МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ МОДЕЛИРОВАНИЯ ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКО-МНОЖЕСТВЕННЫХ ОПИСАНИЙ
|
Введение 6
1. Основы моделирования финансовой деятельности 17
1.1 .Финансы хозяйствующего субъекта как кибернетическая система 17
1.2 .Обзор существующих моделей и методов финансового менеджмента.
1.2.1 .Модели и методы прогнозирования финансового состояния хозяйствующих субъектов и организованных рынков 23
1.2.2 .Модели и методы финансового планирования 25
1.2.3 .Модели и методы финансового анализа 29
1.2.4 .Модели и методы управления финансами 39
1.2.5 .Модели и методы фондового менеджмента 42
1.3 .Обоснование применимости теории нечетких множеств при моделировании финансовой деятельности 44
1.3.1 .Информационная неопределенность как фактор риска при принятии финансовых решений. Квазистатистика 44
1.3.2 .Соотношение вероятностных, экспертных и нечетко-множественных подходов к моделированию финансовых систем 47
1.3.3 .Использование нечетких множеств при оценке риска принятия финансовых решений 50
1.3.4 .Роль предпочтений и ожиданий финансового менеджера, инвестора,
эксперта в процессе принятия финансовых решений 51
1.4 .Разновидности нечетких описаний при моделировании финансовой деятельности 54
1.4 .Выводы по главе 1 55
2. Применение нечетких множеств в управлении корпоративными финансами 58
2.1 .Комплексный финансовый анализ корпорации на основе нечетких представлений 58
2.1.2 .Проблемы анализа риска банкротства корпорации 58
2.1.2 .Синтез количественных оценок и качественных признаков в оценке финансового состояния корпорации 60
2.1.3 .Нечетко-множественная модель финансового состояния корпорации 61
2.1.4. Метод комплексной оценки финансового состояния корпорации 66
2.1.5. Пример оценки риска банкротства предприятия 67
2.2 .Оценка риска инвестиционного проекта 69
2.2.1 .Ограниченность существующих подходов к оценке эффективности и риска инвестиционного проекта 69
2.2.2 .Нечетко-множественная модель инвестиционного проекта 71
2.2.3 .Метод оценки риска неэффективности проекта 75
2.2.4 .Пример оценки риска инвестиций 79
2.2.5 .Простейший способ оценки риска инвестиций 81
2.2.6 .Оценка риска проекта по NPV произвольно-нечеткой формы 84
2.2.7 .Риск-функция инвестиционного проекта 88
2.3 .Нечетко-множественные модельные описания в стратегическом планировании корпораций 93
2.3.1 .Макроэкономический блок. PETS-анализ 94
2.3.2 .Маркетинговый блок. Анализ сильных и слабых сторон бизнеса 95
2.3.3 .Маркетинговый блок. Двумерный анализ «конкурентоспособность – перспективность» 97
2.3.4 .Финансовый блок. Бизнес-план 103
2.4 .Выводы по главе 2 104
3. Оценка эффективности и риска фондовых инвестиций.. 108
3.1 .Недостаточность традиционных подходов к оценке инвестиционной привлекательности фондовых активов 108
3.2 .Рейтинг долговых обязательств субъектов РФ на основе нечетких моделей
3.2.1. Критерии, определяющие финансовое состояние региона 113
3.2.2. Критерии, определяющие уровень экономического развития региона....
3.2.3. Результаты рейтинга по AK&M
3.2.4. Метод рейтинга обязательств субъектов РФ с использованием нечетких описаний 117
3.3 .Скоринг российских акций на основе нечетких моделей 122
3.3.1 .Качественное описание рынка акций 123
3.3.2 .Фундаментальный подход к оценке рынка акций 124
3.3.3 .Модельные предпосылки для построения метода скоринга 124
3.3.4 .Исходные данные для скоринга 126
3.3.5 .Методика скоринга 126
3.3.6 .Оценка полученных результатов 130
3.4 .Рейтинг российских корпоративных облигаций на основе нечетких моделей
3.4.1 .Фундаментальный подход к оценке рейтинга облигаций 133
3.4.2 .Источник данных для анализа 134
3.4.3 .Предпосылки для построения метода рейтинга 134
3.4.4 .Исходные данные для рейтинга 136
3.4.5 .Метод рейтинга облигаций 136
3.5 .Выводы по главе 3 139
4. Оптимизация фондового портфеля и прогнозирование фондовых индексов в нечеткой постановке задачи 141
4.1 .Нечетко-множественный подход к построению эффективных фондовых портфелей 141
4.1.1 .Выбор модельных классов и их индексирование 142
4.1.2 .Нечетко-множественная модель фондовых индексов 147
4.1.3 .Метод нечетко-множественной оптимизации модельного портфеля. 150
4.1.4. Наполнение модельного портфеля реальными активами 154
4.1.5. Стратегии хеджирования модельного фондового портфеля 155
4.2 .Прогнозирование фондовых индексов 159
4.2.1 .Теоретические предпосылки для рационального инвестиционного выбора 161
4.2.2 .Принцип инвестиционного равновесия 168
4.2.3 .Модель рациональной динамики фондовых инвестиций 174
4.2.4 .Фазы прогнозирования 177
4.2.5 .Модели и методы для прогнозирования фондовых индексов 178
4.2.6 .Пример прогноза (USA) 178
4.3 .Актуарные расчеты на основе нечеткой модели 181
4.3.1 .Актуарная модель накопительной пенсионной системы 182
4.3.2 .Пример актуарного расчета 185
4.4 .Выводы по главе 4 188
5. Программные решения и продукты, использующие результаты диссертационной работы 190
5.1 .Программные модели для корпоративного финансового менеджмента 190
5.1.1 .Мастер ФИНАНСОВ: Анализ и планирование 190
5.1.2 .МАСТЕР ПРОЕКТОВ: Предварительная оценка 192
5.1.3 .Калькулятор для оценки риска прямых инвестиций 193
5.2 .Программные модели для фондового менеджмента 194
5.2.1 .Система оптимизации фондового портфеля 194
5.2.2 .Система скоринга акций 201
5.2.3...Модель прогнозирования фондовых индексов на платформе AnyLogic
Заключение 204
Перечень цитируемых источников 211
Приложения 226
Приложение 1. Основы теории нечетких множеств 226
П1.1. Носитель 226
П1.2. Нечеткое множество 226
П1.3. Функция принадлежности 226
П1.4. Лингвистическая переменная 227
П1.5. Операции над нечеткими подмножествами 227
П1.6. Нечеткие числа и операции над ними 228
П1.7. Нечеткие последовательности, нечеткие прямоугольные матрицы, нечеткие функции и операции над ними 232
П1.8. Вероятностное распределение с нечеткими параметрами 233
П1.9. Нечеткие знания 236
П1.10. Нечеткие классификаторы и матричные схемы агрегирования данных
Приложение 2. Справочные материалы для оценки реитинга долговых обязательств субъектов РФ 243
Приложение 3. Справочные материалы для оценки скоринга акций российских эмитентов 250
Приложение 4. Справочные материалы для оценки реитинга корпоративных обязательств российских эмитентов 263
Приложение 5. Подробное изложение метода прогнозирования фондовых индексов на основе нечеткой модели 266
П5.1. Классификация экономических регионов и индексов. Обозначения .
П5.2. Модель и методика для фазы 1 (старт) 268
П5.3. Модель и методика для фазы 2 268
П5.4. Модель и методика для фазы 3 269
П5.5. Модель и методика оценки расчетного коридора доходности по индексу облигаций (фаза 4) 270
П5.6. Модель и методика оценки расчетного коридора доходности по индексу акций первого эшелона (фаза 4) 270
П5.7. Модель и методика оценки расчетного коридора доходности по индексу акций второго эшелона (фаза 4) 272
П5.8. Модели и методики для фазы 5 273
П5.9. Модели и методики для фазы 6 275
П5.10. Модель и методика для фазы 7 278
П5.11. Модель и методика для фазы 8 279
П5.12. Модель и методика для фазы 9 279
П5.13. Модель и методика для фазы 10 279
П5.14. Модель и методика для фазы 11
1. Основы моделирования финансовой деятельности 17
1.1 .Финансы хозяйствующего субъекта как кибернетическая система 17
1.2 .Обзор существующих моделей и методов финансового менеджмента.
1.2.1 .Модели и методы прогнозирования финансового состояния хозяйствующих субъектов и организованных рынков 23
1.2.2 .Модели и методы финансового планирования 25
1.2.3 .Модели и методы финансового анализа 29
1.2.4 .Модели и методы управления финансами 39
1.2.5 .Модели и методы фондового менеджмента 42
1.3 .Обоснование применимости теории нечетких множеств при моделировании финансовой деятельности 44
1.3.1 .Информационная неопределенность как фактор риска при принятии финансовых решений. Квазистатистика 44
1.3.2 .Соотношение вероятностных, экспертных и нечетко-множественных подходов к моделированию финансовых систем 47
1.3.3 .Использование нечетких множеств при оценке риска принятия финансовых решений 50
1.3.4 .Роль предпочтений и ожиданий финансового менеджера, инвестора,
эксперта в процессе принятия финансовых решений 51
1.4 .Разновидности нечетких описаний при моделировании финансовой деятельности 54
1.4 .Выводы по главе 1 55
2. Применение нечетких множеств в управлении корпоративными финансами 58
2.1 .Комплексный финансовый анализ корпорации на основе нечетких представлений 58
2.1.2 .Проблемы анализа риска банкротства корпорации 58
2.1.2 .Синтез количественных оценок и качественных признаков в оценке финансового состояния корпорации 60
2.1.3 .Нечетко-множественная модель финансового состояния корпорации 61
2.1.4. Метод комплексной оценки финансового состояния корпорации 66
2.1.5. Пример оценки риска банкротства предприятия 67
2.2 .Оценка риска инвестиционного проекта 69
2.2.1 .Ограниченность существующих подходов к оценке эффективности и риска инвестиционного проекта 69
2.2.2 .Нечетко-множественная модель инвестиционного проекта 71
2.2.3 .Метод оценки риска неэффективности проекта 75
2.2.4 .Пример оценки риска инвестиций 79
2.2.5 .Простейший способ оценки риска инвестиций 81
2.2.6 .Оценка риска проекта по NPV произвольно-нечеткой формы 84
2.2.7 .Риск-функция инвестиционного проекта 88
2.3 .Нечетко-множественные модельные описания в стратегическом планировании корпораций 93
2.3.1 .Макроэкономический блок. PETS-анализ 94
2.3.2 .Маркетинговый блок. Анализ сильных и слабых сторон бизнеса 95
2.3.3 .Маркетинговый блок. Двумерный анализ «конкурентоспособность – перспективность» 97
2.3.4 .Финансовый блок. Бизнес-план 103
2.4 .Выводы по главе 2 104
3. Оценка эффективности и риска фондовых инвестиций.. 108
3.1 .Недостаточность традиционных подходов к оценке инвестиционной привлекательности фондовых активов 108
3.2 .Рейтинг долговых обязательств субъектов РФ на основе нечетких моделей
3.2.1. Критерии, определяющие финансовое состояние региона 113
3.2.2. Критерии, определяющие уровень экономического развития региона....
3.2.3. Результаты рейтинга по AK&M
3.2.4. Метод рейтинга обязательств субъектов РФ с использованием нечетких описаний 117
3.3 .Скоринг российских акций на основе нечетких моделей 122
3.3.1 .Качественное описание рынка акций 123
3.3.2 .Фундаментальный подход к оценке рынка акций 124
3.3.3 .Модельные предпосылки для построения метода скоринга 124
3.3.4 .Исходные данные для скоринга 126
3.3.5 .Методика скоринга 126
3.3.6 .Оценка полученных результатов 130
3.4 .Рейтинг российских корпоративных облигаций на основе нечетких моделей
3.4.1 .Фундаментальный подход к оценке рейтинга облигаций 133
3.4.2 .Источник данных для анализа 134
3.4.3 .Предпосылки для построения метода рейтинга 134
3.4.4 .Исходные данные для рейтинга 136
3.4.5 .Метод рейтинга облигаций 136
3.5 .Выводы по главе 3 139
4. Оптимизация фондового портфеля и прогнозирование фондовых индексов в нечеткой постановке задачи 141
4.1 .Нечетко-множественный подход к построению эффективных фондовых портфелей 141
4.1.1 .Выбор модельных классов и их индексирование 142
4.1.2 .Нечетко-множественная модель фондовых индексов 147
4.1.3 .Метод нечетко-множественной оптимизации модельного портфеля. 150
4.1.4. Наполнение модельного портфеля реальными активами 154
4.1.5. Стратегии хеджирования модельного фондового портфеля 155
4.2 .Прогнозирование фондовых индексов 159
4.2.1 .Теоретические предпосылки для рационального инвестиционного выбора 161
4.2.2 .Принцип инвестиционного равновесия 168
4.2.3 .Модель рациональной динамики фондовых инвестиций 174
4.2.4 .Фазы прогнозирования 177
4.2.5 .Модели и методы для прогнозирования фондовых индексов 178
4.2.6 .Пример прогноза (USA) 178
4.3 .Актуарные расчеты на основе нечеткой модели 181
4.3.1 .Актуарная модель накопительной пенсионной системы 182
4.3.2 .Пример актуарного расчета 185
4.4 .Выводы по главе 4 188
5. Программные решения и продукты, использующие результаты диссертационной работы 190
5.1 .Программные модели для корпоративного финансового менеджмента 190
5.1.1 .Мастер ФИНАНСОВ: Анализ и планирование 190
5.1.2 .МАСТЕР ПРОЕКТОВ: Предварительная оценка 192
5.1.3 .Калькулятор для оценки риска прямых инвестиций 193
5.2 .Программные модели для фондового менеджмента 194
5.2.1 .Система оптимизации фондового портфеля 194
5.2.2 .Система скоринга акций 201
5.2.3...Модель прогнозирования фондовых индексов на платформе AnyLogic
Заключение 204
Перечень цитируемых источников 211
Приложения 226
Приложение 1. Основы теории нечетких множеств 226
П1.1. Носитель 226
П1.2. Нечеткое множество 226
П1.3. Функция принадлежности 226
П1.4. Лингвистическая переменная 227
П1.5. Операции над нечеткими подмножествами 227
П1.6. Нечеткие числа и операции над ними 228
П1.7. Нечеткие последовательности, нечеткие прямоугольные матрицы, нечеткие функции и операции над ними 232
П1.8. Вероятностное распределение с нечеткими параметрами 233
П1.9. Нечеткие знания 236
П1.10. Нечеткие классификаторы и матричные схемы агрегирования данных
Приложение 2. Справочные материалы для оценки реитинга долговых обязательств субъектов РФ 243
Приложение 3. Справочные материалы для оценки скоринга акций российских эмитентов 250
Приложение 4. Справочные материалы для оценки реитинга корпоративных обязательств российских эмитентов 263
Приложение 5. Подробное изложение метода прогнозирования фондовых индексов на основе нечеткой модели 266
П5.1. Классификация экономических регионов и индексов. Обозначения .
