Раздел 4

Разработка автоматизированного рабочего места

Поддержки принятия инвестиционных решений

Малого предприятия

Деятельность инвестиционного аналитика малого предприятия включает множество аспектов (анализ финансовых инвестиций, анализ реальных инвестиций, анализ финансово-хозяйственной деятельности и др.) [13,15,78,93]. Поэтому его автоматизированное рабочее место (АРМ) может комплектоваться различными инструментами (информационными системами, экспертными системами, системами поддержки принятия решений и др.). В данной работе рассматривается аспект деятельности инвестиционного аналитика, связанный с анализом финансовых инвестиций (облигаций). Одним из необходимых инструментов ее реализации является информационная система поддержки принятия инвестиционных решений. Этот инструмент целесообразно включить в состав АРМ. Поскольку одна из моделей ИСППИР, а именно нейромодифицированная одноиндексная модель Шарпа, базируется на искусственной нейронной сети, а выбор состава и структуры последней носит исследовательский характер, в состав АРМ необходимо включить в виде отдельной подсистемы инструмент, предназначенный для нейросетевого прогнозирования временных рядов [79]. Он представляет собой автономный программный комплекс, интегрированный в ИСППИР, управляемый единым интерфейсом. Практическая реализация данных инструментов в виде совокупности программных модулей, объединенных между собой «входами» и «выходами», представляет собой специальное программное обеспечение (СПО) АРМ. Кроме того, АРМ включает в свой состав общее программное обеспечение (ОПО), обеспечивающее реализацию СПО, и технические средства (ПК, монитор, принтер, сканер и др.), задействованные в его использовании.

С учетом вышеизложенного АРМ поддержки принятия инвестиционных решений малого предприятия, в дальнейшем с целью сокращения – АРМ, представляет собой интерактивный программно-технический комплекс, использующий оборудование, программное обеспечение, данные, базу моделей и труд пользователя с целью аналитического моделирования инвестиционных портфелей, различающихся по составу и структуре, используемых финансовые инструменты, в интересах выбора среди них оптимального.

Для достижения поставленной цели АРМ обеспечивает решение следующего перечня задач:

- выбор модели оценки инвестиций;

- загрузка и подготовка исходных данных для выбранной модели (загрузка исторических данных облигаций, расчет характеристик облигаций);

- проведение аналитических расчетов в соответствии с выбранной моделью (оценка доходности и риска);

- формирование рекомендаций по составу и структуре инвестиционного портфеля.

Данный перечень задач определяет состав и структуру АРМ.

4.1. Состав и структура автоматизированного рабочего места поддержки принятия инвестиционных решений малого предприятия

Структурно-функциональная схема АРМ представлена на рис. 4.1.

Рис. 4.1. Структурно-функциональная схема АРМ:

1 – подсистема нейросетевого прогнозирования временных рядов;

2 – подсистема моделирования;3 – подсистема загрузки исходных данных;

4 – подсистема формирования выходных результатов;

5 – подсистема хранения данных

Центральное место в составе АРМ занимает модуль управления. Он реализует интерфейс взаимодействия пользователя с программным комплексом, общее проведение расчетов и взаимообмен информацией между соответствующими модулями, моделями и хранилищами, входящими в состав пяти подсистем: 1 – нейросетевого прогнозирования временных рядов; 2 – моделирования; 3 – загрузки исходных данных; 4 – формирования выходных результатов; 5 – хранения данных [80].

Подсистема нейросетевого прогнозирования временных рядов предназначена для предсказания наиболее вероятных значений стоимости облигаций на различных временных интервалах на основе искусственной нейронной сети. Кроме того, в рамках данной подсистемы реализован исследовательский цикл оптимизации и обучения ИНС. Она включает такие модули, как «Многослойный персептрон», «Модифицированный алгоритм обратного распространения ошибки», «Эвристический алгоритм» [89].

