CC BY
20
ческого роста. Поэтому его обеспечение в России неизбежно начинается с политики возрождения и реструктуризации промышленности.
Литература
1. Госкомстат РФ, годовой отчет 2000 г.
2. Госкомстат РФ, годовой отчет 2000 г.
3. ГТК РФ, статистика, 2000 г
4. Федеральный закон РФ о бюджете на 2001 г.
ФЕДОРОВ Игорь Владимирович, ассистент кафедры «Прикладная математика и информационные системы».
в в мищенко МЕХАНИЧЕСКИЕ СИСТЕМЫ ФОРМИРОВАНИЯ РЕШЕНИЙ НА РЫНКЕ ЦЕННЫХ БУМАГ
(ОБЗОР)
Сибирская государственная автомобильно-дорожная академия
УДК 336.763
Механическая торговля системы (МТС) предназначена для формирования решений для открытия и закрытия биржевых позиций без участия человека. В основе МТС лежит система правил входа в рынок и выхода из него, полученная с помощью различных методов анализа исторических и ценовых данных. МТС позволяет трейдеру минимизировать время принятия торгового решения и более уверенно заключать сделки на рынке ценных бумаг. Уверенность базируется на известном правиле: если система прибыльно работала раньше, то она с высокой вероятностью будет прибыльно работать в ближайшем будущем. Практическое использование МТС не подменяет традиционных методов анализа рынка, но дает возможность трейдеру взвешенно принимать торговые решения.
Методы анализа ценовых данных классифицируется на математические, эмпирические и методы, основанные на технологиях "искусственного интеллекта".
Математические методы включают статистический метод, "index trading", методы Ганна и Фурье.
Статистический метод анализа ценовой динамики рынка основан на изучении поведения трендовых индикаторов и осцилляторов. Трендовые индикаторы представляют собой различные комбинации скользящих средних (экспоненциальных, взвешенных по другим законам). Осцилляторы характеризуют изменение цен на финансовом рынке за определенный период и используются для прогнозирования перелома или ослабления существующего тренда. Распространенными осцилляторами являются RSI (индекс относительной силы)=100-(100/(1+U/D)), где U -среднее повышение цены за период, D-среднее понижение, STOCH (стохастический осциллятор)=(минимальное значение за период/ (максимальное минус минимальное значение за период)) и др. Подавляющее число МТС построено с использованием статистического метода. Примеры: системы компании Share Finder, стоимость которых колеблется от 150 до 1000 долларов.
Метод "index trading" наиболее эффективно используется на так называемых высококоррелированных рынках, когда движение всех финансовых показателей происходит в основном в одном направлении, совпадающем с направлением общего индекса данного рынка. Если какой-либо показатель отстает в движении от общего рыночного индекса, необходимо совершать покупку. МТС, построенные на таком принципе, пользуются спросом у так называемых индексных фондов.
Центральное место в методе Ганна и его модификациях занимают соотношения между временем и ценой,
представленные в виде геометрических фигур (углов). Ганн полагал, что определенные геометрические модели и углы имеют высокую информативность для прогнозирования определенного поведения цены. Для построения углов масштаб изменения времени принимается равным масштабу изменения цены (rise/run=1*1), что соответствует углу 45°.
Углы Ганна привязываются к значимому "донышку" и пику (или наоборот) между которыми проводится линия тренда. Наиболее важной линией является линия соответствующая соотношению 1x1. При этом рынок является "бычьим", если цены располагаются выше этой линии, и "медвежьим", если ниже. Линия (1x1, т.е 45°) отражает главные уровни поддержи/сопротивления при восходящем и нисходящем тренде соответственно. Когда возникает прорыв этой линии, возможны глобальные развороты тренда. Вводятся 9 существенных углов, из которых 1x1 самый важный: 1x8 (82,5°), 1x4 (75°), 1x3 (71,25°), 1x2 (63,75°), 1x1 (45°), 2x1 (26,25°), 3x1(18,75°), 4x1 (15°), 8x1 (7,5°). Для того чтобы соотношения временно-ценовых интервалов (rise/run) соответствовали приведенным выше углам (в градусах) интервалы шкалы оси времени (дат) X должны быть эквивалентны интервалам шкалы цен Y. Наиболее простой способ калибровки графика -сделать так, чтобы угол с соотношением 1x1 имел величину 45°.
