<<
>>

МОДЕЛИРОВАНИЕ НЕОПРЕДЕЛЕННОСТИ И РИСКА ПРИ ФОРМИРОВАНИИ ИНВЕСТИЦИОННОЙ СТРАТЕГИИ

При анализе деятельности диверсифицированной компании большое внимание уделяется сопоставлению уровней рентабельности, эффективности различных видов производимой продукции. Результаты такого сравнения дают основу для принятия решений об избавлении от убыточных или низкорентабельных сфер деятельности и расширении высокодоходных направлений.
Подобная реорганизация требует определения инвестиционных приоритетов, изменения структуры производственных мощностей с целью перелива ресурсов предприятия в наиболее перспективные сферы.

Принимая решение о выборе структуры распределения собственных средств предприятия и заемных инвестиционных ресурсов, руководитель должен считаться с тем, что неопределенность, всегда существующая как в характеристиках производства, так и во внешней ситуации, вносит в деятельность элемент риска.

Поэтому ниже предлагаются варианты моделей распределения средств, одни из которых учитывают фактор неопределенности, давая в качестве результата последовательность решений, соответствующих различным условиям реализации действий, а другие непосредственно включают оценку риска.

При построении моделей в условиях неполной информации будем рассматривать два основных подхода: первый - принцип наилучшего ожидаемого результата, и второй - принцип наилучшего абсолютно гарантированного результата. В первом случае предполагается задание вероятностной меры на допустимой области параметров. Во втором случае указываются лишь диапазоны, области возможного разброса параметров, характеризующих отдельные черты внешней среды предприятия или производственной сферы. Именно этот вариант постановки задачи позволяет требовать установления варианта производственной деятельности, выполнение которого абсолютно гарантировано при любых сочетаниях неопределенных параметров из возможной области, и приводит к математическим формулировкам максминного типа.

Первый подход. Производственный процесс рассматривается в общем виде, т.е. анализируется только количественная связь «вход - выход». Будем считать функцию «затраты - выпуск» случайной, поскольку зависимость между физическим объемом произведенной продукции (или ее стоимостной оценкой) и количеством использованных при этом ресурсов (объемом капитальных вложений, стоимостью основных и оборотных фондов), во-первых, подвержена воздействию случайных факторов (неопределенность в характеристиках технологического комплекса, уровнях поставок внешних ингредиентов, уровне спроса на конечную продукцию), а, во-вторых, сам процесс построения

производственной функции на основе реальной статистической информации о функционировании предприятия в предыдущие периоды не является абсолютно формализованной процедурой, а в большой степени определяется возможностями, навыками и информацией, доступной исследователю.

Процесс развития каждой технологии в самом общем, приблизительном виде может быть описан логистической кривой, определяемой дифференциальным уравнением

^ = а(у - ух) •(у2 - у), (1.3.1)

т

где у(1) - значение объема выпуска рассматриваемой сферы деятельности, ^ - параметр, выражающий совокупные затраты по данному направлению в стоимостной форме, а - положительная постоянная, у1 и у2 - положительные константы, ограничивающие (соответственно снизу и сверху) производственный результат функционирования данного направления. При этом у1 - это нижняя граница у(0, выражающая исходные, стартовые, предельно низкие возможности технологии, а у2 - ее технологический предел, характеризующий ее предельно высокие возможности.

С увеличением затрат на функционирование рассматриваемого направления деятельности предприятия (в какой бы форме они не измерялись) его технологически значимый результат может лишь возрастать, поэтому у(0 представляет собой монотонно возрастающую функцию на всей области определения.

X
г

Общий вид логистической кривой

Логистическая (8-образная) кривая, описывающая жизненный цикл каждого отдельного направления деятельности организации (см.

рис.), обычно рассматривается как модель динамики различных кумулятивных величин, которые способны накапливаться и в каждый момент образуют некоторый фонд, от объема которого существенно зависит скорость дальнейшего роста или убывания данных величин. В рассматриваемом случае такой величиной является размер капитала каждой сферы деятельности.