П5.2. Модель и методика для фазы 1 (старт) 268
П5.3. Модель и методика для фазы 2 268
П5.4. Модель и методика для фазы 3 269
П5.5. Модель и методика оценки расчетного коридора доходности по индексу облигаций (фаза 4) 270
П5.6. Модель и методика оценки расчетного коридора доходности по индексу акций первого эшелона (фаза 4) 270
П5.7. Модель и методика оценки расчетного коридора доходности по индексу акций второго эшелона (фаза 4) 272
П5.8. Модели и методики для фазы 5 273
П5.9. Модели и методики для фазы 6 275
П5.10. Модель и методика для фазы 7 278
П5.11. Модель и методика для фазы 8 279
П5.12. Модель и методика для фазы 9 279
П5.13. Модель и методика для фазы 10 279
П5.14. Модель и методика для фазы 11
Российские финансовые корпоративные и фондовые системы – это слабоизученный объект экономического исследования. Главная причина неизученности этих систем в том, что еще 15-20 лет назад в России и СССР не существовало рыночных отношений, а всех хозяйствующие субъекты действовали в пределах плановой административно-командной системы; то есть, не существовало самого объекта исследования. Возникновение рыночных отношений предопределило становление российских финансовых систем как открытых, динамично развивающихся субъектов рынка, подверженных в то же время системным кризисам, в том числе мирового масштаба. Так, российская экономика пережила кризисы 1991 и 1998 годов, по итогам которых объем промышленного производства в России сократился вдвое по сравнению с доперестроечным уровнем.
В то же самое время перед российской экономикой открылись и открываются принципиально новые возможности для развития, связанные прежде всего с интеграцией в мировую систему хозяйства, возможность наращивать свою капитализацию за счет привлечения прямых и фондовых инвестиций. При этом важнейшей научной и народнохозяйственной задачей является вывод российских предприятий на современной уровень корпоративной культуры, в том числе финансового менеджмента корпораций и институциональных инвесторов фондового рынка. Только сейчас на российском рынке труда начинают появляться специалисты, прошедшие качественное обучение основам финансового менеджмента в западных университетах, получившие дипломы MBA (Master Business Administration), обладающие некоторым опытом работы на российском финансовом рынке. Но удельный вес таких специалистов в общей массе финансовых менеджеров корпораций пока незначителен.
Еще не получила достаточного развития та мысль, что финансовые системы должны сделаться объектом пристального научного исследования и специального экономико-математического моделирования. Зачастую финансовые менеджеры предприятий практически не используют в своей работе компьютерные финансовые модели, ограничиваясь простейшим учетом финансовых потоков в приспособленных таблицах Excel (да и сами таблицы эти употребляются в российской практике не более 5- 7 лет). В то же время для исследования финансовых систем недостаточно простейших моделей бухгалтерского учета, потому что систему образуют не только денежные потоки, но и лица, этими потоками управляющие. На систему оказывает влияние внешняя рыночная среда, со своими конъюнктурными возмущениями. Действие внешней среды, ограниченная способность финансового менеджера распознавать текущие состояния финансовой системы и прогнозировать будущие денежные потоки порождает фактор неустранимой неопределенности. При этом рыночная неопределенность не обладает классически понимаемой статистической природой. Соответственно, встает под сомнение применимость к анализу финансовых систем классических вероятностей и вероятностных случайных процессов.
Если, к примеру, взять хорошо известный метод Альтмана для оценки риска банкротства корпорации, то окажется, что коэффициенты в формуле Альтмана меняются от года к году и от страны к стране, т.е. метод Альтмана не обладает устойчивостью к колебаниям исходных данных. Порок метода состоит в том, что в нем делаются выводы относительно одной частной корпорации на основе комплекса данных о множестве корпораций, понимаемого как статистика. Таким образом, индивидуальные отличия предприятия в ходе анализа по методу Альтмана не берутся в расчет, нивелируются, при этом выводы о вероятности банкротства предприятия делаются на весьма ненадежной основе.
В итоге, исследователь финансовых систем, отказываясь от классического вероятностного подхода, вынужден использовать в анализе экспертные, минимаксные и другие детерминистские подходы, которые не в состоянии учитывать неопределенность поведения финансовых систем надлежащим образом. Иногда в ходе моделирования финансовые аналитики используют субъективные вероятности, однако обоснованность введения точечных вероятностных оценок и субъективных вероятностных распределений в большинстве используемых моделей может быть оспорена.
Аналогичные проблемы возникают и перед исследователями фондового рынка, где неопределенность носит генетический характер. Прокатившиеся по всему миру рыночные кризисы 1997 – 1998 и 2000 – 2001 года, принесшие только американским инвесторам убытки в 10 триллионов долларов, показали, что существующие теории оптимизации фондовых портфелей и прогнозирования фондовых индексов себя исчерпали, и необходима существенная ревизия методов фондового менеджмента.
Таким образом, в свете явной недостаточности имеющихся научных методов для управления финансовыми активами, исследователи настроены на разработку принципиально новой теории управления финансовыми системами, функционирующими в условиях существенной неопределенности. Большое содействие этой теории может оказать теория нечетких множеств, заложенная около полувека назад в фундаментальных работах Лотфи Заде [57].
Первоначальным замыслом теории нечетких множеств было построить функциональное соответствие между нечеткими лингвистическими описаниями (типа "высокий", "теплый" и т.д.) и специальными функциями, выражающими степень принадлежности значений измеряемых параметров (длины, температуры, веса и т.д.) упомянутым нечетким описаниям. Там же были введены так называемые лингвистические вероятности - вероятности, заданные не количественно, а при помощи нечетко-смысловой оценки.
Впоследствии диапазон применимости теории нечетких множеств существенно расширился. Сам Заде определил нечеткие множества как инструмент построения теории возможностей [318, 319]. С тех пор научные категории случайности и возможности, вероятности и ожидаемости получают теоретическое разграничение.
Следующим достижением теории нечетких множеств является введение в обиход так называемых нечетких чисел как нечетких подмножеств специализированного вида, соответствующих высказываниям типа "значение переменной примерно равно а". С их введением оказалось возможным прогнозировать будущие значения параметров, которые ожидаемо меняются в установленном расчетном диапазоне. Вводится набор операций над нечеткими числами, которые сводятся к алгебраическим операциям с обычными числами при задании определенного интервала достоверности (уровня принадлежности). Фундаментальные исследования в этой области предприняты Дюбуа и Прадом [234, 235].
Прикладные результаты теории нечетких множеств не заставили себя ждать. Для примера: сегодня зарубежный рынок так называемых нечетких контроллеров (разновидность которых установлена даже в стиральных машинах широко рекламируемой марки LG) обладает емкостью в миллиарды долларов. Нечеткая логика, как модель человеческих мыслительных процессов, встроена в системы искусственного интеллекта и в автоматизированные средства поддержки принятия решений (в частности, в системы управления технологическими процессами).
Начиная с конца 70-х годов, методы теории нечетких множеств начинают применяться в экономике. Следует здесь упомянуть персоналии Бакли [218-221], Бояджиева [214, 215], Дымовой [230, 231], Запоунидиса [228, 229, 240, 241, 321, 322],
Коффмана [80, 261], Севастьянова [230, 231], Словински [228, 240, 241], Флое [227], Хил Алухи [80], Хил Лафуэнте [188], Циммермана [320]. Эти ученые одновременно разрабатывали новые формализмы теории нечетких множеств (хотя формальный аппарат теории нечетких множеств был к началу 80-х годов уже довольно прилично развит) и одновременно строили математические модели для решения реальных финансовых задач. Например, Бакли рассмотрел систему дифференциальных уравнений с нечеткими параметрами [218] и в этой же работе обосновал матрицу «затраты-выпуск» Леонтьева, элементы которой являются треугольными нечеткими числами. Отметим здесь же монографию [80], в которой представлен широкий спектр возможных применений теории нечетких множеств - от оценки эффективности инвестиций до кадровых решений и замен оборудования, приводятся соответствующие математические модели.
Начали постепенно появляться программные решения и информационные технологии, решающие экономические задачи с применением нечетко-множественных и родственных им описаний. Так, под руководством Зопоунидиса в Техническом университете на острове Крит была разработана экспертная система FINEVA для детального финансового анализа корпораций, содержащая в своем составе описания так называемых «грубых множеств» (rough sets) и базы знаний на этой основе [280]. Чуть раньше в Германии, в конце 80-х годов, группой Циммермана была разработана система стратегического планирования ESP [320], в которой реализуется позиционирование бизнеса корпорации на основе нечетких описаний конкурентноспособности и привлекательности бизнеса.
Некоторое количество работ посвящено макроэкономическому анализу фондового рынка на основе нечетких представлений [233, 282, 283, 306]. Также нечеткие представления лежат в основе нейронных сетей для прогнозирования фондовых индексов. Однако адекватность этих решений может быть оспорена, если доказывается обесценивание ретроспективных данных для прогноза в силу качественного перелома рыночных тенденций (так называемого парадигмального эпистемологического разрыва, что мы и наблюдаем в 2000 – 2002 г.г.).
Магистральное направление применений теории нечетких множеств в экономике и финансах – это обоснование форм функций принадлежности соответствующих нечетких чисел и классификаторов, используемых в модели. Если все исходные данные модели, имеющие нечеткий вид, обоснованы, то получить результирующие показатели на основе соответствующих методов уже не составляет труда: методы, записанные в детерминированной постановке задачи, преобразуются к нечеткому виду,
«фузифицируются», а классические вычисления заменяются «мягкими» (основы нечеткой арифметики изложены в [7, 234, 235, 261, 320]). Проблема возникает тогда, когда результирующий показатель, полученный в нечетком виде, требует количественной и качественной интерпретации. Например, в результате оценки бизнес-плана имеем показатель NPV в треугольной нечеткой форме, как это сделано впервые в [219]. Что из этого следует с точки зрения риска инвестиций? Настоящая диссертационная работа дает ответ на этот вопрос и восполняет пробел в соответствующих исследованиях [80, 219, 223, 226, 230, 231, 260, 264, 269] (см. раздел 2.2 настоящей диссертационной работы).
Довольно быстро экономические приложения теории нечетких множеств образовали самостоятельное научное направление. Была создана международная ассоциация SIGEF (International Association for Fuzzy Set Management & Economy) [301] со штаб квартирой в Барселоне, которая регулярно апробирует новые результаты в области нечетко-множественных экономических исследований, проводя ежегодные конференции и публикуя журнал Fuzzy Economic Review.
На постсоветском пространстве существует весьма развитая научная школа общей теории нечетких множеств (отметим работы Аверкина [7], Алексеева [10], Алехиной [11], Борисова [88], Батыршина [7, 24, 209], Орлова [150] , Орловского [151], Подиновского
[156], Поспелова [157, 158], Рыжова [166], Язенина [172] и других). Однако практически никто из упомянутых авторов не занимался применением теории нечетких множеств в экономике и финансах (до 2000 года в отечественной науке не существовало подобных публикаций). Это можно объяснить тем, что научная школа по нечетким множествам создавалась еще во времена СССР, а в перестроечный период практически все исследования по направлению нечетких множеств были свернуты из-за недостатка средств.
И только сейчас исследования возобновляются и, более того, приобретают отчетливую рыночную направленность. Формируется новая международная научная школа на бывшем постсоветском пространстве, куда входят исследователи из Белоруссии, Украины, Москвы, Санкт-Петербурга, других городов России. В октябре 2002 г. состоялась международная конференция NITE-2002 в г. Минске [78], где целая секция была посвящена нечетко-множественным исследованиям в экономике. На своем персональном сайте в сети Интернет [145] диссертант публикует работы по направлению «Нечеткие множества в экономике и финансах», а также основные научные новости по направлению. Особые надежды мы возлагаем на планируемую в Санкт-Петербурге международную научно-практическую конференцию «Нечеткие множества и мягкие вычисления в экономике и финансах», где диссертант выполняет почетную миссию председателя организационного комитета (материалы конференции сосредоточены на сайте [145]).
