Останкова Л.А., Шевченко Н.Ю. Аналіз, моделювання та управління економічними ризиками

Подождите немного. Документ загружается.

131

Аналіз, моделювання та управління економічними ризиками

[]

() ( , , , ),

() ( , ,)( 1, ),

(0) ( 1, ),

(0) 0 ( 1, ),

() ( 0, )

ut U f x R

xt f xut i m n

xximmn

xim

ut U t T

∈Θ

==+

==++

∈∈



(169)

де

),,,(

RxfUΘ

— загальний розв’язок задачі.

Окремим розв’язком є будь-яке управління x

, що задовольняє

(169). Для вирішення задачі використовується Ȝ-згортка.

Важливо 2. Ȝ-згорткою задачі (169) є однокритеріальна задача:

() max,

() ( , ,)( 1, ),

(0) ( 1, ),

(0) 0 ( 1, ),

()

xt f xut i m n

xximmn

xim

ut U

→

==+

==++

∈

∑



(170)

Розв’язок задачі (170) знаходиться за допомогою принци-

пу максимуму, який для задачі (170) набуває вигляду: нехай

>< )(

),(

txtu

— оптимальне управління та відповідна траєкторія

у задачі (170). Тоді існує вектор-функція

! 



)(

...,),(

)(

ttt

яка задовольняє системі рівнянь:

),1(

(

)()(

nmi

tuxf

∂

−=

∑



(171)

з кінцевими умовами

),,1(0)(

),,1()(

mnmiT

miT

++==

(172)

Останкова Л. А., Шевченко Н. Ю.

132

така, що при майже всіх

[]

Tt ,0∈

)),(

,),(

(max)(

ttutxHArgtu

∈

, (173)

де

∑

tuxftuxH

),,(),,,(

ψψ

. (174)

Множина

{}

TxTxD ><=

)(...,),(

(175)

кінців траєкторії при всіх допустимих управліннях

Uu ∈

на-

зивається множиною досягнення у задачі (170).

Важливо 3. Нехай множина досягнення D опукла та R

R.

Тоді для будь-якого ),,,(

RxfUu Θ∈ існує

K∈



такий, що

є оптимальним розв’язком задачі (170) при

λλ



1.10. Економічний ризик та деякі

моделі і методи стохастичного

програмування [8–9]

1.10.1. Загальні положення методу

стохастичного програмування

Наявність стохастичної невизначеності вносить у планування

та прийняття економічних рішень елемент ризику.

Для підприємств, які працюють за ринкових умов, встанов-

лення внутрішнього плану (програми), як правило, супроводжу-

ється укладанням контрактів з оптовими споживачами, причому

133

Аналіз, моделювання та управління економічними ризиками

порушення контракту призводить не тільки до явних економічних

неприємностей у вигляді штрафів, а й до таких непрямих наслід-

ків, як «втрата інтересу та пріоритетності споживачів». Завжди

мають місце дві тенденції, що вступають у протиріччя: з одного

боку, прагнення до збільшення обсягу зобов’язань, тобто в кінце-

вому результаті до збільшення валового обсягу запрограмованої

продукції чи прибутку, з іншого — до зменшення ризику неви-

конання зобов’язання через несприятливі зовнішні та внутрішні

фактори упродовж планового періоду. Стохастичним називають

розділ математичного програмування, який вивчає теорію, моделі

й методи розв’язування умовних екстремальних задач за неповної

інформації щодо параметрів їх умов.

Предметом стохастичного програмування є умовні екстре-

мальні задачі, де параметри умов чи складові розв’язку, або всі

вони разом є випадковими величинами.

Постановка задачі стохастичного програмування суттєво за-

лежить від цільових засад та інформаційної її структури.

Одна із постановок задачі управління і, зокрема, планування

за умов невизначеності та ризику полягає у наступному.

Припустимо, що вектор х позначає можливі рішення (альтер-

нативи) з деякої апріорно допустимої множини

X. Раціональний

вибір рішень здійснюється із урахуванням наслідків, до яких при-

зводять ці рішення. Але наслідки рішення залежать не лише від

обраного вектора

X, а й від випадкових чинників (параметрів), які

позначають через Ȧ. Значення Ȧ заздалегідь не відомі. Вважають,

що відома множина ȍ, до якої належить вектор Ȧ. Щодо визна-

чення типу розподілу

Ȧ на множині ȍ можуть бути різні гіпотези.

У кращому випадку відомий точний закон розподілу Ȧ, у гіршо-

му — лише те, що Ȧ∈ȍ.