Тот факт, что, согласно уравнению (1.3.1), первая производная (скорость роста) величины у прямо пропорциональна отрыву этой величины от ее стартовых возможностей, означает, что у(0 растет тем быстрее, чем больше этот отрыв. С другой стороны, пропорциональность первой производной значению (у2 -у) означает замедление роста величины у(0 по мере приближения ее к своему технологическому пределу.

Решением уравнения (1.3.1) служит функция

(1.3.2)

при произвольном Ь>0, где 0(У) = ехр\а • (у2 - у1) • I]. После несложных преобразований функция (1.3.2) может быть приведена к виду

£

У( -> Х п ) = X У (Х ) ,

1 = 1

где Уг(х1) имеет вид (1.3.2’), в то время как действительный выпуск (объем производства, чистая прибыль), который мы обозначим через Е(хь х2, хп, X ), является случайной функцией затраченных

ресурсов (капитальных вложений в рассматриваемый период, стоимости основных и оборотных фондов), т.е.

Р(х, х2_хп ,С) = Р(х1, х2"'Хп ) • (1 + с) (1.3.3)

где X - случайная величина, такая, что

Е(Х ) = 0. (1.3.4)

Случайная величина X характеризует возможные отклонения реального объема от его среднего значения Е(хь х2, хп), т.е. X означает степень неожиданности, непредвиденности результатов при данных затратах и определяется для каждого направления деятельности следующим образом 22

где у7 - фактический объем прибыли в 7-ой сфере, у7 - рассчитанный по формуле (1.3.2’).

Относительно вида распределения случайной величины X можно сделать следующие предположения:

0, если 2 < 61 ;

и' ^ ^ ^1 ’

(1.3.5)

Р( X < 2) = 62 ,

где 0(2) - функция распределения вероятностей случайной величины X , а д7 (7=1, 2) - коэффициенты, принимающие значения из интервала (0, 1) и определяющие амплитуду колебаний

реального объема выпуска вокруг своего среднего значения.

Для каждой сферы производственной деятельности эти коэффициенты могут быть найдены следующим образом. По имеющимся опытным данным для 7-го направления распределения об объеме вложенных средств х7 в момент времени ^ и соответствующего полученного эффекта у7 строится математическая зависимость вида (1.3.2’). Затем для каждого момента времени определяем относительные отклонения фактических значений у7 от теоретических у‘ :

(1.3.6)

(1.3.7)

и нижнюю границы

(1.3.8)

81 = min D

отклонений. Полагая, что существующая зависимость не изменит своего характера, предположим 81 < £i < 82.

Задача максимизации ожидаемой чистой прибыли сводится в рассматриваемом случае к определению max W(x1 ,x2,...,xn)

Xi,X2,-;Xn

n

при ограничениях j x, < T, xt > 0, "i = 1, n ,

i=1

причем

v,(x,)* J(1+zk(zd

8/

(1.3.9)

W (xl,x2,...,xn ) = jy, (xiX1 +£ )l = Ё

где g(z)=G’(z) - плотность распределения вероятностей случайных отклонений £ в предположении, что она существует.

Если о случайной величине £ известно только то, что она принимает значения из интервала (81, 82), то исходя из принципа максимума энтропии, следует использовать равномерный на этом интервале закон распределения. Тогда зависимость общего эффекта от варианта распределения средств с учетом неопределенности характеристик производственного процесса примет вид

к:

W (x1 ’...,xn )=Z

(л 8 2 + 81 ^

(1.3.10)

1 + — 1

2

i=1

1 + bi • e"

Имея временной статистический ряд вложений и соответствующих полученных доходов длины N эмпирическая

функция распределения вероятностей случайной величины X также может быть построена с помощью метода «скользящих окон».

Пример. Рассмотрим применение изложенного метода к задаче распределения средств (Т=2000) между тремя возможными направлениями, каждое из которых описывается логистической функцией дохода. Приведенная далее таблица 1.3.1 содержит исходные данные для определения коэффициентов аналитического выражения (1-й, 2-й и 3-й столбцы).

