close

Вход

Забыли?

вход по аккаунту

?

592.Баркалов С.А.Система поддержки принятия инвестиционных решений

код для вставкиСкачать
Министерство образования и науки Российской Федерации
Федеральное государственное бюджетное образовательное
учреждение высшего профессионального образования
«Воронежский государственный архитектурно - строительный университет»
С.А. Баркалов, В.П. Морозов,
А.В. Никитенко, А.И. Сырин
СИСТЕМА ПОДДЕРЖКИ
ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ
МАЛОГО ПРЕДПРИЯТИЯ
МОНОГРАФИЯ
Воронеж 2014
1
УДК 338.24.01
ББК 65.05
Б25
Рецензенты:
А.К. Погодаев, д.т.н., проф., ректор Липецкого
государственного технического университета;
Ю.В. Бондаренко, д.т.н., доц., кафедры математических
методов исследования операций Воронежского государственного университета
Б25
Баркалов, С.А.
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ
РЕШЕНИЙ МАЛОГО ПРЕДПРИЯТИЯ: монография / С.А. Баркалов, В.П. Морозов, А.В. Никитенко, А.И. Сырин; Воронежский ГАСУ.
- Воронеж, 2014. – 162 с.
ISBN 978-5-89040-491-6
Рассмотрены вопросы разработки специального математического и программного
обеспечения системы поддержки принятия инвестиционных решений малого предприятия.
Приведены соотношения и контрольные примеры расчета характеристик облигаций. Изложены теоретические положения моделей формирования облигационных портфелей (модель
Марковица, одноиндексная модель Шарпа, нейромодифицированная модель Шарпа) и алгоритмы их практической реализации. Приведено описание особенностей разработки и фун кционирования прототипа системы поддержки принятия инвестиционных решений.
Монография рассчитана на специалистов, занимающихся вопросами фундаментального финансового анализа на рынке ценных бумаг, а также аспирантов и студентов, специ ализирующихся в данной предметной области.
Ил. 48. Табл. 15. Библиогр.: 160 назв.
УДК 338.24.01
ББК 65.05
Печатается по решению научно–методического совета
Воронежского ГАСУ
© Баркалов С.А., Морозов В.П.,
Никитенко А.В., Сырин А.И., 2014
© Воронежский ГАСУ, 2014
ISBN 978-5-89040-491-6
2
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ…………………………………………………....…….................
РАЗДЕЛ 1. ИНФОРМАЦИОННАЯ ПОДДЕРЖКА
ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ
НА МАЛОМ ПРЕДПРИЯТИИ.
ПОСТАНОВКА НАУЧНОЙ ЗАДАЧИ ……………………………..
1.1. Определение, функции и классификация инвестиций ……..................
1.2. Управление финансовыми инвестициями ..…..…..................................
1.3. Классификация общих управленческих решений …………...................
1.4. Классификация инвестиционных управленческих решений…………
1.5. Характеристика технологического процесса принятия
управленческих решений на малом предприятии ………………..........
1.6. Требования, предъявляемые к системе поддержки принятия
инвестиционных решений……………………………………………............
1.7. Определение критериев оптимизации функционирования системы
поддержки принятия инвестиционных решений.
Постановка научной задачи…………………………………………………
1.8. Общая схема решения задачи…………………………………………………
РАЗДЕЛ 2. ОЦЕНКА ЭКОНОМИЧЕСКОЙ
ЭФФЕКТИВНОСТИ ОБЛИГАЦИЙ И ОПРЕДЕЛЕНИЕ
ИХ ПАРАМЕТРОВ…………………………………………………….....
2.1. Общие принципы оценки эффективности
финансовых инвестиций….…………………………………………………...
2.2. Классификация облигаций ………………………….………………………...
2.3. Оценка эффективности облигаций…………………………………………
2.4. Определение параметров облигаций .......................................................
РАЗДЕЛ 3. РАЗРАБОТКА СПЕЦИАЛЬНОГО
МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ
СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ
РЕШЕНИЙ МАЛОГО ПРЕДПРИЯТИЯ ……………………….
3.1. Структура разрабатываемого специального математического
обеспечения……………………………………………………………….
3.2. Модели оптимизации распределения финансовых инвест иций.........
3.2.1. Геометрическая интерпретация модели Марковица………................
3.2.2. Постановка задачи определения распределения
финансовых ресурсов в оптимальном портфеле Марковица ………..
3.2.3. Обобщенный алгоритм реализации модели Марковица ………………..
3.2.4. Одноиндексная модель Шарпа……………………………………………….
3.2.5. Нейромодифированная одноиндексная модель Шарпа………………….
3
5
12
12
15
17
20
21
25
28
30
32
32
36
47
47
61
61
62
62
67
69
71
75
РАЗДЕЛ 4. РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО РАБОЧЕГО
МЕСТА ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ
РЕШЕНИЙ МАЛОГО ПРЕДПРИЯТИЯ…………………….
4.1. Состав и структура автоматизированного рабочего места
поддержки принятия инвестиционных решений
малого предприятия ……………………………..........................................
4.2. Характеристика аппаратной платформы, общего программного
обеспечения, технологической среды реализации и среды
разработки автоматизированного рабочего места……………………
4.2.1. Выбор операционной системы……………………………….................
4.2.2. Выбор технологической среды реализации…………………………….
4.2.3. Выбор среды разработки программного обеспечения………………...
4.3. Выбор системы управления базой данных автоматизированного
рабочего места …………………………………………………………..
4.4. Алгоритм обмена данными между БД…………….……….....................
4.5. Эвристическая оптимизация структуры базы данных …..................
4.6. Обоснование методов и инструментов архивации данных…………..
4.7. Резервное копирование данных……………………………….......................
4.7.1. Требования, предъявляемые к резервному копированию данных
данных…………………………………………………………………………….
4.7.2. Классификация типов резервного копирования………………................
4.7.3. Реализация резервного копирования данных………………………………
4.8. Типизация искусственных нейронных сетей………………....................
4.9. Анализ методов и алгоритмов адаптации архитектуры
искусственной нейронной сети……………………………………………..
4.9.1. Предварительный подбор архитектуры сети……………………………
4.9.2. Подбор оптимальной архитектуры сети…………………………………
4.9.3. Алгоритм каскадной корреляции Фальмана………………………………
4.9.4. Методы редукции сети с учетом чувствительности………………….
4.9.5. Методы редукции сети с использованием штрафной функции………
4.10. Совершенствование технологии моделирования искусственных
нейронных сетей на основе визуального контактора…………………
4.11. Модификация алгоритма обратного распространения ошибки….
4.12. Эвристическая оптимизация функционирования алгоритма
обратного распространения ошибки ………………………………..
4.13. Порядок функционирования автоматизированного рабочего
места………………………………………………………………………………………
ЗАКЛЮЧЕНИЕ ………………………………………………………………
БИБЛИОГРАФИЧЕСКИЙ СПИСОК……………………………………...
4
78
79
82
82
88
89
90
92
94
98
102
103
107
113
115
120
120
123
128
130
133
137
139
141
145
150
152
Введение
Эффективность инвестиционных решений оказывает существенное влияние на весь жизненный цикл современного малого предприятия.
Как известно, инвестиции по своему целевому назначению разделяются
на реальные, финансовые (портфельные) и инвестиции нематериальных активов [7,17,18]. Для расчёта экономической эффективности реальных инвестиций
в развитых странах Запада используется достаточно большое число соответствующих методик. Наиболее распространенные из них представлены в рекомендациях Организации Объединенных Наций по промышленному развитию.
Последние приняты отечественными государственными министерствами, банками, организациями по содействию инвестициям, университетами, а также
консультационными фирмами и инвесторами [102]. В области финансовых инвестиций подобные рекомендации отсутствуют, а имеющиеся отдельные модели, методики, касающиеся определенных объектов инвестирования (акций, о блигаций и др.), разрознены, ориентированы на западную экономику и не учитывают специфику нынешней российской экономики.
Эффективность процесса управления финансовыми инвестициями зависит от качества и оперативности принимаемых решений. В свою очередь последние зависят от квалификации и опыта лица, принимающего решения
(ЛПР), а также от используемого методического аппарата (моделей, методик,
алгоритмов).
Оценка эффективности финансовых проектов сложна и ресурсоемка. Тем
не менее, особенности принятия решений в современных условиях предъявляют повышенные требования к точности используемого методического аппарата
и оперативности проведения расчетов. Это обусловливает необходимость использования для расчетов перспективных инструментов современных информационных технологий, в частности систем поддержки принятия решений
(СППР).
СППР (англ. Decision Support System, DSS) - это интерактивная автоматизированная система, которая помогает лицу, принимающему решения (ЛПР), использовать данные и модели
для идентификации и решения задач и принятия решений.
Анализ состояния рынка СППР применительно к финансовым (портфельным) инвестициям позволил выявить их следующие особенности:
- данные системы представляют коммерческий интерес и поэтому закрыты;
- существующие системы в основном ориентированы на проведение технического анализа ценных бумаг и не учитывают фундаментальный анализ;
- большинство СППР ориентированы на крупные компании и не учитывают специфику малого бизнеса;
- СППР западного производства достаточно дороги (в разы превышают
стоимость российских систем), обладают чрезмерной функциональной избыточностью и не учитывают специфику отечественной экономики;
- полнофункциональные отечественные СППР, разработанные для малого
5
бизнеса, практически не встречаются.
Таким образом, актуальность работы продиктована необходимостью повышения эффективности управления финансовыми инвестициями малого
предприятия в плане повышения точности методического аппарата и оперативности принятия решений, с одной стороны, и отсутствием в настоящее время
специального математического и программного обеспечения специальных
СППР, ориентированных на фундаментальный анализ ценных бумаг, с другой
стороны.
Целью работы является разработка специального математического и программного обеспечения информационной системы поддержки принятия решений в интересах управления портфелем ценных бумаг (облигаций) малого
предприятия.
Достижение поставленной цели вызвало необходимость решения следующих основных задач:
1. Анализ технологического процесса принятия инвестиционных решений
на малом предприятии и формулировка требований, предъявляемых к системе
поддержки принятия инвестиционных решений, а также определение критериев
оптимизации ее функционирования.
2. Оценка экономической эффективности облигаций и детальный расчет
их параметров.
3. Разработка специального математического обеспечения системы поддержки принятия инвестиционных решений.
4. Разработка нейромодифированной одноиндексной модели Шарпа.
5. Разработка автоматизированного рабочего места поддержки принятия
инвестиционных решений.
Решению поставленных задач и посвящена данная книга.
Материал данной книги представлен в четырех разделах.
В первом разделе приводится определение, функции и классификация
инвестиций; описываются основные объекты финансового инвестирования;
представлена классификация общих управленческих решений вообще и инвестиционных управленческих решений, в частности; описываются источники,
методы и формы финансовых инвестиций; отмечена важность оперативного
управления финансовыми инвестициями в современных условиях и, следовательно, необходимость автоматизации данного процесса путем применения с оответствующих специализированных систем поддержки принятия решений;
приведена характеристика технологического процесса принятия управленческих решений на малом предприятии и выявлены отличительные особенности
принятия инвестиционных решений; формулируются основные требования,
предъявляемые к системе поддержки принятия инвестиционных решений, такие как точность, оперативность, стоимость; формулируется математическая
постановка основной решаемой задачи; предлагается схема её решения и перечень частных задач исследований.
6
Второй раздел посвящен оценке экономической эффективности облигаций и определению их параметров. Под оценкой эффективности финансовых
инвестиций понимается определение ценности инвестиционного финансового
проекта (проектов) с точки зрения получаемого эффекта и произведённых затрат применительно к интересам малого предприятия. В качестве затрат при
определении эффективности финансовых инвестиций выступает размер
средств, затраченных на их приобретение, а в качестве дохода – разница между
реальной стоимостью отдельных финансовых инструментов и суммой средств,
инвестированных на их приобретение.
В современной экономической обстановке, характеризующейся нестабильным развитием экономик крупнейших государств, в том числе и России,
что обусловливает значительную неопределенность и высокий риск инвестирования, центр тяжести вложений перемещается на более консервативные финансовые инструменты, в частности на облигации. Поэтому данному финансовому
инструменту в работе уделено основное внимание.
В схематичном виде приводится классификация облигаций. В предложенной схеме облигации предлагается классифицировать по таким признакам,
как степень обеспеченности; вид дохода; тип купона; вид платежа; срок обращения; специфика использования; степень конвертируемости; рейтинг вероятности банкротства.
Оценка облигаций базируется на двух фундаментальных понятиях наращивании и дисконтировании. Наращивание (компаундинг) представляет собой
пересчёт текущей (сегодняшней) стоимости в будущую [56]. Обратное действие, то есть определение настоящей стоимости денег по известной их стоимости в будущем, называется дисконтированием [57]. Оценка эффективности
инвестиций в облигации базируется на двух основных показателях: цене облигации и её доходности. Для определения текущей цены облигации необходимо
продисконтировать все доходы, которые могут быть получены от неё за период
владения. Количественный инвестиционный анализ облигаций предполагает
определение их следующих основных параметров: доходности, расчетных цен
(курсов), дюрации, выпуклости [62]. Расчетные выражения основных параметров в совокупности с контрольными примерами представлены в табличном виде.
В третьем разделе представлено описание разработанного специального
математического обеспечения системы поддержки принятия инвестиционных
решений малого предприятия в виде системы взаимосвязанных по входу и выходу моделей и алгоритмов ввода, обработки и хранения информации для пр инятия решений по управлению портфелем ценных бумаг. В качестве моделей
оптимизации портфелей рассмотрены модели Марковица, Шарпа и
нейромодифицированная одноиндексная модель Шарпа.
Модель Марковица, на основе которой определяется набор эффективных
портфелей, обеспечивающих наибольшие ожидаемые доходности для определенных уровней риска, является первой фундаментальной моделью информа-
7
ционной системы поддержки принятия инвестиционных решений малого предприятия. В рамках практической реализации данной модели приведен алгоритм
геометрического определения оптимального портфеля на ее основе, доказана
теорема о независимости комбинаций рисковых активов в портфеле при одинаковой оценке инвесторами рисков и ожидаемых доходностей, сформулирована
задача определения распределения финансовых ресурсов в оптимальном пор тфеле и разработан обобщенный алгоритм ее решения, позволяющие определять
структуру используемых финансовых ресурсов в портфеле (доли ЦБ, входящие
в оптимальный портфель).
В качестве второй (альтернативной) модели оптимизации инвестиционного портфеля, в информационной системе поддержки принятия инвестиционных решений малого предприятия, использовалась одноиндексная модель
Шарпа. В отличие от модели Марковица в ней не требуется выполнение сложной процедуры определения взаимной ковариации (и корреляции) выбранной
ценной бумаги (ЦБ) со всеми остальными ЦБ. Достаточно определить, как каждая ЦБ соотносится с фондовым индексом (RTSI, RBCC и др.). Поэтому простота проведения инженерных расчетов является одним из безусловных достоинств данной модели. Для ее практической реализации разработан соответствующий алгоритм, обеспечивающий решение как прямой (обеспечение максимальной доходности при заданном уровне риска), так и обратной задачи
(обеспечение минимального риска для требуемой доходности портфеля). Существенный недостаток одноиндексной модели Шарпа заключается в том, что
портфель ЦБ, рассчитываемый на основе данной модели, теряет свойства
оптимальности в упреждающие моменты времени [40]. Для его парирования
разработана нейромодифицированная одноиндексная модель Шарпа [94].
Нейромодифицированная одноиндексная модель Шарпа - третья альтернативная модель в информационной системе поддержки принятия инвестиционных решений. Ее отличительной особенностью является применение в качестве эквивалента экспертных прогнозных оценок искусственных нейронных сетей. В качестве ИНС использован многослойный персептрон в совокупности с
модифицированным обучающим алгоритмом обратного распространения ошибок. При прочих равных условиях данная ИНС обеспечивает приемлемую точность и достаточно высокую оперативность обучения. Технология применения
нейромодифированной одноиндексной модели Шарпа заключается в следующем [94]. В процессе электронных торгов на бирже в различные моменты вр емени множество ИНС обучается, тестируется и их параметры заносятся в соо тветствующую базу данных с целью последующего воспроизведения. Проведение этих действий особенно актуально в период протекания аномальных ситуаций. При наличии достаточно полной базы ИНС параметры текущей ситуации
на рынке сравниваются с имеющимися, и для подобных условий из базы извлекается и инициализируется соответствующая ИНС или их множество. Полученные на ее (их) основе прогнозные значения используются при проведении
8
текущей оценки соответствующей ЦБ или портфеля в целом.
В четвёртом разделе приведено описание результатов разработки автоматизированного рабочего места поддержки принятия инвестиционных решений
малого предприятия, специальное математическое и программное обеспечение
которого базируется на системе моделей и алгоритмов, предложенных в третьем разделе. АРМ представляет собой интерактивный программно-технический
комплекс, использующий оборудование, программное обеспечение, данные, базу моделей и труд пользователя с целью аналитического моделирования инвестиционных портфелей, различающихся по составу и структуре, используемых
финансовых инструментов, в интересах выбора среди них оптимального
[80,99]. В структурно-функциональном плане АРМ является объединением пяти подсистем: нейросетевого прогнозирования временных рядов; моделирования; загрузки исходных данных; формирования выходных результатов; хранения данных.
На основе проведенного сравнительного анализа в качестве общей операционной системы для АРМ выбрана Microsoft Windows-7 (32-bit). Прикладное
программное обеспечение АРМ базируется на трехуровневой архитектуре
«клиент-сервер». В данной архитектуре уровни иерархии размещены по схеме:
«сервер БД - сервер приложений - клиент». Особенностью данной платформы
является тот факт, что процедуры, реализующие доступ к данным и их обработку, перенесены из клиентского приложения в сервер приложений (т.е. на отдельный уровень). Результатом применения данной архитектуры явилось: повышение оперативности функционирования сервера БД за счет переноса части
рутинных операций на сервер приложений; уменьшение размера клиентских
приложений за счет разгрузки их от лишнего кода; единое поведение всех клиентов; упрощение настройки клиентов. В качестве интегрированной среды разработки специального программного обеспечения АРМ использована система
визуального объектно ориентированного программирования Delphi 7, а в качестве СУБД использована Microsoft Access в силу своей оперативности, отказоустойчивости, не высокими требованиями к аппаратной платформе; хорошей
переносимостью; простотой администрирования.
Важное значение для повышения оперативности функционирования
СППИР имеет порядок переноса данных из оперативной БД в долговременную
БД. В ДБД переносятся не все данные - об этом свидетельствует наличие нижнего допустимого уровня хранения данных в ОБД. Перемещение производится
в соответствии с рангом популярности данных: очередь на перенос формируется в очередности, обратной популярности данных, которую имеют данные с
минимальным рангом. В качестве меры популярности использована эмпирическая оценка вероятности поступления запроса: чем выше вероятность поступления запроса, тем выше ранг данных. Для оценки вероятности поступления
запроса использовано предположение о том, что запросы формируют поток с обытий, подчиняющийся статистике простого пуассоновского потока. Соответ-
9
ствующий алгоритм, реализующий вышеизложенные принципы, обеспечил:
контроль ресурсов ОБД; расчет ранга популярности данных; автоматический
перенос данных, инициируемых процедурами контроля состояния ОБД. Его
применение позволило повысить общую оперативность функционирования
СППИР.
Для компактного хранения данных в АРМ предусмотрена архивация данных. Среди методов архивации (сжатия) данных целесообразно использовать
универсальный алгоритм Лемпеля - Зива. Суть метода состоит в том, что цепочка символов, уже встречавшаяся в передаваемом сообщении, кодируется
ссылкой на боле раннюю (при этом указываются «адрес» начала такой цепочки
в «словаре» сообщения и ее длина). Для сравнения архиваторов по степени
сжатия файлов, времени кодирования и декодирования использовался специальный набор исходных данных CalgCC. В состав CalgCC вошли файлы различных типов данных. Набор состоял из 14 файлов, большая часть которых
представляла собой тексты на английском языке или языках программирования. Полученные результаты показали, что скорость сжатия ARJ и PKZIP была
примерно в 4.5 раза выше, чем у RAR и АСЕ, которые, в свою очередь, были
быстрее CABARC и 7-Zip приблизительно на 30 %. Размер словаря в ARJ и
PKZIP в десятки раз меньше, чем в остальных программах. Для уточнения
сравнения архиваторов по степени сжатия файлов использовался набор реальных данных, состоящий из 18 файлов фиксированного размера 1639139 байт.
Анализ полученных данных показал, что они незначительно отличаются от полученных теоретических данных (в основном на десятые доли), что повышает
степень доверия к полученным результатам. Лучшие характеристики продемонстрировал архиватор 7-Zip. Ему незначительно уступает RAR. В результате
анализа временных характеристик при проведении экспериментов было установлено, что ценой увеличения степени сжатия является падение скорости в
среднем в 2 и более раза. По результатам проведенных экспериментов для архивации данных при пересылке последних из оперативного хранилища в до лговременное хранилище был выбран алгоритм 7-Zip как более эффективный.
Большое внимание уделено вопросу сохранения используемых данных.
Для этих целей использовано их резервное копирование. Обоснованы требования, предъявляемые к резервному копированию данных. Приведена классификация типов резервного копирования. В интересах практической реализации
выбрано резервирование DAS (англ. direct-attached-storage). Выбор данного типа резервирования обусловлен простотой его реализации и относительно невысокой стоимостью. В техническом исполнении подсистема резервного копирования реализована на базе единого сервера под управлением операционной системы Windows Server 2003. В её состав входят модули: задания параметров резервирования; резервирования DAS; теневого копирования; зеркалирования;
виртуализации хранилища. Кроме того, она содержит резервное хранилище, с остоящее из 4 жестких магнитных дисков емкостью 500 ГГб.
10
Значимое место в составе АРМ занимает подсистема нейросетевого прогнозирования временных рядов. Центральное место в данной подсистеме занимают ИНС. Ввиду существования большого числа их разновидностей была
проведена соответствующая классификация. Она позволила определиться с
начальным классом ИНС – многослойным персептроном, наиболее подходящим для использования в рамках нейромодифицированной модели Шарпа. В
дальнейшем предложенная классификация позволит выбирать перспективные
классы ИНС для других моделей и решаемых задач.
Эффективность функционирования ИНС зависит от многих факторов.
При этом одним из наиболее значимых факторов является архитектура ИНС.
Выбор архитектуры (проектирование структуры сети), адекватной поставленной задаче, предполагает выбор рационального количества слоев сети и нейронов в каждом слое, а также определение необходимых связей между слоями. В
работе представлены результаты исследований для случаев избытка и нед остатка нейронов в ИНС. Для уменьшения числа используемых нейронов в сети
(редукции) в силу более высокой оперативности проработан и использован алгоритм каскадной корреляции Фальмана.
В интересах совершенствования технологии моделирования ИНС для исследователей - не специалистов в области программирования разработан специальный инструмент - визуальный контактор, позволяющий исследователю
изменять архитектуру ИНС путем управления межнейронными связями, не
вникая в суть математических и программных аспектов.
Для повышения оперативности обучения ИНС обучающий алгоритм обратного распространения ошибки был модифицирован. Суть модификации базировалась на идее Rprop - «упругого распространения» и состояла в использовании знаков частных производных для подстройки весовых коэффициентов
межнейронных связей. На завершающем этапе проведения исследований была
проведена эвристическая оптимизация функционирования алгоритма обратного
распространения ошибки, улучшающая его производительность. Аспектами
оптимизации являлись: выбор режима обучения; максимизация информативности; выбор функции активации; выбор целевых значений функции активации; выбор начальных значений синаптических весов и пороговых значений с ети; реализация обучения по подсказке; управление параметрами скорости обучения нейронов. В результате проведенных экспериментов (более 200) было
установлено, что модифицированный алгоритм сходится почти в 6 раз быстрее,
чем стандартный алгоритм обратного распространения ошибки. В заключ ительной части главы описан порядок функционирования автоматизированного
рабочего места.
Данная книга может быть полезна для теоретиков и практиков, занимающихся исследованием искусственных нейронных сетей и фундаментальным
финансовым анализом на рынке ценных бумаг, а также для аспирантов и студентов, специализирующихся в данной предметной области.
11
РАЗДЕЛ 1
ИНФОРМАЦИОННАЯ ПОДДЕРЖКА ПРИНЯТИЯ
ИНВЕСТИЦИОННЫХ РЕШЕНИЙ НА МАЛОМ ПРЕДПРИЯТИИ.
ПОСТАНОВКА НАУЧНОЙ ЗАДАЧИ
1.1. Определение, функции и классификация инвестиций
Среди множества факторов, оказывающих влияние на устойчивость
функционирования малого предприятия, одним из важных является инвестир ование. Инвестиции используются в интересах реализации расширенного воспроизводства материальных ценностей или услуг, от которых зависит развитие
хозяйствующего субъекта – малого предприятия. Термин “investio” в переводе с
латинского языка означает “одевать”. Проведем анализ данного понятия.
В трактовке экономистов Бланка И.А., Бочарова В.В, Кныша М.И. инвестиции представлены как вложения капитала для дальнейшего его роста. Получаемый прирост капитала должен компенсировать инвестору отказ от использования собственных средств на текущее потребление, обеспечить компенсации
за риск и инфляционные потери в будущем [17, 22, 54].
Гитман Л.Д., Джонк М.Д. - авторы учебника “Основы инвестирования” приводят достаточно близкое по смыслу определение инвестиций как способ
помещения капитала, который должен обеспечить сохранение или возрастание
стоимости капитала и (или) принести положительную величину дохода [34].
В Законе РФ “Об инвестиционной деятельности в Российской Федерации,
осуществляемой в форме капитальных вложений” от 25.02.99 №39-ФЗ (в редакции Федерального Закона от 02.02.2006) инвестиции трактуются как денежные средства, ценные бумаги, иное имущество, в том числе имущественные
права, иные права, имеющие денежную оценку, вкладываемые в объекты предпринимательской и (или) иной деятельности в целях получения прибыли и
(или) достижения иного полезного эффекта”[102].
В своих трудах Шеремет В.В, Шабалин Е.М. и Сергеев И.В. развили данное определение. Шабалин Е.М. рассматривает инвестиции как денежные средства, целевые банковские вклады, паи, акции и другие ценные бумаги, технологии, машины, оборудование, лицензии, в том числе и на товарные знаки, кредиты, любое другое имущество или имущественные права, интеллектуальные
ценности, вкладываемые в объекты предпринимательской деятельности и другие виды деятельности в целях получения доходов (прибыли) и достижения положительного социального эффекта [120,127]. Сергеев И.В. определяет инвестиции как денежные средства, имущественные и интеллектуальные ценности
государства, физических лиц, направляемые на создание новых предприятий,
расширение, реконструкцию и техническое перевооружение действующих,
приобретение недвижимости, акций, облигаций и других ценных бумаг и активов с целью получения прибыли (и) или иного положительного эффекта”[118].
Это определение уточняет цели инвестирования, чего не было в предыдущих
12
определениях. По этой причине оно является более полным.
Исторически, применительно к экономике России, более ранним понятием, близким к инвестициям, является понятие “капитальные вложения”. Закон
“Об инвестиционной деятельности в Российской Федерации, осуществляемой в
форме капитальных вложений” от 25.02.99 №39-ФЗ (редакция от 02.01.2000
№22-ФЗ), определяет капитальные вложения как инвестиции в основной капитал, включающие затраты на новое строительство, расширение, реконструкцию
и техническое перевооружение действующих предприятий, приобретение машин, оборудования, проектные работы и др. Анализ данных определений показывает, что инвестиции являются более широким понятием, чем капиталовложения. Они подразумевают вложения как в основной, так и в оборотный капитал (реальные инвестиции). Более того, они подразумевают использование
множества финансовых инструментов (например, акций, облигаций и др.).
В конечном итоге, инвестиции призваны выполнять определенные функции и решать конкретные задачи как на макроэкономическом, так и на микр оэкономическом уровнях [150]. В рамках данной монографии больший интерес
представляют микроэкономические функции инвестиций (рис. 1.1), полученные
в результате анализа [118, 143, 149].
Основные микроэкономические функции инвестиций
Расширение и развитие
производства
Реализация экологических
мероприятий
Повышение технического и технологического уровня развития
Повышение качества и конкурентоспособности продукции
предприятия
Противодействие моральному и
физическому износу основных
фондов
Приобретение ценных бумаг
Вложение средств в активы
других предприятий
Улучшение социальнопсихологической обстановки
Рис. 1.1. Микроэкономические функции инвестиций
13
В сложных экономических условиях, характеризующихся нестабильным
функционированием мировой экономики вообще и отдельно взятого малого
предприятия в частности, среди представленных функций особую значимость
имеет функция приобретения ценных бумаг [133]. В интересах учета специфики данной функции следует рассмотреть классификацию инвестиций.
Анализ существующих схем классификаций инвестиций показал следующее. Максимальное число классифицирующих признаков представлено в
классификациях И.А. Бланка и М.И. Кныша [17, 54]. Другие классификации характеризуются гораздо меньшим числом признаков [7, 46, 48, 52, 72, 83, 104,
107, 118, 130, 146, 147]. Обобщая результаты данных исследователей, а также
другие классификационные схемы [18, 20, 23, 31, 42, 127], удалось получить
интегральную классификацию инвестиций (рис.1.2).
По объектам
вложения
Финансовые
Реальные
По характеру
участия
Прямые
Косвенные
По периоду
По формам
собственности
По территории
Среднесрочные
Краткосрочные
Совместные
Иностранные
Государств.
Долгосрочные
Частные
Внутригосударственные
Зарубежные
Рис. 1.2. Классификация инвестиций
Из данной схемы следует, что по объектам вложения инвестиции могут
быть финансовыми и реальными. С учетом участия инвестиции подразделяются на прямые и косвенные. В прямых инвестициях инвестор участвует непосредственно. В косвенных инвестициях инвестор принимает опосредованное
участие.
По периоду вложений инвестиции бывают среднесрочные и долгосроч-
14
ные. Для краткосрочных инвестиций характерны вложения сроком до полугода,
для среднесрочных – от полугода до года, для долгосрочных – более года.
Применительно к формам собственности инвестиции могут быть совместными, иностранными, государственными и частными. Субъектами совместных инвестиций, как правило, выступают инвесторы одного или нескольких государств. Субъектами иностранных инвестиций выступают зарубежные
государства. Федеральные и местные органы власти являются субъектами государственных инвестиций. В качестве инвестиций могут выступать как бюджетные средства, так и внебюджетные фонды, а также государственные кредиты. В
категорию частных инвесторов входят компании с негосударственной формой
собственности (юридические лица) и отдельные граждане (физические лица).
С учетом территории инвестиции могут быть зарубежными (объекты инвестирования находятся за границей) и внутригосударственными. Зарубежные
инвестиции вкладываются в объекты, находящиеся за границей, а внутригосударственные вкладываются в объекты внутри страны.
Рассмотрим более детально финансовые инвестиции и управление ими.
1.2. Управление финансовыми инвестициями
Если инвестиции вкладываются в ценные бумаги, иностранные валюты,
банковские депозиты, объекты тезаврации и др., то они называются финансовыми [58]. В результате подобных вложений инвестор может получить дивиденды и другие доходы, тем самым увеличивая свой финансовый капитал. Основные объекты финансового инвестирования (другое название – финансовые
инструменты) представлены на рис. 1.3.
Финансовые
инвестиции
Ценные
бумаги
Иностранные
валюты
Банковские
депозиты
Объекты
тезаврации
Рис. 1.3. Основные объекты финансового инвестирования
Ценные бумаги представляют собой специфические документы. Они
подтверждают право собственности владельца и обеспечивают получение
взамен определённого дохода [104, 145]. По числу участников инвестирования
они могут быть индивидуальными и коллективными. В рамках индивидуального инвестирования ценные бумаги могут приобретаться либо на первичном
(биржевом), либо на вторичном (внебиржевом) рынках [148]. Коллективное
15
инвестирование подразумевает приобретение паев или акций соответствующих
инвестиционных фондов и компаний [152]. Биржевой рынок России в
настоящее время представлен такими ценными бумагами, как акции;
облигации; казначейские обязательства; сертификаты; векселя; варранты;
коносаменты; опционы; фьючерсы.
Достаточно распространенным финансовым инструментом являются
вложения в иностранные валюты. При этом наиболее распространенными способами инвестирования являются:
• приобретение иностранной валюты в банках;
• покупка валюты на бирже (сделки спот);
• заключение биржевого фьючерсного контракта;
• открытие валютного банковского счета.
При невысоких темпах инфляции данные способы достаточно эффективны.
Одним из традиционных способов хранения капитала и получения дивидендов в виде процентов являются банковские депозиты. При реализации данного инструмента риски не высоки, однако также не высоки и получаемые дивиденды.
Вложение капитала в определенные виды ценностей (серебро, золото,
платину, палладий, драгоценные камни, антиквариат, картины, монеты и др.)
носит название тезаврационных инвестиций. При этом прибыль формируется за
счет разницы между ценой их покупки и продажи [151]. В условиях нестабильной экономики данный инструмент может быть достаточно успешным. Следует
заметить, что золото является одним из наиболее распространенных объектов
вложения. Среди форм вложений в золото встречаются: приобретение золотых
слитков; покупка золотых монет; приобретение изделий из золота; вложения в
акции золотодобывающих компаний; приобретение акций золотодобывающих
компаний. Данный финансовый инструмент характеризуется высоким риском и
значительной капиталоемкостью. Ввиду последнего обстоятельства их проводят крупные инвесторы. Меньшее распространение получили инвестиции в
драгоценности. Они обладают большими издержками, которые возникают при
перепродажах. Подобными инвестициями занимаются крупные компании. Основными недостатками тезаврационного инвестирования являются их сложность и относительно узкий рынок.
Краеугольным камнем инвестиционной деятельности является процесс
управления инвестициями (инвестиционный менеджмент) [17, 160].
Применительно к малому предприятию основной целью управления инвестициями является получение максимальных дивидендов от их вложений и
минимизация финансовых рисков. При этом решаются следующие задачи [18]:
- увеличение темпов экономического роста малого предприятия;
- получение максимальных дивидендов;
- обеспечение минимальных рисков;
- создание условий для финансовой устойчивости малого предприятия;
16
- обеспечение ускорения инвестиционного развития.
Среди основных функций управления инвестициями выделяются:
прогнозирование состояний рынка инвестиций;
исследование влияния внешней среды на динамику инвестиционного
рынка;
оценка текущего состояния инвестиционного рынка;
формирование рациональных решений в инвестиционной деятельности;
определение стратегических решений в рамках инвестиционных ресурсов;
сравнительный анализ и выбор лучших инвестиционных проектов;
эффективное управление портфелем инвестиций;
оперативное, тактическое и стратегическое планирование управлением
инвестиционными проектами и программами;
оперативная оценка текущих проектов, своевременная реструктуризация
неэффективных инвестиционных проектов.
Фундаментальную роль в процессе управления инвестициями играют
принимаемые управленческие решения (УР) и технология их информационной
поддержки [92]. Их может быть великое множество, и они могут быть самыми
различными. Для их упорядочения служит классификация. Проведенный предварительный анализ показал, что применительно к данной предметной области
классификация практически не встречается. Поэтому представляет определенный интерес в рамках данной работы такую классификацию провести. При
этом в качестве основы целесообразно использовать классификацию общих УР.
1.3. Классификация общих управленческих решений
Следует заметить, что в настоящее время единой классификации общих
УР, регламентированной конкретным нормативным документом, не существует. В результате анализа множества источников информации [7, 15, 52, 69, 130],
получена обобщенная классификация общих УР. В схематичном виде она представлена на рис. 1.4.
Из схемы видно, что в качестве классифицирующих признаков использованы: степень влияния; масштабность; длительность; направленность; значимость по выполнению; назначение; охват; ситуативность; обоснованность;
применимость.
В соответствии со степенью перспективного влияния на деятельность малого предприятия УР подразделяются на стратегические и тактические. От
стратегических решений зависят глобальные (долгосрочные) цели. Кроме того,
от них зависят общие тенденции развития малого предприятия. Тактические
решения служат для определения ближайшей перспективы. Их совокупность
составляет методологическую основу достижения глобальных (долгосрочных)
целей.
С учетом масштабности УР могут быть глобальными и локальными.
Глобальные решения касаются деятельности всего малого предприятия.
17
По степени
влияния
Стратегические
Тактические
По масштабам
Глобальные
Локальные
По длительности
Долгосрочные
По направленности
По выполнению
По назначению
По охвату
Среднесрочные
Внешние
Краткосрочные
Внутренние
Директивные
Рекомендательные
Ориентирующие
Регулирующие
Координирующие
Контролирующие
Общие
Частные
По ситуативности
Ситуативные
По обоснованности
Интуитивные
Эмпирические
Рациональные
По применимости
Производственные
Маркетинговые
Прочие
Уникальные
Рис. 1.4. Классификация управленческих решений
Локальные решения, как правило, связаны с функционированием его отдельных подразделений.
По длительности выполнения УР могут быть краткосрочными, среднесрочными и долгосрочными. Период реализации краткосрочных решений с оставляет менее года. Среднесрочные решения более длительны, их срок составляет от года до пяти лет. Максимальной длительностью обладают долгосро чные решения. Их срок реализации более 5 лет.
18
С учетом к направленности УР бывают внутренними и внешними. Внешние решения направлены на совершенствование деятельности малого предпр иятия применительно к влиянию внешней среды. Внутренние решения либо не
учитывают влияние внешней среды вообще, либо учитывают косвенно. Их целевое назначение – решение внутренних задач малого предприятия.
По степени обязательности УР разделяются на ориентирующие, рекомендательные и директивные. Ориентирующие решения связаны с указанием
направлений деятельности малого предприятия. Рекомендательные решения
носят «мягкий» характер и не предполагают четких действий. Они, например,
регламентируют определенный стиль поведения в специфических ситуациях и
др. Директивные решения – «жесткие» решения. Они обязательны для всех.
В соответствии с целевым назначением УР могут быть регулирующими,
координирующими и контролирующими. В рамках регулирующих решений
предлагается набор определенных действий, эффект от результата выполнения
которых охватывает некоторый требуемый диапазон значений. Координирующие решения направлены на повышение эффективности взаимодействия подразделений малого предприятия. Контроль за деятельностью подразделений р еализуется с помощью контролирующих решений.
В рамках ширины охвата существуют общие и частные УР. Общие УР
охватывают практически всю деятельность малого предприятия. Частные УР
касаются лишь некоторых видов его деятельности.
С учетом частоты встречаемости УР разделяются на ситуативные и уникальные. Ситуативные УР предназначены для типовых ситуаций, часто встречающихся на практике и требующих решения. Уникальные УР затрагивают ситуации, требующие решения, которые возникли впервые или встречаются на
практике достаточно редко.
По степени обоснованности УР бывают рациональными, эмпирическими
и интуитивными. Как правило, наибольшей ценностью обладают рациональные
решения. Это научно обоснованные решения. Кроме того, они в большинстве
своем прозрачны для анализа, поскольку в рамках обоснования предполагают
определенную логику. Эмпирические решения базируются на практическом
опыте. Ценность подобных решений достаточно высока, если они базируются
на фиксированных данных и основываются на опыте экспертов - практиков.
Особенностью интуитивных решений является их высокий вероятностный характер. Они базируются на интуиции лиц, принимающих решения. Человеческая интуиция практически не изучена, зависит от множества психологических
и физиологических факторов и достаточно часто подводит.
В рамках своего целевого назначения по сфере приложения (применимости) УР могут затрагивать производство, маркетинг, прочее. На рис. 1.4 представлены основные сферы приложения. На практике их может быть больше
(сбыт, персонал и др.). С этой целью введена категория «прочее».
Приведенная классификация общих управленческих решений является
19
основой для классификации управленческих решений в области финансовых
инвестиций. С целью сокращения будем называть их инвестиционными управленческими решениями (ИУР). Рассмотрим их классификацию.
1.4. Классификация инвестиционных управленческих решений
В интересах проведения классификации ИУР целесообразно рассмотреть
возможность применения классифицирующих признаков, используемых в
обобщенной классификация УР, для финансовых инвестиций.
Учитывая узконаправленный характер области финансового инвестирования, такие классифицирующие признаки, как степень влияния, масштабность,
направленность, значимость по выполнению, охват, по своей сути избыточны и
для применения не целесообразны.
Такие классифицирующие признаки, как длительность, назначение, ситуативность и обоснованность, актуальны и необходимы для использования в области финансовых инвестиций.
Содержание такого классифицирующего признака, как «применимость»,
изменится. Он будет включать классы, соответствующие основным финансовым инструментам (ценные бумаги, иностранные валюты, банковские депозиты, объекты тезаврации и др.), используемым в финансовом инвестировании. В
схематичном виде они (инструменты) представлены на рис. 1.3. На данной схеме представлены основные сферы приложения. На практике их может быть
больше, поэтому целесообразно ввести класс «прочее».
В схематичном виде классификация инвестиционных управленческих
решений, учитывающая вышеизложенные особенности, представлена на рис. 1.5.
По длительности
Долгосрочные
По назначению
Регулирующие
По ситуативности
Ситуативные
По обоснованности
Интуитивные
По применимости
Ценные
бумаги
Среднесрочные
Координирующие
Краткосрочные
Контролирующие
Уникальные
Эмпирические
Иностранные
валюты
Банковские
депозиты
Рациональные
Объекты Прочее
тезаврации
Рис.1.5. Классификация инвестиционных управленческих решений
20
Классификация инвестиционных управленческих решений играет важную роль при разработке соответствующей информационной системы. Она
(классификация) позволяет типизировать управленческие решения, что важно
при проектировании базы данных, разработке пользовательского интерфейса и
решении других задач. Кроме того, при разработке информационной системы,
для оценки возможности встраивания процессов принятия и реализации инвестиционных управленческих решений в общий технологический процесс, необходим учет общего технологического процесса принятия управленческих р ешений на малом предприятии.
1.5. Характеристика технологического процесса принятия
управленческих решений на малом предприятии
Схематично, типовой процесс принятия решения на малом предприятии
представлен на рис. 1.6.
12
9
Определение
ограничений
Разработка
альтернативных
решений
2
Анализ
информации
10
1
3
13
Экономическое
обоснование
решения
Построение
модели
проблемы
Сбор
информации
Выявление
проблемы
11
Определение
параметров
модели
14
4
5
Оформление и
утверждение
решения
15
Стимулирование качества и
оперативности
16
Согласование
решения
Выбор
метода
решения
Определение
цели
6
Доведение
решения до
исполнителей
7
8
Корректировка
цели
Контроль
исполнения
решения
Рис. 1.6. Технологическая схема принятия управленческого
решения на малом предприятии
21
На данной схеме представлены основные (отражены сплошными линиями) и вспомогательные (отражены пунктирными линиями) этапы принятия
управленческих решений.
Начальным этапом в общем процессе принятия управленческих решений
является сбор информации по интересующим вопросам (блок 1). На втором
этапе (блок 2) осуществляется ее (информации) общий (первичный) анализ. Целью третьего этапа (блок 3) является выявление факта существования проблемы. Постановка цели, направленной на разрешение выявленной проблемы,
осуществляется на четвертом этапе (блок 4). Перед постановкой цели (за исключением ее тривиальности и простоты достижения) реализуется подпроцесс
углубленного анализа исходной информации и способов решения возникшей
проблемы. Применительно к принятию инвестиционных управленческих решений данный подпроцесс включает следующие этапы: выявление ограничений
(блок 9); построение модели (блок 10); определение параметров модели (блок
11). Он (подпроцесс) способен повысить качество принимаемых управленческих решений, однако требует дополнительных затрат. Оформление и утверждение решения (блок 5) является очередным этапом общего процесса принятия управленческого решения. Данный этап может детализироваться отдельным подпроцессом, содержащим разработку альтернатив (блок 12), экономическую оценку альтернатив (блок 13) и выбор рациональной альтернативы
(блок 14). Теоретические исследования показывают, что при выборе альтернативных решений целесообразно учитывать такие факторы, как [55]: время; качество; масштаб; степень освоенности объекта; метод получения информации;
условия применения объекта; уровень инфляции; степень риска; уровень неопределенности. При этом среди правил анализа альтернатив выделяют следующие [127]:
- число альтернативных вариантов должно быть не менее трех;
- в качестве базового варианта должен приниматься последний по времени, остальные приводятся к базовому корректирующими коэффициентами;
- формирование альтернативных вариантов должно осуществляться на
основе условий обеспечения высокого качества и эффективности решения;
- для сокращения времени, повышения качества решения и снижения затрат рекомендуется шире применять методы кодирования и прогрессивные
технические средства информационного обеспечения процесса принятия решений.
Следующим этапом общего процесса принятия управленческого решения
является доведение его до исполнителей (блок 6). Вспомогательный подпр оцесс до его реализации (блока 6) может содержать стимулирующий этап выполнения решения (блок 15) и этап согласования решения на различных уровнях управления (блок 16). Контроль выполнения принятого решения осуществляется на очередном этапе общего процесса в блоке 7. При этом контроль может подразумевать простую оценку реализации решения (выполнено или не
выполнено) и более сложную (например, оценку эффективности). Если оценка
22
эффективности принятого решения низкая, оно может быть пересмотрено. В
случае возникновения новых условий (существенных) текущая цель может
быть пересмотрена или подвергнута корректировке (блок 8). Затем весь процесс
принятия решения или его отдельные этапы могут повторяться. Способность
повторения указывает на итеративность процесса принятия решения. Представленный выше процесс носит теоретический характер. На практике достаточно
редко отдельные этапы ярко выражены. Некоторые этапы могут быть объед инены, некоторые видоизменены, а некоторые могут отсутствовать.
Сильное влияние на эффективность процесса принятия управленческих
решений оказывает как полная, так и частичная (подпроцессы, отдельные этапы) его автоматизация. Она повышает оперативность разработки, принятия, доведения и реализации управленческих решений, что, в конечном счете, обеспечивает их своевременность. В свою очередь, возможности автоматизации зависят от эффективности функционирования специализированных информацио нных систем.
Информационная система (ИС) представляет собой совокупность технических и программных средств, математическое обеспечение и персонал, об ъединенных в единое целое в интересах добычи, хранения, обработки и выдачи
информации в соответствии с поставленной целью.
В рамках существующей классификации ИС [49] выделяются системы
поддержки принятия решений (СППР). СППР - это компьютерная программа,
обеспечивающая информационную поддержку анализа и выбора альтернатив
по многим количественным и качественным критериям. Ее целевое назначение
состоит в том, чтобы своевременно обеспечить ЛПР требуемой информацией
на этапе принятия решений. В настоящее время СППР применительно к деятельности малого предприятия вообще и финансового инвестирования в частности изучены недостаточно и поэтому представляют теоретический и практический интерес.
Целевое назначение системы поддержки принятия инвестиционных решений (СППИР) заключается в обеспечении поддержки принятия решений
ЛПР при управлении финансовыми инвестициями.
В структурно-технологическом плане отличительной особенностью
СППИР от традиционной ИС является наличие базы моделей. Последняя обусловливает специфику решаемых СППИР задач. Среди них выделяются:
- формирование базы моделей в области финансовых инвестиций;
- структуризация (упорядочение) используемой информации и обеспечение прямого доступа к ней ЛПР;
- обеспечение многократного использования целевой информации (генерируемых моделей);
- оперативный поиск и обработка запрашиваемой информации.
Применительно к технологии принятия инвестиционных управленческих
решений на малом предприятии (см. схему на рис. 1.6) СППИР призвана ре-
23
шать задачи в рамках подпроцессов (блоки 9-14) углубленного анализа исходной информации и способов решения возникающих проблем. Целевое назначение углубленного анализа заключается в повышении качества информации, выдаваемой ЛПР для дальнейшего принятия решений. При этом качество выдаваемой информации, в свою очередь, зависит от качества общего используемого
информационного обеспечения.
Информационное обеспечение представляет собой набор формализованной информации, хранящейся и циркулирующей в СППИР. Данная информация подразделяется на системную и пользовательскую. Системная информация
обеспечивает внутренние процессы функционирования СППИР. Она в данной
монографии не рассматривается. Пользовательская информация представляет
собой сведения об объектах и явлениях внешней и внутренней среды малого
предприятия, их параметрах, свойствах и состоянии, которые уменьшают степень неопределенности и неполноты имеющихся о них знаний применительно
к финансовому инвестированию.
Информация о внешней среде включает:
- котировки инвестиционных инструментов;
- характеристику политической обстановки;
- параметры экономической обстановки;
- и др.
Информация о внутренней среде содержит:
- схемы представления данных;
- форматы представления данных в базе;
- параметры обмена данных внутренней локальной сети;
- набор используемых моделей оценки инвестиций;
- и др.
Следует отметить, что в настоящее время системные проработки в области информационного обеспечения данной предметной области отсутствуют, а
общими недостатками ИО являются:
- проблемы оперативного сбора и обработки требуемой пользовательской информации;
- «размытость» постановок задач управления;
- отсутствие однозначных алгоритмов решения задач управления;
- наличие практики принятия необоснованных («волевых») решений;
- низкий уровень автоматизации рутинных операций при обработке документации;
- низкое качество реализации документооборота приводящее к избыточности (дублированию) информации, с одной стороны, и быстрому ее старению,
с другой;
- несоответствие фактических значений показателей качества информации (полнота, адекватность, достоверность) требуемым в существующих программных системах [43, 67].
24
Усугубляют сложившееся положение недостатки готовых программных
решений. Программные продукты отечественного производства в данной предметной области ограничены, закрыты (не допускают модификаций и доработок) и дороги. Для зарубежных программ характерны: значительная сто имость;
избыточность функциональных возможностей; закрытость; отсутс твие учета
