автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и модели управления валютными рисками на базе кластерных и нейросетевых технологий

На правах рукописи

Цветков Николай Сергеевич

УДК 519.7; 303.732; 311.2

МЕТОДЫ И МОДЕЛИ УПРАВЛЕНИЯ ВАЛЮТНЫМИ РИСКАМИ НА БАЗЕ КЛАСТЕРНЫХ И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.13.01 - «Системный анализ, управление и обработка информации (промышленность)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва 2003

Работа выполнена в Московском государственном горном университете.

Научный руководитель доктор технических наук, профессор ФЕДУНЕЦ НИНА ИВАНОВНА

Официальные оппоненты: доктор технических наук, профессор ПЕТРОВ ОЛЕГ МИХАЙЛОВИЧ; кандидат технических наук БУТЯНОВ ДМИТРИЙ ВЛАДИМИРОВИЧ

Ведущее предприятие - Институт проблем управления им. В.А. Трапезникова РАН.

Защита диссертации состоится « 5 » ноября 2003 г. в час., на

заседании диссертационного совета Д 212.128.07 при Московском

государственном горном университете по адресу: 119991, Москва, Ленинский проспект, д. 6.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан «/С» 7¿У 2003 г.

Ученый секретарь диссертационного совета

доктор технических наук, профессор КУБРИН СЕРГЕЙ СЕРГЕЕВИЧ

Г^ ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

В современных рыночных условиях хозяйствования РФ валютный рынок характеризуется колебанием курсов валют, оказывающим негативное влияние на экономику предприятий. В качестве показателя неопределенности валютных сделок и неблагоприятных колебаний курсов валют выступают валютные риски. При этом, в экономике предприятий усиливается влияние рисков, т.е. увеличивается опасность непредвиденных потерь от управления экономическими ресурсами предприятия. Особенно велико влияние валютных рисков для предприятий, ведущих экономический обмен с другими странами. Валютные риски вносят дополнительную неопределенность планирования бюджета предприятий, обеспечения контроля и учета расхода денежных средств, а также увеличивают временные и трудовые ресурсы на обслуживание валютных сделок.

Необходимость решения проблемы управления валютными рисками на российских предприятиях стала особенно актуальна в последнее время в связи с увеличением количества заключения долгосрочных валютных сделок, ростом объемов международных денежных потоков, постоянным изменением структуры валютного рынка РФ, появлением новых финансовых инсгрументов управления валютными сделками. В настоящее время для принятия решения о заключении долгосрочной валютной сделки на российских предприятиях приходится использовать прогнозы динамики валютного рынка РФ, публикуемые аналитиками ЦБ РФ или другими независимыми экспертами. Однако эти прогнозы не позволяют получить точного прогноза валютных рисков для долгосрочных валютных сделок и не учитывают сильное влияние слабо формализованных факторов: политических, психологических, ожидаемых и структурных. Такой подход к проблеме управления долгосрочными валютными сделками не позволяет избежать банкротства или минимизировать расходы на обслуживание долгосрочных валютных сделок, выбрать наиболее благоприятные периоды расчета по сделке или своевременно применить финансовый инструмент для страхования сделки и фиксации её цены.

Финансовые инструменты, применяемые на предприятиях для управления валютными рисками, включают финансовые инструменты страховых организаций, работающих на биржах и аудиторских компаний. Разнонаправленность предлагаемых инструментов, иаттр^^анно разлитых

БИБЛИОТЕКА А*| С Петербург / л ^ ' ОЭ -Ж$*ж.р1р [

■"" 1 мили*

сегментов рынка для выбора финансового инструмента, различные подходы оценки экономического потенциала предприятия, значительно загрудняют выбор оптимального финансового инструмента управления валютной сделкой. Валютному менеджеру, обслуживающему валютные сделки, сложно оперативно дать аналитическую оценку перспективности заключаемой сделки из-за отсутствия оптимального финансового инструмента страхования, реализующего количественную и качественную оценку вероятности валютного риска на базе долгосрочного прогноза валютного рынка. Однако в современных рыночных условиях оперативность выбора наиболее благоприятных условий валютной сделки является одним из ключевых моментов, позволяющих предприятию усилить свои экономические позиции на рынке РФ.

Проблема управления валютными рисками также актуальна для предприятий-гиган гов, которые могут компенсировать потери по одним валютам за счет прибыли по другим. Однако такая позиция предприятий не учитывает возможности изменения курса одной валюты по отношению ко всем другим валютам, взятым в совокупности.

Таким образом, для управления валютными рисками при заключении долгосрочных валютных сделок необходимо разработать новый подход, который обеспечил бы долгосрочное прогнозирование в реальном масштабе времени и позволил бы проводить оценку вероятности валютного риска. Этот подход должен осуществлять выбор оптимального финансового инструмента страхования или хеджирования (фиксация цены валютной сделки с помощью финансового инструмента) сделки в условиях частичной неопределенности. Следовательно, разработка нового подхода к управлению валютными рисками и их оценке на долгосрочный период является актуальной научной и практической задачей, обеспечивающей достижение стабильности и развития экономического состояния российских предприятий.

Цель исследования заключается в разработке нового подхода к управлению валютными рисками, позволяющего осуществить в реальном масштабе времени долгосрочный прогноз валютного риска и его оценку с учетом экономического потенциала предприятия и минимизация времени принятия решения.

Задачи исследования:

• анализ состояния валютного рынка РФ и исследование специфики, условий и принципов управления валютными рисками в России;

• статистический анализ влияния динамики курса валют на риск и

2

определение значимых факторов;

• анализ существующих методов и моделей оценки валютных рисков с целью выявления их недостатков;

• разработка нового подхода, методов и моделей к управлению валютными рисками, обеспечивающих снижение риска при заключении долгосрочных валютных сделок;

• разработка метода оптимизации производительности механизма долгосрочного прогнозирования с целью уменьшения времени получения прогноза;

• разработка инструментальных средств и объектно-ориентированной модели для реализации предложенного подхода;

• моделирование вариантов покрытия валютного риска для оценки эффективности разработанного подхода.

Идея работы заключается в многофакторном количественном и качественном анализе тенденций валютных рисков на рынке России для осуществления долгосрочного прогноза в масштабе реального времени.

Основные научные положения, разработанные соискателем, и их новизна;

• разработан новый подход к управлению валютными рисками с учетом специфики российского валютного рынка, текущего финансового сосчояния предприятия и параметров сделки, позволяющий, в отличие от существующих, снизить валютные риски при заключении долгосрочных валютных сделок;

• разработан метод актуализации значимых факторов на базе статистического многофакторного анализа влияния факторов на риск с возможностью восстановления отсутствующих статистических данных;

• разработана многофакторп, я динамическая нейросетевая модель долгосрочного про! нозирования валютных рисков, позволяющая, в отличие от существующих моделей, учитывать хекущее состояние валютного рынка, динамически менять свою архитектуру, а также учитывать слабо формализованные группы факторов;

• разработана классификационная нейросетевая модель для выбора оптимального метода хеджирования и страхования рисковой долгосрочной валютной сделки, учитывающая текущее финансовое состояние предприятия и параметры заключаемой долгосрочной валютной сделки;

• разработан метод оптимизации вычислительной мощности многофакторной динамической нейросетевой модели на базе

з

распределенного кластера для уменьшения времени получения долгосрочного прогноза валютного риска.

Достоверность научных положений, выводов и рекомендаций подтверждается корректным использованием в проведенных исследованиях методов теории системного анализа, теории вероятностей и случайных процессов, теории многофакторной оптимизации, теории поддержки принятия решений, теории нейронных сетей, теории массового обслуживания и др., а также положительными результатами экспериментального моделирования разработанного пакета прикладных программ и внедрением его на ряде предприятий г. Москвы и г. Санкт-Петербурга.

Научная значимость работы состоит в разработке нового подхода к управлению валютными рисками, основанного на долгосрочном прогнозировании валютных рисков с учетом параметров валютных сделок и текущего экономического потенциала предприятия, позволяющего выбирать оптимальный метод хеджирования долгосрочной валютной сделки для конкретного предприятия.

