1. Реферат за темою випускної роботи зміст
2. 1. Актуальність теми
3. 2. Мета і завдання дослідження
4. 3. Огляд досліджень та розробок
5. 3.1 Огляд міжнародних джерел
6. 3.2 Огляд національних джерел
7. 4. Нечітко-множинний метод оцінки ризику банкрутства
8. висновки

Реферат за темою випускної роботи

зміст

Вступ

Будь-яка сфера економічної діяльності супроводжується явищем ризику. Страхування відноситься до тих видів діяльності, які сильно схильні до цього явища. Фактор ризику та необхідність покриття можливого збитку в результаті його прояви викликають потребу в страхуванні.

Точне вимірювання ризику здійснюється різними кількісними методами: математичними, статистичними, методами теорії ймовірності, теорією ігор і багатьма іншими. Ризик у страхуванні супроводжений великою мірою невизначеності, відсутністю вираженої закономірності і його неможливо поставити чіткими числовими даними. Ці фактори обмежують використання класичних методів статистичного аналізу і виникає необхідність розробки нових методів оцінки, до яких можна віднести системи з нечіткою логікою.

1. Актуальність теми

Актуальність теми дослідження визначається необхідністю своєчасного виявлення несприятливих тенденцій в діяльності страхової компанії за допомогою методів нечіткої логіки.

Простота нечіткої логіки як методології вирішення проблем гарантує її успішне використання у вбудованих системах контролю і аналізу інформації. На відміну від традиційної математики, що вимагає на кожному кроці моделювання точних і однозначних формулювань закономірностей, нечітка логіка пропонує зовсім інший рівень мислення, завдяки якому творчий процес моделювання відбувається на найвищому рівні абстракції, при якому постулюється лише мінімальний набір закономірностей.

2. Мета і завдання дослідження

Мета роботи - сформувати комплексний підхід до оцінки ризику банкрутства страхової компанії.

Об'єкт дослідження - ризик банкрутства страхової компанії.

Предмет дослідження - вивчення взаємозв'язку між якісними змінними і величиною ризику банкрутства.

Основні завдання дослідження:

1. Розглянути теоретичні аспекти аналізу ризику;
2. Виявити взаємозв'язок між показниками функціонування страхової компанії і ризиком банкрутства;
3. Виміряти ризик банкрутства в кількісному вираженні

3. Огляд досліджень та розробок

Апарат теорії нечітких множин, продемонструвавши ряд багатообіцяючих можливостей застосування - від систем управління літальними апаратами до прогнозування підсумків виборів, виявився разом з тим складним для втілення. З огляду на наявний рівень технології, нечітка логіка зайняла своє місце серед інших спеціальних наукових дисциплін - десь посередині між експертними системами і нейронними мережами.

3.1 Огляд міжнародних джерел

Нечітка логіка (англ. Fuzzy logic) і теорія нечітких множин - розділ математики, що є узагальненням класичної логіки і теорії множин. Поняття нечіткої логіки було вперше введено професором Лотфі Заде в 1965 році. У його статті поняття безлічі було розширено допущенням, що функція приналежності елемента до безлічі може приймати будь-які значення в інтервалі [0 ... 1], а не тільки 0 або 1. Такі безлічі були названі нечіткими. Також автором були запропоновані різні логічні операції над нечіткими множинами і запропоновано поняття лінгвістичної змінної, як значення якої виступають нечіткі безлічі [ 7 ].

Великий внесок у розвиток методів нечіткої логіки в сфері прикладних систем внесли японські вчені, такі як Т. Тера, К. Асаи. Іменами вчених М. Сугено і М. Мамдані названі методи логічного висновку [ 6 ].

Серед російських фахівців можна виділити А.О.Недосекіна, який у своїй дисертації «Методологічні основи моделювання фінансової діяльності з використанням нечітко-множинних описів» застосував апарат нечіткої логіки в області фінансового менеджменту [ 1 ].

3.2 Огляд національних джерел

Серед вітчизняних вчених великою популярністю користуються праці С.Д. Штовба. В його роботі «Проектування нечітких систем засобами MATLAB» розглянуті такі питання, як проектування нечітких систем в основоположному пакеті Fuzzy Logic Toolbox в середовищі MATLAB. Також дані потрібні відомості в області теорії нечіткої логіки та нечітких множин [ 3 ].

Не менш відомі праці А.П. Ротштейна. У книзі «Інтелектуальні технології ідентифікації» запропонований метод двоетапної ідентифікації нелінійних залежностей за допомогою нечітких баз знань [ 10 ].

4. Нечітко-множинний метод оцінки ризику банкрутства

Дослідження стану теорії нечітких множин стосовно економіки та фінансів показує, що вже створено всі необхідні формалізми для моделювання фінансових систем, однак нинішній рівень модельних уявлень відстає від запитів практики фінансового менеджменту. Нечіткі множини практично не застосовувалися до теперішнього часу для фінансового аналізу і планування корпорацій, оцінки інвестиційної привабливості цінних паперів, для оптимізації фондового портфеля і прогнозування [ 5 ].

Розглядаючи роль нечітко-множинних описів для фінансового моделювання, в роботі зазначається, що такі моделі і методи на їх основі є законними правонаступником імовірнісних моделей і методів, з одного боку, і експертних методів, з іншого боку.

Малюнок 1 - Взаємозв'язок класичних імовірнісних, експертних і нечітко-множинних описів
(Анімація 4 кадри, 6 циклів повторень, 101 кілобайт)

Модель Альтмана побудована з використанням експертного апарату мультиплікативного дискримінантного аналізу (МДА), який дозволяє підібрати такі показники, дисперсія яких між групами була б максимальною, а всередині групи мінімальної. В результаті МДА побудована модель Альтмана (Z-рахунок), що має такий вигляд [ 5 ]:

де K1 = власний оборотний капітал / сума активів;

K2 = перерозподілу прибутків / сума активів;

K3 = прибуток до сплати відсотків / сума активів;

K4 = ринкова вартість власного капіталу / вартість позикового капіталу;

K5 = обсяг продажів / сума активів;

В результаті підрахунку Z - показника для конкретного підприємства робиться висновок:

якщо Z <1,81 - дуже висока ймовірність банкрутства;

якщо 1,81 <Z <2,7 - висока ймовірність банкрутства;

якщо 2,7 <Z <2,99 - можливо банкрутство;

якщо Z> 30 - ймовірність банкрутства вкрай мала.

В економіці України модель Альтмана поки не отримала широкого застосування через наступні випадки [ 2 ]:

1. Потрібно обчислення відповідних коефіцієнтів при показниках Ki, i = 1..5, які, відрізняються від їх значень для зарубіжних країн;
2. Інформація про фінансовий стан аналізованих підприємств, як правило, недостовірна, керівництво ряду підприємств «свідомо» підправляє свої показники в фінансових звітах, що унеможливлює знайти достовірні оцінки коефіцієнтів в Z- моделі.

Тому завдання оцінки ймовірності ризику банкрутства повинна вирішуватися в умовах невизначеності, неповноти вихідної інформації, і для її вирішення пропонується використовувати адекватний апарат прийняття рішень - нечіткі множини і нечіткі нейронні мережі (ННС). Розглянемо матричний метод прогнозування банкрутства корпорацій запропонований доктором економічних наук О.А. Недосекін [ 1 ].

1. Експерт будує лінгвістичну змінну зі своїм терм-множиною значень. Наприклад, «Рівень менеджменту» може мати наступне терм-множина значень: «Дуже низький, Низький, Середній, Високий, Дуже високий» [ 1 ].
2. Для того, щоб конструктивно описати лінгвістичну змінну, експерт вибирає відповідний кількісний ознака - наприклад, сконструйований спеціальним чином показник рівня менеджменту, який приймає значення від нуля до одиниці [ 1 ].
3. Далі експерт кожному значенню лінгвістичної змінної яка з побудови є нечітким підмножиною значень інтервалу [0,1], ставить у відповідність функцію приналежності того чи іншого нечткого безлічі. Як правило, це трапецеїдальних функція приналежності. Верхнє підставу трапеції відповідає повній впевненості експерта в правильності класифікації, а нижня - впевненості в тому, що ніякі інші значення інтервалу [0,1] не потрапляють в вибране нечітка множина [ 1 ]. (Див. Рис.2.)

Малюнок 2 - Трапецевидная функція приналежності

На цьому опис лінгвістичних змінних закінчується. Нечітко-множинний метод, відомий також, як матричний метод, складається з наступних етапів:

Етап 1 (Лінгвістичні змінні і нечіткі множини) Лінгвістична змінна Е «Стан підприємства» має п'ять значень:

E1 - нечітке підмножина станів «граничного неблагополуччя»;

E2 - нечітке підмножина станів «неблагополуччя»;

E3 - нечітке підмножина станів «середнього рівня»;

E4 - нечітке підмножина станів «відносного благополуччя»;

E5 - нечітке підмножина станів «граничне благополуччя».

Відповідна змінної E лінгвістична змінна G «Ризик банкрутства» також має 5 значень:

G1 - нечітке підмножина станів «граничний ризик банкрутства»;

G2 - нечітке підмножина станів «ступінь ризику банкрутства висока»;

G3 - нечітке підмножина станів «ступінь ризику банкрутства середня»;

G4 - нечітке підмножина станів «низький ступінь ризику банкрутства»;

G5 - нечітке підмножина станів «ризик банкрутства незначний».

Носій безлічі G - показник ступеня ризику банкрутства g - приймає значення від нуля до одиниці за визначенням.

Для окремого фінансового показника або показника управління Хi задаємо лінгвістичну змінну Вi «рівень показника ХI» на наступному терм-безлічі значень:

Bi1 - підмножина «дуже низький рівень показника ХI»;

Bi2 - підмножина "низький рівень показника ХI»;

Bi3 - підмножина «середній рівень показника ХI»;

Bi4 - підмножина «високий рівень показника ХI»;

Bi5 -подмножество «дуже високий рівень показника ХI».

Етап 2 (Показники). Побудуємо набір окремих показників X = {Хi} загальним числом N, які на думку експерта, з одного боку впливають на оцінку ризику банкрутства підприємства, а з іншого боку, оцінюють різні за своєю природою боку ділової і фінансової життя підприємства. Наприклад, в матричному методі використовуються такі показники [ 8 ]:

Х1 - коефіцієнт автономії (відношення власного капіталу до валюти балансу);

Х2 - коефіцієнт забезпечення оборотних активів власними коштами (відношення чистого оборотного капіталу до оборотних активів);

Х3 - коефіцієнт проміжної ліквідності (відношення суми грошових коштів і дебіторської заборгованості до короткострокових пасивів);

Х4 - коефіцієнт абсолютної ліквідності (відношення суми грошових коштів до короткострокових пасивів);

Х5 - оборотність всіх активів за рік (відношення виручки від реалізації послуг до середньої виручки за період вартості активів);

Х6 - рентабельність всього капіталу (відношення чистого прибутку до середньої за період вартості активів).

Етап 3 (Значимість показників). Поставимо у відповідність кожному показнику Хi рівень його значущості ri. Для того, щоб оцінити цей рівень, необхідно поставити всі показники по порядку зменшення їх значимості так, щоб виконувалося співвідношення [ 2 ]:

Якщо система показників проранжірованна в порядку зменшення їх значимості, то вага i-го показника ri необхідно визначати за правилом Фішберна:

Етап 4 (Класифікація ступеня ризику). Побудуємо класифікацію поточного значення g показника ступеня ризику як критерій розбиття цієї множини на нечіткі підмножини (таблиця 1) [ 1 ]:

Таблиця 1. Класифікація ступеня ризику

Інтервал значень g Класифікація рівня параметра Складність оціночної впевненості (функція приналежності) 0 <g <0.15 G5 1 0.15 <g <0.25 G5 m5 = 10 * (0.25 - g) G4 1 - m5 = m4 0.25 <g <0.35 G4 1 0.35 < g <0.45 G4 m4 = 10 * (0.45 - g) G3 1 - m4 = m3 0.45 <g <0.55 G3 1 0.55 <g <0.65 G3 m3 = 10 * (0.65 - g) G2 1 - m3 = m2 0.65 <g <0.75 G2 1 0.75 <g <0.85 G2 m2 = 10 * (0.85 - g) G1 1 - m2 = m1 0.85 <g <1 G1 1

Етап 5 (Класифікація значень показників). Побудуємо класифікацію поточних значень показників Х як критерій розбиття повного безлічі їх значень на нечіткі підмножини виду В. Один із прикладів такої класифікації наведено нижче. У клітинах таблиці стоять трапецеїдальні нечіткі числа, які характеризують відповідні функції приналежності.

Етап 6 (Оцінка рівня показників). Проведемо оцінку поточного рівня показників і зведемо отримані результати в таблицю 2:

Таблиця 2. Поточні значення показників

Показник Поточне значення X1 x1 .... .... Xi xi .... .... XN xN

Етап 7 (Класифікація рівня показників). Проведемо класифікацію поточних значень х за критерієм таблиці, побудованої на етапі 5. Результатом проведеної класифікації є таблиця значень рівнів належності носія хi нечітким підмножини В j.

Етап 8 (Оцінка ступеня ризику). Виконаємо обчислювальні операції для оцінки ступеня ризику банкрутства [ 2 ].

Далі рівень отриманого комплексного показника проходить розпізнавання по простому правилу або на основі системи трапецієподібних функцій приналежності. Зокрема, просте правило:

g: [0, 0.2] - дуже низький рівень фінансового стану;

g: [0.21, 0.4] - низький рівень фінансового стану;

g: [0.41, 0.6] - середній рівень фінансового стану;

g: [0.61, 0.8] - високий рівень фінансового стану;

g: [0.81, 1] - дуже високий рівень фінансового стану.

Побудований метод комплексного аналізу фінансового стану корпорації може бути з успіхом застосований в бізнес-процесі щоквартального моніторингу стану корпорації за даними її фінансової звітності.

висновки

Організовані в вигляді окремих, цілісних структур інформаційного забезпечення знання про предметну область стають явними і відокремлюються від інших типів знань, наприклад загальних знань. Бази знань дозволяють робити висновки спираюся не тільки на методи формальної (математичної) логіки, а й на основі досвіду, фактів, евристик, тобто вони найбільш наближені до людської логіки. Розробки в області штучного інтелекту мають на меті використання великих обсягів високоякісних спеціальних знань про деяку вузької предметної області для вирішення складних, неординарних завдань.

База знань є основою експертної системи, вона накопичується в процесі її побудови. Знання виражаються в явному вигляді, що дозволяє зробити явним спосіб мислення і розв'язання задач, і організовані так, щоб спростити прийняття рішень. База знань, обумовлює компетентність експертної системи, втілює в собі знання фахівців установи, відділу, досвід групи фахівців і є інституційним знанням.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: Січень 2014 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Список джерел

1. Недосекин А.О. Методологічні основи моделювання фінансової діяльності з використанням нечітко-множинних описів. / Дисертація на здобуття наукового ступеня доктора економічних наук. - СПб .: Санкт-Петербурзький державний університет економіки і фінансів, 2003. - 280 с.
2. Лузін В.П. Інформаційно-технічні основи створення системи управління великими ризиками в страховій компанії. - М .: Буквиця, 2009 - 146 с.
3. Штовба С.Д. Проектування нечітких систем засобами Matlab.- М .: Гаряча лінія, 2007.
4. Гутко Л.М. Страховий ринок Украхні: Стан, проблеми розвитку та шляхи їх вирішенню // менедженту: Оцінка страхового ризики №4, -2009 рік.
5. Економіко-математичні методи і прикладні моделі: Навчальний посібник для вузів / В.В. Федосєєв, А.Н. Гармаш, І.В. Орлова та ін. - М .: ЮНИТИ-ДАНА, 2005.
6. Тера, Т., Асаи, К., Сугено, М. Прикладні нёчеткіе системи. М .: Світ, 1993. 368c.
7. Заде Л. Поняття лінгвістичної змінної і його застосування до прийняття наближених рішень. М .: Світ, 1976. 166c.
8. Рутковська Д., Піліньскій М., Рутковський Л. Нейронні мережі, генетичні алгоритми та нечіткі системи. - М., 2004.
9. Круглов В.В., Дли М.І. Інтелектуальні інформаційні системи: комп'ютерна підтримка систем нечіткої логіки і нечіткого виведення. - М .: Физматлит, 2002.
10. Ротштейн А. П. Інтелектуальні технології ідентифікації: нечітка логіка, генетичні алгоритми, нейронні мережі / А. П. Ротштейн. - Вінниця: УНІВЕРСУМ-Вінниця, 1999. - 320 с.