Можно ожидать, что в связи с возрождением российской науки поток отечественных работ по применению нечетких множеств в экономике и финансах будет расти лавинообразно. Одновременно с этим и в России появляются программные средства, реализующие нечеткие подходы к финансовому менеджменту (подробнее об этом см. главу 5 настоящей диссертационной работы). Так что, на сегодняшний день, отставание российской экономической науки от мировой науки по направлению нечетких моделей составляет не более 10 лет, и это отставание в ближайшие годы может быть преодолено.
Пятилетний опыт диссертанта по моделированию финансовых систем с использованием нечетко-множественных описаний позволил выделить ряд преимуществ от применения этих формализмов в задачах финансового менеджмента, а именно:
• нечеткие множества идеально описывают субъектную активность лиц, принимающих решения (ЛПР). Неуверенность эксперта в оценке может моделироваться функцией принадлежности, носителем которой выступает допустимое множество значений анализируемого фактора. Помимо этого, ЛПР получает возможность количественной интерпретации признаков, первоначально сформулированных качественно, в терминах естественного языка;
• нечеткие числа (разновидность нечетких множеств) идеально подходят для планирования факторов во времени, когда их будущая оценка затруднена (размыта, не имеет достаточных вероятностных оснований). Таки образом, все сценарии по тем или иным отдельным факторам могут быть сведены в один сводный сценарий в форме треугольного числа, где выделяются три точки: минимально возможное, наиболее ожидаемое и максимально возможное значения фактора. При этом веса отдельных сценариев в структуре сводного сценария формализуются как треугольная функция принадлежности уровня фактора нечеткому множеству
«примерного равенства среднему»;
• исследователь финансовой системы может в пределах одной модели формализовывать как особенности экономического объекта, так и познавательные особенности связанных с этим объектом субъектов менеджера и аналитика, порождая экспертную модель в структуре обобщенной финансовой модели. Таким образом возникает платформа для интеграции принципиально разнородных знаний в рамках одной количественной финансовой модели;
• мы можем вернуть вероятностные описания в свой научный обиход, как вероятностные распределения с нечеткими параметрами (этот путь синтеза вероятностных и нечетко-множественных описаний впервые предложен в работах [279, 286]). Нечеткость параметров распределения обусловлена тем, что классически понимаемой статистической выборки наблюдений нет, и для анализа мы пользуемся научной категорией квазистатистики. При таком подходе треугольные параметры распределения устанавливаются на основе процедуры установления степени правдоподобия. Таким образом, наметился путь для синтеза вероятностных и нечетко-множественных описаний. Без вероятностных распределений не обойтись там, где речь идет о моделировании случайных процессов (например, в фондовом менеджменте);
• оказывается возможным получить принципиально новый класс методов комплексного финансового анализа, основанных на увязывании ряда отдельных финансовых показателей в единый комплексный показатель финансового состояния хозяйствующего субъекта. При этом целесообразно отказаться от идеи Альтмана для оценки риска банкротства (как от специфически-частного метода, который не в состоянии учитывать всю необходимую специфику финансового состояния каждого отдельного хозяйствующего субъекта), равно как и от ряда аналогичных методов (Тоффлера-Тисшоу, Лиса, Чессера, Давыдовой-Беликова и других), при этом формируя перечень участвующих в оценке отдельных финансовых факторов и их весов самостоятельно, с учетом фактической специфики анализируемого хозяйствующего субъекта;
• нечеткие множества позволяют отказаться и от сценарного моделирования при инвестиционном проектировании. Предполагается, что все возможные сценарии развития событий, отражающиеся во входных параметрах финансовой модели (уровень затрат, выручки, фактора дисконтирования и т.д.) учтены в соответствующих треугольно–нечетких оценках, а веса вхождения соответствующего сценария в полную группу характеризуются функцией принадлежности соответствующего треугольного числа;
• мы можем воспользоваться матричной схемой для оценки комплексного финансового состояния хозяйствующего субъекта для построения методов оценки качественного уровня ценных бумаг – рейтинга облигаций и скоринга акций;
• оказывается возможным и продуктивным вернуться к классической идее Г. Марковица для оптимизации фондового портфеля по схеме MVA (mean-variance analysis), записав задачу портфельной оптимизации в нечеткой постановке. Результатом решения этой задачи является эффективная граница портфельного множества в форме криволинейной полосы и оптимальный портфель с нечеткими границами, построенный для предельно допустимого уровня риска портфеля;
• можно отказаться от применения методов ARCH/GARCH для среднесрочного и долгосрочного прогнозирования фондовых индексов (в связи с тем, что при смене макроэкономической парадигмы эти методы перестают быть адекватными), предложив взамен этого метод прогнозирования фондовых индексов на основе количественного анализа рациональных инвестиционных тенденций. Тогда прогнозы по индексам будут иметь вид треугольных нечетких последовательностей.
Таким образом, целью данной диссертационной работы является разработка экономико-математических моделей и методов исследования финансовых систем с применением результатов теории нечетких множеств. Поэтому в качестве объекта исследования выступают финансовые системы корпораций и фондового рынка, безотносительной страновой специфики этих систем.
Предметом диссертационного исследования избраны методологические, теоретические, методические и практические проблемы математического моделирования финансовых систем, функционирующих в условиях существенной информационной неопределенности.
При достижении цели исследования была поставлена и решена следующая совокупность научно-экономических задач, образующих научную новизну:
• разработка модели комплексного финансового анализа корпорации и матричного метода оценки риска банкротства корпорации;
• разработка модели инвестиционного процесса и группы методов оценки риска инвестиционного проекта, в зависимости от способа задания критерия эффективности инвестиционного проекта;
• создание нечетко-множественных методов для оценки сильных и слабых сторон бизнеса корпорации и для двумерной оценки бизнеса в координатах
«конкурентоспособность – перспективность» в ходе стратегического планирования корпорации;
• разработка группы методов для оценки инвестиционной привлекательности ценных бумаг вида долговых обязательств субъектов Российской Федерации, акций и корпоративных облигаций;
• создание нечетко-множественной модели фондового портфеля и метода нечетко- множественной оптимизации фондового протфеля на основе классического метода оптимизации по Марковицу;
• разработка модели рациональной динамики фондовых инвестиций и метода прогнозирования фондовых индексов;
• разработка актуарной модели накопительной пенсионной системы и метода оптимизации потоков накопительной пенсионной системы по критерию минимума риска срыва плановых заданий по формированию пенсионных резервов.
Методы исследования финансовых систем, функционирующих в условиях существенной неопределенности, базируются на аппарате теории нечетких множеств. В ходе моделирования используются следующие формализмы: квазистатистика, гистограммы, функции принадлежности, нечеткие числа (трапециевидное и треугольное), нечеткие последовательности и функции, вероятностные распределения с нечеткими параметрами, нечеткие знания и классификаторы.
Практическое значение научных результатов диссертационной работы состоит в том, что на их основе возможно создание принципиально новых программных решений для финансового менеджмента, а также разработка научно-методических обоснований для принятия финансовых решений. Так, результаты диссертационной работы были внедрены в ряде компьютерных программ (описание которых приведено в главе 5 настоящей диссертационной работы), а также использовались в методиках и программе, внедренных в Управлении актуарных расчетов Пенсионного фонда Российской Федерации. Возможно применение результатов работы для управления накопительной составляющей трудовых пенсий на фондовом рынке РФ, для оптимизации деятельности негосударственных пенсионных фондов и инвестиционных компаний. Разработанные методы корпоративного финансового менеджмента могут быть внедрены в процессы инвестиционного и финансового планирования корпораций. Методы оценки инвестиционной привлекательности ценных бумаг могут быть интегрированы в структуру финансовых интернет-порталов.
Диссертационная работа состоит из введения, пяти глав, заключения, перечня цитируемых источников и пяти приложений.
В первой главе завершается начатый во введении анализ состояния вопроса и постановка задач диссертационного исследования. Рассматривается вопрос представления финансовой системы как кибернетической системы, функционирующей в условиях принятия финансовых решений (внутренние воздействия на систему) и внешних рыночных сигналов. Устанавливается, что в большинстве случаев финансовые результаты и наблюдаемые внешние рыночные сигналы не являются процессами, обладающих статистической природой в классическом понимании термина «статистика».
Обзор существующих моделей и методов финансового менеджмента показывает, что в большинстве случаев эти модели неадекватно описывают наличный уровень информационной неопределенности, а методы, использующие необоснованные формализмы, приводят к ошибочным или неверифицируемым оценкам. Так, классический метод Альтмана анализа риска банкротства корпораций не обладает устойчивостью к колебаниям исходных данных, и оценки Альтмана, полученные в один исторический период времени на выборке одной страны, непригодны для другой страны в то же самое или иное историческое время. Минимаксные классический и модифицированный методы Гурвица для оценки эффективности инвестиционного проекта не охватывают полного спектра возможных сценариев инвестиционного процесса, а вероятностные оценки в структуре метода не имеют обоснования для их получения. Классические методы анализа фондового рынка Марковица и Шарпа-Линтнера базируются на допущении стационарности ценовых случайных процессов, что противоречит результатам анализа рыночных данных, особенно за последние 10-15 лет. Некорректные результаты получаются в ходе использования методов прогнозирования типа ARCH/GARCH, что обусловлено необоснованным учетом ретроспективных данных для прогнозирования будущих состояний финансового рынка. Констатируется, что нынешний затяжной кризис мировой экономики сопровождается кризисом научных представлений о фондовом рынке, которые претерпели парадигмальный разрыв на рубеже ХХ – ХХI веков.
В то же время применение результатов теории нечетких множеств к анализу финансовых систем позволяет получить принципиально новые модели и методы анализа этих систем. При этом оказывается возможным осуществить обоснованный переход от классических вероятностных моделей и экспертных оценок к нечетко-множественным описаниям. Так, классическое вероятностное распределение в модели может быть замещено вероятностным распределением с нечеткими параметрами, а совокупность экспертных оценок может быть интерпретирована набором функций принадлежности, образующим нечеткий классификатор.
Исследование состояния теории нечетких множеств применительно к экономике и финансам показывает, что уже созданы все необходимые формализмы для моделирования финансовых систем, однако нынешний уровень модельных представлений отстает от запросов практики финансового менеджмента. Нечеткие множества практически не применялись до настоящего времени для финансового анализа и планирования корпораций, оценки инвестиционной привлекательности ценных бумаг, для оптимизации фондового портфеля и прогнозирования фондовых индексов. В то же время для такого применения созрели все необходимые предпосылки, в том числе и идеологические, связанные со сменой научной парадигмы в экономических исследованиях.
Отдельно рассматривается вопрос о моделировании активности лиц, принимающих решения в финансовой системе. Показано, что в подавляющем большинстве случаев финансовые решения основаны не невербализованной интуиции эксперта, которая должна выступать в качестве объекта научного исследования и получить формализованное описание в качественных и количественных терминах. При этом эвристический характер используемых приемов моделирования экспертной активности не свидетельствует против этих приемов, но устанавливает границу научного исследования, которая может отодвигаться по мере получения новой рыночной информации, а сама модель – уточняться.
В главе 2 рассматриваются модели и методы корпоративного финансового менеджмента на основе нечетко-множественных описаний. Разработанный матричный метод агрегирования данных на основе нечеткого классификатора позволяет переходить от количественных и качественных значений отдельных финансовых показателей деятельности корпорации к комплексному финансовому показателю и соответствующей степени риска банкротства. Метод может быть настроен на любые особенности корпорации, в том числе на учет значимости тех или иных отдельных факторов в комплексной оценке.
Рассматривается модель инвестиционого проекта и метод оценки риска инвестиций. При этом все параметры проекта представлены в виде треугольных нечетких чисел и их последовательностей. Показано, что возможна двусторонняя оценка степени риска проекта на основе простейшей формулы, без применения наукоемких вычислительных алгоритмов. При этом задача оценки риска инвестиционного проекта разрешена для произвольно-нечеткого вида критериального показателя инвестиционного проекта. Введен формализм риск-функции инвестиционного проекта; на основе лингвистического анализа этой функции можно установить ряд пороговых уровней нормирующего фактора, по которым отслеживать чувствительность риска проекта к колебаниям значения норматива (например, предельно низкого уровня NPV).
На примере анализа сильных и слабых сторон бизнеса корпорации и конкурентоспособности бизнеса демонстрируется возможность использования нечетко- множественных описаний при позиционировании бизнеса в ходе стратегического планирования.
В главе 3 работы рассматриваются методы оценки инвестиционной привлекательности российских ценных бумаг различных типов. При этом в основе методов оценки лежит матричный подход, изложенный в главе 2 работы. Исследован обширный контент рыночных исходных данных, построены и проанализированы гистограммы различных факторов оценки. Обширный табличный материал с исходными данными и результатами расчетов перенесен в приложения 2 – 4 к настоящей работе.
Адекватность разработанных методов оценки подтверждается, с одной стороны, их согласованностью с экспертным методом оценки долговых обязательств субъектов РФ, разработанным в агентстве AK&M, а, с другой стороны, результатами торгов российскими ценными бумагами в 2002 году (все акции, получившие положительную торговую рекомендацию в феврале 2002 года, в последующие несколько месяцев существенно выросли в цене).
В главе 4 рассматриваются модели фондового рынка и методы управления фондовым портфелем на основе нечетко-множественных описаний предложена модель фондового индекса как последовательности случайных чисел, обладающих однотипным вероятностным распределением с нечеткими параметрами (модель адекватна, если утверждается квазистационарность случайного процесса). На базе построенного нечетко- вероятностного описания индекса разработан метод оптимизации фондового портфеля, по результатам которого в координатах «риск – доходность» строится эффективная граница портфельного множества в форме криволинейной полосы.
