Системы поддержки принятия решений финансового анализа на базе алгоритмов нечеткой логики
Реферат на тему :
Системы поддержки принятия решений финансового анализа на базе алгоритмов нечеткой логики
Бурное развитие Internet и связанных со Всемирной сетью новейших технологий все более требует привлечения для решения возникающих задач разнообразных приемов и методов из смежных областей человеческого знания и в первую очередь из математики. Одним из направлений использования новейших технологий есть создание систем поддержки принятия решений. Очень важно использование таких систем при проведении финансового анализа в связи с необходимостью принятия наиболее адекватного решения, которое может повлиять на прибыльность проекта. Очень часто необходимо принимать решение, имея протиречиви данни, которые имеют высокий уровень так называемого "шума". Это нужно учитывать при создании систем поддержки принятия решений финансового анализа. Одним из выходов из подобной сложной ситуации есть использование аппарата нечеткой логики.
Нечеткая логика (fuzzy logic) - это математическая наука, которая является расширением классической (булевой) логики и основана на концепции частичной правды, - правды, которая находится где-то посредине между "и" и "нет". Творец теоретических основ нечеткой логики Лотфи-заде (Lotfi Zaden) неоднократно подчеркивал, что теория нечетких высказываний не должна трактоваться как самостоятельная, обособленная область знаний. В некотором роде она служит методологическим расширениям любой другой специфической теории, полученной путем размывания (fuzzification) ее базисных объектов (например, чисел), - их переводом из дискретного состояния в беспрестанное. В наши дни исследования проводятся, в частности, в области нечетких вычислений (fuzzy calculations), нечетких дифференциальных уравнений (fuzzy differential equations) и другое.
Непосредственное использование алгоритмов нечеткой логики в дополнениях - вещь пока довольно редкая. Впрочем, очевидной областью внедрения являются всевозможные экспертные системы, в том числе:
- нелинейный контроль за процессами (производство);
- системы, что самонавчаються, названные также классификаторами (classifiers), исследование рисковых и критических ситуаций. В этой области особенно ценится возможность системы с нечеткой логикой одновременно совершенствовать несколько каналов обобщения правил, что заметно отличает этот подход от систем искусственного интеллекта, по очереди объемлющих одну закономерность за другой;
- распознавание образов;
- финансовый анализ (рынки ценных бумаг);
- исследование данных (корпоративные хранилища);
- усовершенствование стратегий управления и координации действий, например сложное промышленное производство.
Мы рассматриваем использование аппарата нечеткой логики именно при создании систем поддержки принятия решений финансового анализа.
Существуют принципиальные пределы пригодности нечеткой логики как подходу к задачам, где фигурирует слишком много неизвестных. Однако время подтвердило, что существующий математический инструментарий эффективен в процессе разработки полностью детерминированных конечных устройств со сложным поведением. Но известно, что в процессе финансового анализа не всегда существуют данни, которые являются четко детерминированными. Это связано в первую очередь с невозможностью предусмотреть поведение фондового рынка на определенном промежутке времени. Существует достаточно много факторов, которые могут влиять на поведение ценных бумаг на рынке.
Что наиболее важно при проведении финансового анализа на фондовом рынке? Это во-первых складывание наиболее достоверного прогноза поведения ценных бумаг. Прогнозирование - это ключевой момент при принятии решений в управлении. Возможность предусмотреть неуправляемые аспекты событий перед принятием конечного решения позволяет сделать наилучший выбор, который, в ином случае мог быть неудачным.
Опыт показывает, что каждый дополнительный доллар, потраченный на прогнозирование, дает меньшее снижение риску убытков, чем предыдущий. За некоторой точкой дополнительные расходы на прогнозирование могут вовсе не приводить к снижению потерь. Это связано с тем, что невозможно снизить среднюю ошибку прогнозирования ниже определенного уровня, независимо от того, насколько сложный метод прогнозирования, которое применяется.
Вернуться назад