Разработка подсистемы оценки эффективности инвестиционных проектов в автоматизированной интеллектуальной системе управления предприят

Позитивный и негативный субрейтинги определяются следующим образом:

0

-1

0.

Эти величины комбинируются в составной рейтинг ценной бумаги i по формуле:

,                                       (1)

 

Например, рассмотрим правила, связанные с компанией ABC 

 

GABC+= (0,6 х 0,7+0,7 х 0,5) – (0,6 х 0,7 х 0,7 х 0,5)  =-0,623,

G-ABC = 0,6 х(-0,7) = -0,42,

и

 

 

Ценные бумаги фирмы ABC оцениваются численным значением рейтинга 0,35, следовательно фирме может быть присвоен рейтинг ВВВ. Составной рейтинг запоминается в базе данных составных рейтингов.

Двумя специальными типами преемственных рейтингов являются РЕЙТИНГ = *** и РЕЙТИНГ = ZZZ. Если РЕЙТИНГ = *** имеется в конфликтном множестве, ценная бумага будет оцениваться как ААА независимо от того, какие ранги могут существовать в других правилах. Точно так же ZZZ будет относить ценную бумагу к рейтингу D.

В формуле 1 позитивные рейтинги и негативные рейтинги взаимно компенсируются, взаимная компенсация является симметричной.

Конфликтное множество данных может быть использовано для генерации объяснений того, почему ценные бумаги оцениваются определенным образом (рис. 7). Объяснения синтезируются, с использованием IF и BECAUSE предложений в конфликтных множествах. Эти объяснения могут быть структурированы на позитивные и негативные объяснения, а также объяснения, которые в каждой группе упорядочиваются по уровню рейтингов. Эти объяснения хранятся в базе объяснений.

Если пользователь хочет просмотреть объяснения для сделанных выводов, он может выбрать предложение и спросить, почему. Например, вывод предложения «ожидается выпуск конвертируемых облигаций на иностранном финансовом рынке» может быть определено использованием ассоциированных правил, показанных на рисунке 6.

Посредством использования базы составных рангов, базы объяснений и базы правил, а также базы данных, система может поддерживать три вида диалогов. Первый из них — это диалог относительно отдельных понятий, который помогает пользователям получить рекомендации по уровню надежности определенных ценных бумаг, а также причины, по которым эти бумаги рекомендуются. Второй диалог основан на отраслях промышленности, он аналогичен диалогу, описанному для отдельных компаний. Третий диалог основан на критериях, запросы в которых являются комбинацией различных атрибутов. Пользователь может выбрать любой тип диалога из меню, он может также получить дополнительный доступ к базе данных для компании и отрасли промышленности в любой данный момент.

Диалог генерируется из базы составных рангов и базы объяснений для ННН Motors. Если пользователь не согласен с объяснением, он может модифицировать величины РЕЙТИНГ и CR так, как он считает необходимым.

Диалог для отрасли подобен диалогу для отдельной ценной бумаги. Для получения данных по отрасли в целом используются операторы обработки данных, такие как усреднение и суммирование. В диалоге по поводу отрасли особенность состоит в том, что порог для исключительно рекомендованных компаний и исключительно запрещенных компаний может быть обозначен использованием предложений EXCEPT.

 

Рис 7. Диалог компоненты объяснения экспертной системы с пользователем

Рассмотрим запрос, которому соответствует следующий критерий:

IF Ежегодный прирост объема реализации > 40%

AND Процент задолженности 200%.

Этот критерий сравнивается с условной частью правил в базе правил. Если имеет место совпадение, тогда правило отображается на монитор. Например,

CR = 0.9

IF Годовой рост продаж 35%

AND Процент задолженности 200;

THEN Рейтинг = А.

Заметьте, что запрашиваемый процент годового прироста реализации продукции ( 40%) больше того значения, которое содержится в правиле (35%). Следовательно, мы можем заключить, что запрашиваемый критерий должен, по меньшей мере, удовлетворять условию, при котором выполняется Рейтинг = А.

В общем случае критерии запроса могут принадлежать и одному из четырех классов:

A. Критерий запроса является более узким, чем условие в совпавшем с ним правиле;

B. Критерий запроса шире, чем условие совпавшего правила;

C. Только часть запрашиваемого критерия совпадает с правилом;

D. Не существует правила, совпавшего с запросом. 
Эти случаи показаны на рисунке 8.

 

Рис. 8. Взаимосвязь между запросами и фактами

Сегодня возможно осуществлять интерфейс реляционной базы данных с базой фактов экспертной системы или заменить базу фактов целиком реляционной базой данных. Для большинства инженеров по знаниям реляционная база данных есть просто другой способ хранения знаний. Для разработчика базы данных база знаний не что иное, как сложная база данных. В результате появились термины дедуктивная база данных и объектно-ориентированная база данных. Например, в языке Пролог в дедуктивной базе данных правила добавляются сверху от существующей базы данных. Любую систему, основанную на знаниях, можно рассматривать как дедуктивную базу данных, если сделать акцент на базе данных. В настоящее время термин «объектно-ориентированная база данных» будет использоваться как синоним термина «база знаний», основанная на фреймах.

Приведем примеры правил, составляющих часть базы знаний, полученные системным аналитиком в результате анализа объекта информатизации, они выражены первоначально в текстуальной форме, и могут составить основу базы знаний.

• Если значение коэффициента текущей ликвидности предприятия на конец отчетного периода имеет значение менее 2 и коэффициент обеспеченности собственными средствами менее 0,1, предприятие признается неплатежеспособным.

 

IF (KTL(V) < 2) & (KO(V) < 0.1)) THEN

P(V).

 

• Если материально-производственные запасы < собственных оборотных средств, то предприятие является абсолютно финансово устойчивым.

IF (MS(V) < OS(V)) THEN AFU(V).

 

• Если собственные оборотные средства < материально-производственных запасов < источников формирования запасов, то предприятие является нормально финансово устойчивым.

 

IF (SOS(V) < MPS(V) < IFS(V)) THEN NFU(V).

 

• Если материально-производственные запасы > источников формирования запасов, то финансовое положение предприятия неустойчиво.

 

IF (MPS(V) > IFS(V)) THEN

FU(V).

• Если коэффициент текущей ликвидности < 0,2, то предприятие находится в критическом положении. 

 

IF (KTL(V) < 0.2) THEN KR(V).

 

Покажем теперь, как, сформировав базу знаний, мы имеем возможность комбинировать оптимизационные модели исследования операций с анализом трудноформализуемых факторов.

Оптимизационная модель Марковитца в настоящее время является наиболее популярной качественной моделью формирования портфеля. Однако коэффициенты, определяющие доходность ценных бумаг в портфеле, которые обычно являются оценками, полученными из исторических данных, могут не быть эффективно адаптированы к ежедневным изменениям на рынке ценных бумаг, поэтому желательно иметь механизм инкорпорирования различных типов современных знаний в модель Марковитца. Рассмотрим возможность включения в правила оптимизации выбора портфеля некоторых слабоформализуемых факторов внешней среды, к числу которых, в частности, относятся внешнеполитические факторы. В приводимых ниже примерах делается попытка такого совмещения правил.

 

ПРАВИЛО Правило 81

CR=0.7

IF Компания = Ci

OR Комания = С2

THEN Рейтинг = АА

Количество 100000,

AND процент =10%.

Ограничения, сопутствующие правилу 81:

M(x1+x2) 100000

X1+x2 = 0.1,

где x1 и х2 — доли портфеля («процент»), вложенные в ценные бумаги C1 и С2, соответственно и М («количество») — общий объем инвестиций.

Схема интеграции знаний и оптимизационной модели квадратичного программирования Марковитца приведена на рис. 9.

 

ПРАВИЛО Правило 82

CR = 0.8

IF отрасль = I1

 THEN количество 500 000

OR процент 20%

EXCEPT С3, С4

Ограничения, извлеченные из правила 82 представляют собой следующую форму целочисленного 0-1 — программирования вида:

y1+y2

1

y1,y2=0,1,

 

где В заменяет очень большое число. Таким образом, интерпретатор переводит правила в условия задачи квадратичного программирования. Ниже приводится пример правила с ограничениями.

Рис. 9 Интеграция знаний и систем преференций с моделью квадратичного программирования Марковитца.

 

ПРАВИЛО Правило 83

CR = 0,9

IF отношение Р/Е 7

AND Годовой процент роста продаж 30%

THEN количество = 400 000.

 

Чтобы интерпретировать правило 83, необходимо идентифицировать компании, которые удовлетворяют условию. Производное ограничение выглядит следующим образом:

M

хi =400000,

где D — множество компаний, удовлетворяющее правилу 83.

Инвесторы, которые принимают решения об инвестициях, обычно полагаются не только на знания экспертов, но также на их собственные знания, ограничения и преференции. Таким образом, для согласования и интеграции преференций инвесторов со знаниями экспертов необходимо разработать представление и методологию для этих факторов, называя их интегрально как преференции. Необходимо при этом обеспечить их синтаксическую совместимости со знаниями эксперта и уникальными признаками персональных преференций.

Обычно знания эксперта могут быть использованы, чтобы ранжировать ценные бумаги, но решение о том, сколько инвестировать, принимается инвестором согласно той модели инвестиций, которую он использует. Вследствие этого, преференции следует отличать от базы знаний эксперта. Теоретически, каждый инвестор должен иметь свою уникальную базу преференций.

Преференции инвестора могут быть представлены, с использованием синтаксиса, который применялся для описания правил, но для того, чтобы включить информацию об объеме инвестиций, необходимы дополнительные средства, как показано в приводимом ниже примере.

ПРАВИЛО Правило 81

CR = 0.7

IF Ценные бумаги = C1

OR Ценные бумаги = С2

THEN

Рейтинг = АА

Количество 100 000

AND Процент = 10%.

 

Согласно правилу 81 количество средств, инвестированных в ценные бумаги C1 и/или С2 не должно превысить $100 000.

ПРАВИЛО Правило 82

Сг = 0.8

IF Отрасль = I1

THEN Количество 500 000

OR Процента 20%

ЕХЕРТС3, С4

Правило 82 ограничивает количество и процент полного объема инвестиций в отрасль I1 (исключая ценные бумаги С3 и С4).

ПРАВИЛО Правило 83

CR = 0.9

IF Отношение Р/Е 7

AND Ежегодный прирост продаж 30%

THEN Количество = 400 000.

 

Правило 83 указывает, что инвестор желает инвестировать $400 000 в ценные бумаги отношения цен (доход по которым менее 7, и ежегодный рост продаж по которым больше или равен 30%).

Рис. 10. Организация базы знаний эксперта и преференций инвестора

Интеграция преференций специфического инвестора (например, инвестор 1 на рисунке 10) со значениями эксперта можно достичь просто слиянием соответствующих правил. Заметим, однако, что это слияние должно иметь место только во время генерации конфликтного множества выводов. Оригинальная база знаний и преференций должна остаться нетронутой.

Для разрешения потенциальных конфликтов относительно рейтингов и коэффициентов доверия (Сr) между знаниями эксперта и преференциями инвесторов, приоритеты могут быть продекларированы как на глобальном, так и на уровне правил. Для глобального объявления могут быть использованы либо предложение

PRIORITY = EXPERT

либо

PRIORITY = INVESTOR

 

Чтобы объявить приоритет преференций на уровне правил, предложение PRIORITY может быть использовано следующим образом.

 

ПРАВИЛО Правило 10

PRIORITY = OVERRIDE

CR = 0.8

IF Компания = XY2

THEN Рейтинг = A

BECAUSE...

 

OVERRIDE-предложение означает, что преференции в правиле 10 имеют приоритет над потенциально конфликтными знаниями экспертов. YIELD-предложение означает противоположное.

 

Рис. 11. Интеграция знаний эксперта и преференций эксперта

 

При вычислении составных рангов, охватывающих знания эксперта и преференции инвестора, ранги в индивидуальных правилах в базе преференций можно рассматривать таким же образом, как и базу знаний эксперта.

Изменения знаний производится при помощи специального приложения.

 

 

ИСТОЧНИКИ ДЛЯ ПРИОБРЕТЕНИЯ ЗНАНИЙ

 

Нетрудно найти эксперта в различных областях инвестирования, от которого можно было бы получить знания, но мало кто согласится предоставить свои знания для широкого использования. Одна причина заключается в вычислительной сложности, связанной с принятием решений об инвестициях, которая такова, что локальные эвристики часто являются несовместными, так что знания человека фрагментарны, изменчивы и локальны. Для того чтобы преодолеть эти ограничения, автоматическое приобретение знаний на основе методов обучения машин может быть использовано.