Тенета В. М.

Національна металургійна академія України (Україна)

Сучасні МЕТОДИ прогнозування інвестиційних ризиків промислових підприємств

Прогнозування як поняття означає передбачення, випереджаюче відображення дійсності. За характером, тісноті зв'язку з об'єктом прогноз знаходиться між гіпотезою і планом. Гіпотеза служить науковим передбаченням на рівні загальної теорії, або закономірності. Теорія живить прогноз, але він більш визначений і достовірний, має як якісні, так і кількісні параметри [1]. Очевидно, прогнозування можна вважати і стадією планування, оскільки воно характеризує контури майбутнього, без чого не можна розробити програму дій. Можна назвати різні варіанти класифікації методів прогнозування. В якості базового варіанту може буде обрана наступна дволанкова класифікація (з погляду характеристики джерела інформації і загального механізму функціонування методів (рис. 1).

Рис. 1. Класифікація методів прогнозування

Відмітною ознакою логіко-інтуїтивних експертних методів полягає є використання знань експертів, їх особистих навичок і досвіду. Те, що сама процедура формулювання висновків експерти не формалізована (вони можуть слідувати якій завгодно логіці у своїх міркуваннях), зовсім не означає неможливість «жорсткої» формалізації процедур обробки отриманих результатів для побудови висновків і прогнозу за допомогою кількісних (наприклад, статистичних) методів. Більше того, кількісні методу аналізу інформації цілком можуть бути успішно впроваджені і на стадії формування висновків як допоміжні. Головна відмінність формалізованих математичних методів прогнозування від логіко-інтуїтивних методів – наявність математично формалізованого алгоритму роботи з досліджуваної інформацією і однозначно певна форма результатів застосування методу. Основний інструмент побудови висновків, таким чином, – не досвід і особистісні характеристики експертів-людей, а формально-визначений логіко-математичний апарат, що вимагає кількісної формулювання вхідної інформації. Найбільш поширеними формалізованими методами прогнозування є екстраполяційні, а моделі часових рядів – один з найбільш поширених видів екстраполяційних прогнозних моделей. Потрібно відзначити, що практично усі такі методи базуються на статистичній інформації про стан об’єкту прогнозування, його внутрішнє та зовнішнє середовище за попередній час функціонування, тобто на часових рядах [2].

Жорсткі статистичні пропозиції про властивості часових рядів обмежують можливості методів математичної статистики, теорії розпізнавання образів, теорії випадкових процесів та т. ін. Справа в тому, що багато реальних процесів не можуть адекватно бути описані за допомогою традиційних статистичних моделей, оскільки, по суті, є істотно нелінійними, і мають або хаотичну, або квазіперіодичну, або змішану (стохастика + хаос-динаміка + детермінізм) основу. У даній ситуації адекватним апаратом для вирішення завдань діагностики та прогнозування можуть служити спеціальні штучні мережі, у основі яких лежить нейронна організація штучних систем, яка має біологічні передумови. Ідея нейронних мереж зародилася в рамках теорії штучного інтелекту – в результаті спроб імітувати здатність біологічних нервових систем навчатися і виправляти помилки. Нейронні мережі (neural networks) – це моделі біологічних нейронних мереж мозку, в яких нейрони імітуються відносно простими, часто однотипними, елементами (штучними нейронами. Нейронна мережа може бути представлена спрямованим графом зі зваженими зв’язками, в якому штучні нейрони є вершинами, а синаптичні зв’язки – дугами) [3]. Найбільші показники ефективності мають методи прогнозування, серед яких виділяються нейронечіткі мережі (ННМ), які здатні виявляти і адекватно оцінювати інвестиційні ризики за рахунок нейромережевого компонента, а також за рахунок використання нечіткої логіки. Потрібно відзначити, що ННМ адаптивні до нечислових даних [4]. Щоб розробити і використовувати ННМ для аналізу інвестиційних ризиків, необхідно визначити структуру мережі. Вхідними змінними будуть служити значення факторів ризику на певному відрізку, які описано лінгвістичною терм-множиною. Для їх оцінки слід використовувати експертні оцінки кількісних показників функціонування системи економічної, або інвестиційної безпеки підприємства. У підсумку на виході системи за вхідними даними буде отримана оцінка рівня інвестиційного ризику, описана розширеною лінгвістичною терм-множиною.

Список використаних джерел:

1. Алтунин А. Е. Модели и алгоритмы принятия решений в нечетких условиях : моногр. / А. Е. Алтунин, М. В. Семухин. – Тюмень : Изд-во Тюменского государственного университета, 2000. – 352 с.

2. Авдийский В. И. Прогнозирование и анализ рисков в деятельности хозяйствующих субъектов: научные и практические основы : моногр. / В. И. Авдийский, Ш. Р. Курмашов. – М. : ФА, 2003. – 392 с.

3. Интеллектуальные технологии обоснования инновационных решений : моногр. / В. А. Харитонов и др. ; под ред. В. А. Харитонова. – Пермь : Изд-во Перм. гос. техн. ун-та, 2010. – 342 с.

4. Neural Network Design / M. N. Hagan, H. B. Demuth, M. H. Beale, O.DeJesús. – Martin Hagan, 2014. – 800 p.