Каждый из предложенных углов может обеспечивать уровни "поддержки и сопротивления" в зависимости от тренда. Например, во время восходящего тренда угол 1x1, относится к наиболее важной поддержке. Глобальный разворот может наступить, если цены уйдут ниже линии, проходящей под этим углом. В дальнейшем следует предполагать, что цены будут снижаться до уровня следующего угла (т.е. 2x1). Другими словами, после пенетрации уровня соответствующего одному углу, цены будут стремится к уровню следующего угла.
Разработано несколько методик для исследования поведения рынка акций. К ним относятся линии Ганна (Gann Lines), веер Ганна (Gann Fans) и сетка Ганна (Gann Grids). Программы, использующие принципы Ганна для автоматической генерации торговых решений, присутствуют на рынке также в большом количестве. К ним относятся "Gann Suite" компании Baseline Technologies F4y Ltd и "Gann Trader0. Стоимость таких программ составляет от 1000 до 3000 долларов.
Еще один метод анализа основан на разложении функции цен в ряд Фурье. Обычно для технического анализа
финансовых рынков используется так называемый "Interpreted FFT - индикатор, который отображает длину трех "основных" циклов и отношение их амплитуд. Гистограмма индикатора "Interpreted FFF всегда следует от самого "значимого" цикла к менее значимым. Более длинные столбики диаграммы с определенной длиной цикла соответствуют наиболее "господствующему" циклу из анализируемых данных.
Наиболее известной и популярной системой, основанной на преобразовании Фурье, является программа "MESA trading". Ее примерная стоимость составляет 650800 долларов.
К эмпирическим методам анализа финансовых рынков можно отнести метод "patterns trading" (торговля шаблонами), волновой метод Эллиота, уровни Фибоначчи и фундаментальный анализ.
Первый метод основан на предположении, что "движение рынка" представляет собой набор взаимосвязанных "фигур", в промежутках между которыми могут находится "шумы". На сегодняшний день известно достаточно много таких "фигур" или шаблонов поведения рынка (зигзаг, "голова и плечи", "флаг", "треугольник" и т.д.). Наиболее распространенной среди них является модель "голова и плечи". МТС, построенные на основе таких моделей, пытаются распознать их, и после распознавания выдают сигналы на покупку/продажу в соответствии с предполагаемым поведением рынка в рамках данной модели (шаблона). В качестве примера таких систем можно привести программу "APS" (компания TradingPatterns.com), которая не только ищет предопределенные рыночные модели, но и пытается "создать" свои собственные рыночные шаблоны. Стоимость таких систем на рынке обычно не превышает 500 долларов.
В основе волнового метода Эллиота лежит подмеченная циклическая закономерность в поведенческой психологии людей. Социальное поведение масс последовательно проходит стадии экспансии, энтузиазма и эйфории, за которыми следуют успокоение, упадок и депрессия. Изменения в настроении масс можно проследить по графикам цен на товары, ценные бумаги, валюты и т.д. Поведенческие модели можно четко определить и выделить на графике в виде волн (волна - ясно различимое ценовое движение). Следуя закономерностям развития массового поведения, все движения цен разбиваются на пять волн в направлении основного тренда и на три волны в обратном направлении. В качестве примера, возьмем "бычий" тренд (рис. 1).
Рис.1 Волны Эллиота.
Волна 1 представляет собой резкое изменение в текущей ситуации (смена "медвежьего" тренда на "бычий", прорыв мощного уровня сопротивления и т.д.). В спокойной ситуации она обычно демонстрирует незначительное движение цен на фоне общей нерешительности.
