CC BY
171
ние . № 9. 2007.
3. Бурмистрова Т. Банкротство в современной России (результаты и практика применения)./ Т. Бурмистрова, А. Карелин.// Право и экономика. 2005. № 3. С. 7-17.
4. Гусев Д.Н. Коллекторские агентства в Великобритании: история и опыт регулирования // Регламентация банковских операций. Документы и комментарии. № 5. 2007.
5. Зарщиков А.С. Организация коллекторской деятельности. - М, 2007.
6. Коршунов А. Банкротство дорогое удовольствие: в каком порядке оплачиваются расходы, связанные с процедурой банкротства./А. Коршунов.// Экономика и жизнь. 2006. № 35. С. 7.
7. Обзор коллекторских агентств.-- [Электронный ресурс] - режим доступа. - http://www. usbcollector.ru/news/115.html
8. По данным Секвойя кредит консолидейшн: Коллекторы раскрыли портфели - [Электронный ресурс] - http://www.sequoia.ru/publication/246/.
9. Проект Минэкономразвития: Проект ФЗ РФ «О внесении изменений в некоторые законодательные акты в части введения реабилитационных процедур в отношении гражданина-должника» - [Электронный ресурс] - Режим доступа: http://www.economy.gov.ru/wps/wcm/ myconnect/. Проект банковского сообщества: Текст проекта изменений в законы РФ в целях усиления правовой защиты кредиторов при банкротстве граждан. [Электронный ресурс]
- Режим доступа: http://www.ekb.intellects.ru/
10. Русяева П. Долговой спас //Секрет фирмы № 38. 2008 .
11. Сухова Ю. Коллекторский бизнес привлекает новых игроков / Ю.Сухова//Кредит ру. [Электронный ресурс]. - 20.04.2007. Режим доступа: http://www.credits.ru/common/articles/
12. Черный Д. Возвращать кредиты уже не модно // Рост балт бизнес- [Электронный ресурс]
- Режим доступа http://www.rosbaltsouth.ru
13. Яковлев В.Ф. Оптимизация гражданского правосудия России. / В.Ф. Яковлев, В.В. Ярков.
- М.: Волтерс Клувер. 2007.
КРАСНОВ М.А.
Волгоградский государственный университет, aспирант кафедры экономической теории и экономической политики, e-mail: makrasnov@mail.ru
МЕТОД ПРЕДСКАЗАНИЯ ДИНАМИКИ ФИНАНСОВЫХ ВРЕМЕННЫХ
РЯДОВ В ИНВЕСТИРОВАНИИ
В статье рассмотрен интегрированный метод предсказания динамики финансовых временных рядов.
Особое внимание уделено построению оптимальной инвестиционной стратегии. При этом значительная доля анализа падает на исследование временного ряда. Обосновано применение вейвлет-анализа в исследовании временного ряда, показаны его преимущества перед классическими методами, в частности преобразованием Фурье, на стадии предварительной обработки данных. Вейвлет-анализ позволяет оптимизировать количество обрабатываемых данных без потери наиболее существенной информации. Предложено дальнейшее использование полученных данных в качестве обучающей выборки при проектировании нейронной сети. Инвестор, построив нейросетевую модель, основанную на статистических данных предыдущих временных отрезков, может использовать ее для выбора, а также комбинации полученных стратегий вложения средств.
Ключевые слова: инвестиции; финансовые временные ряды; стохастичность; вейвлет преобразование; нейронные сети; прогнозирование; оптимальные стратегии
Коды классификатора JEL: D92, E92
В мировой практике инвестиционного менеджмента используются различные методы оценки эффективности инвестиционных проектов в условиях риска и неопределенности, к наиболее распространенным из которых следует отнести следующие: метод корректировки ставки дисконтирования (премия за риск); метод достоверных эквивалентов (коэффициентов достоверности); анализ чувствительности показателей эффективности; метод сценариев; методы теории игр (критерий максимина, максимакса и др.); построение «дерева решений»; имитационное моделирование по методу Монте-Карло. Все эти традиционные методы оценки эффективности инвестиционного проекта в условиях риска и неопределенности имеют теоретичес-
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
кую значимость, однако их практическая применимость для анализа эффективности и риска инвестиционного проекта весьма ограничена из-за большого числа упрощающих модельных предпосылок, искажающих реальную среду проекта.