Таблица 1.3.1

1 функция
момент

времени,

1

Значения аргумента, х Значения

функции,

Уточн

Значения

функции,

Уприбл

относитель

ное

отклонение

1 100.00 580.09 600.00 0.03
2 200.00 604.24 630.00 0.04
3 450.00 662.21 610.00 -0.08
4 300.00 627.88 590.00 -0.06
5 1,100.00 789.70 800.00 0.01
2 функция
момент

времени,

1

Значения аргумента, х Значения

функции,

У

Значения

функции,

Уприбл

относитель

ное

отклонение

1 150.00 565.92 515.00 -0.09
2 170.00 583.50 610.00 0.05
3 210.00 611.90 630.00 0.03
4 280.00 644.15 623.00 -0.03
5 400.00 668.66 670.00 0.00
3 функция
момент

времени,

1

Значения аргумента, х Значения

функции,

У

Значения

функции,

Уприбл

относитель

ное

отклонение

1 270.00 757.75 740.00 -0.02
2 320.00 943.27 920.00 -0.02
3 345.00 999.29 1,100.00 0.10
4 500.00 1,095.03 1,150.00 0.05
5 620.00 1,099.55 1,080.00 -0.02

Найденные параметры кривых приведены в таблице 1.3.2.

Таблица 1.3.2

№ кривой п/п к Ь а
1 1000 0.8 0.0010
2 680 0.89 0.0099
3 1100 100 0.0200

Пятый столбец таблицы 1.3.1 содержит относительные отклонения точного значения дохода от аппроксимированного (определяется по формуле (1.3.6)), а таблица 1.3.3 верхние и нижние границы отклонений.

Таблица 1.3.3

1 кривая
Верхняя граница 0.04
Нижняя граница -0.08
2 кривая
Верхняя граница 0.01
Нижняя граница -0.08
3 кривая
Верхняя граница 0.01
Нижняя граница -0.09

Опираясь на метод имитационного моделирования, построена выборка, каждый элемент которой представляет собой вектор. Координата вектора - это доля вложений в одну из сфер деятельности. Таблица 1.3.4 представляет собой основную рабочую таблицу задачи. Ее последний столбец содержит ожидаемое значение дохода для соответствующего варианта распределения, вычисляемое по формуле (1.3.10).

Таблица 1.3.4 bgcolor=white>1331.0
Фрагмент выборки для метода Монте-Карло
Распределение средств между 3 видами деятельности
х1 Х2 х3 всего

вложен

ий

доход 1­го

направле

ния

доход 2­го направл ения доход 3­го

направле

ния

Валовый

доход

337 777 525 1639 625.0 664.6 1138.7 2428.3
1842 113 44 1999 871.4 515.1 26.9 1413.4
456 1320 13 1789 651.5 664.8 14.6
135 1667 70 1872 577.9 664.8 44.5 1287.3
1339 61 421 1821 811.7 447.2 1117.2 2376.2
580 777 551 1908 678.1 664.6 1140.0 2482.7
1829 74 3 1906 870.1 465.7 12.0 1347.8
1394 421 80 1895 819.3 655.8 53.9 1529.0
1345 215 217 1777 812.5 601.2 495.7 1909.4
448 1133 269 1850 649.8 664.8 781.7 2096.3
1732 232 30 1994 860.2 610.2 20.4 1490.8
81 984 787 1852 565.0 664.8 1141.8 2371.7
1558 310 126 1994 840.3 638.4 126.2 1605.0
860 236 234 1330 733.6 612.2 592.3 1938.0
1374 294 103 1771 816.6 634.1 83.1 1533.8
659 648 343 1650 694.5 663.9 1033.5 2391.8
1180 591 72 1843 788.2 663.2 46.2 1497.5
1863 46 69 1978 873.4 425.0 43.7 1342.1
1247 669 47 1963 798.4 664.1 28.5 1490.9

Максимальное значение дохода составило 2559.1 и соответствует распределению суммы 1974 ед. В следующей пропорции (1 112; 418; 444). Следующий наиболее выгодный вариант вложений (доход - 2550.2 ед.) предполагает распределение 1990 ед. между тремя направлениями в соотношении (1219, 369, 402), т.е. каждому направлению и в первом и во втором случае соответствует примерно одинаковая доля общей суммы.

