CC BY
50
МОДЕЛИРОВАНИЕ ЭКСПЕРТНОЙ АКТИВНОСТИ СИСТЕМ НА ОСНОВЕ
ТЕОРИИ НЕЧЁТКИХ МНОЖЕСТВ
Ключевые слова: финансовые риски, корпорация, финансовые решения,
управленческие решения, базовый формализм, квазистатистика,
трудноформализованные интуитивные предпочтения.
Аннотация
Авторы дают анализ финансовым рискам, их специфической процедуре управления. Статья посвящена использованию информационных технологий в решении экономических задач
Финансовая система корпорации или фондового рынка представляет собой кибернетическую систему, состояние которой интерпретируется как результаты финансовой деятельности, полученные в ходе суперпозиции финансовых решений (внутренние воздействия) и сигналов, поступающих извне системы (внешние воздействия, в том числе неблагоприятные условия). Внешние факторы, не управляемые со стороны финансовой системы, создают неустранимую неопределённость информационной ситуации, в отношении которой принимаются управленческие решения. Дополнительную неопределённость порождают ограниченные познавательные возможности принимающих решения лиц. Это прежде всего ограниченная возможность прогнозирования будущих состояний финансовой системы и распознавания её текущих состояний.
Финансовые риски подразделяются на риски, связанные с покупательской способностью денег (инфляционные валютные риски и риски ликвидности) и на инвестиционные риски (риски упущенной выгоды, риски снижения доходности и риски прямых финансовых потерь). В свою очередь, на низовом уровне иерархии инвестиционных рисков находятся процентные риски, биржевые риски, селективные риски и риски банкротства.
Каждый из выделенных видов риска имеет свою специфическую процедуру управления. Например, чистые риски подлежат страхованию, а инвестиционные риски часто анализируются на основе дерева вероятностей. Но во всех случаях базовым подходом в оценке рисков в нынешнем финансовом менеджменте является использование точечных вероятностей и вероятностных распределений сценариев возможных событий, влияющих на финансовый результат.
Адекватная модель финансовой системы должна обладать признаками кибернетической модели, т.е. содержать внутри себя модель принятия финансовых решений в условиях существенной информационной неопределённости. При этом уровень модельных представлений должен строго соответствовать уровню неопределённости. Если состояния финансовой системы и внешние воздействия не обладают статистической природой в классическом понимании статистики, то моделирование на основе классических вероятностей и вероятностных процессов невозможно. Всё идёт к тому, что на смену сценарно-вероятностным методам приходят нечётко-множественные подходы, которые, с одной стороны, свободны от вероятностей аксиоматики и от проблем с обоснованием выбора вероятностных весов, а, с другой стороны, включают в себя все возможные сценарии развития событий. Так, треугольно-нечёткое число включает в себя все числа в определённом интервале, однако каждое значение из интервала характеризуется определённой степенью принадлежности к подмножеству треугольного числа. Такой подход позволяет генерировать непрерывный спектр сценариев реализации по каждому из прогнозируемых параметров финансовой модели.
Нечётко множественный подход позволяет учитывать в финансовой модели хозяйствующего субъекта качественные аспекты, не имеющие точной числовой оценки. Оказывается возможным совмещать в оценке учёт количественных и качественных признаков, что резко повышает уровень адекватности применяемых методик. Огромное количество информации содержится в трудноформализованных интуитивных предпочтений лица принимающего решение (ЛИР). Если эти предпочтения и допущения ЛПР обретают вербальную форму, они сразу же могут получить количественную оценку на базе формализмов теории нечётких множеств.
Таблица 1 - Нечётко множественные описания в финансовом менеджменте
№ Название формализма Области применения
1 Функция принадлежности Базовый формализм теории нечётких множеств. Применение повсеместно
2 Лингвистическая переменная Базовый формализм теории нечётких множеств. Применение повсеместно
3 Треугольные нечеткие числа Задание количественных параметров любой финансовой модели, в том числе при бизнес-планировании
4 Трапециевидные нечёткие числа Классификация уровней факторов, в том числе при анализе риска банкротства, при оценке инвестиционной привлекательности ценных бумаг, в стратегическом планировании
5 Нечёткие последовательности и матрицы Моделирование экономических процессов, макроэкономическое моделирование, прогнозирование
6 Нечёткие функции Моделирование экономических процессов, макроэкономическое моделирование, прогнозирование, портфельная оптимизация
7 Вероятностные распределения с нечёткими параметрами Портфельная оптимизация, актуарное моделирование
8 Нечёткие знания Используются при разработке экспертных моделей в составе модели финансовой системы.
9 Нечёткие классификаторы Классификация уровней факторов, в том числе при анализе риска банкротства, при оценке инвестиционной привлекательности ценных бумаг, в стратегическом планировании
Информация экспертной модели образует информационную ситуацию относительного уровня входной неопределённости финансовой модели. Она выступает как фильтр для исходных оценок параметров, преобразуя их из ряда наблюдений квазистатистики в функции принадлежности соответствующего носителя параметра тем или иным нечётко описанным кластерам (состояниям уровня параметра). Таким образом, от нечёткой оценки входных параметров после ряда преобразований можно перейти к нечётким оценкам финансовых результатов и оценить риск их не достижения в рамках принимаемых в плановом порядке решений. Нечётко множественные описания представляют собой, с одной стороны, набор адекватных формализмов для моделирования финансовых систем в условиях существенной неопределённости, а, с другой стороны, поле для новой интерпретации классических вероятностных и экспертных оценок. Так, можно перейти от классического вероятностного распределения к вероятностному распределению с нечёткими параметрами, управляя уровнем правдоподобия оценок распределения. Также можно перейти от совокупности экспертных
оценок к набору функций принадлежности, образующих нечёткий классификатор. Все это позволяет решить основную задачу моделирования экспертной активности, заключающуюся в том, чтобы адекватно перевести качественные высказывания эксперта в количественные представления.