Большой вклад в исследовании указанной проблемной области и в развитие таких разделов финансовой математики, как измерение доходности финансовых инструментов, анализ производственных инвестиций и измерителей финансовой эффективности, анализ финансовых рисков, а также финансового инжиниринга и математических основ анализа стохастических процессов в финансах внесли российские и зарубежные ученые: Марковиц Г., Маршалл Д., Мертон Р., Миркин Я., Недосекин А., Ширяев А., Шоулс М. [3].
В связи со стохастическими, кризисными условиями различной природы, касающимися процесса инвестирования, функция инвестиционной привлекательности будет иметь непредсказуемый скачкообразный вид на протяжении непрерывного времени. Поэтому существует необходимость разработки оптимальных моделей финансового инвестирования в непрерывном времени с учетом функции полезности инвестора, что доказывает актуальность исследуемой проблемы. Это позволит получать достоверные количественные результаты, касающиеся определения эффективных стратегий инвестирования в рисковые предприятия региона в стохастических условиях и оперативно реструктурировать инвестиционный портфель.
Для построения модели оптимального инвестирования в регионе, характеризующегося сто-хастичностью инвестиционной среды, требуется планомерное глубокое изучение всех аспектов данной проблемы. Необходимо осуществить теоретический анализ состояния современного инвестирования в регионе; оценить инвестиционные возможности региона с точки зрения его потенциала и рисков; разработать благоприятную стратегию инвестиционно-финансовой деятельности, позволяющую определить приоритеты региональной инвестиционной политики; составить экономико-математическую модель, позволяющую рассчитывать оптимальные доли капитала, размещаемого в рисковые финансовые инструменты с учетом непредсказуемых изменений их цен и ожидаемых доходностей [3].
Для достижения поставленной цели большинство решений придется принимать в условиях неопределенности, заключающейся в недостаточной информации об объективном состоянии окружающей социально-экономической среды. Неопределенность такого типа порождается различными причинами: нестабильностью экономической ситуации, изменением спроса на товар определенного вида, меняющимся объемом перевозок, рыночной конъюнктурой, политикой правительства, надежностью партнера, выходом из строя технического оборудования, курсом валюты, уровнем инфляции, эффективностью налоговой политикой, биржевой ситуацией, экологической обстановкой, стихийными бедствиями и др.
Уникальность предлагаемого метода состоит в объединении двух методов, что позволяет нам использовать любые данные и в любом объеме, не увеличивая время расчетов на принятие решения. Это дает нам большую мобильность при резко изменяющихся факторах окружающей среды, что особенно характерно в нестабильных условиях современного финансово-экономического анализа.
Выбор решения в данной задаче зависит от объективной действительности, поэтому для более достоверного прогноза необходимо оперировать огромным количеством разнородной информации, которая в той или иной степени влияет на поведение прогнозируемого объекта. С другой стороны, такой объем информации влияет на оперативность анализа, следовательно, его необходимо на предварительном этапе обработать, избавить от несущественных деталей, которые наименьшим образом влияют на поведение объекта или не влияют на него совсем. Анализ и обработка больших объемов нестационарной (во времени) или неоднородной (в пространстве) информации разных типов представляют собой основное поле применений вейвлет-анализа.
Общий принцип построения вейвлет-базиса состоит в использовании масштабных преобразования и смещений. Любой из наиболее часто применяемых вейвлетов порождает полную ортонормированную систему функций с конечным носителем, построенных с использованием масштабного преобразования и сдвигов. Именно за счет изменения масштабов вейвлеты способны выявить различия в характеристиках на различных шкалах, а путем сдвига проанализировать свойства сигнала в разных точках на всем изучаемом интервале. В силу свойства полноты этой системы возможно сделать обратное преобразование.
При анализе нестационарных сигналов, в нашем случае временных рядов, за счет свойства локальности вейвлеты получают существенное преимущество перед своим прямым конкурентом - преобразованием Фурье, которое дает нам только глобальные сведения о частотах исследуемого сигнала, поскольку используемая при этом система функций (синусы, косинусы и комплексные экспоненты) определена не бесконечном интервале [1]. Вейвлет-базисы обладают универсальной применимостью: будь то обычная или обобщенная функция, все представимо в виде вейвлет-ряда, и, в отличие от ситуации с рядами Фурье, коэффициенты вейвлет-рядов передают свойства функции или распределения просто, точно и надежно [4].
