Введение

Эффективность инвестиционных решений оказывает существенное влияние на весь жизненный цикл современного малого предприятия.

Как известно, инвестиции по своему целевому назначению разделяются на реальные, финансовые (портфельные) и инвестиции нематериальных активов [7,17,18]. Для расчёта экономической эффективности реальных инвестиций в развитых странах Запада используется достаточно большое число соответствующих методик. Наиболее распространенные из них представлены в рекомендациях Организации Объединенных Наций по промышленному развитию. Последние приняты отечественными государственными министерствами, банками, организациями по содействию инвестициям, университетами, а также консультационными фирмами и инвесторами [102]. В области финансовых инвестиций подобные рекомендации отсутствуют, а имеющиеся отдельные модели, методики, касающиеся определенных объектов инвестирования (акций, облигаций и др.), разрознены, ориентированы на западную экономику и не учитывают специфику нынешней российской экономики.

Эффективность процесса управления финансовыми инвестициями зависит от качества и оперативности принимаемых решений. В свою очередь последние зависят от квалификации и опыта лица, принимающего решения (ЛПР), а также от используемого методического аппарата (моделей, методик, алгоритмов).

Оценка эффективности финансовых проектов сложна и ресурсоемка. Тем не менее, особенности принятия решений в современных условиях предъявляют повышенные требования к точности используемого методического аппарата и оперативности проведения расчетов. Это обусловливает необходимость использования для расчетов перспективных инструментов современных информационных технологий, в частности систем поддержки принятия решений (СППР).

СППР (англ. Decision Support System, DSS) - это интерактивная автоматизированная система, которая помогает лицу, принимающему решения (ЛПР), использовать данные и модели для идентификации и решения задач и принятия решений.

Анализ состояния рынка СППР применительно к финансовым (портфельным) инвестициям позволил выявить их следующие особенности:

- данные системы представляют коммерческий интерес и поэтому закрыты;

- существующие системы в основном ориентированы на проведение технического анализа ценных бумаг и не учитывают фундаментальный анализ;

- большинство СППР ориентированы на крупные компании и не учитывают специфику малого бизнеса;

- СППР западного производства достаточно дороги (в разы превышают стоимость российских систем), обладают чрезмерной функциональной избыточностью и не учитывают специфику отечественной экономики;

- полнофункциональные отечественные СППР, разработанные для малого бизнеса, практически не встречаются.

Таким образом, актуальность работы продиктована необходимостью повышения эффективности управления финансовыми инвестициями малого предприятия в плане повышения точности методического аппарата и оперативности принятия решений, с одной стороны, и отсутствием в настоящее время специального математического и программного обеспечения специальных СППР, ориентированных на фундаментальный анализ ценных бумаг, с другой стороны.

Целью работы является разработка специального математического и программного обеспечения информационной системы поддержки принятия решений в интересах управления портфелем ценных бумаг (облигаций) малого предприятия.

Достижение поставленной цели вызвало необходимость решения следующих основных задач:

1. Анализ технологического процесса принятия инвестиционных решений на малом предприятии и формулировка требований, предъявляемых к системе поддержки принятия инвестиционных решений, а также определение критериев оптимизации ее функционирования.

2. Оценка экономической эффективности облигаций и детальный расчет их параметров.

3. Разработка специального математического обеспечения системы поддержки принятия инвестиционных решений.

4. Разработка нейромодифированной одноиндексной модели Шарпа.

5. Разработка автоматизированного рабочего места поддержки принятия инвестиционных решений.

Решению поставленных задач и посвящена данная книга.

Материал данной книги представлен в четырех разделах.

В первом разделе приводится определение, функции и классификация инвестиций; описываются основные объекты финансового инвестирования; представлена классификация общих управленческих решений вообще и инвестиционных управленческих решений, в частности; описываются источники, методы и формы финансовых инвестиций; отмечена важность оперативного управления финансовыми инвестициями в современных условиях и, следовательно, необходимость автоматизации данного процесса путем применения соответствующих специализированных систем поддержки принятия решений; приведена характеристика технологического процесса принятия управленческих решений на малом предприятии и выявлены отличительные особенности принятия инвестиционных решений; формулируются основные требования, предъявляемые к системе поддержки принятия инвестиционных решений, такие как точность, оперативность, стоимость; формулируется математическая постановка основной решаемой задачи; предлагается схема её решения и перечень частных задач исследований.

