Архитектура системы поддержки принятия инвестиционных решений в финансовой экономике на основе мониторинга рыночной конъюнктуры

Воронова Н.С.1, Шарич Э.Э.1, Яковлева Д.Д.1
1 Санкт-Петербургский государственный университет, Россия, Санкт-Петербург

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 10, Номер 12 (Декабрь 2020)

Цитировать:
Воронова Н.С., Шарич Э.Э., Яковлева Д.Д. Архитектура системы поддержки принятия инвестиционных решений в финансовой экономике на основе мониторинга рыночной конъюнктуры // Экономика, предпринимательство и право. – 2020. – Том 10. – № 12. – С. 2933-2946. – doi: 10.18334/epp.10.12.111452.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=44668143
Цитирований: 8 по состоянию на 07.08.2023

Аннотация:
В статье поднимается проблема применения формализованных подходов принятия решений в области финансирования и инвестирования, актуальность которой обусловлена особенностями финансовой экономики, связанными с использованием информационно-финансовых технологий в данной сфере и требующими новых подходов к мониторингу показателей финансового рынка. Представленные разработки в виде системы поддержки принятия решений на основе мультиагентной системы позволяют получить ряд важных прикладных результатов в области принятия финансовых решений на фондовом рынке, функционирующем в цифровой среде, с учетом кибербезопасности. Предложен выбор метода моделирования системы финансовой экономики, обоснованы методы формализованного представления системы и архитектура системы поддержки принятия решений (СППР) с учетом конъюнктуры финансового рынка; предложенное решение может рассматриваться как приложение к теории систем в области финансов

Ключевые слова: финансовая экономика, финансовый рынок, инвестиционный мониторинг, система поддержки принятия решений, цифровая экономика, киберфизика

Финансирование:
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18-010-00085

JEL-классификация: G11, G14, G19



Введение

Современная рыночная экономика в силу ряда особенностей приобрела черты финансовой экономики. Ее характеризует беспрецедентный рост ликвидности финансовых рынков и увеличение числа обращающихся финансовых инструментов, усиление роли финансовых институтов, преобладание обменных сделок с финансовыми активами над товарными сделками даже в сегменте, охватывающем отношения с участием домохозяйств. Технологическое развитие также накладывает свой отпечаток, что находит отражение в цифровизации экономики в целом и финансового сектора в частности. В финансах начинают широко использоваться такие информационные технологии, как машинное обучение и искусственный интеллект, на их основе развиваются экспертные и интеллектуальные системы поддержки решений, востребованные в банках и других финансовых институтах, в корпоративном секторе экономики, в инвестиционной сфере. Своеобразным итогом слияния процессов информатизации и так называемой финансиализации становится новая роль финансовой информации, которая приобретает особую значимость, закрепляется понятие цифровой экономики и цифровых финансов [1–3] (Bykov, 2019). Применение информационно-финансовых технологий в области корпоративного финансирования и инвестирования в финансовые инструменты публичных компаний усиливает инвестиционный потенциал финансовой экономики.

Вместе с тем интенсивное использование технологических, коммуникационных, информационных и финансовых инноваций, обеспечивая снижение неопределенности и ряда рисков за счет усиления информационной прозрачности и формальной обоснованности финансовых решений неполностью защищает от традиционных системных рисков, проявляющихся и в финансовой цифровой экономике, а тем более от новых вызовов и угроз санкций, карантинов, кибератак. Это требует, на наш взгляд, применения системного подхода к созданию системы поддержки принятия решений (СППР) в условиях финансовой экономики, то есть ее разработки на основе мониторинга показателей финансового рынка и формализации причинно-следственных связей между субъектами системы управления финансовой экономикой и ее элементарными объектами (подсистемами). Как нам представляется, для повышения эффективности управления финансовыми ресурсами цифровой экономики обосновано применение киберфизики.

Одним из возможных сценариев может быть применение модели мультиагентной системы (МАС) в анализируемой предметной области. В условиях всеобщей цифровизации и информатизации использование киберфизического управления и принятия решений в финансовой экономике [4, 5] (Ignatev, Katermina, 2018; Karlik, Kukor, Dymkovets, Yakovleva, 2017) можно определить как информационно-логический процесс антиципации рисков и угроз возникновения проблемных ситуаций [6] (Furtsev, Kovalenko, Tkachenko, 2014) и диверсификации управленческих воздействий в мультиагентной системе финансовой экономики для предотвращений информационных и киберфизических угроз. Использование системы поддержки принятия решений на основе мультиагентной системы позволяет просчитать и спрогнозировать силу, безопасность, превентивность и последствия управленческих решений (будь то выигрыш, ущерб, потеря «подвижного» гомеокинетического равновесия) в системе как при ее нормальном функционировании (в этом случае критерии – функциональная устойчивость, равновесие, интегрированная целостность, рискозащищенность, сохранение приватности информации, кибербезопасность), так и в случае киберугрозы, вирусных атак, санкций и других социально-политических угроз и внешних вызовов цифровой экономике. Таким образом, цель исследования состоит в разработке архитектуры системы поддержки принятия инвестиционных решений в финансовой экономике на основе мониторинга рыночной конъюнктуры (финансовых показателей, информационной среды и метаданных).