При построении оптимальной инвестиционной стратегии значительная доля анализа падает на исследование временного ряда, то есть статистических данных за предыдущие промежутки времени. Данную проблему можно разбить на следующие составные части:
- обрабатывается вся имеющаяся информация, влияющая на разработку инвестиционной стратегии, сигнал отображается в пространство вейвлетов (при этом появляется некоторая избыточность). Естественно, что никакой новой информации при этом не появляется, хотя объем цифрового представления увеличивается значительно;
- в области преобразования выделяются интересующие нас свойства и яркая инвариантная информация;
- объем информации уменьшается за счет применения статистических методов.
Эти подзадачи - свободно варьируемые, что дает исследователю большую свободу в выборе преобразования и количестве используемых шкал анализа, способов выделения интересующих свойств, исключения незначимой информации. При этом все направлено на то, чтобы получающиеся данные были бы более информативные, чем исходные. Важно только, чтобы применяемые методы не привели к потере важных свойств временного ряда или ложному приписыванию ему каких-то черт.
Очевидно, что при исследовании информации предыдущих отрезков временного ряда, чем дальше мы будем удаляться в историю ряда, тем меньшее влияние эта информация будет производить на поведение этого ряда в будущем. Именно вейвлеты помогают нам найти такое представление динамики ряда, которое бы имело избирательную точность: чем дальше в прошлое, тем меньше деталей, при сохранении общего вида кривой.
Вейвлеты выступают самым лучшим инструментом при сжатии большого диапазона данных в малый набор коэффициентов вейвлет-преобразования. При этом огромное количество данных, имеющих в абсолютном выражении небольшое отклонение от ярких значений колебаний функции динамики временного ряда, обобщается в один коэффициент без потери важной информации.
Моделирование стратегий инвестирования становится более компактным, что позволяет охватить большой отрезок истории, что до этого не представлялось возможным из-за большой избыточности информации уже на совсем незначительном обращении к истории временного ряда.
После обработки данных временного ряда с использованием вейвлет-преобразования получаем очищенную от так называемых шумов информацию. Таким образом, избегая избыточности, данные, которые будем использовать в прогнозировании динамики временных рядов, продолжают нести в себе всю необходимую, ключевую информацию, влияющую на динамику временного ряда в будущем.
Далее, для построения оптимальной инвестиционной стратегии на любой временной отрезок, полученные данные подаем на вход, предварительно построенной самообучающейся нейронной сети.
Нейронные сети являются одним из наиболее гибких инструментов прогнозирования в процессе инвестирования. Особенно наглядно и эффективно они работают в долгосрочном периоде, исходя из предпочтений инвестора о минимизации убытков и максимизации прибыли. Инвестор, построив нейросетевую модель, основанную на статистических данных предыдущих временных отрезков, использует ее для выбора, а также комбинации полученных стратегий вложения средств. Но здесь необходимо помнить, что самые прибыльные инвестиционные решения в нормальных условиях являются обычно наиболее рисковыми с точки зрения максимума убытков в стохастических условиях будущего. Исходя из этих соображений, инвестору разумно будет составлять свой инвестиционный портфель из различных акций, облигаций, ценных бумаг. Причем этот портфель должен быть сбалансирован оптимальным образом как
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
9В
по количеству ценных бумаг и срокам их действия, так и по разнообразию принадлежности их различным секторам экономики. Все эти меры по страхованию от рисков приведут к желаемым результатам и помогут перекрыть возможные потери. Тем самым, может быть инвестор и лишает себя внушительных прибылей, но зато оберегает себя от полного краха.
Искусственные нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Такие процессоры обычно исключительно просты, особенно в сравнении с процессорами, используемые в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам, и, тем не менее, будучи соединенными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи [5].
Нейронная сеть имеет главную особенность - переобучаться, дополняя свою базу данных новой изменившейся информацией. Применяя нейросетевой метод, субъекту инвестирования нет необходимости перестраивать всю модель, а можно, по мере изменения ситуации, корректировать ее.
Еще одной из наиболее важных характеристик построения предсказывающей модели является психологический фактор игрока на рынке ценных бумаг. Самый большой процент количества параметров в математической модели привлекательности инвестиционного проекта на долгосрочный период относится к стохастике, непредсказуемости.
Таким образом, придерживаясь этих принципов, для предсказания инвестиционных стратегий и состояния финансового рынка необходимо придерживаться четких математических выкладок. Для этого необходимо выработать систему игры, апробированную на прошлой динамики временного ряда и четко следовать этой системе, не поддаваясь влиянию эмоций и циркулирующих вокруг данного рынка слухов [1]. Другими словами, любое предсказание должно основываться только на построенном алгоритме.
Нейросетевой анализ, в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных субъектов. Недаром нейронные сети активно используют в своей деятельности именно институциональные инвесторы, такие как крупные пенсионные фонды, работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.
