автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Модели и алгоритмы автоматизированного управления финансовыми ресурсами банка на основе принципов генетики

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

1. КОММЕРЧЕСКИЙ БАНК И ПЛАНИРОВАНИЕ ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ. ФУНКЦИИ СОВРЕМЕННОЙ АБС.

1.1. роль коммерческого банка в экономике.

1.2. Цели коммерческого банка.

1.3. Потребности коммерческого банка. Управление портфелем банка. Стадии процесса управления

1.4. Обзор автоматизированных банковских систем. Основные функции АБС.

1.5. Постановка целей оптимизации.

2. ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ПОИСКА ГЛОБАЛЬНОГО ОПТИМУМА В СЛОЖНЫХ ЗАДАЧАХ.

2.1. Эвристики от природы. Основные положения и классификация.

2.2. Генетические алгоритмы.

2.3. Анализ существующих пакетов на основе еенетических алгоритмов.

2.3.1. Коммерческие пакеты.

2.3.2. Краткий обзор некоммерческих пакетов.

2.4. Инструментальное средство нахождения экстремума задаваемой пользователем функции "GENA".

2.5. Исследование эффективности алгоритмов поиска глобального экстремума в задачах больших размерностей.

3. РАЗРАБОТКА ГЕНЕТИЧЕСКОГО АЛГОРИТМА ПЛАНИРОВАНИЯ ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ.

3.1. Оптимизационная модель управления финансовыми ресурсами банка.

3.2. Вероятностная постановка задачи.

3.3. Ограничения.

3.3.1. Собственные и технологические ограничения.

3.3.2. Внешние ограничения. Нормативы ЦБ РФ.

3.4. Разработка структуры данных генетического алгоритма.

3.6. Эвристики, используемые при решении задачи.

4. РАЗРАБОТКА ИНСТРУМЕНТАЛЬНОГО СРЕДСТВА ПЛАНИРОВАНИЯ ФИНАНСОВОЙ ДЕЯТЕЛЬНОСТИ КОММЕРЧЕСКОГО БАНКА.

4.1. Выбор программных средств.

4.2. Описание информационных потоков.

4.3. Проведение планирования с помощью инструментального средства.

4.4. Анализ результатов применения алгоритма планирования финансовой деятельности.

Актуальность работы

Планирование финансовой деятельности банка - одна из самых актуальных, но "неохваченных" задач на Российском рынке. Именно отсутствием планирования объясняют все исследователи-экономисты неудачи и многочисленные банкротства российских банков. Проблема автоматизации планирования финансовой деятельности коммерческого банка является актуальной, так как на сегодняшний момент не существует пакета, позволяющего проводить ежедневную политику по повышению эффективности функционирования КБ, охватывающего все основные уровни управления банком.

На основе проведенного финансового анализа и с учетом выбранной стратегии развития, система предлагает возможные решения по размещению денежных средств.

Один из сложнейших вопросов работы банка - это выполнение обязательных экономических нормативов, устанавливаемых Центральным Банком РФ. Система автоматизации планирования поможет оптимизировать финансовую деятельность банка при условии обязательного выполнения нормативов, связанных с ликвидностью и риском активов банка.

В настоящее время существуют методики финансового анализа и нахождения оптимальных решений, принимаемых руководителем банка. Однако они не охватывают все параметры финансовой деятельности банка, например ограничения, связанные с выполнением экономических нормативов или текущий анализ деятельности банка. Кроме того, при наличии большого количества ограничений и параметров эти методики оказываются неэффективными и требуют больших затрат для поиска оптимального решения. Именно поэтому оптимизационная модель планирования финансовой деятельности разрабатывается на основе современной методики, дающей прекрасные результаты при решении задач большой размерности. Эта методика носит название - "генетические алгоритмы".

Цель работы состоит в разработке моделей и алгоритмов, а также программного инструментального средства для управления финансовыми ресурсами коммерческого банка. В связи с необходимостью принятия решения в короткие сроки, и с учетом большого количества обрабатываемой информации, инструментальное средство разрабатывается с помощью генетического алгоритма, обеспечивающего высокую скорость поиска в задачах большой размерности.