Зв’язок між рішенням х та наслідками записують у вигляді

функціональної залежності

),(

, яка називається моделлю.

Моделями можуть бути алгебраїчні співвідношення з випад-

ковими параметрами, стохастичні диференційні рівняння, мар-

ковські процеси та ін.

Цікавою є класифікація задач стохастичного програмування,

які виникають за умов ризику та невизначеності за показником

якості (ефективності) розв’язку.

Природно розглядати наступні показники якості розв’язку

стохастичних задач, зокрема лінійних:

Останкова Л. А., Шевченко Н. Ю.

134

• математичне сподівання величини лінійної форми;

• дисперсія лінійної форми;

• лінійна комбінація математичного сподівання та дис-

персії лінійної форми;

• ймовірність перевищення лінійною формою певної фік-

сованої межі;

• математичне сподівання корисності лінійної форми;

• максимін лінійної форми (причому максимум береться

із множини планів

X, а мінімум — за допустимими значен-

нями Ȧ∈ȍ набору параметрів, що визначають реалізацію

випадкових елементів умов задачі тощо.

1.10.2. Класифікація задач стохастичного

програмування

Задачі стохастичного програмування поділяються на статичні

та динамічні.

Для того щоб задача стохастичного програмування мала сенс,

необхідно відповісти на три запитання:

1. Як розуміти вектор x? Він також має бути випадковим (тобто

кожному

Ȧ відповідає своє рішення x(Ȧ), яке визначається стан-

дартними правилами лінійного програмування), чи детермінова-

ним, який не змінюється при випадкових варіаціях параметрів

моделі?

2. Як розуміти максимізацію цільової функції? Як максиміза-

цію абсолютну для усіх

Ȧ∈ȍ, чи максимізацію її математичного

сподівання, чи максимізацію деякої іншої її імовірнісної харак-

теристики?

3. Як розуміти виконання обмежень: абсолютно для всіх

Ȧ∈ȍ, чи у середньому, чи допускати їх порушення з малою ймо-

вірністю тощо?

Під час вирішення цих питань доводиться виходити не лише із

математичних міркувань, а й із економічного змісту та евристич-

них міркувань, якими слід керуватися при дослідженні та моде-

люванні систем з ризиком.

Постановки задач стохастичного програмування, які виника-

ють при моделюванні економічного ризику, суттєво залежать від

135

Аналіз, моделювання та управління економічними ризиками

того, чи є можливість при виборі (прийнятті) рішень для уточнення

стану економічного середовища через певні спостереження. Так,

якщо проводиться перспективне плану

вання, рішення приймаєть-

ся, після спостереження за станом середовища (стануть відомими

потреби) рішення (розв’язок) буде детермінованим. У задачах опе-

ративного чи поточного планування рішення приймаються після

певних спостережень (експериментів) за станом економічного се-

редовища залежно від результатів спостережень і тому бувають

стохастичними (варіантними).

Якщо в результаті спостереження стан економічного середови-

ща стає відомим, то вибір рішення (розв’язку)

x(Ȧ)

при заданому

Ȧ∈ȍ

зводиться до звичайної задачі нелінійного програмування.

Наприклад, мінімізувати (максимізувати)

(max)min),( →

(176)

при урахуванні обмежень

mixq

...,,1,0),( =≤

, (177)

а також умов

Xx ∈

. (178)

Лінійну одноетапну модель стохастичного програмування

можна подати у матрично-векторній формі:

XxbxAxC do );()((max);min)(

Зазначимо, що у загальному випадку спостереження не по-

вністю визначають стан економічного середовища, тому етапи

вибору рішень можуть чергуватися з етапами спостережень над

станом економічного середовища. Тобто, мають місце багатоетапні

процеси вибору рішень, кожне з яких може розвиватися за двома

схемами:

1) рішення — спостереження — рішення –… — спостережен-

ня — рішення;

2) спостереження — рішення — спостереження — … — спо-

стереження — рішення.

Останкова Л. А., Шевченко Н. Ю.

136

Низка рішень називається

-етапною, якщо слово «рішення»

зустрічається

разів.

Якщо рішення х детерміноване і приймається перед тим, як

спостерігається стан середовища

, то співвідношенням (176)…

(178) слід надати певний імовірнісний зміст, бо для фіксованого

х для одних

Ȧ∈ȍ

співвідношення (177) можуть виконуватися і х

виявиться допустимим розв’язком, а для інших

Ȧ∈ȍ

можуть

не виконуватися. У більшості випадків має сенс максимізація (мі-

німізації) математичного сподівання

(

Ȧ)

, тобто необхідно знайти

такий вектор х, за якого досягається екстремум функції

(

Ȧ)

o (max)min)(),(),()(

ZMZZ

dxfxMfx

(179)

за умов

mixMqxF

...,,1,0),()( d

; (180)

Xx ∈

. (181)

Функцію

(x)

називають функцією ризику, а функціями

(x),i = 1,...,m —

регресії;

ĳ(Ȧ)

— щільність розподілу.