Волна 2 составляет около 60% от первой, развивается на фоне доминирующего преобладания инвесторов, предпочитающих фиксировать прибыли.
Волна 3 представляет уверенный и стремительный рост цен на значительном объеме торгов. Наблюдается резкий рост оптимизма среди инвесторов.
Волна 4: ее глубина и длительность, как правило, невелика. Оптимистичные настроения все еще преобладают на рынке.
Волна 5: рост цен на средних объемах торгов. Рост происходит на фоне массового ажиотажа. К концу волны, зачастую, происходит резкий рост объемов торгов.
Волна А: большинство продолжает считать, что рост скоро продолжится с новой силой. Но уже начали появляться игроки, убежденные в обратном.
Волна В: незначительное движение вверх "на остатках оптимизма".
Волна С: сильная понижающая волна на фоне общей убежденности о начале новой понижающей тенденции. Некоторые инвесторы начинают осторожную покупку.
На основе волновой теории Эллиота создано много механических торговых систем, самыми известными из которых являются программа "Ellwave" компании Prognosis Software Development и "Elliot Wave Analyzer II". Стоимость таких систем колеблется от 700-4000 долларов.
Известны методики анализа поведения рынка ценных бумаг, использующих свойства чисел Фибоначчи. Эти числа представляют собой последовательность, в которой каждое последующее число является суммой двух предыдущих: 1,1,2,3,5,13,21 и т.д. Такая последовательность обладает рядом особенностей. Например, всякое число данной последовательности (кроме трех первых) приблизительно в 1,618 раз больше предыдущего и в 0,618 раз меньше следующего числа.
Использование указанных особенностей для анализа рынка ценных бумаг встречается в нескольких вариантах. В одном из них строится линия тренда, проходящая через экстремальные точки (впадина - пик). Затем проводится три дуги таким образом, чтобы их центр вращения находился во второй экстремальной точке, а дуги пересекали воображаемую линию между этими точками на уровнях 38,2%, 50% и 61,8%. Интерпретация кривых регистрируемых цен основана на предложении, что уровни "поддержки/сопротивления" будут проходить вблизи линии дуг.
В другом варианте после проведения линии тренда между экстремальными точками рисуется вертикальная линия, начинающаяся на уровне первой точки. Линия в соответствии с числами Фибоначчи делится на участки в 38,2% и 61,8%. Через центральную точку и точку, разделяющую отрезки из первой экстремальной точки проводят линии тренда. Технология принятия решений остается прежней. Есть и другие варианты использования чисел Фибоначчи для интерпретации поведения цен (алгоритм "следы", "временные зоны").
Существует множество полярных мнений по поводу эффективности применения "алгоритмов Фибоначчи". Тем не менее существует большое количество МТС, использующих эти алгоритмы. Часто в этих системах анализ Фибоначчи применяется вместе с другими методами (см. программный продукт "Elliot Wave Analyzer II").
Фундаментальный анализ ценных бумаг строится на основе рассмотрении характеристик текущего состояния эмитента рассматриваемой ценной бумаги. Изменения той или иной характеристики эмитента рассматривается как положительно или отрицательно влияющее на ее текущую и будущую стоимость. На основе таких выводов принимаются соответствующие торговые решения. Приведем некоторые ключевые фундаментальные параметры эмитента и рассмотрим их влияние на курсовую стоимость его акаций.
К системам, использующим фундаментальные показатели для генерации решений относятся программы серии "VantagePoint" стоимостью от 1700 до 5000 долларов.
Методы анализа рынков ценных бумаг, основанных на технологиях "искусственного интеллекта" известны под названием "нейросетевой анализ","генетические алгоритмы", "нечеткая логика", "дерево решений", "эволюционное программирование".