1. Киберзащищенность системы финансовой экономики

Обработка и анализ больших данных в системе финансовой экономики на основе мультиагентной по функциям управления (планирование, организация, координация и контроль), согласно теории адаптивного управления, требуют как и простой систематизации, а также интеграции элементарных объектов в единое целое, так и осуществления процесса принятия решений на основе киберфизических технологий и теории информационного поля [7] (Denisov, 2008) с учетом мониторинга основных факторов, влияющих на систему (в нашем случае – это широкий спектр различных показателей финансового рынка).

В результате массивы больших данных формируют модель системы поддержки принятия решений, анализа потенциала финансовой системы, оценки последствий в прогнозе режима безопасности работы и живучести сложной системы, анализа их взаимосвязей на основе мультиагентной системы формализованной системы финансовой экономики.

По данным Лаборатории Касперского [8] среди субъектов критической информационной инфраструктуры в России банковская сфера, финансовый рынок и финансовая система находятся на втором месте по степени киберуязвимости. В целом определение уровня безопасности и сохранения гомеокинетического равновесия в финансовой экономике – достаточно сложный процесс, так как ландшафт рисков и угроз постоянно меняется под воздействием научно-технологического прогресса, помимо того, регулирующие органы выдвигают свои требования [9, 10] (Ivanov, Voronov, Voronova, 2016; Kukor, Yakovleva, Klimenkov, 2019).

Кроме того, важно понимать, что существует разница времени жизни различных компонентов финансовой экономики:

• время жизни компонентов информационных систем – от 3 до 5 лет;

• время жизни компонентов корпоративных систем – порядка 10–15 лет.

Технологии рискозащищенности за это время, как правило, устаревают, поэтому данная разница во времени жизни компонентов, созданных для информационных и для корпоративных систем отдельных элементарных объектов финансовой экономики (например, паевые инвестиционные фонды, инвестиционные компании, хедж-фонды) является достаточно веской проблемой. Поэтому необходима одна интегрированная система, которая объединит информационную, корпоративную системы отдельных элементарных объектов финансовой экономики.

Таким образом, для киберзащищенности системы поддержки принятия решений следует формализовать систему финансовой экономики, что возможно сделать в виде мультиагентной системы анализируемой предметной области [11–13] (Malov, Letyagina, 2020; Mayorov, 2020; Karlik, Kukor, Yakovleva, Sokolov, 2018).

2. Мультиагентная структура финансовой экономики для системы поддержки принятия решений

Представим мультиагентную систему финансовой экономики на рисунке 1, состоящую из элементарных объектов (ЭО).

Рисунок 1. Мультиагентная система финансовой экономики

Источник: составлено авторами.

Важно отметить, что для снижения киберфизических рисков и угроз данную систему необходимо строить на основе технологии DMZ (Demilitarized Zone), что будет рассмотрено далее.

В данной мультиагентной системе функциональную безопасность можно охарактеризовать как часть общей безопасности, которая зависит от правильности функционирования элементарных объектов, связанных с безопасностью, и других средств по снижению рисков и угроз нарушения гомеокинетического равновесия в финансовой системе [14, 15] (Yakovleva, Katermina, Sharich, Yakovleva, 2019). В целях модерирования рисков и угроз в данной мультиагентной системе устанавливаются параметры границ и ограничений в виде взаимосвязей и управляющих воздействий между элементарными объектами (ЭО).

Для управления рисками в данной системе необходимо рассматривать не только отличия эмпирических параметров от эталонных каждого элементарного объекта посредством мониторинга, но и корреляцию рисков для финансовых систем и IT. Тогда можно отметить, что угрозы кибербезопасности, которые связаны с функциональной безопасностью системы, должны предотвращаться; меры безопасности, которые могут вызвать проблемы с функциональной безопасностью системы, недопустимы, а угрозы кибербезопасности имеют под собой детерминированную природу. Мультиагентная система финансовой экономики позволяет своевременно предвидеть возможные риски и угрозы в виде нарушения взаимосвязей и управляющих воздействий между элементарными объектами и, как следствие, вовремя предотвращать возникновения проблемных ситуаций [16, 17].