Второй раздел посвящен оценке экономической эффективности облигаций и определению их параметров. Под оценкой эффективности финансовых инвестиций понимается определение ценности инвестиционного финансового проекта (проектов) с точки зрения получаемого эффекта и произведённых затрат применительно к интересам малого предприятия. В качестве затрат при определении эффективности финансовых инвестиций выступает размер средств, затраченных на их приобретение, а в качестве дохода – разница между реальной стоимостью отдельных финансовых инструментов и суммой средств, инвестированных на их приобретение.

В современной экономической обстановке, характеризующейся нестабильным развитием экономик крупнейших государств, в том числе и России, что обусловливает значительную неопределенность и высокий риск инвестирования, центр тяжести вложений перемещается на более консервативные финансовые инструменты, в частности на облигации. Поэтому данному финансовому инструменту в работе уделено основное внимание.

В схематичном виде приводится классификация облигаций. В предложенной схеме облигации предлагается классифицировать по таким признакам, как степень обеспеченности; вид дохода; тип купона; вид платежа; срок обращения; специфика использования; степень конвертируемости; рейтинг вероятности банкротства.

Оценка облигаций базируется на двух фундаментальных понятиях наращивании и дисконтировании. Наращивание (компаундинг) представляет собой пересчёт текущей (сегодняшней) стоимости в будущую [56]. Обратное действие, то есть определение настоящей стоимости денег по известной их стоимости в будущем, называется дисконтированием [57]. Оценка эффективности инвестиций в облигации базируется на двух основных показателях: цене облигации и её доходности. Для определения текущей цены облигации необходимо продисконтировать все доходы, которые могут быть получены от неё за период владения. Количественный инвестиционный анализ облигаций предполагает определение их следующих основных параметров: доходности, расчетных цен (курсов), дюрации, выпуклости [62]. Расчетные выражения основных параметров в совокупности с контрольными примерами представлены в табличном виде.

В третьем разделе представлено описание разработанного специального математического обеспечения системы поддержки принятия инвестиционных решений малого предприятия в виде системы взаимосвязанных по входу и выходу моделей и алгоритмов ввода, обработки и хранения информации для принятия решений по управлению портфелем ценных бумаг. В качестве моделей оптимизации портфелей рассмотрены модели Марковица, Шарпа и нейромодифицированная одноиндексная модель Шарпа.

Модель Марковица, на основе которой определяется набор эффективных портфелей, обеспечивающих наибольшие ожидаемые доходности для определенных уровней риска, является первой фундаментальной моделью информационной системы поддержки принятия инвестиционных решений малого предприятия. В рамках практической реализации данной модели приведен алгоритм геометрического определения оптимального портфеля на ее основе, доказана теорема о независимости комбинаций рисковых активов в портфеле при одинаковой оценке инвесторами рисков и ожидаемых доходностей, сформулирована задача определения распределения финансовых ресурсов в оптимальном портфеле и разработан обобщенный алгоритм ее решения, позволяющие определять структуру используемых финансовых ресурсов в портфеле (доли ЦБ, входящие в оптимальный портфель).

В качестве второй (альтернативной) модели оптимизации инвестиционного портфеля, в информационной системе поддержки принятия инвестиционных решений малого предприятия, использовалась одноиндексная модель Шарпа. В отличие от модели Марковица в ней не требуется выполнение сложной процедуры определения взаимной ковариации (и корреляции) выбранной ценной бумаги (ЦБ) со всеми остальными ЦБ. Достаточно определить, как каждая ЦБ соотносится с фондовым индексом (RTSI, RBCC и др.). Поэтому простота проведения инженерных расчетов является одним из безусловных достоинств данной модели. Для ее практической реализации разработан соответствующий алгоритм, обеспечивающий решение как прямой (обеспечение максимальной доходности при заданном уровне риска), так и обратной задачи (обеспечение минимального риска для требуемой доходности портфеля). Существенный недостаток одноиндексной модели Шарпа заключается в том, что портфель ЦБ, рассчитываемый на основе данной модели, теряет свойства оптимальности в упреждающие моменты времени [40]. Для его парирования разработана нейромодифицированная одноиндексная модель Шарпа [94].