Практическая значимость работы состоит в разработке метода сбора и актуализации статистических данных для разработанной модели долгосрочного прогнозирования валютных рисков, создании пакета прикладных программ управления валютными рисками на базе разработанной классификационной нейросетевой модели выбора оптимального метода страхования и хеджирования долгосрочной валютной сделки и высокими показателями эффективности внедрения основных результатов диссертационной работы на ряде финансовых предприятий г. Москвы (МРКС Холдинг, ООО ИТЦ «Виртуальные технологии в образовании») и г. Санкт-Петербурга (СКБ «Титан»), а также в учебный процесс для подготовки бакалавров, специалистов и магистров по направлению 550800 «Информатика и вычислительная техника» на кафедре Автоматизированные системы управления МГГУ.

Апробация работы

Основные результаты диссертации и её отдельные положения докладывались на семинарах кафедры АСУ МГГУ и следующих конференциях и симпозиумах: «Неделя-горняка-1999» (Москва, МГГУ, 25-29 января 1999 г.), «Проблемы региональной информатизации и пути её решения. Новые возможности и перспективы использования в рамках реализации программы «Электронная Россия» (Москва, ФГУП НИИ «Восход», февраль 1999), «Неделя-горняка-2000» (Москва, МГГУ, 2-6

февраля 2000 г.), «Неделя-горняка-2001» (Москва, МГГУ, 29 января - 2 февраля 2001 г.), «Современные информационные технологии в управлении и образовании. Новые возможности и перспективы использования» (Москва, ФГУП НИИ «Восход», март 2001 г.), «Неделя-горняка-2002» (Москва, МГГУ, январь 2002 г.), «Проблемы региональной информатизации и пути её решения. Новые возможности и перспективы использования в рамках реализации программы «Электронная Россия» (Москва, ФГУП НИИ «Восход», февраль 2003 г.).

Публикации

По теме диссертации опубликовано 6 научных работ.

Структура диссертации

Диссертационная работа состоит из введения, пяти глав и заключения, включает 3 приложения, 30 таблиц, 60 рисунков, список использованной литературы из 105 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В диссертации рассматривается проблема управления валютными рисками, анализируются и обосновываются значимые факторы валютных рисков для валютного рынка РФ, проводится прогноз факторов на долгосрочный период в реальном масштабе времени, оценивается степень риска для валютной сделки и выбирается оптимальный вариант хеджирования валютного риска с учетм параметров валютной операции и экономического потенциала предприятия.

Большой вклад в решение проблем управления рисками, оптимизации и прогнозирования внесли Горбань А.Н., Галушкин А.И., Галайд В. А., Давыдов Л. В., Зозулюк, А. В., Ковалев В. В., Козырев В. А., Лобанов А., Редкозубов С.А., Федунец Н.И., Горбатов В.А., Образцов М. В., Романов М. Н., Синько И. В., Тумасянц Р. И. и др.

В настоящее время в экономике РФ отслеживается динамика увеличения числа предприятий, ведущих экономический обмен с другими странами. Кроме того, увеличиваются потоки денежных средств на международных валютных рынках, о чём свидетельствует увеличение объемов экспорта и импорта РФ с 24,6 млрд. рублей в марте 1998 года до 47,6 млрд. рублей в июне 2003 года. Предприятиям постоянно приходится проводить сложные организационные и финансовые мероприятия по управлению валютными сделками. Однако неопределенность в управление риском вносит дополнительную нестабильность в работу предприятий, из-за

влияния многих неформализованных факторов на формирование валютного рынка РФ. Зачастую предприятия теряют до 20% доходов за счет непродуманного или неоперативного управления валютными сделками, влекущего дополнительные расходы из-за колебаний обменных курсов. В настоящее время средние потери российских предприятий от валютных рисков из-за неблагоприятного колебания курсов валют составляют примерно 1,5 млрд. рублей в год. Принимаемые решения неэффективны, так как приходится обрабатывать большие массивы статистических данных из разных источников, вести переговоры со многими экспертными и аналитическими организациями с целью выявления тенденций на валютном рынке.

Анализ рисков показал, что для РФ характерны три группы валютных рисков: операционный, трансляционный и экономический.

Операционный валютный риск - риск, который можно определить как возможность недополучить прибыли или понести убытки в результате непосредственного воздействия изменений обменного курса на ожидаемые потоки денежных средств.

Трансляционный (расчетный или балансовый) валютный риск выражает несоответствие между активами и пассивами, выраженными в валютах разных стран. При консолидации баланса или переводе баланса филиалов в национальную единицу (рубль) можно понести значительные убытки, если заранее точно не спрогнозировать выгодный период оценки баланса.

Экономический валютный риск определяется как вероятность неблагоприятного воздействия изменений обменного курса на экономическое положение компании с уменьшением объема товарооборота или изменения цен компании на готовую продукцию.

В диссертационной работе рассматриваются валютные риски, характеризующие заключаемые между импортерами и экспортерами товаров и услуг валютные сделки. Рассматриваемые риски в зависимости от специфики рассматриваемой сделки могут относиться к экономическому, операционному или трансляционному валютным рискам и их совокупности.

На основе дисперсионного, корреляционного, спектрального и кепстрального анализов статистических данных о факторах валютного рынка РФ и факторов формирования валютных рисков выявлены и обоснованы значимые факторы, которые существенно влияют на степень валютного риска и отображают специфику валютного рынка РФ. Группы значимых факторов включают: политические, психологические, ожидаемые,

кризисные, структурные, российские финансовые и экономические факторы, а также международные экономические и финансовые факторы. В диссертации выделены наиболее актуальные для РФ слабо формализованные факторы: политические, психологические, спекулятивные и ожидаемые, характерные для современного состояния экономики России и не учитываемые в существующих моделях долгосрочного прогнозирования валютного риска. Общее число проанализированных факторов составляет 198 (табл. 1), из которых выбрано 110 значимых факторов.

Таблица 1

Значимые факторы валютных рисков

№ п/л Группа факторов Название фактора Количество выбранных (анализируемых) факторов

1 Финансовые и экономические факторы, составляющие платежный баланс и бюджет РФ Официальный курс рубля 47 (94)

2 Валютные резервы

3 Объем импорта товаров и услуг

Общий уровень безработицы

4 Капитальные трансферты полученные

Задолженность по кредитам

5 Кризисные факторы Дефицит государственного бюджета 10(15)

6 Уровень инфляции

7 Доля среде I в в накопление, представленных иностранной валютой

8 Спекулятивные факторы Объем валюты, проданной на валютной бирже для спекулятивных операций 2(2)

9 10~ Объем валюты, купленной на валютной бирже для спекулятивных операций

Политические факторы Смена представителей власти 3(9)

И 12 Политическое решение политиков Степень стабильности руководящих структур

13 Ожидаемые и психологические факторы Степень доверия населения правительству . 5(7)

Опьтт в экономических отношениях

14 Ожидаемый уровень инфляции (планируемый в бюджете)

15 Степень доверия к национальной валюте (состояние рублевой ликвидности внутреннего рынка)

16 Структурные факторы Инфраструктура связи 2(5)

17 Количество валютных бирж/оборот средств

18 Количество кредитных организаций/ оборот средств

№ п/п Группа факторов Название фактора Количество выбранных (анализируемых) факторов

19 Международные финансовые и экономические факторы (Индикаторы) Валовой национальный продукт страны , по отношению к валюте которой определяется курс рубля 40 (65)

20 Курс евро

21 S&P500

22 23 DAX

FT-SE 100

24 САС40

198 SMI

В настоящий момент для управления валютными рисками применяются методика Уа1ие-а(-Шзк (УаЯ), которая является стандартом в измерении рисков, методика оценки валютного риска - йар-аначиз, а также методика ЦБ РФ по контролю за ОВП и установлению по ним лимитов ,

(Письмо Банка России от 23.01.97 № 399, Письмо Банка России от 23.12.96 № 382 "О порядке включения в расчет ОВП расчетных форвардов", Письмо »

Банка России от 23.01.97 № 399 "О централизованном режиме отчетности по ОВП"), подход к управлению рисками компании «Франклин и Грант» и другие.