При помощи диагностики и анализа данной мультиагентной системы финансовой экономики можно смоделировать систему потребностей и возможностей отдельных элементарных объектов финансовой экономики, а также заранее предвидеть расхождения и несоответствия между потребностями и возможностями на основе их мониторинга, установив, таким образом, возможные риски и угрозы нарушения управляющих воздействий и взаимодействия объектов [18–20] (Yakovleva, Kozlovskaya, Gadzhiev, Sharich, Yakovleva, 2019; Klimenkov, Kukor, Pytkin, 2010; Pospelov, 1986). Данные взаимосвязи, управляющие воздействия, потребности и возможности моделируются на основе больших данных, собираемых мультиагентной системой на основе кибертехнологий. Подобное взаимодействие представлено на рисунке в виде примера взаимодействия двух элементарных объектов финансовой экономики – паевого инвестиционного фонда и финансового рынка (рис. 2).

Рисунок 2. Моделирование взаимодействия элементарных объектов мультиагентной системы

Источник: составлено авторами.

Таким образом, мультиагентная система финансовой экономики позволяет своевременно предвидеть возможные риски и угрозы в виде нарушения взаимосвязей и управляющих воздействий между элементарными объектами посредством мониторинга данный взаимосвязей и, как следствие, вовремя предотвращать возникновения проблемных ситуаций. Для улучшенной работы мультиагентной системы в условиях цифровизации и для обеспечения кибербезопасности данную систему необходимо строить на основе технологии DMZ (рис. 3).

Рисунок 3. Технология DMZ в рамках мультиагентной системы финансовой экономики

Источник: составлено авторами.

Данная технология добавляет дополнительный уровень в мультиагентной системе (уровень распознавания рисков в финансовой экономике на основе мониторинга взаимосвязей между отдельными элементарными объектами и уровень распознавания рисков в мультиагентах и элементарных объектах на основе мониторинга взаимосвязей непосредственно внутри данных объектов), что в целом позволяет снизить ущерб в случае кибератаки [21] (Omelchenko, Khrustalev, 2011), что особенно важно в современных условиях. Таким образом, обеспечивается дополнительная киберфизическая внутренняя защита информационного поля системы от внешних атак.

Итак, мультиагентная система финансовой экономики позволяет ЛПР (лицу, принимающему решение) предвидеть нарушения взаимосвязей и управляющих воздействий между элементарными объектами на основе их непрерывного мониторинга посредством искусственного интеллекта и больших данных, а также моделировать риски и угрозы. Принять решение и сформировать архитектуру выбора оптимального варианта в сложившейся ситуации возможно на основе системы поддержки принятия решений (СППР), которая и создается на основе вышепостроенной мультиагентной системы финансовой экономики [22, 23] (Moseyko, Korobov, Tarasov, 2015; Emelyanova, Fralenko, 2018).

3. Система поддержки принятия инвестиционных решений на основе мониторинга показателей финансового рынка

Система поддержки принятия решений строится на основе рассмотренной ранее мультиагентной системы финансовой экономики, однако распознавание рисков и угроз и последующее принятие решения в СППР происходит на основе мониторинга показателей финансового рынка посредством искусственного интеллекта и киберфизических технологий.

Рассмотрим подробно архитектуру системы поддержки принятия решений на основе мониторинга различных показателей финансового рынка (рис. 4).

Рисунок 4. Архитектура системы поддержки принятия решений

Источник: составлено авторами.

СППР может предлагать инвестору (лицу, принимающему решения) решения (инвестиционные стратегии) в трех различных аспектах: на основе создания ранжированного списка бумаг посредством непрерывного мониторинга различных показателей финансового рынка (а также информационной среды) инвестор (ЛПР) получает совет о наиболее предпочтительных ценных бумагах на определенную дату. Подобное утверждение не противоречит основным характеристикам, целям и задачам СППР в экономике и финансах [24, 25] (Khalin, Chernova, Yurkov, 2015; Odintsov, Romanov, Solovev, Dudikhin, 2019).

Данная информация полезна при выборе ценных бумаг для портфеля. Кроме того, система поддерживает реализацию и моделирование стратегий на основе вычисленного по итогам мониторинга рейтинга, чтобы инвесторы могли тестировать и исследовать различные подходы для определения перспективных инвестиционных стратегий. После того как подходящая стратегия была определена, система может использоваться для автоматического ежедневного следования указанной стратегии и создания заказов на изменение портфеля. Эта функциональность помогает придерживаться рациональной стратегии и не допускать, чтобы потенциальные нерелевантные действия инвестора вмешивались и искажали четко определенную стратегию.

