Основні положення теорії нечітких множин
Управління в умовах невизначеності висуває високі вимоги до змісту інформації та методів її обробки. Зокрема посилюється увага до використання математичних моделей кількісної оцінки різноманітних ризиків. Це виявляється у загостренні уваги і до статистичних характеристик моделі, а саме: довірчого інтервалу, середньоквадратичної помилки, коефіцієнту множинної детермінації, і до економічного змісту констант прогностичного рівняння. Значна кількість потенційних користувачів економіко-математичних прогностичних моделей погодиться використовувати цей інструментарій лише у разі спрощення процедури формування моделі й зручності її у використанні.
Саме тому останнім часом зростає інтерес до таких технологій як дейта-майнінг, серед яких найбільш популярними є нейромережеве моделювання та засоби нечіткої логіки. "Дейтамайнінг", або в записі латиницею Data Mining перекладається як "видобуток", або "розкопка даних". Часто поряд із виразом "дейтамайнінг" застосовують термін "інтелектуальний аналіз даних". Технології інтелектуального аналізу даних можуть не тільки підтвердити закономірності розвитку підприємства, встановлені емпіричним шляхом, але й знайти нові, не відомі раніше моделі ситуації.
У працях [24, 54] систематизовано 8 методів інтелектуального аналізу даних, їх відображено на схемі (рис. 3.1). На нашу думку, більш пильної уваги застосовує проблема використання в управлінні капіталом таких технологій дейтамайнінгу, як нейронні мережі та нечіткі алгоритми (нечітка логіка). Забезпечуючи приблизно однакову точність апроксимації вихідної інформації й короткострокових прогнозів, останні, порівняно із традиційними лінійними регресійними рівняннями, дозволяють спростити процедуру розрахунку прогностичних значень показників вартості, скоротити витрати часу, розширюють можливості щодо вибору пріоритетів під час прийняття важливих управлінських рішень. Однак нейромережеве моделювання не позбавлено істотних недоліків, через що воно і досі не здобуло якнайширшого розповсюдження в наукових розробках та управлінській практиці. Так, крім похибок, які наявні у прогнозах, складених за допомогою нейромереж, та непрозорості обчислювальних процедур, недоліком нейромереж є їх "неповторність". Адже повторне навчання мереж кожного разу призводить до нових значень вагових коефіцієнтів моделі, а отже і до інших прогнозних показників. З метою усунення цього недоліку застосовують поєднання різних технологій дейтамайнінгу, зокрема поєднання нейромереж із алгоритмами нечіткого висновку у гібридні мережі.
Можливість втілити експертні знання у вигляді алгоритмів, зручних для користувачів-практиків, забезпечує популярність теорії нечітких множин серед інструментарію фінансового менеджменту та ризик- менеджменту. Майбутнє нечітке, і керування протікає в умовах невизначеності щодо майбутнього стану, як керованих об'єктів, чи процесів, так їх зовнішнього оточення. Невизначеність породжує ризик неефективного управління – такого, що намічені цілі управління не досягаються. Зазначене стосується як технічних, так і економічних систем.
Класична математика, в тому числі теорія ймовірностей, не оперує нечіткими (fuzzy [фазі] – англійські запис та транскрипція, хоча у літературних перекладах зустрічається і запис "фуззі-" чи "фаззі") лінгвістичними описами. Наприклад, до ставки дисконтування можна застосувати описи типу "низька", "середня", "висока", які типові для людини, та не ускладнюють розуміння економічних явищ та процесів. Натомість теорія нечітких множин не має зазначених вище недоліків, а навпаки, має низку додаткових переваг.
Рис. 3.1. Методи інтелектуального аналізу даних (дейтамайнінгу)(Опрацювання [24; 54])
Теорія нечітких множин закладена в фундаментальних роботах Лофті Заде в 70-і роки минулого сторіччя. Досягненням теорії нечітких множин є введення в ужиток так званих нечітких чисел як нечітких підмножин спеціалізованого виду, відповідних висловлюванням типу "значення змінної приблизно дорівнює а". З їх введенням виявилося можливим прогнозувати майбутні значення параметрів, які очікувано змінюються в установленому розрахунковому діапазоні.
Саме ці інструменти інтелектуального аналізу даних набули ширшого розповсюдження в економічних дослідженнях, спрямованих на удосконалення управління в умовах невизначеності.
Починаючи з кінця 70-х років, методи теорії нечітких множин починають застосовуватися в економіці – від оцінки ефективності інвестицій до кадрових рішень і заміни устаткування.
Завдяки використанню теорії нечітких множин, зокрема алгоритму нечіткого висновку, особи, відповідальні за прийняття рішень, отримують у ряді випадків швидку відповідь під час моделювання складних процесів за відсутності простої математичної моделі, коли нереально виробити задовільний щодо точності та компактності аналітичний опис задачі через значні затрати коштів та часу.
У теорії нечітких множин використовуються такі терміни та визначення:
• Нечіткою множиною на універсальній множині U називається сукупність пар
, де
– міра належності елемента
нечіткій множині А.
• Міра належності – це число з діапазону [0, 1]. Чим вища міра належності, тим більшою мірою елемент універсальної множини відповідає властивостям нечіткої множини. Тобто 100 % впевненості в справедливості певного твердження визначається мірою впевненості, рівною , повна впевненість у хибності твердження відповідає нульовій мірі впевненості щодо його істини
. Проте імовірнісний характер наших суджень за невизначених умов не завжди надає підстави для 100 % впевненості їх істинності, що кількісно може виражатись за допомогою діапазону чисел від 0 до 1.
Лінгвістична змінна – це змінна, значеннями якої можуть бути слова та словосполучення певної природної мови. Наприклад: "рейтинг низький", "рентабельність висока", "зниження ліквідності катастрофічне", – слова-оціночні судження "низький", "висока", "катастрофічне" пов'язані із деякими числовими значеннями, зміна яких в реальному житті істотно впливає на нашу впевненість у справедливості подібних суджень. Так 49-та рейтингова позиція банку із 175 в рейтингу НБУ за чистим прибутком може визнаватись високою або середньою із різним рівнем впевненості.
• Терм – будь-який елемент терм-множини. Наприклад, якщо завантаження обладнання може бути високим, середнім та низьким, то "рентабельність капіталу" – це лінгвістична змінна, лінгвістичні оцінки "висока", "середня", "низька" – це терми, що в сукупності складають терм-множину. Терм задається нечіткою множиною за допомогою функції належності;
• Функція належності – це функція, яка дозволяє для довільного елементу універсальної множини визначити його міру належності нечіткій множині. Для кількісного виміру рівня впевненості у належності деякого значення з універсуму U певному терму використовують функцію приналежності
Логічний висновок (або фаззі-алгоритм) передбачає щонайменше 4 етапи (рис. 3.2.):
Сторінки
В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Інноваційні методи оцінки банківського капіталу» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Розділ 3. Удосконалення процедур обчислення вартості капіталу банків засобами теорії нечітких множин“ на сторінці 1. Приємного читання.