Основными недостатками этих методик и подходов являются: отсутствие механизма управления валютными рисками при заключении долгосрочных валютных сделок; не учитываются слабо формализованные факторы; выбор оптимального метода хеджирования осуществляется только для срочных и среднесрочных валютных сделок и другие.

Разработанный в диссертации подход к управлению валютными рисками устраняет недостатки существующих методик и подходов управления валютными рисками. Подход учитывает текущее состояние рынка РФ, осуществляет долгосрочное прогнозирование и включает пять этапов:

Этап 1. Обработка и актуализация стагистических данных для долгосрочного прогнозирования валютного риска.

Этап 2. Долгосрочное прогнозирование валютного риска.

Этап 3. Оценка вероятности валютного риска при долгосрочном прогнозе.

Этап 4. Выбор оптимального метода хеджирования и страхования от валютного риска с учетом экономического потенциала предприятия и параметров валютной сделки.

Этап 5. Оптимизация времени долгосрочного прогнозирования.

8

Разработанный подход отличается от традиционных тем, что позволяег реализовать долгосрочный прогноз валютного риска в реальном масштабе времени, за счет учета слабо формализованных факторов и применения разработанных нейросетевых и кластерных моделей и методов. В подходе реализована актуализация факторов как перед обучением многофакторной динамической нейросетевой модели долгосрочного прогнозирования, так и во время обучения, что позволяет отобрать наиболее значимые факторы. При оценке вероятности валютного риска учитываются прогнозные значения валютного риска и в зависимости от степени риска, выбирается оптимальный вариант страхования или хеджирования валютной сделки, что позволяет оперативно принять решение о перспективности заключения долгосрочной валютной сделки.

На этапе 1 разработан метод обработки и актуализации статистических данных для долгосрочного прогнозирования валютного риска.

Разработка метода обработки статистических данных продиктована отсутствием достоверной и консолидированной в единой БД информации о слабо формализованных факторах как в России (Госкомстат, ЦБ РФ, Фонд «Бюро экономического анализа» и другие), так и зарубежных источниках (EBSCO, ModelUS. lconomics и другие).

Разработанный метод обработки статистических данных основан на Интернет-технологиях и позволил автоматически консолидировать статистику в разработанной базе данных из открытых источников в виде xml, html, dbf, xls форматов файлов с использованием принципов индексирования, а также оценивать адекватность данных.

Актуализация статистических данных включает пять шагов: кодирование, масштабирование, нормализацию, выбор значимых факторов, заполнение пропусков во временных статистических рядах и удаление закономерных составляющих из статистического ряда.

Шаг 1 служит для кодирования символьных статистических данных в числовые, т.к. многие статистические данные о слабо формализованных факторах имеют символьное представление:

Kl = a-sl, (1)

Г у г,

где К'г - значение после кодирования; а - малое значение (в модели

использовалось а =0.9); Vr - количество вариантов значений в г - ряду статистических данных; S'r - значимость i исходного значения в г ряду стагистических данных. S,'=l.. Vr.

Шаг 2 необходим для нормализации статистических данных в интервал (-1;1), т.к. в многофакторной динамической нейросегевой модели долгосрочного прогнозирования (МДНМ) валютного риска используется логистическая рациональная функция активизации нейронов: х',-(max*', + minx',1/2 (2)

X I = ■ [ - -- - S ' ,

(max*'/ - пиал', J/2

где max Xi и min х, - соответственно максимальное и минимальное значения

для данной компоненты, вычисленные по всей обучающей выборке. Если проводилось кодирование данных (1), то хГ, = К'г

На шаге 3 выявляются резкие скачки значений в статистических рядах (девальвация рубля в 1994 году и другие ), с целью представления их в едином масштабе:

« / "г

х,= , -х-' , при Т2 max > Т, max,

(71 шах/ Т. max)

- (3>

х I = , х' при 7",max< Т. шах, (Тх max/ Т2 max) 1

где Т2 max, Tt шах - максимальные значения на выбранных периодах

масштабирования (случай наличия 1 периода масштабирования), в

случае реализации (1),(2).

Шаг 4 осуществляет выбор наиболее значимых факторов, которые оказывают существенное влияние на валютный риск. Выбор осуществляется как перед подготовкой статистических данных, так и во время обучения МДНМ с учетом интегральных оценок, накопленных нейронной сетью.

Для расчета показателей значимости для одного фактора (например, фактор «Уровень инфляции», вектор данных: 10.110, 11.020, 11.870, 11.89, 12.34, 12.52, 12.59, 13.93, 14.78, 14.99, 16.98,..., 16, 18.001) данных:

прих/°=0,а°=0, Н(х,а)

где х -вычисленные в линейном приближении абсолютные величины изменения Н при сокращении описания, частные производные вычисляются при двойственном функционировании; Н(х,а) функция оценки; М-мерный вектор параметров а с координатами

к=\,..,М; п - вектор данных х\ /=1,..Д (задачник) с

ю

координатами х/,/=1 ,..,и. Для оценки по всем факторам используется:

Х{<>к) = IХ^к\хР); *(*/)= Тх{х]\хР1

Р Р

Х{ак)= тах/Ух^); х{х])-= тах Х(Х] хр)'

Особенностью метода является расчет значимости статистических данных о факторах, как в начале обучения МДНМ, так и при обучении (6):

а/к«'!.

Я*=1

дак

дн(ХР,ад)

о

в*-а*

(6)

дХ]

хр:

ху

Таким образом, использование данной методики позволило учитывать накопленный функционал по каждому фактору.

На шаге 5 восстанавливаются отсутствующие статистические значения. Данный шаг необходим при возможном отсутствии статистических данных о значимых факторах.

Для восстановления отсутствующих значений использовался уже разработанный метод, ранее не применяющийся для управления валютными рисками. В этом методе используется нестандартная структура нейрона - он имеет один входной сумматор и п нелинейных преобразователей в зависимости от размерности вектора данных (рис. 1),

сумматор Нелинейные

преобразователи Рис. 1. Структура нейрона

где с каждой кривой /я(() связан один сумматор (его веса - координаты вектора у4), набор из п свободных слагаемых - координат вектора Ъч и и нелинейных преобразователей, каждый из которых вычисляет одну координату точки на кривой. Сначала вычисляется !(а) (работает сумматор),

п

далее нелинейные элементы вычисляют f(t(a)), затем разность fj(i{a))

передается следующему нейрону. При прохождении а по этому конвейеру одновременно накапливается сумма величин fj(i(a)) (я,~@)- Они и

образуют вектор выходных сигналов - предлагаемые значения пропущенных данных. Провести восстановление данных позволяет накапливаемая сумма величин j?(((а)) Для каждой координаты j.

При работе сумматора, для некомплектных векторов статистических данных вычисляется скалярное произведение с имеющимися данными и производится дополнительная нормализация, с учетом только тех координат, значения которых для входного вектора известны.

При построении нейрона его характеристики вычислялись по очереди, причем сначала строится сумматор, затем нелинейные преобразователи, далее сумматор следующего нейрона и т.д.

Нейроны работают поочередно, образуя конвейер. Освободившиеся нейроны могут переходить к новому вектору данных, поэтому при последовательном поступлении данных время обработки пропорционально числу нейронов, но производительность (количество обработанных векторов данных в единицу времени) определяется временем срабатывания одного нейрона и не зависит от их числа.

На шаге б удаляются закономерные составляющие из статистического ряда: тренд, сезонность и цикличность.