Нейросетевые аналитические системы ■- это большой класс систем, архитектура которых в некоторой степени имитирует построение живой ткани из нейронов. В одной из наиболее распространенных архитектур, многослойном перцептроне с обратным распространением ошибки, эмулируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя. На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т.д. Эти значения рассматриваются как сигналы, передающиеся в вышележащий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронными связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ, реакция всей сети на введенные значения входных параметров. Для того чтобы сеть можно было применять в дальнейшем, ее прежде надо научить на полученных ранее данных, для которых известны и значения входных параметров и правильные ответы на них. Процесс обучения в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. Такая технология оказалась эффективной в задачах распознавания образов, однако в финансовых и экономических задачах в российских условиях не нашла применение по следующим причинам. Реальные нейросети, создаваемые в результате обучения на истории российских финансовых рынков, слишком сложны. Во-вторых, количество степеней свободы создаваемой прогностической модели (вес каждой связи между нейронами сети) часто превышает число использовавшихся для обучения примеров (отдельных записей данных). Это означает, что нейросеть можно "научить" даже в массиве сгенерированных случайных чисел. Как показывает опыт, применение нейросети для решения текстовой задачи по анализу рынка акций, она прекрасно объясняет все колебания рынка в прошлом, но не дает обоснованного прогноза на будущее. Не выполнимость требования прозрачности создаваемых прогностических моделей связанна со сложностью нейросети. Знания, зафиксированные как веса нескольких сотен межнейронных связей, совершенно не поддаются анализу и интерпретации человека. Вследствие этого нейросети почти не применяются для решения российских финансовых задач, в развитых странах для решения этих задач исполь-
зуются пакеты BrainMaker (CSS), NeuroShell (Ward Systems Group), OWL (HyperLogic), стоимостью 1500-8000 долларов.
Генетические алгоритмы предназначены для решения комбинаторных задач и задач оптимизации. Поиск оптимального решения при этом сходен с алгоритмами эволюции живых организмов. Сегодня генетические алгоритмы надо рассматривать скорее как инструмент научного исследования, чем как средство анализа данных для практического применения в бизнесе и финансах. Сейчас в России доступен только один продукт этого типа - Gene-Hunter фирмы Ward Systems Group. Его стоимость около 1000 долларов.
В условиях неопределенности для принятия решений специалисты по теории управления рекомендуют использовать вероятно- статистические методы или их различные модификации. Однако эти методы достаточно сложны, имеются трудности в интерпретации получаемых решений в адекватных экономических терминах, некоторые из этих методов чувствительны к отклонениям от постулируемых базовых аксиом и т. д. В самых разных сферах деятельности: управление инвестиционными портфелями, планирование финансовой деятельности предприятия, оптимизация товарооборота, оптимизация финансовых потоков, оптимизация информационных потоков, оценка эффективности рекламной компании, оценка влияния политических и социальных событий на поведение рынка с успехом используется технология управления поддержки принятия решений на основе нечеткой логики.
Характерными чертами перечисленных задач является наличие некоторого набора утверждений (правил), каждое правило состоит из совокупностей событий (условий) и результатов (выводов), соединенных логическими "и", а правила из их набора соединены логическими "или". После формулировки задачи в терминах правил, состоящих из условии и выводов, производится их обработка по специальным алгоритмам. Обработка состоит в преобразовании нечетких значений условий и выводов в количественную форму. В новом пространстве производится обработка числовых значений с использованием принципа "максимина", т.к. условия и выводы правил соединены логическим "и", а все правила соединены логическим "или". Затем полученный числовой результат в новом пространстве преобразуется в исходное пространство с использованием обратного преобразования, реализующего метод вычисления центра тяжести некоторой
Таблица 1
Фундаментальные параметры ценной бумаги
Название параметра эмитента Пояснения Торговые решения
Чистая выручка Рост чистой выручки - хороший показатель Если динамика положительная, следует покупать
Капитализация Сравнительный показатель, показывает сколько стоит компания При растущем рынке акции с небольшой капитализацией показывают максимальные темпы роста - их следует покупать