особенностей отечественного рынка.
Вышеизложенные проблемы приводят к затруднению своевременной
оценки информации и выработки эффективных инвестиционных управленческих решений на малом предприятии. Кроме того, они тормозят развитие
СППИР, что, в конечном итоге, негативно сказывается на функционировании
малого предприятия и его выживаемости в современных сложных экономических условиях.
Поэтому повышение эффективности информационного обеспечения (его
пользовательской составляющей) процесса управления финансовыми инвестициями малого предприятия, на основе разработки и внедрения СППИР, является важной актуальной научной и практической задачей.
На начальном этапе разработки к СППИР предъявляется ряд требований
[39, 41, 47, 123, 124].
1.6. Требования, предъявляемые к системе поддержки
принятия инвестиционных решений
Одним из первых основных требований, а точнее группой требований,
предъявляемых к СППИР, является повышение качества информации, предоставляемой пользователю. Повышение качества информации– это одна из целей, для достижения которой создается СППИР. В настоящее время в состав
характеристик, определяющих качество пользовательской информации (рис.
1.7), входят такие характеристики, как [123]: репрезентативность; содержательность; полнота; доступность; актуальность; своевременность; точность; достоверность; устойчивость.
Репрезентативность трактуется как правильность отбора и компоновки
информации с целью наиболее адекватного описания объекта (отражения его
основных свойств) [47]. Низкая репрезентативность информации приводит к
значительной ее погрешности. Репрезентативность зависит от заложенной ко нцепции представления объекта и обоснованности выбора значимости его исследуемых связей, а также от используемого методического аппарата.
Под содержательностью информации понимается ее семантическая емкость, то есть смысловой объем информации. Для расчета данной характеристики S используется выражение вида [123]
S=Kc/Vd,
где Kc – количество смысловой информации; Vd – общий объем данных.
Менее сложной характеристикой, однако и менее адекватной, которая используется на практике в качестве аналога содержательности, является информа-
25
тивность I, предложенная Шенноном [138]. Для ее расчета используется соотношение вида
I=Vs/ Vd,
где Vs – объем синтаксической информации.
Характеристики качества информации
Репрезентативность
Содержательность
Полнота
Доступность
Актуальность
Своевременность
Точность
Достоверность
Устойчивость
Рис. 1.7. Характеристики, определяющие качество информации
Полнота информации означает, что имеется некоторый минимальный
объем информации, достаточный для принятия правильного решения. Данная
характеристика тесно связана с содержательностью (объемом смысловой информации). Как показывает практика, избыточная (когда смысловой информации много) и недостаточная (когда смысловой информации мало) полнота негативно влияет на принятие решений.
Доступность информации показывает степень ее понимания для польз ователя. Даже кондиционная информация в результате несовершенной внутренней обработки информации в СППИР может стать непонятной для пользователя. При обеспечении доступности немаловажную роль играет наличие единого
терминологического пространства, так называемого тезауруса. Это значит, что
семантическая форма информации, предоставляемой СППИР, должна быть с огласована с тезаурусом пользователя (они должны понимать друг друга). В конечном итоге СППИР должна предоставить информацию пользователю в понятной для восприятия форме.
Важной характеристикой качества информации является ее актуальность.
Она показывает ценность информации на момент принятия решения и зависит
от момента поступления информации в СППИР, а также от того, насколько
быстро данная информация эту ценность теряет.
Своевременность информации характеризует степень соответствия по-
26
ступления требуемой информации моменту принятия решения.
Точность информации определяет меру близости описания исследуемого
объекта, процесса, явления и др., представленного в информации, его фактич ескому состоянию.
Достоверность информации достаточно тесно связана с ее точностью.
Она носит вероятностный характер и характеризует отражение реальных объектов, процессов, явлений и др. с определенной точностью. Для измерения данной характеристики используется доверительная вероятность, величина которой зависит от требуемой точности.
Устойчивость информации показывает, насколько точность информации
критична к изменению исходных данных. Данная характеристика, как и репр езентативность, содержательность, полнота, доступность, зависит от заложенной концепции представления объекта и обоснованности выбора значимости
его исследуемых связей, а также от используемого методического аппарата.
Вторым требованием, предъявляемым к СППИР, является обеспечение
оперативности. Его (требования) необходимость очевидна. Важную роль в информационно-аналитической поддержке процессов оперативного управления
финансовыми инвестициями играют динамические отчеты, генерируемые
СППИР. Динамические отчеты должные содержать требуемые данные (курсы
валют, котировки акций, результаты моделирования и др.), понятные пользователю, и предоставляться к моменту принятия инвестиционных управленческих
решений. Их содержательная сторона обеспечивается первым требованием
(группой требований), а своевременность доставки должна обеспечиваться
надлежащей оперативностью. Требуемая оперативность зависит от используемых алгоритмов обработки информации, архитектуры построения СППИР,
среды разработки программного обеспечения и операционной системы.
Анализ вышеизложенных требований показывает, что для их удовлетворения СППИР должна иметь:
- рациональную архитектуру построения;
- адекватное математическое обеспечение;
- адекватное специальное программное обеспечение.
Рациональная архитектура СППИР подразумевает ее открытость, унификацию и стандартизацию используемых подсистем. Открытость СППИР предполагает модульный характер ее построения с открытым интерфейсом объединения модулей и подсистем. Это позволяет на начальном этапе создать прототип СППИР (систему с ограниченным функционалом), а затем наращивать ее
функциональные возможности путем внедрения соответствующих программных модулей. При этом внедрение модулей базируется на принципах стандартизации и унификации [67, 115].
Используемое математическое обеспечение должно в полном объеме
удовлетворить первую группу предъявляемых требований к СППИР.
Адекватное специальное программное обеспечение призвано удовлетво-
27
рить второе требование (оперативность), предъявляемое к СППИР.
Математическое и специальное программное обеспечение составляют основу СППИР. Его обоснование и разработка являются актуальными научными
и практическими задачами. На начальном этапе их решения необходимо определить используемые критерии эффективности и оптимизации функционирования СППИР.
1.7. Определение критериев оптимизации функционирования
системы поддержки принятия инвестиционных решений.
Постановка научной задачи
Функционирование СППИР достигается четырьмя основными видами
обеспечения: математическим (M); информационным (I); программным (P);
техническим (T) [47, 50, 119]. Поэтому общая эффективность функционирования СППИР зависит от их эффективности. С учетом требований, предъявляемых к СППИР, в качестве критериев оптимизации ее функционирования целесообразно использовать:
- точность проведения анализа финансовых инвестиций – qi;
- время проведения анализа финансовых инвестиций – ta;
- стоимость разработки специального математического и программного
обеспечения, а также информационных и технических средств поддержки - cΣ.
Точность анализа финансовых инвестиций целесообразно характериз овать величиной ошибки εr между прогнозными и фактическими значениями
стоимостных характеристик выбранных финансовых инструментов (курсы валют, котировки акций и др.). Данный параметр в рассматриваемой задаче будет
выступать в качестве критерия целевой эффективности. Он зависит от характеристик, используемых видов специального математического, программного,
информационного и технического обеспечения.
Специальное математическое обеспечение (СМО) представляет собой
множество методов, математических моделей, методик и алгоритмов, используемых в рамках анализа исходной информации и генерации инвестиционных
решений. В символьной нотации математическое обеспечение может быть
представлено следующим образом:
M О М d , M е , Al ,
(1.1)
где М d - модели, M е - методы и Al - алгоритмы, используемые при проведении анализа.
Работоспособность используемого на практике СМО обеспечивают программы, для реализации элементов которых используется соответствующий
программный код. Совокупность программ представляет собой программное
обеспечение Po. Оно состоит из специального программного обеспечения Pos, непосредственно реализующего используемые алгоритмы, и общего программного обеспечения Poо (операционная система, среда программирования и т.д.), используемого при разработке специального программного обеспечения Pо Pоs , Pоo .
28
Информационное обеспечение включает в себя выбранную технологию обработки и взаимообмена данными. В символьном виде ИО представляется как
Iо
Iт ,
(1.2)
где I т – модель представления данных, используемая в рамках инвестиционного анализа.
Техническое обеспечение представляет собой комплекс технических средств
(ЭВМ, средства телекоммуникаций и др.), используемых для решения задач инвестиционного анализа.
Значения характеристик специального математического, программного и информационного обеспечения в решаемой задаче будут выступать в качестве варьируемых параметров, а значения характеристик технического обеспечения – в качестве ограничений.
Как отмечалось выше, информация, необходимая для принятия решений,
должна предоставляться пользователю своевременно или даже с некоторым временным запасом (заблаговременно). Поэтому время анализа ta,, характеризующее оперативность проведения расчетов, не должно превышать требуемое. При задании требуемого времени должны учитываться временные параметры всего процесса принятия управленческих инвестиционных решений. Данный параметр в решаемой задаче
будет выступать в качестве ограничения.
Показатель стоимостных затрат на разработку специального математического и программного обеспечения, а также на информационные и технические средства поддержки cΣ,
будет в решаемой задаче, как и предыдущий показатель, выступать в качестве ограничения.
В качестве критерия целевой эффективности в решаемой задаче будет использоваться ошибка между соответствующими прогнозными и детерминированными значениями принятых финансовых решений, зависящая от методов реализации основных видов
обеспечения (математического, информационного, программного и технического).
Учитывая вышесказанное, общая научная задача исследований формулируется
следующим образом:
повысить точность принимаемых инвестиционных управленческих решений
малого предприятия путём минимизации ошибки между соответствующими прогнозными и фактическими значениями принятых финансовых решений, путем оптиМ d , M е , Al , информационного
мизации параметров математического M О
I т и специального программного обеспечения Pos, при заданном комплексе
Iо
технических средств автоматизации T Tz и общем программном обеспечении
Pо
Pо
. При этом время проведения анализа ta (оперативность) не должно превышать требуемое время TТ:
min ,
(1.3)
r М d , M е , Al , I т , Роs , Pоo , T , t a
Pоo Pоoz ,
(1.4)
(1.5)
T Tz ,
t а TТ .
(1.6)
Общая схема решения данной задачи представляется следующим образом.
o
оz
29
1.8. Общая схема решения задачи
Общая задача (1.3) – (1.6) относится к классу слабоформализ ованных. Формальная схема решения данной задачи включает четыре
частных задачи.
Первая частная з адача предполагает выбор эффективных инв естиционных финансовых инструментов для практического использ ования в СППИР.
Во второй частной задаче необходима сравнительная оценка
существующих моделей и методов анализа финансовых инвестиций
(финансового портфеля) малого предприятия с целью выбора среди
них наиболее перспективных для последующей модификации в и нтересах минимизации возможных ошибок проведения анализа при
использовании в СППИР. Решение данной задачи базируется на те оретических основах моделирования [5, 45, 48, 117, 138] и системном
анализе [19, 43, 60, 64, 73, 74, 100, 101, 106, 110, 112, 113, 131, 136,
140, 144].
Решение третьей задачи предполагает формирование комплекса
моделей и алгоритмов, предназначенных для подготовки и обрабо тки данных, а также реализации требуемых вычислительных схем. В
основу решения данной задачи положены статистические методы
оценки и имитационное моделиров ание.
В рамках четвёртой задачи разрабатывается математическое,
информационное и специальное программное обеспечение, лежащее
в основе СППИР, после чего оценивается эффективность функци онирования последней. В основу разрабатываемых видов обеспечения
положены результаты решения предыд ущих задач.
В интегральном виде вышеизложенные задачи приведены в
табл.1.1.
Таблица 1.1
Решаемые задачи
Наименование
задачи
Используемые теории,
Исходные
Выходные
данные
результаты
модели, методы
и алгоритмы решения
1. Обоснование эффективных Алгоритмы
анали- Набор существу- Набор
эффективтических
расчетов. ющих финансовых ных
финансовых
финансовых инструментов
Метод сравнения
инструментов
инструментов для
применения
в
СППИР
Описания
суще- Набор
целесооб2. Сравнительная оценка суще- Математическое
моделирование.
Систвующих
модеразных
для
испольствующих моделей и методов
лей и методов ана- зования в СППИР
анализа финансовых инвести- стемный анализ
лиза
финансовых моделей и методов
ций
инвестиций
анализа
инвестиций
30
Окончание табл. 1.1
Наименование
задачи
Используемые теории,
Исходные
данные
модели, методы
и алгоритмы решения
Системный
анализ. Параметры облиТеория
нейронных гаций
сетей.
Алгоритмы
аналитических
расчётов
Выходные
Результаты
Комплекс моделей
и алгоритмов подготовки и обработки данных, а также
реализации требуемых
вычислительных
схем,
предназначенных
для использования
в СППИР
малого
4. Разработка математического, Системный анализ. Результаты реше- СППИР
Объектнония
задач
1-3
(мопредприятия
информационного и специальдели, методы и алного программного обеспече- ориентированное
программирование
горитмы)
ния СППИР
Формирование комплекса
моделей и алгоритмов, предназначенных для подготовки и
обработки данных, а также реализации требуемых вычислительных схем
3.
31
РАЗДЕЛ 2
ОЦЕНКА ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ОБЛИГАЦИЙ
И ОПРЕДЕЛЕНИЕ ИХ ПАРАМЕТРОВ
2.1. Общие принципы оценки эффективности финансовых инвестиций
Особую значимость финансовые инвестиции малого предприятия приобретают на стадии его зрелости и старения. Как показывает опыт, в эти периоды
у предприятия имеются немалые собственные финансовые накопления и возникает необходимость их вложений. Стоимость накопленных финансовых средств
достаточно высока, и руководство, как правило, стремится их вкладывать в различные финансовые инструменты с целью приумножения имеющегося капитала. В основном предпочтение отдается долгосрочным финансовым инструментам (например, государственным ценным бумагам), приносящим пусть невысокий, однако стабильный доход.
Более рискованные финансовые инструменты (векселя, фьючерсы, опционы и др.) позволяют приносить более значительный доход. Их выбор треб ует
глубокого анализа, базирующегося на соответствующих принципах и методиках оценки эффективности.
Под оценкой эффективности финансовых инвестиций будем понимать
определение ценности инвестиционного финансового проекта (проектов) с точки зрения получаемого эффекта и произведённых затрат применительно к интересам малого предприятия. В качестве затрат при определении эффективности финансовых инвестиций выступает размер средств, затраченных на их пр иобретение, а в качестве дохода – разница между реальной стоимостью отдельных финансовых инструментов и суммой средств, инвестированных на их приобретение. Расчет эффективности финансовых инвестиций (нормы дохода)
осуществляется в соответствии с выражением [114]:
Н диф
Д ож
100
Иф
Сф
Иф
Иф
100 ,
(2.1)
где Н диф – норма дохода (эффективность) финансовых инвестиций, %;
Д ож – ожидаемый доход от финансовых инвестиций; И ф – реальная (будущая)
стоимость отдельных финансовых инструментов, приведенная к моменту ос уществления инвестиций; Сф – величина средств, инвестированных в финансовые инструменты.
Один из основных принципов оценки инвестиционных качеств различных финансовых инструментов предполагает изучение следующих аспектов
[114]:
- инвестиционной привлекательности отрасли, региона, в которых осуществляет свою хозяйственную деятельность эмитент;
- инвестиционной привлекательности, финансового состояния предприятия – эмитента (для акций и облигаций предприятий);
- характера обращения финансового инструмента;
32
- условий эмиссии финансового инструмента.
В интересах оценки инвестиционной привлекательности предприятий
эмитентов и проектов используется ряд показателей. Их суть и взаимосвязь с
интересами различных инвесторов приведены в табл. 2.1.
Таблица 2.1
Основные показатели, используемые в интересах оценки
инвестиционной привлекательности предприятий эмитентов и проектов
Показатель
1. Размер оборотного капитала (Uo)
2.
Коэффициент
общей ликвидности (Кл)
3.
Коэффициент
немедленной ликвидности (Кнл)
4.
Оборачиваемость
дебиторской задолженности
5.
Оборачиваемость
товарноматериальных
средств
6.
Коэффициент
покрытия процентов по кредитам
7.
Соотношение
между заемным и
собственным капиталом
8. Отношение заемного капитала к общей сумме активов
Суть и основные расчетные соотношения
Субъект финансирования
Капитал, участвующий и полностью расходуемый Краткосрочные
в течение одного производственного цикла:
кредиторы
Uo= Та- Тп,
где Та- текущие активы; Тп- текущие пассивы.
Отношение текущих (краткосрочных) активов (Та) Краткосрочные
к текущим пассивам (краткосрочным обязатель- кредиторы
ствам) (Тп):
Кл= Та/ Тп
Отношение легко реализуемых активов (средств на Краткосрочные
расчетном счете, рыночных ценных бумаг) (Ла) к кредиторы
текущим пассивам:
Кнл= Ла/ Тп
Кодз=Вр/Дз,
Краткосрочные
где Вр – выручка от реализации продукции в ры- кредиторы
ночных ценах, руб, Дз – средние остатки дебиторской задолженности за период, руб.
Котмз=Ср/То,
Краткосрочные
где Ср – себестоимость реализуемой продукции за кредиторы
период в рублях, То – средние за период остатки
товарно – материальных запасов.
Кппк=ОПп/Свпк,
Долгосрочные
где ОПп – оперативная прибыль до выплаты про- инвесторы
центов по кредитам, Свпк –- сумма выплат процентов по кредитам.
Показывает, насколько эффективно прибыль от
оперативной деятельности покрывает проценты по
полученным кредитам и тем самым характеризует
степень финансовой напряженности и риска проекта
Кзс=Кз/Кс,
Долгосрочные
где Кз- заемный капитал, Кс- собственный капитал. инвесторы
Для предприятий со стабильной доходностью возможно соотношение 30:70. Для недавно созданных
компаний – 25:75. Для известных фирм с хорошей
репутацией – 10:90.
Кза= Кз/Сао,
Долгосрочные
где Сао – общая сумма активов.
инвесторы
33
Окончание табл. 2.1
Показатель
9.
Коэффициент
общей платежеспособности
10. Норма прибыли
на акцию
11. Норма прибыли
акционерного капитала
12.
Коэффициент
котировки акции
13. Показатель выплаты дивидентов
14. Доходность акций
Суть и основные расчетные соотношения
Субъект финансирования
Коп=Сз/Сао ,
Долгосрочные
где Сз – суммарная задолженность (долгосроч- инвесторы
ная и краткосрочная).
Данный коэффициент показывает, насколько в
активах компании присутствует заемный капитал. Оптимальным считается коэффициент платежеспособности в пределах 0,2-0,3.
Представляет собой отношение чистой прибы- Инвесторыли предприятия к количеству акций.
акционеры
Нпа=Пч/Na,
где Пч – чистая прибыль предприятия, Na – количество акций.
Показывает, насколько эффективно использу- Инвесторыется капитал акционеров, вложенный в инве- акционеры
стиционный проект.
Нпак= Пч/Кс,
Кс – собственный капитал.
Показывает отношение рыночной цены акции к Инвесторыее учетной цене, характеризующей долю соб- акционеры
ственного капитала, приходящегося на одну
акцию.
Кка=Цар /Цау ,
Цар – рыночная цена акции, Цау – учетная цена
акции.
Определяет, какая доля чистой прибыли Инвесторынаправляется на выплату дивидентов.
акционеры
Квд=ДПч/Пч,
где ДПч – доля чистой прибыли.
Представляет собой чистую прибыль, прихо- Инвесторыдящуюся на одну акцию, отнесенную к рыноч- акционеры
ной стоимости акций.
Кда=Пча/ Цоар ,
Пча – чистая прибыль акции, Цоар – рыночная
стоимость всех акций.
Кцнпа= Цар / Нпа
Инвесторыакционеры
15. Отношение цены
к норме прибыли на
акцию
16.
Коэффициент Показывает возможности акционерного общества уве- Инвесторыустойчивости роста личивать в будущем свои активы за счет внутреннего акционеры
финансирования при условии, что будут сохранены
пропорции между собственным капиталом, обязательствами и дивидентными выплатами.
Кур= (Пч- ДПч)/Ка,
где Ка – величина исходного акционерного капитала.
34
Инвестиционный проект представляет собой совокупность экономических решений и организационно - финансовых мероприятий, реализующих
вложение выделенных средств в объект инвестирования и выполнение определенной последовательности действий (работ и услуг) для достижения требуемого экономического эффекта.
В интересах оценки эффективности инвестиционных проектов используется ряд принципов, схематично представленных на рис. 2.1.
Анализ
Моделирование потоков
Максимизация эффекта
Учет
рисков
Принципы
оценки эффе ктивности
проектов
Учет
бивалютности
Нормирование
показателей
Оценка динамики
Учет
инфляции
проекта
Рис. 2.1. Принципы оценки эффективности инвестиционных проектов
Первый принцип предполагает анализ проекта на всех стадиях его жизненного цикла.
Второй принцип - моделирование денежных потоков, подразумевает учет
всех связанных с осуществлением проекта денежных поступлений и расходов
за расчётный период.
Исходя из третьего принципа максимизируется положительный эффект
инвестиционного проекта.
Четвертый принцип предполагает учет неопределенности и рисков.
В соответствии с пятым принципом анализируется возможность использования нескольких валют при реализации проекта.
Исходя из шестого принципа - основные показатели эффективности нормируются с целью их приведения к единой шкале оценки.
Седьмой принцип предполагает оценку динамических свойств проекта.
В рамках восьмого принципа учитывается инфляция.
При оценке инвестиционного проекта решающее значение имеют финансовые и экономические аспекты инвестиционной деятельности. В частности,
принимаемый проект должен обеспечить:
возмещение вложенных средств (путем получения доходов от реализации
товаров и услуг);
прирост капитала, компенсирующий общее (инфляционное) изменение
покупательной способности денег и покрывающий риск инвестора, связанный с
35
осуществлением проекта;
окупаемость инвестиций в пределах приемлемого срока.
Определение реальности достижения вышеизложенных требований является основной задачей анализа эффективности инвестиционного проекта.
Обоснованность получаемых результатов, а следовательно, их ценность,
зависит от полноты и достоверности исходных данных и от корректности методов, используемых при их анализе.
Как известно, наименее рискованными инструментами инвестирования
[62] являются государственные ценные бумаги, субфедеральные ценные бумаги, муниципальные ценные бумаги, депозитные и сберегательные сертификаты.
Наибольшим риском и максимальной отдачей обладают фьючерсы.
Облигации занимают промежуточное положение.
В современной экономической обстановке, характеризующейся нестабильным развитием экономик крупнейших государств, в том числе и России,
что обусловливает значительную неопределенность и высокий риск инвестирования, центр тяжести вложений перемещается на более консервативные финансовые инструменты, в частности на облигации. Поэтому данному финансовому
инструменту в работе уделено основное внимание.
Рассмотрим классификацию облигаций.
2.2. Классификация облигаций
Облигация (от лат. Obligatio – обязательство) – ценная бумага, содержащая обязательство эмитента выплатить ее владельцу (кредитору) номинальную
стоимость или иной имущественный эквивалент по окончании установленного
срока. Облигация может также предусматривать право ее владельца на получение указанного в ней процента от номинальной стоимости либо иные имущественные права [158].
В мировой практике слово "облигация" обычно используется для обозначения долгосрочного финансового инструмента, имеющего срок погашения как
минимум более 1 года. В России термин "облигация" применяется практически
для любой долговой ценной бумаги. Например, ГКО - государственные краткосрочные облигации, выпускались обычно на срок 3, 6, 12 месяцев. В мировой
практике для финансовых инструментов сроком обращения менее 1 года используется термин вексель или коммерческая бумага.
В настоящее время существует достаточно большое число различных
классификаций облигаций. При этом в основе выделения состава и содержания
классифицирующих признаков лежит целевое назначение соответствующей
классификации. Для данной работы, в рамках которой разрабатывается система
поддержки принятия инвестиционных решений, целесообразно использовать
такие классифицирующие признаки, как: степень обеспеченности; вид дохода;
тип купона; вид платежа; срок обращения; специфика использования; степень
конвертируемости; рейтинг вероятности банкротства. В схематичном виде разработанная классификация, приведена на рис. 2.2.
36
По степени
обеспеченности
По виду
дохода
Купонные
По типу
купона
37
По виду
платежей
С отсроченными
КП
По сроку
обращения
Коммерческие Кратко- Средне- Долго- Отзывбумаги срочные срочные срочные ные
По степени конвертируемости
По рейтингу
вероятности
банкротства
ААА
Капитальные
Дисконтные
С варрантом
Товарные
С переменным
купоном
С постоянным
купоном
По специфике
использования
Необеспеченные
Обеспеченные
Гарантированные
С увели- С пла- С пере- Индек- Инфля- Валютно- Струкчиваю- вающей сматрива- сируе- ционно- индекси- туриро- С уча- Доходщимися
ПЦ
емой ПЦ
мые индексиванные стием
ные
руемые
КП
руемые
С 2-мя
Фондо- Досроч- Пролон- датами
Бесвые
ные гируемые погаше- срочные
ния
Голосующие
Двухвалютные
Серийные
С нулевым купоном
Обмениваемые
С обязательной конвертацией
АА
А
ВВВ
ВВ
В
ССС
СС
Рис. 2.2. Классификация облигаций
С
CI
D
Одним из наиболее существенных признаков классификации облигаций является степень их обеспеченности. С учетом данного признака облигации могут
быть гарантированными (выполнение обязательств по таким облигациям, помимо
эмитента, гарантируется одним или несколькими лицами, которые берут на себя
обязательство выполнить обязательства при невозможности их выполнения со
стороны эмитента), обеспеченными (имеется залог какого-либо движимого или
недвижимого имущества предприятия) и необеспеченными (не имеют специального обеспечения). Следует отметить, что обеспеченность облигаций может достигаться различными средствами, в частности: недвижимостью; оборудованием;
ценными бумагами; пулом ипотечных кредитов; активами и др.
По виду дохода облигации разделяются на купонные; дисконтные; капитальные; с варрантом; товарные.
Купонные облигации обладают номинальной стоимостью и периодическим
купонным процентом. Данный вид облигации нашел набольшее распространение
среди инвесторов.
Доход владельца дисконтной облигации состоит в том, что он приобретает
облигацию по цене ниже номинала, а в момент погашения получает номинальную
стоимость. Других выплат (купонов) облигация не предусматривает.
Капитальные облигации называют сокращенно FRCS (Fixed Rate Capital
Securities). Они представляют собой одно из последних нововведений на американском финансовом рынке. Данные ценные бумаги представляют собой некую гибридную форму между облигациями и привилегированными акциями.
Данный вид ценных бумаг предусматривает ежемесячные или ежеквартальные
фиксированные платежи, а по окончании срока действия данной ценной бумаги
гасятся по своей стоимости. В отличие от большинства облигаций они материально не обеспечены. В случае банкротства держатели данных ценных бумаг
будут иметь право требования перед акционерами выплат компенсаций после
всех должников. Другое отличие от обычных облигаций состоит в том, что
эмитент имеет право отсрочить выплату купонных платежей (на срок не более
5 лет). Кроме того, выплата дохода осуществляется раз в месяц или раз в квартал в отличие от общепринятых по облигациям полугодовых выплат. Стандартный номинал данных облигаций - $25 (вместо $1000 по обычным облигациям).
Сроки погашения данных ЦБ могут пролонгироваться. Общий срок пролонгации не превышает 49 лет.
По виду дохода облигации подразделяются на купонные, дисконтные, капитальные, с варрантом, товарные.
Владельцу купонных облигаций в момент погашения выплачивается как
номинальная стоимость, так и периодический купонный процент. При погаше-
38
нии дисконтных облигаций выплачивается номинальная стоимость. Капитальные облигации приносят гарантированный доход в течение 5 лет. Облигации с
варрантом - это комбинация двух бумаг - обыкновенной облигации и варранта
на покупку акций. Особенностью облигации данного вида является тот факт,
что реализация варранта не означает прекращение действия облигации. При
этом облигации с варрантом могут предполагать как возможность отделения
варранта от облигации, так и невозможность этого. Облигации с варрантом
имеют наибольшее распространение в Японии, на долю которых приходится от
20 до 50 процентов всех выпусков облигаций. Товарные облигации предполагают свое погашение не в денежной форме, а в форме предоставления владельцу облигаций некоего товарного эквивалента. По сути это товарный фьючерс.
Для облигаций с переменным купоном выделен отдельный классифицирующий признак – вид платежа. В соответствии с ним облигации бывают: с отсроченными купонными платежами (КП); с увеличивающимися КП; с плавающей процентной ставкой (ПЦ); с пересматриваемой ПЦ; индексируемые; инфляционно-индексируемые; валютно-индексируемые; структурированные; с
участием; доходные.
Облигации с отсроченными купонными платежами предполагают выплату купонных платежей спустя несколько лет после выпуска. Это дает эмитенту
определенную паузу с обслуживанием выпускаемых облигаций. Данный тип
облигаций применяется, например, при осуществлении поглощения компании
за счет выпуска облигаций.
По облигациям с увеличивающимися купонными платежами ("step up")
купон может выплачиваться в первые годы, однако величина купона устанавливается на достаточно низком уровне, а в дальнейшем повышается.
У облигаций с плавающей процентной ставкой цена купона привязывается к таким макроэкономическим показателям, как доходность государственных
ценных бумаг и ставка межбанковских кредитов (LIBOR). При этом размер купона устанавливается обычно как доходность базового инструмента плюс
определенная надбавка - "спрэд". Например, компания выпускает облигации,
ставка купона по которым привязана к ставке LIBOR. Купон выплачивается
каждые полгода, в этом случае в качестве базовой ставки берется ставка LIBOR
по 6-месячным кредитам. Одной из разновидностей облигаций с переменным
купоном являются облигации, ставка купона по которым может колебаться в
определенных границах, т.е. известна минимальная и максимальная возможная
граница колебаний процентной ставки. Сравнительно экзотическим вариантом
облигаций с переменным купоном являются облигации с "перевернутой" плавающей ставкой. Например, облигация может предусматривать выплату купона
39
из расчета 13 % годовых - LIBOR [158,159].
Отличие облигаций с пересматриваемой процентной ставкой от облигаций с плавающей процентной ставкой состоит в том, что если по первым купон
отражает спрэд, фиксированный на момент выпуска облигации, то во втором
случае купон будет отражать изменение текущих рыночных условий. Облигации с пересматриваемой процентной ставкой обычно применяются при выпуске сравнительно низко надежных, спекулятивных операций, с целью компенс ировать инвестору возможное снижение кредитного рейтинга компании.
Номинал индексируемых облигаций постоянно пересчитывается с учетом
роста какого-либо индекса, и доход начисляется с учетом изменения номинала.
Чаще в качестве индекса используется индекс инфляции (индекс потребительских цен), и такие облигации позволяют инвестору чувствовать себя защищенным от изменения цен. Однако возможно и использование других индексов. В
России и ряде других стран осуществлялся выпуск так называемых золотых
сертификатов, номинал которых был поставлен в соответствие стоимости опр еделенного количества золота. Существует практика выпуска облигаций, номинал которых поставлен в соответствие динамике курса акции, портфеля акций
или какому-либо фондовому индексу, например индексу S&P [158, 159].
Инфляционно-индексируемые облигации имеют привязку к темпам инфляции. Наибольшее распространение такие ценные бумаги получили в Великобритании [116] и Канаде, где в такой форме частично выпускаются государственные ценные бумаги, а также в странах с высокой и нестабильной инфляцией (Израиль, Мексика, Бразилия). В январе 1997 года был осуществлен первый выпуск инфляционно-индексируемых облигаций в США. Инфляционноиндексируемые облигации выпускаются также в Швеции, Австралии, Новой
Зеландии.
Валютно-индексируемые облигации практически аналогичны облигациям, выпускаемым с номиналом в иностранной валюте. При этом в некоторых
случаях государственное регулирование запрещает или затрудняет выпуск о блигаций с номиналом в иностранной валюте и эмитенты облигаций выпускают
облигации с номиналом в национальной валюте и переменным купоном, рассчитывающимся таким образом, чтобы обеспечить инвестору постоянный доход в валюте. Валютно-индексируемые облигации широко применяются в
странах, характеризующихся существенной макроэкономической нестабильностью - Латинской Америке, Израиле, Турции [158, 159].
Структурированными называются все облигации, имеющие платежи, поставленные в зависимость от каких-либо других финансовых показателей. К
структурированным облигациям относятся и облигации с переменным купоном, и инфляционно-индексируемые облигации, и конвертируемые облигации.
Структурированность облигации предполагает её состав из обыкновенной о б-
40
лигации и производной ценной бумаги - опциона или фьючерса, за счет этого
опциона платежи по облигации ставятся в зависимость от цены акции, портфеля акций, фондового индекса, цены товара или индекса цен товарной группы.
У облигаций с участием купонный процент привязан к прибыли предприятия. Он состоит из фиксированной составляющей и надбавки, поставленной в
зависимость от прибыли предприятия или дивиденда по акциям. Облигации с
участием применяются крайне редко, например, при привлечении средств инвесторов кооперативами.
По доходным облигациям проценты выплачиваются только в том случае,
если в течение соответствующего купонного периода предприятие заработало
прибыль. При этом, как и по привилегированным акциям, процент может быть кумулятивным или некумулятивным. Данные облигации выпускались в США при реорганизации обанкротившихся железнодорожных компаний (поэтому их называют еще
"облигациями урегулирования"). Позднее стали выпускаться и другими предприятиями, в основном, при изменении структуры капитала, выкупа контрольного пакета за
счет кредита и т.д.
По сроку обращения облигации могут быть разделены на коммерческие
бумаги; краткосрочные; среднесрочные; долгосрочные; отзывные; фондовые;
досрочные; пролонгируемые; с 2 датами погашения; бессрочные.
Коммерческие бумаги можно считать сверхкраткосрочными облигациями, имеющими срок обращения до 1 года, в США - не более 9 месяцев. Коммерческие бумаги почти всегда выпускаются в дисконтной форме, обычно без
специального обеспечения. Отличие коммерческих бумаг от обычных облигаций состоит в том, что их регистрация и выпуск осуществляются гораздо пр още, чем обыкновенных облигаций. Их выпуск не подлежит государственной
регистрации. Это дает эмитентам таких облигаций возможность гибко использовать возможности финансового рынка, выходя на него в благоприятные моменты. Наиболее сильно развит рынок коммерческих бумаг в США. При этом,
хотя законодательно коммерческие бумаги могут выпускаться на срок до 270
дней, подавляющее большинство их выпускается на срок не более 90 дней, и
большая часть выпусков имеет срок погашения не более 30 дней. Применяются
даже однодневные бумаги. Коммерческие бумаги обычно выпускаются в форме
на предъявителя. Особенностью рынка коммерческих бумаг является то, что на
нем доминирует небольшое число заемщиков, имеющих высокий кредитный
рейтинг. Например, в США при общем числе эмитентов коммерческих бумаг
более 2000 на долю 5% заемщиков приходится свыше половины объема рынка
(Schinasi), а на долю крупнейшего эмитента коммерческих бумаг - General
Motors Acceptance Corporation приходится порядка 10 % рынка (Kallenberg,
Parkinson, 1993). При этом практически все эмитенты имеют кредитный рейтинг, на уровне первой или второй ступени в классификации рейтинговых
агентств, причем наибольшую долю (80 – 90 %) имеют эмитенты с наивысшим
41
рейтингом (Schinasi). Это имеет свое объяснение, поскольку инвесторы, вкладывающие средства в коммерческие бумаги, обычно не заинтересованы в пр инятии кредитного риска. Эмитентами коммерческих бумаг являются, в основном, крупные, хорошо известные финансовые учреждения, выпуски коммерческих бумаг промышленными предприятиями значительно более редки и практикуются, в основном, только в США (например, крупнейшие эмитенты коммерческих бумаг в США среди промышленных предприятий - General Motors и
Ford. Коммерческие бумаги обычно не имеют развитого вторичного рынка, но
многие эмитенты принимают на себя неформальное обязательство выкупить
свои коммерческие бумаги срока их погашения. Таким образом, такие бумаги
имеют как бы неформальный опцион пут. Рынок коммерческих бумаг может
рассматриваться как своего рода отправная точка для развития рынка долгосрочных облигационных займов (Schinasi). До середины 80-х гг. рынок коммерческих бумаг существовал практически только в США. Когда другие стр аны также стали развивать внутренние облигационные рынки, там были приняты меры по развитию рынка коммерческих бумаг.
Краткосрочными считаются облигации со сроком обращения от 1 до 5
лет. Предприятия достаточно редко прибегают к выпуску таких облигаций, используя, в основном, банковские кредиты или частные займы у институциональных инвесторов.
Среднесрочные облигации имеют сроки погашения от 5 до 10 лет.
Долгосрочные облигации выпускаются обычно на срок от 10 до 30 лет,
наиболее распространенный диапазон - от 15 до 20 лет, однако реально облигации могут погашаться раньше. Корпоративные облигации сроком более 30 лет,
распространены довольно мало. Исключение составляет Швейцария, в которой
существуют облигации сроком погашения в 50 лет. В последнее время в США
появился интерес со стороны эмитентов к выпуску сверхдолгосрочных облигаций сроком обращения до 100 лет. Это связано с тем, что сверхдолгосрочные
облигации крайне мало отличаются по своей сути от привилегированных акций, с другой стороны, если дивиденды по привилегированным акциям не
уменьшают налогооблагаемую прибыль, то выплата процентов по облигациям
уменьшает ее. Начиная с 1993 года, в США 100-летние облигации были выпущены 58 корпорациями на общую сумму более $12 млрд (Khanna). Если порядок налогообложения не изменится, то можно ожидать увеличения выпуска
сверхдолгосрочных облигаций в ближайшее время. При этом, однако, существенной разницы между 100-летней и 30-летней облигацией не существует.
Если процентная ставка составляет 10 %, то текущая стоимость $1000, выплачиваемых через 100 лет, составляет 7,25 цента.
Отзывные облигации (облигации с call – опционом или "retractable")
предполагают возможность сокращения срока обращения. Эмитент имеет право
по истечении определенного срока выкупить облигацию у инвестора, при этом
42
цена выкупа равна номиналу или некоторой, оговоренной в проспекте эмиссии облигаций, цене (цена отзыва). Обычно право отзыва наступает через
определенный срок после выпуска облигаций. Разница между ценой отзыва
и номиналом называется премией за отзыв. Обычно эта премия за отзыв
убывает с течением времени, прошедшего с момента выпуска облигации.
Например, премия за отзыв может быть установлена в размере годового купона (I) при отзыве в первый год и дальше ежегодно уменьшаться каждый
год на величину I/n, где n – срок обращения облигаций. Отзывные облигации в некоторой степени ограничивают права инвестора в сторону эмитента. При падении процентных ставок на рынке ниже купонного процента
эмитенту будет выгодно выкупить облигации и разместить новые с меньшим купоном, инвестору, разумеется, это не выгодно. Отзывные облигации
являются основным видом корпоративных облигаций, применяющихся в
настоящий момент в США.
У фондовых облигаций предусмотрено наличие фонда погашения. Его
средства должны идти на ежегодное погашение части задолженности. Это
погашение может производится 2 путями. Если цены облигаций на вторичном рынке ниже номинала, то эмитент выкупает на рынке часть облигаций.
Если цены на рынке выше номинала, эмитент имеет право погасить часть
облигаций по номиналу, при этом то, какие конкретно облигации подлежат
погашению, определяется обычно в результате проведения специальной лотереи.
Досрочные облигации (облигации с put - опционом) симметричны отзывным облигациям, только в данном случае инвестор имеет право в опр еделенные моменты времени досрочно предъявить облигация к погашению.
Очевидно, что в этом случае больше прав имеет инвестор, поскольку при
увеличении процентных ставок выше величины купонного процента он может продать данную облигацию и купить другую, с большим купоном. В
развитых странах облигации с put - опционом встречаются сравнительно
редко, а вот в странах с высоким инвестиционным риском облигации, дающие инвестору дополнительную степень защиты, встречаются гораздо чаще.
В качестве примера можно привести Бразилию, где почти все корпоративные облигации имеют put -опцион [158, 159].
Пролонгируемые облигации подразумевают возможность продления
своего срока действия. При этом право такого продления в некоторых случаях может принадлежать инвестору, а в некоторых случаях - эмитенту. Если право продления срока действия облигации принадлежит инвестору, то
данный тип облигаций очень похож на облигации с put - опционом, только в
данном случае инвестор имеет право не досрочно погасить облигацию с
большим сроком до погашения, а продлить срок действия облигации с небольшим сроком до погашения. Такой тип облигаций применяется, напр имер, в Бразилии, где большинство облигаций предусматривает периодиче-
43
ский пересмотр условий займа и инвестор может либо пролонгировать срок
действия облигации, либо реализовать put - опцион и продать облигацию
эмитенту. Встречаются облигации, в которых эмитент имеет право продлить
срок действия облигации. Такие облигации похожи на отзывные облигации,
поскольку эмитент может принять решение погасить выпуск или продлить
его действие. В качестве примера облигаций, срок погашения которых может быть продлен эмитентом, можно привести капитальные ценные бумаги
с фиксированным доходом (FRCS), появившиеся в США в 1990-хх гг. Срок
погашения этих облигаций обычно составляет 30 лет, и эмитент имеет пр аво продлить их еще на 19 лет.
Облигации с 2 датами погашения представляют собой разновидность
отзывных облигаций. Их обладатель должен провести погашение между
этими датами. Данные облигации находят наибольшее распространение в
Великобритании.
Бессрочные облигации не предполагают погашения номинальной стоимости, а только дают право на купонный доход. Данный вид облигаций
существует в Великобритании [158]. Было несколько выпусков данных бумаг в бессрочной форме (2,5% консоли 1888 г., 3,5% военные облигации и
др.). При этом по данным облигациям указывается дата, после которой эмитент может их погасить по номинальной стоимости. Однако, поскольку
большинство таких облигаций имеет низкую процентную ставку, выкуп их
не целесообразен, поэтому они продолжают обращаться. В бессрочной
форме иногда выпускаются облигации с плавающим купоном. Однако
большинство таких облигаций имеет put - опцион, в результате чего инвестор может быть уверен в возможности погасить облигацию в определенные моменты. Бессрочные облигации с плавающим купоном применяются
на рынке еврооблигаций, а также, например, в Бразилии.
По специфике использования выделяются голосующие, двухвалютные
и серийные облигации.
Голосующие облигации дают инвестору право голоса на собрании акционеров. Они представляют собой гибридный инструмент между облигациями и обыкновенными акциями, фактически это примерно то же самое,
что обыкновенные акции с фиксированным дивидендом и известным ср оком выкупа. Большого распространения данный вид ценных бумаг не имеет,
возможно, это связано, в частности, с системой налогообложения, принятой
в большинстве стран, в соответствии с которой процентные платежи (в т.ч.
по облигациям) уменьшают налогооблагаемую прибыль, в то время как выплата дивидендов по акциям производится из чистой прибыли. Соответственно попытка выпустить голосующую облигацию будет попыткой фактически выпустить акцию, платежи по которой трактуются как выплаты по
заемным средствам. Количество голосов обычно производится пропорционально номинальной стоимости облигации, например, 100 долларов номинальной стоимости дают право на 1 голос. Голосующие облигации в США
44
имели хождение до 50-60 гг., в частности, такие облигации были выпущены
рядом железных дорог в ходе реструктуризации задолженности (Guthmann,
Dougall, 1949). При этом в большинстве случаев владельцы облигаций получали право голоса в определенных случаях, например, в случае неуплаты
процента в срок. В современной литературе голосующие облигации фактически не упоминаются. Среди примеров применения ценных бумаг, которые по
своим свойствам лежат близко к голосующим облигациям, можно указать некоторые варианты привлечения инвесторов кооперативами [158, 159].
Двухвалютные облигации предусматривают выплату купона в одной
валюте, а погашение номинала - в другой. Данные облигации применяются
при размещении ценных бумаг на иностранном финансовом рынке (иностранные облигации). В частности, около половины облигаций, размещенных иностранными компаниями на Японском фондовом рынке в 1996 году,
были двухвалютными (Packer, Reynolds). Выплата процента производилась
в йенах. Погашение их производилось в другой валюте (в национальной валюте эмитента).
Серийные облигации представляют собой пакет из нескольких серий
облигаций с различными сроками погашения. Каждая облигация данного
пакета представляют собой обычный вариант облигации, однако размещение серийных облигаций обычно производится единым пакетом.
Исходя из степени конвертируемости, облигации бывают с нулевым
купоном, обмениваемые и с обязательной конвертацией.
Конвертируемые облигации с нулевым купоном в англоязычной литературе известны под названием LYONS (Liquid Yield Option Notes). Данные
облигации не предусматривают купонных платежей и реализуются с дисконтом, а в остальном аналогичны обычным конвертируемым облигациям.
Одной из особенностей LYONS является то, что в них обычно предусмо трен put опцион, т.е. право продать их эмитенту по заранее оговоренной
цене. Обычно put опцион может быть исполнен каждые 5 лет. Впервые
данные облигации были выпущены в 1985 году при содействии инвестиционного банка Merrill Lynch, и уже через несколько лет после появления на
долю LYONS пришлось около 20 % рынка конвертируемых облигаций.
Эмитентами LYONS обычно являются крупные компании с высоким кредитным рейтингом.
Обмениваемые облигации могут быть заменены на ценные бумаги
(акции) другого эмитента. В США это сравнительно редкий тип облигаций,
к примеру, к концу 80-х гг. на американском рынке активно продавались
подобные облигации всего 12 эмиссий. В Европе обмениваемые облигации
получили большее распространение, что связано с распространенной практикой совместного владения корпорациями акциями друг друга (Euromoney,
Aug 1998). Если компания желает продать свои доли в других корпорациях,
то в некоторых случаях это выгоднее сделать путем выпуска обмениваемых
облигаций.
45
Конвертируемые облигации с обязательной конвертацией отличаются
от обычных конвертируемых облигаций тем, что владелец в течение срока
обращения облигации обязан осуществить их конвертацию в другие ценные
бумаги (акции). Данный вид облигаций является сравнительно новым в мировой практике, и если в США такие облигации уже получили распростр анение, то в Европе были осуществлены только единичные выпуски, которые
не пользовались большой популярностью. Интересно отметить, что термин
"конвертируемые облигации" в российской практике применяется именно к
облигациям с обязательной конвертацией.
По рейтингу вероятности банкротства облигации могут быть разделены на 11 категорий, начиная от облигаций с минимальной вероятностью
банкротства - «ААА» и заканчивая максимальной – «D».
Данные рейтинги составляются специальными аналитическими компаниями, среди которых наибольшей популярностью пользуются Moody’s и
Standard & Poor’s. В табл. 2.2 представлена применяемая ими классификация облигаций по рейтингу банкротства.
Кроме того, автором в общую классификационную схему включен
класс облигаций CI [137], по которым не могут быть выплачены проценты.
Таблица 2.2
Классификация облигаций по рейтингу банкротства
Категория
Moody’s
Standard
Poor’s
Интерпретация рейтинга
&
Aaa
ААА
Наивысшее качество
Aa
АА
Высокое качество
A1
А
Качество выше среднего, инвестиции надежны
Ваа
ВВВ
Среднее качество
Ва
ВВ
Посредственное качество, высокая неопределенность
В2
В
Спекулятивные
Саа
ССС
Низкое качество, высокоспекулятивные
Са
СС
Самое низкое качество
С
С
Вероятно невыполнение обязательств
-
D
Просрочены; невыплата % и основной суммы долга
46
2.3. Оценка эффективности облигаций
Как известно, оценка финансовых инструментов базируется на нар ащивании и дисконтировании.
Наращивание (компаундинг) представляет собой пересчёт текущей
стоимости в будущую [56]. Обратное действие, то есть определение настоящей стоимости денег по известной их стоимости в будущем, называется
дисконтированием [56]. Данные понятия подтверждают тот факт, что для
инвестирования важное значение имеет как величина дохода, так и время его
получения.
В общем виде будущая стоимость денег определяется по формуле
V fn
n
Vp 1 R ,
(2.2)
где V f - будущая стоимость денег; V p - текущая стоимость денег; R - норма
дисконта; n - число лет. Из выражения (2.2) видно, что текущая стоимость
денег рассчитывается следующим образом:
n
Vp
V fn
1 R
n
.
(2.3)
Оценка эффективности инвестиций в облигации базируется на двух
основных показателях: цене облигации и её доходности.
Для определения текущей цены облигации необходимо продисконтировать все доходы, которые могут быть получены от неё за период владения.
В табл. 2.3 и 2.4 приведены расчетные соотношения для цены и доходности основных видов облигаций, представляющих интерес для инвестора.
2.4. Определение параметров облигаций
Количественный инвестиционный анализ облигаций предполагает
определение их следующих основных параметров: доходности, расчетных
цен (курсов), дюрации, выпуклости [56].
Определения параметров, формулы для их расчета и контрольные
примеры в интегральном виде, представлены в табл. 2.5 [16, 33, 61, 62, 108,
129,133,139].
47
Таблица 2.3
Расчетные соотношения для цены основных видов облигаций
Вид
облигации
Купонная
(периодическая выплата %
дохода)
Условия
реализации
Ставка дисконтирования
(требуемая
норма
прибыли)
неизменна в течение
срока действия облигации. До погашения
облигации остается
целое число лет или
купонных периодов
48
Ставка дисконтирования изменяется.
До погашения облигации остается целое число лет или
купонных периодов
Расчетные соотношения
для определения цены
Dp
1
N
P
1
n
n , где PR
1 R
1 R
цена облигации; Dp - процентный (купонный) доход в денежных единицах;
R- требуемая норма прибыли (ставка
дисконтирования); N- номинальная цена облигации; n - число лет.
Dpi
n
P
n
i 1
N
n
1 Ri
i 1
, где
1 Ri
i 1
D pi - процентная купонная ставка i-го
года
48
Контрольный пример
Дано: 1. Номинал облигации, N=1000.
2. Процентная купонная ставка, D =15 %.
Dp N D =150 р.
3. Срок погашения, n=5 лет.
4. Выплата %, 1 р в год.
5. Требуемая норма прибыли R 20%
R
Найти: P=?
Решение:
150
1
1000
P
1
750 1 0,402
5
5
0,2
1 0,2
1 0,2
0,2 .
1000 0,402 448,5 402 850,5
Дано: 1. Номинал облигации, N=1000.
2. Процентная купонная ставка, D =15 %;
Dp N D =150 р.
3. Срок погашения, n=5 лет.
4. Выплата %, 1 раз в год.
5. Требуемые нормы прибыли: R1 =20 %; R2 =20
%; R3 =20 %; R4 =15 %; R5 =10 %.
Найти: P=?
Решение:
150
150
150
150
P
2
3
3
1 0,2 1 0,2
1 0,2
1 0,2 1 0,15
150
1000
3
3
1 0,2 1 0,15 1 0,1 1 0,2 1 0,15 1 0,1
917,54
Продолжение табл. 2.3
Вид
облигации
Условия
реализации
Выплата процентных доходов несколько раз в год.
До погашения облигации остается целое число лет или
купонных периодов
49
Продажа и покупка
облигации в любой
момент времени
Расчетные соотношения
для определения цены
P
Dp
1
N
;
mn
R
R
1
1
m
m
D
n
N
m
, где mP
mn
mn
R
R
i 1
1
1
m
m
число выплат процентного дохода в
течение года.
R
1
mn
Контрольный пример
Дано: 1. Номинал облигации, N=1000. 2. Процентная купонная ставка, D =15 %. Dp N D =150 р. 3. Срок погашения, n=5 лет; 4. Выплата %, 2 раза в год, m=2.
5. Требуемая норма прибыли R 20%
R 0.2
Найти: курсовую стоимость облигации – P=?
Решение:
P
150
1
0,2
1000
2,59374246
1
1
0,2
2
1000
25
1
0,2
2
25
750 1
1
2,59374246
846,386
Дано: 1. Номинал облигации, N=1000.
2. Процентная купонная ставка, D =15 %;
k
i 1
n 1
1 R
i 1 1 R
Dp N D =150 р.
,
3. Срок погашения, n=4 года 300 дней.
T
где k
; n- целое число лет, вклю- 4. Выплата %, 1 раз в год, через 300 дней после покупки.
365
R 20%
R 0.2 .
чая нецелый год; T- число дней до вы- 5. Требуемая норма прибыли
Найти: курсовую стоимость облигации – P=?
платы первого купона.
Решение:
150
150
150
150
P
300
300
300
300
1
2
31
1 0,2 365 1 0,2 365 1 0,2 365 1 0,2 365
150
878,52 р
300
41
1 0,2 365
n
P
Dp
N
k
1 R 1 R
Продолжение табл. 2.3
Вид
облигации
Условия
реализации
Переменная купонная ставка, определяемая рынком
Расчетные соотношения
для определения цены
D1
D2
P