Тренд x(t).- для его удаления из статистического ряда сначала рассчитывается значение тренда в каждый момент времени:

x,r(t)~- - - (x(t-m)+... + x(t-\)+x{t)+x(t + \)+...x{t + m)), при t- четное,

2т+ 1 (7)

x„(t)= (' x(.t-m) + ...+ 1 x(t-\)+ 1 x(f) + -*(f+ 1) + ...1 x{t + т)),при t-нечешое, 2m 2 2 2 2 2

где m - число точек наблюдений; x„(t)- значение тренда в каждый момент

времени t.

Далее для удаления тренда из исходного ряда необходимо:

(8)

А(0=х(0-*<г(0.

где x(t) - статистический ряд без трендовой компоненты.

Сезонность - для её удаления из статистического ряда рассчитывается

составляющая сезонности s{t):

т+1Р ,100„/о

, ПрИ 1^^1,1 = 0, 1, ... Ш, /п\

где т - число точек наблюдений в периоде (сезоне) р; р - период (сезон) колебаний.

Далее для её удаления из статистического ряда необходимо: хигко-ко. (10)

где х(1) - статистический ряд без трендовой и сезонной составляющих.

Таким образом, разработанные методы сбора и актуализации статистических данных позволяют выбрать только необходимую информацию для долгосрочного прогнозирования с учетом текущего состояния рынка РФ.

На этапе 2 проанализированы экономико-математические модели: модель Марковитца, модель Шарпа, модель «Выровненной цены», Уаг-модели, модель аналитических зависимостей курса рубля, модели на базе нечеткого множества, множественная нелинейная регрессия и другие. Основными недостатками моделей являются:

• отсутствие учета изменчивости валютного риска в РФ;

• большая ошибка прогноза на долгосрочный период;

• отсутствие учета слабо формализованных факторов и другие. Как показал анализ, наиболее точно описывает валютные риски в

России модель множественной нелинейной регрессии (АЯ(р)), которая в отличие от других моделей может проводить многофакторньш анализ, а также имеет гибкий механизм построения модели, что очень важно при долгосрочном прогнозировании в условиях частичной неопределенности на рынке РФ. Однако есть сложность нахождения параметров модели на базе существующих методов (метод Монте-Карло, Левинсона-Дурбина и Бурга и другие).

Общий вид представления АЯ(р)-модели:

6У+И(+А, О1)

где у, - ряд, для которого строится прогноз; к - горизонт прогнозирования; 0И - вектор неизвестных параметров; и, - ошибка (МБЕ); 2, - вектор предикторных переменных; I - точка наблюдения (время снятия статистических данных),

1г(Уь-.УирАУь АУ,-р,1,0, (12)

где р - максимальное запаздывание.

Прогноз выполняется полностью рекурсивным способом, т.е. прогнозы

13

значения у,^ используют информацию для моментов /,2,Для прогнозирования у/+А оценка вектора параметров 0к производится по

наблюдениям у и }<2.....у,- В данной модели вектор параметров оценивается

путем минимизации суммы квадратов остатков прогноза на /г шагов вперед.

В диссертации расчет параметров модели для нелинейной множественной регрессии осуществлялся на нейросетевом базисе, т.к. он имеет ряд преимуществ перед традиционными методами:

• возможность проведения многофакторного анализа статистических данных, в том числе и слабо формализованных;

• динамическое обучение модели с учетом текущего состояния валютного рынка РФ;

• возможность нахождения оптимальных параметров модели;

• точные краткосрочный и долгосрочный прогнозы;

• качественная обработка зашумленных статистических данных и другие.

Нейросетевой метод применяется для нахождения функции ЛИ(р) -модели, описывающей формирование динамики валютного риска и ее параметров (11,12):

'к,,-, А

II ХХА. J IX-, А, ,/ IХ-,*,-*-0*..»/

Л"' *»

где у(п) - функция долгосрочного прогнозирования валютного риска; а, И, Н, IV- параметры нейронной сети. Функцией оценки обучения нейронной сети является: я = • Она

I [

означает минимизацию функционала между выходными сигналами сети У, и сигналами У„ которые требуется получить.

В диссертации были проанализированы основные парадигмы, архитектуры, алгоритмы обучения и топологические характеристики нейронных сетей. Были протестированы прогнозные нейросетевые модели. Выбрана нейронная сеть, выполняющая наиболее точный долгосрочный прогноз, со следующими характеристиками:

Парадигма - «с учителем» позволила учитывать реальные статистические данные о состоянии валютного рынка РФ для обучения, тестирования и долгосрочного прогнозирования валютного риска;

Архитектура - многослойная сеть с прямыми связями реализовала выбор оптимальной аппроксимируемой функции формирования валютного риска в РФ;

Алгоритм обучения - одномерная оптимизация с автоматическим определением длины шага. Применение методов поиска шага при возрастание функции, поиска шага при убывании функции, параболического поиска, а также поиском направления спуска, основанного на ВРОБ формуле (Бройден-Флетчер-Гольдфарб-Шанно), позволило реализовать максимально точный долгосрочный прогноз валютного риска.

Для поиска направления спуска по формуле ВР08 на к+1-ы шаге (14) использовалось:

1 (^ г )

(Ук'З*) (Ук,зк) (14)

г \2 *

где ( , ) обозначает обычное скалярное произведение - сумму произведений координат; Бк -направление спуска на к-м шаге; с!к -величина к-го шага (к-й шаг - сдвиг на <45*; gr градиент функции оценки в начальной точке к-го шага); Ук=Екц-ек - изменение градиента в результате к-го шага.

Конечная точка к-го шага является начальной для к+1-го.

Начальное направление спуска 5о=-Яо. После 100 шагов (к=100) производится рестарт:

~~ 6А+1 т , \ * / \ 0,

(Ук>ъ) (Уп'Ро) где Бо - направление рестарта.

В качестве Бо выбирается последнее направление спуска перед рестартом и сразу осуществляется переход к Я]. Рестарт используется, когда очередное вкн - плохое направление спуска и одномерная оптимизация вдоль него завершается без результата.

Для учета резких колебаний на валютном рынке разработан метод динамического формирования нейросетевой модели долгосрочного прогноза валютного риска. Предложенный метод позволил с учетом топологических ограничений архитектуры и скрытого слоя нейронной сети, а также использованием теоремы Колмогорова-Арнольда-Хехт-Нильсена (16),(17) увеличить точность долгосрочного прогноза факторов нейронной сетью без эмпирических подборов топологии нейросетевой модели.

Для ограничения на уровне слоя используется расчет количества синапсов в скрытом слое:

тМ г (М \ „ (16)

--<£„ <т — + 1 (л + те + 1) ( т, 4 '

Х-^-Ьо^^Ы \т )

где т - количество нейронов в выходном слое; п - количество нейронов в входном слое; /V- число статистических наблюдений, Расчет количества нейронов Ь в слое н> осуществляется по формуле:

(17)

п + т

Таким образом, разработанные МДНМ, методы обработки и актуализации значимых факторов позволяют осуществить долгосрочный прогноз валютных рисков.

На этапе 3 было установлено, что курсы многих валют: доллар, евро и другие, распределены по закону, близкому к нормальному. Утверждение о нормальном распределении указанных курсов валют доказывает проверка на гипотезы критериями Хи-квадрат и Колмогорова-Смирнова.

Для расчета вероятное ги валютного риска с учетом долгосрочного прогноза использовалось:

р[х" < X(t) < X""j = ф(х")-ф(х')= \ip{x)dx-,

X' = X(t) - Д,; X" = X(t)+Дг;

Д, = Д2 = X(t) • 0,05; (18)

j -XV)1

<р(х)= *е 2 ,

\27Г

при условии:

(/ = (Х(1)-а)/а-,

X(t) = U*c7 + a-,

M(U) = 0; (19)

<т(С/) = 1,

где <р{х) - плотность нормированного нормального распределения; X*, X** - значения границ отклонения колебаний курса рубля; Д,,Д2 -отклонения ожидаемого колебания курса рубля; X, - прогнозное значение курса рубля на дату оплаты валютной сделки; M(U) -математическое ожидание; a(U) - среднеквадратическое отклонение; U - нормированная нормальная величина.

