ДЕРЕВО РЕШЕНИЙ ДЛЯ АНАЛИЗА РИСКОВ ПРОЕКТА - Студенческий научный форум

XIV Международная студенческая научная конференция Студенческий научный форум - 2022

ДЕРЕВО РЕШЕНИЙ ДЛЯ АНАЛИЗА РИСКОВ ПРОЕКТА

Калианиди Я.И. 1
1Новороссийский филиал Финансового университета при Правительстве РФ
 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

Дерево решений — это инструмент поддержки принятия решений с прогнозированием, широко используемый в статистике и анализе данных. Само дерево решений состоит из «ветви» и «листа». Ветвь (край графика) хранит значение атрибута, от которого зависит целевая функция; значение целевой функции записано на листе. Есть другие узлы (родительский узел и дочерний узел), вдоль которых происходит разветвление, и можно выделить случаи [3;116-119].

Целью всего процесса построения дерева решений является создание модели, с помощью которой можно классифицировать случай и значение, которое может принимать целевая функция, и она имеет несколько переменных в качестве входных данных. Следовательно, деревья решений — это последовательные инструменты управления рисками. Это включает в себя:

Корневой узел

Узлы решений

Узлы событий

Конечные узел

Этапы построения дерева решений делятся на следующие этапы:

1. Изначально определите ключевые проблемы. Это будет верхушка дерева.

2. Для каждого момента определите все возможные варианты других событий, которые могут повлиять на ключевые проблемы. Это будут дуги от верхушки дерева.

3. Укажите время наступления событий.

4. Для каждой дуги указываются характеристики валюты и вероятности.

5. Проанализируйте результаты.

Простейшая древовидная структура решений основана на ответах на вопросы «да» и «нет» [3;116-119].

Например, предположим, что есть случай, в котором необходимо решить, одобрять ли ссуду на основе информации о клиенте (несколько переменных: возраст, семейное положение, уровень дохода и т. Д.) (Целевая функция может использовать `` да '' и `` нет '' 'Значение). Например, переменная «возраст» с атрибутом «возраст менее 21 года = да» будет вести от корневого узла дерева к его листьям, а целевая функция «выдавать ссуды» примет значение «нет». Если возраст старше 21 года, филиал приведет нас к следующему узлу, например, узел будет «спрашивать» уровень дохода клиента. Поэтому при переходе к рабочему листу каждый новый случай будет классифицирован, что укажет нам значение целевой функции в каждом конкретном случае.

Благодаря построению «дерева решений» вероятность, чистая приведенная стоимость и многие другие показатели, которые необходимы для анализа рисков проекта и принятия управленческих решений, могут быть рассчитаны для каждой программы, разработанной в рамках проекта. [2;209-211]

Построение «дерева решений» обычно используется для проектов с предсказуемым количеством вариантов развития. В противном случае «дерево решений» будет занимать большой объем, поэтому не только сложно вычислить лучшее решение, но и определить данные. Преимущества деревьев решений:

• Быстрый процесс обучения;

• Понятная классификационная модель;

• Более высокая точность прогнозов, которая также может быть сопоставима с другими методами (такими как статистика или нейронные сети);

• Создавать непараметрические модели.

Области, в которых можно применить дерево решений:

1. Банковское дело, здесь можно оценить кредитоспособность клиентов банка при выдаче им кредитов.

2. В промышленности можно проконтролировать качество товара, то есть узнать количество брака и дефектов.

3. Медицина, в которой можно диагностировать болезни.

4. Молекулярная биология, где можно анализировать структуру аминокислот.

5. Для бизнеса здесь можно спрогнозировать проект или доход от проекта. Если мы говорим о деревьях решений при оценке проектов, то вам следует рассчитать здесь NPV (чистая приведенная стоимость) - чистая приведенная стоимость.

Недостаток деревьев решений - ограниченное количество вариантов решения проблемы. При построении дерева решений нужно обращать внимание на его размер. Они не должны быть слишком перегружены, так как это снизит способность обобщать и давать правильные ответы.

Метод Монте-Карло.

Одним из методов моделирования является метод Монте-Карло. Моделирование Монте-Карло — это автоматизированный математический метод, предназначенный для решения рисков при количественном анализе и принятии решений. Эта технология используется профессионалами в различных областях, таких как финансы, управление проектами, энергетика, производство, инжиниринг, исследования и разработки, страхование, нефтегазовая отрасль, транспорт и охрана окружающей среды. [1]

Основное отличие состоит в том, что метод Монте-Карло не использует фактические наблюдения рыночных факторов для моделирования. Вместо этого выбирается статистическое распределение. Суть метода состоит в том, чтобы построить модель, состоящую из случайных величин, и провести с ней серию экспериментов, чтобы выявить влияние исходных данных на значения, которые от них зависят (например, платежеспособность). Данные о продажах, ценах и затратах используются в качестве основы для анализа инновационных проектов. [4; 91-96]

Этапы:

1. Установите взаимосвязь между исходными индикаторами и индикаторами результатов в форме уравнений или неравенств.

2. Задайте функцию распределения для входных параметров модели.

3. На модели была проведена серия компьютерных экспериментов (была получена серия значений факторов, например, эти значения факторов использовались для расчета прибыли и убытков, вызванных изменением стоимости инвестиционного портфеля).

4. Построить функцию распределения модели и рассчитать параметры риска (например, распределение прибыли и убытков портфеля).

5. Проанализировать полученные результаты.

Этот метод можно реализовать в среде Excel. Важность этого метода заключается в сложности проектных решений, высокой нестабильности и информационной неопределенности инвестиционных решений.

Основная трудность при использовании метода Монте-Карло заключается в выборе подходящего распределения для каждого рыночного фактора и оценке его параметров. Другой вопрос — это время и технические ресурсы. Кроме того, предполагаемое распределение вероятностей может не соответствовать действительности.

По сравнению с детерминированным анализом или анализом точечных значений, моделирование методом Монте-Карло имеет несколько преимуществ: [5;202-204]

1. Вероятный исход. Результаты показывают не только возможные события, но и вероятность их наступления.

2. Графическое представление результатов. Характер данных, полученных с помощью методов Монте-Карло, позволяет строить графики различных последствий и их вероятности возникновения. Это важно при передаче результатов другим заинтересованным сторонам.

3. Анализ чувствительности. За очень немногими исключениями, детерминированный анализ затрудняет определение того, какая переменная оказывает наибольшее влияние на результаты. При запуске моделирования Монте-Карло легко увидеть, какие входные данные больше всего влияют на конечный результат.

4. Анализ сценариев. В детерминированной модели сложно смоделировать различные комбинации значений для разных входных значений, чтобы оценить влияние действительно разных сценариев. Используя методы Монте-Карло, аналитики могут точно определить, какие входные данные вызывают определенные значения, и отследить возникновение определенных последствий. Это очень важно для дальнейшего анализа.

5. Актуальность исходных данных. Метод Монте-Карло позволяет моделировать взаимозависимость между исходными переменными. Чтобы получить достоверную информацию, необходимо понимать, при каких обстоятельствах одни факторы увеличиваются, а другие факторы, соответственно, уменьшаются.

Список использованной литературы:

Мировой лидер в области разработки программного обеспечения для анализа рисков и принятия решений. Электронный ресурс URL:https://www.palisade.com/ru/

Воронцовский, А. В. Управление рисками : учебник и практикум для вузов / А. В. Воронцовский. — 2-е изд. — Москва : Издательство Юрайт, 2020. — 485 с. URL: https://urait.ru/bcode/450664 (дата обращения: 04.12.2020)

Менеджмент: методы принятия управленческих решений, 2-е издание, испр. и доп. Учебное пособие для СПО (Под ред. Иванова П.В.) URL: https://urait.ru/viewer/menedzhment-metody-prinyatiya-upravlencheskih-resheniy-448872#page/116. -С. 277

Управление инвестиционными проектами в условиях риска и неопределённости. Учебное пособие для вузов (Матвеева Л. Г., Никитаева А. Ю., Чернова О.А., Щипанов Е.Ф.), 2020. URL: https://urait.ru/viewer/upravlenie-investicionnymi-proektami-v-usloviyah-riska-i-neopredelennosti-452764#page/91 - С. 299

Управление финансовыми рисками. Учебник и практикум для бакалавриата и магистратуры (Под редакцией Хоминич И.П., Пещанской И.В.), 2020. URL: https://urait.ru/viewer/upravlenie-finansovymi-riskami-433674#page/203. - С. 346

Просмотров работы: 633