1 R1 1 R1 1 R2
,
где
Dn N
1 R1 1 R2  1 Rn
D1 , D2 ,, Dn - % доход i-го периода
(i=1,2,…,n);
R1 , R2 ,...,Rn -требуемая
норма прибыли (ставка дисконтирования) i-го периода.
Контрольный пример
50
Дано: 1. Номинал облигации, N=1000.
2. Срок погашения, n=3 года.
3. Выплата %, 2 раза в год, m=2.
4. Значения купонных ставок:
D1
D1
За 1 год: D =20%; D11 N
=100 р; D12 N
=100 р.
2
2
D2
D2
За 2 года: D =18%; D21 N
=90 р; D22 N
=90 р.
2
2
D3
D3
За 3 года: D =15%; D31 N
=75р; D32 N
=75 р.
2
2
5. Значения норм прибыли:
R1
R1
За 1 год: R =20%; R11
=0,1; R12
=0,1.
2
2
R2
R2
За 2 год: R =19%; R21
=0,095; R22
=0,095.
2
2
R3
R3
За 3 года: R =16%; R31
=0,08; R32
=0,08.
2
2
Найти: курсовую стоимость облигации – P=?
Решение:
100
100
90
P
2
2
1 0,1 1 0,1
1 0,1 1 0,095
90
75
2
2
2
1 0,1 1 0,095
1 0,1 1 0,095 1 0,08
1075
986,63
2
2
2
1 0,1 1 0,095 1 0,08
Окончание табл. 2.3
Вид
Условия
облигации
реализации
Бескупон- Ставка дисконтироная
вания неизменна. До
погашения облигации остается целое
число лет или купонных периодов.
Расчетные соотношения
для определения цены
N
n
1 R
Контрольный пример
51
Дано: 1. Номинал облигации, N=1000.
2. Срок погашения, n=4 года.
3.Ставка дисконтирования R 14% R 0,14 .
Найти: P=?
1000
Решение: P
592,1 р
4
1 0,14
Облигация погашаДано: 1. Номинал облигации, N=1000.
N
, где T- время, в течение 2. Срок погашения, n=3 года+180 дней.
T
ется в любой мо- P
n
1 R 365
мент времени
3.Ставка дисконтирования R 14% R 0,14 .
которого облигация находилась в ру- Найти: P=?
ках продавца или покупателя (в днях)
1000
Решение: P
=632,91 р.
180
3
1 0,14 365
Краткосрочная обДано: 1. Номинал облигации, N=1000.
N
P
лигация
2. Срок погашения, T=180 дн.
R T
1
3.Ставка дисконтирования R 20% R 0,2 .
365
Найти: P=?
1000
Решение: P
=910,22 р.
0,2 180
1
365
P
Таблица 2.4
Расчетные соотношения для доходности основных видов облигаций
Вид
Условия
Расчетные соотношения для определения
облигации
реализации
доходности
Купонная Облигация содер- Текущая доходность:
(периоди- жится у инвестора
D
, где Rr - текущая доходность; PRr
ческая вы- до погашения
P
плата %
цена облигации; Dp - процентный (купондохода)
ный) доход в денежных единицах
Доходность к погашению (точный расчет):
n
Smf Smc 1 Nd , где S m f - будущая
стоимость денег; S m c -текущая стоимость
денег; N d - норма дисконта; n-число лет;
Dp
52
1
N
n
n , где P- цеR
1 R
1 R
на облигации; Dp - процентный (купонный) доход в денежных единицах; R- требуемая норма прибыли (ставка дисконтирования); N- номинальная цена облигации; n- число лет.
Доходность к погашению (приблизительный расчет):
N P
D
n
R
.
N P
2
P
1
Контрольный пример
Дано: 1. Номинал облигации, N=1000.
2. Цена облигации P=800 р.
3. Процентный доход D =30% выплачивается 1 раз в
год;
D N D =30%х1000=0,3х1000.
Решение:
1000
Rr 0,3800
0,375 или 37,5% .
Дано: 1. Номинал облигации, N=1000.
2. Срок погашения, n=5 лет.
3. Процентный доход D =20% выплачивается 1 раз в
год.
4. Курсовая стоимость облигации Pk=930 р.
Найти: P=?
200
1
1000
1
942,73 р .
Решение: P
5
5
0,22
1 0,22
1 0,22
Методом последовательных приближений находим
P=929,97 р. при R=22,47 %.
Для вышеприведенных исходных данных:
1000 930
200
5
R
0,2218 или 22,18 %.
1000 930
2
Окончание табл. 2.4
Вид
облигации
Условия
реализации
Выплата дохода m
раз в год
Расчетные соотношения для определения
доходности
R
mn
N
P
1
m
Контрольный пример
Дано: 1. Номинал облигации, N=1000. 2. Цена облигации P=600 р. 3. Срок погашения, n=5 лет. 4. Выплата
дохода m=1 (один раз в год), m=4 (четыре раза в год).
Найти: R=?
1000
R5
1 1,108 1 0,108 или 10,8 %;
600
R
Бескупонная облигация
Облигация содержится у инвестора
n лет до погашения
Краткосрочная
облигация
R
m
N
P
4 5
1000
1
600
4 (1,0259 1) 4 0,1035 или 10,35 %
1
53
Дано: 1. Номинал облигации, N=1000.
2. Цена облигации P=930 р.
3. До погашения, Т=50 дней.
Найти: R=?
1000
365
Решение: R
1
0,5495 или 54,95 %.
930
50
Переменная
куЦелесообразно определение доходности к погашению
N
365
,
где
N-номинал
облиR
1
понная
ставка,
очередного купона в соответствии с вышеизложенным
P
T
определяемая
гации; P-цена облигации; T- число дней примером
рынком
до погашения облигации.
Облигация пога- Используются выражения для расчета Различие в том, что инвестор получает не сумму погашается досрочно
доходности к погашению бескупонных шения, а цену продажи облигации. В расчетные соотоблигаций
ношения вводится цена продажи облигации.
N
365
, где N-номинал обли1
P
T
гации; P-цена облигации; T- число дней
до погашения облигации.
R
Таблица 2.5
Основные параметры облигаций
Параметр
Определение
Курс облига- Цена, по которой продаютции (рыноч- ся и покупаются облигации
ная цена)
государственных займов.
Определяется
уровнем
ссудного процента, кредитным рейтингом эмитента,
сроком
до
погашения,
наличием фонда и уровнем
риска вложений.
Цена облигации с постоянной купонной ставкой,
имеющей m
купонных
выплат в год
Расчетная формула
PM
PN
С0
100% ,
где С0 - курс облигации, р.,
Р м - рыночная цена облигации, р.,
P N - номинальная цена облигации, р.
nm
P0
t
Ct / m
t
1 (1 i / m)
M mn
,
(1 i / m) m n
где: i/m –величина доходности к погашению; Ct/m- купонные выплаты;
M m n - номинал; n- число лет до погашения облигации
Контрольный пример
Дано: Рыночная цена облигации равна 100 р.,
номинальная - 90 р.
Найти: курс облигации.
Решение:
C0
Дано: облигация номиналом 1000 р. с доходностью 5 % и купонными платежами 50 р. Срок до
погашения облигации 1 год, число купонных
выплат -2.
Найти: цену облигации с постоянной купонной
ставкой.
Решение:
54
P0
Стоимость
облигации с
нулевым купоном
Процесс оценки стоимости
бескупонной облигации заключается в определении
современной
величины
элементарного потока платежей, по известным значениям номинала N, процентной ставки r и срока погашения n.
N
,
nm
1 r
где: P-стоимость облигации с нулевым купоном, N-номинал, n-срок погашения, m- количество выплат в год,
r-процентная ставка.
P
100 руб.
100% 111,11 %
90 руб.
50
(1 0,05)
50
2
1 0,05
1000
(1 0,05) 2
1000 р.
Дано: Номинал облигации равен 1000 р.,
процентная ставка 6 % в полугодие, срок погашения 10 лет, количество выплат в год – 2 раза.
Найти: стоимость облигации с нулевым купоном.
Решение:
1000
P
311,8 р.
10 2
1 0,06
Продолжение табл. 2.5
Параметр
Эффективная
доходность к
погашению –
YTM
Определение
Расчетная формула
Контрольный пример
365
Доходность к погашению
Дано: Номинал облигации равен 100 р., цена
N t
YTM - это процентная ставпокупки=86,
24 р., дней до погашения 31.
YTM
1,
P
ка в норме дисконта, которая приравнивает величину
Найти: доходность к погашению.
объявленного потока плагде t – число дней до погашетежей к текущей рыночной ния; Р – цена покупки; N – номинал.
Решение:
стоимости облигации. По
365
сути, она представляет со100 31
бой внутреннюю норму доYTM
1 4,7169
86,24
ходности инвестиции
55
Купонная до- Купонная
доходность
ходность
определяется по отношению к номиналу облигации
и показывает, какой доход
(в процентах) начисляется
ежегодно держателю облигации. Ставка дохода устанавливается условиями выпуска облигации. Если известен текущий рыночный
курс, можно сравнить ее с
доходностью, ожидаемой
инвестором
Ck
Pn rk ,
где С k -купонная доходность; Pn номинальная стоимость облигации;
rk - объявленная процентная ставка,
из расчета которой выплачивается
купонный доход за год
Дано: Пусть номинальная стоимость облигации
равна 100 р., объявленная процентная ставка составляет 6 %.
Найти: купонную доходность.
Решение:
Ck
100р. 0,06 100 %
600 %
Продолжение табл. 2.5
Параметр
Определение
Текущая до- Текущая доходность- отходность об- ношение дохода, получаелигации
мого ежегодно по купонной
ставке, к фактическим затратам на приобретение
облигаций
Расчетная формула
Дх
С
100 % ,
Ц0
где Дх - текущая доходность облигации, %; С - сумма выплаченных в год
процентов, р.; Цо - цена облигации,
по которой она была приобретена, р.
56
Доходность
Доходность за период влаPn Pb S
,
r
за
период дения - доходность за весь
Pb
владения
период времени владении где Pn - номинал облигации, Pb - цена
облигации. Данный показа- покупки, S - сумма купонных платетель не учитывает фактор жей
времени и показывает, какую доходность получит
инвестор от владения данной облигации за весь период ее обращения
Доходность
государственных облигаций
Контрольный пример
Дано: Инвестор А приобрел за 900 р. облигацию
номинальной стоимостью 1000 р. Купонная
ставка равна 20 % годовых. Проценты выплачиваются один раз в конце года. Срок погашения
облигации наступит через 2 года.
Найти: текущую доходность облигации.
Решение:
200
Дх
100 % 22,2 %
900
Дано: Номинал облигации равен 1000 р., цена
покупки 900 р., сумма купонных платежей -100 р.
Найти: доходность за период владения облигации.
Решение:
1000 900 100
r
*100 % 22,22 %
900
Дано: государственная облигация номиналом
1000 р., цена на аукционе составила 90 % от ногде N - номинальная стоимость минала, число дней до погашения 120.
облигации; P - цена на аукционе или Найти: доходность.
на вторичных торгах по облигациям Решение:
(в % от номинала); T - число дней до
1000
365
Y
1
100 % 33,79 %
погашения облигаций
900
120
Y
N
P
1
365
100 % ,
T
Продолжение табл. 2.5
Параметр
Доходность
муниципальных облигаций
Определение
Расчетная формула
rn
r 0 1 tg k n 1
n 1,
где rn – среднегодовая требуемая доходность; r0 – среднегодовая доходность безрискового инструмента;
– разница между стандартными
отклонениями облигации и безрискового инструмента; k n – коэффициент кредитоспособности органа власти по состоянию через n лет
Контрольный пример
Дано: Среднегодовая доходность облигации равна 0,1, срок обращения 3 года, разница между
стандартными отклонениями собственно самой
облигации и инструмента, признаваемого максимально безрисковым, составляет 0,02, планируемый непроцентные расход бюджета равен 100 р,
доход 110 р., размер погашения расширенного
госдолга будет 10 р.
Найти: доходность муниципальной облигации.
Решение:
rn
57
Доходность
корпоративных облигаций
n
P
Ci
A
N
ti
i 1
1
y
f
365
(1
y)
,
T
365
100
0,1(1 tg (
1)) 0,02 3 1
110 10
0,14
Дано: Корпоративная облигация номиналом 100 р.,
размер купонного платежа составляет 5 р., срок
до погашения облигации 120 дней, срок до выплаты купона 30, цена на аукционе составила 90
р. срок обращения облигации-2 года, частота выплат купонов-2 раза в год.
Найти: доходность.
Решение:
где P - цена в процентах от номинала,
A - накопленный купонный доход на
момент покупки выпуска, ti - срок до
выплаты i-го купона, Ci - размер i-го
купона в процентах от номинала, N номинал выпуска, T - срок до пога- Р А
шения облигации, f - частота выплат
купонов в год, y - эффективная годовая доходность корпоративной облигации к погашению, выраженная в
долях единицы
2
1
5
100
365
(
1)
90
120
1
2
100
30
365
1
100
365
1
90
120
120
365
10,0744
Продолжение табл. 2.5
Параметр
Доходность
еврооблигаций
Определение
58
Дюрация Ма- Cредневзвешенный срок до
колея
погашения потоков наличности от облигации, в котором в качестве весов выступают текущие стоимости потоков наличности,
деленные на цену.
Дюрация
помогает
определить степень зависимости рыночной цены
облигации от изменения
процентной ставки (ставки
дисконтирования) на один
процент
Расчетная формула
N
Ci
P A
,
t (i )
i 1
y
1
f
где y - доходность по методике
ISMA; P - чистая цена облигации (без
учета НКД); А - НКД (накопленный
купонный доход); Сi - размер i-го
платежа; f - частота выплат купонов в
год; t(i) - количество купонных периодов до даты выплаты i-го платежа
Контрольный пример
Дано: Номинал еврооблигации 100, рыночная
цена - 90,платеж по облигации составляет 5, число дней до выплаты купона 30, до погашения облигации - 120 дней. Срок обращения облигации-2
года, число выплат купона 2.
Найти: доходность.
Решение:
2
5
0,0924
30
i 1
100
365
1 *
90
120
1
2
Дано: Имеется пятилетняя облигация номинальной стоимостью 1000 р. с купонной ставкой
t 1
D
5 %. Купон оплачивается ежегодно и процентные
ставки составляют 5 %.
Найти: дюрацию Маколея.
где D- дюрация Маколея, n - число
Решение:
выплат, t - время до срока погашения,
1 50
2 50
3 50
4 50
5 50
5 1000
C - платеж, i - необходимая доход1 0,05 1 0,05 2 (1 0,05) 3 (1 0,05) 4 (1 0,05) 5 (1 0,05) 5
ность, M - стоимость к сроку погаше- D
1 (1 0,05) 5
1000
50
ния, P - цена облигации.
0,05
(1 0,05) 5
n
t C
n M
t
(1 i) n
1 i
,
P
47,619 90,7029 129,5756 154,5405 195,8815 3917,6308
216,4738335 783,5261665
4,55 года.
Продолжение табл. 2.5
Параметр
Определение
Расчетная формула
Контрольный пример
59
Предельная
Дюрация купонной облига1 YTM
LVD
,
величина дю- ции, приобретенной по ноYTM
рации
миналу или с премией, мо- где YTM- доходность к погашению
нотонно возрастает вместе
с увеличением срока погашения и приближается к
своему предельному значению – LVD, по мере приближения срока погашения
к бесконечности
Дано: Доходность к погашению равна 0,2.
Найти: предельную величину дюрации.
Решение:
1 0,2
LVD
6
0,2
МодифициПоказывает, насколько дюрованная дю- рация изменяется с каждым
рация
процентным изменением в
доходности.
Существует
обратная взаимосвязь между модифицированной дюрацией и приблизительным
1 % - м изменением в доходности
Дано: Облигация продается за 1 000$ или за номинальную стоимость, которая приводит к доходности к погашению 5 %. Дюрация Маколея
равна 4,55.
Найти: модифицированную дюрацию.
Решение:
4,55
MD
4,33 года.
0,05
1
1
Данный пример показывает, что, если доходность облигации изменилась от 5 % к 6 %, дюрация облигации уменьшится до 4,33 года. Поскольку вычисляется, как дюрация изменится,
когда процент увеличится на 100 базисных пунктов, модифицированная дюрация всегда будет
ниже, чем дюрация Маколея
D
,
YTM
1
n
где MD-модифицированная
дюрация, D-дюрация Маколея; YTMдоходность к погашению; n-срок погашения
MD
Окончание табл. 2.5
Параметр
Выпуклость
облигации
Определение
Расчетная формула
Мера изменения мо1 n t (t 1)C n(n 1) N
W
,
дифицированной дюрации
2 P t 1 (1 y ) t 2 (1 y) n 2
при изменении процентной
где: t-момент выплаты; C- объём
ставки
купонных выплат; y- доходность; Nноминальная стоимость облигации;
P- цена на момент выпуска; n- количество купонных периодов до момента погашения.
Контрольный пример
Дано: Цена облигации номинальной стоимостью
100 р., сроком обращения один год, с ежеквартальной выплатой в размере 22,44 р. на момент
выпуска равна 139,44 р. (доходность к погашению – 40 % годовых).
Найти: выпуклость облигации.
Решение:
W
1
2 22,44 2 3 22,44 3 4 22,44 4 5 22,44
4
5
6
2 139,44 (1 0,1) 3
1 0,1
1 0,1
1 0,1
6,01
60
Историческая
волатильность
Статистический финансовый показатель, характеризующий тенденцию изменчивости цены. Историческая волатильность показывает, какие колебания
цена совершала в прошлом,
и помогает определить
возможную величину будущих отклонений
Дано: Стандартное отклонение стоимости облигации в течение дня составляет 0,01.В году 252
P
торговых дня (1 день = 1/252 года).
где σSD - стандартное отклонение Найти: волатильность.
стоимости финансового инструмента; Решение:Среднегодовая волатильность:
P - временной период в годах.
0,01
0,1587,
Волатильность σ T за интервал време1
/
252
ни T (в годах) рассчитывается на осВолатильность за месяц:
нове среднегодовой волатильно0,1587 1 / 12 0,0458.
m onth
сти:
T
SD
,
T
k
Выпуклость
портфеля
wi C i ,
Мера изменения модифиi 1
цированной дюрации при где wi - вес каждой бумаги в портфеизменении
процентной ле, Ci - выпуклость каждой облигации
ставки применительно к в портфеле
портфелю
CП
Дано: Портфель состоит из трех облигаций А, В,
С с весом и выпуклостью равными 0,5 и 6,02, 0,2
и 6,05, 0,3 и 6,00 соответственно.
Найти: выпуклость портфеля.
Решение:
С п 0,5 6,02 0,2 6,05 0,3 6,00 6,01 .
РАЗДЕЛ 3
РАЗРАБОТКА СПЕЦИАЛЬНОГО МАТЕМАТИЧЕСКОГО
ОБЕСПЕЧЕНИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ
ИНВЕСТИЦИОННЫХ РЕШЕНИЙ МАЛОГО ПРЕДПРИЯТИЯ
3.1. Структура разрабатываемого специального математического
обеспечения
Специальное математическое обеспечение (СМО) системы поддержки
принятия инвестиционных решений (СППИР) малого предприятия представляет собой систему взаимосвязанных по “входу-выходу” моделей и алгоритмов,
используемых в интересах рационального распределения финансовых инвестиций для облигаций, а также обеспечивающих повышение точности и оперативности принятия соответствующих инвестиционных решений [80, 90, 98, 99].
Структурная схема СМО СППИР приведена на рис. 3.1.
Исходные данные
Двухуровневый алгоритм
идентификации исследуемых
финансовых инструментов
Алгоритмы расчета
параметров классов
БД параметров
классов
Модели
оптимизации распределения финансовых
инвестиций
Рекомендации по
распределению
финансовых
инвестиций
Рис. 3.1. Структурная схема системы моделей и алгоритмов
рационального распределения финансовых инвестиций
Исходные данные, необходимые для проведения расчетов, поступают на
вход двухуровневого алгоритма идентификации исследуемых финансовых
инструментов [86]. На начальном этапе (первом уровне идентификации)
определяется тип используемого финансового инструмента (в рамках данной
работы это облигации). Затем задается класс исследуемого финансового
инструмента (например, купонные облигации). Совокупность используемых
классов представлена в ранее разработанной классификации (см. п. 2.2 и рис. 2.2).
61
В зависимости от заданного класса облигаций инициализируется
соответствущий алгоритм, рассчитывающий характерный для него (класса)
набор параметров (доходность - затраты). Детализация рассчитываемых
параметров в совокупности с контрольными примерами, приведена в п. 2.3, 2.4
(табл. 2.3-2.5) [80].
Рассчитанные значения параметров облигаций поступают в блок моделей
(базу моделей) оптимизации распределения финансовых инвестиций для
проведения дальнейших расчетов и в базу данных на хранение в табличном
виде с целью воспроизводимости последних для последующего анализа и
выработки рекомендаций лицу, принимающему решение (ЛПР). В качестве моделей оптимизации распределения финансовых инвестиций в данной работе
представлены модели Марковица и Шарпа, а также нейромодифицированная
модель Шарпа. Полученные на их основе результаты сравниваются по точности
и оперативности [80, 95]. На основе результатов сравнения принимается
решение об использовании соответствующей модели.
Рассмотрим детализацию элементов СМО СППИР.
3.2. Модели оптимизации распределения финансовых инвестиций
3.2.1. Геометрическая интерпретация модели Марковица
Модель Марковица определяет набор эффективных портфелей, обеспечивающих наибольшие ожидаемые доходности для определенных уровней риска
[14]. Данная модель имеет ряд специфических особенностей (ограничений).
1. Инвестирование, в рамках данной модели, рассматривается как однопериодный процесс, т.е. полученный в результате инвестирования доход не реинвестируется [62].
2. Считается, что рынок ценных бумаг является эффективным. Это означает, что изменение информации о состоянии внешней среды (информации о
политической ситуации, данных об экономической обстановке и др.) практич ески мгновенно отражается на котировках ценных бумаг [97].
3. Предполагается, что значения доходности ЦБ являются случайными
величинами, распределенными по нормальному закону. Поэтому при формир овании портфеля достаточно учитывать два показателя: ожидаемую доходность
r и стандартное отклонение σ, как меру риска (только эти два показателя определяют плотность вероятности случайных чисел при нормальном распределении) [62].
4. Модель позволяет определить набор эффективных портфелей [27].
Применительно к последнему ограничению на основе геометрической
интерпретации данной модели может быть показано существование единственного оптимального портфеля, что имеет практическое значение для инвестора и
подтверждает целесообразность применения данной модели в СППИР. Рассмотрим доказательство данного утверждения.
Для каждого финансового портфеля инвестор задает функцию полезности
U(σ,r), аргументами которой являются ожидаемая доходность r и риск σ. В ка-
62
честве риска, как правило, выступает стандартное отклонение r [62]. В процессе
своей инвестиционной деятельности инвестор стремится максимизировать
функцию полезности U , r
max . С математической точки зрения это эквивалентно решению уравнения вида U , r C . Решения {r (σ)} данного уравнения
представляют собой линии уровня функции U. В литературе [25] линии уровня
называют кривыми безразличия (indifference curves). Функция полезности обладает рядом свойств:
1) нерасположенность к риску U ` , r 0 ;
2) ненасыщаемость U ` , r 0 ;
3) выпуклость.
На рис. 3.2 представлен вид линий уровня функции полезности вида
2
2
. Стрелкой отмечено направление возрастания функции полезности.
a r b2 r 2
r
a
b
Рис. 3.2. Линии уровня функции полезности

Портфель П с ожидаемой доходностью ~r и риском ~ является оптимальным, если на множестве допустимых портфелей П для него функция полезности достигает максимума U~ ~, ~r max . Данное утверждение может быть сформулировано в виде следующей теоремы [109].