Установление связи между макроэкономическими параметрами региона и рациональными интервалами значений фондовых индексов, произведенное в рамках модели рациональной динамики фондовых инвестиций, позволило разработать оригинальный метод прогнозирования фондовых индексов. Адекватность полученного метода была подтверждена диссертантом в ходе высказывания им ряда рыночных прогнозов, которые в последующем подтвердились (прогноз NASDAQ = 1600..1700 в апреле 2001 года, прогноз S&P500 = 800..900 в августе 2002 года). Эти прогнозы были опубликованы в периодической научной печати за полгода-год до наступления соответствующих рыночных событий. Подробно метод прогнозирования фондовых индексов с использованием нечетких описаний рассмотрен в приложении 5 к настоящей диссертационной работе.
Разработанная диссертантом новая теория фондовой оптимизации и прогнозирования фондовых индексам может найти свое применение в практике актуарного моделирования пенсионных систем. Соответствующая актуарная модель накопительной пенсионной системы, излагаемая в главе 4 работы, базируется на нечетких описаниях, и на ее основе возможна оптимизация финансовых потоков при достижении минимума риска срыва плановых заданий по формированию пенсионных резервов. Разработанная диссертантом актуарная модель внедрена в процесс формирования стратегических прогнозов актуарных поступлений и платежей в Пенсионном фонде РФ (в составе программного решения «Система оптимизации фондового портфеля»).
Глава 5 содержит краткое описание программных решений, в которых используются научные результаты диссертационной работы. На момент написания работы таких решений шесть, в том числе «Система оптимизации фондового портфеля», внедренная в Пенсионном фонде РФ.
Приложения к работе содержат:
• краткое изложение основ теории нечетких множеств;
• справочные материалы для оценки инвестиционной привлекательности российских ценных бумаг;
• подробное изложение метода прогнозирования фондовых индексов.
На защиту выносятся следующие основные научные положения, основанные на нечетко-множественных описаниях:
1. Теоретическое обоснование применимости нечетко-множественных описаний к моделированию финансовой деятельности.
2. Модель комплексного финансового состояния корпорации и метод оценки риска банкротства корпорации.
3. Группа методов оценки степени риска инвестиций (в зависимости от вида критериального фактора) на основе нечетко-множественной модели инвестиционного проекта.
4. Методы позиционирования бизнеса корпорации в ходе стратегического планирования.
5. Метод рейтинга долговых обязательств субъектов РФ.
6. Метод скоринга акций российских компаний.
7. Метод рейтинга российских корпоративных обязательств.
8. Модель фондового индекса и метод оптимизации фондового портфеля.
9. Актуарная модель накопительной пенсионной системы и метод оптимизации финансовых потоков пенсионной системы, основанный на минимизации риска срыва планов по формированию пенсионных резервов.
В то же самое время перед российской экономикой открылись и открываются принципиально новые возможности для развития, связанные прежде всего с интеграцией в мировую систему хозяйства, возможность наращивать свою капитализацию за счет привлечения прямых и фондовых инвестиций. При этом важнейшей научной и народнохозяйственной задачей является вывод российских предприятий на современной уровень корпоративной культуры, в том числе финансового менеджмента корпораций и институциональных инвесторов фондового рынка. Только сейчас на российском рынке труда начинают появляться специалисты, прошедшие качественное обучение основам финансового менеджмента в западных университетах, получившие дипломы MBA (Master Business Administration), обладающие некоторым опытом работы на российском финансовом рынке. Но удельный вес таких специалистов в общей массе финансовых менеджеров корпораций пока незначителен.
Еще не получила достаточного развития та мысль, что финансовые системы должны сделаться объектом пристального научного исследования и специального экономико-математического моделирования. Зачастую финансовые менеджеры предприятий практически не используют в своей работе компьютерные финансовые модели, ограничиваясь простейшим учетом финансовых потоков в приспособленных таблицах Excel (да и сами таблицы эти употребляются в российской практике не более 5- 7 лет). В то же время для исследования финансовых систем недостаточно простейших моделей бухгалтерского учета, потому что систему образуют не только денежные потоки, но и лица, этими потоками управляющие. На систему оказывает влияние внешняя рыночная среда, со своими конъюнктурными возмущениями. Действие внешней среды, ограниченная способность финансового менеджера распознавать текущие состояния финансовой системы и прогнозировать будущие денежные потоки порождает фактор неустранимой неопределенности. При этом рыночная неопределенность не обладает классически понимаемой статистической природой. Соответственно, встает под сомнение применимость к анализу финансовых систем классических вероятностей и вероятностных случайных процессов.
Если, к примеру, взять хорошо известный метод Альтмана для оценки риска банкротства корпорации, то окажется, что коэффициенты в формуле Альтмана меняются от года к году и от страны к стране, т.е. метод Альтмана не обладает устойчивостью к колебаниям исходных данных. Порок метода состоит в том, что в нем делаются выводы относительно одной частной корпорации на основе комплекса данных о множестве корпораций, понимаемого как статистика. Таким образом, индивидуальные отличия предприятия в ходе анализа по методу Альтмана не берутся в расчет, нивелируются, при этом выводы о вероятности банкротства предприятия делаются на весьма ненадежной основе.
В итоге, исследователь финансовых систем, отказываясь от классического вероятностного подхода, вынужден использовать в анализе экспертные, минимаксные и другие детерминистские подходы, которые не в состоянии учитывать неопределенность поведения финансовых систем надлежащим образом. Иногда в ходе моделирования финансовые аналитики используют субъективные вероятности, однако обоснованность введения точечных вероятностных оценок и субъективных вероятностных распределений в большинстве используемых моделей может быть оспорена.
Аналогичные проблемы возникают и перед исследователями фондового рынка, где неопределенность носит генетический характер. Прокатившиеся по всему миру рыночные кризисы 1997 – 1998 и 2000 – 2001 года, принесшие только американским инвесторам убытки в 10 триллионов долларов, показали, что существующие теории оптимизации фондовых портфелей и прогнозирования фондовых индексов себя исчерпали, и необходима существенная ревизия методов фондового менеджмента.
Таким образом, в свете явной недостаточности имеющихся научных методов для управления финансовыми активами, исследователи настроены на разработку принципиально новой теории управления финансовыми системами, функционирующими в условиях существенной неопределенности. Большое содействие этой теории может оказать теория нечетких множеств, заложенная около полувека назад в фундаментальных работах Лотфи Заде [57].
Первоначальным замыслом теории нечетких множеств было построить функциональное соответствие между нечеткими лингвистическими описаниями (типа "высокий", "теплый" и т.д.) и специальными функциями, выражающими степень принадлежности значений измеряемых параметров (длины, температуры, веса и т.д.) упомянутым нечетким описаниям. Там же были введены так называемые лингвистические вероятности - вероятности, заданные не количественно, а при помощи нечетко-смысловой оценки.
Впоследствии диапазон применимости теории нечетких множеств существенно расширился. Сам Заде определил нечеткие множества как инструмент построения теории возможностей [318, 319]. С тех пор научные категории случайности и возможности, вероятности и ожидаемости получают теоретическое разграничение.
Следующим достижением теории нечетких множеств является введение в обиход так называемых нечетких чисел как нечетких подмножеств специализированного вида, соответствующих высказываниям типа "значение переменной примерно равно а". С их введением оказалось возможным прогнозировать будущие значения параметров, которые ожидаемо меняются в установленном расчетном диапазоне. Вводится набор операций над нечеткими числами, которые сводятся к алгебраическим операциям с обычными числами при задании определенного интервала достоверности (уровня принадлежности). Фундаментальные исследования в этой области предприняты Дюбуа и Прадом [234, 235].
Прикладные результаты теории нечетких множеств не заставили себя ждать. Для примера: сегодня зарубежный рынок так называемых нечетких контроллеров (разновидность которых установлена даже в стиральных машинах широко рекламируемой марки LG) обладает емкостью в миллиарды долларов. Нечеткая логика, как модель человеческих мыслительных процессов, встроена в системы искусственного интеллекта и в автоматизированные средства поддержки принятия решений (в частности, в системы управления технологическими процессами).
Начиная с конца 70-х годов, методы теории нечетких множеств начинают применяться в экономике. Следует здесь упомянуть персоналии Бакли [218-221], Бояджиева [214, 215], Дымовой [230, 231], Запоунидиса [228, 229, 240, 241, 321, 322],
Коффмана [80, 261], Севастьянова [230, 231], Словински [228, 240, 241], Флое [227], Хил Алухи [80], Хил Лафуэнте [188], Циммермана [320]. Эти ученые одновременно разрабатывали новые формализмы теории нечетких множеств (хотя формальный аппарат теории нечетких множеств был к началу 80-х годов уже довольно прилично развит) и одновременно строили математические модели для решения реальных финансовых задач. Например, Бакли рассмотрел систему дифференциальных уравнений с нечеткими параметрами [218] и в этой же работе обосновал матрицу «затраты-выпуск» Леонтьева, элементы которой являются треугольными нечеткими числами. Отметим здесь же монографию [80], в которой представлен широкий спектр возможных применений теории нечетких множеств - от оценки эффективности инвестиций до кадровых решений и замен оборудования, приводятся соответствующие математические модели.
Начали постепенно появляться программные решения и информационные технологии, решающие экономические задачи с применением нечетко-множественных и родственных им описаний. Так, под руководством Зопоунидиса в Техническом университете на острове Крит была разработана экспертная система FINEVA для детального финансового анализа корпораций, содержащая в своем составе описания так называемых «грубых множеств» (rough sets) и базы знаний на этой основе [280]. Чуть раньше в Германии, в конце 80-х годов, группой Циммермана была разработана система стратегического планирования ESP [320], в которой реализуется позиционирование бизнеса корпорации на основе нечетких описаний конкурентноспособности и привлекательности бизнеса.
Некоторое количество работ посвящено макроэкономическому анализу фондового рынка на основе нечетких представлений [233, 282, 283, 306]. Также нечеткие представления лежат в основе нейронных сетей для прогнозирования фондовых индексов. Однако адекватность этих решений может быть оспорена, если доказывается обесценивание ретроспективных данных для прогноза в силу качественного перелома рыночных тенденций (так называемого парадигмального эпистемологического разрыва, что мы и наблюдаем в 2000 – 2002 г.г.).
Магистральное направление применений теории нечетких множеств в экономике и финансах – это обоснование форм функций принадлежности соответствующих нечетких чисел и классификаторов, используемых в модели. Если все исходные данные модели, имеющие нечеткий вид, обоснованы, то получить результирующие показатели на основе соответствующих методов уже не составляет труда: методы, записанные в детерминированной постановке задачи, преобразуются к нечеткому виду,
«фузифицируются», а классические вычисления заменяются «мягкими» (основы нечеткой арифметики изложены в [7, 234, 235, 261, 320]). Проблема возникает тогда, когда результирующий показатель, полученный в нечетком виде, требует количественной и качественной интерпретации. Например, в результате оценки бизнес-плана имеем показатель NPV в треугольной нечеткой форме, как это сделано впервые в [219]. Что из этого следует с точки зрения риска инвестиций? Настоящая диссертационная работа дает ответ на этот вопрос и восполняет пробел в соответствующих исследованиях [80, 219, 223, 226, 230, 231, 260, 264, 269] (см. раздел 2.2 настоящей диссертационной работы).
Довольно быстро экономические приложения теории нечетких множеств образовали самостоятельное научное направление. Была создана международная ассоциация SIGEF (International Association for Fuzzy Set Management & Economy) [301] со штаб квартирой в Барселоне, которая регулярно апробирует новые результаты в области нечетко-множественных экономических исследований, проводя ежегодные конференции и публикуя журнал Fuzzy Economic Review.
На постсоветском пространстве существует весьма развитая научная школа общей теории нечетких множеств (отметим работы Аверкина [7], Алексеева [10], Алехиной [11], Борисова [88], Батыршина [7, 24, 209], Орлова [150] , Орловского [151], Подиновского
[156], Поспелова [157, 158], Рыжова [166], Язенина [172] и других). Однако практически никто из упомянутых авторов не занимался применением теории нечетких множеств в экономике и финансах (до 2000 года в отечественной науке не существовало подобных публикаций). Это можно объяснить тем, что научная школа по нечетким множествам создавалась еще во времена СССР, а в перестроечный период практически все исследования по направлению нечетких множеств были свернуты из-за недостатка средств.
И только сейчас исследования возобновляются и, более того, приобретают отчетливую рыночную направленность. Формируется новая международная научная школа на бывшем постсоветском пространстве, куда входят исследователи из Белоруссии, Украины, Москвы, Санкт-Петербурга, других городов России. В октябре 2002 г. состоялась международная конференция NITE-2002 в г. Минске [78], где целая секция была посвящена нечетко-множественным исследованиям в экономике. На своем персональном сайте в сети Интернет [145] диссертант публикует работы по направлению «Нечеткие множества в экономике и финансах», а также основные научные новости по направлению. Особые надежды мы возлагаем на планируемую в Санкт-Петербурге международную научно-практическую конференцию «Нечеткие множества и мягкие вычисления в экономике и финансах», где диссертант выполняет почетную миссию председателя организационного комитета (материалы конференции сосредоточены на сайте [145]).
Можно ожидать, что в связи с возрождением российской науки поток отечественных работ по применению нечетких множеств в экономике и финансах будет расти лавинообразно. Одновременно с этим и в России появляются программные средства, реализующие нечеткие подходы к финансовому менеджменту (подробнее об этом см. главу 5 настоящей диссертационной работы). Так что, на сегодняшний день, отставание российской экономической науки от мировой науки по направлению нечетких моделей составляет не более 10 лет, и это отставание в ближайшие годы может быть преодолено.
Пятилетний опыт диссертанта по моделированию финансовых систем с использованием нечетко-множественных описаний позволил выделить ряд преимуществ от применения этих формализмов в задачах финансового менеджмента, а именно:
• нечеткие множества идеально описывают субъектную активность лиц, принимающих решения (ЛПР). Неуверенность эксперта в оценке может моделироваться функцией принадлежности, носителем которой выступает допустимое множество значений анализируемого фактора. Помимо этого, ЛПР получает возможность количественной интерпретации признаков, первоначально сформулированных качественно, в терминах естественного языка;
• нечеткие числа (разновидность нечетких множеств) идеально подходят для планирования факторов во времени, когда их будущая оценка затруднена (размыта, не имеет достаточных вероятностных оснований). Таки образом, все сценарии по тем или иным отдельным факторам могут быть сведены в один сводный сценарий в форме треугольного числа, где выделяются три точки: минимально возможное, наиболее ожидаемое и максимально возможное значения фактора. При этом веса отдельных сценариев в структуре сводного сценария формализуются как треугольная функция принадлежности уровня фактора нечеткому множеству
«примерного равенства среднему»;
• исследователь финансовой системы может в пределах одной модели формализовывать как особенности экономического объекта, так и познавательные особенности связанных с этим объектом субъектов менеджера и аналитика, порождая экспертную модель в структуре обобщенной финансовой модели. Таким образом возникает платформа для интеграции принципиально разнородных знаний в рамках одной количественной финансовой модели;
• мы можем вернуть вероятностные описания в свой научный обиход, как вероятностные распределения с нечеткими параметрами (этот путь синтеза вероятностных и нечетко-множественных описаний впервые предложен в работах [279, 286]). Нечеткость параметров распределения обусловлена тем, что классически понимаемой статистической выборки наблюдений нет, и для анализа мы пользуемся научной категорией квазистатистики. При таком подходе треугольные параметры распределения устанавливаются на основе процедуры установления степени правдоподобия. Таким образом, наметился путь для синтеза вероятностных и нечетко-множественных описаний. Без вероятностных распределений не обойтись там, где речь идет о моделировании случайных процессов (например, в фондовом менеджменте);
• оказывается возможным получить принципиально новый класс методов комплексного финансового анализа, основанных на увязывании ряда отдельных финансовых показателей в единый комплексный показатель финансового состояния хозяйствующего субъекта. При этом целесообразно отказаться от идеи Альтмана для оценки риска банкротства (как от специфически-частного метода, который не в состоянии учитывать всю необходимую специфику финансового состояния каждого отдельного хозяйствующего субъекта), равно как и от ряда аналогичных методов (Тоффлера-Тисшоу, Лиса, Чессера, Давыдовой-Беликова и других), при этом формируя перечень участвующих в оценке отдельных финансовых факторов и их весов самостоятельно, с учетом фактической специфики анализируемого хозяйствующего субъекта;
• нечеткие множества позволяют отказаться и от сценарного моделирования при инвестиционном проектировании. Предполагается, что все возможные сценарии развития событий, отражающиеся во входных параметрах финансовой модели (уровень затрат, выручки, фактора дисконтирования и т.д.) учтены в соответствующих треугольно–нечетких оценках, а веса вхождения соответствующего сценария в полную группу характеризуются функцией принадлежности соответствующего треугольного числа;
• мы можем воспользоваться матричной схемой для оценки комплексного финансового состояния хозяйствующего субъекта для построения методов оценки качественного уровня ценных бумаг – рейтинга облигаций и скоринга акций;
• оказывается возможным и продуктивным вернуться к классической идее Г. Марковица для оптимизации фондового портфеля по схеме MVA (mean-variance analysis), записав задачу портфельной оптимизации в нечеткой постановке. Результатом решения этой задачи является эффективная граница портфельного множества в форме криволинейной полосы и оптимальный портфель с нечеткими границами, построенный для предельно допустимого уровня риска портфеля;
• можно отказаться от применения методов ARCH/GARCH для среднесрочного и долгосрочного прогнозирования фондовых индексов (в связи с тем, что при смене макроэкономической парадигмы эти методы перестают быть адекватными), предложив взамен этого метод прогнозирования фондовых индексов на основе количественного анализа рациональных инвестиционных тенденций. Тогда прогнозы по индексам будут иметь вид треугольных нечетких последовательностей.
Таким образом, целью данной диссертационной работы является разработка экономико-математических моделей и методов исследования финансовых систем с применением результатов теории нечетких множеств. Поэтому в качестве объекта исследования выступают финансовые системы корпораций и фондового рынка, безотносительной страновой специфики этих систем.
Предметом диссертационного исследования избраны методологические, теоретические, методические и практические проблемы математического моделирования финансовых систем, функционирующих в условиях существенной информационной неопределенности.
При достижении цели исследования была поставлена и решена следующая совокупность научно-экономических задач, образующих научную новизну:
• разработка модели комплексного финансового анализа корпорации и матричного метода оценки риска банкротства корпорации;
• разработка модели инвестиционного процесса и группы методов оценки риска инвестиционного проекта, в зависимости от способа задания критерия эффективности инвестиционного проекта;
• создание нечетко-множественных методов для оценки сильных и слабых сторон бизнеса корпорации и для двумерной оценки бизнеса в координатах
«конкурентоспособность – перспективность» в ходе стратегического планирования корпорации;
• разработка группы методов для оценки инвестиционной привлекательности ценных бумаг вида долговых обязательств субъектов Российской Федерации, акций и корпоративных облигаций;
• создание нечетко-множественной модели фондового портфеля и метода нечетко- множественной оптимизации фондового протфеля на основе классического метода оптимизации по Марковицу;
• разработка модели рациональной динамики фондовых инвестиций и метода прогнозирования фондовых индексов;
• разработка актуарной модели накопительной пенсионной системы и метода оптимизации потоков накопительной пенсионной системы по критерию минимума риска срыва плановых заданий по формированию пенсионных резервов.
Методы исследования финансовых систем, функционирующих в условиях существенной неопределенности, базируются на аппарате теории нечетких множеств. В ходе моделирования используются следующие формализмы: квазистатистика, гистограммы, функции принадлежности, нечеткие числа (трапециевидное и треугольное), нечеткие последовательности и функции, вероятностные распределения с нечеткими параметрами, нечеткие знания и классификаторы.
Практическое значение научных результатов диссертационной работы состоит в том, что на их основе возможно создание принципиально новых программных решений для финансового менеджмента, а также разработка научно-методических обоснований для принятия финансовых решений. Так, результаты диссертационной работы были внедрены в ряде компьютерных программ (описание которых приведено в главе 5 настоящей диссертационной работы), а также использовались в методиках и программе, внедренных в Управлении актуарных расчетов Пенсионного фонда Российской Федерации. Возможно применение результатов работы для управления накопительной составляющей трудовых пенсий на фондовом рынке РФ, для оптимизации деятельности негосударственных пенсионных фондов и инвестиционных компаний. Разработанные методы корпоративного финансового менеджмента могут быть внедрены в процессы инвестиционного и финансового планирования корпораций. Методы оценки инвестиционной привлекательности ценных бумаг могут быть интегрированы в структуру финансовых интернет-порталов.
Диссертационная работа состоит из введения, пяти глав, заключения, перечня цитируемых источников и пяти приложений.
В первой главе завершается начатый во введении анализ состояния вопроса и постановка задач диссертационного исследования. Рассматривается вопрос представления финансовой системы как кибернетической системы, функционирующей в условиях принятия финансовых решений (внутренние воздействия на систему) и внешних рыночных сигналов. Устанавливается, что в большинстве случаев финансовые результаты и наблюдаемые внешние рыночные сигналы не являются процессами, обладающих статистической природой в классическом понимании термина «статистика».
Обзор существующих моделей и методов финансового менеджмента показывает, что в большинстве случаев эти модели неадекватно описывают наличный уровень информационной неопределенности, а методы, использующие необоснованные формализмы, приводят к ошибочным или неверифицируемым оценкам. Так, классический метод Альтмана анализа риска банкротства корпораций не обладает устойчивостью к колебаниям исходных данных, и оценки Альтмана, полученные в один исторический период времени на выборке одной страны, непригодны для другой страны в то же самое или иное историческое время. Минимаксные классический и модифицированный методы Гурвица для оценки эффективности инвестиционного проекта не охватывают полного спектра возможных сценариев инвестиционного процесса, а вероятностные оценки в структуре метода не имеют обоснования для их получения. Классические методы анализа фондового рынка Марковица и Шарпа-Линтнера базируются на допущении стационарности ценовых случайных процессов, что противоречит результатам анализа рыночных данных, особенно за последние 10-15 лет. Некорректные результаты получаются в ходе использования методов прогнозирования типа ARCH/GARCH, что обусловлено необоснованным учетом ретроспективных данных для прогнозирования будущих состояний финансового рынка. Констатируется, что нынешний затяжной кризис мировой экономики сопровождается кризисом научных представлений о фондовом рынке, которые претерпели парадигмальный разрыв на рубеже ХХ – ХХI веков.
В то же время применение результатов теории нечетких множеств к анализу финансовых систем позволяет получить принципиально новые модели и методы анализа этих систем. При этом оказывается возможным осуществить обоснованный переход от классических вероятностных моделей и экспертных оценок к нечетко-множественным описаниям. Так, классическое вероятностное распределение в модели может быть замещено вероятностным распределением с нечеткими параметрами, а совокупность экспертных оценок может быть интерпретирована набором функций принадлежности, образующим нечеткий классификатор.
Исследование состояния теории нечетких множеств применительно к экономике и финансам показывает, что уже созданы все необходимые формализмы для моделирования финансовых систем, однако нынешний уровень модельных представлений отстает от запросов практики финансового менеджмента. Нечеткие множества практически не применялись до настоящего времени для финансового анализа и планирования корпораций, оценки инвестиционной привлекательности ценных бумаг, для оптимизации фондового портфеля и прогнозирования фондовых индексов. В то же время для такого применения созрели все необходимые предпосылки, в том числе и идеологические, связанные со сменой научной парадигмы в экономических исследованиях.
Отдельно рассматривается вопрос о моделировании активности лиц, принимающих решения в финансовой системе. Показано, что в подавляющем большинстве случаев финансовые решения основаны не невербализованной интуиции эксперта, которая должна выступать в качестве объекта научного исследования и получить формализованное описание в качественных и количественных терминах. При этом эвристический характер используемых приемов моделирования экспертной активности не свидетельствует против этих приемов, но устанавливает границу научного исследования, которая может отодвигаться по мере получения новой рыночной информации, а сама модель – уточняться.
В главе 2 рассматриваются модели и методы корпоративного финансового менеджмента на основе нечетко-множественных описаний. Разработанный матричный метод агрегирования данных на основе нечеткого классификатора позволяет переходить от количественных и качественных значений отдельных финансовых показателей деятельности корпорации к комплексному финансовому показателю и соответствующей степени риска банкротства. Метод может быть настроен на любые особенности корпорации, в том числе на учет значимости тех или иных отдельных факторов в комплексной оценке.
Рассматривается модель инвестиционого проекта и метод оценки риска инвестиций. При этом все параметры проекта представлены в виде треугольных нечетких чисел и их последовательностей. Показано, что возможна двусторонняя оценка степени риска проекта на основе простейшей формулы, без применения наукоемких вычислительных алгоритмов. При этом задача оценки риска инвестиционного проекта разрешена для произвольно-нечеткого вида критериального показателя инвестиционного проекта. Введен формализм риск-функции инвестиционного проекта; на основе лингвистического анализа этой функции можно установить ряд пороговых уровней нормирующего фактора, по которым отслеживать чувствительность риска проекта к колебаниям значения норматива (например, предельно низкого уровня NPV).
На примере анализа сильных и слабых сторон бизнеса корпорации и конкурентоспособности бизнеса демонстрируется возможность использования нечетко- множественных описаний при позиционировании бизнеса в ходе стратегического планирования.
В главе 3 работы рассматриваются методы оценки инвестиционной привлекательности российских ценных бумаг различных типов. При этом в основе методов оценки лежит матричный подход, изложенный в главе 2 работы. Исследован обширный контент рыночных исходных данных, построены и проанализированы гистограммы различных факторов оценки. Обширный табличный материал с исходными данными и результатами расчетов перенесен в приложения 2 – 4 к настоящей работе.
Адекватность разработанных методов оценки подтверждается, с одной стороны, их согласованностью с экспертным методом оценки долговых обязательств субъектов РФ, разработанным в агентстве AK&M, а, с другой стороны, результатами торгов российскими ценными бумагами в 2002 году (все акции, получившие положительную торговую рекомендацию в феврале 2002 года, в последующие несколько месяцев существенно выросли в цене).
В главе 4 рассматриваются модели фондового рынка и методы управления фондовым портфелем на основе нечетко-множественных описаний предложена модель фондового индекса как последовательности случайных чисел, обладающих однотипным вероятностным распределением с нечеткими параметрами (модель адекватна, если утверждается квазистационарность случайного процесса). На базе построенного нечетко- вероятностного описания индекса разработан метод оптимизации фондового портфеля, по результатам которого в координатах «риск – доходность» строится эффективная граница портфельного множества в форме криволинейной полосы.
Установление связи между макроэкономическими параметрами региона и рациональными интервалами значений фондовых индексов, произведенное в рамках модели рациональной динамики фондовых инвестиций, позволило разработать оригинальный метод прогнозирования фондовых индексов. Адекватность полученного метода была подтверждена диссертантом в ходе высказывания им ряда рыночных прогнозов, которые в последующем подтвердились (прогноз NASDAQ = 1600..1700 в апреле 2001 года, прогноз S&P500 = 800..900 в августе 2002 года). Эти прогнозы были опубликованы в периодической научной печати за полгода-год до наступления соответствующих рыночных событий. Подробно метод прогнозирования фондовых индексов с использованием нечетких описаний рассмотрен в приложении 5 к настоящей диссертационной работе.