Второй подход. Поскольку второй вариант постановки стохастической задачи основан на двухкритериальной задаче, имеющей следующие целевые функции

доход ® max, (13 11)

риск ® min, (.. 1

то обратим внимание на возможности количественной оценки указанных критериев и подходы к решению, связанные с векторным характером задачи.

Особенностью этой задачи, как и любой задачи векторной оптимизации, является принятие решения, последствия которого станут до конца ясными лишь в будущем. Как и в любой жизненной ситуации, эти последствия не могут быть объективно оценены при помощи математических расчетов. Каждый получаемый, эффективный по Парето, вариант решения имеет оценку по двум противоречивым критериям, расчеты не могут определить компромисс между этими критериями. Но поскольку выбор одного из вариантов должен быть осуществлен в любом случае, то неопределенность, связанная с наличием двух критериев, может быть устранена только на основе информации, полученной от экспертов или же с помощью внешнего критерия, не входящего в состав целевых функций задачи.

Количественная оценка критерия дохода определяется, согласно описанному выше подходу, как сумма прибылей, полученных во всех сферах деятельности. Этот подход, отличный от классической оценки доходности портфеля вложений как средневзвешенной доходностей его составляющих, кажется разумным для моделирования зависимости «затраты -выпуск», поскольку развитие производства в любой отрасли в некоторой степени соответствует жизненному циклу, при этом существуют пороговые значения сумм инвестиций, при переходе через которые изменяется величина прибыли на единицу вложений.

При определении оценки риска портфеля вложений кроме классического метода измерения риска с помощью ковариаций

110у ■ X, • X, = ±а2г • X2г + ± ±0у • Хг • X,

г=1 ,=1 г=1 г=1 ,=1, , ф г

могут быть использованы и альтернативные подходы. Например, определение риска с использованием понятий теории информации, позволяющие оценить содержание, полезность полученных данных для их потребителя. Применительно к проблеме распределения средств: информация, полученная от экспертов, может быть названа полезной, если после того, как управляющий учел ее при принятии решения, были достигнуты более высокие результаты. При анализе распределения инвестиций будем использовать понятия теории информации: неопределенность и энтропия. Величину

Н(X/X*) = -±xi • 1пх* , где хг > 0 и ±хг = 1,

г =1 г=1

(если брать log2 , то N(X*/X) измеряется в битах) называют неопределенностью для ситуации, когда истинное распределение есть X*, а человек , решающий задачу, думает, что оно есть X. Изменение неопределенности можно интерпретировать как процесс «запасания» полезной информации. За нулевой уровень часто удобно принимать запас полезной информации при хг = 1/п , г = 1, п . Если мы ничего не знаем о распределении X*, то в некотором смысле гипотеза хг = 1/п является оптимальной: если мы не имеем сведений о событиях, объектах, то будем считать их

равновероятными, имеющими одинаковые характеристики. При таком подходе запас полезной информации, содержащийся в гипотезе X относительно задачи с распределением ответа X*, дается соотношением

1п = Ь^и) - N(X* / X) .

Т.о. полезная информация зависит не от точности, с которой известны X, а от того, насколько X соответствует X*.