Теорема 1. Оптимальный портфель находится в точке П касания области
Е эффективного множества портфелей с определенной кривой безразличия.
Доказательство. На рис. 3.3 приведены кривые безразличия и область
эффективного множества портфелей.
Если область эффективного множества портфелей Е пересекается с кривой безразличия l1 , то существуют допустимые портфели, лежащие выше и левее кривой l1 , для которых значение функции полезности будет больше, чем на
самой кривой или ниже её. Следовательно, оптимальный портфель лежит левее
и выше линии уровня l1 , пересекающей область Е.
Рассмотрим произвольную линию уровня l 2 , лежащую левее и выше области Е. Значения функции полезности на линии уровня l 2 больше чем на линии
уровня l1 . Однако, как видно из рисунка, на ней не лежит ни одного портфеля
63
r
a
b
E

П
l2
F
l1
Рис. 3.3. Кривые безразличия и область эффективного множества портфелей
(она не имеет точек пересечения с областью эффективного множества портфелей Е. Следует предположить, что оптимальный портфель находится правее и

ниже l 2 . А это есть точка касания П , что и требовалось доказать.
Важным инструментом в рамках практической реализации данной модели являются безрисковые активы. Они существенным образом влияют на множество эффективных портфелей. Представим на координатной плоскости (риск,
доходность - (σ,r)) множество эффективных портфелей Еr (рис. 3.4).
r
Еr
Т
F
Рис. 3.4. Эффективные портфели и безрисковая ЦБ
Они состоят только из рисковых ЦБ А1,…,Аn. Пусть существует безрисковый актив F=(0, rF). Поскольку множество Еr вогнуто, то существует не более
одной касательной к Еr, проходящей через точку F. Если касательная существует, то обозначим ее l, а точку касания – Т. Портфель, соответствующий точке Т,
будем называть касательным портфелем.
Теорема 2. Луч [FT) является множеством эффективных портфелей,
включающих бумаги F, А1,…,Аn.
Доказательство. Рассмотрим множество допустимых портфелей вида
64
П=v0F+v1A1+…+vnAn, vi 0 при i 1 и v0+v1+…+vn=1. Среди них есть портфель
Пr, который включает лишь рисковые бумаги А1,…,Аn. Доли рисковых бумаг в
данном портфеле повторяют доли портфеля П. Если предположить, что v0<1, то
v
vn
Пr= 1 A1 ...
(3.1)
An .
1 v0
1 v0
Тогда П= v0F+(1- v0) Пr. При этом ожидаемые доходность и риск будут
определяться в соответствии с выражениями:
rП= v0rF+(1- v0) rП , П (1 v 0 ) П .
(3.2)
Уравнения (3.2) являются параметрическими. Они задают на плоскости
( ,r) луч. Значит, портфель Пr принадлежит лучу [FПr). Отсюда следует, что
портфель П, который включает бумаги F, А1,…,Аn, является допустимым лишь в
том случае, если существует портфель Пr (по определению он состоит только из
рисковых бумаг) такой, что П [FПr). Таким образом, портфели, принадлежащие [FT), являются допустимыми, поскольку Т является допустимым портфелем, состоящим только из рисковых бумаг.
Допустим, что портфель П0=( П , rП ) [FT) эффективным не является.
Тогда следует предположить, что существует такой портфель П1 П0, для которого П
и rП rП . Это значит, что П1 находится левее и выше луча [FT).
П
С учетом вышеприведенного доказательства существует такой портфель П2,
содержащий рисковые бумаги, что П1 [FП2). Но луч [FП2) находится левее и
выше луча [FT), а значит, не пересекает множество допустимых портфелей, что
неверно. Значит, верно первое предположение, что и требовалось доказать.
В рамках реализации данной модели на практике, важно обоснование того факта, что, несмотря на общие подходы к формированию портфелей, результаты у инвесторов (формируемые портфели) оказываются независимыми. В
связи с этим рассмотрим теорему о независимости комбинаций рисковых активов в портфеле при одинаковой оценке инвесторами рисков и ожидаемых доходностей.
Теорема 3. Пусть инвесторы одинаково оценивают риски и ожидаемые
доходности. Тогда оптимальная для инвестора комбинация рисковых активов
не зависит от его предпочтений относительно риска и дохода.
Доказательство. В соответствии с теоремой 2 все инвесторы сформируют портфель:
П= v0jF+(1- v0j)T,
где F – безрисковая бумага, Т – касательный портфель, v0j – доля капитала
j – го инвестора, вложенная в безрисковый актив. Поскольку рисковая часть
проекта содержит касательный проект Т, то это значит, что доля вложений в
произвольную рисковую бумагу по отношению к рисковой части портфеля не
зависит от предпочтений инвестора, несмотря на различные доли v0j. Таким образом теорема доказана.
Из теоремы 3 не следует, что инвесторы сформируют один и тот же
портфель. Чем больше инвестор не хочет рисковать, тем ниже на луче [FT) расr
0
1
0
1
0
65
r
0
положен его оптимальный портфель. Поэтому портфели будут различными.
Таким образом, алгоритм геометрического определения оптимального
портфеля на основе модели Марковица, представляет собой выполнение следующей последовательности действий:
Шаг 1. Построение множества допустимых портфелей.
Шаг 2. Выделение эффективных портфелей на множестве допустимых.
Шаг 3. Построение кривых безразличия инвестора.
Шаг 4. Выбор кривой безразличия, соприкасающейся с эффективным
множеством портфелей.
Шаг 5. Определение точки касания. Оптимальный портфель находится в
точке касания. Основные параметры оптимального портфеля (доходность риск) рассчитываются следующим образом.
Ожидаемая доходность будет определяться в соответствии с выражением
n
rП=
v i ri ,
(3.3)
i 1
где ri – доход, приносимый i- й ЦБ.
Риск портфеля будет определяться в соответствии с выражением
n
vi v j
П
ij
i
j
,
(3.4)
i, j 1
где ij - коэффициент корреляции между доходностями ri и rj, i j - риски i- й и j – й ЦБ.
Рассмотрим пример, демонстрирующий применение геометрического
подхода для анализа инвестиционного портфеля.
Пусть рынок ЦБ представлен двумя активами А(0,1;0,1) и В(0,2;0,3) с коэффициентом корреляции взаимных доходностей АВ =0,5. Функция полезности
портфеля инвестора имеет вид: U( ,r)=0,6r – r2 - 2 .
Необходимо найти параметры оптимального инвестиционного портфеля.
Параметрические уравнения расчета доходности и риска, допустимых
портфелей П= tA+(1-t)B, с учетом (3.3) и (3.4), будут иметь вид:
rП= trA+(1- t) rB=0,3-0,2t,
(3.5)
t 2 А2 (1 t ) 2 В2 2 t (1 t )0,5 А В
0,03t 2 0,06t 0,04 . (3.6)
Точка касания линии уровня функции U( ,r) и множествадопустимых
портфелей является точкой размещения оптимального портфеля П .
Касательная к множеству допустимых портфелей в точке П= tA+(1-t)B
будет рассчитываться как
drП drП d П
.
k
d П dt
dt
dr
d П 0,06t 0,06
0,2 ,
При этом П
.
dt
dt
2
П
66
2
.
0,3 - 0,3t
Линии уровня функции U( ,r)=0,6r – r2 -
Следовательно, k
описываются уравнением
dr
вида -(r-0,3) 2- 2 =C-0,09. Для определения наклона
касательной к линии
d
уровня продифференцируем данное уравнение почленно по . Имеем:
dr
2(r - 0,3)
2
0.
d
dr
Следовательно,
.
d
(0,3 r )
Если приравнять полученное выражение к выражению для расчета
наклона к множеству допустимых портфелей, получим
2
.
(0,3 r ) 0,3 - 0,3t
Так как искомая линия уровня не только имеет наклон k, но и проходит
через точку П , то согласно (3.5) r=0,3-0,2t. Если подставить это выражение для
r в предыдущую формулу, получим t=3/7. Следовательно, П=3А/7+4В/7,
rП 0,141, П 0,214 .
Алгоритм геометрического определения оптимального портфеля на основе модели Марковица не позволяет определить структуру используемых финансовых ресурсов в портфеле (доли ЦБ, входящие в оптимальный портфель).
Для этих целей целесообразно использовать аналитический метод [85].
2
3.2.2. Постановка задачи определения распределения
финансовых ресурсов в оптимальном портфеле Марковица
Пусть vi, i=1,…,n есть доля ЦБ Аi в произвольном портфеле П:
П=v1A1+…+vnAn. Основные параметры портфеля определяются в соответствии
с выражениями (3.3) и (3.4).
Необходимо выбрать доли v1+…+vn таким образом, чтобы значение
функции U для результирующего портфеля П=( П , rП ) было максимальным:
n
U(
n
vi v j
ij
i
j,
i, j 1
vi ri )
max .
(3.7)
i 1
Ограничениями в задаче выступают условия (3.6) и (3.7):
v1+…+vn=1,
(3.8)
(3.9)
0 vi 1 .
Условие (3.8) показывает, что доли в сумме должны составлять единицу,
а условие (3.9) говорит о том, что ЦБ нельзя брать взаймы и давать в долг.
Применительно к безрисковой бумаге условие vi 0 не учитывается.
Данная задача (3.7) – (3.9) определения условного экстремума решается
известными методами математического анализа (например, методом множите-
67
лей Лагранжа, сводящей задачу на условный экстремум к задаче на безусловный экстремум). Для получения конкретных результатов важно знать вид
функции полезности. Наименее сложна задача определения портфеля с заданной доходностью и минимизацией риска. Доли риска в данном случае будут
определяться в соответствии с выражением
 
r r

(3.10)
v   Т -10   V-1 ( r - r0 I ),
( r - r0 I ) V ( r - r0 I )

где v ( v1 ,..., v n )T - вектор долей рисковых активов в портфеле;

V (Cov( Ri , R j ))in, j 1 - матрица ковариаций случайных величин Ri, r ( r1 ,..., rn )T ожидаемые доходности рисковых активов, r0 – доходность безрискового актива,

