Система поддержки принятия инвестиционных решений в хедж-фонде на основе логико-лингвистического моделирования и цифрового двойника
Воронова Н.С.1, Яковлева Е.А.2, Шарич Э.Э.1, Яковлева Д.Д.1
1 Санкт-Петербургский государственный университет, Россия, Санкт-Петербург
2 Санкт-Петербургский государственный экономический университет
Скачать PDF | Загрузок: 7
Статья в журнале
Вопросы инновационной экономики (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 13, Номер 1 (Январь-март 2023)
Цитировать:
Воронова Н.С., Яковлева Е.А., Шарич Э.Э., Яковлева Д.Д. Система поддержки принятия инвестиционных решений в хедж-фонде на основе логико-лингвистического моделирования и цифрового двойника // Вопросы инновационной экономики. – 2023. – Том 13. – № 1. – С. 327-340. – doi: 10.18334/vinec.13.1.117176.
Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=52456683
Аннотация:
В статье представлено методическое обеспечение в виде разработанного алгоритма принятия решений для формализации системы поддержки принятия решений на основе логико-лингвистического моделирования знаний и ситуационного подхода к управлению. Методическое обеспечение адаптировано для принятия инвестиционных решений в хедж-фондах с учетом параметров и ограничений специфики финансового рынка с применением кросс-секторального и кросс-функционального риск-менеджмента. Алгоритм создан на основе цифрового двойника хедж-фонда посредством выбора и оцифровки основных параметров и индикаторов для решения проблемных ситуаций в управлении инвестициями для хедж-фондов и других участников финансового рынка. Разработанные рекомендации в виде альтернативного сетевого графика были апробированы в процессе принятия инвестиционных решений хедж-фонда с уточненной характеристикой информационных потоков между элементарными объектами системы, описанием взаимодействия элементарных объектов в цифровом двойнике и представлением фреймовом представлении знаний для принятия решений для принятия решений.
Ключевые слова: финансовые рынки, когнитивное моделирование, логико-лингвистическое моделирование, система поддержки принятия решений, цифровой двойник
JEL-классификация: O31, O33, G11, G13, G17
Введение
В современных условиях управление инвестициями в хедж-фонде характеризуется активным воздействием современных технологий на процедуру агрегации, отбора и обработки информационных потоков о движении капитала на финансовых рынках за счет таких технологий, как искусственный интеллект, машинное обучение, блокчейн, обработка больших данных. Это обуславливает необходимость разработки и адаптации методического обеспечения для системы управления объектами финансового рынка. Исследование основано на работах зарубежных и отечественных ученых, занимающихся теориями стратегического управления, принятия решений, теорией инвестиций, теорией систем и системного анализа, ситуационного и адаптивного управления – научные труды Р.Л. Акоффа, И.Ансофа, Болотовой Л.С., Волковой В.Н., Клейнера Г.Б., Кукора Б.Л., Клименкова Г.В., Поспелова Д.А., Г. Марковица, У. Шарпа, Ю. Фама, К. Френча, Халина В.Г., Черновой Г.В. [1, 2].
Информационной базой исследования служат данные статистических бюро, мировых рейтинговых и аналитических агентств, доклады РАН. Примененные методы исследования – это логика, диалектика, теория систем и системный анализ, семиотика и, в частности, логико-лингвистическое моделирование, положения теории ситуационного управления и адаптивного подхода к управлению, теории искусственного интеллекта.
Цель исследования – формализация системы поддержки принятия инвестиционных решений хедж-фонда на основе технологий логико-лингвистического моделирования.
В контексте гипотезы исследования необходимо обосновать применение логико-лингвистического моделирования в виде фреймового представления знаний о принятии финансовых решений в рамках системного, ситуационного подхода для формализации системы поддержки принятия инвестиционных решений хедж-фонда, что должно обуславливать характеристики оцифрованных параметров и свойств, агрегируемых создаваемым цифровым двойником.
Новизной и отличием от работ других авторов является интеллектуальная обработка свойств и параметров объекта управления на основе цифрового двойника хедж-фонда.