Нижней границей неопределенности является энтропия распределения X*, равная

П

Н(X ) = -^ хг- • 1п xi

1=1

Модифицируем определение энтропии, нормируем ее:

H"(X) = 1 - Н( X )/ 1п( п )

Величина Н'(X) принимает значения из интервала [0, 1), Н'(X) = 0 при х{ = 1/ п для / = 1,п . Ее значение можно рассматривать как меру риска портфеля вложений. Н'(X) показывает степень отклонения распределения X от равномерного распределения (1/п, 1/п, 1/п). При равномерном распределении средств велика

вероятность того, что выбор сделан неправильно, и чем меньше Н'(X), то есть чем ближе распределение к равномерному, значит, тем больше возможность ошибиться при наборе портфеля, и тем больше риск; т.е. неопределенность рассматривается как мера риска, возможности сделать неправильный выбор.

Если мы хотим при измерении риска учитывать только вероятность нежелательных результатов инвестирования, то простейшим способом его измерения является вероятность «недобора», измеряющая шансы на то, что доходность направления 30 окажется ниже ожидаемой доходности. По существу, это доля вероятностного распределения, лежащая справа от ожидаемой доходности.

Более сложные способы измерения риска получения доходности ниже ожидаемой производятся с помощью семейства статистических данных, известных как «частичные моменты низких порядков». Например, «средний недобор» измеряет среднее

отклонение доходности ценной бумаги вниз от ожидаемой доходности. Он является более полезным, чем вероятность недобора, т.к. принимает во внимание величину каждого отрицательного отклонения и показывает какова может быть величина уменьшения относительно ожидаемой доходности.

Мерой риска, учитывающей лишь случаи снижения доходности по отношению к среднему значению, является полувариация. Она рассчитывается как обычная вариация кроме тех случаев, когда доходность выше ожидаемой.

Еще одним альтернативным методом измерения риска является определение величины потерь, такой, что потери в доходности портфеля за определенный период времени с заданной вероятностью не превысят этой величины (стоимостная оценка риска VAR).

Перейдем к формулировке задачи, в которой второй критерий - оценка рискованности предлагаемого варианта распределения средств - может определяться одним из описанных выше способом.

«Постановка интервальной задачи». Приводимая ниже задача отличается от классических стохастических моделей планирования производства тем, что кроме областей возможного изменения параметров (оценок доходности каждой сферы деятельности;

величин, характеризующих рискованность вложений средств в каждое из рассматриваемых направлений) содержит еще и два критерия. Т.е. отражает как бы два вида неопределенности: неточность, неполноту, частичную недоступность информации о внешней среде и противоречивость внутренних целей любой производственной деятельности. Указанное обстоятельство приводит к некоторым изменениям в применении классических критериев принятия решений.

Рассмотрим математическую постановку задачи. В реальной ситуации точные значения внешних переменных обычно неизвестны, поэтому возникает необходимость привлечения других методов, которые способны дать представление о значениях и закономерностях изменения переменных в течение того периода, на который строится прогноз. Далее предлагается подход к решению задачи распределения средств на основе модели, экзогенные параметры которой предварительно оценены по статистической информации.

Возьмем в качестве интервальной оценки будущей доходности сферы деятельности отрезок, задаваемый минимальным и максимальным ее значением в предыдущих периодах. При этом необходимо быть уверенным, что в следующем периоде существенных изменений на рынке не произойдет. Т. о. сформируем вектор верхних и нижних границ

min E- < Ei < max E- (1.3.12)

t t

или

E < E < E .

Аналогичным образом определим границы для матрицы ковариаций:

C £ C £ C или СУ £ С.. £ СУ , (1.3.13)

У У У

где с. = min c. , сн = max с. .

У . у у .

Приходим к задаче, о коэффициентах которой известно лишь то, что они находятся в некотором множестве, отражающем все реальные ситуации:

min XTCTX, C £ C £ C , (1.3.14)

max ETX, E £ E £ E, (1.3.15)

£X. = 1,X. > 0, i = 1, 2,..., n . (1.3.16)

i=1

Возможные алгоритмы решения. Так как ограничения (1.3.12)-(1.3.13) задают бесконечное число возможных реализаций будущей ситуации, исследовать которые все не представляется возможным, то упростим задачу (1.3.14) - (1.3.16), введя параметр a е [0,1 ] , определяющий характеристики ситуаций следующим образом:

Ck = ak ■ C + (1 - ak) • C, Ek = ak ■ E + (1 - ak) • E,

где ak = ak-1 + й , й = , a0 = 0, k = 1,N . (1.3.17)

Задача (1.3.14) - (1.3.16) решается N раз при соответствующих коэффициентах целевых функций Ck и Ek. При отсутствии экспертных процедур выбора единственного решения из получаемых на каждом шаге множеств эффективных точек может быть использована процедура выбора недоминируемых точек, заключающаяся в определении альтернативы, наиболее близкой к

33

а т'

оптимальной по всем критериям. Т .е. этот подход позволяет сузить множество Парето-оптимальных точек до единственной.

Пусть множество критериев задачи векторной оптимизации имеет вид f = ( f1, f2, а W - множество допустимых значений аргументов, то «идеальная» точка определяется следующим образом. Каждая отдельная компонента F(X) имеет максимум при некотором X е W , предположим, fi(X) достигает

своего экстремума при X е W. Можно записать, что extrfl(x) = ft(X) = f* . Т°ГДа вектор f* ={f* ,f2,...,fm ) есть «идеальная» точка, т.е. вектор всех экстремальных допустимых значений, достигаемых отдельными целевыми функциями на множестве W . Но такое идеальное решение чаще всего невозможно. Будем предполагать, что ЛПР стремится найти такое решение, которое было бы как можно ближе расположено к идеальной точке.

Выбор такого “компромиссного варианта” возможно и не является оптимальным, но оказывается наиболее предпочтительным по совокупности критериев.

Алгоритм

Для двухкритериальной задачи (1.3.14)-(1.3.16) определяем «идеальную» точку, решая две оптимизационные задачи:

min XTCkX

1*

x = 1 x > 0 из нее находим точку X и соответствующее

i=1

значение целевой функции f1 ;

max EkTX

n 2*

Z

" = i — 0 из нее находим точку X и соответствующее

Xi = 1 Xi — 0

i=1

значение целевой функции /2 .

«Идеальная» точка в пространстве критериев имеет следующие координаты F = (f , f2 ) .

Ищем решение задачи d(F(X), F *) ® min

Z X = 1,xi — 0 ’

i=1

где d(F(X),F ) расстояние между двумя точками в пространстве критериев, определяемое одним из следующих способов

d(F,F *) =

(fl - fl )2 +f2 - f2 if2

или

^Е,Е*) = |/ - /Т| +|/ - /*| .

После N повторений процедур (1)-(2) получаем серию точек К« )}, соответствующих различным реализациям внешних и

внутренних условий (Ск,Ек). Следующим сложным вопросом является процедура выбора определенной программы из этого множества точек.

Пример. В приведенном далее примере используются следующие исходные данные: таблица 1.3.5 содержит верхние и нижние границы координат вектора доходностей направлений деятельности; таблица 1.3.6 - содержит матрицы, элементы

которых представляют собой максимальное и минимальное значение матрицы ковариаций доходностей.

Таблица 1.3.5

Е Е
1 0,7 0,6
2 0,4 0,2
3 1,2 0,6

Таблица 1.3.6
С С
1 2 3 1 2 3
1 0,25 0,15 0,5 1 0,5 0,6 0,89
2 0,15 0,3 0,2 2 0,6 0,65 0,45
3 0,5 0,2 0,7 3 0,89 0,45 0,96

Интервал для каждого нечетко заданного параметра разбит шестью внутренними точками (в формуле (1.3.17) выбран шаг а = 0,125). Первоначальная выборка состояла из 111 наборов. Для

каждого варианта распределения вычисляют значения дохода и рискованности вложений (4 и 5 столбцы рабочей таблицы).