I (1,...,1)T - вектор-столбец, все координаты которого равны единице.
Рассмотрим демонстрационный пример определения долей облигаций в
инвестиционном портфеле.
Дано: сформирован оптимальный портфель, состоящий из облигаций
трех эмитентов: Авангард, ВТБ, Газпром. Число временных интервалов наблюдения равно 3. Доходности облигаций в заданных временных интервалах
наблюдения распределены следующим образом: Авангард: 0,175; 0,169; 0,178;
ВТБ - 0,189; 0,195; 0,197; Газпром - 0,167; 0,171; 0,163.
Найти: доли облигаций в портфеле.
Решение. Среднее значение доходностей облигаций найдем по формуле
(3.3):
r1
r2
r3
0,175 0,169 0,178
3
0,189 0,195 0,197
3
0,167 0,171 0,163
3
0,174 ,
0,193 ,
0,167 .
Получим вектор средних доходностей:
0,174
r 0,193(6)
0,167
Матрица ковариаций определяется следующим образом:
11
((0,175 0,174) 2 (0,169 0,174) 2 (0,178 0,174) 2 ) / 3 1,4е 05 ,
((0,175 0,174)(0,189 0,193(6)) (0,169 0,174)(0,195 0,193(6))
12
(0,178 0,174)(0,197 193,3(6)) / 3
6,6(6)7е 07
Аналогично вычисляем остальные значения. Получаем:
68
1,4е 05
6,6(6)е 07
1,2е 05
6,6(6)7е 07
1,15(5)6е 05
2,6(6)7е 06
1,2е 05
2,6(6)7е 06 1,06(6)7е 05
Обратная матрица к матрице ковариаций равна:
1,225019088е 21
2,6250409028е 20
1,4437724965е 21
1
2,6250409028е 20
5,6250876488е 19
3,0937982068е 20
1,4437724965е 21
3,0937982068е 20
1,7015890138е 21
Доли облигаций в портфеле найдем по формуле (3.10). Получим:
Х [i ]
1,225019088е 21
2,6250409028е 20
1,4437724965е 21
1
1
1
1,225019088е 21
2,6250409028е 20
1,4437724965е 21
2,6250409028е 20
5,6250876488е 19
3,0937982068е 20
1,4437724965е 21
3,0937982068е 20
1,7015890138е 21
2,6250409028е 20
5,6250876488е 19
3,0937982068е 20
1,4437724965е 21
3,0937982068е 20
1,7015890138е 21
1
1
1
1
1
1
100%
41,79
8,96
49,25
Общая доходность портфеля, рассчитываемая по формуле (3.3), составит:
mp [0,174 0,193(6) 0,167]
41,79
8,96
49,25
17,23% .
3.2.3. Обобщенный алгоритм реализации модели Марковица
Блок-схема обобщенного алгоритма реализации модели Марковица представлена на рис. 3.5 [80].
Блоки 1, 10 реализуют начало и конец алгоритма.
Блок 2 используется для ввода ряда исходных данных: типа облигаций;
временных интервалов наблюдений; доходности облигаций к погашению.
В блоке 3 реализован расчет математического ожидания доходностей облигаций. Расчет ведется по формуле
1 T
ri
rit ,
(3.11)
Tt1
где rit – эффективная доходность i-й облигации в период времени t;
t – номер периода диапазона накопления информации; T – длительность
периода накопления информации.
Блок 4 обеспечивает проверку условия определения математического
ожидания доходностей для всех типов облигаций. Если условие выполнено, то
управление передается в блок 5. В противном случае управление передается в
блок 3.
69
1
1
2
2
Начало
Начало
Ввод
исходных данных
Ввод типа облига-
3
7
Определение
ций математического
ожидания
(МОЖ)
5
доходностей облигации
Определение обратной
ковариационной матрицы
5
8Нахождение математического ожидаОпределение долей обния доходностей
облигации
лигаций
и доходности
5
портфеля
Нет
Нахождение математического ожидаДля всех типов
4 ния доходностей облигации
найдено МОЖ?
5
5
5
9
Для всех типов
Да
найдено?
Определение матрицы
ковариаций
Нет
Ввод
10 типа облигаций
Конец
Да
5
Нахождение
Дляматематического
всех ли пар ожида6
ния доходностей
облигации
определено?
5
Вывод ре-
Нахождение
математического ожидазультатов
ния5 доходностей облигации
Начало
Для всех типов
найдено?
Рис. 3.5. Блок-схема обобщенного алгоритма реализации модели Марковица
Блок 5 рассчитывает матрицу ковариаций доходностей облигаций.
Ковариация между эффективными доходностями i-й и j-й облигаций ( ij)
определяется по формуле
1 T
σ ij
(rit ri )(r jt r j ) ,
(3.12)
Tt1
где rit и rjt – эффективные доходности, соответственно, i-й и j-й облигации
в период времени t, %; ri и rj – соответственно, математические ожидания эффективных доходностей i-й и j-й облигации.
В блоке 6 проверяется условие перебора всех пар облигаций. Если условие выполнено, то управление передается в блок 7. В противном случае управление передается в блок 5.
В блоке 7 определяется обратная ковариационная матрица.
В блоке 8 реализовано определение долей облигаций в портфеле по формуле
1
X [i ]
e /( 1e, e),
(3.13)
1
где x[i] - вектор долей облигаций в портфеле; ij - обратная ковариационная матрица; e - единичный вектор; e - транспонированный единичный вектор.
Кроме того, в данном блоке определяется доходность портфеля по формуле
N
rit
xi
i 1
70
mp ,
(3.14)
где rit - вектор математических ожиданий доходностей облигаций;
x[i ] - вектор долей облигаций в портфеле;
N - количество облигаций в портфеле;
mp - доходность портфеля.
Блок 9 обеспечивает вывод результирующей информации.
3.2.4. Одноиндексная модель Шарпа
Одноиндексная модель Шарпа находит широкое практическое применение среди инвесторов, управляющих портфелями ценных бумаг [87].
В отличие от модели Марковица, в ней не требуется выполнение сложной
процедуры определения взаимной ковариации (и корреляции) выбранной ценной бумаги (ЦБ) со всеми остальными ЦБ. Достаточно определить, как каждая
ЦБ соотносится с фондовым индексом (RTSI, RBCC и др.). Поэтому простота
проведения инженерных расчетов является одним из безусловных достоинств
данной модели [94]. В отличие от мультииндексной модели Марковица, модель
Шарпа называют диагональной или одноиндексной моделью.
В рамках модели Шарпа доходность портфеля ЦБ представляется как
среднее взвешенное значение показателей доходности ценных бумаг, его с оставляющих, с учетом - риска. Она определяется в соответствии с выражением [70,137]:
N
Rp
N
Rf
i
Wi
Rm
Rf
i
i 1
Wi
,
(3.15)
i 1
где R f - безрисковая доходность; R m - ожидаемая доходность рынка в целом.
Риск портфеля ценных бумаг находится с помощью оценки среднего
квадратичного отклонения функции R f и определяется по формуле [137]:
2
N
p
i
N
2
Wi
2
m
i
i 1
2
Wi ,
(3.16)
i 1
где m - среднее квадратическое отклонение доходности рынка в целом,
т. е. показатель риска рынка в целом; i , i - - риск и остаточный риск i - й
ценной бумаги; Wi – вес i - й ценной бумаги.
Математическая постановка решаемой задачи имеет вид
N
N
Rf
i
Wi
Rm
Rf
i 1
2
N
i
W
max;
N
2
i
2
m
i 1
Wi
Wi
i
i 1
i
Wi
2
req
;
(3.17)
i 1
0;
Wi
1.
При реализации модели Шарпа использованы следующие ограничения и
формулы.
71
1. В качестве безрисковой ставки доходности R f принята доходность
государственных ценных бумаг (облигаций внутреннего государственного займа).
2. В качестве доходности рынка ценных бумаг в целом в период t используются фондовые индексы. Среднее значение доходности ценных бумаг,
составляющих рынок, за период t рассчитывается в соответствии с выражением
[70]
N
rit
rmt
,
i 1
N
(3.18)
где rmt - доходность рынка ценных бумаг в период t; rit - доходность i - й
ценной бумаги за период t.
3. - риск ценной бумаги, рассчитывается по формуле [70]
T
T
rmt
T
rmt
R ft
rit
t 1
R ft
rit
T
t 1
i
R ft
T
,
T
rmt
T
rmt
R ft
R ft
t 1
(3.19)
R ft
t 1
T
t 1
где i - -риск i - й ценной бумаги; R ft - безрисковая доходность в период
t; T - рассматриваемое количество периодов времени.
4.
Избыточная доходность ценной бумаги рассчитывается по формуле
[137]
T
T
rit
R ft
rmt
t 1
i
R ft
t 1
i
T
.
T
(3.20)
5. Риск рынка ценных бумаг в целом определяется по формуле [70]
2
T
rmt
T
rmt
R ft
T
t 1
m
R ft
t 1
T
.
(3.21)
Обобщенный алгоритм реализации модели Шарпа представляет собой
выполнение следующей последовательности действий [62]:
Шаг 1. Выбор М ценных бумаг, из которых формируется портфель, и
определение исторического промежутка в N шагов расчета, за который рассматриваются значения доходности rit для каждой ЦБ.
Шаг 2. Определение рыночных доходностей rmt за рассматриваемый
72
период времени по выбранному рыночно му индексу.
Шаг 3. Определение величины дисперсии рыночного показателя
2
, значений ковариаций i ,m доходностей каждой ЦБ с доходностью
m
рыночного портфеля (выбранным фондовым индексом) и расчет велич иi ,m
ны i
.
2
Шагm 4. Вычисление ожидаемых доходностей каждой ЦБ Ri ( ri ) , доходности рыночного портфеля R p ( rm ) и расчет параметра
Ri ( ri ) R p ( rm ) .
i
Шаг 5. Вычисление дисперсии случайных ошибок i .
Шаг 6. Подстановка полученных значений в соответствующие ура внения. Определение весов ЦБ с учетом выбранного з начения ожидаемой
доходности инвестиционного пор тфеля.
Шаг 7. Построение границы эффективных портфелей и определение
оптимального портфеля.
Рассмотрим пример оптимизации портфеля ценных бумаг на основе
одноиндексной модели Шарпа.
В качестве исходных данных (табл. 3.1) для моделирования использованы еженедельные котировки акций шести компаний в течение опр еделенного периода.
Таблица 3.1
Исходные данные о доходности ценных бумаг
ЦБ:
Акции
Акции
Акции
Акции
Акции
Акции
1
2
3
4
5
6
ЦБ:
Акции 1
Акции
Акции
Акции
Акции
Акции
1
2
-1,25% 0,00%
-15,56% 0,00%
11,24% 0,00%
0,00%
0,00%
-0,85% 14,89%
47,37% -11,90%
9
0,00%
10
-3,46%
2 1,14%
3 23,08%
4 0,00%
5 0,32%
6 -3,77%
3,45%
10,60%
5,76%
13,40%
-1,20%
НОМЕР ПЕРИОДА
3
4
5
4,43% -12,12% 32,41%
72,11% 10,86% 22,76%
19,79% 17,39% -4,07%
2,30% 1,12%
0,00%
33,59% -27,09% 0,12%
-9,46% 4,48% 22,00%
НОМЕР ПЕРИОДА
11
12
13
30,00% 1,23%
10,00%
5,20% -7,65% -13,21%
0,98% 0,00% 12,34%
1,54% -0,70% 0,00%
4,70% 0,00% -23,51%
0,00% 32,10% 17,30%
6
7
8
-5,21% -17,58% 14,00%
1,12%
6,67% -8,33%
4,25% -25,93% -9,00%
0,00% 16,56% 0,00%
23,29% -4,41% 2,62%
-4,92% -3,33% -8,66%
14
-8,97%
15
-1,45%
2,76%
0,00%
-1,46%
9,43%
2,01%
8,52%
-34,00%
-12,51%
3,01%
-1,92%
Доходность рынка в целом принималась на основании экспер тных оценок ввиду отсутствия данных из внешних источников. В к а-
73
честве безрисковой доходности R f принималась приведенная к недельному сроку доходность трехмесячных государственных кратк осрочных облигаций. Данные о доходности рынка в цел ом и о безрисковой доходности представлены в табл. 3.2.
Таблица 3.2
Данные о доходности рынка в целом и о безрисковой д оходности
Период
1
Доходность рынка в целом
5%
2
3
4
5
6
7
8
9
10
11
12
13
14
15
2,5 %
10 %
2%
7%
4%
1,5 %
2%
3%
3,5 %
2,5 %
5%
1,5 %
2%
1%
Безрисковая доходность
0,75 %
0,75
0,80
0,80
0,80
0,90
0,90
0,90
0,90
0,85
0,85
0,85
0,85
0,85
0,85
%
%
%
%
%
%
%
%
%
%
%
%
%
%
Рассчитанные характеристики ЦБ ( - риск, избыточная дохо дность i и остаточный риск i ) представлены в табл. 3.3.
Таблица 3.3
Значения основных характеристик ценных бумаг
Вид акции
Акции 1
Акции 2
Акции 3
Акции 4
Акции 5
Акции 6
- риск
2,883
5,913
2,672
0,130
3,353
1,568
Избыточная дохо дность
-7,04 %
-10,58 %
-6,17 %
-0,35 %
-6,46 %
0,33 %
Остаточный риск
11,89 %
14,34 %
11,37 %
5,55 %
12,65 %
15,95 %
При проведении расчетов учитывалось, что: требуемая дохо дность портфеля Rpt =4 %, допустимый риск портфеля pt =8 %, прогнозируемая безрисковая доходность R f =1 %, ожидаемая доходность
фондового рынка R p =3,5 %.
74
При проведении оптимизации решалась прямая задача (обеспечение максимальной доходности при заданном уровне риска) и о братная (обеспечение минимального риска для требуемой доходн ости).
Модель Шарпа обладает одним существенным недостатком, к оторый призвана парировать разработанная автор ом нейромодифир ованная одноиндексная модель Шарпа.
Результаты оптимизации структуры фондового портфеля прим енительно к акциям 6 типов, представлены в табл. 3.4.
Таблица 3.4
Результаты оптимизации портфеля на основе модели Ша рпа
Прогноз:
Требования:
Акции 1
Акции 2
Акции 3
Акции 4
Акции 5
Акции 6
Характе р ис тик и
оптималь ного портфеля
доходность рынка 3,5 % ; безрисковая дохо дность 1 %
Структура портфеля
Прямая задача
Обратная задача
Риск меньше 8 %
Доходность выше 4 %
0%
0%
18 %
23 %
0%
0%
38 %
23 %
11 %
11 %
34 %
43 %
Доходность 3,38 %
Доходность 4 %
Риск 8 %
Риск 9,72 %
3.2.5. Нейромодифированная одноиндексная модель Шарпа
Суть одного из существенных недостатков одноиндексной мод ели Шарпа заключается в том, что портфель ЦБ, рассчитываемы й на
основе данной модели, теряет свойства оптимальности в упреждающие моменты времени. В [40] это математически доказано. Потеря
оптимальности обусловлена отсутствием в модели механизма уч ета
прогноза. Парировать данный недостаток в [ 40] предложено экспер тным путем. В рамках нейромодифированной одноиндексной модели
Шарпа [94] в качестве эквивалента экспертных прогнозных оценок
предлагается использовать искусственные нейронные сети (ИНС).
Математическое обоснование предлагаемой идеи состоит в сл едующем.
В основу одноиндексной модели Шарпа положена регрессио нная
зависимость (3.22), устанавливающая взаимосвязь между доходн остью ЦБ, включаемой в инвестиционный портфель, и доходностью
рыночного индекса [11]:
ri (t )
(3.22)
i
i rI (t )
i (t ) ,
где ri (t ) - доходность i-й ЦБ в момент времени t; rI (t ) - доходность
75
рыночного индекса в момент времени t; i , i - оцениваемые пар аметры регрессио нной модели; i (t ) - случайная погрешность.
Параметр i , так называемый сдвиг (смещение), определяет с оставляющую доходности ЦБ, не зависящую от динамики рынка. Фа ктически данный параметр является мерой недооценки или переоце нки
соответствующей ЦБ рынком. Положительно е значение i указывает
на переоценку рынком данной ЦБ, и наоборот. Он рассчитыв ается в
соответствии с выражением
n
α
n
β
yi
i 1
xi
i 1
n
n
,
(3.23)
где yi - доходность рынка в i-й период времени; xi – доходность
ЦБ в i-й период времени; n – количество периодов.
Параметр i представляет собой чувствительность данной ЦБ к
изменению рынка. Если
>1, то стоимость ЦБ изменятся быстрее,
чем рыночный индекс, и соответственно она является более рискованной, чем рынок в среднем. Если i <0, то движение ЦБ обратно
движению рынка. Оценивается параметр i путем сопоставления данных о соотношении доходности рассматриваемой ЦБ и доходности
рынка (индекса) за определенный период времени. При этом испол ьзуется метод наименьших квадратов.
Введем в выражение (3.22) дополнительное слагаемое pi kti . Тогда выражение (3.22) примет вид
ri (t )
i
pi kti
r (t )
i I
i
(t ) ,
(3.23)
где p - параметр оценки средней величины скачкообразных и зменений ЦБ, kti - дихотомическая переменная.
Дихотомическая переменная kti принимает значение +1 в случае
превышения фактической доходностью ЦБ трендового уровня, и зн ачение –1 - в противном случае [97]. В символьном виде это записыв ается следующим о бразом:
kti
1,
ti
0
1,
ti
0
, t
1, T , i
1, n .
(3.24)
В соответствии с (3.24) доходность ЦБ зависит от доходности
индекса и скачкообразных изменений, которые имеют место в динамике самой ЦБ. Эти скачкообразные изменения можно интерпретир овать как риск - эффекты, которые не имеют объяснения внутри рынка,
76
но которые в каждый момент времени оказывают воздействие на ур овень доходности ЦБ, изменяя ее то в одну, то в другую сторону.
Средняя величина этих изменений на историческом периоде равна
величине оцененного параметра p [40].
В интересах прогнозирования значений риск - эффектов предлагается использовать ИНС, которые способны запоминать значения p
для аналогичных условий, имевших место в прошлые периоды времени. По своей сути знания экспертов, на основе которых они оценив ают текущую ситуацию, аналогичны. Только в данной модели в роли
эксперта выступает ИНС [79, 91].
В качестве ИНС целесообразно ис пользовать многослойный
персептрон в совокупности с модифицированным обучающим алг оритмом обратного распространения ошибок. При прочи х равных
условиях данная ИНС обеспечивает приемлемую точность и дост аточно высокую опер ативность обучения.
Технология применения нейромодифированной одноиндексной
модели Шарпа заключается в следующем.
В процессе электронных торгов на бирже в различные моменты
времени множество ИНС обучается, тестируется и ее параметры з аносятся в соответствующую базу данных с целью последующе го воспроизведения. Проведение этих действий особенно актуально в пер иод протекания аномальных ситуаций. При наличии достаточно по лной базы ИНС параметры текущей ситуации на рынке сравнив аются с
имеющимися, и для подобных условий из базы извлекается и инициализируется соответствующая ИНС или их множество. Пол ученные на
ее (их) основе прогнозные значения используются при проведении
текущей оценки соответс твующей ЦБ.
В случае если ИНС при работе на тестовом множестве и с р еальными данными несколько раз подряд (более трех) формирует ошибочные результаты, предусмотрено ее отключение, что эквив алентно
функционированию обычной одноиндексной модели Шарпа. После днее важно для практики, поскольку исключает накопление ошибок.
Симбиоз ИНС, реализующей определение и оценку отклонений
доходности ЦБ на упреждающем отрезке времени и модифицирова нной одноиндексной модели Шарпа, призван повысить точность п оследней. Если ИНС настроена и работает корректно, то точность м одели повышается, в противном случае во зможно достижение такого
состояния, когда точность получаемых результатов будет соотве тствовать одноиндексной модели Шарпа без каких-либо модификаций
(нейромодифицированная модель не должна работать хуже однои ндексной модели Шарпа).
77
РАЗДЕЛ 4
РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО РАБОЧЕГО МЕСТА
ПОДДЕРЖКИ ПРИНЯТИЯ ИНВЕСТИЦИОННЫХ РЕШЕНИЙ
МАЛОГО ПРЕДПРИЯТИЯ
Деятельность инвестиционного аналитика малого предприятия включает
множество аспектов (анализ финансовых инвестиций, анализ реальных инвестиций, анализ финансово-хозяйственной деятельности и др.) [13,15,78,93]. Поэтому его автоматизированное рабочее место (АРМ) может комплектоваться
различными инструментами (информационными системами, экспертными с истемами, системами поддержки принятия решений и др.). В данной работе рассматривается аспект деятельности инвестиционного аналитика, связанный с
анализом финансовых инвестиций (облигаций). Одним из необходимых инструментов ее реализации является информационная система поддержки принятия инвестиционных решений. Этот инструмент целесообразно включить в
состав АРМ. Поскольку одна из моделей ИСППИР, а именно нейромодифицированная одноиндексная модель Шарпа, базируется на искусственной нейронной сети, а выбор состава и структуры последней носит исследовательский характер, в состав АРМ необходимо включить в виде отдельной подсистемы инструмент, предназначенный для нейросетевого прогнозирования временных
рядов [79]. Он представляет собой автономный программный комплекс, интегрированный в ИСППИР, управляемый единым интерфейсом. Практическая
реализация данных инструментов в виде совокупности программных модулей,
объединенных между собой «входами» и «выходами», представляет собой специальное программное обеспечение (СПО) АРМ. Кроме того, АРМ включает в
свой состав общее программное обеспечение (ОПО), обеспечивающее реализацию СПО, и технические средства (ПК, монитор, принтер, сканер и др.), задействованные в его использовании.
С учетом вышеизложенного АРМ поддержки принятия инвестиционных
решений малого предприятия, в дальнейшем с целью сокращения – АРМ, представляет собой интерактивный программно-технический комплекс, использующий оборудование, программное обеспечение, данные, базу моделей и труд
пользователя с целью аналитического моделирования инвестиционных портфелей, различающихся по составу и структуре, используемых финансовые инструменты, в интересах выбора среди них оптимального.
Для достижения поставленной цели АРМ обеспечивает решение следующего перечня задач:
- выбор модели оценки инвестиций;
- загрузка и подготовка исходных данных для выбранной модели (загрузка исторических данных облигаций, расчет характеристик облигаций);
- проведение аналитических расчетов в соответствии с выбранной моделью (оценка доходности и риска);
- формирование рекомендаций по составу и структуре инвестиционного
портфеля.
Данный перечень задач определяет состав и структуру АРМ.
78
4.1. Состав и структура автоматизированного рабочего места
поддержки принятия инвестиционных решений малого предприятия
Структурно-функциональная схема АРМ представлена на рис. 4.1.
1
Шина данных
2
Модуль
«Эвристическая
оптимизпция»
Модуль
«Модифицированный АОРО»
Модуль
«Многослойный персептрон»
Модуль
«Одноиндексная модель
Шарпа»
Модуль
«Нейромодифицированная
одноиндексная
модель Шарпа»
Модуль
«Модель Марковица»
Шина данных
3
Модуль
ввода исходных
данных
Модуль
автоматизированной загрузки данных
Модуль
управления
4
Модуль
формирования
результатов
Шина данных
5
Хранилище
данных
Модуль
«Архивация
данных и резервное копирование»
Модуль
«Оптимизация
доступа»
Хранилище
нейронных сетей
и выборок данных
Рис. 4.1. Структурно-функциональная схема АРМ:
1 – подсистема нейросетевого прогнозирования временных рядов;
2 – подсистема моделирования;3 – подсистема загрузки исходных данных;
4 – подсистема формирования выходных результатов;
5 – подсистема хранения данных
79
Центральное место в составе АРМ занимает модуль управления. Он реализует интерфейс взаимодействия пользователя с программным комплексом,
общее проведение расчетов и взаимообмен информацией между соответствующими модулями, моделями и хранилищами, входящими в состав пяти подсистем: 1 – нейросетевого прогнозирования временных рядов; 2 – моделирования; 3 – загрузки исходных данных; 4 – формирования выходных результатов; 5 – хранения данных [80].
Подсистема нейросетевого прогнозирования временных рядов предназначена для предсказания наиболее вероятных значений стоимости облигаций на различных временных интервалах на основе искусственной нейро нной сети. Кроме того, в рамках данной подсистемы реализован исследовательский цикл оптимизации и обучения ИНС. Она включает такие модули,
как «Многослойный персептрон», «Модифицированный алгоритм обратного
распространения ошибки», «Эвристический алгоритм» [89].
Модуль «Многослойный персептрон» реализует ИНС на уровне ее базового представления. Выбор многослойного персептрона обусловлен его
относительной простотой и широким распространением для нейросетевого
прогнозирования котировок ценных бумаг [88, 91].
Модуль «Модифицированный алгоритм обратного распространения
ошибки (АОРО)» определяет стратегию подбора весов многослойного персептрона с применением градиентных методов оптимизации. В настоящее
время данный алгоритм считается одним из наиболее эффективных алгоритмов обучения многослойной сети. Он базируется на целевой функции, представляющей собой квадратичную сумму разностей между фактическими и
ожидаемыми значениями выходных сигналов.
Модуль «Эвристическая оптимизация» реализует оптимизацию нелинейной целевой функции на основе эвристик, представляющих собой модификацию методов наискорейшего спуска или сопряженных градиентов. Суть
модификации связана с подбором управляющих параметров, ускоряющих
процесс обучения ИНС.
Подсистема моделирования включает базу моделей. В настоящее время
в состав базы моделей, в виде соответствующих модулей, включены: «Модель Марковица»; «Одноиндексная модель Шарпа»; «Нейромодифицированная одноиндексная модель Шарпа».
Подсистема «Загрузки исходных данных» предназначена для ввода исходных данных, обеспечивающих работоспособность АРМ. В состав подс истемы включены два модуля: ввода исходных данных и автоматизированной
загрузки данных. Модуль ввода исходных данных обеспечивает ввод следующих групп исходных данных:
•
общие исходные данные для проведения расчетов;
•
исходные данные для настройки и обеспечения работоспособности множества используемых алгоритмов (обратного распространения ошибки, эвристического);
80
•
исходные данные для инициализации и настройки ИНС (мн огослойного персептрона).
К группе общих исходных данных относятся количество, време нные протяженности интервалов и значения исходного временного р яда. Модуль автоматизированной загрузки данных предназначен для
ввода потока данных о характеристиках облигаций в базу данных с
соответствующих специализированных сайтов (bonds.ru, rusbonds.ru и
др.). В общий перечень характер истик облигаций включены такие характеристики, как: дата погашения; дата ближайшей оферты; дата
оферты на выплату последнего известного купона; текущая ставка; ч истая цена; полная цена; доходность простая; доходность эффекти вная;
доходность текущая; доходность текущая модифицированная; дюр ация; дюрация модифицированная; выпуклость; величина измен ения
цены при изменении доходности на 1 б азисный пункт и др.
Подсистема формирования выходных результатов представлена
соответствующим модулем, который обеспечивает оформление полученных результатов в виде отчетов. Отчеты формируются в виде та блицы и диаграмм. В таблице представлены выбранные финансовые и нструменты для инвестирования, общая сумма инвестиций, целесоо бразная для вложений в соответствующий финансовый ин струмент, и ее
распределение по месяцам. Для более наглядного представления пол ученных результатов используются диаграммы (линейчатые, круговые,
точечные) или гистограммы. Данные, отражаемые в отчетах, могут х арактеризовать либо отдельные финансовые инстру менты, либо их интегральную оценку [96].
Подсистема хранения данных включает два хранилища (общих
данных и результатов функционирования подсистемы нейросетевого
прогнозирования временных рядов: параметры ИНС и выборки да нных) и модули архивации данных и резервного копирования, а также
оптимизации доступа. Каждое из хранилищ представляет собой авт оматизированный банк данных, содержащий оперативную базу данных
(ОБД) и долговр еменную базу данных (ДБД). В ОБД хранится текущая
информация (о характеристиках облиг аций, о параметрах используемой ИНС и др.). ДБД содержит исторические данные по определенным
временным срезам для облигаций и параметры ИНС, использовавши хся в различные периоды времени для прогнозиров ания их (облигаций)
характеристик.
Модуль «Оптимизация доступа» предназначен для повышения
эффективности обмена данными между БД.
Модуль «Архивация данных и резервного копирования » используется для архивации и распаковки данных соответственно при их п ередаче и приеме в (из) долговременную БД , а также для реализации
процедур резервного копир ования информации.
81
4.2. Характеристика аппаратной платформы, общего программного
обеспечения, технологической среды реализации
и среды разработки автоматизированного рабочего места
Прототип АРМ реализован на ПК со следующими характеристиками:
процессор Pentium III с тактовой частотой 3ГГц;
оперативная память 2 Гб;
свободное пространство на жестком диске 300 Гб;
графический адаптер SVGA с видеопамятью 1 Гб и поддержкой
DirectX9 (поддерживаемое разрешение 1024*768, режим - High Color);
17- дюймовый цветной монитор SVGA.
4.2.1. Выбор операционной системы
Назначение любой системы обработки данных состоит в том, чтобы пр евращать данные в более полезную информацию. Для достижения этой цели с уществует вычислительная система – взаимосвязанная совокупность аппаратных
средств вычислительной техники и программного обеспечения, предназначенная для обработки информации. Очень важно, чтобы все компоненты этой с истемы использовались эффективно.
Операционная система компьютера представляет собой комплекс программ, организующих вычислительный процесс в вычислительной системе.
Сегодня существует большое количество различных ОС, различающихся
по типам, способам реализации, специфике решаемых задач, используемым аппаратным средствам и функциональным возможностям.
ОС выполняет две группы функций:
1) предоставление пользователю вместо реальной аппаратуры компьютера некой расширенной машины, с которой удобнее работать и которую легче
программировать;
2) повышение эффективности использования компьютера путем рационального управления его ресурсами в соответствии с некоторым критерием.
Для решения поставленных задач можно обойтись без досконального
знания аппаратного устройства компьютера, принципов функционирования его
электронных блоков и устройств. Например, при работе с диском пользователю
достаточно представлять его в виде некоторого набора файлов с определенными именами. Файл, готовый к выполнению ОС, называется исполняемым файлом. Такие технические детали, как используемая при записи информации на
диск частотная модуляция или положение магнитной головки чтения/записи, не
представляют интереса.
Именно ОС скрывает особенности функционирования аппаратуры, беря
на себя рутинные операции, связанные с управлением аппаратными устро йствами, и предоставляя возможность простой и удобной работы.
ОС не только предоставляет удобный интерфейс к аппаратным средствам
компьютера, но и является механизмом, распределяющим ресурсы компьютера.
К ресурсам вычислительной системы относят такие ее средства, которые могут
82
быть выделены процессу обработки данных.
Ресурсы вычислительной системы можно разбить на первичные – аппаратные ресурсы и вторичные – логические, программные и информационные
ресурсы.
К числу первичных ресурсов современных вычислительных систем относятся процессоры, основная память, диски и др., за которыми стоят реальные
аппаратные средства. Они являются наиболее значимыми для вычислительного
процесса.
Вторичные ресурсы связаны с техническими устройствами косвенно, так
как являются логическими, виртуальными. Однако их введение – это необходимая абстракция, удобная для практической реализации программных решений.
Управление ресурсами вычислительной системы с целью наиболее эффективного их использования составляет важную часть функций любой ОС.
Критерии эффективности, в соответствии с которыми ОС организует управление ресурсами, могут различаться. Например, в одних системах важна пропус кная способность вычислительной системы, а в других – оперативное управление ресурсами. Последнее достаточно актуально для эксплуатации разрабатываемого АРМ.
Управление ресурсами включает решение следующих общих, не зависящих от типа ресурса задач:
1) планирование ресурса – определение, какому процессу, когда и в каком
количестве (если ресурс может быть разбит на части) следует выделить данный ресурс;
2) удовлетворение запросов на ресурсы;
3) отслеживание состояния и учет использования ресурса – поддержание
оперативной информации о занятости ресурса и распределенной его доли;
4) разрешение конфликтов между процессами, использующими один ресурс.
Для решения этих общих задач управления ресурсами разные ОС используют алгоритмы, особенности которых в конечном счете и определяют внешний облик ОС в целом, включая характеристики их производительности, о бласть применения и пользовательский интерфейс. Разработка и реализация алгоритмов управления ресурсами является очень важным этапом при проектир овании системы.
Организация эффективного совместного использования ресурсов несколькими процессами – это весьма сложная задача, обусловленная в основном
случайным характером возникновения запросов на потребление ресурсов. Анализ и определение оптимальных параметров обслуживания запросов является
предметом исследований теории массового обслуживания. В рамках этой теории разработано множество методов, позволяющих планировать распределение
критически важных ресурсов с учетом всевозможных стохастических и детерминированных событий.
Функции ОС обычно группируются либо в соответствии с типами локальных ресурсов, которыми управляет ОС, либо в соответствии со специфическими задачами, применимыми ко всем ресурсам вычислительной системы. Та-
83
кие группы именуются подсистемами. Наиболее важные – это подсистемы
управления процессами, памятью, файлами и внешними устройствами, а подсистемами, общими для всех ресурсов, являются подсистемы пользовательского интерфейса, защиты данных и администрирования. Рассмотрим возложенные на них основные задачи.
Подсистема управления процессами генерирует системные информационные структуры, содержащие данные о потребностях в ресурсах вычислительной системы, а также о фактически выделенных ресурсах для каждой задачи.
Процесс (задача) – представляет собой базовое понятие современных ОС
и часто кратко определяется как программа в стадии выполнения. Программа –
это статический объект, представляющий собой файл с кодами и данными,
процесс является динамическим объектом, который возникает в операционной
системе после того, как пользователь или ОС решает запустить программу на
выполнение. Во многих современных ОС для обозначения минимальной единицы работы ОС используют термин “нить”, или “поток”, при этом изменяется
суть термина “процесс”. Чтобы процесс выполнялся, ОС должна назначить ему
область оперативной памяти, в которой будут размещены коды и данные пр оцесса, а также предоставить необходимое количество процессорного времени и
доступ к требуемым ресурсам других типов. В информационные структуры
процесса часто включается дополнительная информация, характеризующая историю пребывания процесса в системе, его текущее состояние, степень привилегированности процесса.
В мультипрограммной ОС одновременно может существовать несколько
процессов, часть из которых, называемая пользовательскими процессами, порождается по инициативе пользователей. Другие процессы инициализируются
самой ОС для выполнения своих функций и называются системными.
Поскольку процессы довольно часто одновременно претендуют на одни и
те же ресурсы вычислительной системы, на ОС ложится задача поддержания
очередей заявок на такие ресурсы.
Не менее важной задачей ОС при управлении процессами является защита выделенных данному процессу ресурсов от вмешательства других процессов. Наиболее тщательной защиты требуют области оперативной памяти, хр анящие коды и данные процесса. Однако защита ресурсов процесса вовсе не
подразумевает, что ОС запрещает их совместное использование несколькими
процессами одновременно.
ОС берет на себя также функции синхронизации процессов, позволяющие
процессу приостанавливать свое выполнение до наступления какого-либо события в системе, которым может быть, например, завершение операции вводавывода, осуществляемой ОС по его запросу.
В современных ОС не существует однозначного соответствия между
процессами и программами. Один и тот же процесс может в ходе своего выполнения сменить программный файл. Для реализации сложных программных
комплексов часто бывает необходимо организовать их работу в виде несколь-
84
ких параллельно выполняющихся процессов, которые время от времени взаимодействуют друг с другом и обмениваются некоторыми данными. Так как ОС
защищает ресурсы процессов от взаимного вмешательства и не позволяет одному процессу считывать и записывать данные в область памяти другого пр оцесса, то для возможности их оперативного взаимодействия ОС должна иметь в
своем составе особые средства, которые называют средствами межпроцессного
взаимодействия.
Таким образом, подсистема управления процессами планирует выполнение процессов, то есть распределяет процессорное время между несколькими
одновременно существующими в системе процессами, занимается созданием и
уничтожением процессов, обеспечивает процессы необходимыми им системными ресурсами, поддерживает синхронизацию процессов, а также обеспечивает взаимодействие между процессами.
На подсистему управления памятью возложены очень важные функции,
поскольку процесс может выполняться только в том случае, если его коды и
данные находятся в оперативной памяти компьютера. Управление памятью
включает в себя распределение имеющейся в вычислительной системе физической памяти между всеми существующими в данный момент в системе процессами, загрузку кодов и данных процессов в отведенные им области памяти,
настройку адресно-зависимых частей кодов процесса на физические адреса выделенной области, а также защиту областей памяти каждого процесса. Существует довольно большое разнообразие алгоритмов распределения памяти, которые могут отличаться количеством выделяемых процессу областей памяти,
степенью свободы границы этих областей и другими параметрами.
Одним из наиболее популярных способов управления памятью в совр еменных ОС является так называемая виртуальная память. Наличие в ОС механизма виртуальной памяти обеспечивает написание программы так, как будто
для этой цели имеется однородная оперативная память большого объема, часто
существенно превышающего объем имеющейся физической памяти. В действительности все данные, используемые программой, хранятся на диске и при
необходимости частями отображаются в физическую память. При перемещении
кодов и данных между оперативной памятью и диском подсистема виртуальной
памяти осуществляет трансляцию виртуальных адресов, полученных в результате компиляции и компоновки программы, в физические адреса ячеек опер ативной памяти. Очень важно, что все операции по перемещению кодов и данных между оперативной памятью и дисками, а также трансляция адресов выполняются ОС корректно.
Защита памяти – это избирательная способность предохранять выполняемую задачу от операций записи или чтения памяти, назначенной другой задаче. Как правило, в корректных программах нет обращений к памяти, используемой другими программами. Однако вследствие того, что в реальных пр ограммах часто содержатся ошибки, такие попытки могут предприниматься. Средства защиты памяти, реализованные в ОС, должны пресекать несанкциониро-
85
ванный доступ процессов к чужим областям памяти. Поэтому важными функциями ОС по управлению памятью являются отслеживание свободной и занятой памяти, выделение памяти процессам и освобождение памяти после их завершения, защита памяти, а также настройка адресов программ на конкретную
область физической памяти.
В настоящее время к ОС предъявляется множество требований. Главными из них являются:
- производительность;
- надежность;
- защищенность;
- расширяемость;
- переносимость;
- совместимость;
- удобство.
По производительности ОС должна обладать таким временем реакции,
насколько это позволяет аппаратная платформа. На производительность ОС
оказывает влияние множество факторов, среди которых основными являются
архитектура ОС, многообразие реализуемых ею функций, количество ресурсов,
потребляемых самой ОС для выполнения поставленных перед ней задач, кач ество программного кода.
Требование по надежности ОС определяется архитектурными решениями, положенными в ее основу, а также качеством реализации, обратно пропорциональным количеству ошибок в комплексе программ, составляющих ОС.
В рамках защищенности система должна быть защищена как от внутренних, так и от внешних ошибок, сбоев и отказов. Ее действия должны быть всегда предсказуемы, а приложения не должны иметь возможности наносить вред.
Современная ОС защищает данные и другие ресурсы вычислительной системы
от несанкционированного доступа и от попыток непреднамеренного поврежд ения этих данных.
Расширяемость ОС предполагает возможность внесения в нее дополнений и изменений, без нарушения целостности системы. Расширяемость достигается за счет модульной структуры ОС, при которой программы строятся из
отдельных модулей, взаимодействующих только через функциональный интерфейс. Такая архитектура позволяет в случае необходимости добавлять новые
или удалять ненужные компоненты. Однако простота, с которой пользователь
или системный программист сможет производить такие функциональные изменения, определяется совершенством и продуманностью применяемых при построении системы решений.
Переносимость ОС показывает, насколько легко она переносится с одного типа аппаратной платформы на другую. Как правило, ОС разрабатывается
для определенного типа аппаратных платформ и перенос ее на платформу с
принципиально иным строением может стать трудной задачей.
Совместимость ОС изменяется со временем, и эти изменения более зна-
86
чимы, чем изменения аппаратных средств. Изменения ОС обычно заключаются
в приобретении ею новых свойств, добавлении новых и модификации имеющихся функций. Под требованием совместимости понимается сохранение во зможности использования прикладных программ, написанных для “старой” или
вообще другой ОС, в новой ОС.
Требование удобства означает, что средства ОС должны быть простыми и
гибкими, а логика ее работы ясна пользователю. Современные ОС ориентир ованы на обеспечение пользователю максимально возможного удобства. Нео бходимым условием этого стало наличие у ОС графического пользовательского
интерфейса и всевозможных мастеров – программ, автоматизирующих установку, настройку и эксплуатацию системы.
В интересах сравнения данных характеристик (требований) с целью выбора наиболее рациональной ОС рассмотрены три ОС: Windows XP; Vista;
Windows 7 [6, 35, 44, 66]. Результаты сравнения основных характеристик данных ОС приведены в табл. 4.1.
Таблица 4.1
Результаты сравнения основных характеристик ОС Windows
XP
Vista
7
+
+++
Производительность
++
++
Надежность
+
+
++
Защищенность
+
+
+
Расширяемость
+++
+
++
Переносимость
+++
+
Совместимость
++
+
+
Удобство
Анализ данной таблицы показывает, что наибольшее число плюсов набирает ОС Windows XP. Всего лишь на один плюс ей уступает Windows 7. Видно,
что Windows XP наиболее «сильна» в вопросах переносимости, надежности,
совместимости и удобства. В свою очередь, Windows 7 более производительна
и защищена. Кроме того, данная ОС обладает рядом других достоинств:
- эффективной реализацией мультизадачного режима работы;
- высокой оперативностью обработки данных за счет использования
только оперативной памяти (файл - подкачки не используется, и нет обращения
к жесткому диску, что традиционно замедляет работу);
- невысокими требованиями к аппаратной платформе;
- более эффективной реализацией сетевого обмена данными (применение
беспроводной технологии сетевого обмена данными IEEE 802.11).
Учитывая тот факт, что ОС Windows XP в настоящее время не поддерживается, в рамках разработанного прототипа использована Windows 7.
87
4.2.2. Выбор технологической среды реализации
Важное значение при выборе технологической среды реализации прикладного программного обеспечения имел тот факт, что разрабатываемое АРМ
является интегрированной информационной системой. При ее реализации о дним из важных вопросов является организация взаимодействия модулей друг с
другом и с хранилищами информации. В рамках данной системы реализовано
взаимодействие модулей через данные. Результаты работы одного модуля в виде данных записываются в БД. Для другого модуля эти данные являются
входными. Взаимодействие через данные требует их унификации (единого
формата хранения и языка запросов к БД). Для унификации формата хранения
данных использована технология DCOM [101, 126]. Исходным представителем
данной технологии является платформа «клиент-сервер» [32, 38, 103, 126]. В
рамках данной платформы, на верхнем уровне размещается сервер баз данных.
В нем хранятся данные. Нижний уровень представлен клиентскими приложениями, которые используют эти данные в работе. Кроме того, в приложениях
реализована бизнес-логика работы с данными, а также проверка их на достоверность и непротиворечивость [28, 126]. Подобные приложения называют
«толстыми клиентами» [63]. Реализованное прикладное программное обеспечение базируется на более совершенной платформе - трехуровневой архитектуре
«клиент-сервер» [32] (рис. 4.2).
Приложение
клиент
Компьютер
пользователя
.
.
.
Приложение
клиент
Сервер
баз данных
Сервер
приложений
BDE
SQLLinks
Компьютер – сервер приложений
База
данных
Удаленный
сервер сети
Компьютер
пользователя
Рис. 4.2. Трехуровневая архитектура «клиент-сервер»
В данной платформе уровни иерархии размещены по схеме: «сервер БД сервер приложений - клиент». Особенностью данной платформы является тот
факт, что процедуры, реализующие доступ к данным и их обработку, перенесены из клиентского приложения в сервер приложений (т. е на отдельный ур овень). Данную архитектуру называют «тонкий клиент» [28, 32]. Механизм
функционирования данной платформы заключается в следующем. На верхнем
88
уровне находится удаленный сервер баз данных. Он обеспечивает хранение и
управление данными. На среднем уровне (middle ware) находится сервер приложений. В сервере приложений содержатся средства и код, общие для всех
клиентских приложений, в частности средства доступа к БД. Он обеспечивает
соединение клиентов с сервером БД и реализует бизнес-логику. На нижнем
уровне находятся клиентские приложения. Пользователь запускает клиентское
приложение. Оно соединяется с доступным ему сервером приложений. З атем
клиент запрашивает какие-то данные. Этот запрос упаковывается в пакет установленного формата и передается серверу приложений. Там пакет рас паковывается и передается серверу БД, который возвращает затребованные данные.
Сервер приложений обрабатывает эти данные согласно заложенной в него бизнес-логике, упаковывает и передает этот пакет клиенту. Клиент распаковывает
данные и использует их в своей работе. Если данные изменены пользователем,
то цепочка их передачи на сервер БД выглядит следующим образом. Клиент
упаковывает измененные данные и отправляет пакет на сервер приложений.
Тот распаковывает их и отправляет на сервер БД. Если все исправления могут
быть без осложнений занесены в БД, то на этом все завершается. Если возникли
осложнения (например, сделанные изменения противоречат бизнес -правилам
или в результате изменения одних и тех же данных разными пользователями
возникли противоречия), то проблемные записи, возвращаются клиенту. Далее
пользователь принимает решение, что с ними делать (исправить или отказаться).
Основными достоинствами такой архитектуры являются:
- повышение оперативности функционирования сервера БД за счет переноса части рутинных операций на сервер приложений;
- уменьшение размера клиентских приложений за счет разгрузки их от
лишнего кода;
- единое поведение всех клиентов;
- упрощение настройки клиентов – при изменении общего кода сервера
приложений автоматически изменяется поведение приложений - клиентов.
4.2.3. Выбор среды разработки программного обеспечения
В качестве интегрированной среды разработки специального программного
обеспечения
использована
система визуального
объектноориентированного программирования Delphi 7 [9, 10, 12, 21, 103, 132]. Borland
Delphi — это объектно-ориентированная среда визуального программирования
(RAD — Rapid Application Development). Она предназначена для ускоренной
разработки высокопроизводительных 32-битных приложений, которые могут
работать в среде Windows или Linux. При этом Delphi позволяет свести к минимуму объем вводимого вручную программного кода. В состав Delphi входят
средства, необходимые для разработки, тестирования и установки приложений,
включая обширную библиотеку компонентов (VCL — Visual Components
Library), средства визуального проектирования, шаблоны приложений и форм, а
также различные мастера [9, 103, 141].
89
Достоинствами среды Delphi являются [10, 53, 141]:
- оперативность и простота разработки программ и оконного интерфейса;
- возможность создания динамически присоединяемых библиотек (DLL)
которые можно экспортировать в другие среды программирования;
- возможность работы с локальными базами данных с получением оперативного прямого доступа к ним;
- наличие средств автономной отладки приложений с последующим выходом в сеть;
- возможность формирования и печати отчётов на основе специализированных шаблонов;
- возможность оперативной разработки справочной системы и программ
установки для приложений, учитывающих всю специфику и все требования
Windows.
4.3. Выбор системы управления базой данных
автоматизированного рабочего места
Система управления базами данных (Database Management System —
DBMS) представляет собой программное обеспечение, которое управляет доступом к соответствующей базе данных [52, 125, 134].
При выборе СУБД сравнивались следующие характеристики:
- оперативность;
- отказоустойчивость;
- требования к аппаратной платформе;
- переносимость;
- масштабируемость;
- наличие ODBC драйверов;
- простота администрирования СУБД.
При выборе сравнивались следующие СУБД: MS SQL Server 2000; Oracle
9i; Paradox; Access.
Microsoft SQL Server 2000 – система управления базами данных, способная, как и Oracle, эксплуатироваться в условиях большого количества активных
сессий и открытых курсоров [24, 69, 71]. Она обладает возможностью работать
с большими объёмами данных. Среди сравниваемых СУБД, ее оперативность
занимает среднее положение. Данная СУБД обладает достаточно высокой отказоустойчивостью. MS SQL Server также обладает всеми необходимыми инструментами администрирования СУБД [8, 111]. При этом, непосредственно
процедура администрирования является сложной. Недостатком СУБД MS SQL
Server является ее привязанность к операционной системе и аппаратной платформе. У данной СУБД достаточно высокие требования к аппаратным ресурсам
и низкая переносимость. ODBC драйверы имеются [2].
Oracle 9i – подходит для решения практически любых поставленных за-
90
дач в области разработки и эксплуатации информационных систем [82, 128,
142]. Она одна из наиболее мощных существующих на сегодняшний день промышленных СУБД. У нее богатый набор инструментальных средств администрирования СУБД и оптимизации физической и логической структур баз данных [82]. Обладает возможностью работать с большими объёмами данных с
приемлемой оперативностью [142]. В плане отказоустойчивости данная СУБД
занимает достойное место. Недостатки Oracle 9i: высокие требования, предъявляемые к администратору баз данных как в части общетехнической подготовки,
так и в части глубокого знания принципов функционирования СУБД Oracle;
требовательность к аппаратным ресурсам; сложность в реализации и ресурс оемкость; низкая переносимость.
Paradox – достаточно оперативная и простая в использовании СУБД. Она
обладает невысокими требованиями к аппаратной платформе и достаточно высокой отказоустойчивостью [51]. Набор ODBC драйверов имеется. Даная СУБД
широко используется в небольших информационных системах Недостаток работает оперативно лишь с небольшими объемами данных.
Microsoft Access — типичная СУБД для персональных компьютеров,
обеспечивающая хранение, сортировку и поиск данных для множества приложений [37, 122]. В СУБД Access для создания таблиц, запросов, форм и отчетов
предусмотрен графический интерфейс пользователя (Graphical User Interface —