Модуль «Многослойный персептрон» реализует ИНС на уровне ее базового представления. Выбор многослойного персептрона обусловлен его относительной простотой и широким распространением для нейросетевого прогнозирования котировок ценных бумаг [88, 91].

Модуль «Модифицированный алгоритм обратного распространения ошибки (АОРО)» определяет стратегию подбора весов многослойного персептрона с применением градиентных методов оптимизации. В настоящее время данный алгоритм считается одним из наиболее эффективных алгоритмов обучения многослойной сети. Он базируется на целевой функции, представляющей собой квадратичную сумму разностей между фактическими и ожидаемыми значениями выходных сигналов.

Модуль «Эвристическая оптимизация» реализует оптимизацию нелинейной целевой функции на основе эвристик, представляющих собой модификацию методов наискорейшего спуска или сопряженных градиентов. Суть модификации связана с подбором управляющих параметров, ускоряющих процесс обучения ИНС.

Подсистема моделирования включает базу моделей. В настоящее время в состав базы моделей, в виде соответствующих модулей, включены: «Модель Марковица»; «Одноиндексная модель Шарпа»; «Нейромодифицированная одноиндексная модель Шарпа».

Подсистема «Загрузки исходных данных» предназначена для ввода исходных данных, обеспечивающих работоспособность АРМ. В состав подсистемы включены два модуля: ввода исходных данных и автоматизированной загрузки данных. Модуль ввода исходных данных обеспечивает ввод следующих групп исходных данных:

• общие исходные данные для проведения расчетов;

• исходные данные для настройки и обеспечения работоспособности множества используемых алгоритмов (обратного распространения ошибки, эвристического);

• исходные данные для инициализации и настройки ИНС (многослойного персептрона).

К группе общих исходных данных относятся количество, временные протяженности интервалов и значения исходного временного ряда. Модуль автоматизированной загрузки данных предназначен для ввода потока данных о характеристиках облигаций в базу данных с соответствующих специализированных сайтов (bonds.ru, rusbonds.ru и др.). В общий перечень характеристик облигаций включены такие характеристики, как: дата погашения; дата ближайшей оферты; дата оферты на выплату последнего известного купона; текущая ставка; чистая цена; полная цена; доходность простая; доходность эффективная; доходность текущая; доходность текущая модифицированная; дюрация; дюрация модифицированная; выпуклость; величина изменения цены при изменении доходности на 1 базисный пункт и др.

Подсистема формирования выходных результатов представлена соответствующим модулем, который обеспечивает оформление полученных результатов в виде отчетов. Отчеты формируются в виде таблицы и диаграмм. В таблице представлены выбранные финансовые инструменты для инвестирования, общая сумма инвестиций, целесообразная для вложений в соответствующий финансовый инструмент, и ее распределение по месяцам. Для более наглядного представления полученных результатов используются диаграммы (линейчатые, круговые, точечные) или гистограммы. Данные, отражаемые в отчетах, могут характеризовать либо отдельные финансовые инструменты, либо их интегральную оценку [96].

Подсистема хранения данных включает два хранилища (общих данных и результатов функционирования подсистемы нейросетевого прогнозирования временных рядов: параметры ИНС и выборки данных) и модули архивации данных и резервного копирования, а также оптимизации доступа. Каждое из хранилищ представляет собой автоматизированный банк данных, содержащий оперативную базу данных (ОБД) и долговременную базу данных (ДБД). В ОБД хранится текущая информация (о характеристиках облигаций, о параметрах используемой ИНС и др.). ДБД содержит исторические данные по определенным временным срезам для облигаций и параметры ИНС, использовавшихся в различные периоды времени для прогнозирования их (облигаций) характеристик.

Модуль «Оптимизация доступа» предназначен для повышения эффективности обмена данными между БД.

Модуль «Архивация данных и резервного копирования» используется для архивации и распаковки данных соответственно при их передаче и приеме в (из) долговременную БД, а также для реализации процедур резервного копирования информации.