Разработанная диссертантом новая теория фондовой оптимизации и прогнозирования фондовых индексам может найти свое применение в практике актуарного моделирования пенсионных систем. Соответствующая актуарная модель накопительной пенсионной системы, излагаемая в главе 4 работы, базируется на нечетких описаниях, и на ее основе возможна оптимизация финансовых потоков при достижении минимума риска срыва плановых заданий по формированию пенсионных резервов. Разработанная диссертантом актуарная модель внедрена в процесс формирования стратегических прогнозов актуарных поступлений и платежей в Пенсионном фонде РФ (в составе программного решения «Система оптимизации фондового портфеля»).
Глава 5 содержит краткое описание программных решений, в которых используются научные результаты диссертационной работы. На момент написания работы таких решений шесть, в том числе «Система оптимизации фондового портфеля», внедренная в Пенсионном фонде РФ.
Приложения к работе содержат:
• краткое изложение основ теории нечетких множеств;
• справочные материалы для оценки инвестиционной привлекательности российских ценных бумаг;
• подробное изложение метода прогнозирования фондовых индексов.
На защиту выносятся следующие основные научные положения, основанные на нечетко-множественных описаниях:
1. Теоретическое обоснование применимости нечетко-множественных описаний к моделированию финансовой деятельности.
2. Модель комплексного финансового состояния корпорации и метод оценки риска банкротства корпорации.
3. Группа методов оценки степени риска инвестиций (в зависимости от вида критериального фактора) на основе нечетко-множественной модели инвестиционного проекта.
4. Методы позиционирования бизнеса корпорации в ходе стратегического планирования.
5. Метод рейтинга долговых обязательств субъектов РФ.
6. Метод скоринга акций российских компаний.
7. Метод рейтинга российских корпоративных обязательств.
8. Модель фондового индекса и метод оптимизации фондового портфеля.
9. Актуарная модель накопительной пенсионной системы и метод оптимизации финансовых потоков пенсионной системы, основанный на минимизации риска срыва планов по формированию пенсионных резервов.
Мы наблюдаем оживление интереса к экономической науке и научным исследованиям в России. Это не случайно, т.к. после памятного августовского дефолта 1998 г., когда казалось, что на рыночной экономике в РФ можно ставить крест, российская экономика все же оправилась и уверенно набирает темп. Собственники и менеджеры российских компаний получили неоценимый опыт выживания в экстремальных рыночных условиях. И теперь, желая сохранить свой бизнес, они учатся работать в новых условиях, при жесточайшей конкуренции, на низких уровнях маржинальной прибыли. А, чтобы научиться работать в таких условиях, без научной организации бизнеса не обойтись. Повсеместно на российских предприятиях внедряется бизнес-планирование, финансовый и инвестиционный анализ, процедуры управления проектами, с вычленением отдельных бизнесов и производств в самостоятельные центры прибыли, маркетинг. Возрос спрос на рыночные исследования, на финансовую и общеэкономическую информацию, поставляемую на регулярной основе в требуемом компьютерном формате.
Реорганизуется финансовый сектор. Банки, уцелевшие после дефолта, сделали свои выводы из случившегося и пересмотрели свою финансовую политику. Финансовый анализ состоятельности заемщика, анализ привлекательности фондовых инвестиций, кредитный менеджмент – теперь все это неотъемлемые стороны деятельности аналитического отдела любого банка. Оживляется деятельность инвестиционных компаний и негосударственных пенсионных фондов. Воскрес рынок ценных бумаг, в том числе производных финансовых инструментов.
Набирает обороты пенсионная реформа. Принят Федеральный Закон «Об инвестировании средств для финансирования накопительной части трудовой пенсии в РФ» [Закон] . Уже в 2004 на открытом фондовом рынке появится довольно мощный источник инвестиций в фондовые активы (поток составит от 2 до 4 млрд. долл в год). Этот ресурс исключительно важен не только для развития рынка корпоративных ценных бумаг, но явится источником недорогих заимствований для региональных бюджетов. Там, где этими средствами смогут по достоинству распорядиться, это будет означать расцвет социально-экономической жизни региона, повышение уровня жизни граждан. Львиная часть средств (по оценкам – не менее 80%) будет управляться от имени и по поручению будущих пенсионеров Пенсионным Фондом РФ (ПФР) через государственную управляющую компанию.
Запущен механизм ипотечного кредитования. Долгосрочные облигации, эмиттируемые в ходе консолидации частных кредитов на покупку жилья в федеральном Агентстве по жилищному кредитованию, будут размещены, в первую очередь, на стороне ПФР и его уполномоченных инвестиционных институтов, а, во вторую очередь, наполнят долгосрочную низкорисковую составляющую кредитного портфеля банков, наравне с государственными облигациями.
И все субъекты рынка в ходе принятия своих рыночных решений сталкиваются с одной общей проблемой – с неизвестностью завтрашнего дня. Все стремятся сделать этот мир более предсказуемым, что вызывает потребность в планировании, прогнозировании, в оценке рыночного риска. Генерируются сценарии перспективного развития событий, связанных с изменением уровня цен, объемов выпуска и продаж товарной продукции, с изменением макропараметров экономической среды (уровней налогообложения, ставок по краткосрочным кредитам, темпов инфляции и т.д.), а затем проводится анализ реакции корпоративных финансов на реализуемый гипотетический сценарий. Оптимистические сценарии улучшают финансовое состояние корпорации и ее рыночное положение, а пессимистические – ухудшают, в том числе приводя корпорацию на грань банкротства.
Центральный вопрос – какова ожидаемость тех или иных сценариев в перспективной картине существования корпорации. И вот здесь исследователи начинают вводить веса сценариев в интегральной картине, причем эти веса имеют вероятностный смысл. При этом сразу возникает два вопроса:
• на каком основании эти веса устанавливаются;
• все ли потенциальные сценарии развития корпорации и ее окружения учтены в интегральной картине.
Честный ответ на эти два вопроса неутешителен: не хватает оснований для назначения весов в свертке сценариев, не все сценарии учтены, да и учесть их все не представляется возможным.
Можно перейти из дискретного пространства сценариев в непрерывное, заменив дискретное весовое распределение факторов непрерывной плотностью распределения. Имея такие распределения на входе в модель, можно точно или приближенно восстановить распределение выходных параметров модели (например, финансовых показателей). И такой путь, снимая проблему ограниченности сценариев, не снимает другую проблему – обоснованности модельных вероятностных распределений.
Если рассматривать классическое понимание вероятности, то прежде всего такая вероятность вводится как частота однородных событий, происходящих в неизменных внешних условиях. В реальной экономике нет ни однородности, ни неизменности условий. Даже два предприятия, принадлежащие к одной отрасли и работающие на одном и том же рынке, развиваются по-разному в силу внутренних особенностей. Так, успешный менеджмент одной такой компании приводит ее к успеху, а неуспешный менеджмент другой – к банкротству. На уровне «черных ящиков» обе компании могут выглядеть одинаково, однородно, но при раскрытии информации о компаниях, при детализации вся однородность пропадает.
Не сохраняется однородность и с течением времени. Так, российский рынок образца 2002 года (после кризиса 1998 года) – это вовсе не то же самое, что рынок образца 1992 года (до кризиса). Кардинально различны все макроэкономические параметры (темпы роста ВВП, уровень инфляции, масштаб цен, курс рубля к доллару в номинальных и реальных ценах и т.д.). Ясно, что рынку до кризиса может быть сопоставлена одна сценарно-вероятностная модель, а для послекризисного рынка она будет совсем другой: изменятся как сами сценарии, так и их веса.
Много усилий в науке было потрачено на то, чтобы отойти от классического понимания вероятностей. По мере перехода от классической вероятности к аксиологической (субъективной) возрастала роль эксперта, назначающего вероятностные, веса, увеличивалось влияние субъективных предпочтений эксперта на оценку. Соответственно, чем более субъективной становилась вероятность, тем менее научной она оказывалась.
Появление субъективных вероятностей в экономическом анализе далеко не случайно. Это было ознаменовано первое стратегическое отступление науки перед лицом неопределенности, которая имеет неустранимый характер. Такая неопределенность является не просто неустранимой, она является «дурной» в том смысле, что не обладает структурой, которую можно было бы один раз и навсегда модельно описать вероятностями и вероятностными процессами. То, что с большим успехом используется в технике, в теории массового обслуживания, в статистике как науке о поведении большого числа однородных (принадлежащих одному модельному классу) субъектов, то совершенно не проходит в моделях финансового менеджмента. Исследователь имеет дело с ограниченным набором событий, разнородных по своему происхождению, и он затрудняется в том, какие выводы сделать на основе полученной информации.
Таким образом, сам эксперт, его научная активность, его предпочтения начинают сами выступать как объект научного исследования. Уверенность (неуверенность) эксперта в оценке приобретают количественное выражение, и здесь вероятностям делать уже совершенно нечего. Аналогия может быть такой, что если раньше врач пытался лечить больного, то теперь в лечении нуждается он сам. Объект научного исследования доопределился: если ранее в него входил только экономический объект (корпорация, отрасль, экономический регион, страна), то в современном финансовом менеджменте объект научного исследования дополняется лицом, принимающим решения (ЛПР). Таким лицом выступает как финансовый менеджер, так и финансовый аналитик, готовящий решения для менеджера. Активность обоих этих лиц подлежит детальному исследованию.
Самое главное в такой постановке научной задачи – научиться моделировать субъектную активность. В частности, важно представлять, по каким критериям ЛПР производит распознавание текущей экономической ситуации, состояния объекта исследования, поля для принятия решений. Информации не хватает, она не очень высокого качества. Соответственно, ЛПР сознательно или подсознательно отходит от точечных числовых оценок, заменяя их качественными характеристиками ситуации, выраженными на естественном языке (например, «высокий/низкий уровень фактора»,«большой/малый/незначительный размер денежного потока», «приемлемый/запредельный риск» и т.д.). Пока терминам естественного языка не сопоставлена количественная оценка, они могут интерпретироваться произвольно. Но если такая оценка состоялась как конвенциальная модель, образованная на пересечении мнений и предпочтений целого ряда экспертов, наблюдающих примерно одну и ту же экономическую реальность, тогда она обладает значимостью для моделирования экономического объекта, наряду с данными о самом этом объекте.
Что такое сегодня «высокая процентная ставка по кредитам»? Мы не узнаем об этом ничего, пока не опросим некоторую группу предприятий, пользующихся кредитными ресурсами банков. Все эти предприятия пользуются кредитами на разных условиях: чем надежнее заемщик, тем меньшую ставку по кредиту он может себе позволить. Все заемщики разные, однако в ходе сводного исследования вырисовывается некая целостная картина (обычно интерпретируемая как гистограмма испытаний). Становится возможным определить некую среднюю ставку заимствований, вокруг которой группируются все остальные ставки. И, чем далее вправо по оси Х (уровень процентной ставки) мы будем двигаться от определенного среднего значения, тем больше оснований мы получаем заявлять, что данная ставка – «высокая». Так мы можем выделить три группы ставок: «высокая», «средняя», «низкая» - и разнести все имеющиеся ставки по выделенным классам (кластерам) двумя путями. Грубо мы можем сделать это вполне точно, установив соответствующие интервалы на оси Х, и принадлежность к тому или иному интервалу будет вызывать однозначную словесную оценку. Если делать такую же работу более тщательно, то следует описать нашу уверенность (неуверенность) в классификации. Тогда четкие множества интервалов преобразуются в нечеткие подмножества с размытыми границами, а степень принадлежности той или иной процентной ставки к данному подмножеству определяется функцией принадлежности, построенной по специальным правилам.
Таким образом, наметились пути второго стратегического отступления науки в ходе исследования неопределенности в экономике. Если раньше ученые вынуждены были отказаться от классической вероятности в пользу вероятности субъективной, то теперь и субъективная вероятность перестает устраивать исследователя. Потому что в ней оказывается слишком много субъективной экспертной оценки и слишком мало – информации о том, как эта оценка была получена.
Третьего стратегического отступления не предвидится, потому как отступать далее некуда. Мы отступаем потому, что хотим сохранить адекватность используемых моделей и требуемую степень их достоверности. Мы хотим быть честными, поэтому постепенно выводим субъективные вероятности из оборота, заменяя их нечеткими множествами. И тут возникает возможность для перегруппировки и стратегического наступления на неопределенность. Причин к этому несколько:
• нечеткие множества идеально описывают субъектную активность ЛПР;
• нечеткие числа (разновидность нечетких множеств) идеально подходят для планирования факторов во времени, когда их будущая оценка затруднена (размыта, не имеет достаточных вероятностных оснований). Таки образом, все сценарии по тем или иным отдельным факторам могут быть сведены в один сводный сценарий в форме треугольного числа, где выделяются три точки: минимально возможное, наиболее ожидаемое и максимально возможное значения фактора. При этом веса отдельных сценариев в структуре сводного сценария формализуются как треугольная функция принадлежности уровня фактора нечеткому множеству
«примерного равенства среднему»;
• мы можем в пределах одной модели формализовывать как особенности экономического объекта, так и познавательные особенности связанных с этим объектом субъектов менеджера и аналитика;
• мы можем вернуть вероятностные описания в свой научный обиход, как вероятностные распределения с нечеткими параметрами. Нечеткость параметров распределения обусловлена тем, что классически понимаемой статистической выборки наблюдений нет, и для анализа мы пользуемся научной категорией квазистатистики. При таком подходе треугольные параметры распределения устанавливаются на основе процедуры установления степени правдоподобия. Таким образом, наметился путь для синтеза вероятностных и нечетко- множественных описаний.