EPS (чистая прибыль на одну акцию) Ее рост, хороший показатель, способствует росту курсовой стоимости акций Если динамика положительная - следует покупать
Р/Е (коэффициент чистой прибыли) Его рост говорит о повышении интереса инвесторов к данным акциям, сравнительный показатель, сравнивается с аналогичными компаниями отрасли, если он ниже, чем у других, можно говорить о недооцененное™ акций При падающем рынки акции с высоким значением Р/Е теряют в цене больше других -их следует продавать
P/S (коэффициент выручки) Его рост говорит о повышении интереса инвесторов к данным акциям Сравнительный показатель, сравнивается с аналогичными компаниями отрасли, если он ниже, чем у других, можно говорить о недооцененности акций
D/P (коэффициент дивидендной отдачи) Его рост способствует росту курсовой стоимости акции. Сравнительный показатель, сравнивается с аналогичными компаниями отрасли, если он ниже, чем у других, можно говорить о недооцененности акций При падающем рынке акции с высоким значением О/Р теряют в цене больше других -их следует продавать
Темп роста активов Положительная динамика свидетельствует о наращивании имущества компании эмитента Если динамика положительная, следует покупать
плоской фигуры. Основными преимуществами нечеткой логики при решении экономических задач являются следующие:
• возможность оперировать входными данными, заданными нечетко: например, непрерывно изменяющиеся во времени значения (динамические задачи), значения, которые невозможно задать однозначно:
• возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", предпочтительно" и т.д.;
• возможность проведения качественных оценок как входных данных, так и выводимых результатов;
• возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности: оперируя принципами поведения системы, описанными фази-методами, во-первых, не тратится много времени на выяснение точных значений переменных и составление уравнений, которые их описывают; во-вторых, можно оценить разные варианты выходных значений.
Благодаря этим особенностям нечеткая логика и программные системы на ее основе с успехом обслуживают большой бизнес. Разработка системы на основе нечеткой логики была выполнена в Fuji Bank для сложной финансовой задачи - игре на рынке ценных бумаг в режиме "online". Первый год использования новой системы приносил банку в среднем $770000 в месяц. Нечеткая экспертная система, управляющая игрой "электронного трейдера", Fuji Bank состоит всего из 200 правил (50 из которых взяты непосредственно из классического учебника Murphy по финансовому анализу). В программных пакетах и системах этот аппарат реализован в полной мере, но внешне не виден, спрятан "за кадром". К системам этого типа, доступным массовым пользователям, можно отнести "CubuCa!c2.0" и "RuleMaker" компании HyperLogic, а также "FuzzyCalc" компании FazzyWare. Их средняя стоимость на рынке составляет 250-1500 долларов.
Метод "Деревья решений" используется для решения задач классификации. В результате применение этого метода к обучающей выборке данных создается иерархическая структура классифицирующих правил типа "ЕСЛИ... ТО. . .", имеющая вид дерева. Для того чтобы решить, к какому классу отнести некоторый объект или ситуацию, дается ответ на вопросы, стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид "значение параметра А больше X". Если ответ положительный, переходят к правому узлу следующего уровня, если отрицательный -то к левому узлу; затем снова отвечаем на вопрос, связанный с соответствующим узлом. В итоге доходим до одного из оконечных узлов, где стоит указание, к какому классу надо отнести рассматриваемый объект. Этот метод хорош тем, что такое представление правил наглядно и его легко понять. Для деревьев решений остро стоит "проблема значимости". Отдельным узлам на каждом новом построенном уровне дерева соответствует все меньшее число записей данных - дерево дробит данные на большое количество частных случаев. Чем больше этих частных случаев, чем меньше обучающих примеров попадает в кахедый такой частный случай, тем менее точной становится их классификация. Если построенное дерево слишком "кустистое", оно не будет давать статически обоснованных ответов. Как показывает практика, в большинстве систем, использующих деревья решений, эта проблема не находит удовлетворительного решения. Довольно много систем используют этот метод. Самыми известными являются С5.0 (RuleQuest, Австралия), Clementine (Integral Solutions, Великобритания), SIPINA (University of Lyon, Франция). Из доступных в России можно назвать IDIS (Information Discovery, США). Стоимость этих систем варьируется от 10 до 100 тыс. долл.