Як уже зазначалося, математичне сподівання функції

f(x,Ȧ)

не єдина імовірнісна характеристика. Розглядають також дис-

персію функції

f(x,Ȧ)

чи моменти вищих порядків випадкової ве-

личини

f(x,Ȧ)

, їх алгебраїчні суми зважені за допомогою деяких

коефіцієнтів, зокрема

),(),()(

xkDfxMfxF 

, (182)

де

— ціна ризику.

Приклад. Вибір запасів. Необхідно зробити запас з

товарів

у кількості

, x

,..., x

)

, на які є випадковий попит

(Ȧ

,..., Ȧ

) = Ȧ

Недостача товарів, які знаходяться в запасі, штрафується з ко-

ефіцієнтами

,..., c

) = c

, а затрати на зберігання одиниці про-

дукції, яку не вдалося збути, задаються вектором

,..., d

) = d

Розв’язання. Функція збитків, що відповідає розв’язку х, має

вигляд:

137

Аналіз, моделювання та управління економічними ризиками

{}

∑

−+−=

jjjjjj

xdxcxf

,0max(),0max(),(

ωωω

(183)

Приклад. «Портфельний» підхід до теорії грошей []. У фор-

мальній кейсіанській моделі індивіди можуть зберігати свої за-

ощадження (індивідуальні портфелі) у вигляді грошей та облігацій.

Гроші — це актив, який використовується як засіб обігу і не при-

носить відсоткової ставки, облігації — цінні папери, які дають

певний відсоток.

Чому ж люди не зберігають свої заощадження у вигляді облі-

гацій? Економісти пояснюють це невизначеністю та небажанням

надто ризикувати, бо відсоток та ринкова вартість облігацій на-

перед точно не відомі.

Розв’язання. Введемо позначення:

S — величина активу, х та

у — величини активу, що зберігаються відповідно у формі грошей

та облігацій. Вважається, що через рік активи, вкладені в обліга-

ції, змінюються. За інших рівних умов облігацію, яка приносить

більший відсоток прибутку, на ринку цінних паперів можна збути

за більшу ціну, ніж облігацію з меншим відсотком. Позначимо

через

k та Ȧ величини активів, які реалізуються через рік у формі

грошей та облігацій. Для нашого прикладу

k = 1, а Ȧ є випадко-

вою величиною. Якщо

U(·) — функція корисності, визначена щодо

величини активу через рік, то модель найбільш пріоритетного

розподілу активу на гроші та облігації полягає у максимізації спо-

діваної корисності:

max)(),( o yxMUyxF

; (184)

0,; ≥≤+ yxSyx

(185)

У разі нейтрального ставлення особи, яка приймає рішення,

до ризику вираз (184) має вигляд:

max),( o

yMxyxF

(186)

і питання щодо розподілу активу між грішми та облігаціями ви-

рішиться повністю на користь одного з цих видів залежно від

знаку різниці

(MȦ – 1). Якщо MȦ > 1, то вкладення повністю здій-

Останкова Л. А., Шевченко Н. Ю.

138

снюються в облігації, у противному випадку — актив зберігається

повністю у формі грошових коштів.

Аналіз ускладнюється при небайдужості до ризику особи, яка

приймає рішення.

Приклад. Оптимальне страхування [9, 20]. Страхування —

один із засобів, що пом’якшує негативні наслідки ризику, який

пов’язаний, зокрема, з коливаннями кон’юнктури ринку. Слід

оцінювати витрати на страхування і його корисний ефект. Нехай,

у спрощеній інтерпретації, особа бажає застрахувати певну частку

свого активу. Для цього сплачує певний внесок страховій компа-

нії, а у разі втрати активу отримує від неї страхову винагороду.

Необхідно визначити частку активу, яку особа вважає за доцільне

застрахувати.

Розв’язання. Позначимо через

S актив (капітал, майно тощо),

власником якого є певна особа. Частку, яку бажано застрахувати,

позначимо через x. Страховий внесок, що сплачується страховій

компанії, має значення

rx, а у разі втрати активу особа, яка застра-

хувалася, отримує винагороду qx. Якщо клієнт має інформацію про

ймовірність недоторканості свого активу p, то модель визначення

частки страхового активу має вигляд:

max)()1()()( o qxUprxspUxF

; (187)

Sx ≤≤0

(188)

Тут U(·) — функція корисності власника активу.

Модель клієнта (187), (188) може бути корисною і для страхо-

вих компаній при визначенні доцільних величин страхових ви-

нагород, які б могли зацікавити клієнтів та були вигідними для

страхової компанії.

Приклад. Балансування сировинної бази та переробної про-

мисловості [8–9]. Розглянемо однопродуктовий агропромисловий

комплекс (цукровий), в розвиток якого вкладаються певні кошти.

Ці кошти можуть розподілятися у певній пропорції на розви-

ток сировинної бази та потужностей з її переробки. Необхідно так

спланувати розподіл коштів, щоб отримати найбільшу кількість

кінцевої продукції (у нашому випадку — цукру). При цьому уро-

139

Аналіз, моделювання та управління економічними ризиками

жайність культури (цукрових буряків) вважається випадковою

величиною.

Розв’язання. Нехай Ȧ — урожайність культури; S — обсяг

коштів;

— питомі витрати коштів на обробіток площі, де ви-

рощується культура; q

— питомі зведені витрати на створення

потужностей з переробки; d — частка виходу кінцевої продукції з

одиниці сировини; x — площа, яка обробляється; у — потужності

з переробки. Необхідно максимізувати сподіваний обсяг кінцевої

продукції при обмежених коштах

S, тобто

yxdMyxF

max,min),( o

;

0,;

td yxSyqxq

1.10.3. Прийняття рішень за умов ризику.

Зона невизначеності

Зоною невизначеності називається сукупність оптимальних

планів, які залежать від випадкової ситуації Ȧ, тобто зона неви-

значеності — це

{}

Ω∈

ωω

/)(

[9]. Вона може бути апроксимована

скінченною кількістю оптимальних планів

{}

nsxx

...,1/)( ==

яку одержують на базі статистичного моделювання за методом Мон-

те-Карло та числового розв’язку для кожного

Ȧ = Ȧ

задачі:

{}

0),()(/)),((max ≥≤ xbxAxc

ωωω

(189)

Розв’язок задачі позначимо через

x(Ȧ), тобто

{}

0),()(/),(maxarg)( ≥≤= xbxAxxx

ωωωω

. (190)

При цьому величина п повинна бути досить великою.

Використовуючи різні неформальні процедури, домагаються

звуження апроксимації зони невизначеності та більш чіткого ви-

значення множини, що містить у собі шуканий план. Позначають

звужену апроксимацію зони невизначеності через

{

}

Ssx

∈/

, де S

Останкова Л. А., Шевченко Н. Ю.

140

підмножина

{}

n...,,1

множини. Шляхом аналізу пристосованості

кожного варіанта плану до зміни умов відбувається остаточний

вибір шуканого плану. Кожен план

коригується за допомогою

наперед визначеної множини адаптивних технологій

D(Ȧ), вибору

їх інтенсивностей, які описуються вектором

Адаптивність — це здатність економічної системи пристосо-

вуватися до змін внутрішніх і зовнішніх умов.

Якщо

d(Ȧ) — вектори (стовпчики) питомих ефективних техно-

логій матриці

D(Ȧ), то при фіксованих x та Ȧ доцільно обрати план

у як розв’язок задачі:

yd max)),(( →

(191)

за умов

0;)()()( ≥−≤ yxAbyD

ωωω

. (192)

Розв’язок задачі (191–192) позначають через

y(x,Ȧ). Звужена

апроксимація зони невизначеності разом із планами адаптивних

технологій записується у вигляді:

,y(x

,Ȧ

), y(x

,Ȧ

),... y(x

,Ȧ

,y(x

,Ȧ

), y(x

,Ȧ

),... y(x

,Ȧ

............................................................................,

(193)

,y(x

,Ȧ

), y(x

,Ȧ

),... y(x

,Ȧ

), де k < n

При виборі найкращого (раціонального) плану береться до ува-

ги не лише ефективність основного плану x

, а й ефективність від-

повідної адаптації при різних

Ȧ.

Даний метод має такі особливості:

1) відбувається глибоке зондування за допомогою методу

статистичних випробувань Монте-Карло всієї множини

випадкових ситуацій з урахуванням імовірнісного розпо-

ділу випадкових параметрів;

2) передбачається можливість коригування (адаптації) рані-

ше обраного плану згідно з надходженням інформації щодо

реалізації випадкових ситуацій;