Задача системы поддержки принятия решений – преобразовать собранную по итогам мониторинга показателей финансового рынка и информационной среды информацию в рейтинги акций на определенный день. Поэтому разработка и использование данных систем поддерживает инвестиционную привлекательность публичных компаний в смысле возможного сокращения разрыва между временем формирования актуальной информации и ее широкого освещения.

Расчет рейтинга основывается на трех источниках данных: информации, полученной по итогам мониторинга показателей финансового рынка (курсах акций, данных технического анализа и т.п.), данных информационной среды – дополнительных метаданных акций [26] (Voronova, Yakovleva, 2020), таких как отраслевая или географическая информация, аналитические отчеты, новости, пресс-релизы и.п. Система получает доступ к этим данным либо из локальной базы данных, либо через интернет.

Компоненты рейтинга – метрики, учитываемые при создании портфеля, – зависят от инвестиционной стратегии. Доступные метрики образуют библиотеку метрик как основу инвестиционных стратегий. Вопрос о том, какие метрики комбинировать и как, зависит от опыта лица, принимающего решения (его экспертной оценки). Система поддерживает экспертное решение инвестора, позволяя моделировать инвестиционные стратегии по любой метрике и, таким образом, позволяет сравнивать доходность на основе смоделированного портфеля.

Заключение

Система поддержки принятия решений на основе мультиагентной системы финансовой экономики имеет большое значение в архитектуре выбора, которая поддерживает процесс принятия решений как о мерах безопасности для самой финансовой системы в конкретных условиях (на основе мультиагентной системы – мониторинг параметров элементарных объектов), так и для формирования и поддержки инвестиционной стратегии (на основе СППР – мониторинга показателей финансового рынка и информационной среды). Система принятия решений, основанная на мультиагентной системе, позволяет организовать (а также планировать, координировать, контролировать) постановку и исполнение задач стратегий управления и достижения соответствующих целей и результатов при оптимизации инвестиций и других форм использования финансовых ресурсов, которые помогают ЛПР создать архитектуру выбора для принятия решений, смоделировать риски и угрозы. Таким образом, исследование теоретических и прикладных аспектов СППР для обоснования финансовых, в том числе инвестиционных решений становится важным направлением научного поиска в области новых инвестиционных механизмов, реализуемых в цифровой среде финансовой экономики [27] (Zopounidis, Doumpos, Niklis, 2018).


Источники:

1. Цифровые дивиденды /Доклад Всемирного банка о мировом развитии – 2016 URL: http://documents1worldbank.org/curated/en/ 2247214679888 78739/pdf/102724-WDR-WD R2016 Overview-RUSSIAN-WebRes-Box-394840B-OUO-9. pdf (дата обращения 09.10.2020)
2. Программа «Цифровая экономика РФ» URL: http://static.government.ru/media/files/9gFM4FHj4PsB79I5v7yLVuPgu4bvR7M0.pdf (дата обращения 09.10.2020)
3. Быков А.Ю. Цифровая экономика и будущее золотого стандарта. Очерки по истории мировой цифровой экономики. – М.: Проспект, 2019.
4. Игнатьев М.Б., Катермина Т.С. Системный анализ задач прогнозирования и планирования развития сложных структур: лингво-комбинаторный подход // Системный анализ в проектировании и управлении: сборник научных трудов XXII Международной научно-практической конференции. Т.1. СПб.: ФГАОУ ВО СПбПУ, 2018. С. 115-118.
5. Карлик A.E., Кукор Б.Л., Дымковец И.А., Яковлева Е.А. Актуализация особенностей разработки системы стратегического управления экономикой России. // Международная конференция по мягким вычислениям и измерениям. Т. 2. 2017. С. 303-306.
6. Фурцев Д. Г., Коваленко А. Н., Ткаченко Е. А. Об оптимизации на основе метода анализа иерархий// Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2014. № 1. C.142-149.
7. Денисов А.А. Современные проблемы системного анализа: учебник. 3-е изд. СПб.: Изд-во Политехн. ун-та, 2008. 304 с.
8. Материалы лекции Корта C.С. URL: https://www.kaspersky.ru (дата обращения 09.10.2020)
9. Иванов В.В., Воронов В.С., Воронова Н.С. и др. Современные финансовые рынки. [Иванов В.В., Воронов В.С., Воронова Н.С., Дарушин И.А., Кащеева Е.А., Ключников И.К., Коршунов О.Ю., Львова Н.А., Нурмухаметов Р.К., Соколов Б.И.] Монография для магистрантов, обучающихся по программам направления "Финансы и кредит". Москва, 2016. - 571 с.
10. Кукор Б.Л., Яковлева Е.А., Клименков Г.В. Информационное обеспечение лиц, принимающих решения в процессе стратегического управления региональной экономикой: лингво-комбинаторный подход / Системный анализ в проектировании и управлении. Сборник научных трудов XXIII Международной научно-практической конференции. 2019. С. 187-194.
11. Малов Д.Н., Летягина Е.Н. Разработка методики определения инвестиционной привлекательности промышленного предприятия с применением мультиагентных систем // Креативная экономика. – 2020. – Том 14. – № 9. – С. 2105-2120. – doi: 10.18334/ce.14.9.110832
12. Майоров А.А. Адаптация к цифровизации в условиях инновационного развития государства // Креативная экономика. – 2020. – Том 14. – № 9. – С. 1929-1950. – doi: 10.18334/ce.14.9.110846
13. Карлик А.Е., Кукор Б.Л., Яковлева Е.А., Соколов А.А. Управление структурными преобразованиями в социально-экономической системе в информационно-сетевой экономике. // В сборнике: Системный анализ в проектировании и управлении Сборник научных трудов XXII Международной научно-практической конференции. 2018. С. 175-187.
14. Iakovleva D., Ignatiev M., Aksenova A., Iakovleva E., Vanicheva M. Problem-oriented technology for predictive analytics of adaptive risk management / Proceedings of the 33rd International Business Information Management Association Conference, IBIMA 2019: Education Excellence and Innovation Management through Vision 2020. 33, Education Excellence and Innovation Management through Vision 2020. 2019. С. 8798-8806.
15. Яковлева Е.А., Катермина Т.С., Шарич Э.Э., Яковлева Д.Д. Формирование потенциала финансовой системы для повышения инновационной активности // Вопросы инновационной экономики. 2019. Т. 9. № 2. С. 349-360.
16. Igoshev A.N., Yakovleva D.D., Sharich E.E., Trebukhova A.A. (2019). Systematization of problem situations in the activity of the production enterprise on the basis of its logical and linguistic model [Sistematizatsiya problemnyh situatsiy v deyatelnosti proizvodstvennogo predpriyatiya na osnove ego logiko-lingvisticheskoy modeli]. Leadership and Management [Liderstvo i menedzhment, ISSN = 2410-1664]. 6 (3). 151–164. (in Russian) – doi: 10.18334/lim.6.3.40975.
17. ГОСТ Р ИСО 9000-2008 Системы менеджмента качества.
18. Яковлева Е.А., Козловская Э.А., Гаджиев Р.М., Шарич Э.Э., Яковлева Д.Д. Модель управления инновационной активностью // Креативная экономика. – 2019. – Том 13. – № 6. – с. 1075-1084. – doi: 10.18334/ce.13.6.40712.
19. Клименков Г.В., Кукор Б.Л., Пыткин А.Н. Экспертные системы и системы ситуационного управления на базе логико-лингвистических моделей. Вестник Пермского научного центра УрО РАН. 2010. № 2. С. 26-37.
20. Поспелов Д. А. Ситуационное управление: Теория и практика. – М.: Наука. Гл. ред. физ.-мат. лит., 1986. – 288 с
21. Омельченко А. Н., Хрусталев О.Е. Когнитивное моделирование развития банковской системы российской федерации условиях глобализации // Банковское дело. – 2011. №41 (473)
22. Мосейко В.О., Коробов С.А., Тарасов А.В. Когнитивное моделирование при формировании управленческих решений: потенциал ресурсно-факторного анализа // Креативная экономика. – 2015. – Том 9. – № 5. – С. 629-644. – doi: 10.18334/ce.9.5.267
23. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. Т. 9. № 4 (39). С. 117-135.
24. Халин В.Г., Чернова Г.В., Юрков А.В. Методологические аспекты создания и функционирования систем поддержки принятия решений // Экономический анализ: теория и практика. 2015, № 7(406). С. 20-34.
25. Одинцов Б.Е., Романов А.Н., Соловьев В.И., Дудихин В.В. Интеллектуальные информационные системы и технологии в экономике. – М.: Центркаталог, 2019. – 336 с.
26. Воронова Н.С., Яковлева Е.А. Безопасность системы стратегического управления в промышленности: математическое моделирование и системный анализ рисков, угроз, параметров равновесия / Научная монография. Махачкала. 2020. -268с
27. Zopounidis C., Doumpos M., Niklis D. Financial decision support: an overview of developments and recent trends. EURO Journal on Decision Processes, 2018, volume 6, pages 63–76

Страница обновлена: 23.01.2024 в 20:37:08