В задачи, которые необходимо решить при разработке инструментального средства входят:

• анализ автоматизированных банковских систем (АБС), оптимизационных задач, решаемых АБС;

• исследование методики "генетический алгоритм", анализ существующих программных средств на основе генетических алгоритмов;

• разработка оптимизационной модели и оригинального генетического алгоритма управления финансовыми ресурсами банка;

• исследование эффективности применяемого алгоритма;

• разработка инструментального средства "управления финансовыми ресурсами коммерческого банка на основе генетического алгоритма";

• внедрение разработанного инструментального средства и исследование ее эффективности.

Идея работы заключается в том, что управление банком осуществляется с помощью введения коэффициентов стратегического (долгосрочного) планирования. Использование указанных коэффициентов при проведении краткосрочного планирования (при решении задачи управления портфелем банка) позволяет реализовать общее направление развития кредитной организации. В свою очередь, среднесрочное планирование представлено в виде ограничений на результаты краткосрочного планирования. Для решения данной задачи разрабатывается оригинальный генетический алгоритм и эвристики, позволяющие решать задачу, представленную в виде, неприемлемом для решения с помощью стандартных методов.

Научные положения разработанные лично автором, и их новизна состоят в следующем:

- разработана оригинальная оптимизационная модель управления финансовыми ресурсами банка. Введение в модель весовых коэффициентов стратегического планирования позволяет связать основные уровни управления коммерческой организацией. Это позволяет создать инструментальное средство для осуществления ежедневного целенаправленного и эффективного планирования финансовой деятельности коммерческого банка; разработана уникальная структура вектора хромосом для планирования финансовой деятельности на основе методики генетического алгоритма, позволяющая осуществлять быстрый и эффективный поиск решения оптимального управления финансовыми ресурсами банка;

- разработаны дополнительные эвристики для классического генетического алгоритма, позволяющие повысить его эффективность при решении задачи планирования финансовой деятельности коммерческого банка.

Научное значение работы

Состоит в разработке специальной методики на основе генетического алгоритма, позволяющей осуществлять комплексное планирование финансовой деятельности банка.

Практическое значение работы

Состоит в том, что разработанное инструментальное средство позволяет эффективнее осуществлять финансовую деятельность кредитной организации, доставляя таким образом, не только большую прибыль, но и повышая надежность и стабильность банка.

Предложения по использованию работы

Инструментальное средство планирования финансовой деятельности рекомендуется для использования в кредитно-экономических отделах, а также в отделах финансового анализа коммерческих банков

Реализация методики и апробация работы

Инструментальное средство на основе разработанной методики внедрено в коммерческом банке "Грантбанк" и апробировано в течение 6 месяцев. Получены стабильные хорошие результаты, подтверждающие эффективность применения методики. Применение методики обеспечивает 5% прирост эффективности, по сравнению с решениями, принимаемыми экономистами банка.

Апробация работы.

Основные результаты диссертационной работы обсуждались на общемосковском семинаре в Институте проблем управления при РАН (1999г.) 6

Публикации.

На тему диссертационной работы опубликовано 7 статей: Объем и структура работы

Диссертационная работа состоит из введения, 4-х глав, заключения и 2-х приложений, изложенных на 156 страницах. Работа включает 58 рисунков, 23 таблицы и список литературы из 60 наименований.

Основные выводы и научные результаты заключаются в следующем:

• Разработаны оригинальная оптимизационная модель и алгоритмы, позволяющие проводить комплексное управление финансовой деятельностью банка, а именно -планирование размещения денежных средств в различные виды активов на необходимый период анализа. Совместное использование этой методики с результатами финансового анализа банка, а так же данных о прогнозах процентных ставок на рынке банковских услуг, позволяет осуществлять ежедневную политику по размещению средств с учетом выбранной долгосрочной стратегии развития банка. Это достигается с помощью введения коэффициентов долгосрочных стратегий. Каждая из проводимых банком операций взвешивается с учетом долгосрочной стратегии, а именно, с уровнями риска, ликвидности и прибыли.

• Для поиска решения использован "генетический алгоритм" - методика, использующая аналогию с природой. Генетический алгоритм моделирует процесс эволюции, вынуждая нахождение наиболее пригодного индивидуума - решения. Алгоритм является высокоробастным. Устойчивость получения "хорошего" решения подтверждается проведенными испытаниями. Выбор алгоритма для решения поставленной задачи обусловлен сложностью целевой функции, содержащей около 100 переменных и большого количества ограничений первого и второго рода. Применение классических методов и алгоритмов было бы нецелесообразным и потребовало бы гораздо больших временных затрат. Эффективность применения генетического алгоритма также подтверждена испытаниями.

• Научная значимость работы заключается и в том, что в результате исследований были разработаны и применены эвристики, позволяющие повысить эффективность генетического алгоритма, применительно к сложным параметрическим задачам.

• На основе этих эвристик разработано программное средство планирования финансовой деятельности коммерческого банка, а так же универсальное программное средство, позволяющее находить глобальный экстремум любой задаваемой пользователем функции.

• Программное средство управления финансовыми ресурсами коммерческого банка было внедрено в коммерческом банке "Грантбанк" в июле 1999 года. За несколько месяцев эксплуатации методика показала стабильный результат. Средняя эффективность ее применения оценивается в 5% от текущего состояния банка, т.е. банк достигает целей по получению прибыли, увеличению ликвидности и уменьшению риска на 5% эффективнее по сравнению с решениями, принимаемыми экономистами банка. Ожидается, что при увеличении качества прогноза процентных ставок рынка банковских услуг, эффективность может достичь 10-20%. Разработанная методика и программное средство рекомендуются к применению в экономических отделах коммерческих банков.

Заключение

Задача планирования финансовой деятельности коммерческого банка - одна из "неохваченных" областей на Российском рынке. Актуальность и необходимость осуществления планирования подтверждается всеми исследователями-экономистами. Планирование, прежде всего, призвано повысить устойчивость финансовой организации, обеспечить выполнение обязательств перед клиентами и государством. Повышение ликвидности активов, уменьшение риска проводимых операций, получение максимальной прибыли - вот те основные направления, на которые необходимо обращать внимание ежедневно. Именно для этого и были разработаны модели и алгоритмы управления финансовыми ресурсами банка.

1. Бахвалов JI.A., Копелев M.JI. Автоматизация планирования финансовой деятельности коммерческого банка. Горный информационно-аналитический бюллетень. - М.: МГГУ, №5, 1997.

2. Бахвалов Л.А., Копелев M.J1. Генетические алгоритмы в задаче управления активами банка. Приборы и системы управления №4. - ООО Научтехмаш, 1999.

3. Бахвалов JI.A., Копелев M.JI. Генетические алгоритмы и планирование финансовой деятельности. Банковские технологии №1(44) 1999.

4. Бахвалов JI.A., Копелев M.JI. Генетические алгоритмы при создании АСУ. -Промышленные АСУ и контроллеры №2. ООО Научтехмаш, 1999.

5. Белых Л.П. Устойчивость коммерческих банков. Как банкам избежать банкротства. М.: Банки и биржи, 1996.

6. Болтянский В.Г. Оптимальное управление дискретными системами. М.:Наука, 1973.

7. Бор. М.З., Пятенко В.В. Стратегическое управление банковской деятельностью -М.:ПРИОР, 1995.

8. Василишен Э.Н. Меркурьев И.Л. Системный подход к деятельности коммерческого банка. Экономика и жизнь, №17 апрель 1995 г.; №19 апрель 1995 г., №21 май 1995.

9. Василишен Э.Н. Регулирование деятельности коммерческого банка. М.: Финстатинформ, 1995.

10. Горский В.Г., Адлер Ю.П. Планирование промышленных экспериментов М.: Металлургия, 1974.

11. Давыдов Э.Г. Исследование операций. М.: Высшая школа, 1990.

12. Инструкция Банка России №1. О порядке регулирования деятельности кредитных организаций. 1 октября 1997.

13. Копелев M.JI. Автоматизация планирования финансовой деятельности на основе генетического алгоритма. Горный информационно-аналитический бюллетень. -М.:МГГУ, №4 1999.