Для качественной оценки риска использовалась эмпирическая шкала (табл. 2).

Таблица 2

Эмпирическая шкала валютного риска

№ п/п Величина риска Градация риска

1 0,01-0,1 Критический

2 0,1-0,3 Максимальный

3 0,3-0,4 Высокий

4 0,4-0,6 Средний

5 0,6-0,8 Малый

6 0,8-1 Минимальный

Для количественной оценки валютного риска используется формула:

Д = -Р),

где Хе - ожидаемый курс рубля на дату оплаты сделки; Л', - прогнозный

курс рубля на дату оплаты сделки; Б - сумма сделки, руб.

Используемый метод оценки вероятности валютного риска с учетом полученных прогнозных значений МДНМ позволяет получить обоснованное заключение о степени валютного риска для каждой валютной сделки и уже на этом этапе принять взвешенное решение о целесообразности заключения(отказа) от конкретной сделки, в зависимости от степени риска.

На этапе 4 в диссертации проанализированы современные российские и международные методы хеджирования и страхования валютных рисков:

• Внешние - своп, фьючерсы, защитные оговорки, форвард и другие.

• Внутренние - авансовый платеж, механизм искусственного ускорения или задержки платежей и другие.

Анализ существующих финансовых методов хеджирования и страхования валютных рисков выявил, что существующие методы не обеспечивают выбор оптимальной стратегии управления долгосрочной валютной сделкой, т.к. они не учитывают экономического состояния предприятия, используют различные параметры заключаемых сделок, а также применяются на разных периодах действия этих сделок. В связи с этим необходимо было решить задачу выбора оптимального метода хеджирования и страхования с учетом параметров долгосрочных валютных сделок и текущего экономического состояния предприятия.

Для решения этой задачи в диссертации разработана классификационная нейросетевая модель (КНСМ), имеющая следующие основные характеристики (рис. 2):

• 16 нейронов во входном слое. На вход нейронной сети подаются

Ларзметрывалютной сделки гараметры экономического

состояния предприятия и прогнозиыеэначения

адднм

Программирование 0гной°Й входногослоя

нейронов

Второй скрытый слой Трети* Пврвьй скрытый

скрытый слой

Выходные

коды нейронов

Рис. 2. Механизм формирования входных и выходных данных КНСМ

нормализованные значения: показатели предприятия (объем активов, возможность создания центра корректировки счет-фактур, наличие филиалов в других странах и другие); параметры заключаемой валютной сделки (тип валютной сделки, объем валютной сделки, прогноз курса на дату оплаты и другие);

• 16 нейронов в выходном слое. Каждый выходной нейрон ассоциирован с одним из 16 современных финансовых инструментов хеджирования или страхования валютных сделок (фьючерс, своп, защитные оговорки, полное страхование валютного риска и другие);

• 3 скрытых слоя. 70 нейронов в первом и втором слоях, и 56 нейронов в третьем скрытом слое. Количество скрытых слоев, количество нейронов и синоптических связей рассчитывалось с использованием механизмов построения МДНМ.

Обучение КНСМ проводилось на 25 успешно заключенных валютных сделках в период июнь 2002 года - сентябрь 2003 года.

Максимальный сигнал на выходе нейрона выходного слоя составляет 1. Наиболее «насыщенный» нейрон в выходном слое соответствует оптимальному методу хеджирования, ассоциированного с этим нейроном.

Таким образом, разработанная КНСМ позволяет уменьшить влияние человеческого фактора и позволяет ЛПР снизить неопределенность при выборе финансового инструмента, тем самым снижаются трудовые затраты на обслуживание валютной сделки и уменьшается время на поиск оптимального варианта.

На этапе 5 решена проблема повышения вычислительной мощности модели, так как при моделировании вариантов долгосрочного прогноза среднее время получения прогноза составило около 25 часов.

Для устранения этой проблемы был проведен анализ существующих на сегодняшний день принципов повышения производительности систем и выявлены три основных направления: аппаратный, программный и кластерный.

Как показал анализ, наиболее эффективным с точки зрения уменьшения времени долгосрочного прогнозирования является кластерный принцип, так как аппаратный и программный имеют ряд существенных недостатков: плохая масштабируемость, возможная несовместимость, большое время инсталляции, большие финансовые затраты, низкий эффект реализации и другие.

В свою очередь, кластерный подход представляет собой сочетание аппаратного и программного подходов. Его основными преимуществами

являются:

• использование существующей аппаратной и программной базы,

• прозрачность распределения ресурсов между станциями кластера;

• совместимость со многими операционными системами;

• высокая управляемость на прикладном уровне;

• вычислительная масштабированпость, т.е. увеличение производительности возрастает с увеличением мощности и количества рабочих станций, входящих в кластер.

Для разработанной МДНМ в диссертации создан многофункциональный кластер на базе системы управления кластерными вычислениями М95ДГ, построенный по принципу динамического распределения вычислительной мощности. В рамках кластера разработан метод оптимизации вычислений, основанный на теории массового обслуживания.

Для оценки временных затрат Тр на все необходимые вычисления распространения сигнала и временных затрат Те на межслойную передачу данных в ЛВС для нейронной сети прямого распространения с I нейронами в входном слое, О нейронов в выходном слое и М1 нейронами в ум скрытом слое:

г 1 7р =-

РК

л,|/г + /]Гл// + о]Гм, \+am\I+2Mi+O 1-1 ) ,-!

Те=2т +-^--(21)

где Р - производительность каждого узла ЛВС, flop; AL - вычислительная сложность процедуры умножения входной переменной нейрона на весовой коэффициент с накоплением результата, flop; AN - вычислительная сложность расчета значения активизирующей функции нейрона, flop; В - информационная емкость выходной переменной нейрона, бит; т - задержка передачи пакета между узлами ЛВС, с; А, -пропускная способность канала связи ЛВС, бит/с; к - количество доступных узлов в ЛВС.

Если функции нейронов равномерно распределены по К узлам ЛВС, то вычисление значений выходных переменных нейронов первого слоя начинает процесс передачи «межслойных» данных, в течение которого каждый из К узлов ЛВС последовательно получает доступ к сетевому каналу. Рассматривается ЛВС, построенная по физической топологии «шина». Из принимаемых данных формируются очереди входных данных второго слоя и так далее. В момент передачи данных (/=0) в очереди узла с номером к

ь

находятся — слов данных, ранее рассчитанных процессором этого узла. К

Число слов, или заявок, в очереди хк (/) было описано уравнением:

(22)

* 2>,л К

где (рк(^ - функция описания потока.

кл я (23)

в ' ' кх л

где ¡1 - момент начала передачи данных из узла с номером к.

Момент окончания обслуживания заявок при достаточно большом числе нейронов в скрытых слоях определяется выражением:

(24)

РК

Оптимальное число узлов ЛВС с условием равенства общею времени обработки входных данных и временных затрат на пересылку «межслойных» данных, используемых для реализации оптимизации времени обработки данных для нейросетевой модели, имеет вид:

-Й--""' <25>

Разработанный метод позволил осуществить долгосрочный прогноз на базе МДНМ в реальном масштабе времени. Он позволяет существенно уменьшить время на получение результата долгосрочного прогноза за счет эффективного использования ресурсов ЛВС. Применение модифицированного кластера позволило увеличить вычислительную мощность и при выполнении других задач разработанного подхода в режиме самостоятельного (автономного) распределения вычислений между узлами кластера.

Для реализации предложенного подхода разработаны объектно-ориентированная модель управления валютным риском с использованием унифицированного языка моделирования 1]М1, и пакет прикладных программ (ППП) «НейроЛинк», позволяющие адаптировать систему под любые платформы ишх-систем, совместимые с ЛесИМ 6.2 (рис. 3). Использование 1Мх-платформы для внедрения разработанного подхода связано с высокими показателями эффективности распараллеливания системных и пользовательских процессов, а также скорости распределения вычислительных мощностей при использовании кластерных технологий.