Суть метода "эволюционное программирование" в том, что гипотезы о виде зависимости целевой переменной
от других переменных формулируются системой в виде программ на некотором внутреннем языке программирования. Если это универсальный язык, то теоретически на нем можно выразить зависимость любого вида. Процесс построения этих программ строится как эволюция в мире программ (этот метод немного похож на генетические алгоритмы). Когда система находит программу, достаточно точно выражающую искомую зависимость, она начинает вносить в нее небольшие модификации и отбирает среди построенных таким образом дочерних программ те, которые повышают точность. Таким образом, система "выращивает" несколько генетических линий программ, которые конкурируют между собой в точности выражения искомой зависимости. Специальный транслирующий модуль системы Ро1уАпа1уэ1 переводит найденные зависимости с внутреннего языка системы на понятный пользователю язык (математические формулы, таблицы и пр.). Имеется богатый арсенал разнообразных средств визуализации обнаруживаемых зависимостей. Для контроля статистической значимости выводимых зависимостей применяется набор современных методов, например рандомизированное тестирование. Все эти меры приводят к тому, что Ро1уАпа1у51 показывает в задачах анализа российских финансовых рынков весьма высокие показатели. Стоимость таких систем составляет от 1000 до 13000 долларов.
Чтобы проиллюстрировать относительные преимущества и недостатки описанных методов и систем, а также чтобы как-то оценить реальный экономический эффект от их применения, используем их для решения одной и той же задачи • управления портфелем из двух наиболее ликвидных акций российских предприятий - РАО "ЕЭС РОССИИ" (ЕЕЭР) и НК "ЛУКОЙЛ" (1.КОН). Рассмотрим упрощенную стратегию, при которой на каждую из этих акций отводится половина портфеля и можно либо полностью продать все акции ЕЕБК или 1.КОН, либо купить их на сумму, составляющую ровно половину от стоимости портфеля. Для выработки правил, определяющих условия, при которых акции нужно покупать или продавать с помощью рассмотренных методов, была использована история рынка за период 1 сентября 1995 - 5 января 1997 гг. Для проверки полученной информации был взят период с 6 января 1997 по 28 февраля 1997 гг. Задача решалась при помощи следующих систем и методов: .
• технический анализ (ЭЬагеРЫег Магке1Мав1ег);
• дерево решений (81Р1МА);
• генетический алгоритм (СепеНиШег);
• нейронная сеть (ЫеигоЭЬеН);
• усовершенствованная нейронная сеть (1Меиго8Ье11);
• система нечеткой логики (РиггуСа1с);
• система эволюционных алгоритмов (Ро1уАпа1уз<).
Применяя каждую систему, используем по умолчанию
настроечные параметры, как это сделал бы пользователь-неспециалист. Разумеется, трудно делать какие-то надежные выводы по результатам решения одной задачи, однако эти результаты все же весьма показательны. Чтобы оценить эффективность каждого из тестируемых методов, сравнивали доходность (измеряемую в процентах годовых) управления нашим портфелем с помощью представленных систем и доходность, которую мы получили бы, если бы просто держали эти акции в течение всего периода. Разница этих показателей для каждой методики показана на рис. 2.
График подтверждает мысль о том, что наличие контроля значимости получаемых правил - это одно из главных требований к системам анализа данных, применяемых к подобным задачам. Например, нейронная сеть оказывается эффективной в период обучения, но показывает очень низкие результаты применительно к новым данным. При этом вполне возможно, что, варьируя многочисленные настроечные параметры нейросетевого алгоритма, можно получить значительно лучший результат, однако
Рис.2. Сравнительная доходность при использовании каждой методики.
чрезвычайно сомнительно, чтобы это самостоятельно смог сделать человек, не являющийся специалистом по нейросетям.