В отличие от технического анализа, основанного на общих инструментах, рекомендациях, нейронные сети способны находить оптимальные для данной инвестиционной стратегии индикаторы и строить по ним оптимальную для данного ряда стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков, в частности, для российского.
Нейросетевое моделирование в чистом виде базируется лишь на данных, не привлекая никаких априорных соображений. Но имеющихся данных может не хватить для обучения, размерность входных данных может оказаться слишком велика, и тогда для преодоления этих типичных в области финансовых предсказаний трудностей можно воспользоваться данными, полученными с использованием технического анализа [2].
Предсказание динамики временного ряда сводится к типовой задаче нейроанализа - аппроксимации функции многих переменных по заданному набору примеров, то есть восстановлению этой неизвестной функции по набору примеров, заданных историей данного временного ряда. Следовательно, надо найти такое представление динамики ряда, которое имело бы избирательную точность: чем дальше в прошлое - тем меньше деталей, при сохранении общего вида кривой. И самым лучшим инструментом для этого будет вейвлет-анализ, который допускает такое сжатие информации, которое описывает прошлое с избирательной точностью. Однако из-за динамичности финансового рынка появляются новые инструменты, для которых еще не накоплена история, или изменяется характер торговли на прежних рынках. Поэтому в этих условиях длина доступных для обучения нейронной сети временных рядов весьма ограничена. Из этой ситуации можно выйти, используя инварианты динамики временного ряда в качестве искусственных примеров для обучения нейронной сети [6].
При использовании нейронных сетей на практике, в первую очередь, приходится решать две основные задачи: выбор оптимального объёма исходных данных и синтез структуры нейронной сети. Эти задачи тесно взаимосвязаны между собой.
Очевидно, что объём исходных данных зависит от исследуемого процесса. Исходные данные должны максимально информативно описывать исследуемый процесс, иначе получить адекватную модель процесса будет весьма сложно.
Важную роль играет и выбор, так называемой, глубины погружения в прошлое или ширины скользящего окна для формирования обучающей выборки. Иными словами, это выбор числа прошлых состояний по которым будет определяться будущее состояние. Следует учитывать то, что нейронная сеть, по сути, является классификатором входных образов, полученных с помощью скользящего окна. Поэтому важно исключить противоречивость входных данных, что может быть достигнуто, например, увеличением ширины окна. В этом случае входные данные будут более различимы для нейронной сети. Однако чрезмерное увеличение ширины окна может оказать негативное влияние на результат.
Одним из основных недостатков нейронных сетей является отсутствие устоявшихся методов выбора оптимальной структуры сети. На практике, синтез структуры нейронной сети часто осуществляется путём обучения нескольких сетей с последующим выбором той из них, которая содержит наименьшее число скрытых нейронов при допустимой погрешности обучения.
Аналогично, выбор оптимальной структуры нейронной сети и ширина скользящего окна для построения нейросетевой модели по предлагаемой методике основывался на результатах предварительного вейвлет-анализа исходных данных и нескольких испытаний модели с различными параметрами.
Предложенный метод совмещения вейвлет-преобразования и нейронных сетей позволяет существенно повысить качество получаемых нейросетевых моделей. Положительный результат достигается за счёт применения вейвлет-преобразования для обработки входных образов нейронной сети. Вейвлет-преобразование позволяет не только исключить из входных данных нейронной сети шум и другую малозначимую информацию, оказывающую негативное воздействие на работу сети, но и существенно сократить размерность входного образа. Важным достоинством предложенного метода, является возможность исключения таких стадий предварительной обработки исходных данных, как фильтрация. Как было установлено, модель, основанная на вейвлет-преобразовании, способна за короткое время исключать постороннюю информацию, подавая на вход нейронной сети только ключевую информацию о моделируемом процессе.
Итак, инвестиционная деятельность является основой развития экономики и важным инструментом создания экономической доходности государства и региона в частности. Волгоградская область является развивающимся объектом инвестиционной деятельности, а оптимизация управления данной сферой - одна из приоритетных задач региональной политики. Однако высокая степень риска при инвестировании снижает эффективность существующих методов управления инвестиционной деятельностью и, следовательно, доходность реализуемых в регионе инвестиционных проектов.