GUI); для разработки настраиваемых приложений с базой данных есть инстр ументальные средства, использующие макроязык Microsoft Access или язык
VBA (Microsoft Visual Basic for Applications). СУБД Access имеет программы мастера (Wizards), упрощающие процесс формирования приложения, связанного с базой данных, за счет применения ряда диалоговых окон в запросно ответном режиме [37]. В СУБД Access предусмотрены также конструкторы
(Builders), которые помогают сформировать синтаксически правильные выр ажения, например операторы и макрокоманды языка SQL. Данная СУБД по ддерживает значительную часть стандарта языка унифицированных запросов
SQL, а также стандарт Microsoft ODBC (Open Database Connectivity — открытый интерфейс доступа к базам данных), обеспечивающий общий интерфейс
для доступа к разнотипным базам данных SQL, таким как Oracle и Informix
[125]. Последнее указывает на то, что данная СУБД обладает высокой переносимостью и масштабируемостью. Кроме того, СУБД Access обладает минимальными требованиями к аппаратному обеспечению и достаточно проста в
администрировании. Таким образом, максимальное удовлетворение данной
СУБД вышеизложенным требованиям (характеристикам) обусловили ее выбор
для использования в СППИР.
91
4.4. Алгоритм обмена данными между БД
Блок-схема алгоритма обмена данными между ОБД и ДБД, реализованного в модуле «Оптимизация доступа», представлена на рис. 4.3.
Блоки 1,8 используются для пуска и остановки процесса обмена данными.
В блоке 2 реализован ввод исходных данных, таких как значение верхнего уровня объема данных ОБД; значение нижнего уровня объема данных ОБД.
Запуск и остановка процедуры перемещения данных реализуется в соответствии со следующими критериями:
• система перемещения данных из ОБД в ДБД запускается, если общий
объем хранимых в ОБД данных превышает верхний допустимый уровень;
• система перемещения данных из ОБД в ДБД прекращает работу, когда
1
Начало
2
Ввод исходных данных
3
Заполнено ли
ОХ?
Да
4
Архивация и перемещение данных из ОБД в
ДБД
Нет
5
6
Удовлетворен
ли запрос?
ОХ?
Нет
Перемещение и распаковка запрашиваемых
данных из ДБД в ОБД
Да
7
Сохранение оперативных данных
8
Конец
Рис. 4.3. Блок-схема алгоритма взаимодействия между БД
общий объем хранимых в ОБД данных становится меньшим, чем нижний допустимый уровень.
Блок 3 используется для проверки состояния загруженности ОБД. Если
ОБД не загружено, то осуществляется переход к блоку 5. В противном случае
управление переходит к блоку 4.
Блок 4 реализует архивацию и перемещение данных из ОБД в ДБД.
В блоке 5 реализован поиск данных, запрашиваемых пользователем. Если
они содержатся в ОБД, то осуществляется их непосредственная загрузка и
дальнейшая работа с ними. В случае их размещения в ДБД управление передается блоку 6.
92
Блок 6 используется для поиска запрашиваемых данных в ДБД. В случае
их наличия, последние перемещаются из ДБД в ОБД, распаковываются (разархивируются) и предоставляются пользователю для дальнейшей работы.
Блок 7 реализует запись полученных оперативных данных в ОБД.
Большое значение при архивации данных имеет определение последовательности их переноса. В ДБД переносятся не все данные - об этом свидетельствует наличие нижнего допустимого уровня хранения данных в ОБД. Перемещение производится в соответствии с рангом популярности данных: очередь на
перенос формируется в очередности, обратной популярности данных, которую
имеют данные с минимальным рангом. В качестве меры популярности использовалась эмпирическая оценка вероятности поступления запроса: чем выше вероятность поступления запроса, тем выше ранг данных.
Для оценки вероятности поступления запроса использовано предположение о том, что запросы формируют поток событий, подчиняющийся статистике
простого пуассоновского потока [1-3, 84]. В рамках данного предположения
интенсивность потока (количества событий в единицу времени) запросов на i- й
набор данных определяется в соответствии со следующей эмпирической оценкой:
Ni
i
t Ni
tOi
,
(4.1)
где Ni - полное количество запросов на i - й набор данных, tOi - время поступления данных в архив, t Ni - время поступления Ni -го запроса. Вероятность
поступления запроса на i - й набор данных при интенсивности потока заказов
i
в момент времени t t Ni определяется выражением (вероятность единичного
события на интервале t tNi 0 ) [1]
i
(4.2)
pi 1 exp
t t Ni .
Полученные оценки определяют ранг набора данных. Для множества из
K наборов данных ранжирование сводится к сортировке данных в соответствии с правилом:
(4.3)
p i p j , при i<j для любых i 1, K ; j 1, K .
В результате данной сортировки наборов данных набор с индексом i является искомым, который необходимо перенести в ДБД. В этом случае минимизируются расчетные затраты на повторное извлечение данных из ДБД. При
реализации данного алгоритма сортировка проводится при потенциально большом количестве кандидатов на перенос. В случае, когда количество перенос имых файлов (наборов данных) невелико, реализуется простой последовательный перенос файлов, имеющих минимальные вероятности поступления заказа.
Предложенный подход реализован в виде набора процедур, обеспечивающих:
1) контроль ресурсов ОБД;
2) расчет ранга популярности данных;
3) автоматический перенос данных, инициируемых процедурами контроля состояния ОБД.
93
4.5. Эвристическая оптимизация структуры базы данных
При разработке модели данных был использован стандарт IDEF0 [75].
В IDEF0 система представляется как совокупность взаимодействующих
работ или функций. Функции системы анализируются независимо от объектов,
которыми они оперируют. Это позволяет более четко смоделировать логику и
взаимодействие процессов организации [76, 77]. Основу методологии IDEF0
составляет графический язык описания бизнес-процессов. Модель в интерпретации IDEF0 представляет собой совокупность иерархически упорядоченных и
взаимосвязанных диаграмм [29]. Каждая диаграмма является единицей описания системы и располагается на отдельном листе. При разработке информационных моделей ОБД и ДБД использовались модели «сущность-связь» (ERмодели) [68]. Модель "сущность-связь" представляет собой высокоуровневую
концептуальную модель данных. Данная модель – это набор концепций, которые описывают структуру БД и связывают с ней транзакции обновления и извлечения данных. На основании модели «сущность-связь» были построены
таблицы для занесения данных. Таблицы строились с помощью программного
средства Database Desktop в среде визуального программирования Delphi 7.0 с
использованием Paradox 7. Процесс их проектирования проводился с помощью
программы BP-Win [68] и затруднений не вызывал в отличие от оптимизации
их структур. Для реализации последнего был разработан специальный алгоритм
эвристической оптимизации, блок-схема которого представлена на рис. 4.4.
Блоки 1 и 8 используются для пуска и остановки алгоритма эвристической оптимизации структуры базы данных.
В блоке 2 реализован ввод исходных данных, таких как число уровней
нормализации и число индексируемых полей.
В блоке 3 реализована многоуровневая нормализация БД. Нормализация это формальный метод анализа отношений на основе их первичного ключа и
существующих функциональных зависимостей. В ходе нормализации формат
отношений становится все более ограниченным (строгим) и менее восприимчивым к аномалиям обновления. В теории реляционных баз могут использоваться
5 нормальных форм. Любой нормальной форме соответствует известный набор
ограничений. Отношение находится в определенной нормальной форме, если оно
удовлетворяет набору ограничений этой формы. С переводом структуры отношений базы данных в формы более высокого порядка происходит удаление из
таблиц избыточной неключевой информации [135].
Первая нормальная форма (1НФ) - отношение, в котором на пересечении
каждой строки и каждого столбца содержится одно и только одно знач ение.
Вторая нормальная форма (2НФ) - отношение, которое находится в первой нормальной форме и каждый атрибут которого, не входящий в состав первичного ключа, характеризуется полной функциональной зависимостью от
этого первичного ключа
Третья нормальная форма (ЗНФ) - отношение, которое находится в
первой и во второй нормальных формах и не имеет атрибутов, не входя-
94
щих в первичный ключ атрибутов, которые находились бы в транзитивной
функциональной зависимости от этого первичного ключа.
1
Начало
2
Ввод исходных данных
3
Многоуровневая нормализация
базы данных
4
Нет
Достаточен ли уровень нормализации
БД ?
Да
5
Индексирование базы данных
Нет
Достаточен ли уровень индексирования
БД ?
6
Да
7
Вывод результатов
8
Конец
Рис. 4.4. Блок-схема алгоритма эвристической оптимизации
структуры базы данных
Четвертая нормальная форма (4НФ) - отношение в нормальной форме Бойса-Кодда,
которое не содержит нетривиальных многозначных зависимостей.
Пятая нормальная форма (5НФ) - отношение без зависимостей соединения.
Чтобы избежать аномалий обновления, нормализацию рекомендуется выполнять как
минимум до третьей нормальной формы (ЗНФ) [36]. Также третья нормальная форма (3НФ)
служит компромиссом между полной нормализацией и функциональностью в совокупности с
легкостью реализации. Нормальные формы, выше третьей, затрудняют разработку структур
95
данных и снижают их функциональность. Поэтому была проведена нормализация до ЗНФ.
Блок 4 обеспечивает проверку достаточности уровня нормализации БД. Если он достаточен, то управление передается в блок 5. В противном случае управление передается в блок 3.
В блоке 5 реализовано индексирование БД. Индекс – это структура данных, которая
помогает системе управления базами данных быстрее обнаружить отдельные записи в файле и
сократить время выполнения запросов пользователей. Индекс в базе данных аналогичен
предметному указателю в книге. Он позволяет избежать проведения последовательного или
пошагового просмотра файла в поисках нужных данных. Как и предметный указатель книги,
индекс базы данных упорядочен, и каждый элемент индекса содержит название искомого
объекта, а также один или несколько указателей (идентификаторов записей) на место его расположения. Индекс занимает намного меньший, чем таблица объем памяти, поэтому даже
полный перебор значений в нем является более быстрой операцией, чем считывание и поиск
информации в отношении. Кроме того, значения в индексе хранятся упорядоченно, что позволяет ускорить поиск нужной строки. Индексы дают возможность выбирать строки отношений, значения индексируемого атрибута которых принадлежит некоторому заданному интервалу. Для одного отношения может быть создано несколько индексов. Если разные отношения содержат одинаковые атрибуты, то для них может быть сформирован мультииндекс. В
нем каждому значению общего атрибута соответствует несколько ссылок, каждая из которых
указывает на строку с таким значением в том или ином отношении.
Блок 6 обеспечивает проверку уровня достаточности индексирования БД. Если он достаточен, то управление передается в блок 7. В противном случае управление
передается в блок 5.
Блок 7 обеспечивает вывод результатов. В качестве результатов выступает оптимизированная БД.
В качестве примера в табл. 4.2 приведены данные, хранящиеся в БД, предназначенные
для обучения искусственной нейронной сети. В качестве данных приведены значения котировок акций ОАО «Газпром», имевших место в период с 25.03.2011 по 04.04.2011 г.
Таблица 4.2
Данные, хранящиеся в БД для обучения ИНС
Дата
Цены открытия
Норм. цена открытия
Цены закрытия
Норм. цена закрытия
Прогнозная цена
Норм. прогноз
25.03.11
224,87
28.03.11
223,01
29.03.11
225,9
30.03.11
225,51
31.03.11
229,38
01.04.11
229,1
04.04.11
235,98
0,23
222,81
0,15
225,5
0,27
224,01
0,26
229,32
0,42
229,09
0,40
235,1
0,69
237,7
0,11
223,01
0,14
0,22
225,9
0,26
0,16
225,51
0,25
0,38
229,38
0,41
0,37
229,1
0,40
0,62
235,98
0,68
0,73
238,46
0,79
В строках данной таблицы используются значения таких характеристик, как:
- «Дата» – дата, на которую приведены значения акций;
- «Цена откр.» – цена за акцию на момент открытия торгов;
- «Цена закр.» – цена за акцию на момент закрытия торгов;
- «Прогнозная цена» – цена открытия торгов на следующий день, значение которой
96
необходимо спрогнозировать;
- «Норм. цена откр.», «норм. цена закр.», «норм. прогноз» – нормализованные значения.
Определение наиболее рациональной структуры базы данных проводилось экспериментальным (эвристическим ) путем.
Для различных вариантов структур базы данных для подсистемы нейросетевого прогнозирования котировок формировалось множество запросов на поиск определенных атрибутов информации (по одному полю и по множеству полей). При этом время обработки каждого одноаспектного или многоаспектного запроса фиксировалось.
После завершения реализации множества запросов для соответствующего варианта
структуры БД оценивалось среднее время обработки множества запросов. Затем полученные
значения сравнивались и выбирался тот вариант структуры БД, для которого значение среднего времени обработки множества запросов было минимальным.
Полученные значения усредненного времени реализации запросов приведены в табл. 4.3.
Таблица 4.3
Значения усредненного времени реализации запросов
Цена открытия
700
Цена открытия
400
Цена открытия
518
Цена открытия
180
Количество записей в базе данных:10000
Значения среднего времени выполнения запросов: мсек
Поля не проиндексированы
1НФ
Нормальная цена
Цены
Нормальная Прогнозная
Нормальный прогноз
открытия
закрытия цена закрыцена
тия
790
775
770
680
700
3НФ
Нормальная цена
Цены
Нормальная Прогнозная
Нормальный прогноз
открытия
закрытия цена закрыцена
тия
380
390
370
410
415
Все поля проиндексированы
1НФ
Нормальная цена
Цены
Нормальная Прогнозная
Нормальный прогноз
открытия
закрытия цена закрыцена
тия
500
490
530
515
530
3НФ
Нормальная цена
Цены
Нормальная Прогнозная
Нормальный прогноз
открытия
закрытия цена закрыцена
тия
150
160
130
160
150
Анализ полученных данных показывает, что время обработки запросов для базы данных в 1НФ гораздо больше, чем время обработки запросов для базы данных в 3НФ. Таким образом, можно сделать вывод о том, что оптимальной структурой базы данных для подсистемы
нейросетевого прогнозирования временных рядов является структурабазы данных, приведенная к 3НФ, все поля которой проиндексированы.
Анализ проведенных экспериментов показал, что среднее время обработки многоаспектных запросов меньше среднего времени обработки одноаспектных запросов. Следова-
97
тельно, в СУБД MS Access целесообразнее осуществлять многоаспектный поиск.
Следует заметить, что важное значение для повышения оперативности функционирования АРМ имеет использование рациональных методов и инструментов архивации данных,
используемых в рамках взаимодействия между ДБД в ОБД.
4.6. Обоснование методов и инструментов архивации данных
Поскольку в перспективе в АРМ по мере наращивания его возможностей могут использоваться различные виды данных (текст, видео, аудио), то целесообразно рассмотреть существующие методы их сжатия.
Дискретная форма представления информации является наиболее общей и универсальной. Текст, массивы чисел, оцифрованные звук и изображение можно представить в виде
совокупности символов, принадлежащих к ограниченному алфавиту. Следовательно, должны
существовать универсальные методы сжатия данных (цифровой информации), применимые
ко всем ее разновидностям. В силу своей универсальности эти методы должны исключать потерю информации (такая потеря может быть допустима при передаче, например, мелкой детали изображения, но неприемлема, когда речь идет, скажем, о коде программы). С другой стороны, в ряде приложений общие методы сжатия наверняка не будут наиболее эффективными.
Например, в силу особенностей зрительного и слухового восприятия некоторое «огрубление»
изображения или звука может оказаться малозаметным, при этом выигрыш в объеме передаваемых данных оказывается значительным. В этих случаях уместно использовать специальные методы сжатия с потерями. В результате анализа существующей литературы [30] проведена классификация методов сжатия информации. В схематичном виде классификация которой приведена на рис. 4.5.
Методы сжатия
данных
Универсальные методы
(без потерь информации)
Посимвольное
кодирование
Статистическое кодирование
(по Хаффману)
Специальные методы
(с потерями информации)
Кодирование
цепочек
Для графики
Кодирование
однородных
повторов
«Блочное»
сжатие
(JPEG)
Кодирование
разнородных
повторов
(по ЛемпелюЗиву)
«Волновое»
сжатие
Фрактальное
сжатие
Рис. 4.5. Классификация методов сжатия данных
98
Из данного рисунка видно, что при кодировании со сжатием без потерь
выделяются две разновидности методов - «Посимвольное кодирование» и «Кодирование цепочек». Идея посимвольного кодирования состоит в том, что символы разных типов встречаются неодинаково части и если кодировать их неравномерно, - так, чтобы короткие битовые последовательности соответствовали часто встречающимся символам, - то в среднем объем кода будет меньше.
Такой метод, именуемый статистическим кодированием, реализован, в частности, в широко распространенном коде Хаффмана [30]. Однако посимвольное
кодирование не использует такого важного резерва сжатия данных, как учет
повторяемости последовательностей символов, так называемых цепочек.
Простейший вариант учета цепочек – так называемое «кодирование повторов» или реализация кода RLE. Суть его состоит в том, что последовательность одинаковых символов заменяется парой – "код символа + количество его
повторов в цепочке". Следует отметить, что кодирование повторов достаточно
часто используется как составной элемент более сложных алгоритмов сжатия.
Более универсальным является алгоритм, позволяющий эффективно кодировать повторяющиеся цепочки разных символов, имеющих при этом произвольную длину. Такой метод был предложен Лемпелем и Зивом. В настоящее
время он находит широкое применение в различных архиваторах. Суть метода
состоит в том, что цепочка символов, уже встречавшаяся в передаваемом соо бщении, кодируется ссылкой на боле раннюю (при этом указываются «адрес»
начала такой цепочки в «словаре» сообщения и ее длина).
Для графики используются специализированные методы сжатия с потерями информации.
Метод блочного сжатия изображений (JPEG) основан на независимом
«огрублении» небольших фрагментов изображений (квадраты 8х8 пикселей).
Установлено, что с ростом степени сжатия проявляется мозаичность изображения. Блочный метод JPEG (разработанный специальной группой международного комитета по стандартизации) получил сейчас повсеместное распространение. Средняя степень сжатия составляет десятки раз.
При волновом сжатии, в отличие от блочного, изображение как бы «размывается» (чем выше степень сжатия, тем более нечетки границы и детали).
При передаче данных получаемое изображение постепенно «проявляется» в деталях. Это позволяет получателю самому выбирать необходимый компромисс
между качеством и скоростью получения изображения, что очень удобно,
например в Интернет. К тому же «размытость» не столь резко воспринимается
глазом как потеря качества по сравнению с «мозаичностью». Так что при субъективно близком уровне качества волновой метод дает большую степень сжатия
по сравнению с «блочным». Данный метод реализован в новом стандарте JPEG 2000.
Фрактальное сжатие основывается на том, что в изображении можно выделить фрагменты и повороты, масштабирование которых позволяет многократно использовать их при построении всей «картинки». Выделение и построение математического описания таких элементов-фракталов – трудоемкая в вы-
99
числительном отношении задача. Зато высокая степень сжатия (в сотни раз) и
быстрота построения изображения по его фрактальному описанию делают метод очень удобным, когда не требуется быстрота компрессии.
После оценки методов сжатия данных был проведен сравнительный анализ существующих архиваторов с целью выбора наиболее эффективного из них
для применения в АРМ. Были найдены данные по следующим архиваторам
[30]:
 7-Zip, автор Игорь Павлов (Pavlov);
 АСЕ, автор Маркел Лемке (Weinke);
 ARJ, автор Роберт Джанг (Jung);
 ARJZ, автор Булат Зиганшин (Ziganshin);
 CABARC, корпорация Microsoft;
 Imp, фирма Technelysium Pty Ltd.;
 JAR, автор Роберт Джанг (Jung);
 PKZIP, фирма PKWARE Inc.;
 RAR, автор Евгений Рошал (Roshal);
 WinZip, фирма Nico Mak Computing;
 1Zip, Info-ZIP group.
Данные архиваторы являются или одними из самых эффективных в
классе, применяющих методы Зива - Лемпела, или пользуются популярностью, или оказали существенное влияние на развитие словарных алгоритмов,
или интересны с точки зрения нескольких указанных критериев.
В табл. 4.4 представлены результаты сравнения ряда архиваторов по
степени сжатия файлов, времени кодирования и декодирования на специальном наборе исходных данных CalgCC [30].
Коэффициент сжатия оценивался с помощью набора файлов, получившего название Calgary Compression Corpus2 (CalgCC). В состав CalgCC входят
файлы различных типов данных. Набор состоит из 14 файлов, большая часть
которых представляет собой тексты на английском языке или языках пр ограммирования [30].
При проведении исследований применялся тот алгоритм, который обеспечивал наилучшее сжатие. Следует отметить, что 7-Zip использует специальные методы препроцессинга нетекстовых данных, "отключить" которые не
удалось, что до некоторой степени исказило картину. Тем не менее преимущество этого архиватора на данном тестовом наборе несомненно. В случае
WinRAR и АСЕ режим мультимедийной компрессии намеренно не включался.
Полученные результаты показали, что скорость сжатия ARJ и PKZIP
была примерно в 4,5 раза выше, чем у RAR и АСЕ, которые, в свою очередь,
были быстрее CABARC и 7-Zip приблизительно на 30 %. Размер словаря в
ARJ и PKZIP в десятки раз меньше, чем в остальных программах.
Для Ткод и Тдек за единицу принято время сжатия всего CalgCC архиватором 7-Zip. Следует отметить, что единица соответствует скорости кодирова-
100
ния 2 Гб/с для ПК с процессором типа Pentium IV 2,8 ГГц, объеме оперативной памяти 1ГГц, частоте шины 800 МГц, объеме жесткого диска 160 ГГб.
Таблица 4.4
Сравнительная характеристика архиваторов
по степени сжатия файлов, времени кодирования и декодирования специального набора
ARJ
PKZIP
ACE
RAR
CABARC
7-Zip
Bib
3.08
3.16
3.38
3.39
3.45
3.62
Book1
2.41
2.46
2.78
2.80
2.91
2.94
Book2
2.90
2.95
3.36
3.39
3.51
3.59
Geo
1.48
1.49
1.56
1.53
1.70
1.89
News
2.56
2.61
3.00
3.00
3.07
3.16
Obj1
2.06
2.07
2.19
2.18
2.20
2.26
Obj2
3.01
3.04
3.39
3.38
3.54
3.96
Paper1
2.84
2.85
2.91
2.93
2.99
3.07
Paper2
2.74
2.77
2.86
2.88
2.95
3.01
Pic
9.30
9.76
10.53
10.39
10.67
11.76
Progc
2.93
2.94
3.00
3.01
3.04
3.15
Progl
4.35
4.42
4.49
4.55
4.62
4.76
Progp
4.32
4.37
4.55
4.57
4.62
4.73
Trans
4.65
4.79
5.19
5.23
5.30
5.56
Итого
Ткод
Тдек
3.47
2.60
2.5
3.55
1.68
1.90
3.80
2.73
2.80
3.80
2.55
2.97
3.90
3.77
3.98
4.10
1.0
1.0
Дальнейшая оценка возможностей архиваторов с целью выбора наиболее
эффективного проводилась на выборке данных, непосредственно используемых
в подсистеме управления финансовыми инвестициями малого предприятия. В
состав выборки были включены файлы с числовыми данными, а также файлы,
содержащие растровые изображения используемых графиков, диаграмм и гистограмм. Всего в состав выборки было включено 18 файлов. Данное количество файлов было определено экспериментальным путем. При меньших значениях числа файлов имел место достаточно большой разброс значений коэффициента сжатия, а при больших значениях числа файлов наступало так называемое насыщение, при котором разброс значений коэффициента сжатия имел незначительные приращения.
Среди исследуемых архиваторов рассматривались PKZIP, RAR и 7-Zip. В
настоящее время они находят наибольшее распространение и являются представителями определенных диапазонов значений коэффициентов сжатия данных (табл. 4.5).
В табл. 4.5 приведены результаты сравнения архиваторов по степени
сжатия файлов на реальном наборе данных, состоящем из 18 файлов фиксир ованного размера 1639139 байт. Анализ полученных данных показывает, что они
101
незначительно отличаются от данных, приведенных в табл. 4.4 (в основном на
десятые доли, что повышает степень доверия к полученным результатам.
Лучшиехарактеристикипродемонстрировалархиватор7-Zip.Емунезначительно уступает RAR.
Таблица 4.5
Результаты сравнения архиваторов по степени сжатия файлов
на реальном наборе данных
PKZIP
RAR
7-Zip
I1.txt
2.94
3.15
3.55
I2.txt
2.46
3.08
3.44
I3.txt
2.22
2.93
3.18
I4.txt
2.12
2.81
2.80
I5.txt
2.08
2.66
3.40
R1.doc
2.01
2.11
2.18
R2.doc
2.00
2.05
2.16
R3.doc
2.05
2.07
2.22
R4.doc
2.00
2.01
2.15
R5.doc
1.92
2.05
2.31
F1.bmp
2.94
3.01
3.15
F2.bmp
4.42
4.55
4.76
F3.bmp
4.37
4.57
4.73
F4.bmp
4.79
5.23
5.56
G1.jpeg
4.01
4.25
4.75
G1.jpeg
4.17
4.46
4.98
G1.jpeg
4.23
4.29
5.17
G1.jpeg
5.01
5.59
5.97
Итого
3.09
3.38
3.69
Ткод
1.60
1.12
2.55
Тдек
1.8
1.25
2.68
В результате анализа временных характеристик при проведении экспериментов было установлено, что ценой увеличения степени сжатия является падение скорости в среднем в 2 и более раза.
По результатам проведенных экспериментов, для архивации данных при
пересылке последних из оперативного хранилища в долговременное хранилище, был выбран алгоритм 7-Zip.
4.7. Резервное копирование данных
Информация, получаемая в результате функционирования АРМ, стоит
дороже компьютеров, на которых она хранится. Как показывает практика, во сстанавливать данную информацию (как, впрочем, и любую) достаточно трудно.
Поэтому сохранение этой информации – одна из важных и трудоемких задач.
Потеря информации может происходить по многим причинам, начиная от
102
сбоя программ до выхода из строя оборудования. Поэтому эксплуатировать
АРМ без резервных копий хранимой в нем информации нецелесообразно.
Исторически сложилось, что для резервного копирования данных используются накопители на магнитной ленте. Изначально лента считалась более дешевым носителем, чем жесткие диски. Впоследствии возникло мнение, что с амыми дешевыми являются оптические носители, но по ряду причин это мнение
не нашло практической реализации. Хотя для резервного копирования в осно вном применяется магнитная лента, обычные жесткие диски также стали популярным средством первичного резервного копирования и зеркального отражения систем. Эта тенденция связана со снижением цен на жесткие диски, что сокращает преимущество накопителей на магнитной ленте в стоимости. Еще одна
причина использования жестких дисков — более высокое быстродействие, что
приводит к снижению времени обслуживания серверных приложений.
4.7.1. Требования, предъявляемые к резервному копированию данных
Основными проблемами при резервном копировании являются:
- сокращение промежутка времени, который называется окном резервного копирования, в течение которого должна быть завершена операция резервного копирования;
- постоянно увеличивающееся количество программных интерфейсов
приложений, которые должны поддерживаться приложениями резервного копирования;
- невозможность резервного копирования файлов, которые открыты и активно используются приложениями.
В рамках детализации первой проблемы следует отметить следующее.
Исторически сложилось так, что серверные приложения запускались только в
рабочее время. Операции резервного копирования соответственно выполнялись
в нерабочее время, т.е. ночью, когда работу приложений можно остановить, не
оказывая влияния на пользователей. Как только работа приложения прекращена, сервер можно отключить от сети и провести резервное копирование данных.
Однако данная подсистема, а также создаваемые, управляемые и модифицированные ей данные рассматриваются как важные для функционирования малого
предприятия и получения дополнительной прибыли. Это означает, что время, в
течение которого можно отключить сервер от сети для резервного копирования,
сокращается.
Наличие второй проблемы приводит к следующему. На рис. 4.6 схематично представлена проблема поддержки все увеличивающегося количества
АРI для резервного копирования и восстановления данных.
103
Программа резервирования 1
(Windows Backup)
Программа 1 (API резервирования)
(Microsoft Exchange)
Программа резервирования 2
(VERITAS Backup App)
Программа 2 (API резервирования) (Microsoft SQL)
Программа резервирования 3
(EMC Backup App)
Программа резервирования 4
(CA Backup App)
Программа 3 (API резервирования) (SAP)
Программа резервирования 5
(LEGATO Backup App)
Программа 4 (API резервирования)
(Oracle)
Рис. 4.6. Экспоненциальное увеличение количества API
для резервного копирования
Потребители обычно используют несколько приложений, и очень часто
применяется несколько версий одного и того же приложения. Каждый поставщик систем резервного копирования должен создавать программный код,
использующий АРI, предоставленный для каждого корпоративного приложения. Поскольку многие поставщики приложений отдельно лицензируют агенты
резервного копирования для различных приложений, сам процесс отслеживания лицензий на программное обеспечение и их стоимость вызывает хаос и
значительные затраты. Более того, следует учесть развертывание инфраструктуры, обучение персонала и четкое выполнение инструкций, необходимых для
эффективного резервного копирования.
Третья проблема при выполнении резервного копирования связана с тем,
что процесс занимает значительное время. Если реализуется запись на жесткий
магнитный диск (ЖМД) со скоростью 10 Гбайт/мин, то резервное копирование
диска объемом в 100 Гбайт займет 10 мин. В течение этих 10 мин приложения
будут получать доступ к диску и вносить изменения в данные, записанные на
нем. Это может нарушить целостность резервной копии. Существует три подхода к обеспечению целостности резервной копии [81]:
1. Запрет приложениям доступа к диску в процессе резервного копирования. Блокирование одновременного доступа пользователей к диску во время р езервного копирования было достаточно распространенным на раннем этапе использования персональных компьютеров, когда работа в режиме 24x7 не прак-
104
тиковалась. Резервное копирование выполнялось в периоды пониженной
нагрузки, например в ночные часы. Теперь этот подход не всегда возможен, и
тому есть ряд причин. Во-первых, в требованиях к работоспособности системы
часто указан режим работы 24x7, поэтому более подходящего времени для р езервного копирования попросту не существует. Во-вторых, объем данных, которые необходимо разместить в резервной копии, возрастает, как и время активного использования этих данных, поэтому окна резервного копирования не
всегда хватает для завершения операции;
2. Запрет пропуска открытых файлов при резервном копировании данных. Проблема заключается в том, что в процессе резервного копирования работают только действительно важные приложения, поэтому при таком подходе
крайне необходимые данные могут не попасть в резервную копию;
3. Разделение ввода-вывода, инициированного приложением резервного
копирования, и ввода-вывода, инициированного другими приложениями. Поставщики программ резервного копирования частично смоделировали ряд
функций операционной системы. В частности, их программы зависят от во зможности различать источники ввода-вывода. Однако такой метод вполне может оказаться бесполезным. Программы резервного копирования обычно в той
или иной мере используют недокументированные возможности операцио нной
системы, которые могут измениться с выходом новой версии. Кроме того, тр ебуется достаточно большой объем свободного дискового пространства. Еще
один вариант заключается в обработке каждого файла в отдельности или всех
файлов одновременно.
Для резервного копирования открытых файлов с одновременным сохр анением целостности резервной копии данных также используется три подхода.
Первый подход — перенос записи приложений во вторичную область
хранения, что позволяет приложению резервного копирования делать резер вную копию всех файлов. Такой подход работает выборочно: например, если з апись в файл подкачки будет разрешена, то запись в файлы данных приложений
должна откладываться или размещаться в предварительно определенном вторичном кэше (он часто называется вторичным хранилищем), что позволяет
обеспечить целостное резервное копирование данных. Ввод-вывод данных во
вторичную область хранения также должен осуществляться особым образом, в
зависимости от того, выполняется ли он приложением для резервного копир ования или другой программой. Как только приложение для резервного копир ования завершит работу, данные из вторичного хранилища должны быть скопированы поверх обычных файлов.
Второй подход — копирование данных при их записи приложением резервного копирования. Как только приложение резервного копирования откр ывает файл, другим приложениям будет по-прежнему разрешена в него запись.
Для того чтобы старые и новые данные не смешались, перезаписываемые данные копируются во вторичное хранилище. Если обычные приложения запр ашивают эти данные, операция чтения обрабатывается базовыми драйверами
105
файловой системы Windows. По запросу приложения резервного копирования
данные извлекаются из хранилища. Следует заметить (рис. 4.7), что драйверы
фильтрации файловой системы размещены над драйвером файловой системы
NT (NTFS), который, в свою очередь, расположен над драйвером фильтр ации
диска.
Последний находится над драйвером класса диска, ниже которого находятся и другие драйверы. Как только приложение открывает файл, NTFS (в ответ на запрос приложения) отправляет последовательность команд для чтения
метаданных (расположение файла на диске) и отправляет запросы на чтение и
запись логических блоков, где хранится этот файл.
Приложение
Службы диспетчера ввода-вывода и выполняемого модуля
Windows NT
Драйвер фильтрации
файловой системы
1
Драйвер файловой
системы NTFS
2
Драйвер фильтрации диска
Драйвер класса
диска
1 – Файловый ввод-вывод
Фактический поток кода
2 – Дисковый ввод-вывод
Логический поток
Рис. 4.7. Драйверы фильтрации Widows NT
106
Расположение драйвера фильтрации верхнего уровня идеально подходит
для перехвата выполняемых над файлами операций и перенаправления вызовов, если это необходимо для решения проблемы резервного копирования открытых файлов. Компания Microsoft предлагает набор Windows Installable File
System (IFS), в котором представлена информация, необходимая для написания
подобного драйвера фильтрации. Разработчики программ резервного копирования могут решить проблему на более низком уровне; например уровень образа обычно требует создания драйвера фильтрации нижнего уровня (он находится над драйвером класса диска), что показано на рис. 4.7.
Операции ввода-вывода (см. рис. 4.7) выполняются на уровне файловой
системы, что показано стрелкой, обозначенной цифрой 1. Драйвер NTFS управляет отображением данных файла на дисковые блоки; операции ввода-вывода
выполняются на уровне дисковых блоков, что показано стрелкой, обозначенной
цифрой 2. Компания Microsoft предоставляет драйвер фильтрации diskperf.sys,
который входит в набор разработки Windows Driver Development Kit (DDK). Несколько поставщиков систем резервного копирования использовали набор DDK для создания
программ, с помощью которых выполняется моментальный снимок данных.
Третий подход — создание моментального снимка данных и резервное
копирование этого снимка в то время, когда приложения будут продолжать использовать оригинальный том. Моментальный снимок может быть создан с помощью различных программных и аппаратных решений, которые Microsoft
предлагает в качестве базовой стратегии в Windows Server 2003.
4.7.2. Классификация типов резервного копирования
На рис. 4.8 приведена классификация типов резервного копирования.
С учетом архитектурного признака резервное копирование подразделяется на три класса, различающихся уровнем доступа: дисковые образы и логические блоки; файлы; приложения [81].
В случае уровня дисковых образов и логических блоков приложение р езервного копирования работает с блоками данных. Обычно подобная схема резервного копирования требует прекращения доступа к копируемым данным со
стороны всех приложений на сервере.
Приложение получает доступ к жесткому диску независимо от его внутренней структуры, после чего выполняет операции чтения/записи на уровне логических блоков. Преимущество такого типа резервного копирования состоит в
быстродействии операций резервного копирования и восстановления данных,
что особенно важно для восстановления данных после критических сбо ев в работе подсистемы. Недостаток заключается в том, что существует запрет на
доступ к диску со стороны приложений и даже операционной системы. Еще
один недостаток — это копирование излишнего количества неиспользуемых
логических блоков с резервной копии при резервировании диска с разрешенными файлами. Некоторые приложения резервного копирования предоставля-
107
Типы резервного
копирования
На базе
архитектуры
На основе функциональных возможностей
На базе сетевой
инфраструктуры
На уровне дисковых
образов и логических
блоков
Полное
Резервирование
DAS
На уровне файлов
Дифференциальное
Резервирование
NAS
На уровне
приложения
Инкрементное
Резервирование
SAN
Резервирование, не
зависящее от сервера
Рис. 4.8. Классификация резервного копирования
ют соответствующую программную логику, необходимую для обнаружения и
пропуска неиспользованных логических блоков. Такие резервные копии наз ываются разреженными копиями дискового образа [81].
На уровне файлов программа резервирования пользуется услугами
операционной и файловой систем. Одно из преимуществ заключается в эффективности восстановления конкретного файла или набора файлов. Еще одно
преимущество состоит в возможности одновременного доступа к файлам со
стороны операционной системы и приложений, когда проводится резервное копирование. К недостаткам следует отнести тот факт, что резервное копирование
выполняется дольше, особенно по сравнению с резервным копированием на
уровне образа. Если проводится копирование большого количества небольших
файлов, нагрузка на операционную и файловую систему при доступе к метаданным каталогов может оказаться значительной. Кроме того, существует пр облема открытых файлов. Еще один недостаток связан с безопасностью. Эта
проблема возникает вне зависимости от метода создания резервной копии (на
уровне образа или файла) и заключается в том, что резервное копирование выполняется на правах учетной записи администратора или оператора резервного
копирования, а не пользователя. Это единственный способ восстановить файлы
различных пользователей в ходе одной операции восстановления. Необход имым условием является корректная настройка метаданных файлов, например
108
списков управления доступом и данных о владельцах файлов. Решение проблемы требует поддержки со стороны API файловой и операционной систем, что
необходимо для настройки метаданных при восстановлении данных из резер вной копии. Кроме того, приложение резервного копирования и восстановления
должно корректно использовать предоставленные возможности [81].
На уровне приложения резервное копирование проводится с помощью
API, предоставленного приложением. В данном случае резервная копия состоит
из набора файлов и объектов, которые формируют состояние системы на определенный момент времени. Основная проблема заключается в том, что опер ации резервного копирования и восстановления тесно связаны с приложением.
Если с выходом нового приложения изменится API или функции уже существующего API, администратору придется переходить к новой версии программы резервирования. Приложения используют чистый диск без файловой системы или записывают на него огромный файл, в котором размещены собственные
метаданные приложения. В Windows ХР и Windows Server 2003 поддерживаются важные функции NTFS, благодаря которым возможно восстановление таких
файлов. Файл восстанавливается логическими блоками и в конце маркируется
новой функцией Win32 API, которая называется SetFileValidData.
Исходя из функциональных возможностей резервное копирование также
подразделяется на три класса: полное; дифференциальное; инкрементное.
При полном резервном копировании (full backup) полный набор файлов
или объектов, а также связанные с ними метаданные копируются на носитель
резервной копии. Преимущество состоит в том, что используется только один
набор носителей для восстановления в случае отказа в работе системы. Нед остаток заключается во времени копирования, так как копируются все данные.
Полное резервное копирование часто выполняется на уровне дискового образа
или на уровне блоков [81].
При дифференциальном резервном копировании (differential backup) архивируются все изменения, которые произошли с момента последнего полного
резервного копирования. Так как дифференциальные резервные копии могут
создаваться на уровне образа или на уровне файлов, этот набор изменений б удет представлять собой набор изменившихся дисковых блоков (для резервной
копии на уровне образа) или набор изменившихся файлов (для резервной копии
на уровне файлов). Основное преимущество дифференциального резервного
копирования состоит в значительном уменьшении времени копирования по
сравнению с полным резервным копированием. С другой стороны, восстано вление после сбоя занимает больше времени. Восстановление после сбоя потребует проведения двух операций по восстановлению данных. В ходе первой будут восстанавливаться данные из полной резервной копии, а во время второй —
данные из дифференциальной резервной копии. Дифференциальное резервное
копирование на уровне файлов применяется в тех случаях, когда приложения
создают множество небольших файлов и после создания полной резервной копии меняют некоторые файлы. В то же время такое резервное копирование не
109
применяется, если жесткий диск используется приложениями управления баз ами данных, которые постоянно вносят небольшие изменения в огромные файлы
баз данных. Таким образом, при резервировании на уровне файла будет создана
копия целого файла. Примером такой программы служит Microsoft Exchange,
которая постоянно стремится вносить небольшие изменения в огромные файлы
баз данных. При использовании старших моделей подсистем хранения данных
дифференциальное резервное копирование на уровне образа можно использ овать в любой ситуации, включая резервное копирование файлов приложений
баз данных. Причина такой эффективности состоит в хранении большого объема метаданных, которые позволяют быстро определить изменившиеся с момента резервного копирования дисковые блоки. Таким образом, будет проведено
резервное копирование только изменившихся дисковых блоков, а большое количество не изменившихся дисковых блоков не будет скопировано. Даже несмотря на более высокую эффективность резервного копирования при использовании старших моделей подсистем хранения данных, остается необходимость
в использовании API, который позволит начать резервирование в определенный
момент времени и продолжить ввод-вывод данных после завершения резервного копирования. Метод работы старшей модели подсистемы хранения заключается в сокращении операций ввода-вывода данных, которые должны быть остановлены при резервном копировании [81].
При инкрементном резервном копировании (incremental backup) архивируются только изменения с момента последнего полного или дифференциального резервного копирования. Этот вид резервного копирования требует меньше времени, так как на резервный носитель не копируются файлы, которые не
изменились с момента создания последней полной или добавочной резервной
копии. Недостатком этого метода является длительность операции восстано вления после сбоя, так как оно выполняется с помощью набора из нескольких
носителей, соответствующих последней полной резервной копии и нескольким
добавочным резервным копиям. В случае отсутствия старших моделей подс истемы хранения добавочное резервное копирование выполняется при изменении или добавлении различных наборов файлов. При использовании старших
моделей подсистемы хранения может применяться добавочное резервное копирование на основе блоков, так как в этом случае доступен достаточный объем
метаданных для идентификации изменившихся блоков.
На базе сетевой инфраструктуры существует 4 типа резервного копир ования (DAS; NAS; SAN; резервирование, не зависящее от сервера).
Резервирование DAS - старейшая разновидность резервного копирования
возникла во времена, когда устройства хранения подключались непосредственно к серверу. Несмотря на развитие сетевых устройств хранения, резервирование DAS остается достаточно популярным для копирования данных, размещенных на серверах Windows. Преимуществом этого резервирования является простота его использования. Приложение на сервере считывает данные с соответствующего дискового тома и записывает их на магнитную ленту. Однако резер-
110
вирование DAS имеет ряд недостатков. Использование нескольких накопителей
на магнитной ленте (по одному на каждый сервер, нуждающийся в резервном
копировании), которое требует существенных финансовых затрат. Другими
словами, совместное использование одного накопителя несколькими серверами
практически невозможно. Высокая общая стоимость владения (ТСО), так как
для резервного копирования с помощью нескольких накопителей на магнитной
ленте требуется иметь в штате несколько администраторов. Хранение нескольких лент может привести к путанице. Поскольку данные на нескольких серверах часто дублируются, но не синхронизированы, одинаковые данные переносятся и на ленту, поэтому хранение похожих данных на нескольких лентах может привести к путанице. Наконец, но не в последнюю очередь, сервер должен
обрабатывать запросы чтения/записи данных между диском и накопителем [81].
Резервирование NAS позволяет совместно использовать накопитель на
магнитной ленте для резервного копирования данных нескольких серверов, что
приводит к снижению общих затрат. Данному резервированию свойственны
некоторые недостатки. Операция резервного копирования отражается на пропускной способности локальной сети, что зачастую требует сегментации LAN
для перенаправления потоков резервного копирования в отдельный сетевой
сегмент. Время работы узлов увеличивается. Другими словами, возрастает вр емя, в течение которого серверы должны быть доступны для обслуживания
пользовательских запросов и транзакций. Кроме того, увеличивается объем
данных, хранящихся на сервере, что требует большего времени на резервирование этих данных. Учитывая актуальность описанных проблем, обеспечение эффективности резервного копирования становится единственным критерием при
проектировании сетей и определении точного количества необходимых
устройств резервирования [81].
Резервирование SAN основано та том, что сеть хранения данных может
обеспечить достаточную пропускную способность между любыми двумя
устройствами и в зависимости от топологии способна предоставить одновременную связь с малыми задержками между несколькими парами устройств. С
другой стороны, использование топологии кольца Fibre Channel с количеством
устройств больше 30 не дает возможности создавать несколько соединений с
высокой пропускной способностью и малыми задержками, так как общая пр опускная способность кольца будет совместно разделена между всеми подключенными устройствами. Топология резервного копирования SAN имеет ряд
преимуществ. Накопитель на магнитной ленте может находиться довольно далеко от сервера, данные которого резервируются. Такие накопители обычно
оснащены интерфейсом SCSI, хотя в последнее время всё чаще появляются
накопители с интерфейсом Fibre Channel. Это означает, что их можно подключать только к одной шине SCSI, в результате чего усложняется совместное использование накопителя несколькими серверами. Сети хранения данных на основе Fibre Channel благодаря поддержке различных устройств позволяют
успешно решать проблемы совместного использования. Однако при этом все
равно требуется метод, обеспечивающий корректный доступ к накопителю на
111
магнитной ленте с использованием соответствующих разрешений. Примеры
подобных методов представлены ниже. Метод зонирования позволяет в определенный момент времени получить доступ к накопителю на магнитной ленте
одному серверу. Проблема заключается в обеспечении соответствия серверов
требованиям зонирования. Кроме того, необходимо обеспечить корректное использование сменщика лент или накопителя с поддержкой нескольких кассет.
Следующий метод — использование таких команд интерфейса SCSI, как Reserve и Release. Метод подключения накопителя на магнитной ленте к серверу
позволяет получить совместный доступ к устройству посредством специального программного обеспечения сервера. Совместное использование накопителя
на магнитной ленте является весьма привлекательным решением, поскольку
накопители — довольно дорогие устройства. К описанным накопителям относится, например, устройство Tivoli от компании IBM. Технология резервного
копирования без локальной сети получила свое название потому, что передача
данных выполняется за пределами локальной сети средствами SAN. Это снижает нагрузку на локальную сеть, благодаря чему приложения не страдают от
снижения пропускной способности сети при резервировании данных. Резервное
копирование без локальной сети позволяет более эффективно использовать р есурсы с помощью совместного использования накопителей на магнитной ленте.
Резервное копирование и восстановление данных без локальной сети более
устойчиво к ошибкам, поскольку резервирование может проводиться несколькими устройствами одновременно, если одно устройство отказало в работе.
Аналогичным образом несколько устройств могут использоваться при восстановлении данных, что позволяет эффективнее планировать использование ресурсов. Наконец, операции резервного копирования и восстановления завершаются значительно быстрее, так как сети хранения данных обеспечивают более высокую скорость передачи данных.Резервирование, не зависящее от сервера, иногда называют резервным копированием без сервера или даже сторонним копированием. Оно представляет собой резервирование, не зависящее от