Настоящая диссертационная работа как раз и посвящена применению теории нечетких множеств в финансовом и инвестиционном анализе. Полагаю, содержание работы доказывает, что нечеткие множества являются более предпочтительным инструментом для моделирования поведения финансовых систем в условиях неопределенности, нежели традиционные вероятности. Субъективные вероятности, используемые в финансовом менеджменте скорее по инерции, все чаще обнаруживают свою ограниченность в информационном плане, недостаточность и недостоверность. Вероятностным моделям, детищу ХIX-XX веков, все сложнее становится описывать реальности XXI века. Научная парадигма финансового менеджмента изменяется у нас на глазах, и вероятностные методы не поспевают за этими изменениями.
Финансовые системы непрерывно усложняются. Причиной тому является технический прогресс, предоставляющий экономическим системам дополнительные возможности для роста и развития. Внедрение в экономическую жизнь компьютерных систем и сетей позволяет корпорациям выйти на качественно новый уровень финансовой организации. И такое объективное усложнение финансовых систем приводит к появлению для них новых, в том числе неблагоприятных, возможностей развития, которые подлежат изучению.
К сожалению, часто экономическая наука не поспевает за событиями и не может предоставить практике финансового менеджмента адекватные модели для управления финансами. Научная необеспеченность в управлении финансами приводит к порочной практике некачественного управления финансовыми активами, и через это – к банкротствам корпораций и рыночным кризисам. Именно самонадеянность финансовых аналитиков, апологетов т.н. «новой экономики», привела к тому, что ожидания безгранично и бесконечно растущего фондового рынка вызвали триллионные (в долларовом выражении) убытки корпораций и домашних хозяйств по всему миру. Вызванные растиражированными неквалифицированными советами убытки порождают полномасштабное недоверие к инвестиционным консультантам и к тем модельным предпосылкам, которые они кладут в основу своего научного анализа.
Очень часто практики финансового менеджмента, не доверяясь дискредетированным теориям, управляют вверенными им активами, что называется, «на глазок», базируясь на своей интуиции, которая очень часто даже не вербализована. Эта интуитивная активность, помноженная на опыт управления финансами, образует бесценный материал для исследования. Лица, обладающие интуицией и опытом, становятся экспертами, чья активность становится объектом научного исследования. Получается, что объект научного исследования финансовых систем доопределился: если ранее в него входил только экономический объект (корпорация, отрасль, экономический регион, страна), то в современном финансовом менеджменте объект научного исследования дополняется лицом, принимающим решения. Таким лицом выступает как финансовый менеджер, так и финансовый аналитик, готовящий решения для менеджера. Активность обоих этих лиц подлежит детальному исследованию, и наилучшими формализмами для моделирования этой активности, без сомнения, выступают нечеткие множества.
В главе 2 работы, на примере ряда методов анализа корпоративных финансов, нам удалось показать, как экспертные представления об уровне факторов могут быть включены в модель оценки риска банкротства, каким образом перейти от качественных представлений об уровнях факторов к количественным.
Аналогично, мы использовали экспертные оценки в части параметров бизнес- плана, которые не могут не иметь размытого вида. Эксперт по продажам, как и любое другое лицо, не может ничего сказать о будущих продажах вполне точно; поэтому он склонен опираться на интервальные, размытые оценки. Чем опытнее эксперт, тем менее размытые он дает оценки, и тем, соответственно, ниже риск неэффективности принимаемых решений; однако есть неустранимая информационная неопределенность, которую профессиональный эксперт должен уметь чувствовать и выражать хотя бы в терминах естественного языка. В свою очередь, экспертная уверенность (неуверенность) в своих оценках может быть легко описана в количественных терминах, что мы и показали в работе.
Совсем трудно формализуются представления о позиции бизнеса в бизнес- портфеле корпорации, где очень часто даже трудно предложить количественный носитель для того или иного фактора. Нечеткие модели бизнес-портфеля корпорации легко справляются с этими затруднениями. Даже если исходные отдельные показатели представлены качественно, возможно агрегирование этих данных в комплексный показатель и качественное распознавание уровня этого показателя.
Фондовый рынок является еще более сложным объектом научного исследования, нежели отдельная корпорация, потому что на этом рынке действуют десятки тысяч корпораций и миллионы частных и институциональных инвесторов. Совместная деятельность этих экономических агентов рынка приводит к результатам инвестирования в ценные бумаги, фиксируемым фондовыми индексами. Равно как и в случае моделирования финансовых систем корпораций, экспертные представления и оценки могут быть формализованы и успешно применены в ходе моделирования поведения фондового рынка и отдельных его субъектов. Оценка инвестиционной привлекательности ценных бумаг (матричные методы которой изложены нами в главе 3 работы), если ее применить к большому множеству эмитентов, дает нам материал для моделирования рынка в целом, и обобщение этих результатов позволяет нам выдвинуть современные теории оптимизации фондового портфеля, прогнозирования фондовых индексов, актуарного моделирования (глава 4 работы).
Нечеткие модели финансового менеджмента, разработанные диссертантом, составили основу целого ряда программных решений (глава 5 работы) и внедрены в целом ряде организаций России, в т.ч. в Пенсионном фонде РФ.
Диссертант также отмечает, что разработанные им модели и методы вошли в учебные процессы ряда вузов России и Белоруссии, в частности, в курс «Антикризисное управление» для студентов 5-го курса Санкт-Петербургского государственного университета экономики и финансов. На персональном сайте диссертанта в Интернет
[145] выложено большое количество работ по применению нечетких множеств в экономике и финансах, в том числе работ специалистов дальнего и ближнего зарубежья – с их разрешения и по их просьбе. Работы диссертанта часто цитируются специалистами по направлению. Все это свидетельствует о создании новой научной школы. Также диссертант является председателем организационного комитета международной конференции «Нечеткие множества и мягкие вычисления в экономике и финансах», которая будет проходить в Санкт-Петербурге в июне 2004 года; это также является косвенным свидетельством научной состоятельности работ диссертанта по направлению.
Полагаю, мне удалось разработать целый ряд научных теорий и методов оценки, которые имеют существенное значение для рыночных исследований и для практики финансового менеджмента в условиях существенной информационной неопределенности. Практическое внедрение разработанные теории и методы нашли в практике Пенсионного фонда Российской Федерации, в ходе управления накопительной составляющей трудовых пенсий граждан России, а также в целом ряде программных решений, представленных в главе 5 диссертационной работы. Полагаю, это лучшая рекомендация моим научным исследованиям.
Реорганизуется финансовый сектор. Банки, уцелевшие после дефолта, сделали свои выводы из случившегося и пересмотрели свою финансовую политику. Финансовый анализ состоятельности заемщика, анализ привлекательности фондовых инвестиций, кредитный менеджмент – теперь все это неотъемлемые стороны деятельности аналитического отдела любого банка. Оживляется деятельность инвестиционных компаний и негосударственных пенсионных фондов. Воскрес рынок ценных бумаг, в том числе производных финансовых инструментов.
Набирает обороты пенсионная реформа. Принят Федеральный Закон «Об инвестировании средств для финансирования накопительной части трудовой пенсии в РФ» [Закон] . Уже в 2004 на открытом фондовом рынке появится довольно мощный источник инвестиций в фондовые активы (поток составит от 2 до 4 млрд. долл в год). Этот ресурс исключительно важен не только для развития рынка корпоративных ценных бумаг, но явится источником недорогих заимствований для региональных бюджетов. Там, где этими средствами смогут по достоинству распорядиться, это будет означать расцвет социально-экономической жизни региона, повышение уровня жизни граждан. Львиная часть средств (по оценкам – не менее 80%) будет управляться от имени и по поручению будущих пенсионеров Пенсионным Фондом РФ (ПФР) через государственную управляющую компанию.
Запущен механизм ипотечного кредитования. Долгосрочные облигации, эмиттируемые в ходе консолидации частных кредитов на покупку жилья в федеральном Агентстве по жилищному кредитованию, будут размещены, в первую очередь, на стороне ПФР и его уполномоченных инвестиционных институтов, а, во вторую очередь, наполнят долгосрочную низкорисковую составляющую кредитного портфеля банков, наравне с государственными облигациями.
И все субъекты рынка в ходе принятия своих рыночных решений сталкиваются с одной общей проблемой – с неизвестностью завтрашнего дня. Все стремятся сделать этот мир более предсказуемым, что вызывает потребность в планировании, прогнозировании, в оценке рыночного риска. Генерируются сценарии перспективного развития событий, связанных с изменением уровня цен, объемов выпуска и продаж товарной продукции, с изменением макропараметров экономической среды (уровней налогообложения, ставок по краткосрочным кредитам, темпов инфляции и т.д.), а затем проводится анализ реакции корпоративных финансов на реализуемый гипотетический сценарий. Оптимистические сценарии улучшают финансовое состояние корпорации и ее рыночное положение, а пессимистические – ухудшают, в том числе приводя корпорацию на грань банкротства.
Центральный вопрос – какова ожидаемость тех или иных сценариев в перспективной картине существования корпорации. И вот здесь исследователи начинают вводить веса сценариев в интегральной картине, причем эти веса имеют вероятностный смысл. При этом сразу возникает два вопроса:
• на каком основании эти веса устанавливаются;
• все ли потенциальные сценарии развития корпорации и ее окружения учтены в интегральной картине.
Честный ответ на эти два вопроса неутешителен: не хватает оснований для назначения весов в свертке сценариев, не все сценарии учтены, да и учесть их все не представляется возможным.
Можно перейти из дискретного пространства сценариев в непрерывное, заменив дискретное весовое распределение факторов непрерывной плотностью распределения. Имея такие распределения на входе в модель, можно точно или приближенно восстановить распределение выходных параметров модели (например, финансовых показателей). И такой путь, снимая проблему ограниченности сценариев, не снимает другую проблему – обоснованности модельных вероятностных распределений.
Если рассматривать классическое понимание вероятности, то прежде всего такая вероятность вводится как частота однородных событий, происходящих в неизменных внешних условиях. В реальной экономике нет ни однородности, ни неизменности условий. Даже два предприятия, принадлежащие к одной отрасли и работающие на одном и том же рынке, развиваются по-разному в силу внутренних особенностей. Так, успешный менеджмент одной такой компании приводит ее к успеху, а неуспешный менеджмент другой – к банкротству. На уровне «черных ящиков» обе компании могут выглядеть одинаково, однородно, но при раскрытии информации о компаниях, при детализации вся однородность пропадает.
Не сохраняется однородность и с течением времени. Так, российский рынок образца 2002 года (после кризиса 1998 года) – это вовсе не то же самое, что рынок образца 1992 года (до кризиса). Кардинально различны все макроэкономические параметры (темпы роста ВВП, уровень инфляции, масштаб цен, курс рубля к доллару в номинальных и реальных ценах и т.д.). Ясно, что рынку до кризиса может быть сопоставлена одна сценарно-вероятностная модель, а для послекризисного рынка она будет совсем другой: изменятся как сами сценарии, так и их веса.
Много усилий в науке было потрачено на то, чтобы отойти от классического понимания вероятностей. По мере перехода от классической вероятности к аксиологической (субъективной) возрастала роль эксперта, назначающего вероятностные, веса, увеличивалось влияние субъективных предпочтений эксперта на оценку. Соответственно, чем более субъективной становилась вероятность, тем менее научной она оказывалась.
Появление субъективных вероятностей в экономическом анализе далеко не случайно. Это было ознаменовано первое стратегическое отступление науки перед лицом неопределенности, которая имеет неустранимый характер. Такая неопределенность является не просто неустранимой, она является «дурной» в том смысле, что не обладает структурой, которую можно было бы один раз и навсегда модельно описать вероятностями и вероятностными процессами. То, что с большим успехом используется в технике, в теории массового обслуживания, в статистике как науке о поведении большого числа однородных (принадлежащих одному модельному классу) субъектов, то совершенно не проходит в моделях финансового менеджмента. Исследователь имеет дело с ограниченным набором событий, разнородных по своему происхождению, и он затрудняется в том, какие выводы сделать на основе полученной информации.
Таким образом, сам эксперт, его научная активность, его предпочтения начинают сами выступать как объект научного исследования. Уверенность (неуверенность) эксперта в оценке приобретают количественное выражение, и здесь вероятностям делать уже совершенно нечего. Аналогия может быть такой, что если раньше врач пытался лечить больного, то теперь в лечении нуждается он сам. Объект научного исследования доопределился: если ранее в него входил только экономический объект (корпорация, отрасль, экономический регион, страна), то в современном финансовом менеджменте объект научного исследования дополняется лицом, принимающим решения (ЛПР). Таким лицом выступает как финансовый менеджер, так и финансовый аналитик, готовящий решения для менеджера. Активность обоих этих лиц подлежит детальному исследованию.
Самое главное в такой постановке научной задачи – научиться моделировать субъектную активность. В частности, важно представлять, по каким критериям ЛПР производит распознавание текущей экономической ситуации, состояния объекта исследования, поля для принятия решений. Информации не хватает, она не очень высокого качества. Соответственно, ЛПР сознательно или подсознательно отходит от точечных числовых оценок, заменяя их качественными характеристиками ситуации, выраженными на естественном языке (например, «высокий/низкий уровень фактора»,«большой/малый/незначительный размер денежного потока», «приемлемый/запредельный риск» и т.д.). Пока терминам естественного языка не сопоставлена количественная оценка, они могут интерпретироваться произвольно. Но если такая оценка состоялась как конвенциальная модель, образованная на пересечении мнений и предпочтений целого ряда экспертов, наблюдающих примерно одну и ту же экономическую реальность, тогда она обладает значимостью для моделирования экономического объекта, наряду с данными о самом этом объекте.
