| |||||
МЕНЮ
| Прикладная математика[pic]=1 . Решение (оптимальное) этой задачи обозначим *. Если x*i >0 , то это означает рекомендацию вложить долю x*i наличного капитала в ценные бумаги i-го вида. Если же x*i 7 . Можно доказать, что риск оптимального портфеля в зависимости от его доходности при наличии безрисковых бумаг равен [pic], где [pic] Постановку задачи формирования оптимального портфеля (1) можно словами сформулировать так: Сформировать портфель минимального риска из всех имеющих эффективность не менее заданной. Но столь же естественна и задача формирования портфеля максимальной эффективности из всех имеющих риск не более заданного, т.е. найти [pic], максимизирующие ожидаемую эффективность портфеля [pic] при условии, что обеспечивается значение риска портфеля не более заданного, т.е. [pic] поскольку [pic] – доли, то в сумме они должны составлять единицу: [pic] Если на рынке есть безрисковые бумаги, то в такой постановке задача формирования такого оптимального портфеля имеет решение, очень похожее на (2): Оптимальное значение долей [pic] рисковых бумаг есть [pic] (3) Можно доказать, что эффективность портфеля максимальной эффективности в зависимости от заданного его риска [pic] равна [pic]. §14. Принятие решений в условиях неопределенности Предположим, что ЛПР (Лицо, Принимающее Решения) рассматривает несколько возможных решений [pic]. Ситуация неопределенна, понятно лишь, что наличествует какой-то из вариантов [pic]. Если будет принято [pic]-e решение, а ситуация есть [pic]-я , то фирма, возглавляемая ЛПР, получит доход [pic]. Матрица [pic] называется матрицей последствий (возможных решений). Какое же решение нужно принять ЛПР? В этой ситуации полной неопределенности могут быть высказаны лишь некоторые рекомендации предварительного характера. Они не обязательно будут приняты ЛПР. Многое будет зависеть, например, от его склонности к риску. Но как оценить риск в данной схеме? Допустим, мы хотим оценить риск, который несет [pic]-e решение. Нам неизвестна реальная ситуация. Но если бы ее знали, то выбрали бы наилучшее решение, т.е. приносящее наибольший доход. Т.е. если ситуация есть [pic]-я , то было бы принято решение, дающее доход [pic]. Значит, принимая [pic]-e решение мы рискуем получить не [pic], а только [pic], значит принятие [pic]-го решения несет риск недобрать [pic]. Матрица [pic] называется матрицей рисков. Пример 1. Пусть матрица последствий есть [pic] Составим матрицу рисков. Имеем [pic] Следовательно, матрица рисков есть [pic] А. Принятие решений в условиях полной неопределенности. Не все случайное можно "измерить" вероятностью. Неопределенность – более широкое понятие. Неопределенность того, какой цифрой вверх ляжет игральный кубик отличается от неопределенности того, каково будет состояние российской экономики через 15 лет. Кратко говоря, уникальные единичные случайные явления связаны с неопределенностью, массовые случайные явления обязательно допускают некоторые закономерности вероятностного характера. Ситуация полной неопределенности характеризуется отсутствием какой бы то ни было дополнительной информации. Какие же существуют правила-рекомендации по принятию решений в этой ситуации? Правило Вальда (правило крайнего пессимизма). Рассматривая [pic]-e решение будем полагать, что на самом деле ситуация складывается самая плохая, т.е. приносящая самый малый доход [pic]. Но теперь уж выберем решение [pic] с наибольшим [pic]. Итак, правило Вальда рекомендует принять решение [pic], такое что [pic] Так, в вышеуказанном примере, имеем [pic]Теперь из чисел 2,2,3,1 находим максимальное. Это – 3 . Значит, правило Вальда рекомендует принять 3-е решение. Правило Сэвиджа (правило минимального риска). При применении этого правила анализируется матрица рисков [pic]. Рассматривая [pic]-e решение будем полагать, что на самом деле складывается ситуация максимального риска [pic] Но теперь уж выберем решение [pic] с наименьшим [pic]. Итак, правило Сэвиджа рекомендует принять решение [pic], такое что [pic] Так, в вышеуказанном примере, имеем [pic] Теперь из чисел 8,6,5,7 находим минимальное. Это – 5. Значит правило Сэвиджа рекомендует принять 3- е решение. Правило Гурвица (взвешивающее пессимистический и оптимистический подходы к ситуации). Принимается решение [pic], на котором достигается максимум [pic] где [pic]. Значение [pic] выбирается из субъективных соображений. Если [pic] приближается к 1, то правило Гурвица приближается к правилу Вальда, при приближении [pic] к 0, правило Гурвица приближается к правилу "розового оптимизма" (догадайтесь сами, что это значит). В вышеуказанном примере при [pic] правило Гурвица рекомендует 2-е решение. В. Принятие решений в условиях частичной неопределенности. Предположим, что в рассматриваемой схеме известны вероятности [pic] того, что реальная ситуация развивается по варианту [pic]. Именно такое положение называется частичной неопределенностью. Как здесь принимать решение? Можно выбрать одно из следующих правил. Правило максимизации среднего ожидаемого дохода. Доход, получаемый фирмой при реализации [pic]-го решения, является случайной величиной [pic] с рядом распределения |[pi| |… | |[pi| |c] | | | |c] | |[pi| |… | |[pi| |c] | | | |c] | Математическое ожидание [pic] и есть средний ожидаемый доход, обозначаемый также [pic]. Итак, правило рекомендует принять решение, приносящее максимальный средний ожидаемый доход. Предположим, что в схеме из предыдущего п. вероятности есть (1/2, 1/6, 1/6, 1/6). Тогда [pic] Максимальный средний ожидаемый доход равен 7, соответствует 3-у решению. Правило минимизации среднего ожидаемого риска. Риск фирмы при реализации [pic]-го решения, является случайной величиной [pic] с рядом распределения |[pi| |… | |[pi| |c] | | | |c] | |[pi| |… | |[pi| |c] | | | |c] | Математическое ожидание [pic] и есть средний ожидаемый риск, обозначаемый также [pic]. Правило рекомендует принять решение, влекущее минимальный средний ожидаемый риск. Вычислим средние ожидаемые риски при указанных выше вероятностях. Получаем [pic] Минимальный средний ожидаемый риск равен 7/6, соответствует 3-у решению. Нанесем средние ожидаемые доходы [pic]и средние ожидаемые риски [pic] на плоскость – доход откладываем по вертикали, а риски по горизонтали (см.рис.): Получили 4 точки. Чем выше точка [pic] [pic], тем более доходная операция, .Q3 чем точка правее – тем более она рисковая. Значит, нужно выбирать точку выше и левее. Точка [pic] .Q1 доминирует точку [pic], если [pic] .Q2 и [pic] и хотя бы одно из этих .Q4 неравенств строгое. В нашем случае 3-я операция доминирует все остальные. [pic] Точка, не доминируемая никакой другой называется оптимальной по Парето, а множество всех таких точек называется множеством оптимальности по Парето. Легко видеть, что если из рассмотренных операций надо выбрать лучшую, то ее обязательно надо выбрать из операций, оптимальных по Парето. В нашем случае, множество Парето, т.е. оптимальных по Парето операций, состоит только из одной 3-й операции. Для нахождения лучшей операции иногда применяют подходящую взвешивающую формулу, которая для пар [pic] дает одно число, по которому и определяют лучшую операцию. Например, пусть взвешивающая формула есть [pic]. Тогда получаем: [pic] [pic]. Видно, что 3-я операция – лучшая, а 4-я – худшая. С. Правило Лапласа. Иногда в условиях полной неопределенности применяют правило Лапласа равновозможности, когда все вероятности [pic] считают равными. После этого можно выбрать какое-нибудь из двух приведенных выше правил-рекомендаций принятия решений. §15. Математико-статистический анализ данных о деятельности производственного экономического объекта Цель математико-статистического анализа данных, характеризующих поведение исследуемого экономического объекта, состоит в том, чтобы выявить тенденции изменения выпуска продукции и используемых ресурсов, установить зависимость между выпуском и затратами ресурсов и по этим тенденциям и зависимостям найти прогнозы выпуска на ближайшую перспективу. Выявление тенденций и установление зависимостей между выпуском и ресурсами осуществляется с помощью методов экстраполяции временных рядов и регрессионного анализа, изучаемых в курсе "Теория вероятностей и математическая статистика" [ ]. Расчеты по регрессионным моделям целесообразно выполнять на персональных ЭВМ с помощью пакетов прикладных программ, имеющих в своем составе программы множественной линейной регрессии (например, Statistica for Windows, Statgraf, SAS), однако возможно их выполнение на научном калькуляторе по формулам регрессионного анализа, приведенным в [ ]. Технику проведения расчетов и получения прогнозов покажем на примере исследования экономики США. Исходные данные для расчетов, взятые из следующих источников: Economic Report of the President, 1995,Wash,1995; Statistical Abstract of the USA, 1995, Wash, 1995, приведены в следующей таблице. Валовой внутренний продукт, (в ценах 1987 г.), основные производственные фонды (в ценах 1987 г.) и число занятых в США в 1960-1995 г.г. |№ |Год |ВВП |ОПФ |Число | |п.п.| |(млрд. |(млрд. |занятых | | | |долл.) |долл.) |(млрд. чел.)| | | |Xt |Kt | | | | | | |Lt | |1 |1960 |1986,9 |5596,9 |65,8 | |2 |1961 |2035,7 |5685,6 |65,7 | |3 |1962 |2140,5 |5849,8 |66,7 | |4 |1963 |2234,2 |6098,9 |67,8 | |5 |1964 |2357,4 |6336,1 |69,3 | |6 |1965 |2493,3 |6621,5 |71,1 | |7 |1966 |2635,7 |6921,8 |72,9 | |8 |1967 |2705,6 |7237,0 |74,4 | |9 |1968 |2816,0 |7434,0 |75,9 | |10 |1969 |2891,0 |8062,0 |77,9 | |11 |1970 |2889,5 |8416,8 |78,7 | |12 |1971 |2978,2 |8596,7 |79,4 | |13 |1972 |3133,2 |9533,6 |82,2 | |14 |1973 |3298,5 |9718,1 |85,1 | |15 |1974 |3283,5 |9455,7 |86,8 | |16 |1975 |3250,2 |9493,2 |85,8 | |17 |1976 |3414,0 |9620,9 |88,8 | |18 |1977 |3568,2 |9755,9 |92,0 | |19 |1978 |3738,8 |11217,1 |96,0 | |20 |1979 |3848,6 |12117,0 |98,8 | |21 |1980 |3824,4 |11691,4 |99,3 | |22 |1981 |3883,1 |11987,8 |100,4 | |23 |1982 |3794,5 |10717,1 |99,5 | |24 |1983 |3938,5 |10849,2 |100,8 | |25 |1984 |4177,5 |11989,2 |105,0 | |28 |1987 |4544,5 |13063,7 |112,4 | |29 |1988 |4724,0 |13382,5 |115,0 | |30 |1989 |4854,2 |13838,9 |117,3 | |31 |1990 |5002,5 |15411,8 |117,9 | |32 |1991 |4881,6 |14295,5 |116,9 | |33 |1992 |4984,1 |14252,1 |117,6 | |34 |1993 |5139,9 |14412,5 |119,3 | |35 |1994 |5372,0 |15319,8 |123,1 | |36 |1995 |5604,1 |15939,2 |126,7 | а) Анализ тенденций изменения и прогнозирование ВВП, ОПФ и числа занятых. Анализ тенденции изменения и прогнозирование покажем на примере ВВП. Если имеет место линейный тренд, то модель изменения ВВП принимает вид [pic], где [pic] - линейный (относительно времени) тренд, [pic] - среднее значение ВВП (значение тренда) при t=0 ([pic] ( x1 - [pic]), [pic] - среднегодовой прирост ВВП, (t – отклонение фактического значения ВВП от тренда. Оценки коэффициентов тренда приведены в [ ] и имеют вид [pic] Выполнив расчеты на ЭВМ с помощью указанных ППП, либо непосредственно подставив значения временного ряда ВВП (взятые из таблицы) в последние две формулы, получаем оценки коэффициентов тренда [pic] = 1854,1 – оценка среднего значения ВВП в 1959 г. (млрд. долл.) [pic] = 96,66 – оценка среднегодового прироста ВВП (млрд. долл.), тем самым и оценки тренда Хt = 1854,1 + 96,66(t. Прогноз осуществляем по следующей формуле (подставляем будущие значения времени в уравнение тренда) [pic] в частности, (1996)[pic] = 1854,1 + 96,66(37 = 5430,6; (1997) [pic]= 5527,3; (1998) [pic] = 5623,9. Точно так же находим оценки трендов и прогнозируемые значения ОПФ и числа занятых [pic] = 5071,7 + 290,05t; [pic] (1996) [pic] = 5071,7 + 290,05(37 = 15803,6; (1997) [pic] = 16093,6; (1998) [pic] = 16383,7; [pic] = 60,36 + 1,796t; [pic] (1996) [pic] = 60,36 + 1,796(37 = 126,8; (1997) [pic] = 128,6; (1998) [pic] = 130,4. Замечание. Полученные прогнозы основаны на данных 1960 – 1995 г.г. К настоящему времени уже известны фактические данные за 1996 – 1998 г.г., поэтому есть возможность сравнить прогнозируемые значения с фактическими. На приводимых ниже рисунках показаны фактические, расчетные (по линейному тренду) и прогнозируемые значения. Прогноз ОПФ на 1996 – 1998 г.г. (млрд. долл.) [pic] Прогноз числа занятых на 1996-1998 г.г. (млн. чел.) [pic] б) Установление зависимости ВВП от ресурсов (ОПФ и числа занятых) и прогнозирование ВВП с помощью найденной зависимости. Зависимость ВВП от ОПФ и числа занятых постулируем в форме мультипликативной функции [pic], где А – коэффициент нейтрального технического прогресса, (K, (L – коэффициенты эластичности по фондам и по труду. При наложении этой гипотетической зависимости на реальные данные приходим к следующей модели [pic] [pic] - корректировочный коэффициент, который приводит расчетные (по модели) данные к фактическим. В логарифмах эта модель приобретает вид уравнения регрессии с двумя независимыми переменными [pic]. Вводя в программу линейной множественной регрессии в качестве значений зависимой переменной логарифмы ВВП (ln Xt, t = 1,…,T), а в качестве значений двух переменных логарифмы ОПФ (ln Kt, t = 1,…,T) и числа занятых (ln Lt, t = 1,…,T), получаем в результате работы программы оценки параметров регрессии [pic]. Так расчеты на ЭВМ с помощью ППП " Statistica for Windows" по логарифмам походных данных дали следующие результаты [pic], поэтому ([pic]= 2,248) [pic]. Используя прогнозируемые значения ресурсов, получаем прогноз ВВП с помощью найденной зависимости от ресурсов (1996) [pic] (1997) [pic] = 5576,7; (1998) [pic] = 5680,1. На приводимом ниже рисунке показаны фактические, расчетные (по линейному тренду и по мультипликативной функции) значения ВВП. Прогноз ВВП на 1996-1998 г.г. (млрд. долл.) [pic] в) Выводы из результатов расчетов. Как видно из таблицы исходных данных экономика США в 1960-1995 г.г. находилась в состоянии экономического роста, прерываемого в 1960-1961 г.г., 1969-1970 г.г., 1974-1975 г.г., 1980-1982 г.г., 1990-1992 г.г. кризисами и спадами производства. Этот экономический рост характеризуется среднегодовыми приростами: ВВП – на 96,7 млрд. долл., ОПФ – на 290,1 млрд. долл., числа занятых – на 1,8 млн. чел. Увеличение ОПФ на 1% приводит к увеличению ВВП на 0,404%, а увеличение числа занятых на 1% - на 0,803%, т.е. экономический рост являлся фондосберегающим. Если бы тенденции сохранились, то к концу 1998 г. ОПФ составили бы 16383,7 млрд. долл. (рост по сравнению с 1995 г. на 2,8%), ВВП достиг бы в 1998 г. значений: при прогнозе по линейному тренду – 5623,9 млрд. долл. (рост на 0,35%), при прогнозе на мультипликативной зависимости – 5680,1 (рост на 1,4%). ----------------------- [pic] 25 4 9 0 [pic] (2) (2) V II I t3 181 3 208 3 IV M III t1 33 181 3 16 1 4 М( ) 46 5 42 ;60 1 5 [pic] (6) (5) (30) (29) (28) (27) K=2 K=3 48 33 32 31 30 29 28 27 26 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 2 . 3 . 1 . 4 . r (Q 0 5 1 1 Рис. 2 1 1/5 Рис. 3 13 6 0 6 7 5 2 2 [pic] 2 3 1 2/5 [pic] [pic] 1 1 3 3 2 Таблица 2 1 0 [pic] 7 [pic] Рис. 1 1 [pic] 2 5 2 2 0 6 2 Таблица 4 4 0 5 6 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 [pic] |
ИНТЕРЕСНОЕ | |||
|