Для эффективного управления инвестиционной деятельностью в регионе необходимо идентифицировать, оценивать и прогнозировать риски инвестиционных проектов. Эффективным средством прогнозирования экономических показателей, определяющих рисковую составляющую инвестиционной деятельности региона, является вейвлет-анализ с нейронной сетью, средства которого используются для реализации многих научных и практических целей в самых различных сферах. В настоящее время вейвлет-анализ позволяет достаточно точно прогнозировать будущие значения временных рядов, что делает его незаменимым инструментом для прогнозирования различных экономических показателей.
Предложенная модель снижения рисков инвестиционной деятельности на основе применения вейвлет-анализа интегрированного с нейронной сетью для прогнозирования динамики финансовых временных рядов позволит повысить эффективность управления инвестициями и снизить фактор неопределенности в данном процессе.
ЛИТЕРАТУРА
1. Дремин И.М., Иванов О.В., Нечитайло В.А. Вейвлеты и их использование // Успехи физических наук. Т. 171. №5. 2001.
2. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. - М.: МИФИ, 1998.
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
TERRA ECONOMICUS (Экономический вестник Ростовского государственного университета) Ф 2009 Том 7 № 1 Часть 2
3. Наталуха И.Г. Оптимальное управление инвестированием и потреблением в стохастической инвестиционной среде с учетом инфляции // Труды IX Международной научно-практической конференции «Системный анализ в проектировании и управлении». - СПб.: Изд-во Политехнического Университета, 2005.
4. Meyer Y. Wavelets and Operators. - Cambridge: Cambridge Univ. Press., 1992.
5. Robert Callan. The essence of Neural Networks. Southampton Institute. 1999.
6. Weigend, A and Gershenfield, eds. T imes series prediction: Forecasting the future and understanding the past. Addison - Wesley. 1994.
ВАРИВОДА B.C., ШЕВЧЕНКО Е.А.
Ставропольский государственный аграрный университет, старший преподаватель кафедры «Антикризисное управление», кандидат экономических наук, e-mail: Eapm@rambler.ru; Ставропольский государственный аграрный университет, старший преподаватель кафедры «Антикризисное управление», кандидат экономических наук, e-mail: Eapm@rambler.ru
совершенствование регионального аик в условиях местного
самоуправления
В статье определена роль и основные направления совершенствования деятельности органов местного самоуправления в условиях развития регионального агропромышленного комплекса на современном этапе; определены предпосылки устойчивого развития сельских территорий, а также факторы, обеспечивающие эффективное функционирование хозяйствующих субъектов муниципального образования.
Ключевые слова: органы местного самоуправления; сельские территории; развитие регионального АПК; устойчивое развитие сельских муниципальных образований; производственная инфраструктура; поддержка сельскохозяйственного производства
Коды классификатора JEL: Q16, Q18
Достижение финансовой устойчивости регионального АПК, создание общих условий функционирования сельского хозяйства, развитие приоритетных подотраслей, устойчивое развитие сельских территорий лежат в основе повышения экономической эффективности в этом секторе. Наличие отечественного самодостаточного сельскохозяйственного производства является залогом продовольственной независимости страны, и высокого уровня жизни населения.
Просчеты, допущенные в формировании стратегии политических и экономических реформ в России, а также в планировании и осуществлении мероприятий по ним привели к системному кризису на селе, который продолжается около 15 лет. Глубина кризиса такова, что в ряде мест процессы деградации населения начинают приобретать необратимый характер. Это свидетельствует о необходимости безотлагательного принятия на всех уровнях управления действенных мер по устойчивому сельскому развитию.
Учитывая сложившуюся ситуацию, в последнее время в России предпринимаются конкретные шаги, направленные на формирование политики устойчивого сельского развития. Так, Постановлением Правительства РФ № 858 от 3.12.2002 г. принята Федеральная целевая программа «Социальное развитие села до 2010 года». Несколько позже Комиссией при Правительстве РФ одобрен проект Концепции устойчивого развития сельских территорий, который до сих пор дорабатывается. С 1 января 2009 г. вступит в силу в полном объеме Федеральный закон № 131-ФЗ «Об общих принципах организации местного самоуправления в Российской Федерации» от 06.10.2003 г. [5].
Федеральный центр активно создает нормативно-правовую базу, направленную на комплексное решение социально-экономических проблем сельских территорий. В связи с этим, казалось бы, начиная с 2002 г., т.е. с момента начала действия Федеральной целевой программы «Социальное развитие села до 2010 г.», острота кризиса должна снижаться, а появляться признаки оживления и устойчивого развития на селе. Однако этого не происходит, сельские территории по-прежнему, остаются в глубоком кризисе, основные причины которого следующие:
