Всеукраїнська науково-практична конференція



Сторінка57/60
Дата конвертації11.05.2018
Розмір3.74 Mb.
1   ...   52   53   54   55   56   57   58   59   60

САВЧУК Т.О., БРУЙ В.С.


ВНТУ (Україна)

ВИКОРИСТАННЯ НЕЧІТКОГО ПІДХОДУ ДЛЯ ВИРІШЕННЯ ЗАДАЧІ ХЕДЖУВАННЯ ВАЛЮТНИХ РИЗИКІВ



В даній роботі було проведено аналіз існуючих методів розрахунку VaR. Було розроблено нечіткий підхід для хеджування валютних ризиків.
У сучасному світі економіка характеризується динамічністю геополітичної обстановки, глобалізацією, нестабільністю окремих регіональних ринків, постійним розвитком та ускладненням фінансових ринків, зростанням волантильності цін тощо, що супроводжується економічними ризиками серед яких особливе місце займає валютний ризик. Виникнення такого ризику пов'язане з короткостроковими чи довгостроковими коливаннями курсу валют на фінансовому ринку та може призвести до незапланованих збитків цих підприємств. У зв’язку з цим актуальною задачею є організація управління валютними ризиками в діяльності підприємства за рахунок їх хеджування, що полягає у створенні позабалансової позиції компенсації фінансових втрат за балансовою позицією в разі реалізації відсоткового ризику, що може бути виконано з використанням засобів штучного інтелекту, оскільки використання фундаментального аналізу для оцінки валютних ризиків базується на суб’єктивній думці експерта. Аналіз методів оцінки валютних ризиків доцільно проводити з використанням методу, який базується на вартісній мірі ризику VaR. Аналіз існуючих методів розрахунку VaR наведений нижче.

Метод історичного моделювання:

1) некоректність результатів;

2) неможливість використання прогнозних значень волантильностей та кореляцій;

3) неможливість застосування при значних коливаннях значень відповідного показника на ринку.

Метод варіаційно-коваріаціоної моделі:

1) неможливість використання інших розподілів, крім нормального;

2) неможливість коректного врахування ризиків нелінійних інструментів;

3) ймовірність значних помилок в моделях;

4) складність для розуміння топ-менеджментом.

Метод імітаційного моделювання:

1) складність реалізації;

2) вимагає потужних обчислювальних ресурсів;

3) близькість інших методів;

4) ймовірність значних помилок в моделях.

Проаналізувавши існуючі методи оцінки VaR може бути взятий за основу в алгоритмі інтелектуального хеджування валютних ризиків.

Отже, задачу хеджування валютних ризиків можна вирішити за допомогою нечіткого підходу який, включатиме такі основні кроки:

1. Прогнозування майбутнього валютного курсу засобами нейронної мережі.

2. Виявлення закономірностей зміни валютних курсів та аналіз результатів прогнозування валютних ризиків.

3. Надання рекомендацій щодо інтелектуального хеджування валютних ризиків.

Таким чином, запропонований підхід може бути використаним для хеджування валютних ризиків.
ПЕРЕЛІК ЛІТЕРАТУРИ

1. Пузаненко В.В. ХЕДЖУВАННЯ ВАЛЮТНИХ РИЗИКІВ [Електронний ресурс] -- http://intkonf.org/puzanenko-vv-hedzhuvannya-valyutnih-rizikiv/



2. Демиденко, Д.В. Аналіз валютних ризиків в якості основи і розробити програм хеджування. / Д.В. Демиденко // Бухгалтерський облік іанализ.-2010.-№ 1. – з. 16-21.

3. Доклад "Модель оценки рисков VAR индивидуальных стратегий" // II Восточноевропейский риск-менеджмент форум 04.11.2003г.// www.riskinfo.ru/analytics


УДК 618.31.05

САВЧУК Т.О., БУРЯК А.С.


ВНТУ (Україна)

ВИКОРИСТАННЯ ФУНКЦІЇ В. ЛЕВЕНШТЕЙНА ПРИ ТЕМАТИЧНОМУ

ПОШУКУ ІНФОРМАЦІЇ



У статті обґрунтовано доцільність використання функції В. Левенштейна при тематичному пошуку інформації.
Зростання потужності мережі Інтернет привело до підвищення складності пошуку інформації у множині Web-сторінок і файлів. Нині для цього використовуються спеціальні пошукові системи, які містять постійно оновлювану інформацію у Web-сторінках і файлах на серверах Інтернету. Пошукові системи містять тематично організовану інформацію про інформаційні ресурси Всесвітньої павутини в базах даних. Спеціальні програми-роботи періодично «обходять» Web-сервери, зчитують інформацію, що зустрічається, виділяють в ній ключові слова і заносять в базу даних мережі Інтернет.

Отже, актуальним, при вирішенні задачі пошуку інформації за визначеною тематикою, є використання функції Левенштейна, що сприятиме підвищенню результативності пошуку у потужних множинах файлів, документів та на Web-сторінках.

Якщо припустити, що відома ціна перетворення x(1, i-1) в y(1, j), то ціну перетворення x(1, i) в y(1, j) ми отримаємо, додавши до неї ціну видалення xi. Аналогічно, ціну перетворення x(1, i) в y(1, j) можна отримати, додавши ціну вставки yj до ціни перетворення x(1, i) в y(1, j-1). Нарешті, знаючи ціну перетворення x(1, i-1) в y(1, j-1), ціну перетворення x(1, i) в y(1, j) ми отримаємо, додавши до неї ціну заміни xi на yj

Перед тим, як почати обчислювати di,j, треба встановити граничні значення масиву. Що стосується першого стовпця масиву, то значення di,0 дорівнює сумі цін видалення перших символів x. Аналогічно, значення d0,j першого рядка задаються сумою цін вставки перших j символів y. Отже, маємо наступне:
d0,0=0 (1)
(2)
(3)
Особливістю всіх алгоритмів нечіткого пошуку з індексацією є те, що індекс будується за словником, складеним по вихідному тексту або списку записів у будь-якій базі даних.

Як видно за результатами проведеного аналізу кожен з алгоритмів пошуку має як недоліки так і переваги. За результатами досліджень було реалізовано емулятор нечіткого пошуку, який засновано на методах «Відстань Левенштейна» та метафон.

В результаті виконання даних досліджень був реалізований емулятор нечіткого пошуку засобами мови програмування PHP, з функцією подібній до «Мабуть, ви мали на увазі...», яка має реалізацію у всіх пошукових системах, зокрема Google i Yandex.

Для виправлення помилок в словах було вирішено застосувати такі алгоритми, як «Відстань Левенштейна», «Метафон». Приклад:

Щоб перетворити слово «небо» на слово «треба» необхідно зробити дві заміни та одну вставку, відповідно відстань Левенштейна становить 3:


  1. небо → неба (замінюємо «о» на «а»)

  2. неба → реба (замінюємо «н» на «р»)

  3. реба → треба (вставляємо «т»)

Для розрахунку відстані Левешнтейна найчастіше використовується простий алгоритм, в якому використовується матриця розміром (n + 1) * (m + 1), де n і m довжини порівнювальних рядків. Окрім цього вартість операції вилучення, заміни та вставка вважається однаковим. Для конструювання матриці використовується таке рекурентне рівняння:

(4)

Цей алгоритм легко реалізується в ручну заповнивши таблицю. Наприклад, для визначення відстані між словами «корабель» і «бал» таблиця матиме такий вигляд:

ε - т. зв. пусте слово, без літер

ε К О Р А Б Е Л Ь



ε 0 1 2 3 4 5 6 7 8 /*тобто відстань між пустим словом і словом К О Р А Б Е Л Ь = 8 (довжина слова корабель)*/