21

Долгосроч

нов прогнозиро

Рис. 3. Диаграмма ППП «НейроЛинк»

В период ноябрь 2002 года - сентябрь 2003 года с помощью ППП «НейроЛинк» осуществлено моделирование на 20 реальных валютных сделках, заключаемых «МРКС Холдинг» и ОАО ИТЦ «Виртуальные технологии в образовании». В табл. 3 представлена оценка эффективности модели в кластере Моб1х.

Таблица 3

Оценка эффективности модели в кластере МОБ1Х

№ п/п Оцениваемый параметр До применения модели После применения модели

1 Среднее время формирования сделки «под ключ», час 18 10

2 Время на разработку стратегии управления валютным риском, час 5 2

3 Совокупные потери от валютного риска за 9 месяцев, тыс. руб. 206 87

4 Среднее количество занятых человек в формирование сделки 5-10 3

5 Точность предсказания ситуации по сделкам*, % 30-50 70-80

6 Прибыль от применения финансовых инструментов за 9 месяца, тыс. руб. Нет данных 18

Прогнозирование осуществлялось на 1, 2, 5 и 6 месяцев вперед. На перечисленных предприятиях первоначально для прогнозирования использовались модели авторегрессии скользящего среднего и прогнозная модель на базе метода прогнозирования Брауна.

В табл. 4 представлены результаты проведенного моделирования с применением и без применения кластера Моб1х.

Таблица 4

Оценка эффективности применения кластера

№ п.п. Оцениваемый Параметр До применения кластера После применения кластера

1 Среднее время обучения и применения нейросетевой модели, ч 32 15

2 Средняя загрузка сетевых ресурсов ЛВС, % 15 45

3 Средняя точность прогноза по отношению к реальным данным, % 75 75

4 Средняя загруженность локального узла во время работы модели, % 56 97

Полученные результаты показывают высокую эффективность разработанного подхода:

• уменьшение трудовых затрат в два-три раза;

• уменьшение временных затрат почти в три раза;

• уменьшение финансовых потерь почти в три раза;

• уменьшение времени за счет применения кластера минимум в 1,8 раз (при использовании более 10 узлов кластера среднее машинное время на расчеты для разработанного подхода уменьшается в 7-8 раз);

• высокие показатели точности прогноза, на 5-10 % качественнее используемых ранее.

ЗАКЛЮЧЕНИЕ

В диссертационной работе представлено теоретическое и практическое решение актуальной научной задачи разработки нового подхода к долгосрочному прогнозированию валютного риска в реальном масштабе времени с учетом экономического потенциала предприятия и параметров валютной сделки на базе нейросетевых и кластерных технологий.

Основные выводы и научные результаты работы:

• определен набор слабо формализованных факторов: политических, психолошческих, ожидаемых, кризисных и спекулятивных, не использующихся в других моделях управления валютными рисками;

• разработана оптимизационная многофакторная динамическая нейросетевая модель долгосрочного прогнозирования валютных рисков. Определены топологические ограничения на архитектуру и топологию нейронной сети и разработан метод актуализации факторов, позволяющий оценивать значимость факторов как перед обучением модели, так и в процессе обучения нейронной сети;

• разработана классификационная нейросетевая модель, обеспечивающая выбор оптимального метода хеджирования валютного риска с учетом параметров сделки и экономического потенциала предприятия;

• создан кластер на базе Моб1х и разработан метод оптимизации скорости обработки межслойных данных в многослойных нейронных сетях, позволяющий эффективно использовать ресурсы ЛВС и осуществлять прогноз в реальном масштабе времени;

• разработана объектно-ориентированная модель управления валютными рисками с использованием унифицированного языка моделирования иМЬ, позволяющая интегрировать разработанный пакет

прикладных программ «НейроЛинк» под любые платформы Unix-систем.

Основные положения диссертации опубликованы в следующих работах:

1. Цветков Н.С. Применение нейросетевых технологий в управлении финансовыми рисками. ГИАБ, № 34, 2000, с. 35.

2. Цветков Н.С. Этапы разработки многофакторной оптимизационной модели управления валютным риском на базе нейросетевых технологий //Современные информационные технологии в управлении и образовании/ Мат-лы науч.-практ. конф. - М. .СИРИУС, 2001, с. 199-202.

3. Цветков Н.С. Использование нейросетевых технологий для управления валютным риском //Информационные технологии и математическое моделирование/ Мат-лы Всерос. науч.-практ. конф. -Томск:Твердыня, 2002, с. 329-331.

4. Цветков Н.С., Яо Сань Суп. Использование интеллектуальных нейронных сетей для прогнозирования рынка РФ //Современные информационные технологии в управлении и образовании/ Мат-лы науч.-практ. конф. - М.:СИРИУС, 2002, с. 58.

5. Цветков Н.С. Оптимизация производительности вычислений с помощью системы управления кластером Mosix //Проблемы региональной информатизации и пути её решения/ Мат-лы науч.-практ. конф. - М.:СИРИУС, 2002, с. 33-35.

6. N.I. Fedunets, N.S. Tsvetkov. Multifactorial dynamic model of management of currency risk on base neuronets and clusters technologies //Computer Simulation in Risk Analisys and Hazard Mitigation «Risk Analysis 2002»/ Third International Conference. - Sintra, Portugal. WIT Press, 2002, p. 201-204.

Подписано в печать 30.09.2003 Формат 60X90/16

Объем I печ. л. Тираж 100 экз. Заказ ЗЬЧЧ£

Типография Московского государственного горного университета, Ленинский проспект, 6

а_оо? - а

\

Ш 15647

i

<

I i

<

S&7

ВВЕДЕНИЕ

1. анализ валютного рынка и рисков, характерных для предприятий российской федерации

1.1. Анализ валютного рынка Российской Федерации

1.2. Анализ валютных рисков и факторов, влиящих на валютные риски

ВЫВОДЫ ПО ГЛАВЕ

2. выбор и обоснование значимых факторов, влияющих на валютные риски при заключении долгосрочных валютных сделок

2.1. Выбор факторов, влияющих на валютные риски

2.2. Многофакторный анализ значимых факторов, влияющих на валютные риски

ВЫВОДЫ ПО ГЛАВЕ

3. разработка нового подхода к управлению (* валютными рисками на базе кластерных и нейросетевых технологий

3.1. Анализ методов, моделей и программных инструментов управления валютными рисками^

3.1.1. Анализ финансовых инструментов управления валютными рисками

3.1.2 Анализ методов и моделей управления валютными рисками

3.1.3. Анализ программных инструментов управления валютными рисками

3.2. Разработка нового подхода к управлению валютными рисками

3.2.1. Обработка и актуализация статистических данных для долгосрочного прогнозирования валютных рисков

3.2.2. Долгосрочное прогнозирование валютных рисков в масштабе реального времени

3.2.2.1 Разработка многофакторной динамической нейросетевой модели долгосрочного прогноза валютных рисков

3.2.2.2. Разработка механизма динамического формирования структуры нейросетевой модели

3.2.2.3. Выбор и обоснование ограничений на информационную ёмкость многофакторной динамической нейросетевой модели

3.3. Оценка вероятности валютных рисков при долгосрочном прогнозе

3.4. Выбор оптимального метода хеджирования и страхования от валютных рисков с учетом экономического потенциала предприятия и параметров валютной сделки

3.5. Анализ результатов работы многофакторной динамической нейросетевой модели

ВЫВОДЫ ПО ГЛАВЕ

4. РАЗРАБОТКА МЕТОДА ОПТИМИЗАЦИИ СКОРОСТИ ПРОГНОЗИРОВАНИЯ МНОГОФАКТОРНОЙ ДИНАМИЧЕСКОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ НА БАЗЕ КЛАСТЕРА MOSIX

4.1. Анализ подходов повышения производительности нейросетевых моделей

4.2. Разработка кластера и метода оптимизация времени долгосрочного прогнозирования на базе многофакторной динамической нейросетевой модели