Нейромодифицированная одноиндексная модель Шарпа - третья альтернативная модель в информационной системе поддержки принятия инвестиционных решений. Ее отличительной особенностью является применение в качестве эквивалента экспертных прогнозных оценок искусственных нейронных сетей. В качестве ИНС использован многослойный персептрон в совокупности с модифицированным обучающим алгоритмом обратного распространения ошибок. При прочих равных условиях данная ИНС обеспечивает приемлемую точность и достаточно высокую оперативность обучения. Технология применения нейромодифированной одноиндексной модели Шарпа заключается в следующем [94]. В процессе электронных торгов на бирже в различные моменты времени множество ИНС обучается, тестируется и их параметры заносятся в соответствующую базу данных с целью последующего воспроизведения. Проведение этих действий особенно актуально в период протекания аномальных ситуаций. При наличии достаточно полной базы ИНС параметры текущей ситуации на рынке сравниваются с имеющимися, и для подобных условий из базы извлекается и инициализируется соответствующая ИНС или их множество. Полученные на ее (их) основе прогнозные значения используются при проведении текущей оценки соответствующей ЦБ или портфеля в целом.

В четвёртом разделе приведено описание результатов разработки автоматизированного рабочего места поддержки принятия инвестиционных решений малого предприятия, специальное математическое и программное обеспечение которого базируется на системе моделей и алгоритмов, предложенных в третьем разделе. 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 финансовых инструментов, в интересах выбора среди них оптимального [80,99]. В структурно-функциональном плане АРМ является объединением пяти подсистем: нейросетевого прогнозирования временных рядов; моделирования; загрузки исходных данных; формирования выходных результатов; хранения данных.

На основе проведенного сравнительного анализа в качестве общей операционной системы для АРМ выбрана Microsoft Windows-7 (32-bit). Прикладное программное обеспечение АРМ базируется на трехуровневой архитектуре «клиент-сервер». В данной архитектуре уровни иерархии размещены по схеме: «сервер БД - сервер приложений - клиент». Особенностью данной платформы является тот факт, что процедуры, реализующие доступ к данным и их обработку, перенесены из клиентского приложения в сервер приложений (т.е. на отдельный уровень). Результатом применения данной архитектуры явилось: повышение оперативности функционирования сервера БД за счет переноса части рутинных операций на сервер приложений; уменьшение размера клиентских приложений за счет разгрузки их от лишнего кода; единое поведение всех клиентов; упрощение настройки клиентов. В качестве интегрированной среды разработки специального программного обеспечения АРМ использована система визуального объектно ориентированного программирования Delphi 7, а в качестве СУБД использована Microsoft Access в силу своей оперативности, отказоустойчивости, не высокими требованиями к аппаратной платформе; хорошей переносимостью; простотой администрирования.

Важное значение для повышения оперативности функционирования СППИР имеет порядок переноса данных из оперативной БД в долговременную БД. В ДБД переносятся не все данные - об этом свидетельствует наличие нижнего допустимого уровня хранения данных в ОБД. Перемещение производится в соответствии с рангом популярности данных: очередь на перенос формируется в очередности, обратной популярности данных, которую имеют данные с минимальным рангом. В качестве меры популярности использована эмпирическая оценка вероятности поступления запроса: чем выше вероятность поступления запроса, тем выше ранг данных. Для оценки вероятности поступления запроса использовано предположение о том, что запросы формируют поток событий, подчиняющийся статистике простого пуассоновского потока. Соответствующий алгоритм, реализующий вышеизложенные принципы, обеспечил: контроль ресурсов ОБД; расчет ранга популярности данных; автоматический перенос данных, инициируемых процедурами контроля состояния ОБД. Его применение позволило повысить общую оперативность функционирования СППИР.