Фрагмент рабочей таблицы

Идеальное значение ф-ции цели
тах Е тш Я тш Б
0,974217 0,44617 0,060845
х1 х2 х3 Доходность Риск Расстояние
1 0,38 0,236 0,381 0,741496 0,61478 0,082590
2 0,10068 0,400 0,499 0,732163 0,59126 0,079641
3 0,59648 0,354 0,048 0,578156 0,49446 0,159197
4 0,89910 0,042 0,058 0,683144 0,48018 0,085880
5 0,8846 0,107 0,008 0,643281 0,45354 0,109573
6 0,95846 0,033 0,007 0,666943 0,44617 0,094417
7 0,01449 0,976 0,008 0,360866 0,5574 0,388577

8 0,40742 0,390 0,201 0,623576 0,54158 0,132053
9 0,86324 0,043 0,093 0,696084 0,50243 0,080524
10 0,13858 0,0929 0,768 0,932991 0,77854 0,112169

Определив максимальное значение дохода и минимальное значение рискованности по всем вариантам, получим «идеальную» точку (0,97; 0,44). Далее при каждом ак для каждого варианта

распределения (Хь Х2, Х3) определяется точка, самая близкая к «идеальной». Расстояние между точками определяется стандартной евклидовой мерой. В результате получена таблица 1.3.7.

Таблица 1.3.7

п/п

а к х1 х2 х3 № точки в

выборке

Е Я
1 0 0,015 0,323 0,661 78 0,933 0,704
2 0,125 0,015 0,323 0,661 78 0,875 0,670
3 0,25 0,015 0,323 0,661 78 0,817 0,636
4 0,5 0,863 0,043 0,093 9 0,658 0,430
5 0,625 0,863 0,043 0,093 9 0,639 0,394
6 0,75 0,958 0,033 0,007 6 0,613 0,313
7 0,875 0,958 0,033 0,0077 6 0,599 0,280
8 1 0,958 0,033 0,0077 6 0,586 0,247

Описанные возможности моделирования факторов неопределенности реальных ситуаций перспективного планирования развития предприятия, основанные на сочетании традиционных и стохастических моделей с методами принятия решений, предоставляют широкие возможности поиска компромиссного варианта распределения имеющихся ресурсов.

<< | >>
Источник: Баркалов С.А., Бакунец О.Н., Гуреева И.В., Колпачев В.Н,. Руссман И.Б. Оптимизационные модели распределения инвестиций на предприятии по видам деятельности. М.: ИПУ РАН, - 68 с. 2002

Еще по теме МОДЕЛИРОВАНИЕ НЕОПРЕДЕЛЕННОСТИ И РИСКА ПРИ ФОРМИРОВАНИИ ИНВЕСТИЦИОННОЙ СТРАТЕГИИ:

  1. 8.1.Понятие риска и неопределенности
  2. Ограничения при формировании стратегий
  3. Поведение потребителя в условиях неопределенности и риска
  4. Учет инфляции, риска и неопределенности
  5. 2.7. Экономика неопределенности и риска
  6. ИСПОЛЬЗОВАНИЕ МЕДИАННЫХ РАСПРЕДЕЛЕНИЙ ПРИ ФОРМИРОВАНИИ СТРАТЕГИИ ИНВЕСТИРОВАНИЯ ПРЕДПРИЯТИЯ
  7. Уроки лидерства весеннего крокуса, или Разработка стратегии в условиях неопределенности
  8. 1.7. Общие причины ограниченного применения бизнес-планирования и ограничения при формировании стратегий
  9. 2.3. Прогнозирование и моделирование инвестиционных процессов
  10. 2.3.3. Имитационное моделирование инвестиционных решений
  11. 15.2. Методы оценки инвестиционного риска
  12. Тема 8. Анализ и оценка риска инвестиционных проектов
  13. 3. Способы снижения инвестиционного риска
  14. Методы оценки риска инвестиционного проекта
  15. Оценка инвестиционного портфеля по критерию риска
  16. 15.1. Основы определения инвестиционного риска
  17. 38 ОЦЕНКА РИСКА ИНВЕСТИЦИОННЫХ ПРОЕКТОВ
  18. 2.3. Оценки риска инвестиционных проектов
  19. Методы учета и способы снижения риска инвестиционных проектов