Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний

• Автор: Недосекин, Алексей Олегович
• Шифр специальности: 08.00.13
• Научная степень: Докторская
• Год защиты: 2003
• Место защиты: Санкт-Петербург
• Количество страниц: 302 с. : ил.

1. Основы моделирования финансовой деятельности

1.1 .Финансы хозяйствующего субъекта как кибернетическая

система.

1.2.0бзор существующих моделей и методов финансового менеджмента.

1.2.1.Модели и методы прогнозирования финансового состояния хозяйствующих субъектов и организованных рынков.

1.2.2.Модели и методы финансового планирования.

1.2.3.Модели и методы финансового анализа

1.2.4.Модели и методы управления финансами.

1.2.5.Модели и методы фондового менеджмента

1.3.Обоснование применимости теории нечетких множеств при моделировании финансовой деятельности.
1.3.1.Информационная неопределенность как фактор риска при принятии финансовых решений. Квазистатистика
1.3.2.Соотношение вероятностных, экспертных и нечеткомножественных подходов к моделированию финансовых систем
1.3.3.Использование нечетких множеств при оценке риска принятия финансовых решений.
1.3.4.Роль предпочтений и ожиданий финансового менеджера, инвестора, эксперта в процессе принятия финансовых решений
1.3.5.Разновидности нечетких описаний при моделировании финансовой деятельности.
1.4.Выводы по главе
2. Применение нечетких множеств в управлении корпоративными финансами.
2.1.Комплексный финансовый анализ корпорации на основе нечетких представлений
2.1.1.Проблемы анализа риска банкротства корпорации
2.1.2.Синтез количественных оценок и качественных признаков в оценке финансового состояния корпорации.
2.1.3.Нечеткомножественная модель финансового состояния корпорации
2.1.4.Метод комплексной оценки финансового состояния корпорации
2.1.5.Пример оценки риска банкротства предприятия
2.2.0ценка риска инвестиционного проекта.
2.2.1 .Ограниченность существующих подходов к оценке эффективности и риска инвестиционного проекта
2.2.2.Нечеткомножественная модель инвестиционного проекта
2.2.3.Метод оценки риска неэффективности проекта.
2.2.4.Пример оценки риска инвестиций.
2.2.5.Простейший способ оценки риска инвестиций
2.2.6.0ценка риска проекта по ЫРУ произвольнонечеткой
2.2.7.Рискфункция инвестиционного проекта.
2.3.Нечеткомножественные модельные описания в стратегическом планировании корпораций.
2.3.1.Макроэкономический блок. РБТБанализ
2.3.2.Маркетинговый блок. Анализ сильных и слабых сторон бизнеса.
2.3.3.Маркетинговый блок. Двумерный анализ конкурентоспособность перспективность.
2.3.4.Финансовый блок. Бизнесплан
2.4.Выводы по главе 2.
3. Оценка эффективности и риска фондовых инвестиций
3.1 .Недостаточность традиционных подходов к оценке инвестиционной привлекательности фондовых активов.
3.2.Рейтинг долговых обязательств субъектов РФ на основе нечетких моделей
3.2.1.Критерии, определяющие финансовое состояние
региона.
3.2.2.Критерии, определяющие уровень экономического развития региона
3.2.3.Результаты рейтинга по АКМ.
3.2.4.Метод рейтинга обязательств субъектов РФ с использованием нечетких описаний
3.3.Скоринг российских акций на основе нечетких моделей
3.3.1.Качественное описание рынка акций.
3.3.2.Фундаментальный подход к оценке рынка акций.
3.3.3.Модельные предпосылки для построения метода скоринга
3.3.4.Исходные данные для скоринга
3.3.5.Методика скоринга.
З.З.б.Оценка полученных результатов.
3.4.Рейтинг российских корпоративных облигаций на основе нечетких моделей
3.4.1.Фундаментальный подход к оценке рейтинга облигаций.
3.4.2.Источник данных для анализа.
Введение


Недостаточность традиционных подходов к оценке инвестиционной привлекательности фондовых активов. Результаты рейтинга по АКМ. Качественное описание рынка акций. Фундаментальный подход к оценке рынка акций. Методика скоринга. З.З. Оценка полученных результатов. Фундаментальный подход к оценке рейтинга облигаций. Источник данных для анализа. Кун в , воспринимается сложившимися экспертами весьма болезненно, потому что вынуждает их обновлять свое научное мировоззрение, доучиваться. Новые теории обесценивают роль предшествующих теорий в научном процессе, равно как и вклад в науку целых поколений ученых, работавших в русле, очерченном их предшественниками. Все это рождает латентный протест, который может в конечном счете выразиться в ошибочном экспертном заключении. Методы обработки пространственновременных совокупностей существенно варьируют по сложности используемых алгоритмов. Ь параметры регрессии определяемые обычно по методу наименьших квадратов, е 0 случайная величина с нулевым математическим ожиданием и фиксированными прочими параметрами вероятностного распределения. Предположение о линейности регрессии прямо вытекает из допущения, что прогнозируемый случайный процесс является стационарным, т. Авторегрессия свидетельствует об инерционности и стационарности прогнозируемого процесса, о сохранении на всем интервале прогнозирования исторически сложившейся экономической парадигмы. Однако это допущение является слишком сильным и малореалистичным. Чтобы смягчить эту предпосылку о стационарности, зарубежные исследователи Энгл и Боллерслев разработали семейство методов и соответственно 6, 7, допуская, что прогнозируемый процесс перестает быть стационарным, но будущее значение волатильности этого процесса может быть предсказано по ряду предыдущих значений волатильности процесса условнонепостоянная волатильность. Т.е. Ао i . Развитием методов и является технология так называемых нейронных сетей , когда система прогнозирования в автоматическом режиме осуществляет оценивание параметров регрессии, минимизируя функцию ошибки. Любопытно, что иногда для обучения финансовых нейронных сетей используются даже астрологические прогнозы 6 в мире существует ряд финансовых программ на астрологическом базисе, и мы здесь обходим стороной вопрос о том, является ли астрология наукой или нет. Методы и равно как и построенные на их основе нейронные сети перестают работать, когда исследуемая экономическая система терпит так называемый эпистемологический, парадигмальный разрыв , т. Характерный пример перелом тенденции фондового рынка США в году. И в этом случае для прогнозирования тенденций подсистемы необходимо пользоваться данными надсистемы, не претерпевшей парадигмального разрыва. Так, для прогнозирования американских фондовых индексов сегодня можно воспользоваться данными макроэкономических индексов и обновленными предположениями о рациональных инвестиционных тенденциях, используя идеологию треугольных нечетких функций . Методы ситуационного анализа предполагают генерацию экономических сценариев и детерминированное факторное моделирование реакции системы на сгенерированный сценарий, измеряемое по финансовым результатам системы. Всем сценариям в генеральной их совокупности присваиваются вероятностные веса. Таким образом, итоговый ожидаемый финансовый результат интерпретируется как матожидане случайной величины показателя, распределенной в соответствии с исходным весовым распределением входных сценариев. Если сценарии воздействия на финансовую систему являются многоступенчатыми, процессными, то в ходе исследования финансвых результатов строится дерево решений , 1. Построение дерева решений влечет ращепление исходных вероятностей возникновения сценариев на вероятности подеценариев, вложенных в базовый. Тогда результирующее вероятностное распределение финансовых результатов восстанавливается по известным формулам Байеса для полной вероятности. В финансовом менеджменте особенно широко деревья решений используются при макроэкономическом моделировании 6 и для оценки стоимости опционов 5.