Для компактного хранения данных в АРМ предусмотрена архивация данных. Среди методов архивации (сжатия) данных целесообразно использовать универсальный алгоритм Лемпеля - Зива. Суть метода состоит в том, что цепочка символов, уже встречавшаяся в передаваемом сообщении, кодируется ссылкой на боле раннюю (при этом указываются «адрес» начала такой цепочки в «словаре» сообщения и ее длина). Для сравнения архиваторов по степени сжатия файлов, времени кодирования и декодирования использовался специальный набор исходных данных CalgCC. В состав CalgCC вошли файлы различных типов данных. Набор состоял из 14 файлов, большая часть которых представляла собой тексты на английском языке или языках программирования. Полученные результаты показали, что скорость сжатия ARJ и PKZIP была примерно в 4.5 раза выше, чем у RAR и АСЕ, которые, в свою очередь, были быстрее CABARC и 7-Zip приблизительно на 30 %. Размер словаря в ARJ и PKZIP в десятки раз меньше, чем в остальных программах. Для уточнения сравнения архиваторов по степени сжатия файлов использовался набор реальных данных, состоящий из 18 файлов фиксированного размера 1639139 байт. Анализ полученных данных показал, что они незначительно отличаются от полученных теоретических данных (в основном на десятые доли), что повышает степень доверия к полученным результатам. Лучшие характеристики продемонстрировал архиватор 7-Zip. Ему незначительно уступает RAR. В результате анализа временных характеристик при проведении экспериментов было установлено, что ценой увеличения степени сжатия является падение скорости в среднем в 2 и более раза. По результатам проведенных экспериментов для архивации данных при пересылке последних из оперативного хранилища в долговременное хранилище был выбран алгоритм 7-Zip как более эффективный.

Большое внимание уделено вопросу сохранения используемых данных. Для этих целей использовано их резервное копирование. Обоснованы требования, предъявляемые к резервному копированию данных. Приведена классификация типов резервного копирования. В интересах практической реализации выбрано резервирование DAS (англ. direct-attached-storage). Выбор данного типа резервирования обусловлен простотой его реализации и относительно невысокой стоимостью. В техническом исполнении подсистема резервного копирования реализована на базе единого сервера под управлением операционной системы Windows Server 2003. В её состав входят модули: задания параметров резервирования; резервирования DAS; теневого копирования; зеркалирования; виртуализации хранилища. Кроме того, она содержит резервное хранилище, состоящее из 4 жестких магнитных дисков емкостью 500 ГГб.

Значимое место в составе АРМ занимает подсистема нейросетевого прогнозирования временных рядов. Центральное место в данной подсистеме занимают ИНС. Ввиду существования большого числа их разновидностей была проведена соответствующая классификация. Она позволила определиться с начальным классом ИНС – многослойным персептроном, наиболее подходящим для использования в рамках нейромодифицированной модели Шарпа. В дальнейшем предложенная классификация позволит выбирать перспективные классы ИНС для других моделей и решаемых задач.

Эффективность функционирования ИНС зависит от многих факторов. При этом одним из наиболее значимых факторов является архитектура ИНС. Выбор архитектуры (проектирование структуры сети), адекватной поставленной задаче, предполагает выбор рационального количества слоев сети и нейронов в каждом слое, а также определение необходимых связей между слоями. В работе представлены результаты исследований для случаев избытка и недостатка нейронов в ИНС. Для уменьшения числа используемых нейронов в сети (редукции) в силу более высокой оперативности проработан и использован алгоритм каскадной корреляции Фальмана.

В интересах совершенствования технологии моделирования ИНС для исследователей - не специалистов в области программирования разработан специальный инструмент - визуальный контактор, позволяющий исследователю изменять архитектуру ИНС путем управления межнейронными связями, не вникая в суть математических и программных аспектов.

Для повышения оперативности обучения ИНС обучающий алгоритм обратного распространения ошибки был модифицирован. Суть модификации базировалась на идее Rprop - «упругого распространения» и состояла в использовании знаков частных производных для подстройки весовых коэффициентов межнейронных связей. На завершающем этапе проведения исследований была проведена эвристическая оптимизация функционирования алгоритма обратного распространения ошибки, улучшающая его производительность. Аспектами оптимизации являлись: выбор режима обучения; максимизация информативности; выбор функции активации; выбор целевых значений функции активации; выбор начальных значений синаптических весов и пороговых значений сети; реализация обучения по подсказке; управление параметрами скорости обучения нейронов. В результате проведенных экспериментов (более 200) было установлено, что модифицированный алгоритм сходится почти в 6 раз быстрее, чем стандартный алгоритм обратного распространения ошибки. В заключительной части главы описан порядок функционирования автоматизированного рабочего места.

Данная книга может быть полезна для теоретиков и практиков, занимающихся исследованием искусственных нейронных сетей и фундаментальным финансовым анализом на рынке ценных бумаг, а также для аспирантов и студентов, специализирующихся в данной предметной области.