4.3. Оценка эффективности разработанного подхода

ВЫВОДЫ ПО ГЛАВЕ

5. РАЗРАБОТКА ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ ДЛЯ РЕАЛИЗАЦИИ НОВОГО ПОДХОДА К УПРАВЛЕНИЮ ВАЛЮТНЫМИ РИСКАМИ

5.1. Обоснование выбора Unix - платформы для ППП «НейроЛинк»

5.2. Описание ППП «НейроЛинк»

5.2.1. Структура подсистемы «Долгосрочное прогнозирование»

5.2.2. Структура подсистемы «База данных»

5.2.3. Структура подсистемы «Интерфейс»

5.2.4. Структура подсистемы «Mosix»'

5.2.5. Структура подсистемы «Оптимизация времени прогнозирования»

5.2.6. Структура классов компоненты «Обучение нейронной сети»

5.2.7. Описание процессов ППП «НейроЛинк»

5.2.8. Описание прецендентов ППП "НейроЛинк

5.2.9. Описание пакета развертывания ППП "НейроЛинк"

ВЫВОДЫ ПО ГЛАВЕ

Актуальность работы

В современных рыночных условиях хозяйствования РФ валютный рынок характеризуется колебанием курсов валют, оказывающим негативное влияние на экономику предприятий. В качестве показателя неопределенности валютных сделок и неблагоприятных колебаний курсов валют выступают валютные риски. При этом, в экономике предприятий усиливается влияние рисков, т.е. увеличивается опасность непредвиденных потерь от управления экономическими ресурсами предприятия. Особенно велико влияние валютных рисков для предприятий, ведущих экономический обмен с другими странами. Валютные риски вносят дополнительную неопределенность планирования бюджета предприятий, обеспечения контроля и учета расхода денежных средств, а также увеличивают временные и трудовые ресурсы на обслуживание валютных сделок.

Необходимость решения проблемы управления валютными рисками на российских предприятиях стала особенно актуальна в последнее время в связи с увеличением количества заключения долгосрочных валютных сделок, ростом объемов международных денежных потоков, постоянным изменением структуры валютного рынка РФ, появлением новых финансовых инструментов управления валютными сделками. В настоящее время для принятия решения о заключении долгосрочной валютной сделки на российских предприятиях приходится использовать прогнозы динамики валютного рынка РФ, публикуемые аналитиками ЦБ РФ или другими независимыми экспертами. Однако эти прогнозы не позволяют получить точного прогноза валютных рисков для долгосрочных валютных сделок и не учитывают сильное влияние слабо формализованных факторов: политических, психологических, ожидаемых и структурных. Такой подход к проблеме управления долгосрочными валютными сделками не позволяет избежать банкротства или минимизировать расходы на обслуживание долгосрочных валютных сделок, выбрать наиболее благоприятные периоды расчета по сделке или своевременно применить финансовый инструмент для страхования сделки и фиксации её цены.

Финансовые инструменты, применяемые на предприятиях для управления валютными рисками, включают финансовые инструменты страховых организаций, работающих на биржах и аудиторских компаний. Разнонаправ-ленность предлагаемых инструментов, использование различных сегментов рынка для выбора финансового инструмента, различные подходы оценки экономического потенциала предприятия, значительно затрудняют выбор оптимального финансового инструмента управления валютной сделкой. Валютному менеджеру, обслуживающему валютные сделки, сложно оперативно дать аналитическую оценку перспективности заключаемой сделки из-за отсутствия оптимального финансового инструмента страхования, реализующего количественную и качественную оценку вероятности валютного риска на базе долгосрочного прогноза валютного рынка. Однако в современных рыночных условиях оперативность выбора наиболее благоприятных условий валютной сделки является одним из ключевых моментов, позволяющих предприятию усилить свои экономические позиции на рынке РФ.

Проблема управления валютными рисками также актуальна для предприятий-гигантов, которые могут компенсировать потери по одним валютам за счет прибыли по другим. Однако такая позиция предприятий не учитывает возможности изменения курса одной валюты по отношению ко всем другим валютам, взятым в совокупности.

Таким образом, для управления валютными рисками при заключении долгосрочных валютных сделок необходимо разработать новый подход, который обеспечил бы долгосрочное прогнозирование в реальном масштабе времени и позволил бы проводить оценку вероятности валютного риска. Этот подход должен осуществлять выбор оптимального финансового инструмента страхования или хеджирования (фиксация цены валютной сделки с помощью финансового инструмента) сделки в условиях частичной неопределенности. Следовательно, разработка нового подхода к управлению валютными рисками и их оценке на долгосрочный период является актуальной научной и практической задачей, обеспечивающей достижение стабильности и развития экономического состояния российских предприятий.

Цель исследования заключается в разработке нового подхода к управлению валютными рисками, позволяющего осуществить в реальном масштабе времени долгосрочный прогноз валютного риска и его оценку с учетом экономического потенциала предприятия и минимизация времени принятия решения.

Задачи исследования:

• анализ состояния валютного рынка РФ и исследование специфики, условий и принципов управления валютными рисками в России;

• статистический анализ влияния динамики курса валют на риск и определение значимых факторов;

• анализ существующих методов и моделей оценки валютных рисков с целью выявления их недостатков;

• разработка нового подхода, методов и моделей к управлению валютными рисками, обеспечивающих снижение риска при заключении долгосрочных валютных сделок;

• разработка метода оптимизации производительности механизма долгосрочного прогнозирования с целью уменьшения времени получения прогноза;

• разработка инструментальных средств и объектно-ориентированной модели для реализации предложенного подхода;

• моделирование вариантов покрытия валютного риска для оценки эффективности разработанного подхода.

Идея работы заключается в многофакторном количественном и качественном анализе тенденций валютных рисков на рынке России для осуществления долгосрочного прогноза в масштабе реального времени.

Основные научные положения, разработанные соискателем, и их новизна:

• разработан новый подход к управлению валютными рисками с учетом специфики российского валютного рынка, текущего финансового состояния предприятия и параметров сделки, позволяющий, в отличие от существующих, снизить валютные риски при заключении долгосрочных валютных сделок;

• разработан метод актуализации значимых факторов на базе статистического многофакторного анализа влияния факторов на риск с возможностью восстановления отсутствующих статистических данных;

• разработана многофакторная динамическая нейросетевая модель долгосрочного прогнозирования валютных рисков, позволяющая, в отличие от существующих моделей, учитывать текущее состояние валютного рынка, динамически менять свою архитектуру, а также учитывать слабо формализованные группы факторов;

• разработана классификационная нейросетевая модель для выбора оптимального метода хеджирования и страхования рисковой долгосрочной валютной сделки, учитывающая текущее финансовое состояние предприятия и параметры заключаемой долгосрочной валютной сделки;

• разработан метод оптимизации вычислительной мощности многофакторной динамической нейросетевой модели на базе распределенного кластера для уменьшения времени получения долгосрочного прогноза валютного риска.

Достоверность научных положений, выводов и рекомендаций подтверждается корректным использованием в проведенных исследованиях методов теории системного анализа, теории вероятностей и случайных процессов, теории многофакторной оптимизации, теории поддержки принятия решений, теории нейронных сетей, теории массового обслуживания и др., а также положительными результатами экспериментального моделирования разработанного пакета прикладных программ и внедрением его на ряде предприятий г. Москвы и г. Санкт-Петербурга.

Научная значимость работы состоит в разработке нового подхода к управлению валютными рисками, основанного на долгосрочном прогнозировании валютных рисков с учетом параметров валютных сделок и текущего экономического потенциала предприятия, позволяющего выбирать оптимальный метод хеджирования долгосрочной валютной сделки для конкретного предприятия.

Практическая значимость работы состоит в разработке метода сбора и актуализации статистических данных для разработанной модели долгосрочного прогнозирования валютных рисков, создании пакета прикладных программ управления валютными рисками на базе разработанной классификационной нейросетевой модели выбора оптимального метода страхования и хеджирования долгосрочной валютной сделки и высокими показателями эффективности внедрения основных результатов диссертационной работы на ряде финансовых предприятий г. Москвы (МРКС Холдинг, ООО ИТЦ «Виртуальные технологии в образовании») и г. Санкт-Петербурга (СКБ «Титан»), а также в учебный процесс для подготовки бакалавров, специалистов и магистров по направлению 550800 «Информатика и вычислительная техника» на кафедре Автоматизированные системы управления МГГУ.