Указанное обстоятельство служит подтверждением тезиса о том, что реально применяемые для анализа финансовых данных системы должны быть высокоавтоматизированными Дополнительную информацию по затронутому вопросу можно найти в [1-5].
Литература
1. Киселев М., Соломатин Е. Средства добычи информации в бизнесе и финансах // Открытые системы. -1997. -Апрель.-С. 12-15.
2. БэстенсД.-Э., ванден БергВ.-М., ВудД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях.-М:ТВП, 1997.-236 с.
3. Найман Э.-Л. Малая энциклопедия трейдера. - М: ВИРА-Р Альфа Капитал, 1999. - 236 с.
4. Вильяме Б. Торговый хаос. - М: ИК Аналитика, 2000. - 328 с.
5. Элдер А. Как играть и выигрывать на бирже. - М: Диаграмма, 1996. - 336 с.
МИЩЕНКО Вячеслав Владимирович, аспирант кафедры "Информационная безопасность".
Омский институт предпринимательства и права
УДК 339.37
т ф кислицина СОВЕРШЕНСТВОВАНИЕ УСЛУГ РОЗНИЧНОЙ ТОРГОВЛИ В ПЕРИОД ФОРМИРОВАНИЯ ЦИВИЛИЗОВАННОГО РЫНКА
ДОВОЛЬНО ДЛИТЕЛЬНОЕ ВРЕМЯ РОЛЬ УСЛУГ В ТОРГОВЛЕ ОСТАВАЛАСЬ НЕСКОЛЬКО В ТЕНИ. МЕЖДУ ТЕМ, УСЛУГИ СПОСОБСТВУЮТ ДОВЕДЕНИЮ ПРЕДМЕТОВ ПОТРЕБЛЕНИЯ, МАТЕРИАЛЬНЫХ БЛАГ, СОЗДАННЫХ В ПРОМЫШЛЕННОСТИ, СЕЛЬСКОМ ХОЗЯЙСТВЕ НАСЕЛЕНИЮ В СООТВЕТСТВИИ С ИХ ЗАПРОСАМИ, НУЖДАМИ, ВКУСАМИ. В ШИРОКОМ СМЫСЛЕ СУЩНОСТЬ ОСНОВНЫХ ТРЕБОВАНИЙ ПОТРЕБИТЕЛЕЙ СВОДИТСЯ К ТОМУ, ЧТОБЫ С НАИМЕНЬШИМИ ЗАТРАТАМИ ВРЕМЕНИ И НАИБОЛЬШИМИ УДОБСТВАМИ ПРИОБРЕСТИ ВСЕ НЕОБХОДИМЫЕ ТОВАРЫ.
Услуги, как известно, имеют свою природу, сущность, специфику и направленность. В их числе можно выделить:
1) неосязаемость, т.е. их нематериальный характер, так как услуга не может быть осязаема до завершения ' процесса обслуживания покупателя; | 2) услуги нельзя хранить, ибо они предоставляются и | потребляются одновременно, а потребитель участвует | в них непосредственно:
3) изменчивость качества услуг, поскольку они зави-| сят от квалификации работников:
| 4) неразрывность производства и потребления услуг, I они совершаются тогда, когда поступает заказ, их не про-3 изводят впрок [1].
В плановой экономике розничные торговые предприятия, кроме продажи товаров, оказывали дополнительные услуги, в которых нуждались покупатели. Однако их рассматривали как дополнительное обслуживание и приложение к процессу продажи. Торговые услуги относили, как правило, к услугам второй формы, чем подчеркивали необязательный их характер и то, что они находятся за пределами основных функций магазина, связанных с продажей товаров. Однако практика показывает, что с расширением производства, насыщением рынка товарами растет спрос покупателей на услуги.
Тенденция бурного развития услуг в мировом рынке, особенно во второй половине XX века, затрагивает и отечественную экономику. Неслучайное последнее десяти-