1. Методическое обеспечение системы поддержки принятия инвестиционных решений
Для придания системе поддержки принятия решений (СППР) формализованного вида, то есть представление ее в виде информационной и цифровой модели процесса принятия решения, необходимо использовать современные методические инструменты, включая «непременный атрибут познавательных процессов» или «метазнания или знания о знаниях» [1, с. 56]. Под методическим обеспечением понимается интеллектуальный механизм перехода от сбора информации, знаний, их агрегации и обработки к конечному результату – достижению целевого значения состояния элементарного объекта в финансовом секторе экономике [2, с.122] путем алгоритмизации его основных этапов с позиции теории принятия решений [3, c. 3110]. Представим алгоритм принятия решений в СППР, который может быть адаптирован под конкретные ситуации или элементарные объекты, предметные области [4, c.130]:1. Агрегирование информации об объекте исследования, составление базы знаний, на основе которой и будет производиться процесс анализа и обработки данных для поиска решения на основе концептуального каркаса социальной экономической системы, предложенного Б.Л.Кукором в теории адаптивного управления [5, c.46];
2. Анализ потоков между элементарными объектами на основе оцифрованных параметров и свойств, раскрывающих «связи параметров входа (управляющего воздействия и прогноза) с параметрами цели» [5, c.61-64];
3. Сопоставление потребностей и возможностей потоков на входе и выходе из элементарного объекта управления для выработки управляющего воздействия, «состоящего из двух частей: инструктирование (правило достижения цели) и мотивации (извещение объекта об удельной ценности альтернатив)» [5, c.207];
4. Идентификация проблемных ситуаций с помощью логико-лингвистического моделирования на основе анализа потребностей и возможностей и прогноза «о будущем значении нерегулируемых субъектом параметров входа в систему (пессимистический и оптимистический)» [5, c.206];
5. Сопоставление каждого класса проблемных ситуаций с управленческими решениями, в том числе при реализации функции учета «о свершившихся событиях к моменту речи на ресурсах и операциях сетевого графика» [5, c.206];
6. Составление фреймов знаний на основе логико-лингвистического моделирования в динамике. Актуализация и формирование параметров целеполагания «о желаемом значении параметра выхода из объекта в терминах результата деятельности» и параметров учета «о свершившихся событиях к моменту речи на ресурсах и операциях сетевого графика» для принятия решений на основе фреймового представления знаний о ситуации и путях ее решения [5, с.206]. В настоящем случае это:
¾ Определение стратегий инвестиционного портфеля;
¾ Кросс-секторальное распределение риска;
¾ Выбор стратегии инвестирования.
7. В случае нецелесообразности или неудовлетворения результатами СППР лицом, принимающем решение, производится повторная калибровка модели и постоянный мониторинг оцифрованных параметров стратегий инвестирования на основе цифрового двойника модели объекта или методами когнитивно-графического представления информации [6, c. 117]. Оценка результатов принятого решения и мониторинг на основе цифрового двойника состояния системы. Мониторинг параметров модели, потоков, проблемных ситуаций для обновления базы знаний об объекте.
Говоря непосредственно о реализации инвестиционных решений в хедж фонде, то задача сводится к конструированию оптимального портфеля под имеющимися ограничениями (заданными извне) и предположениями управляющим фонда о необходимой или желаемой доходности активов (hurdle rate), о потенциальных принимаемых рисках фондом, ковариацией между портфельными активами и ограничениями, накладываемыми другими участниками деятельности хедж-фонда – инвесторами (достижение максимального значения коэффициента Шарпа [7, c. 49–58] при минимальном стандартном отклонении доходности активов от средней величины и при пропорциональном вкладе отдельных активов в общий риск портфеля). Все это практически недостижимо без кросс-секторального и кросс-функционального риск-менеджмента (для которого и необходимо создание СППР). Другими словами, процесс принятия решения сводится к определению весовых коэффициентов по риску для активов в портфеле и минимизации этих значений. Так же одним из защитных механизмов (принятие решения, по которым так же требуется) может быть техника стоп-лосс, позволяющая ограничивать потери фонда [8, c.25]. Более того важно учитывать влияние таких инструментов как опционы, фьючерсы, где возможно получение большого уровня кредитного плеча, повещающее потенциальную доходность и потенциальные риски потерь пропорционально. Опираясь на исследование [9, c.480] опишем основные процедуры риск-менеджмента для апробации моделей оптимизации портфеля фонда, которые будут впоследствии заложены в цифровой двойник объекта:
· Определение стратегий портфеля: управляющий хедж-фонда моделирует стратегии, используя известные риск-факторы, с целью извлечения избыточной прибыли на открытом рынке. Для оценки целесообразности реализации той или иной стратегии используется историческая (ретроспективная) доходность, волатильность, показатели диверсификации и т.д.
· Кросс-секторальное распределение риска: так же это можно назвать бюджетированием риска. Инвестор определяет относительные веса стратегий и формирует матрицу решений для выбора наиболее подходящего или допустимого множества стратегий (в данном случае множество задается ожидаемым или желаемым показателем риск/доход или значением коэффициента Шарпа и т.д.).
· Распределение риска: менеджер определяет оптимальное разделение риска по портфелю. Это выполняется за счёт динамического изменения распределения риска между портфельной стратегий и безрисковыми активами (лонг акции, шорт облигации и так далее). Таким образом, через мониторинг проблемной ситуации - системы соотношения риска между рисковыми и безрисковыми активами – получается соблюдать целевое значение состояния портфеля – константа стандартного отклонения доходности (минимизированное).
При алгоритмизации процесса принятия решений одним из основных пунктов является идентификация методического обеспечения СППР, которое выражается в цифровом двойнике – агрегаторе знаний об объекте управления [10, с. 1375]. Рассмотрим цифровой двойник на примере крупнейшего хедж-фонда в мире с активами под управлением в 140+ млрд. долларов – Bridgewater LLC (рис. 1).
Рис. 1 Цифровой двойник для СППР
Источник: составлено авторами
Обработанная информация через оцифровку основных параметров и индикаторов [11, c.266] передается в СППР для последующего анализа и систематизации на основе формализации этих данных в виде потоков – информационных, финансовых и ресурсных [12, c.240]. Данные потоки между элементарными объектами системы в их исходном или текущем положении и целевом состоянии так же позволяют определить потребности и возможности каждого элементарного объекта, при определении разрывов между которыми и возникает отклонения параметров исходных от желаемого или целевого значения, что говорит о наличии неразрешенных проблемных ситуациях, узких местах и угрозах, разобщении системы для процесса принятия инвестиционного решения [4, c. 146-195].
Апробация системы поддержки принятия инвестиционных решений хедж-фонда
Для анализа проблемных ситуаций и их сопоставления с управляющими решениями [4, с.268, 13, с.100], а также выявления узких мест, необходимо построение альтернативного сетевого графика процесса принятия инвестиционных решений хедж-фонда. Стрелки в данном графике – потоки, а круги являются элементарными объектами.Каждому классу проблемных ситуаций можно сопоставить набор возможных управленческих решений. Построение альтернативной сетевой модели в виде графика процесса достижения оптимального состояния объекта управления позволяет сузить область поиска альтернативных решений и свести их к нескольким, которые, исходя из накопленных знаний управляющего фондом, будут иметь наивысшую вероятность осуществления [14, с. 3176].
Следующие мероприятия детализируют процесс управления системой принятия решения. В случае если на стадии контроля результатов лицо, принимающем решение, получает неудовлетворительный результат, то производится разработка нового решения [15, с.347].
Детальное изучение альтернативного сетевого графика позволяет построить информационную когнитивную модель управленческого процесса в виде динамического когнитивного сценария [13, с.100-101] и далее цифровую [16, с.1818] с дальнейшим картированием [17, c.40-42, 18]. Так, альтернативный сетевой график для реализации цели «оптимизация портфеля с целью минимизации волатильности и максимизации доходности» строится с сигнала о проблемных ситуациях – «добавление или исключение инвестиции из портфеля фонда» [7]. Решение проблемной ситуации и проведение работ будет связано с оценкой актива, выявлением оптимальных весов для каждого актива внутри портфеля, прогнозом коэффициентов эффективности, риск менеджментом, а целевое значение будет - «максимизация избыточной прибыли». Если же не достигнуто желаемое состояние, из-за получения менеджеров фонда информации об отсутствии ресурсов для проведения анализа сделки, то это проблема первого класса, которая возникла из-за нарушения взаимодействия между элементами [5 c. 98-102, 13, с. 101].
Рис. 2 Альтернативный сетевой график процесса принятия инвестиционных решений внутри хедж-фонда
Источник: составлено авторами на основе [5 c. 98-102, 13, с. 101].
Условные обозначения (рис.2): Ц – целеполагание; У – учет; А – анализ; П – прогнозирование; К – контроль; УВ I – управляющие воздействия по определению, есть ли потребность в ресурсах; УВ II – управляющие воздействия по определению взаимосвязи между отдельными элементами системы; УВ III – управляющие воздействия по обеспечению информационными ресурсами; 1 – составление плана инвестирования; 2 – анализ текущего состояния портфеля; 3 – идентификация проблемных ситуациях; 4 – оценка ее; 5 – решение проблемной ситуации нецелесообразно с учетом расходуемых ресурсов; 6 – классификация проблемных ситуаций по трем классам проблем; 7 – перемещение средств внутри элементарными объектами; 8 – перемещение средств между элементарными объектами; 9 – получение средств от контрагентов; 10 – возможность использования сторонних ресурсов; 11 – изменение метода управления процессов ; 12 – повышение эффективности; 13 – изменение целевых параметров объекта; 14 – изменение целевых параметров субъекта; 15 – изменение структуры управления; 16 – замена методической основы управления; 17 – планирование шагов реализации стратегии; 18 – контроль.
Далее рассмотрим и охарактеризуем основные потоки, через которые взаимосвязаны элементарные объекты в модели (табл. 1):
Табл. 1 Перечень потоков хедж-фонда Bridgewater LLC
Поток
|
П1
|
В1
|
П2
|
В2
|
П3
|
В3
|
П4
|
В4
|
Информационный
|
Потребность в
обеспечении точной информации
|
Возможность
мониторинга
|
Потребность в финансировании
|
Возможность получения финансирования
|
Количество
совершенных сделок
|
Возможность увеличение кол-ва сделок
|
Потребность получения финансирования сделки
|
Возможность получения финансирования по контракту
|
Финансовый
|
Финансирование маржинальных позиций
|
Возможность
маржинального финансирования
|
Потребность в текущей ликвидности
|
Возможность получения текущей ликвидности
|
Потребность в оплате manager fee
|
Возможность оплаты комиссионных
|
Потребность в ликвидности со стороны инвесторов
|
Возможность получения ликвидности
|
Ресурсный
|
Получение
специальных условий торговли
|
Возможность получения специальных условий
|
Условные заявки
|
Возможность использования условных заявок
|
Потребность в аналитике
|
Получение аналитики
|
Эффективное использование средств
|
Возможность эффективного использования средств
|
Обозначения П1..4 – это потребности 1..4; В1..4 – это возможности 1..4
Заметим, что при нарушении соответствия между потребностями и возможностями объектов управления возникает резкий дефицит ресурсов, что нарушает процесс оптимального принятия решения о целевом значении проблемной ситуации.
Далее более подробно рассмотрим взаимодействие двух элементарных объектов – «Управляющий хедж-фонда» и «Инвесторы», поскольку данное взаимодействие является основополагающим для хедж-фонда и в его рамках происходит определение стратегий инвестирования (рис.3).
Рис. 3 Взаимодействие элементарных объектов в цифровом двойнике
Источник: составлено авторами [13, с.99]
При несовпадении потребностей и возможностей «Управляющий хедж-фонда» и «Инвесторы» возникает проблемная ситуация, связанная с необходимостью принятия решений по инвестированию и выбором инвестиционной стратегии (проблемная ситуация 1 класса), в данном случае лимитирующий критерий – наличие и объем ресурсов для инвестирования. Исследуем более подробно данную ситуацию на основе системного подхода и логико-лингвистического моделирования – посредством фрейма потока между данными элементарными объектами по дескриптивным функциям управления: таким как целеполагание, учет, анализ и прогноз (табл. 2).
Табл. 2 Фрейм потока
1. Целеполагание
| |||||
Код
|
Оцифрованный параметр - целевое
значение
|
Значение
| |||
I
|
Достижение необходимого объема финансовых
ресурсов для реализации инвестиционных стратегий и формирования
инвестиционного портфеля
|
Мax
| |||
Учет
| |||||
Код
|
Оцифрованный параметр
|
Тип
| |||
W
|
Вес активов
|
Числовая
| |||
P
|
Доля от общей доходности
|
Числовая
| |||
R
|
Доля от общего риска
|
Числовая
| |||
L
|
Доходность/риск
|
Числовая
| |||
S
|
Коэффициент Шарпа
|
Числовая
| |||
D
|
Коэффициент диверсификации
|
Числовая
| |||
Fin
|
Общий объем финансирования
|
Числовая
| |||
G
|
Сохранение гомеокинетического равновесия
|
Качественная
| |||
Прогноз
| |||||
Код
|
Оцифрованный параметр
|
Пессим.
|
Оптим.
| ||
It
|
Объем финансовых ресурсов для
инвестирования
|
уменьшается
|
увеличивается
| ||
Управляющее воздействие
| |||||
Код
|
Название
|
Тип
| |||
M1
|
Выбор стратегии инвестирования (релокация
средств между активами в портфеле)
|
Качественная
| |||
Целевое значение данного потока - достижение необходимого объема финансовых ресурсов для реализации инвестиционных стратегий и формирования инвестиционного портфеля, что определяется следующими параметрами: вес активов, доля от общей доходности, доля от общего риска, доходность/риск, коэффициент Шарпа, коэффициент диверсификации, сохранение гомеокинетического равновесия. Функция прогноза в фрейме реализуется на основе прогноза объема финансовых ресурсов для инвестирования, а управляющее воздействие - выбор стратегии инвестирования. По параметрам фрейма (оцифрованным и агрегируемым цифровым двойником) СППР проводит анализ на основе алгоритмизации зависимостей между ними [19, с.570].
Так, на основе данного фрейма, СППР проводит выбор наилучших стратегий для инвестирования и формирования инвестиционного портфеля, что позволяет сохранить равновесие в потоках между элементарными объектами (потребности и возможности совпадают). Соответствие потребностей и возможностей между элементарными объектами, в свою очередь, обеспечивает сохранение гомеокинетического равновесия в системе, в данном контексте риск потери гомеокинетического равновесия может измеряться соотношением нарушений в потоках между элементарными объектами к общему числу потоков. При реализации механизма СППР на основе логико-лингвистического моделирования и системного подхода данный риск возможно минимизировать.
Выводы
Таким образом, в статье рассматривалась проблема формализации принятия инвестиционных решений для хедж-фонда на финансовых рынках в целях повышения эффективности инвестиционных стратегий. Проведена формализация СППР для хедж-фонда путем разработки алгоритма принятия решений на основе системного подхода и соответственной модификацией модели традиционной теории принятия решений на основе логико-лингвистического моделирования посредством фреймового представления знаний по дескриптивным функциям управления. Приведено информационное обеспечение СППР в виде цифрового двойника объекта управления и оцифрованных параметров, анализируемых во фреймах СППР. Разработанные рекомендации были апробированы в виде альтернативного сетевого графика процесса принятия инвестиционных решений хедж-фонда. Дальнейшее направление исследования может быть связано с применением нейросетевых технологий в СППР.
Источники:
2. Хрусталёв Е.Ю. Когнитивная модель развития банковской системы РФ // Экономика и математические методы. – 2011. – № 2. – c. 117-127.
3. Воронова Н.С., Яковлева Е.А., Шарич Э.Э., Яковлева Д.Д. Системы поддержки принятия решений в составе интеграционных механизмов финансового рынка ЕАЭС в контексте устойчивого развития // Экономика, предпринимательство и право. – 2021. – № 12. – c. 3105-3120. – doi: 10.18334/epp.11.12.113950.
4. Яковлева Е.А., Гаджиев М.М., Шарич Э.Э., Яковлева Д.Д. Когнитивное усиление системы принятия и поддержки решений // Лидерство и менеджмент. – 2021. – № 1. – c. 127-144. – doi: 10.18334/lim.8.1.111421.
5. Кукор Б.Л., Клименков Г.В. Адаптивное управление промышленным комплексом региона: теория, методология, практика. / Монография. - Екатеринбург: ФГБУН Институт экономики Уральского отделения РАН, 2017. – 306 c.
6. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. – 2018. – № 4(39). – c. 117-158. – doi: 10.25209/2079-3316-2018-9-4-3-117-158.
7. Sharpe W.F. The Sharpe ratio // The Journal of Portfolio Management. – 1994. – p. 49-58.
8. Акимов С.А. Гармоничность и практицизм; хедж- фонды: реалии и перспективы // Российское предпринимательство. – 2011. – № 9-2. – c. 22-28.
9. Voronova N.S., Iakovleva D.D., Vinogradov A.N., Sharich E.E. Designing a Decision Support System for Capital Markets // Lecture Notes in Networks and Systems. – 2022. – p. 473-486. – doi: 10.1007/978-3-030-98832-6_42.
10. Бирев Л.Э., Белкин И.О. Цифровой двойник // Инновации. Наука. Образование. – 2021. – № 26. – c. 1375-1380.
11. Юрин А.А., Емельяненко А.С. Применение нечеткого когнитивного моделирования в рамках парадигмы «цифровой двойник» // Скиф. Вопросы студенческой науки. – 2019. – № 12-2(40). – c. 254-271.
12. Горелова Г.В. Когнитивный подход к имитационному моделированию сложных систем // Известия ЮФУ. Технические науки. – 2013. – № 3(140). – c. 239-250.
13. Кукор Б.Л., Куршев Е.П., Виноградов А.Н. Разработка динамического когнитивного сценария функционирования предприятия и производственных комплексов в процессе управления экономикой // Теоретические проблемы стратегического планирования на микроэкономическом уровне: Сборник докладов участников секционных заседаний XXI Всероссийского симпозиума. Москва, 2020. – c. 98-101.– doi: 10.34706/978-5-8211-0783-1-s1-27.
14. Никульников Н.В., Иваев М.И., Шевырева А.Д. Использование систем поддержки принятия решений в торговой компании // Экономика, предпринимательство и право. – 2022. – № 11. – c. 3173-3184. – doi: 10.18334/epp.12.11.116665.
15. Чурсин Р.А., Каплун Е.С. Основы управления проектами по созданию радикально новой продукции в современных экономических условиях // Финансовая экономика. – 2021. – № 5. – c. 345-351.
16. Glaessgen E., Stargel D. The digital twin paradigm for future NASA and US Air Force vehicles // 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference 20th AIAA/ASME/AHS Adaptive Structures Conference 14th AIAA. Honolulu, 2012. – p. 1818.– doi: 10.2514/6.2012-1818.
17. Кулинич А.А. Систематизация когнитивных карт и методов их анализа // Независимое экспертное обозрение. – 2012. – c. 38-48.
18. Stylios C. D. et al. Mathematical formulation of fuzzy cognitive maps // Proceedings of the 7th Mediterranean Conference on Control and Automation. 1999. – p. 2251-2261.
19. Rosen R., Wichert G., Lo G., Bettenhausen K. About The Importance of Autonomy and Digital Twins for the Future of Manufacturing // IFAC-PapersOnLine. – 2015. – № 3. – p. 567-572. – doi: 10.1016/j.ifacol.2015.06.141.
Страница обновлена: 14.07.2024 в 16:41:02