Апробация работы

Основные результаты диссертации и её отдельные положения докладывались на семинарах кафедры АСУ МГГУ и следующих конференциях и симпозиумах: «Неделя-горняка-1999» (Москва, МГГУ, 25-29 января 1999 г.), «Проблемы региональной информатизации и пути её решения. Новые возможности и перспективы использования в рамках реализации программы «Электронная Россия» (Москва, ФГУП НИИ «Восход», февраль 1999), «Не-деля-горняка-2000» (Москва, МГГУ, 2-6 февраля 2000 г.), «Неделя-горняка

2001» (Москва, МГГУ, 29 января - 2 февраля 2001 г.), «Современные информационные технологии в управлении и образовании. Новые возможности и перспективы использования» (Москва, ФГУП НИИ «Восход», март 2001 г.), «Неделя-горняка-2002» (Москва, МГГУ, январь 2002 г.), «Проблемы региональной информатизации и пути её решения. Новые возможности и перспективы использования в рамках реализации программы «Электронная Россия» (Москва, ФГУП НИИ «Восход», февраль 2003 г.).

Публикации

По теме диссертации опубликовано 6 научных работ.

Структура диссертации

Диссертационная работа состоит из введения, пяти глав, заключения и 3 приложений, изложенных на 230 стр. текста, включает 30 таблиц, 60 рисунков и список использованных источников из 105 наименований.

Основные выводы и научные результаты работы:

• определен набор слабо формализованных факторов: политических, психологических, ожидаемых, кризисных и спекулятивных, не использующихся в других моделях управления валютными рисками;

• разработана оптимизационная многофакторная динамическая нейросетевая модель долгосрочного прогнозирования валютных рисков. Определены топологические ограничения на архитектуру и топологию нейронной сети и разработаны методы обработки и актуализации значимых факторов, позволяющих оценивать значимость факторов как перед обучением модели, так и в процессе обучения нейронной сети;

• разработана классификационная нейросетевая модель, обеспечивающая выбор оптимального метода хеджирования и страхования валютного риска с учетом параметров сделки и экономического потенциала предприятия;

• создан кластер на базе Mosix и разработан метод оптимизации скорости обработки межслойных данных в многослойных нейронных сетях, позволяющий эффективно использовать ресурсы ЛВС и осуществлять прогноз в реальном масштабе времени;

• разработана объектно-ориентированная модель управления валютными рисками с использованием унифицированного языка моделирования UML, позволяющая интегрировать разработанный пакет прикладных программ «НейроЛинк» под любые платформы Unix-систем.

ЗАКЛЮЧЕНИЕ

В диссертационной работе представлено теоретическое и практическое решение актуальной научной задачи разработки нового подхода к долгосрочному прогнозированию валютного риска в реальном масштабе времени с учетом экономического потенциала предприятия и параметров валютной сделки на базе нейросетевых и кластерных технологий.

1. Жозет Перар. Управление международными денежными потоками. -М.:Финансы и Статистика, 1998;

2. Коммерческие и кооперативные банки. Справочник. М.: Акционерное общество Развитие, 1990;

3. Валютное законодательство. Серия Российское законодательство. Выпуск III. -М.:ЗАО Бизнес-школа Интел-синтез, 1998;

4. Н.В. Хохлов. Управление риском. М.гЮнити, 2001;

5. К. Рэдхэд. С. Хьюс. Управление финансовыми рисками. М.: Инфра-М, 1996;

6. Наговицкая А.Г. Валютная политика. М.:Экзамен, 2000;7. http://www.rbc.ru (Официальный сайт РИА «РосБизнесКонсалтинг»);8. http://www.franklin-grant.ru/ru/reviews/ (Официальный сайт «Франк-лин&Грант»);

7. Екушов А. Оценки риска в банковском менеджменте. № 1. -М.:Банковские технологии, 1999, с. 42-45;

8. Екушов А. Управление рисками и ресурсами . № 9. М.:Банковские технологии, 1999, с. 32-33;

9. Бюллетень банковской статистики. Центральный Банк Российской Федерации. ИТАР-ТАСС. М.:ОАО «Типография «Новости». №№1-120;

10. П.С. Безруких, В.Б. Ивашкевич, Н.П. Кондраков. Бухгалтерский учет. 2-е учебное издание. М.библиотека журнала «Бухгалтерский учет», 1996;

11. Финансовая отчетность. 3 раздел. ЦБ РФ. На 1 января 1998 г.;

12. Финансовая отчетность. 3 раздел. ЦБ РФ. На 1 января 1999 г.;

13. Финансовая отчетность. 3 раздел. ЦБ РФ. На 1 января 2000 г.;

14. Финансовая отчетность. 3 раздел. ЦБ РФ. На 1 января 2001 г.;

15. Финансовая отчетность. 3 раздел. ЦБ РФ. На 1 января 2002 г.;

16. В. Гмурман. «Теория вероятностей и математическая статистика». 7-е издание. М.: Высшая школа, 2002;

17. Э. Сигел. «Практическая бизнес статистика». М.: Издательство Вильяме, 2002;

18. А. Сидоренко, Г. Попов, В. Матвеева. Статистика. Учебник. М.:ДиС, 2000;

19. Статистика. М.: ЮНИТИ-ДАНА, 2000;

20. В. Боровиков. STATISTICA. Искусство анализа данных на компьютере. 2-е издание. С-Пб. Литер, 2003;

21. Р.Эйрес. Научно-техническое прогнозирование и долгосрочное планирование, М.:Мир, 1971;

22. Саяпова А.Р., Шамуратов Н.М., Гусельникова Е.А., Лакман И.А. Математические методы прогнозирования экономических показателей. Учебное пособие. Уфа:БашГУ, 2000;

23. Горбань А.Н. Обучение нейронных сетей. М.:СП ПараГраф, 1990;

24. F. Rosenblatt. Principles of neurodynamics. Spartan Books, Washington, 1962. Русский перевод: Розенблатт Ф. Принципы нейродинамики. -М.:Мир, 1964.;

25. Minsky М., Papert S. Perceptrons. An introduction to computational geometry, MIT Press, 1969. Русский перевод: Минский M., Пайперт С. Пер-септроны. -М., Мир, 1971;

26. Nillson N.J. Leaning Machines. McGraw-Nill Book Company, 1965; Русский перевод: Нильсон H. Обучающиеся машины. -М.:Мир, 1967;

27. Grossberg S. The Adaptive Brain, Т. 1,2, Advances in psychology, 1987;

28. M.Dertouzos. Threshold logic. A synthesis Appro ach. MIT Press, 1965. Русский перевод: М.Дертоузос. Пороговая логика. -М.:Мир, 1967;

29. Галушкин А.И. Синтез многослойных систем распознавания образов. -М.:Энергия, 1974;

30. Ивахненко А.Г. Персептрон система распознавания образов. — Киев: Наукова Думка, 1975;

31. Галушкин А.И., Фомин Ю.И. Нейронные сети, как линейные последо-вательностные машины. М.:МАИ, 1991;

32. Галушкин А.И., Судариков В.В., Шабанов Е.В. Нейроматематика: методы решения задач на нейрокомпьютерах. //Математическое моделирование, № 8. М. .-Наука, 1971;

33. A.Gill. Linear sequential circuits. Analysis, synthesis and applications. McGraw-Hill Book Company. Русский перевод: А.Гилл. Линейные по-следовательностные машины. Анализ, синтез и применение. — М.:Наука,1974;

34. Фомин Ю.И., Галушкин А.И. Методы технической диагностики сетей пороговых элементов //Техника средств связи/ Сер. системы связи, № 2,- 1980;50