Б 1 1 2 3 4 4 5 6 7 /*між Б і КОРАБЕЛЬ відстань = 7 (літера Б в обох словах і може бути використана) */

А 2 2 2 3 3 4 5 6 7 /* між БА і КОРАБЕЛЬ відстань = 7 (лише одну з літер Б або А можна використати) */

Л 3 3 3 3 4 4 5 5 6 /* між БАЛ і КОРАБЕЛЬ відстань = 6 (можна використати дві літери (Б або А) +Л) */

Для визначення послідовності операцій необхідних для переходу від одного слова до іншого потрібно знайти найдешевший шлях від першої [0,0] клітки матриці до останньої [i, j]. Як видно із прикладу існує декілька еквівалентних шляхів і алгоритм не тільки вираховує мінімальну відстань але й усі шляхи, використовуючи у кожному наступному кроці інформацію здобуту у попередніх кроках (принцип динамічного програмування)

Процес виконання пошуку створеним емулятором складається з деяких етапів. Перший етап - це виконання функції транслітерації російських слів на літери латинського алфавіту. Вона потрібна для того, щоб можна було правильно визначити відстань Левенштейна для слів. Реалізація цього методу досить проста. Вхідним параметром методу є строка, яку потрібно транслітерувати. В результаті виконання функціє буде повернута транслітеровано.

Далі ми будемо виконувати перевірку введеного слова на наявність його у складеному словнику с транслітераціями. Якщо даного слова не було знайдено у словнику, то ми проводимо транслітерацію отриманого слова. Після цього запускається цикл, який буде вибирати з масиву ті слова, відстань Левенштейна між «метафонами» яких не буде перевищувати половину «метафона» введеного слова (грубо кажучи, допускається до половини неправильно написаних приголосних букв), потім, серед вибраних варіантів, знову перевіряємо відстань, але не по всьому слову, а з його «метафону» і слова, які підійшли записуємо в масив.

Далі задамо змінні, де відстань Левенштейна буде рівна завідомо великому числу, а схоже слово - завідомо мале число. Це потрібно для визначення максимального значення «подібності» між нашим словом і словами в масиві, а також мінімальної відстані Левенштейна. Для початку знайдемо мінімальну відстань Левенштейна. Далі будемо шукати максимальне значення «подібності» для тих слів, в яких відстань Левенштейна буде мінімальною. Наступним кроком виконання алгоритму буде запуск циклу, який підбере всі слова з найменшою відстанню Левенштейна і найбільшим значенням «подібності» одночасно. Після цього визначаємо максимальне значення «подібності» між «метафонами» нашого слова і слів у масиві, і мінімальну відстань Левенштейна.

В результаті опрацювання інформації за запропонованим алгоритмом формується масив, який міститиме одне слово. Після чого функція Левенштейна поверне «правильне» слово, яке зберігається як ключ у масиві словника. Отже, не зважаючи на потужність слоника відмінок, рід та час (мови) результат тематичного пошуку буде достатньо точним.


ПЕРЕЛІК ЛІТЕРАТУРИ

  1. Рaсстояние Левенштейна / - Режим доступу: http://ru.wikipedia.org/wiki/Расстояние_Левенштейна - 04.01.2012 г. - Загл. з екрану.

  2. Fuzzy-search-tools / - Режим доступу: http://code.google.com/p/fuzzy-search-tools/ - 03.01.2012 г. - Загл. з екрану.

  3. Fast Text Searching with Agre / - Режим доступу: http://www.at.php.net/utils/admin- tools/agrep/agrep.ps.1 - 07.01.2012 г. - Загл. з екрану.


УДК 618.31.05


Поділіться з Вашими друзьями:
1   ...   52   53   54   55   56   57   58   59   60


База даних захищена авторським правом ©wishenko.org 2017
звернутися до адміністрації

    Головна сторінка