14. Копелев M.JI. Генетические алгоритмы при оптимизации многопараметрических функций / Сборник научных трудов. -М.: МГГУ, 1999.

15. Копелев M.JI. Использование алгоритмов для поиска глобального экстремума в сложных параметрических задачах / Сборник научных трудов. -М.: МГГУ, 1999.

16. Лаптырев Д.А. и др. Планирование финансовой деятельности банка. М.: АСА, 1995.

17. Моисеев H.H., Иванилов Ю.П., Столярова Е.М. Методы оптимизации.- М.:Наука, 1978

18. Расстригин Л.А. Статистические методы поиска. М.:Наука, 1968.

19. Роуз П.С. Банковский менеджмент. М.: Дело, 1995.

20. Техническая документация АБС Di asoft BANK4x4.

21. Цисарь И.Ф., Чистов В.П., Лукьянов А.И.Оптимизация финансовых портфелей банков, страховых компаний, пенсионных фондов. М.: Дело, 1998.

22. Aarts, Е. & Korst, J. (1989). Simulated and Bolzmann Machines. Wiley.

23. Ackley, D. (1987) A Connectionist Model for Genetic Hillclimbing, Kluwer Academic Publishers.

24. Bertoni, A. & Campadelli, P. (1990). Analysis of parallel and sequential Boltsmann machines. International Neural Networks Conference.

25. Beyer, D. & Ogier, R. (1991). Tabu learning: a neural network search method for solving nonconvex optimization problems. Procceedings of the International Joint Conference on Neural networks, IEEE and INNS, Singapore.

26. Boender, C.G.E., Rinnooy Kan, A.H.G. & Timmer, G.T. (1982). A stochastic method for global optimization. Math.Programming, Vol.12, pp. 125-140.

27. Bourgine, P. & Varela, F.J. (Eds.) (1992). Towards a Practice of Autonomous Systems. Cambridge: The MIT Press.

28. Camerini, P.M., Colorni, A. & Maffioli, F. (1986). Some experience in applying a stochastic method of location problems. Math. Programming Study, Vol. 26, pp. 229-232.

29. Camerini, P.M., Fratta, L. & Maffioli, F. (1979). Some results on the desing of tree-structured communication networks. ITC-9, Torremolionos.

30. Colorni, A., Dorigo M. & Maniezzo, V. (1991). Distributed optimisation by ant colonies. Procceedings of ECAL-91 Europian Conference of Artificial life, Paris, France, F. Valera & P. Bourgine (Eds) (pp. 134-142). Elsevier.

31. Colorni, A., Dorigo M. & Maniezzo, V. (1992). An investigation of some properties of an ant algorithm. Procceedings of the Parallel Problem Solving from Nature Conference (PPSN-92), Brussels, Belgium,

32. Colorni, A., Dorigo M. & Maniezzo, V. (1992). Genetic algorithms: a new approach to the timetable problem. NATO ASI Series, Vol. F82. Combinatorial Optimization, M. Akgil et al. (Eds) Springer.

33. Colorni, A., Laniado, E. & Vittadini, M. R. (1990). II progetto prontobus. Terra, Vol. 9, pp. 3539. (in Italian).

34. DelFAmico, M. & Trubian, M. (1993). Applying Tabu-search to the job-shop scheduling problem. Annals of Operations Research, Vol. 41, pp. 231-252.

35. Denebourg, J.L., Pasteels, J.M. & Vehaeghe, J.C. (1983). Probabilistic behaviour in ants: a strategy of errors? Journal of Theoretical Biologyl, Vol. 105.

36. Dorigo M., Maniezzo, V. & Colorni, A., (1996). The ant system: optimization by a colony cooperation agents. IEEE Transactions on Systems, Man and Cybernetics Part B. Vol. 26, pp. 29-41.

37. Figle, U. & Kern, W. (1989). Some convergence results for probabilistic Tabu-search. Internal report 822, Faculty of Applied Math., University of Twente.