Что такое сегодня «высокая процентная ставка по кредитам»? Мы не узнаем об этом ничего, пока не опросим некоторую группу предприятий, пользующихся кредитными ресурсами банков. Все эти предприятия пользуются кредитами на разных условиях: чем надежнее заемщик, тем меньшую ставку по кредиту он может себе позволить. Все заемщики разные, однако в ходе сводного исследования вырисовывается некая целостная картина (обычно интерпретируемая как гистограмма испытаний). Становится возможным определить некую среднюю ставку заимствований, вокруг которой группируются все остальные ставки. И, чем далее вправо по оси Х (уровень процентной ставки) мы будем двигаться от определенного среднего значения, тем больше оснований мы получаем заявлять, что данная ставка – «высокая». Так мы можем выделить три группы ставок: «высокая», «средняя», «низкая» - и разнести все имеющиеся ставки по выделенным классам (кластерам) двумя путями. Грубо мы можем сделать это вполне точно, установив соответствующие интервалы на оси Х, и принадлежность к тому или иному интервалу будет вызывать однозначную словесную оценку. Если делать такую же работу более тщательно, то следует описать нашу уверенность (неуверенность) в классификации. Тогда четкие множества интервалов преобразуются в нечеткие подмножества с размытыми границами, а степень принадлежности той или иной процентной ставки к данному подмножеству определяется функцией принадлежности, построенной по специальным правилам.
Таким образом, наметились пути второго стратегического отступления науки в ходе исследования неопределенности в экономике. Если раньше ученые вынуждены были отказаться от классической вероятности в пользу вероятности субъективной, то теперь и субъективная вероятность перестает устраивать исследователя. Потому что в ней оказывается слишком много субъективной экспертной оценки и слишком мало – информации о том, как эта оценка была получена.
Третьего стратегического отступления не предвидится, потому как отступать далее некуда. Мы отступаем потому, что хотим сохранить адекватность используемых моделей и требуемую степень их достоверности. Мы хотим быть честными, поэтому постепенно выводим субъективные вероятности из оборота, заменяя их нечеткими множествами. И тут возникает возможность для перегруппировки и стратегического наступления на неопределенность. Причин к этому несколько:
• нечеткие множества идеально описывают субъектную активность ЛПР;
• нечеткие числа (разновидность нечетких множеств) идеально подходят для планирования факторов во времени, когда их будущая оценка затруднена (размыта, не имеет достаточных вероятностных оснований). Таки образом, все сценарии по тем или иным отдельным факторам могут быть сведены в один сводный сценарий в форме треугольного числа, где выделяются три точки: минимально возможное, наиболее ожидаемое и максимально возможное значения фактора. При этом веса отдельных сценариев в структуре сводного сценария формализуются как треугольная функция принадлежности уровня фактора нечеткому множеству
«примерного равенства среднему»;
• мы можем в пределах одной модели формализовывать как особенности экономического объекта, так и познавательные особенности связанных с этим объектом субъектов менеджера и аналитика;
• мы можем вернуть вероятностные описания в свой научный обиход, как вероятностные распределения с нечеткими параметрами. Нечеткость параметров распределения обусловлена тем, что классически понимаемой статистической выборки наблюдений нет, и для анализа мы пользуемся научной категорией квазистатистики. При таком подходе треугольные параметры распределения устанавливаются на основе процедуры установления степени правдоподобия. Таким образом, наметился путь для синтеза вероятностных и нечетко- множественных описаний.
Настоящая диссертационная работа как раз и посвящена применению теории нечетких множеств в финансовом и инвестиционном анализе. Полагаю, содержание работы доказывает, что нечеткие множества являются более предпочтительным инструментом для моделирования поведения финансовых систем в условиях неопределенности, нежели традиционные вероятности. Субъективные вероятности, используемые в финансовом менеджменте скорее по инерции, все чаще обнаруживают свою ограниченность в информационном плане, недостаточность и недостоверность. Вероятностным моделям, детищу ХIX-XX веков, все сложнее становится описывать реальности XXI века. Научная парадигма финансового менеджмента изменяется у нас на глазах, и вероятностные методы не поспевают за этими изменениями.
Финансовые системы непрерывно усложняются. Причиной тому является технический прогресс, предоставляющий экономическим системам дополнительные возможности для роста и развития. Внедрение в экономическую жизнь компьютерных систем и сетей позволяет корпорациям выйти на качественно новый уровень финансовой организации. И такое объективное усложнение финансовых систем приводит к появлению для них новых, в том числе неблагоприятных, возможностей развития, которые подлежат изучению.
К сожалению, часто экономическая наука не поспевает за событиями и не может предоставить практике финансового менеджмента адекватные модели для управления финансами. Научная необеспеченность в управлении финансами приводит к порочной практике некачественного управления финансовыми активами, и через это – к банкротствам корпораций и рыночным кризисам. Именно самонадеянность финансовых аналитиков, апологетов т.н. «новой экономики», привела к тому, что ожидания безгранично и бесконечно растущего фондового рынка вызвали триллионные (в долларовом выражении) убытки корпораций и домашних хозяйств по всему миру. Вызванные растиражированными неквалифицированными советами убытки порождают полномасштабное недоверие к инвестиционным консультантам и к тем модельным предпосылкам, которые они кладут в основу своего научного анализа.
Очень часто практики финансового менеджмента, не доверяясь дискредетированным теориям, управляют вверенными им активами, что называется, «на глазок», базируясь на своей интуиции, которая очень часто даже не вербализована. Эта интуитивная активность, помноженная на опыт управления финансами, образует бесценный материал для исследования. Лица, обладающие интуицией и опытом, становятся экспертами, чья активность становится объектом научного исследования. Получается, что объект научного исследования финансовых систем доопределился: если ранее в него входил только экономический объект (корпорация, отрасль, экономический регион, страна), то в современном финансовом менеджменте объект научного исследования дополняется лицом, принимающим решения. Таким лицом выступает как финансовый менеджер, так и финансовый аналитик, готовящий решения для менеджера. Активность обоих этих лиц подлежит детальному исследованию, и наилучшими формализмами для моделирования этой активности, без сомнения, выступают нечеткие множества.
В главе 2 работы, на примере ряда методов анализа корпоративных финансов, нам удалось показать, как экспертные представления об уровне факторов могут быть включены в модель оценки риска банкротства, каким образом перейти от качественных представлений об уровнях факторов к количественным.
Аналогично, мы использовали экспертные оценки в части параметров бизнес- плана, которые не могут не иметь размытого вида. Эксперт по продажам, как и любое другое лицо, не может ничего сказать о будущих продажах вполне точно; поэтому он склонен опираться на интервальные, размытые оценки. Чем опытнее эксперт, тем менее размытые он дает оценки, и тем, соответственно, ниже риск неэффективности принимаемых решений; однако есть неустранимая информационная неопределенность, которую профессиональный эксперт должен уметь чувствовать и выражать хотя бы в терминах естественного языка. В свою очередь, экспертная уверенность (неуверенность) в своих оценках может быть легко описана в количественных терминах, что мы и показали в работе.
Совсем трудно формализуются представления о позиции бизнеса в бизнес- портфеле корпорации, где очень часто даже трудно предложить количественный носитель для того или иного фактора. Нечеткие модели бизнес-портфеля корпорации легко справляются с этими затруднениями. Даже если исходные отдельные показатели представлены качественно, возможно агрегирование этих данных в комплексный показатель и качественное распознавание уровня этого показателя.
Фондовый рынок является еще более сложным объектом научного исследования, нежели отдельная корпорация, потому что на этом рынке действуют десятки тысяч корпораций и миллионы частных и институциональных инвесторов. Совместная деятельность этих экономических агентов рынка приводит к результатам инвестирования в ценные бумаги, фиксируемым фондовыми индексами. Равно как и в случае моделирования финансовых систем корпораций, экспертные представления и оценки могут быть формализованы и успешно применены в ходе моделирования поведения фондового рынка и отдельных его субъектов. Оценка инвестиционной привлекательности ценных бумаг (матричные методы которой изложены нами в главе 3 работы), если ее применить к большому множеству эмитентов, дает нам материал для моделирования рынка в целом, и обобщение этих результатов позволяет нам выдвинуть современные теории оптимизации фондового портфеля, прогнозирования фондовых индексов, актуарного моделирования (глава 4 работы).
Нечеткие модели финансового менеджмента, разработанные диссертантом, составили основу целого ряда программных решений (глава 5 работы) и внедрены в целом ряде организаций России, в т.ч. в Пенсионном фонде РФ.
Диссертант также отмечает, что разработанные им модели и методы вошли в учебные процессы ряда вузов России и Белоруссии, в частности, в курс «Антикризисное управление» для студентов 5-го курса Санкт-Петербургского государственного университета экономики и финансов. На персональном сайте диссертанта в Интернет
[145] выложено большое количество работ по применению нечетких множеств в экономике и финансах, в том числе работ специалистов дальнего и ближнего зарубежья – с их разрешения и по их просьбе. Работы диссертанта часто цитируются специалистами по направлению. Все это свидетельствует о создании новой научной школы. Также диссертант является председателем организационного комитета международной конференции «Нечеткие множества и мягкие вычисления в экономике и финансах», которая будет проходить в Санкт-Петербурге в июне 2004 года; это также является косвенным свидетельством научной состоятельности работ диссертанта по направлению.
Полагаю, мне удалось разработать целый ряд научных теорий и методов оценки, которые имеют существенное значение для рыночных исследований и для практики финансового менеджмента в условиях существенной информационной неопределенности. Практическое внедрение разработанные теории и методы нашли в практике Пенсионного фонда Российской Федерации, в ходе управления накопительной составляющей трудовых пенсий граждан России, а также в целом ряде программных решений, представленных в главе 5 диссертационной работы. Полагаю, это лучшая рекомендация моим научным исследованиям.
Подобные работы
- Оценка и прогнозирование финансовой устойчивости нефтяных компаний
Магистерская диссертация, экономика. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2018 - Управление ликвидностью коммерческой организации
Магистерская диссертация, финансовый менеджмент. Язык работы: Русский. Цена: 5700 р. Год сдачи: 2018 - АНАЛИЗ ИНВЕСТИЦИОННОЙ ПРИВЛЕКАТЕЛЬНОСТИ АКЦИЙ НЕФТЕГАЗОВЫХ КОМПАНИЙ
Магистерская диссертация, инвестиции. Язык работы: Русский. Цена: 5700 р. Год сдачи: 2019 - Управление финансовым состоянием предприятия
Дипломные работы, ВКР, маркетинг. Язык работы: Русский. Цена: 4335 р. Год сдачи: 2016 - ИСПОЛЬЗОВАНИЕ АГРЕГИРОВАНИЯ В МЕТОДАХ НЕЛИНЕЙНОЙ ДИНАМИКИ ДЛЯ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ КОТИРОВКИ АКЦИЙ
Диссертация , экономика. Язык работы: Русский. Цена: 500 р. Год сдачи: 2005 - БУХГАЛТЕРСКИЙ УЧЕТ ОПЕРАЦИЙ С СОБСТВЕННЫМИ ОСНОВНЫМИ СРЕДСТВАМИ ОРГАНИЗАЦИИ
Бакалаврская работа, бухгалтерский учет, анализ и аудит. Язык работы: Русский. Цена: 4900 р. Год сдачи: 2017 - АДАПТАЦИЯ КОРПОРАТИВНЫХ УЧЕТНО-АНАЛИТИЧЕСКИХ ДАННЫХ К ТРЕБОВАНИЯМ АВТОМАТИЗИРОВАННОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ МАЛОГО БИЗНЕСА
Магистерская диссертация, экономика. Язык работы: Русский. Цена: 4975 р. Год сдачи: 2020 - Инвестиционное предложение изготовления газобетонных блоков в ООО «Уником»
Дипломные работы, ВКР, экономика. Язык работы: Русский. Цена: 4300 р. Год сдачи: 2016 - Анализ и прогнозирование объема инвестиций на примере ГАУ «Технопарк в сфере информационных технологий «ИТ-парк»
Дипломные работы, ВКР, информатика. Язык работы: Русский. Цена: 4280 р. Год сдачи: 2016
Заказать работу
Заявка на оценку стоимости
Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы
Каталог работ (130312)
- Бакалаврская работа (31305)
- Диссертация (960)
- Магистерская диссертация (18271)
- Дипломные работы, ВКР (53136)
- Главы к дипломным работам (2108)
- Курсовые работы (9668)
- Контрольные работы (6188)
- Отчеты по практике (1308)
- Рефераты (1450)
- Задачи, тесты, ПТК (616)
- Ответы на вопросы (154)
- Статьи, Эссе, Сочинения (911)
- Бизнес-планы (49)
- Презентации (101)
- РГР (84)
- Авторефераты (РГБ) (1691)
- Диссертации (РГБ) (1879)
- Прочее (433)
Новости
06.01.2018
Помощь студентам и аспирантам в выполнении работ от наших партнеров
Помощь студентам и аспирантам в выполнении работ от наших партнеров
Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ
дальше»» Все новости
Статьи
- Где лучше заказывать диссертации и дипломные?
- Выполнение научных статей
- Подготовка диссертаций
- Подводные камни при написании магистерской работы
- Помощь в выполнении дипломных работ
»» Все статьи
Заказать работу
Заявка на оценку стоимости
Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы
