О. М. Писарева. -М. : Высшая школа, 2007. - 592 с.
3. Полуэктов, А. В. Использование математических методов в создании системы анализа доходной базы депозитария / А. В. Полуэктов // Стратегии бизнеса. - 2013. - № 2. с. 104-107.
4. Шаститко, А. Е. Экономическая теория организаций / А. Е. Шаститко. - М. : Инфра-М, 20010. - 304 с.
5. Годовые формы НРД [Электронный ресурс]. - Режим доступа : https://www.nsd.ru/ru/about/ disclosure/year_nsd/ (дата обращения : 28.04.2015).