38. Glover, F. & Greenberg, H.J. (1989). New approaches for heuristic search: a bilateral linkage with artifical intelligence. European Journal of Operational Research, Vol.39, pp.119-130

39. Glover, F. (1977) Heuristics for Integer Programming Using Surrogat Constraints. Decision Science, Vol.8, pp.156-166

40. Glover, F. (1989). Tabu-search, Part I. ORSA Journal of Computing, Vol. 1, No.3 pp. 190-206.

41. Glover, F. (1990). Tabu-search, Part II. ORSA Journal of Computing, Vol. 1, pp. 4-32.

42. Glover, F. (1994). Tabu-search for nonlinear and parametric optimisation (with links to genetic algorithms). Discrete Applied Mathematics, Vol. 49, pp. 231-256.

43. Goldberg, D.E. (1989). Genetic algorithms in Search, Optimization & Machine Learning. Addison- Wesley.

44. Holland, J.H. (1975)Adaptation in Natural and Artifical Systems. Ann Arbor: The University of Michigan Press

45. Hopfield, J. (1982). Neural networks and physical systems with emergent Collective computational abilities. Proc.Natl.Acad.Sci. USA, Vol.81, pp. 3088-3092.

46. Kirkpatrick, S., Gelatt Jr., C.D. & Vecchi, M.P. (1983). Optimization by simulated annealing. Science, Vol.220, pp.671-1680.

47. Lin, S. & Kernighan, B.W. (1993). An effective heuristics algorithm for the travelling salesman problem. Optimizations Research, Vol. 21, pp. 498-516.

48. Manner, B. Manderick (Eds) Parallel Problem Solving from Nature, 2. North-Holland.

49. McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the ideas imminent in nervous activity. Bull.of Math, and Biophesics, Vol.5, pp.115-133.

50. Metropolis, N., Rosenbluth, A., Rosenbluth, M., Teller, A. & Teller, E. (1953). Equation of state calculation by fast computing machines. J. Of Chem. Physics, Vol. 21, pp. 1087-1092.

51. Michalewicz, Z. (1992). Genetic Algorithms + Data Structures = Evolution Programs. SpingerVerlag, New York.

52. Minsky, M. (1985). The Societe of Mind. Touchstone Books.

53. Muhlenbein, H. (1989). Parallel Genetic algorithms, population genetics and combinatorial optimization, In Schaffer (Ed.). Proc. of the 3rd Genetic algorithms, Morgan Kaufmann.125

54. Muhlenbein, H., M. Gorges-Schleuter. And О Kramer (1988) Evolution Algorithms in Combinatorial Optimization, Parallel Computing, Vol.7, pp.65-88

55. R. Manner, B. Manderick (Eds), (pp. 509-520). Elsevier.

56. Rechenberg, I. (1973). Evolutionsstrategie. Germany: Stuttgart, Fromman-Holtzbog

57. Reevs, C.R. (1993).(Ed.) Modern Heuristic Techniques for Combinatorial Problems. Blackwell.

58. Schwefel, H.P. & Manner, R. (1990). Parallel Problem Solving from Nature. Proc. of PPSN-1.

59. Schwefel, H.P. (1981). Neumetrical Optimization of Computer Models, New York: Wiley.

60. Taillard, E. (1989). Parallel taboo search technique for the job-shop scheduling problem. ORSA Journal of Computing, Vol. 6, pp. 108-117.

61. URL: http://www.attar.com/

62. URL: http://www.chat.ru/~saisa Генетические алгоритмы , Исаев C.A.

63. URL: http://www.faqs.org/faqs/ai-faq/genetic/part5/

64. URL: http://www.iea.com/~nli/

65. URL: http://www.tora-centre.ru

66. Van Laarhoven, P.J.M. & Aarts, E.H.L. & Lenstra, J.K. (1992). Job-shop scheduling of Simulated Annealing. Operations Research, Vol. 40, pp. 113-125.

67. Van Laarhoven, P.J.M. & Aarts, E.H.L. (1987). Simulated Annealing: Theory of Applications. D. Reidel Publ. Co.

68. Wright, A. H. (1990). Genetic algorithms for real parameter optimization. In Foundations of Genetic Algorithms, ed. G.Rawlins, pp.205-218. Morgan Kaufmann, Los Altos, C.A.