Главная  Журналы  Финансовая аналитика: проблемы и решения  45(231) - 2014 декабрь

Применение теории обобщенных нечетких чисел к проблеме ранжирования проектов по уровню риска

Доступна онлайн: 06.12.2014

Рубрика: МАТЕМАТИЧЕСКИЕ МЕТОДЫ АНАЛИЗА

Страницы: 58-66

В условиях постоянно меняющейся экономической конъюнктуры разработка и внедрение эффективной системы анализа риска является одним из наиболее приоритетных направлений развития бизнеса. В данных условиях внедрение новейших подходов к риск-менеджменту способно значительно снизить возможность потерь в инвестиционной деятельности. Цель статьи - разработка алгоритма, на основе которого может быть осуществлено сравнение инвестиционных проектов по уровню риска. Задачи: - применение качественного анализа риска на этапе идентификации рисков; - использование теории обобщенных нечетких чисел в оценке риска; - создание (применение) адекватного математического аппарата; - возможность применения алгоритма к широкому классу инвестиционных проектов. В работе сформулирован алгоритм, на основе которого можно сравнить инвестиционные проекты по уровню риска. В основу алгоритма положена теория обобщенных нечетких чисел, которая открывает перед исследователем значительные преимущества, позволяя оценивать риски инвестиционных проектов в условиях ограниченной информации. Предложенный алгоритм является универсальным, так как может быть успешно применен к широкому кругу инвестиционных проектов. Разработанная методика проста для понимания и удобна в использовании. Предлагаемый алгоритм может быть успешно применен при оценке рисков инвестиционных проектов совместно с общепринятыми методами. Он предполагает проведение достаточно большой работы на этапе идентификации факторов риска, что является большим преимуществом, так как точное и аккуратное определение факторов риска способствует наиболее точной оценке риска. Теория обобщенных нечетких чисел позволяет в полной мере ввести в рассмотрение экспертное мнение, придавая алгоритму определенную степень гибкости. Предложенная методика способствует развитию теории нечетких множеств и демонстрирует преимущества ее использования применительно к проблемам риск-менеджмента.

Ключевые слова: инвестиционный проект, риск, неопределенность, нечеткое множество, нечеткое число, функция принадлежности, обобщенное нечеткое число

Список литературы:

1. Гавриленко М.А. Применение теории нечетких множеств в оценке рисков инвестиционных проектов // Аудит и финансовый анализ. 2013. № 5. URL: Link.
2. Грачева М.В., Секерин А.Б. Риск-менеджмент инвестиционного проекта. М.: ЮНИТИ, 2009. 326 c.
3. Птускин А.С. Решение стратегических задач в условиях размытой информации». М.: Дашков и Ко, 2003. 240 с.
4. Bellman R.E., Zadeh L.A. Decision-Making in Fuzzy Environment // Management Science. 1970. Vol. 17. № 4. P. 141–160.
5. Chen S.H. Ranking fuzzy numbers with maximizing set and minimizing set // Fuzzy Sets and Systems. Vol. 17. № 2. P. 113–129.
6. Chen S.J., Chen S.M. Fuzzy risk analysis based on similarity measures of generalized fuzzy numbers // Expert Systems with Applications. 2008. № 35. P. 6833–6842.
7. Chen S.M. New methods for subjective mental workload assessment and fuzzy risk analysis // Cybernetics and Systems. 1996. Vol. 27. Iss. 5. P. 449–472.
8. Hsieh C.H., Chen S.H. Similarity of generalized fuzzy numbers with graded mean integration representation // Proc. 8th Int. Fuzzy Systems Association World Congress. 1999. Vol. 2. P. 551–555.
9. Jim-Ho Chen, Shyi-Ming Chen. A New Method for Ranking Generalized Fuzzy Numbers for Handling Fuzzy Risk Analysis Problems // Systems, Man, and Cybernetics. 2011. P. 2307–2312.
10. Kangari R., Riggs L.S. Construction risk assessment by linguistics // IEEE Transactions on Engineering Management. 1989. P. 126–131.
11. Lee H.S. Optimal consensus of fuzzy opinions under group decision making environment // Fuzzy Sets and Systems. 2002. Vol. 132. Iss. 3. P. 303–315.
12. Liu Qi, Xiong Jia, Deng Yong. A subjective Methodology for risk quantification based on generalized fuzzy numbers // International Journal of General Systems. 2008. P. 234–256.
13. Peida Xu, Xiaoyan Su, Jiyi Wu, Xiaohong Sun, Yajuan Zhang, Yong Deng. A note on ranking generalized fuzzy numbers // Expert Systems with Applications. 2012. Vol. 39. Iss. 7. P. 6454–6457.
14. Shih-Hua Wei, Shyi-Ming Chen. A new approach for fuzzy risk analysis based on similarity measures of generalized fuzzy numbers // Expert Systems with Applications. 2009. Vol. 36. Iss. 1. P. 589–598.
15. Shyi-Ming Chen, Kata Sanguansat. Analyzing fuzzy risk based on a new fuzzy ranking method between generalized fuzzy numbers // Expert Systems with Applications. 2011. № 38. P. 2163–2171.
16. Shyi-Ming Chen, Chih-Huang Wang. Fuzzy risk analysis based on ranking fuzzy numbers using a-cuts, belief features and signal/noise ratios // Expert Systems with Applications. 2009. № 36. P. 5576–5581.
17. Shyi-Ming Chen, Abdul Munif, Guey-Shya Chen, Hsiang-Chuan Liu, Bor-Chen Kuo. Fuzzy risk analysis based on ranking generalized fuzzy numbers with different left heights and right heights // Expert Systems with Applications. 2012. № 39. P. 6320–6334.
18. Smolyak S.A. Optimality criteria for investment projects under uncertainty // Non convex Optimization and Its Applications. 2002. Vol. 59. P. 221–233.
19. Sridevi B., Nadarajan R. Fuzzy Similarity Measure for Generalized Fuzzy Numbers // International Journal of Open Problems in Computer Science and Mathematics. 2009. Vol. 2. № 2. P. 67–89.
20. Xiaoyan Su, Wen Jiang, Jianling Xu, Peida Xu, Yong Deng A New Fuzzy Risk Analysis Method based on Generalized Fuzzy Numbers // Journal of Software. 2011. Vol. 6. № 9. P. 1755–1762.

Посмотреть другие статьи номера »