локальной сети, что избавляет от необходимости перемещать данные с определенного узла. Идея такого способа резервного копирования состоит в применении команды SCSI Extended Сору. В основе резервного копирования, не зависящего от сервера, лежит инициатива ассоциации SNIA, которая была реализована в командах SCSI Extended Сору. В стандарте SCSI уже описывалась поддержка команд копирования, однако ранее для использования команд требовалось подключение всех устройств SCSI к одной шине. Команда Extended Сору
добавляет такие дополнительные возможности, как использование источника и
пункта назначения данных через различные шины SCSI. При этом в полной мере
сохраняется адресация, поддерживаемая синтаксисом команды. В резервном копировании, не зависящем от сервера, сервер резервирования может обрабатывать
другие запросы, пока данные копируются с помощью агента перемещения данных. Данные переносятся непосредственно от источника данных в точку назначения, а именно в резервный носитель (вместо копирования из источника на сервер резервного копирования с последующим переносом на резервный носитель)
[81].
112
4.7.3. Реализация резервного копирования данных
Структурная схема резервирования данных в АРМ представлена на рис. 4.9.
Сервер под управлением Windows Server 2003
Процедура задания параметров резервирования
Долговременное
хранилище
Резервное
хранилище
(RAID – массив)
Процедура теневого копирования
Процедура резервирования
DAS
Процедура
зеркалирования
Процедура виртуализации хранилища
Рис. 4.9. Структурная схема резервного копирования данных
В техническом исполнении резервное копированиереализовано набазе единого сервера
под управлением операционной системы Windows Server 2003. В состав соответствующего модуля входят следующиепроцедуры: задания параметров резервирования; резервирования DAS;
теневого копирования; зеркалирования; виртуализации хранилища. Резервное хранилище
включает 4 жестких магнитныхдискаемкостью 500 ГГб каждый. На схеме оно показано в роли
источника резервируемых данных.
В рамках процедуры задания параметров резервирования системный администратор
вводит значения требуемых параметров резервирования, таких как:
- количество месячных резервных копий;
- количество еженедельных резервных копий;
- количество ежедневных резервных копий;
- наиболее целесообразный временной интервал резервирования данных;
- частота формирования теневых копий;
113
- размер места, отведенного для теневых копий.
Процедура резервирования DAS (direct-attached-storage) используется для реализации соответствующего типа резервирования. Выбор данного типа обусловлен его простотой реализации и относительно невысокой стоимостью. Поскольку резервное хранилище реализовано на
жестких магнитных дисках, а не на накопителях на магнитных лентах, данный тип резервного
копирования оказался практически лишенным недостатков.
Процедура теневого копирования реализует получение так называемых «Теневых копий». Системный администратор включает и настраивает службу Volume Shadow Copy, входящую в состав используемой операционной системы Windows Server 2003. Чтобы разрешить на
серверетеневоекопирование, вызывается окно свойств тома, осуществляется переход на вкладку «Теневые копии (Shadow Copies)», выбирается том и активизируется опция «Включить
(Enable)». В результатепользователь имеет возможность доступа к различным версиям документа в соответствии с привязкой к определенному моменту времени. Само теневое копирование производится «на лету», независимо от того, открыт файл или нет. В этом режиме Windows
Server 2003 копирует все файлы в общих папках и помечает их атрибутами с текущей датой и
временем. Пока разрешено теневоекопирование тома, Windows Server 2003 будет ежедневно
создавать по двекопии файлов. Этот процесс продолжится до исчерпания на диске места, отведенного под теневые копии. Вот почему в процедуре задания параметров резервирования важно
настроить частоту копирования и размер места, отведенного для теневыхкопий. Теневое копирование томов позволяет создавать библиотеки версий файлов, тем самым обеспечивая доступ к
сохраненным версиям удаленных или поврежденных файлов, что избавляет системных администраторов от одной из наиболее обременительных задач — восстановления одиночных файлов, ошибочно удаленных пользователями.
Для обеспечения надежности и восстановления после сбоев данные хранятся в различных местах и постоянно обновляются, благодаря чему изменение в одной реплике данных отражается и на других репликах. Именно эта идея лежит в основесхем зеркального отражения и
репликации. Зеркалирование (mirroring) – технология, обеспечивающая копирование данных с
одного носителя надругой в реальном времени. Она реализованав процедуре зеркалирования и
обеспечивает систему хранения с резервированием всех данных. Технология зеркалирования
тесно связана с формированием массивов RAID. Аббревиатура RAID расшифровывается как
Redundant Array of Independent Disks — избыточный массив независимых дисков. Практически
для всех реализаций массивов RAID общей является идея чередования (striping). Чередование
состоит из определения базовой единицы ввода-вывода (обычно она имеет размер от 512 байт
до 4 или 8 Мбайт) и метода физического размещения этихединиц на различных дисках. Таким
образом, формируются логическиеблоки для кластеров более высокого уровня. Первая единица
может находиться на диске 1, вторая — надиске2 и т. д [81]. Реализация массивов RAID может
быть аппаратной и программной. Использована аппаратная реализация массива RAID. Аппаратный RAID – устройство RAID, созданное и поддерживаемое на аппаратном уровне. Для
операционной системы такое устройство выглядит как один физический жесткий диск – отдельные диски, составляющиеданное устройство, системе невидны. Наиболее удобное, надежное и относительно не дешевое решение. Тем не менее данные затраты окупятся, поскольку
позволят решить основныепроблемы программной реализации массива RAID, в частности:
- вычисление четности и других данных, необходимых для работы массива, требует значительных затрат времени центрального процессора;
- для каждой операции записи по шине ввода-вывода передается две операции записи,
одна для данных, вторая для четности;
114
- при использовании программных массивов RAID два уровня абстракции могут значительно повысить сложность и накладные расходы. Во-первых, файловая система добавляет уровень абстракции, осуществляя преобразование данных файлового ввода-вывода в данные блочного ввод-вывода на уровне тома. Во-вторых, диспетчер тома (внедряющий программный массив RAID) добавляет еще один уровень абстракции, выполняя преобразование блоков тома в
дисковые блоки. В контексте распределенной файловой системы (DFS) это означает необходимость получения двухуровневых блокировок — физическихили виртуальных (т.е. файл, открытый в эксклюзивном режиме, может обрабатываться как виртуально заблокированный). Последнее имело принципиальное значение для реализации виртуализации хранилища.
Процедура виртуализации хранилища обеспечивает предоставление единого интерфейса для управления коммутаторами связной архитектуры. Данный интерфейс не зависит от производителя коммутатора, его модели и возможностей. Последовательность действий системного администратора при проведении резервного копирования заключается в следующем:
•
созданиетома (может потребоваться управлениедисками или массивами RAID);
•
обеспечение доступности тома для механизмасоздания моментальных снимков
(может потребоваться перенастройка зонирования);
•
создание моментального снимка;
•
том с моментальным снимком делается доступным для сервера резервного копирования.
•
проведение резервного копирования;
•
возвращение снимка в пул свободных ресурсов хранилища, для чего может также
потребоваться дополнительная настройка коммутатора.
Обычно все происходит таким образом: администратор хранилища выполняет часть
действий вручную, запускает программное обеспечение, выполняет еще несколько ручных операций, запускает другое программное обеспечение и т.д.
Процедура виртуализации хранилища позволяет полностью автоматизировать эти задачи.
Достаточно значимое место в работе АРМ занимает подсистема нейросетевого прогнозирования временных рядов. Центральное место в данной подсистеме занимают ИНС. Ввиду того,
что на сегодняшний день ИНС встречается великое множество, необходима их классификация.
4.8. Типизация искусственных нейронных сетей
Существующие классификационные схемы НС различаются классифицирующими
признаками [4, 26, 59, 65, 121]. При этом классификация, предложенная в одних источниках [4,
26, 59], не учитывает ряд классов, представленных в других [65, 121] и наоборот. Авторами разработанаинтегральная классификация НС, базирующаяся на множестве существующих классов и дополненная множеством новых классов. Всхематичном виде она представлена на рис. 4.10.
В рамках данной классификации выделены 10 классифицирующих признаков ИНС:
- вид топологии;
- принцип распространения сигнала;
- степень связанности нейронов;
115
По виду топологии
Полносвязные
По принципу распространения сиг- Монотонные Прямые
нала
По степени связанности нейронов
Особенности обр.
распространения
сигнала
По топологии
обратной связи
По числу взаимосвязей нейрона
По степени однородности функций
активации
По виду
сигнала
Многослойные
Перекрестные
Слабосвязные
Латеральные
Обратные
Сильносвязные
Умеренносвязные
Слоистоциклические
Слоистосильносвязные
Сильносвязнослоистые
Элмана
Жордана
Четырехсвязные
Шестисвязные
Гомогенные
Восьмисвязные
Гетерогенные
Бинарные
По виду изменения
состояния нейрона
Синхронные
По способу использования
Формируемые
Аналоговые
Асинхронные
Матричносвязные
Обучаемые
Рис. 4.10. Классификация нейронных сетей
- особенности обратного распространения сигнала;
- топология обратной связи;
- число взаимосвязей нейрона;
- степень однородности функций активации;
- вид сигнала;
- вид изменения состояния нейрона;
- способ использования.
116
Комбинированные
С точки зрения топологии выделяются три основных типа нейронных сетей [65]: полносвязные (рис. 4.11, а); многослойные или слоистые (рис. 4.11, б);
слабосвязные (с локальными связями) (рис. 4.11, в).
Рис. 4.11. Основные топологические типы ИНС
В полносвязных нейронных сетях каждый нейрон передает свой выхо дной сигнал остальным нейронам, в том числе и самому себе.
В многослойных нейронных сетях нейроны объединяются в слои. Слой
содержит совокупность нейронов с едиными входными сигналами. Число
нейронов в слое может быть любым и не зависит от количества нейронов в других слоях.
В слабосвязанных нейронных сетях нейроны располагаются в узлах пр ямоугольной или гексагональной решетки. Каждый нейрон связан с четырьмя
(окрестность фон Неймана), шестью (окрестность Голея) или восемью (окрес тность Мура) своими ближайшими соседями [116].
Авторами выделен такой классифицирующий признак, как принцип распространения сигнала. В соответствии с ним ИНС разделяются - на монотонные; прямые; перекрестные; латеральные; обратные.
В монотонной ИНС каждый слой кроме последнего (выходного) разбит
на два блока: возбуждающий (А) и тормозящий (В). Связи между блоками тоже
разделяются на тормозящие и возбуждающие. Если от нейронов блока А к
нейронам блока В ведут только возбуждающие связи, то это означает, что любой выходной сигнал блока является монотонной неубывающей функцией любого выходного сигнала блока А. Если же эти связи только тормозящие, то лю-
117
бой выходной сигнал блока В является невозрастающей функцией любого выходного сигнала блока А. Для нейронов монотонных сетей необходима монотонная зависимость выходного сигнала нейрона от параметров входных сигналов [65].
В прямых сетях нейроны входного слоя получают входные сигналы, пр еобразуют их и передают нейронам первого скрытого слоя и так далее вплоть до
выходного, который выдает сигналы для интерпретатора и пользователя.
В перекрестных ИНС нейроны второго слоя имеют настраиваемые синаптические связи как с выходов нейронов первого слоя, так и непосредственно со
входа.
Для латеральных ИНС характерно введение в скрытые слои боковых (латеральных) связей, обеспечивающих повышенную активность соответствующих нейронов.
В обратных ИНС сигналы с выходов нейронов могут подаваться на их
входы либо на входы предыдущих скрытых слоев.
В плане степени связанности нейронов ИНС разделяются на сильносвязанные (выход каждого нейрона q-гo слоя связан с входом каждого нейрона
(q+1)-го слоя) и умеренносвязные (некоторые связи отсутствуют).
В зависимости от особенностей обратного распространения сигнала выделяются слоисто-циклические, слоисто-полносвязные и полносвязнослоистые.
В слоисто-циклических сетях слои замкнуты в кольцо, последний слой
передает свои выходные сигналы первому. Все слои равноправны и могут как
получать входные сигналы, так и выдавать выходные.
Слоисто-полносвязанные состоят из слоев, каждый из которых представляет собой полносвязную сеть, а сигналы передаются как от слоя к слою, так и
внутри слоя; в каждом слое цикл работы распадается на три части: прием сигналов с предыдущего слоя, обмен сигналами внутри слоя, выработка выходного
сигнала и передача к последующему слою.
Полносвязанно-слоистые, по своей структуре аналогичные слоистополносвязанным, но функционирующим по-другому: в них не разделяются фазы обмена внутри слоя и передачи следующему, на каждом такте нейроны всех
слоев принимают сигналы от нейронов как своего слоя, так и последующих.
В соответствии с топологией обратной связи ИНС названы именами их
исследователей – Элмана и Жордана. Примеры их конфигурации представлены
на рис. 4.12.
По числу взаимосвязей между нейронами ИНС могут быть четырехсвязные (окрестность фон Неймана), шестисвязные (окрестность Голея), и восьмисвязные (окрестность Мура). Структура четырехсвязных и восьмисвязных ИНС
приведены на рис. 4.11. в).
Известные ИНС можно разделить по типам структур нейронов на гомогенные (однородные) и гетерогенные. Гомогенные сети состоят из нейронов у
оторых однотипная функция активации, а в гетерогенную сеть входят нейроны
118
с различными функциями активации.
Рис. 4.12. Виды ИНС в соответствии с топологией обратной связи
Существуют бинарные и аналоговые сети. Первые из них оперируют
только двоичными сигналами, и выход каждого нейрона может принимать значение либо логического нуля (заторможенное состояние) либо логической ед иницы (возбужденное состояние).
Такой признак, как «вид изменения состояния нейрона», делит ИНС на
синхронные и асинхронные. В первом случае в каждый момент времени лишь
один нейрон меняет свое состояние, во втором - состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени
в нейронных сетях задается итерационным выполнением однотипных действий
над нейронами.
По способу решения задачи ИНС разделяются: на формируемые; с формируемой матрицей связи (сеть Хопфилда); обучаемые; комбинированные
(смешанные).
Формируемые сети. Сети этого вида проектируют для формализуемых
119
задач, имеющих четко сформулированный в нейросетевом базисе алгоритм р ешения конкретной задачи.
Сети с формируемой матрицей связей. Сети этого вида применяют для
трудноформализуемых задач. Как правило, эти сети имеют одинаковую структуру и различаются лишь матрицей связи (сеть Хопфилда). Достоинством таких
сетей является их наглядность в работе.
Обучаемые сети. Этот вид сетей используют для решения неформализуемых задач. В процессе обучения сети автоматически изменяются такие ее
параметры, как коэффициенты синаптической связи, а в некоторых случаях и
топология. Серьезным препятствием в широком применении ИНС все еще
остается большое время обучения сети. Поэтому выбор или разработка алгоритма обучения является ключевой задачей.
Комбинированные (смешанные) сети. Этот класс сетей сочетает в себе
признаки двух, а то и трех основных видов. Как правило, эти сети многосло йные, каждый слой которых представляется различной топологией и обучается
по определенному алгоритму. В настоящее время этот класс получил наибольшее распространение, так как дает самые широкие возможности разработчику.
Приведенная выше классификация позволила определиться с начальным
классом ИНС, наиболее подходящим для использования в рамках нейромодифицированной модели Шарпа. В дальнейшем предложенная классификация
позволит выбирать перспективные классы ИНС для других моделей и решаемых задач.
4.9. Анализ методов и алгоритмов адаптации архитектуры
искусственной нейронной сети
4.9.1. Предварительный подбор архитектуры сети
Реализация нейромодифированной одноиндексной модели Шарпа базируется на применении ИНС. При этом важно спроектировать структуру сети,
адекватную поставленной задаче. Проектирование структуры ИНС предполагает выбор количества слоев сети и нейронов в каждом слое, а также определение
необходимых связей между слоями.
Подбор количества нейронов во входном слое обусловлен размерностью
входного вектора х. Подобная ситуация и с выходным слоем, в котором количество нейронов принимается равным размерности ожидаемого вектора d. Серьезной проблемой остается подбор количества скрытых (внутренних) слоев и
числа нейронов в каждом из них. Теоретическое решение этой задачи в смысле
условия достаточности было предложено математиками, занимающимися аппроксимацией функции нескольких переменных. Следует отметить, что ИНС
выступает в роли универсального аппроксиматора обучающих данных (х, d)
[26, 157]. В процессе обучения подбираются его функциональные коэффициенты (векторы весов отдельных нейронов). На этапе функционирования при з афиксированных значениях весов производится простой расчет значения ап-
120
проксимирующей функции при заданном входном векторе.
Определение минимального количества скрытых слоев сети основано на
использовании свойств аппроксимирующих функций. Каждая заданная функция может быть выражена линейной комбинацией локальных импульсов, которые имеют ненулевое значение только в ближайшей окрестности текущего значения x. Импульсная функция определенной структуры может быть сформирована как суперпозиция двух функций, сдвинутых относительно друг друга [59].
На рис. 4.13 продемонстрирован способ формирования импульса для одномерной сети, имеющей единственный вход.
Две сдвинутые относительно друг друга идентичные сигмоиды у1 и y2 создают в результате вычитания импульс с длительностью, пропорциональной разности
смещений этих сигмоидальных функций. Соответствующим подбором функциональных параметров можно добиться формирования такого импульса, который будет возникать в необходимом для нас месте и иметь требуемую ширину и крутизну нарастания.
В случае двухмерной сети можно аналогичным способом сформировать импульс
на плоскости [65]. Разность двух определенных на плоскости и сдвинутых относительно
друг друга сигмоидальных функций образует гребень бесконечной длины.
Добавляя следующую пару сдвинутых относительно друг друга сигмоидальных
функций и вычисляя их разность, можно получить второй гребень бесконечной длины.
При подборе параметров обеих сигмоидальных пар таким образом, чтобы их гребни
располагались под определенным углом (например, 90°), можно получить в результате
суммирования этих гребней структуру двухмерного горба. В месте пересечения гребней
образуется импульс двухмерной формы, ограниченный с четырех сторон ответвления-
Рис. 4.13. Иллюстрация способа формирования локального одномерного
импульса из двух сигмоидальных функций
ми бесконечной длительности. Эти ответвления можно ликвидировать передачей всего
импульса на следующую сигмоидальную функцию (дополнительный слой нейронов) с
соответственно подобранным порогом. Как следствие, выполняется фильтрация значе-
121
ния суммы на определенном уровне, подобранном так, что импульс, сформированный
сложением двух гребней, пропускается, тогда как ответвления гребней отсекаются.
Созданная этим способом двухвходовая ИНС содержит скрытый слой, состоящий из четырех нейронов, и выходной слой, на котором расположен один нейрон сигмоидального типа. При построении сигмоидальной функции активации с соответствующим порогом он выполняет суммирование сигналов от предыдущих четырех нейронов и отсечение ответвлений.
Возможность обобщения приведенных рассуждений на случай многовходовой
сети следует из теории Колмогорова [59, 65]. Если ограничиться непрерывной функцией, трансформирующей N-мерное множество входных данных х в М-мерный выходной
вектор d, то можно доказать, что аппроксимация такого типа осуществима при использовании сети с одним скрытым слоем. При N входных нейронах будет достаточно использовать для реализации этой функции скрытый слой с (2N + 1) нейронами. Архитектура ИНС, удовлетворяющая теореме Колмогорова, изображена на рис. 4.14.
Рис. 4.14. Архитектура сети, удовлетворяющая теореме Колмогорова
В предложенном Колмогоровым доказательстве теоремы принято, что выходные
сигналы отдельных слоев описываются зависимостями вида
N
zk
Aj ( x j
bj )
A0 k ,
(4.4)
j 1
для нейронов скрытого слоя при k=1,2,…,2N+1 либо:
2N 1
yi
Ck g ( z k
d k ) C0i ,
(4.5)
k 1
для нейронов выходного слоя, где символами у(*) и g(*) обозначены некоторые
точно не определенные непрерывные функции, а все используемые в этих формулах
коэффициенты подбираются в процессе обучения.
122
В случае дискретного преобразования х—>у одного скрытого слоя уже
недостаточно и необходимо создание еще одного слоя нейронов. Это означает,
что независимо от вида многовходовой аппроксимирующей функции макс имальное количество скрытых слоев, достаточных для аппроксимации заданного
преобразования, не превышает двух.
Результат, полученный благодаря применению теоремы Колмогорова, носит теоретический характер. Он определяет максимальное количество слоев и
число нейронов в отдельных слоях, достаточных для аппроксимации заданного
преобразования. Теорема не уточняет ни вид нелинейных функций, ни методы
обучения сети, создаваемой для реализации данного преобразования Однако
она представляет собой фактор, важный для минимизации структуры ИНС. В
практических реализациях сетей как количество слоев, так и число нейронов в
каждой из них может отличаться от предлагаемых теоремой Колмогорова. Помимо немногочисленных исключений (например, неокогнитрон [65]), чаще всего используются сети, имеющие один скрытый слой (максимум - два), причем
количество нейронов в слое может различаться (как правило, от N до 3N).
4.9.2. Подбор оптимальной архитектуры сети
Одно из важнейших свойств нейронной сети - это способность к обобщению полученных знаний. Сеть, натренированная на некотором множестве
обучающих выборок, генерирует ожидаемые результаты при подаче на ее вход
данных, относящихся к тому же множеству, но не участвовавших непосредственно в процессе обучения. Разделение данных на обучающее и тестовое
Рис. 4.15. Иллюстрация разделения данных, подчиняющихся правилу R, на обучающее
подмножество L, тестовое подмножество G
и контрольное подмножество V
подмножества представлено на рис. 4.15.
Множество данных, на котором считается истинным некоторое правило R, разбито на подмножества L и G, при этом в составе L, в свою очередь, можно выделить
определенное подмножество контрольных данных V, используемых для верификации
степени обучения сети. Обучение проводится на данных, составляющих подмножество L. Способность отображения сетью элементов L может считаться показателем
123
степени накопления обучающих данных, тогда как способность распознавания данных, входящих во множество G и не использованных для обучения, характеризует ее
возможности обобщения (генерализации) знаний. Данные, входящие и в L, и в G,
должны быть типичными элементами множества R. В обучающем подмножестве не
должно быть уникальных данных, свойства которых отличаются от ожидаемых типичных значений.
Феномен обобщения возникает вследствие большого количества комбинаций
входных данных, которые могут кодироваться в сети с N входами. Если в качестве
простого примера рассмотреть однослойную сеть с одним выходным нейроном, то для
нее может быть составлено 2N входных выборок. Каждой выборке может соответствовать единичное или нулевое состояние выходного нейрона. Таким образом, общее количество различаемых сигналов составит 2N. Если для обучения сети используются р
из общего числа 2N входных выборок, то оставшиеся незадействованными (2N—p) допустимых комбинаций характеризуют потенциально возможный уровень обобщения
знаний.
Подбор весов сети в процессе обучения имеет целью найти такую комбинацию
их значений, которая наилучшим образом воспроизводила бы последовательность
ожидаемых обучающих пар (хi, di). При этом наблюдается тесная связь между количеством весов сети (числом степеней свободы) и количеством обучающих выборок. Если бы целью обучения было только запоминание обучающих выборок, их количество
могло быть равным числу весов. В таком случае каждый вес соответствовал бы единственной обучающей паре. К сожалению, такая сеть не будет обладать свойством
обобщения и сможет только восстанавливать данные. Для обретения способности
обобщать информацию сеть должна тренироваться на избыточном множестве данных,
поскольку тогда веса будут адаптироваться не к уникальным выборкам, а к их статистически усредненным совокупностям. Следовательно, для усиления способности к
обобщению необходимо не только оптимизировать структуру сети в направлении ее
минимизации, но и оперировать достаточно большим объемом обучающих данных.
Обучение ведется путем минимизации целевой функции E(w), определяемой
p
только на обучающем подмножестве L, при этом
E ( yk ( w), d k ) , где р обо-
E ( w)
k 1
значено количество обучающих пар (хk, dk), а
yk — вектор реакции сети на возбуждение хk.
Минимизация этой функции обеспечивает достаточное соответствие выходных
сигналов сети ожидаемым значениям из обучающих выборок.
Истинная цель обучения состоит в таком подборе архитектуры и параметров сети, которые обеспечат минимальную погрешность распознавания тестового подмножества данных, не участвовавших в обучении. Эту погрешность будем называть погрешностью обобщения EG(w). Co статистической точки зрения погрешность обобщения зависит от уровня погрешности обучения EL(w) и от доверительного интервала .
Она характеризуется отношением [157]
124
p
( , EL ) .
(4.6)
h
В работе [155] показано, что значение функционально зависит от уровня погрешности обучения EL(w) и от отношения количества обучающих выборок р к фактическому значению параметра, называемого мерой Вапника-Червоненкиса и обозначаемого VCdim. Мера VCdim отражает уровень сложности нейронной сети и тесно
связана с количеством содержащихся в ней весов. Значение
уменьшается по мере
возрастания отношения количества обучающих выборок к уровню сложности сети.
По этой причине обязательным условием выработки хороших способностей к
обобщению считается грамотное определение меры Вапника-Червоненкиса для сети
заданной структуры. Метод точного определения этой меры не известен, о нем можно
лишь сказать, что ее значение функционально зависит от количества синаптических
весов, связывающих нейроны между собой. Чем больше количество различных весов,
тем больше сложность сети и соответственно значение меры VCdim. В [154, 156]
предложено определять верхнюю и нижнюю границы этой меры в виде
K
2
N VC dim 2 N w (1 lg N n ) ,
(4.7)
2
где [ ] обозначена целая часть числа, N - размерность входного вектора, К - количество нейронов скрытого слоя, Nw - общее количество весов сети, a Nn - общее количество нейронов сети.
Из выражения (4.7) следует, что нижняя граница диапазона приблизительно
равна количеству весов, связывающих входной и скрытый слои, тогда как верхняя
граница превышает двукратное суммарное количество всех весов сети. В связи с невозможностью точного определения меры VCdim в качестве ее приближенного значения используется общее количество весов нейронной сети.
Таким образом, на погрешность обобщения оказывает влияние отношение количества обучающих выборок к количеству весов сети. Небольшой объем обучающего подмножества при фиксированном количестве весов вызывает хорошую адаптацию
сети к его элементам, однако не усиливает способности к обобщению, так как в процессе обучения наблюдается относительное превышение числа подбираемых параметров (весов) над количеством пар фактических и ожидаемых выходных сигналов
сети. Эти параметры адаптируются с чрезмерной (а вследствие превышения числа параметров над объемом обучающего множества - и неконтролируемой) точностью к
значениям конкретных выборок, а не к диапазонам, которые эти выборки должны
представлять. Фактически задача аппроксимации подменяется в этом случае задачей
приближенной интерполяции. В результате всякого рода нерегулярности обучающих
данных и измерительные шумы могут восприниматься как существенные свойства
процесса. Функция, воспроизводимая в точках обучения, будет хорошо восстанавливаться только при соответствующих этим точкам значениях. Даже минимальное отклонение от этих точек вызовет значительное увеличение погрешности, что будет
восприниматься как ошибочное обобщение. По результатам разнообразных численных экспериментов установлено, что высокие показатели обобщения достигаются в
EG ( w)
EL ( w)
125
случае, когда количество обучающих выборок в несколько раз превышает меру VCdim
[15].
На рис. 4.16 представлена графическая иллюстрация эффекта гиперразмерности
сети (слишком большого количества нейронов и весов).
Рис. 4.16. Графическая иллюстрация способности ИНС
к обобщению на примере аппроксимации одномерной функции
для случая большого количества скрытых нейронов
Аппроксимирующая сеть, скрытый слой которой состоит из 80 нейронов,
на основе интерполяции в 21-й точке адаптировала свои выходные сигналы с
нулевой погрешностью обучения.
Минимизация этой погрешности на слишком малом (относительно количества весов) количестве обучающих выборок спровоцировала случайный характер значений многих весов, что при переходе от обучающих выборок к тестовым стало причиной значительных отклонений фактических значений у от
ожидаемых значений d. Уменьшение количества скрытых нейронов до 5 при
неизменном объеме обучающего множества позволило обеспечить и малую погрешность обучения, и высокий уровень обобщения (рис. 4.17).
Дальнейшее уменьшение количества скрытых нейронов может привести к
потере сетью способности восстанавливать обучающие данные (т.е. к слишком
большой погрешности обучения EL(w)). Подобная ситуация иллюстрируется на
рис. 4.18, где задействован только один скрытый нейрон.
Сеть оказалась не в состоянии корректно воспроизвести обучающие данные, поскольку количество ее степеней свободы слишком мало по сравнению с
необходимым для такого воспроизведения.
Очевидно, что в этом случае невозможно достичь требуемого уровня
126
обобщения, поскольку он явно зависит от погрешности обучения EL(w)). На
практике подбор количества скрытых нейронов (и связанный с ним подбор количества весов) может, в частности, выполняться путем тренинга нескольких
Рис. 4.17. Графическая иллюстрация способности ИНС к обобщению на примере
аппроксимации одномерной функции
для случая оптимального количества скрытых нейронов
Рис. 4.18. Графическая иллюстрация способности ИНС к обобщению на примере
аппроксимации одномерной функции
для случая малого количества скрытых нейронов
сетей с последующим выбором той из них, которая содержит наименьшее количество скрытых нейронов при допустимой погрешности обучения.
127
Решение по выбору окончательной схемы сети может быть принято только после
полноценного обучения (с уменьшением погрешности до уровня, признаваемого удовлетворительным) различных вариантов ее структуры. Однако нет никакой уверенности в том,
что этот выбор будет оптимальным, поскольку тренируемые сети могут отличаться различной
чувствительностью к подбору начальных значений весов и параметров обучения. По этой
причине базу для редукции сети (англ. pruning) составляют алгоритмы отсечения взвешенных
связей либо исключения нейронов в процессе обучения или после его завершения.
Как правило, методы непосредственного отсечения связей, основанные на временном
присвоении им нулевых значений, с принятием решения о возобновлении их обучения по результатам наблюдаемых изменений величины целевой функции (если это изменение слишком
велико, следует восстановить отсеченную связь) оказываются неприменимыми из-за слишком
высокой вычислительной сложности. Большинство применяемых в настоящее время алгоритмов редукции сети можно разбить на две категории. Методы первой группы исследуют
чувствительность целевой функции к удалению веса или нейрона. С их помощью устраняются веса с наименее заметным влиянием, оказывающие минимальное воздействие на величину
целевой функции, и процесс обучения продолжается уже на редуцированной сети.
Методы второй группы связаны с модификацией целевой функции, в которую вводятся компоненты, штрафующие за неэффективную структуру сети. Чаще всего это бывают элементы, усиливающие малые значения амплитуды весов. Такой способ менее эффективен по
сравнению с методами первой группы, поскольку малые значения весов не обязательно ослабляют их влияние на функционирование сети.
Принципиально иной подход состоит в начале обучения при минимальном (обычно
нулевом) количестве скрытых нейронов и последовательном их добавлении вплоть до достижения требуемого уровня натренированности сети на исходном множестве обучающих выборок. Добавление нейронов, как правило, производится по результатам оценивания способности сети к обобщению после определенного количества циклов обучения. В частности, именно такой прием реализован в алгоритме каскадной корреляции Фальмана.
4.9.3. Алгоритм каскадной корреляции Фальмана
Адекватный выбор количества нейронов и слоев — серьезная и нерешенная проблема
для нейронных сетей. Основным способом выбора остается прямой перебор различного количества слоев и определение лучшего. Для этого требуется каждый раз по-новому создавать
сеть. Информация, накопленная в предыдущих сеансах обучения, теряется полностью. Начинать перебор количества нейронов можно как с заведомо избыточного, так и с недостаточного.
Независимо от этого новая созданная сеть с другим количеством нейронов требует полного
переобучения.
Динамическоедобавление нейронов состоит во включении нейронов в действующую
сеть без утраты ее параметров и частично сохраняет результаты, полученные в предыдущем
обучении. Сеть начинает обучение с количеством нейронов, заведомо недостаточным для решения задачи. Для обучения используются обычные методы. Обучение происходит до тех
пор, пока ошибка не перестанет убывать и не выполнится условие
128
E (t ) E (t
E (t0 )
t
)
r
,
(4.8)
t0
где t - время обучения; r - пороговое значение убыли ошибки; - минимальный
интервал времени обучения между добавлениями новых нейронов; t0 - момент времени
последнего добавления. Когда выполняются оба условия, добавляется новый нейрон. Веса
и порог нейрона инициализируются небольшими случайными числами. Обучение снова
повторяется до тех пор, пока не будут выполнены условия (4.4). График типичной зависимости ошибки от времени обучения приведен на рис.4.19.
Рис. 4.19. График типичной зависимости ошибки от времени обучения
Моменты добавления новых нейронов отмечены пунктиром. После каждого
добавления ошибка сначала резко возрастает, так как параметры нейрона случайны, а
затем быстро сходится к меньшему значению.
Численные эксперименты показали, что погрешность обучения при увеличении
количества итераций монотонно уменьшается, тогда как погрешность обобщения
снижается только до определенного момента, после чего начинает расти. График типичной динамики этих показателей представлен на рис. 4.20, где погрешность обучения EL обозначена сплошной, а погрешность обобщения EG пунктирной линией.
129
Рис. 4.20. График типичной динамики влияния длительности обучения
Приведенный график показывает, что слишком долгое обучение может привести к "переобучению" сети, которое выражается в слишком детальной адаптации весов к несущественным флуктуациям обучающих данных.
Такая ситуация имеет место при использовании сети с чрезмерным (по сравнению с необходимым) количеством весов, и она тем более заметна, чем больше "лишних" весов содержит сеть. Излишние веса адаптируются к любым нерегулярностям
обучающих данных, которые воспринимают их в качестве важных.
Как следствие, на этапе тестирования они становятся причиной возникновения
значительных погрешностей воспроизведения.
Для предупреждения переобучения в обучающем множестве выделяется область контрольных данных (подмножество V на рис. 4.15), которые в процессе обучения применяются для оперативной проверки фактически набранного уровня обобщения.
Обучение прекращается, когда погрешность обобщения на этом подмножестве
достигнет минимального значения (или начнет возрастать).
4.9.4. Методы редукции сети с учетом чувствительности
Редукция сети производится для уменьшения количества скрытых нейронов
межнейронных связей. Поскольку каждый скрытый нейрон представляет гиперплоскость, разделяющую множество данных на кластеры, редукция сети упрощает такое
разделение и усиливает способность к обобщению.
Простейшим критерием редукции считается учет величины весов. Веса, которые значительно меньше средних, оказывают незначительное влияние на общий уровень выходного сигнала связанного с ними нейрона. Поэтому их можно отсечь без
существенного вреда для его функционирования.
Однако в некоторых случаях малые значения весов не обязательно оказывают
наименьшее воздействие на поведение нейрона. В таких ситуациях их отсечение может привести к серьезным изменениям в работе сети. Поэтому лучшим критерием
следует признать учет чувствительности сети к вариациям весов. Без серьезных последствий для сети из нее могут быть исключены только те веса, чувствительность к
изменениям которых оказывается минимальной.
Такой подход к проблеме отсечения весов может быть обоснован разложением
целевой функции в ряд Тейлора. В соответствии с ним изменение величины целевой
функции, вызванное вариацией весов, можно выразить формулой
1
2
E
gi wi
hii [ wii ]
hij wi w j O(|| w || 2 ) ,
(4.9)
2 i
i
i j
в которой wi означает вариацию i-го веса, gi — i-ю составляющую вектора
130
градиента относительно этого веса g ij
E
, а hij — это элементы гессиана,
wi
2
E
.
wi w j
Не рекомендуется отсекать веса в процессе обучения, поскольку низкая чувствительность сети к конкретному весу может быть связана с его текущим значением
либо с неудачно выбранной начальной точкой (например, при застревании нейрона в
зоне глубокого насыщения). Рекомендуется отсекать веса (проводить регуляризацию
сети) только по завершении процесса обучения, когда все нейроны обретут свои постоянные характеристики. Это исключает применение градиента в качестве показателя чувствительности, поскольку минимум целевой функции характеризуется нулевым
значением градиента. Поэтому в качестве показателя важности конкретных весов приходится использовать вторые производные целевой функции (элементы гессиана).
Одним из лучших способов регуляризации сети считается метод, предложенный ЛеКуном [105]. Он называется OBD (англ. Optimal Brain Damage). Исходная позиция этого метода - разложение целевой функции в ряд Тейлора в окрестности текущего решения. Для упрощения задачи ЛеКун при использовании метода OBD исходит
из того, что вследствие положительной определенности гессиана матрица Н является
диагонально доминирующей. Поэтому можно учитывать только диагональные элементы hkk и игнорировать все остальные. В качестве меры значимости веса wij в методе
OBD используется показатель Sij, называемый коэффициентом асимметрии (англ. saliency), который определяется в виде
hij
S ij
1 2E 2
wij .
2 w 2 ij
(4.10)
Отсечение весов с наименьшими значениями показателя Sij не вызовет существенных изменений в процессе функционирования сети. Процедуру OBD редукции
сети можно описать в виде следующей последовательности действий:
1. Полное предварительное обучение сети выбранной структуры с использованием любого алгоритма.
2
2. Определение диагональных элементов гессиана hkk
ющих каждому весу, и расчет значений параметра S ij
E
w 2 ij
, соответству-
1
hkk wij2 , характеризующего
2
значимость каждой синаптической связи для сети в целом.
3. Сортировка весов в порядке убывания приписанных им параметров Sij и отсечение тех из них, которые имеют наименьшие значения.
4. Возврат к п. 1 для обучения сети с редуцированной структурой и повторение
процесса отсечения вплоть до исключения всех весов, оказывающих наименьшее влияние на величину целевой функции.
131
Метод OBD считается одним из лучших способов редукции сети среди методов
учета чувствительности. Его применение обеспечивает достижение сетью высокого
уровня обобщения, лишь незначительно отличающегося от уровня погрешности обучения. Особенно хорошие результаты дает повторное обучение сети после отсечения
наименее значимых весов.
Дальнейшим развитием метода OBD считается метод OBS (англ. Optimal Brain
Surgeon), предложенный Б. Хассиби и Д. Шторком тремя годами позднее [24]. Отправная точка этого метода (так же как и в OBD) - разложение целевой функции в ряд
Тейлора и игнорирование членов первого порядка. В этом методе учитываются все
компоненты гессиана, а коэффициент асимметрии веса определяется в виде (для избавления от четверных индексов вес wkl обозначается одиночным индексом как wi)
1 wi2
Si
.
(4.11)
2 [ H 1 ]ii
Отсечению подвергается вес с наименьшим значением Si. Дополнительный результат такого подхода заключается в несложной формуле коррекции оставшихся весов, позволяющей вернуть сеть в состояние, соответствующее минимуму целевой
функции, несмотря на отсечение веса. Уточнение значений оставшихся (неотсеченных) весов выполняется согласно выражению
w
wi
1
H
ei ,
1
[ H ]ii
(4.12)
где ei означает единичный вектор с единицей в i-й позиции, т.е. еi =
[0, ..., 0, 1, ..., 0]T. Коррекция выполняется после отсечения каждого очередного веса и
заменяет повторное обучение сети, необходимое при использовании метода OBD.
Процедуру OBS регуляризации сети можно описать в следующем виде [24]:
1. Обучение нейронной сети предварительно отобранной структуры вплоть до
отыскания минимума целевой функции.
2. Расчет обратной гессиану матрицы Н-1 и выбор веса wi, имеющего
1 wi2
наименьшее значение показателя Si
. Если изменение величины целевой
2 [ H 1 ]ii
функции в результате отсечения этого веса намного меньше значения Е, вес wi отсекается и осуществляется переход к п. 3, в противном случае отсечение завершается.
3.
Коррекция значений весов, оставшихся в сети после отсечения i-гo веса, в
соответствии с формулой (2.9) с последующим возвратом к п. 2. Процесс
продолжается вплоть до отсечения всех мало значащих весов.
Основное отличие метода OBS от OBD, помимо другого определения коэффициента асимметрии, состоит в коррекции весов после отсечения наименее важного веса без повторного обучения сети. В методе OBS всякий раз отсекается только один
вес, тогда как при использовании OBD можно на каждом шаге отсекать произвольное
количество весов. Вычислительная сложность метода OBS гораздо выше. Расчет диа-
132
гональных элементов гессиана в нем заменяется расчетом полной матрицы и обратной
ей формы. На практике этот этап можно значительно упростить при использовании
аппроксимированной формы матрицы, обратной гессиану, определяемой, например,
методом переменной метрики. Однако такое упрощение вызывает снижение точности
расчетов и несколько ухудшает качество искомого решения.
133
4.9.5. Методы редукции сети с использованием штрафной функции
Другой метод редукции весов основан на такой организации
процесса обучения, которая провоцирует самостоятельное уменьш ение значений весов и в результате позволяет исключить те из них, в еличина которых опускается ниже установленного порога. В отличие
от методов учета чувствительности в данном случае сама целевая
функция модифицируется таким образом, чтобы в процессе об учения
значения весов минимизировались автоматически вплоть до достиж ения определенного порога, при пересечении которого значения соо тветствующих весов приравниваются к нулю.
Простейший метод модификации целевой функции пред усматривает добавление в нее слагаемого, штрафующего за бол ьшие
значения весов:
E ( w)
E ( 0) ( w)
wij2 .
(4.13)
ij
(0)
В этой формуле E ( w) означает стандартно определенную целевую функцию, заданную, например, в виде эвк лидовой нормы, а
- коэффициент штрафа за достижение весами больших значений. При
этом каждый цикл обучения складывается из двух этапов: минимиз а(0)
ции величины функции E ( w) стандартным методом обратного распространения и коррекции значений весов, обусловленной модиф ицирующим фактором. Если значение веса w ij после первого этапа об означить w ij (0) , то в результате коррекции этот вес будет модифицир ован по градиентному методу наискор ейшего спуска согласно формуле
wij( 0) (1
wij
),
(4.14)
где
обозначает константу обучения. Определенная таким о бразом штрафная функция вызывает уменьшение значений всех весов
даже тогда, когда с учетом специфики решаемой задачи отдельные
веса должны иметь большие значения. Уровень значений, при котором вес может быть отсечен, должен подбираться с особой тщател ьностью на основе многочисленных экспериментов, указывающих, при
каком пороге отсечения процесс обучения сети подвергается
наименьшим возмущениям.
Более приемлемые результаты, не вызывающие уменьшения зн ачений всех весов, можно получить модификацией предст авления целевой функции в форме
wij2
1
(0)
E ( w) E ( w)
(4.15)
2
(1
w2 ) .
i, j
ik
k
Минимизация этой функции вызывает не только редукцию ме ж-
134
нейронных связей, но может также привести к исключению тех
| wik | близка к нулю. Легко доканейронов, для которых величина
k
зать, что правило коррекции весов в этом случае может быть задано
выражением:
( wij( 0) ) 2
1 2
wij
k j
wij( 0) 1
2
.
(4.16)
(0) 2
ik
1
(w )
k
При малых значениях весов w ik , подходящих к i-му нейрону,
происходит дальнейшее их уменьшение. Это ведет к ослаблению в ыходного сигнала до нуля и в итоге к исключению его из сети. При
больших значениях весов, ведущих к i-му нейрону, их коррекционная
составляющая исчезающе мала и очень слабо в лияет на процесс р едукции сети.
Другой этап минимизации сети основан на такой модификации
целевой функции, которая позволяет исключать скрытые нейроны, в
наименьшей степени изменяющие свою активность в процессе обуч ения. При этом учитывается, что если в ыходной сигнал какого -либо
нейрона при любых обучающих выборках остается неи зменным (на
его выходе постоянно вырабатывается 1 или 0), то его присутствие в
сети излишне. И напротив, при высокой активности нейрона считае тся, что его функционирование дает важную информацию. И. Шовен
предложил следующую модификацию целевой функции [105]:
K
E ( w)
E
(0)
p
( w)
e(
2
ij
).
(4.17)
i 1 j 1
В этом выражении
ij
означает изменение значения выходного
2
сигнала i - го нейрона для j-й обучающей выборки, а e( ij ) - это корректирующий фактор целевой функции, зависящий от активности
всех К скрытых нейронов для всех j(j = 1, 2, ..., р) обучающих выборок. Коэффициент m определяет степень относительного влияния
корректирующего фактора на значение целевой функции. Вид корректирующей функции подбирается так, чтобы изменение целевой фун кции зависело от активности скрытого нейрона, причем при в ысокой
его активности (т.е. частых изменениях значения выходного сигнала)
величина Е должна быть малой, а при низкой активности - большой.
Это достигается применением функции е, удовлетворяющей отношению:
e( 2i )
1
e
(4.18)
2
2 n .
(1
i
i)
135
Индекс п позволяет управлять процессом штрафования за ни зкую активность.
1
При n = 2 функция е принимает вид e
. Малая активность
1 2i
нейронов карается сильнее, чем высокая, что в результате может пр ивести к полному исключению пассивных нейронов из сети.
Оба подхода к редукции сети, основанные как на учете чувств ительности, так и на модификациях целевой функции, ведут к минимизации количества весов и нейронов сети, уменьшая , таким образом,
уровень ее сложности и улучшая соотношение между количеством
обучающих выборок и мерой VCdim. В итоге возрастает способность
сети к обобщению.
На основе обобщения теоретических результатов, представленных в данной главе, был разработан алгоритм формирования архитектуры нейронной сети в подсистеме нейросетевого прогнозирования
временных рядов. Блок-схема данного алгоритма представлена на
рис. 4.21.
Блоки 1, 12 обеспеч ивают пуск и остановку алгоритма формир ования архитектуры нейронной с ети.
В блоке 2 реализован ввод исходных данных, таких как:
- требуемая точность прогнозирования;
- количество обучающих выборок;
- количество весов сети;
- число слоев и число нейронов в слое.
В блоке 3 задается число скрытых слоев ИНС.
В блоке 4 задается число нейронов в скрытом слое.
Блок 5 обеспечивает проверку заданного числа слоев. Если
условие не выполнено, то управление передается в блок 3. В проти вном случае управление передается в блок 6.
Блок 6 обеспечивает проверку заданного числа нейронов в слое.
Если условие не выполнено, то управление передается в блок 4. В
противном случае управление передается в блок 7.
Блок 7 предназначен для задания числа межнейронных связей.
Блок 8 обеспечивает проверку числа межнейронных связей. Если
условие не выполнено, то управление передается в блок 7. В проти вном случае управление пер едается в блок 9.
Блок 9 предназначен для задания объема обучающей выборки.
Блок 10 обеспечивает проверку условия дос таточности объема
обучающей выборки. Если условие не выполнено, то управление п ередается в блок 9. В противном случае управление пер едается в блок
11.
Блок 11 обеспечивает вывод результатов.
136
1
Начало
2
Ввод исходных данных
3
4
Нет
Задание числа скрытых слоев
персептрона
Задание числа нейронов в скрытом
слое
Удовлетворяет ли
число слоев ?
5
Да
Нет
Удовлетворяет ли
число нейронов?
6
Да
7
Задание числа межнейронных связей
Нет
Удовлетворяет ли
число межнейронных связей?
8
Да
9
Задание объема обучающей выборки
Нет
Достаточен ли объем
обучающей выборки?
10
Да
11
Вывод результатов
12
Конец
Рис. 4.21. Блок-схема алгоритма формирования архитектуры ИНС
137
4.10. Совершенствование технологии моделирования
искусственных нейронных сетей на основе визуального контактора
Один из этапов создания работоспособной эффективной ИНС заключается в разработке ее модели (структуры). Как показал анализ современной литературы, в существующей технологии моделирования ИНС такому вопросу, как
оперативная корректировка структуры сети, уделено недостаточно внимания.
Открытые публикации, посвященные реализации данной процедуры, практически отсутствуют. Тем не менее значимость ее в практике принятия инвестиционных решений достаточно велика.
Известно, что в нервных системах реальных биологических объектов, откуда берут свое начало ИНС, некоторые связи между нейронами могут отсутствовать. Более того, отдельные нейроны (и даже группы) могут не действовать. При этом нервная система способна достаточно эффективно функционировать, не «обращая внимания» на существующие «неисправности». Применительно к ИНС данный момент в настоящее время малоизучен. Представляет интерес учесть вышеизложенные особенности в рамках существующей технологии моделирования ИНС, чтобы восполнить этот пробел. Для этой цели в качестве инструмента совершенствования технологии моделирования ИНС для исследователей-неспециалистов в области программирования предлагается использовать визуальный контактор (ВК).
ВК представляет собой визуализированную матрицу размером n m , где n
– число нейронов в слое, а m – количество слоев. Каждый элемент матрицы,
представляющий собой факт наличия или отсутствия связи на k - м слое между
i- м и j- м нейронами, может принимать значение либо «0» - связь отсутствует,
либо «1» - связь присутствует.
В качестве примера моделируемой ИНС (рис. 4.22) представлен персептрон, имеющий 4 входа, входной (0-й) слой, два скрытых слоя с 4-мя нейронами в каждом и выходной слой с 2-мя нейронами.
0
1
2
3
1
S1
S1
S1
S1
2
S2
S2
S2
S2
3
S3
S3
S3
S3
4
S4
S4
S4
S4
Рис. 4.22. Двухслойный персептрон
138
Введем матрицу связей для данной ИНС:
1
1
1
1
С110 С120 С130 С140 С11
С12
С13
С14
С112 С122 С132 С142
0
0
0
0
1
1
1
1
2
2
2
2
С 21
С 22
С 23
С 24
С 21
С 22
С 23
С 24
С 21
С 22
С 23
С 24
0
0
0
0
1
1
1
1
2
2
2
2
С31
С32
С33
С34
С31
С32
С33
С34
С31
С32
С33
С34
.
(4.19)
0
0
0
0
1
1
1
1
2
2
2
2
С 41
С 42
С 43
С 44
С 41
С 42
С 43
С 44
С 41
С 42
С 43
С 44
Рассмотрим элемент матрицы С110 . Верхний индекс указывает на номер
слоя (в данном случае 0-й, т.е входной). В нижнем индексе указаны номера
взаимодействующих нейронов (в данном случае оценивается взаимодействие 1-го
нейрона 0-го слоя с 1-м нейроном 1-го скрытого слоя).
Если рассматривается случай, когда имеются взаимодействия между всеми нейронами ИНС, представленный на рис.4.18, то матрица связей с установленными значениями примет вид
111111111100
111111111100
111111111100
111111111100
.
(4.20)
Если рассматривается случай, когда в ИНС, представленной на рис. 4.18,
отсутствует взаимодействие между 2 - м нейроном 1-слоя и 4-м нейроном 2-го
слоя, то матрица связей с установленными значениями примет вид
111111111100
111111101100
111111111100
111111111100
.
(4.21)
Матрица (4.21) используется при проведении расчетов в рамках последующих действий с ИНС, в частности при обучении, проверке и эксплуатации (по
усмотрению пользователя). Значения установленных коэффициентов используются в качестве сомножителей при определении значений суммарных сигналов, поступающих на нейроны с различных входов (в качестве входов рассматриваются нейроны предыдущего слоя). Нулевые значения коэффициентов исключают из рассмотрения соответствующие входы, что эквивалентно разрыву
связи между соответствующими нейронами.
В интересах упрощения взаимодействия с данной матрицей исследователей-неспециалистов в области программирования был разработан визуальный
контактор.
139
Внешний вид ВК для вышеописанной ИНС (см. рис.4. 22) приведен на
рис. 4.23.
Рис. 4.23. Внешний вид визуального контактора
ВК прошел апробацию в рамках подсистемы нейросетевого прогнозирования временных рядов. Для его реализации на программном уровне использовался компонент программной среды разработки Delphi 7.0 StringGrid, позволяющий обрабатывать большие массивы данных.
Разработанный ВК снабжен компонентом Hint, который обеспечивает
отображение реквизитов (номер строки и столбца) на сфокусированном элементе матрицы, что обеспечивает удобство поиска необходимой связи с целью
последующего изменения ее состояния.
Применение визуального контактора позволило более гибко моделировать структуру ИНС и обеспечило проведение исследований класса малоизученных (так называемых «изъянных») ИНС.
4.11. Модификация алгоритма обратного распространения ошибки
Цель модификации алгоритма обратного распространения ошибки – повысить оперативность обучения ИНС. В основу модификации была положена
идея «упругого распространения», впервые реализованная в одноименном алгоритме Rpгop (Resilent Propogation – «упругое распространение») [105]. Суть
идеи Rpгop состоит в использовании знаков частных производных для подстройки весовых коэффициентов. Для определения величины коррекции используется следующее правило:
(t )
ij
0
(t )
ij
,
E (t ) E (t 1)
wij
wij
0
(t )
ij
E (t ) E (t 1)
,
wij
wij
0
1
140
,
(4.22)
E
n
yin 1 .
, а wijn
j
wij
Если на текущем шаге частная производная по соответствующему весу
wij изменила знак, то из этого следует, что последнее изменение было большим
и алгоритм проскочил локальный минимум. Следовательно, величину изменения необходимо уменьшить на
и вернуть предыдущее значение весового ко-
где wijn
( t 1)
wij (t )
эффициента, то есть сделать «откат» на величину wij (t )
.
ij
Если знак частной производной не изменился, то нужно увеличить величину коррекции на
для достижения более быстрой сходимости. В результате
проведенных экспериментов (т.е эмпирическим путем) установлено, что целесообразно выбирать =1,2, а =0,5. Начальные значения для всех ij устанавливались равными 0,1. Для вычисления значения коррекции весов использовалось следующее правило:
wij (t )
(t )
ij
,
E (t )
wij
0
(t )
ij
,
E (t )
wij
0 .
E (t )
0,
wij
(4.23)
0
Если производная положительна, т. е. ошибка возрастает, то весовой коэффициент уменьшается на величину коррекции, в противном случае – увеличивается.
Затем веса подстраивались в соответствии с выражением:
wij (t 1)
wij (t )
wij (t ) .
(4.24)
Блок-схема данного алгоритма приведена на рис. 4.24.
Блоки 1,9 используются для пуска и остановки процесса обратного распространения ошибок.
В блоке 2 реализован ввод исходных данных.
Блок 3 обеспечивает инициализацию значений величин коррекции ij .
В блоке 4 предъявляются все примеры из выборки и вычисляются час тные производные.
Блок 5 рассчитывает новые значения ij по формулам (4.22) и (4.23).
В блоке 6 реализуется корректировка весов в соответствии с выражением
(4.24).
Блок 7 проверяет условие останова данного процесса. Если условие останова не выполняется, то управление передается блоку 4. В противном случае
управление передается блоку 8.
141
1
Начало
2
Ввод исходных данных
3
Инициализация
ij
4
Расчет частных производных
5
Расчет нового значения
ij
6
Корректировка весов
Нет
Проверка условия
останова
7
Да
8
Вывод результатов
9
Конец
Рис. 4.24. Модифицированный алгоритм
обратного распространения ошибки
В блоке 8 реализован вывод полученных результатов.
Совокупность проведенных экспериментов (более 200), показала, что
данный алгоритм сходится почти в 6 раз быстрее, чем стандартный алгоритм
обратного распространения ошибок.
4.12. Эвристическая оптимизация функционирования алгоритма
обратного распространения ошибки
Эвристическая оптимизация функционирования алгоритма обратного
распространения ошибки, улучшающая его производительность, проводилась
по таким аспектам, как:
- выбор режима обучения;
142
- максимизация информативности;
- выбор функции активации;
- выбор целевых значений функции активации;
- выбор начальных значений синаптических весов и пороговых значений;
- реализация обучения по подсказке;
- управление параметрами скорости обучения нейронов.
При выборе режима обучения было установлено, что последовательный
режим обучения методом обратного распространения (использующий последовательное предоставление примеров эпохи с обновлением весов на каждом шаге) в вычислительном плане оказался значительно быстрее. Это особенно сказалось при достаточно большом и избыточном обучающем множестве данных.
Причиной этого является тот факт, что избыточные данные вызывают вычислительные проблемы при оценке Якобиана, необходимого для пакетного режима.
Процедура максимизации информативности строилась на следующем
правиле: «Каждый обучающий пример, предоставляемый алгоритму обратного
распространения, должен выбираться из соображений наибольшей информационной насыщенности в области решаемой задачи». С этой целью использовались, во-первых, примеры, вызывающие наибольшие ошибки обучения, и, вовторых, примеры, которые радикально отличались от ранее использованных.
Кроме того, при подаче примеров соблюдался случайный порядок их следования.
При выборе функции активации, в интересах повышения оперативности
обучения ИНС, предпочтение было отдано антисимметричной функции.
Функция активации (v) называется антисимметричной (т.е. четной
функцией cвoeгo apгyмeнтa), если выполняется условие:
( v)
(v ) ,
(4.25)
что показано на рис. 4.25, а.
Стандартная логистическая функция не удовлетворяет этому условию
(рис. 4.25, б).
Известным примером антисимметричной функции активации является
сигмоидальная нелинейная функция гиперболического тангенса:
(v) a tanh(bv) ,
(4.26)
где а и b - константы. В результате проведенных экспериментов установлено, что приемлемыми значениями для констант а и b являются следующие [130]: а =
1,7159, b = 2/3.
Определенная таким образом функция гиперболического тангенса имеет ряд
полезных свойств. Например, (1) = 1 и (-1) = -1.
Кроме того, в начале координат тaнгeнс угла наклона (т.е. эффективный угoл)
функции активации близок к единице: (0) = аb = 1,7159 х 2/3 = 1,1424.
Вторая производная ( v) достигает свoeгo максимального значения при v = 1.
Для выбора целевых значений функции активации важно, чтобы они выбирались из области значений сигмоидальной функции активации. Более точно, желаемый
отклик dj нейрона j выходного слоя многослойного персептрона должен быть смещен на
143
Рис. 4.25. Антисимметричная (а) и асимметричная (б) функции активации
некоторую величину от границы области значений функции активации в сторону ее
внутренней части. В противном случае алгоритм обратного распространения будет модифицировать свободные па раметры сети, устремляя их в бесконечность, замедляя таким образом процесс
обучения и доводя скрытые нейроны до предела насыщения. В качестве примера рассмотрим антисимметричную функцию активации, показанную на рис. 4.25, а. Для предельного значения +а
выберем dj = а - . Аналогично, для предельного значения -a установим dj = a + , где соответствующая положительная константа. Для выбранного ранее значения а = 1,7159 установим
= 0,7159. В этом случае желаемый отклик dj будет находиться в диапазоне от 1 до +1 (см. рис.
4.25, а).
При выборе начальных значений синаптических весов и пороговых значений сети учитывались следующие правила.
Если синаптические веса принимают большие начальные значения, то нейроны быстрее
144
достигнут режима насыщения. Если такое случится, то локальные градиенты алгоритма обратного распространения будут принимать малые значения, что, в свою очередь, вызовет торможение
процесса обучения.
Если же синаптическим весам присвоить малые начальные значения, алгоритм будет
очень вяло работать в окрестности начала координат поверхности ошибок. В частности, это верно
для случая антисимметричной функции активации, такой как гиперболический тангенс. К сожалению, начало координат является седловой точкой, т.е. стационарной точкой, где, образующие
поверхности ошибок вдоль одной оси, имеют положительный градиент, а вдоль другой - отрицательный. Поэтому при выборе начальных значений использовались средние величины. Для примера рассмотрим многослойный персептрон, в котором в качестве функции активации используется гиперболический тангенс. Пусть пороговое значение, применяемое к нейронам сети, равно
нулю. Исходя из этого индуцированное локальное поле нейрона j можно выразить следующим
образом:
m
vj
w ji yi .
(4.27)
i 1
Предположим, что входные значения, передаваемые нейронам сети, имеют нулевое среднее значение и дисперсию, равную единице, т.е
E yi 0 для всех i,
y
2
2
2
E ( yi
E yi
1 для всех i.
y
i)
Далее предположим, что входные сигналы некоррелированны:
1 для k i,
E[ yi yk ]
0 для k i,
и синаптические веса выбраны из множества равномерно распределенных чисел с нулевым средним:
E[wji ] 0 для всех пар ( j, i) ,
w
и дисперсией:
2
2
2
E (w ji
E w ji для всех пар (j,i).
w
w)
Следовательно, математическое ожидание и дисперсию индуцированного локальнoгo поля можно выразить так:
m
E [v j ]
v
E
m
w ji y i
E[ w ji ]E[ y i ]
i 1
m
2
v
E[( v j
2
v) ]
0,
i 1
E[v 2j ]
m
E
w ji w jk y i y k
(4.28)
i 1 k 1
m
m
E[ w ji w jk ]E[ y i y k ]
E[ w 2ji ]
m
2
w
,
i 1 k 1
где m - число синаптических связей нейрона.
На основании этого результата можно описать хорошую стратегию инициализации синаптических весов таким образом, чтобы стандартное отклонение индуцировaннoгo локального поля
нейрона лежало в переходной области между линейной частью сигмоидальной функции активации и областью насыщения. Например, для случая гиперболического тангeнca с параметрами а и
145
b (см. определение функции) эта цель достигается при
[105]
m
1
v
1 в (4.28). Исходя из этого получим
2
.
(4.29)
Таким образом, желательно, чтобы равномерное распределение, из котopoгo выбираются
исходные значения синаптических весов, имело нулевое среднее значение и дисперсию, обратную корню квадратному из количества синаптических связей нейрона.
Изначально обучение ИНС реализуется на множестве примеров, что связано с аппроксимацией неизвестной функции отображения входного сигнала на выходной. В процессе обучения
из примеров извлекается информация о функции f(.) и строится некоторая аппроксимация этой
функциональной зависимости. Процесс обучения на примерах можно обобщить, что и сделано,
при добавлении обучения по подсказке, которое реализуется путем предоставления некоторой
априорной информации о функции f(.). Такая информация может включать свойства инвариантности, симметрии и прочие знания о функции f (.), которые можно использовать для ускорения
поиска ее аппроксимации и, что более важно, для повышения качества конечной оценки.
Использование соотношения (4.28) является одним из примеров тaкoгo подхода.
При управлении параметрами скорости обучения нейронов учитывалось следующее. Теоретически все нейроны многослойного персептрона должны обучаться с одинаковой скоростью.
На практике оказалось, что последние слои ИНС имеют более высокие значения локальных градиентов, чем начальные. Поэтому параметру скорости обучения назначались меньшие значения для последних слоев сети и большие для первых. Кроме того, чтобы время обучения для всех
нейронов сети было примерно одинаковым, нейроны с большим числом входов имели меньшее
значение параметра обучения, чем нейроны с малым количеством входов. Величина назначаемого параметра скорости обучения для каждого нейрона была обратно пропорциональна квадратному корню из суммы eгo синаптических связей.
w
4.13. Порядок функционирования автоматизированного рабочего места
Для запуска системы поддержки принятия инвестиционных решений необходимо активизировать исполнительный файл СППИР. exe. После прохождения успешной аутентификации на
экране монитора появится главная форма, приведенная на рис. 4.26 [80, 153].
Рис. 4.26. Главная форма СППИР
146
На главной форме представлена система меню, включающая: расчет параметров облигаций, портфель облигаций, выпуклость портфеля облигаций, помощь, выход. При выборе опции
«Расчет параметров облигаций» появляется выпадающее меню, в котором перечислены рассчитываемые характеристики облигаций, в частности: курс облигации (рыночная цена); цена облигации с постоянной купонной ставкой, имеющей m купонных выплат в год; стоимость облигации с
нулевым купоном; купонная доходность; текущая доходность облигации; эффективная доходность к погашению; доходность за период владения; доходность государственных облигаций; доходность муниципальных облигаций; доходность корпоративных облигаций; доходность еврооблигаций; дюрация Маколея; предельная величина дюрации; модифицированная дюрация; выпуклость облигации; историческая волатильность. На рис. 4.27, в качестве примера приведен вид
окна расчета дюрации Маколея [80].
Рис. 4.27. Вид окна расчета Дюрации Маколея
В верхней части окна представлены вводимые исходные данные, ав нижней части отображаются результаты. После ввода данных и нажатия кнопки «Расчет», в окне«Значениедюрации Маколея» появится результат.
При выборе на главной форме «Портфель облигаций» появится выпадающее меню, в котором перечислены модели формирования портфеля облигаций, в частности: модель Марковица; модель Шарпа; нейромодифицированная модель Шарпа.
Вид окна формирования портфеля облигаций по модели Марковицапредставлен нарис. 4.28.
Рис. 4.28. Вид окна формирования портфеля облигаций по модели Г.Марковица
147
Вид окна формирования портфеля облигаций по модели Шарпа, представлен на рис.
4.29 [80].
При выборе из выпадающего меню портфеля облигаций опции «Нейромодифицированная модель Шарпа», наряду с окном формирования портфеля облигаций по нейромодифицированной модели Шарпа подобного нарис. 4.29, активизируется подсистема нейросетевого прогнозирования временных рядов NFinForecast. Внешний вид ее главной формы представлен на рис. 4.30 [79].
Рис. 4.29. Вид окна формирования портфеля облигаций по модели Шарпа
В правой части окна находятся закладки, используемые для обучения,
прогнозирования и визуализации исходного временного ряда (рис. 4.31).
Рис. 4.30. Внешний вид главной формы
подсистемы нейросетевого прогнозирования временных рядов NFinForecast
Закладка «Обучение» позволяет задать параметры обучения, в том числе:
размер обучающей выборки, уровень погрешности, параметр сигмоиды, скорость обучения. Кроме того, на данной вкладке можно задавать необходимую
148
конфигурацию нейронной сети (число слоев, число нейронов на каждом слое и
др.). Кнопка «Обучить» активизирует соответствующий модуль backpropag.pas,
внутри которого задаются введённая ранее конфигурация сети и параметры
обучения. После чего осуществляется обучение сети. Результат обучения
отображается в окне информации (рис. 4.32).
Рис. 4.31. Внешний вид окна визуализации исходного временного ряда
Рис. 4.32. Внешний вид окна с информацией о результатах обучения ИНС
Для сохранения обученной ИНС необходимо указать место сохранения
(ОБД, ДБД, текстовый файл и др.) и нажать кнопку «Сохранить».
С целью получения результатов прогноза необходимо перейти на вкладку
«Прогнозирование». Потребуется задать вид прогноза (одношаговый или многошаговый), количество предсказаний и количество элементов ряда. Одношаговый прогноз получается с помощью единичного прогнозирования, а мног ошаговый - путём многократного последовательного использования прогноза и
обучения. Нажатие кнопки «Прогноз», обеспечит отображение результатов
прогнозирования (рис. 4.33) [79].
Панель «Нейронная сеть» позволяет загружать ранее обученные нейро нные сети из файла (в данной версии прототипа) или БД (в перспективной версии) и использовать их для прогнозирования.
149
Чтобы сохранить проект, необходимо выбрать пункт меню
«Проект/Сохранить» и задать фамилию автора в окне сохранения
проектов (рис. 4.34). Поля текущей даты, времени, а также номер проекта будут заданы автоматически.
Рис. 4.33. Вид окна отображения результатов прогнозирования
Рис. 4.34. Вид окна сохранения проекта в БД
150
Заключение
Данная монография посвящена разработке специального математического и программного обеспечения информационной системы поддержки принятия решений в интересах управления портфелем облигаций малого предприятия.
Необходимость создания данной СППИР обусловлена отсутствием подобных систем, ориентированных на фундаментальный анализ ценных бумаг
вообще и облигаций в частности.
В рамках ее разработки, были решены некоторые частные задачи и получены следующие основные результаты:
1. Классификации облигаций и инвестиционных управленческих решений, базирующиеся на разрозненных описаниях отдельных разновидностей о блигаций и типизации общих управленческих решений, обеспечивающие унификацию структуры базы данных, пользовательского интерфейса и структурноиерархической организации вычислительных процессов СППИР;
2. Обобщенный набор показателей оценки инвестиционной привлекательности предприятий-эмитентов и проектов, используемый для сравнения
инвестиционных портфелей;
3. Блок аналитических процедур расчета цены, доходности и параметров
основных видов облигаций, включающих расчетные соотношения и контрольные примеры, позволяющих проверить корректность функционирования
СППИР;
4. Обобщенный алгоритм реализации модели Марковица, реализующий
определение структуры облигационного портфеля;
5. Одноиндексная модель Шарпа и алгоритм ее реализации, рассчитывающие доходность портфеля облигаций как среднее взвешенное значение показателей доходности ценных бумаг, его составляющих, с учетом - риска, позволяющие решить как прямую (обеспечение максимальной доходности при заданном уровне риска), так и обратную задачи (обеспечение минимального риска для требуемой доходности портфеля);
6. Нейромодифицированная одноиндексная модель Шарпа, восстанавливающая при проведении портфельного анализа свойства
оптимальности в
упреждающие моменты времени на основе ИНС, используемых в качестве эквивалента экспертных прогнозных оценок;
7. Алгоритм обмена данными между ОБД и ДБД, содержащий механизм
ранговой оценки популярности данных, учитывающий при оценке вероятности
поступления пользовательских запросов статистику простого пуассоновского
потока;
8. Модифицированный алгоритм обратного распространения ошибки, основанный на многоаспектной эмпирической оптимизации (выбор режима обучения; максимизация информативности; выбор функции активации; выбор целевых значений функции активации; выбор начальных значений синаптических
весов и пороговых значений сети; реализация обучения по подсказке; управле-
151
ние параметрами скорости обучения нейронов), учитывающий знаки частных
производных для подстройки весовых коэффициентов межнейронных связей,
обеспечивающий сходимость в 6 раз быстрее, чем стандартный;
9. Выявлено уникальное свойство СУБД MS Access, состоящее в том, что
среднее время обработки запросов из выборки всех полей меньше, чем среднее
время обработки запросов из выборки одного поля, позволяющее более эффективно реализовать многоаспектный поиск;
10. Элементы специального программного обеспечения, реализующего
комплекс моделей и алгоритмов поддержки принятия решений по управлению
портфелем ценных бумаг (облигаций), позволяющего повысить оперативность
принимаемых решений.
Программные средства зарегистрированы в федеральном государственном автономном научном учреждении "Центр информационных технологий и
систем органов исполнительной власти".
Разработанное специальное математическое и программное обеспечение
информационной системы поддержки принятия решений в интересах управления портфелем облигаций позволит повысить эффективность управления финансовыми инвестициями малого предприятия на основе повышения точности
используемого методического аппарата и оперативности принятия решений.
Разработанный программный продукт (СППИР) является универсальным
и будет полезен для использования в качестве инструмента управления портфелем ценных бумаг в арсенале финансового аналитика не только малого предприятия, но и любой другой социально-экономической организации.
152
Библиографический список
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
Айвазян, С.А. Прикладная статистика и основы эконометрики: Учебник / С.А. Айвазян, В.С. Мхитарян. – М.: ЮНИТИ, 1998. – 390 с.
Айвазян, С.А. Прикладная статистика. Классификация и снижение
размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков и др. – М.:
Финансы и статистика, 1989. – 270 с.
Айвазян, С.А. Прикладная статистика. Основы моделирования и первичная обработка данных / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин – М.: Финансы и статистика, 1983. – 472 с.
Аксенов, С.В. Организация и использование нейронных сетей (методы и технологии) / С.В. Аксенов, В.Б. Новосельцев. – Томск: Изд-во
НТЛ, 2006. – 128 с.
Альянах, И.Н. Моделирование вычислительных систем / И.Н. Альянах. – Л.: Машиностроение. Ленингр. отд-ние, 1988. – 248 с.
Андреев, А.Г. Microsoft Windows-XP: Home Edition и Professional.
Русские версии / Под общ. Ред. А.Н. Чекмарева. – СПб.: БХВПетербург, 2005. – 640 с.
Анискин, Ю.Н. Управление инвестициями / Ю.Н. Анискин. – СПб.:
«Омега-Л». 2002. – 167 с.
Артемов, Д.В. MS SQL Server 2000 / Д.В. Артемов. - СПб.: Питер,
2007. – 560 с.
Архангельский, А.Я. Delphi версии 5-7. Приёмы программирования /
А.Я. Архангельский. –М.: Бином, 2003. – 836 с.
Архангельский, А.Я. Программирование в Delphi 5 / А.Я. Архангельский. – М.: Бином, 2000. –1072 с.
Аскинадзи, В.М. Инвестиционные стратегии на рынке ценных бумаг
[текст] / В.М. Аскинадзи. – М.: ООО «Маркет ДС Корпорейшн»,
2004. – 106 с.
Бан-Ари, М. Языки программирования: Практический сравнительный
анализ: Учебник/ Пер. с англ. В.С. Штаркман, М.Н. Яковлева. – М.:
Мир, 2000.-366 с.
Баркалов, С.А. Информационная поддержка принятия инвестиционных решений при формировании портфеля ценных бумаг / С.А. Баркалов, В.П. Морозов, А.В. Никитенко, А.И. Половинкина, А.И. Сырин // Информатизация и информационная безопасность правоохр анительных органов: матер. XXII Всерос. науч. конфер. -М.: Академия
управления МВД России, 2013. – С. 82-85.
Баркалов, С.А. Принципы организации контроля эффективности реализации целевых программ / С.А. Баркалов, В.В. Кульба, А.В. Никитенко // Системы управления и информационные технологии науч.техн. журнал № 2.2 (36), 2009. М-Воронеж. С. 232 – 236.
Баркалов, С.А. Система управления и методы интегрированного ме-
153
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
неджмента стабильного функционирования строительной организации / С.А. Баркалов, В.П. Морозов, А.В. Никитенко, А.И. Сырин //
Экономика и менеджмент систем управления. 2012, №4 (6). С. 10 -18.
Батяева, Т.А. Рынок ценных бумаг / Т.А. Батяева, Т.И. Столяров. –
М.: Инфра - М, 2006. – 408 с.
Бланк, И.А. Инвестиционный менеджмент / И.А. Бланк. – Киев: МП
«ИТЕМ», ЛТД, 1995. – 315 с.
Бланк, И.Т. Управление инвестициями предприятия / И.Т. Бланк. –
СПб.: «Ника-Центр». 2003. – 275с.
Блауберг, И. В. Становление и сущность системного подхода / И.В.
Блауберг, Э.Г. Юдин. – М., 1973. – 216 с.
Блех, Ю.А. Инвестиционные расчеты. Модели и методы оценки инвестиционных проектов / Ю.А. Блех, У.Р.Гетце. – Калининград: «Янтарный сказ», 1997. – 437 с.
Бобровский, С.И. Delphi 7. Учебный курс / С.И. Бобровский . - СПб.:
Питер, 2005. – 360 с.
Бочаров, В.В. Методы финансирования инвестиционной деятельности предприятий / В.В. Бочаров. – М.: «Финансы и статистика», 1998.
– 159 с.
Бочаров, В.П. Инвестиции / В.П. Бочаров. – СПб.: «Питер». 2002. –
288 с.
Браст Эндрю Дж., Форте С. Разработка приложений на основе
Microsoft SQL Server 2005 / Э. Браст, Дж. Форте. – М.: Русская редакция, 2007. – 880 с.
Бронштейн, И.Н. Справочник по математике для инженеров и учащихся вузов / И.Н. Бронштейн, К.А. Семендяев. – М.: Наука, 1986. –
534 с.
Бэстенс, Д.Э. Нейронные сети и финансовые рынки: принятие решений в торговых операциях / Д.Э. Бэстенс – М.: ТПВ, 2007. – 236 с.
Валдайцев, В.Г. Инвестиции / В.Г. Валдайцев, П.П. Воробьев и др. –
М.: ТК Велби, Изд-во Проспект, 2005. – 440 с.
Васкевич, Д. Стратегия клиент/сервер. Руководство по выживанию
для специалистов по реорганизации бизнеса / Д. Васкевич. К.: «Диалектика», 1996. – 384 с.
Васютин, С.В. Базы данных. Интеллектуальная обработка информации / С.В. Васютин, А.Ф. Гореев, В.В. Корнеев - 2-е изд. - М.: Издатель Молгачёва С.В., Нолидж, 2001.-496 с.
Ватолин, Д. Методы сжатия данных. Устройство архиваторов, сжатие
изображений и видео / Д.Ватолин, А. Ратушняк, М. Смирнов, В.
Юкин. - М.: ДИАЛОГ-МИФИ, 2003. - 384 с.
Вахрин, П.С. Инвестиции / П.С. Вахрин. – СПб.: «Дашков и К». 2003.
– 384 с.
Волков, Г.Г. Компьютерные информационные технологии / Г.Г. Вол-
154
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
ков, О.Ю. Глинский. - БГЭУ: Бобруйск, 2010. – 86 с.
Воробьев, П.В. Рынок ценных бумаг: учеб. / П.В. Воробьев, В.А. Лялин. М.: Изд-во Проспект, 2009. - 384с.
Гитман, Л.Д. Основы инвестирования: Пер. с англ. / М.Д. Джонк. –
М.: «Дело», 1997. – 1015 с.
Гольцман, В. Работаем на ноутбуке в Windows 7 / В. Гольцман. –
СПб.: Питер, 2010. – 156 с.
Грибачев, К Г. Delphi и Model Driven Architecture. Разработка приложений баз данных / К.Г. Грибачев. - СПб.: Питер, 2004. — 348 с.
Гринченко, Н.Н. Проектирование баз данных СУБД Microsoft Access /
Н.Н. Гринченко и др. – М. Горячая линия Телеком, 2004. – 240 с.
Гришин, В.Н. Информационные технологии в профессиональной деятельности: рекомендовано Мин.образования: учебник для вузов / В.
Н. Гришин, Е. Е. Панфилова, 2007. – 416 с.
Громов, Г.Р. Очерки информационной технологии: учебник / Г.Р.
Громов - М.: ИнфоАрт, 2003. – 273 с.
Давнис, В.В. Модифицированный вариант модели Шарпа, его свойства и стратегии управления инвестиционным портфелем / В.В. Давнис, С. Е. Касаткин, Е. А. Ратушная // Современная экономика: Проблемы и решения. – Воронеж, 2010. – № 9. – С. 135 – 145.
Данилевский, Ю.Г. Информационная технология: учебник / Ю.Г. Данилевский, В.С Шибанов - Мл.: Мисанта, 2003. – 424с.
Деева, А.К. Инвестиции / А.К. Деева. – М.: «Экзамен». 2004. – 320 с.
Дружинин, В.В. Проблемы системотологии (проблемы теории сложных систем) / В.В. Дружинин, Д.С. Конторов. – М.: Сов, радио, 1976.
– 237 с.
Жвалевский, А. Windows Vista без напряга / А. Жвалевский. - СПб.:
Питер, 2008. – 288 с.
Завьялов, Е.Е. Моделирование на ЭВМ / Е.Е. Завьялов. – М.: МИФИ,
1980. – 63 с.
Золотогоров, В.Г. Инвестиционное проектирование / В.Г. Золотогоров. – Минск: ИП «Экоперспектива», 1998. – 463 с.
Ивасенко, А.Г. Информационные технологии в экономике и управлении: учебное пособие / А.Г. Ивасенко, А.Ю. Гридасов, В.А. Павленко. – 2-е изд., стер. – М.: КНОРУС, 2007. – 160 с.
Ивахненко, А.Г. Моделирование сложных систем: Информационный
подход / А.Г. Ивахненко. – Киев: Вища школа, 1987. – 63 с.
Избачков, Ю.С. Информационные системы / Ю.С. Избачков, В.Н.
Петров. – СПб.: Питер, 2006. – 656 с.
Информационная технология. Комплекс стандартов и руководящих
документов на автоматизированные системы. - М.: Комитет стандартизации и метрологии СССР, 1991. - 120 с.
Каратыгин, С.А. Энциклопедия по СУБД Paradox 4.5 for DOS / С.А.
155
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
Каратыгин, А.Ф. Тихонов. - М.: Мир, 2009. - 720 c.
Карпова, Т.С. Базы данных: модели разработки, реализация: учеб. пособие / Т.С. Карпова. – СПб.: Питер, 2001.-304 с.
Кетков, Ю.Л. Практика программирования: Visual Basic, C++ Builder,
Delphi / Ю.Л. Кетков, А.Ю. Кетков. - СПб.: БХВ - Петербург, 2005.450 с.
Кныш, М.И. Стратегическое планирование инвестиционной деятельности / М.И. Кныш, Б.А. Перекатов, Ю.П. Тютиков. - СПб.: «Бизнеспресса», 1998. – 315 с.
Ковалёв, В.В. Введение в финансовый менеджмент / В.В. Ковалев.М.: Финансы и статистика, 2003.- 168 с.
Ковалёв, В.В. Инвестиции: учеб. / С.В. Валдайцев, П.П. Воробьев [и
др.]; под ред. В.В. Ковалева, В.В. Иванова, В.А. Лялина. - М.: ТК
Велби, Изд-во Проспект, 2005. - 440 с.
Ковалёв, В.В. Финансовые вычисления / В.В. Ковалев, В.А.Уланов. М.: Финансы и статистика, 2002.- 296 с.
Колтынок, Б.Н. Инвестиционные проекты / Б.Н. Колтынок. – М.:
«Дело». 2002. – 622 с.
Комарцова, Л.Г. Нейрокомпьютеры: учеб. пособие для вузов / Л.Г.
Комарцова, А.В. Максимов.- М. : Изд-во МГТУ им. Н.Э. Баумана,
2004. – 400 с.
Конторов, Д.С. Внимание – системотехника / Д.С. Конторов. – М.,
1993. – 168 с.
Корилин, Н.П. Аналитический обзор. [Электронный ресурс]. – Режим
доступа: http://www.gks.ru.
Корчагин, Ю.А. Инвестиции: теория и практика / Ю.А. Корчагин,
И.П. Маличенко. – Ростов н/Д: Феникс, 2008. – 509 с.
Косарев, В.П. Компьютерные системы и сети: учеб. / Пособие под
ред. В.П. Косарева, Л.В. Ерёмина.-М.: Финансы и статистика, 2000.464 с.
Костров, А.В. Системный анализ и принятие решений: учеб. пособие
/ А.В.Костров. - Владимир, 1995. - 66 c.
Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В.
Круглов, В.В. Борисов.- М.: Горячая линия – Телеком, 2002.- 382 с.
Леонтьев, В.П. Работаем в Windows 7. Новейшая энциклопедия персонального компьютера / В.П. Леонтьев. – М.: ОЛМА Медиа Групп,
2009. – 268 с.
Лотоцкий, В.А. Идентификация структур и параметров систем управления / В.А. Лотоцкий // Измерения. Контроль. Автоматизация. 1991.
– № 3–4. – С.30–38.
Маклаков, С.В. BPWin и ERWin. CASE – средства разработки информационных систем / С.В. Маклаков. – М.: ДИАЛОГ-МИФИ, 2000.
– 256 с.
156
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.
84.
Малкольм, Г. Программирование для Microsoft SQL Server 2000 с использованием XML / Г. Малкольм. - М.: ОЛМА Медиа Групп, 2002. –
320 с.
Малюгин, В.И. «Рынок ценных бумаг: Количественные методы анализа»: учеб. пособие /В.И. Малюгин. – М.: «Дело», 2003. – 320 с.
Мамаев, Е. Microsoft SQL Server 2000. Наиболее полное руководство /
Е. Мамаев. - СПб.: БХВ - Петербург, 2005.- 450 с.
Маренков, Р.Р. Основы управления инвестициями / Р.Р. Маренков. –
М.: «Едиториал». 2003. – 480с.
Месарович, М. Общая теория систем: математические основы / М.
Месарович, И. Такахара. - М.: Мир, 1978. – 248 с.
Месарович, М. Теория иерархических многоуровневых систем / Д.
Мако, М. Месарович, И. Такахара. М.: Мир, 1973. – 344 с.
Методология IDF0. Функциональное моделирование. - М.: Метатехнология, 1993. – 117 с.
Методология IDFX1. Информационное моделирование. – М.: Метатехнология, 1993. – 120 с.
Методология динамического моделирования IDF0/CPN/ Материалы 6
семинара «Информационные технологии в проектировании систем и
управлении бизнесом». – М.: Метатехнология, 1994. – 13 с.
Морозов В.П. Методологические основы интегрированного менеджмента стабильного функционирования строительной организации /
Д.Г. Кобзарь, В.П. Морозов, А.В. Никитенко, А.И. Сырин // Экономика и менеджмент систем управления. 2012, №4.1 (6). С. 138 – 147.
Морозов В.П. Программный комплекс нейросетевого прогнозирования временных рядов интегрированного менеджмента / Д.Г. Кобзарь,
В.П. Морозов, А.В. Никитенко, А.И. Сырин // Гос. инф. фонд неопубликованных документов ФГАНУ «Центр информационных технологий и систем органов исполнительной власти». Рег.№ №50201350236
от 13.03.2013 г.
Морозов В.П. Система поддержки принятия инвестиционных решений интегрированного менеджмента / Д.Г. Кобзарь, В.П. Морозов,
А.В. Никитенко, А.И. Сырин // Гос. инф. фонд неопубликованных документов ФГАНУ «Центр информационных технологий и систем органов исполнительной власти». Рег.№50201350235 от 13.03.2013 г.
Найк, Дайлип. Системы хранения данных в Windows.:Пер. с англ /
Дайлип Найк. - М.: Издательский дом «Вильямс», 2005. – 432 с.
Наместников, А.М. Построение баз данных в среде Oracle. Практический курс / А.М. Наместников. – Ульяновск, УлГТУ, 2008. – 118 с.
Несветаев, Ю.П. Экономическая оценка инвестиций / Ю.П. Несветаев. – М.: «МГИУ». 2003. – 162 с.
Никитенко, А.В. Автоматизированное построение комплексной оценки на основе матриц сверток / Е.А. Власова, Ю.А. Карпов, А.В. Ники-
157
85.
86.
87.
88.
89.
90.
91.
92.
93.
тенко // Системы организационного поведения (первая всероссийская
научно-техническая конференция), Сентябрь 2009г. г. Москва. – С.
95-106.
Никитенко, А.В. Алгоритм оптимального распределения ресурсов
внутри проекта / Д.И. Голенко - Гинзбург, А.В. Никитенко, Е.А. Сидоренко // Системы упр-я и информ-ые технологии науч. тех. журнал
№ 2 (40) 2010г. Москва-Воронеж науч. книга. – С.32-35.
Никитенко, А.В. Индивидуальные компенсационные системы стимулирования / С.А. Баркалов, А.В. Никитенко // Итоги 64-й всероссийской научно-практической конференции «Инновации в сфере науки,
образования и высоких технологий 2009г. С. 265 – 269.
Никитенко, А.В. Информационные задачи обеспечения стабильного
функционирования организации / Д.Г. Кобзарь, В.П. Морозов, А.В.
Никитенко, А.И. Сырин // Математические проблемы современной
теории управления системами и процессами (материалы междунар.
молодежная конфер.), Воронеж: ИПЦ «Научная книга», 2012. –
С.135-139.
Никитенко, А.В. Модель размещения объектов с учетом ограничения
на их число / С.А. Баркалов, П.Н. Курочка, А.В. Никитенко, С.А. Пузырев // Управление в социальных и экономических системах:
межвуз. сб. науч. тр. Воронеж, 2010. – С. 35-44.
Никитенко, А.В. Облик системы управления интегрированного менеджмента организации / Д.Г. Кобзарь, В.П. Морозов, А.В. Никитенко, А.И. Сырин // Математические проблемы современной теории
управления системами и процессами: мат. междунар. молодежн. конфер., Воронеж: ИПЦ «Научная книга», 2012. – С. 157 – 159.
Никитенко, А.В. Обоснование инвестиционных решений как элемент
инновационного механизма в организационной системе / Д.Г. Кобзарь, В.П. Морозов, А.В. Никитенко, А.И. Сырин // Перспективы и
проблемы инновационного развития социально-экономических систем: матер. междунар. науч. – практ. конфер., Воронеж: ВГУИТ,
2012. – С. 40 – 43.
Никитенко, А.В. Обработка временных рядов на основе модифицированной сети Кохонена / В.П. Морозов, А.В. Никитенко // Математические проблемы современной теории управления системами и процессами: матер. междунар. молодежн. конфер., Воронеж: ИПЦ
«Научная книга», 2012. – С. 143 – 145.
Никитенко, А.В. Определение высоких информационной и интеллектуальной технологий с позиций системного подхода / В.П. Морозов,
А.В. Никитенко // Научный вестник Воронежского государственного
архитектурно-строительного университета. Серия: Управление строительством. Вып. №1(4), 2013. – С. 252-258.
Никитенко, А.В. Оптимальная стратегия повышения показателя оце-
158
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
ночного уровня потребительских свойств объекта / П.Н. Курочка,
А.В. Никитенко, Д. Н. Стеганцев // Итоги 65-й всероссийской научно-практической конференции «Инновации в сфере науки, образования и высоких технологий 2010. С. 87-90.
Никитенко, А.В. Повышение точности оценки портфеля ценных бумаг на основе нейромодифицированной одноиндексной модели Шарпа / А.В. Никитенко // Интернет-журнал «Науковедение». 2013 №2
(15) (16ТВН213) [Электронный ресурс]. - М. 2013. – Режим доступа:
http://naukovedenie.ru/ index.php?p=issue-1-13, свободный – Загл. с экрана.
Никитенко, А.В. Применение островной модели параллельных вычислений для принятия инвестиционных решений / В.П. Морозов,
А.В. Никитенко // Летняя суперкомпьютерная академия: матер. междунар. молодежн. науч. шк. - Воронеж: ИПЦ «Научная книга», 2012. С. 64 – 68.
Никитенко, А.В. Разработка информационно - справочной системы
для обоснования мотивационных решений / С.А. Баркалов, Д.Г. Кобзарь, В.П. Морозов, А.В. Никитенко // Перспективы и проблемы инновационного развития социально-экономических систем: матер.
междунар. науч. – практ. конфер., - Воронеж: ВГУИТ, 2012. - С. 143-145.
Никитенко, А.В. Решение многоэкстремальных задач распределения
ресурсов на основе метода дихотомического программирования /
В.И. Алферов, И.В. Буркова, А.В. Никитенко, А.В. Сенюшкин //
ВЕСТНИК Воронежского государственного технического университета. Т. 4, № 12, 2008. – С.166 – 169.
Никитенко, А.В. Рыночное моделирование в интересах принятия инвестиционных решений / В.П. Морозов, А.В. Никитенко // Математические проблемы современной теории управления системами и процессами: матер. междунар. молодежн. конфер., - Воронеж: ИПЦ
«Научная книга», 2012. – С. 293-295.
Никитенко, А.В. Система информационной поддержки оценки портфеля ценных бумаг / В.П. Морозов, А.В. Никитенко // Интернетжурнал «Науковедение». 2013 №2 (15) (15ТВН213) [Электронный ресурс]. - М. 2013. – Режим доступа: http://naukovedenie.ru/
index.php?p=issue-1-13, свободный – Загл. с экрана.
Новосельцев, В. И. Теоретические основы системного анализа / под
ред. В.И. Новосельцева. – М.: Майор, 2006. – 592 с.
Новосельцев, В.И. Системный анализ: современные концепции. Изд.
2-е испр. и дополн. / В.И. Новосельцев. – Воронеж: Кварта, 2003.- 280
с.
Об инвестиционной деятельности в Российской Федерации, ос уществляемой в форме капитальных вложений. Закон от 25 февраля
1999 г. №39-ФЗ. - М.: Мир, 1999. – 28 с.
Олифер, В. Г. Компьютерные сети. Принципы, технологии, протоко-
159
104.
105.
106.
107.
108.
109.
110.
111.
112.
113.
114.
115.
116.
117.
118.
119.
120.
лы: Учебник для вузов; рекомендовано Мин. образования / В. Г.
Олифер, Н. А. Олифер. М.: Финансы и статистика, 2009. – 958 с.
Орлова, Е.И. Инвестиции / Е.И. Орлова. – СПб.: «Омега-Л». 2003. –
192 с.
Оссовский, С. Нейронные сети для обработки информации / С. Оссовский. – М.: Финансы и статистика. 2002.– 344 с.
Перегудов, Ф. И. Введение в системный анализ / Ф.И. Перегудов,
Ф.П. Тарасенко. – М.: Высшая школа, 1998. – 288 с.
Подшиваленко, Г.И. Инвестиции / Г.И. Подшиваленко. – М.: «Дело»,
2004. – 176 с.
Попов, В. Ю. Инвестиции: математические методы: учеб. пособие /
В.Ю. Попов, А.Б. Шаповал. - 2-е изд. - М.: ФОРУМ. 2008. – 144 с.
Попов, В.Ю. Инвестиции: математические методы: учеб. пособие /
В.Ю. Попов, А.Б. Шаповал. – М.: ФОРУМ, 2008. – 144 с.
Прангишвили, И.В. Системный подход и общесистемные закономерности. Серия «Системы и проблемы управления» / И.В. Прангишвили. - М.: СИНТЕГ, 2000, 528 с.
Реализация
баз
данных
Microsoft
SQL
Server
7.0:
учеб.курс:Офиц.пособие Microsoft для самостоят.подготовки:Пер.с
англ. -М.: Рус.ред., 2000. -483 с.
Редкозубов, С.А. Управление динамикой рынка: системный подход /
Н.В. Аржакова, В.И. Новосельцев, С.А. Редкозубов. - Воронеж: ВГУ,
2004. – 148 с.
Резников, Б.А. Системный анализ и методы системотехники. Часть 1.
Методология системных исследований. Моделирование сложных систем / Б.А. Резников. – М.: Воениздат, 1990. – 522 с.
Ример, М.И. Экономическая оценка инвестиций / М.И. Ример, А.Д.
Касатов, Н.Н. Матиенко. – 2-е изд. - СПб.: Питер, 2008. – 480 с.
Романов, А.Н. Советующие информационные системы в экономике:
Учеб. Пособие для вузов / А.Н. Романов, Б.Е. Одинцов. – М.: ЮнитиДАНА, 2000. – 487 с.
Рубцов, Б.Б. Современные фондовые рынки: учебное пособие для вузов / Б.Б. Рубцов. – М.: «Альпина Паблишер» Изд. группа, 2007. – 920
с.
Самарский, А. А. Математическое моделирование. Идеи. Методы.
Примеры / А.А. Самарский, А.П. Михайлов. – М., Наука, 1997. – 408
с.
Сергеев, И.В. Организация и финансирование инвестиций / И.В. Сергеев, И.И. Веретенникова. – М.: Финансы и статистика, 2000. – 272 с.
Смирнова, Г.Н. Проектирование экономических информационных
систем: учебник/ Г.Н. Смирнова, А.А. Сорокин, Ю.Ф. Тельнов; под
ред. Ю.Ф. Тельнова. – М.: Финансы и статистика, 2001. – 512 с.
Справочник финансиста предприятия / под ред. А.А. Володина. - М.:
160
121.
122.
123.
124.
125.
126.
127.
128.
129.
130.
131.
132.
133.
134.
135.
ИНФРА-М, 1999. - 559 с.
Терехов, В.А. Нейросетевые системы управления: учеб. пособие для
вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. – М.: Высш. шк.
2002. - 183 с.
Тимошок, Т.В. Microsoft Office Access 2007: самоучитель / Т.В. Тимошок. - М.: Вильямс, 2008. – 320 с.
Титоренко, Г.А. Информационные системы в экономике: учебник для
студентов вузов, обучающихся по специальностям «Финансы и кредит», «Бухгалтерский учет, анализ и аудит» и специальностям экономики и управления / Г.А. Титоренко. – М.: ЮНИТИ-ДАНА, 2008. –
463 с.
Титоренко, Г.А. Информационные технологии управления: учеб. пособие для вузов; под ред. проф. Г.А. Титоренко. – 2-е изд., доп. – М.:
ЮНИТИ-ДАНА, 2005. – 439 с.
Томас Коннолли. Базы данных. Проектирование, реализация и сопровождение. Теория и практика: пер. с англ. / Томас. Коннолли, Каролин, Бегг. -3-е издание. - М. : Издательский дом "Вильяме", 2003. —
1440 с.
Трофимов, В.В. Информационные системы и технологии в экономике
и управлении.: учебник под ред. В.В. Трофимова – 3-е изд., перераб.
и доп. – М.: Издательство Юрайт, 2011. – 521 с.
Управление инвестициями / под ред. В.В. Шеремета. - М.: «Высшая
школа», 1998. Т 1, 2. – 416; 512 с.
Урман, C. Oracle9i. Программирование на языке PL/SQL / С. Урман. –
М.: Лори, 2005. – 528 с.
Фабоцци, Ф. Дж. Рынок облигаций: Анализ и стратегии / Фрэнк Дж.
Фабоцци. – 2-е изд., испр. и доп. - М.: Альпина Бизнес Букс, 2007.950 с.
Фабоцци, Ф.И. Управление инвестициями / Ф.И. Фабоцци. – М.:
«Инфра-М». 2004. – 932 с.
Флейшман, Б.С. Основы системологии / Б.С. Флейшман. – М., 1982. –
214 с.
Фленов, М. Е. Библия Delphi / М.Е. Фленов. — СПб.: БХВ - Петербург, 2004. — 880 с.
Френкель, М.Б. Идентификация состояния рынка ценных бумаг в
условиях неуверенности и нечеткости // Материалы международной
конференции «Информационные технологии в образовании, технике
и медицине». - Волгоград, 2006. - 540 с.
Фролов, А.В. Базы данных в Интернете / А.В. Фролов, Г.В. Фролов. –
М.: Русская Редакция, 2000. – 320 с.
Хансен, Г. Базы данных: разработка и управление: пер с англ. С. Каратыгина /Г. Хансен, Д.Хансен. - М.: ЗАО «Издательство БИНОМ»,
2000. - 704 с.
161
136. Хомяков, Д.М. Основы системного анализа / Д.М. Хомяков, П.М.
Хомяков, [предисл. М.Я. Лемешева] – М.: Издательство механикоматематического факультета МГУ им. М.В. Ломоносова, 1996. –
108 с.
137. Шарп, У.Ф. Инвестиции / У.Ф. Шарп, Г.Дж. Александер, Дж. В. Бэйли. – М.: Инфра-М, 1999. – 320 с.
138. Шеннон, Р. Имитационное моделирование систем – искусство и
наука: пер. с англ. / под ред. Е.К. Масловского. – М.: Мир, 1978. –
418 с.
139. Шептунов, А.Л. Аналитический обзор. [Электронный ресурс]. – Режим доступа: http://www.cbr.ru.
140. Шорин, В.Г. Системный анализ и структуры управления / Л.П.
Стрельникова, Н.Л. Федоренко. - М.: Знание, 1975. - 304 с.
141. Шпак, Ю. А. Delphi 7 на примерах / Под ред. Ю. С. Ковтанюка - Киев: Издательство Юниор, 2003. — 384 с.
142. Энсор, Д. Oracle проектирование баз данных / Д. Энсор, Й. Стивенсон. – Киев: BHV, 2011. - 560 c.
143. A Guide to Unit Investment Trust // Investment Company Institute, 2002.
111.
144. Bertalanffy L. von. General systems theory. Foundation, development, applications, 2 ed. / L. Bertalanffy - N.Y., 1969. – 180 p.
145. Couturier A., Fioleau B. Debt Level and Company Efficiency: Independence or Implication? An Evaluation of Fuzzy Implication // European
Journal of Economic and Social Systems, 14, 1 (2002). 119.
146. Dimova L., Sevastjanov P., Sevastianov D. Fuzzy Capital Budgeting: Investment Project Valuation and Optimization // Chenstohova Tech.
Univercity Proceedings, 2001.
147. Dimova L., Sevastjanov P., Sevastianov D. On the Fuzzy Internal Rate of
Return // Chenstohova Tech. Univercity Proceedings, 2001.
148. Dourra H., Siy P. Investment Using Technical Analysis and Fuzzy Logic
// Fuzzy Sets and Systems 127 (2002). 124.
149. Goetzmann, W. N., Kumar, A. (2001), Equity Portfolio Diversification,
NBER Working Series, <http://www.nber.org/papers/w8686>, 01.10.2010.
150. Hirschey, M., Nofsinger, M. (2008), Investments: Analysis and Behavior,
Irwin/McGraw-Hill: McGraw-Hill Companies, Inc., NY.
151. Jaeger R.A. All about Hedge Funds: The Easy Way to Get Started.
McGraw-Hill, 2003. P. 298; 131.
152. Mutual Fund Fact Book // Investment Company Institute, 42nd Edition,
2002. – P. 61. 134.
153. Nikitenko A. V. The concept of project management for creation and development of integrated management of the social and economic organizations system / V.P. Morozov, A.V. Nikitenko // Modern informatization
problems in economics and safety (Proceedings of the XVIII-th Interna-
162
154.
155.
156.
157.
158.
159.
160.
tional Open Science Conference (Lorman, MS, USA, January 2013), Science Book Publishing House, 2013. – Р. 104-108.
Rosenblatt F. "On the convergence of reinforcement procedures in simple
perceptrons", Cornell Aeronautical Laboratory Report, VG-1196-G-4,
Buffalo, NY,1960. – 305 pp.
Rosenblatt F. "Perception simulation experiments", Proceedings of the Institute of Radio Engineers, 1960, vol. 48, p. 301-309.
Rosenblatt F. "The Perceptron: A probabilistic model for information sto rage and
organization in the brain", Psychological Review, 1958, vol.
65, p. 386-408.
Rosenblatt F. Principles of Neurodynamics, Washington, DC: Spartan
Books, 1962. - 203 р.
www. investfunds.ru
www. ru.cbonds.info/encyclopedia/9
Zopounidis C., Doumpos M. Multi-Group Discrimination Using MultiCriteria Analysis: Illustrations from the Field of Finance // European
Journal of Operational Research, 2002. – P. 139 - 142.
Научное издание
Баркалов Сергей Алексеевич
Морозов Владимир Петрович
Никитенко Александр Валерьевич
Сырин Александр Иванович
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ
ИНВЕСТИЦИОННЫХ РЕШЕНИЙ МАЛОГО ПРЕДПРИЯТИЯ
Монография
Подписано в печать 05.05.2014. Формат 60х84 1/16. Уч.-изд. л. 10,0
Усл.-печ. л. 10,1. Бумага писчая. Тираж 500 экз. Заказ № 210.
____________________________________________________________________
Отпечатано: отдел оперативной полиграфии издательства учебной литературы
и учебно-методических пособий Воронежского ГАСУ
394006 Воронеж, ул. 20-Летия Октября, 84
163
Документ
Категория
Без категории
Просмотров
58
Размер файла
2 662 Кб
Теги
решение, баркалова, поддержка, система, 592, принятие, инвестиционная
1/--страниц
Пожаловаться на содержимое документа