В задачах оперативного финансового анализа и планирования реалии сегодняшнего дня таковы: с одной стороны, для принятия решения требуется обработка значительного объема деловой информации. С другой стороны, сам процесс принятия решения находится подчас в жестких временных рамках.
Отметим также высокую степень ответственности за последствия принимаемых решений — отсюда вытекает ряд специфических требований к уровню подготовки аналитиков и к их технической оснащенности.
Применение инструментальных систем в задачах финансового анализа и планирования сегодня также перестало быть диковинкой. Принятие решений "вслепую", полагаясь исключительно на интуицию, вызывает теперь скорее недоумение, чем чем восторг у потенциальных инвесторов. Данная статья является обзором существующих аналитических технологий. Обзор составлен на основе анализа применения данных технологий западными и некоторыми российскими компаниями различных масштабов и направлений деятельности в течение последних трех лет.
Начнем с рассмотрения общих проблем, возникающих перед аналитиками.
Общий подход в финансовом анализе и планировании — экспертная оценка заданного сектора рынка, оценка финансового состояния конкретной структуры на уровне формирования портфелей и выработка рекомендаций по оптимальному управлению финансовыми ресурсами с некоторым соотношением ожидаемой доходности планируемых операций к их рискованности. Практически решение данной задачи можно свести к созданию экспертных систем различных типов и уровней сложности. Давайте обозначим наиболее общие черты таких систем.
Уровень первый. Формирование баз данных. При нынешнем уровне развития вычислительных технологий данная задача не представляется чем-то "из ряда вон". Существует достаточное количество фирм, специализирующихся на разработке и сопровождении баз данных самых разных масштабов и возможностей. Однако здесь стоит учесть следующее: для качественного финансового анализа необходимо решить, как поступать с "нестандартными" данными. Речь идет о событиях, явно "выпадающих" из общей статистической картины — это и нетипичные политические события, и локальные кризисы — "обвалы" на различных секторах рынка, и сделки, проведенные с некорректными результатами, и, наконец, просто ошибки ввода данных — все они могут вводить в заблуждение ваши аналитические системы. Существуют разные подходы к решению это проблемы — от осреднения "нестандартных" данных к некоторому среднестатистическому уровню до простого выбрасывания их из базы. Так или иначе, вам придется либо проделывать эту работу вручную, либо обзаводиться различными адаптивными информационными фильтрами, выполняющими такие операции. Кстати, удовлетворительные результаты здесь показывают нейронные сети с их уникальной возможностью обучаться на множествах примеров и работать в условиях сильной зашумленности и непротиворечивости данных. Вообще на Западе родилось понятие Data Mining (буквально — "заготовка данных") и появились соответствующие программные продукты. Дело в том, что при определенном увеличении количества информации проблемой становится не только анализ данных, но и сама возможность поиска некоторых интересующих данных как таковых. Отчасти проблема решается методами кластерного анализа — "группировки" значений. Специализированные продукты, например IDIS фирмы Information Discovery, с помощью оригинального алгоритма кластеризации, довольно быстро обрабатывают базы данных и находят взаимосвязи между полями данных, выдавая отчет в виде набора интуитивно понятных правил. Другое семейство технологий Data Warehouse описывает современные способы представления данных (отличные от классических — реляционных и т.п.), позволяющие оперативно управлять большими объемами данных (порядка десятков и сотен гигабайтов).
Уровень второй. Аналитические элементы. На выходе аналитического элемента вашей системы должны появиться один или несколько вариантов рекомендуемого решения, полученные в результате обработки баз данных и оперативной информации. Поэтому в дальнейшем давайте рассматривать существующие методы анализа с точки зрения разновидностей экспертных систем (хотя такие аналогии не всегда могут быть корректными).
1. Экспертные системы, основанные на правилах. То есть ситуация, когда вашу предметную область вы можете, с одной стороны, четко классифицировать ("объект — свойства — класс"), с другой стороны — задать набор правил поведения объектов ("если — то — иначе"). Наиболее известная вам разновидность таких систем — технический анализ и программные продукты, его реализующие. В самом деле, метод технического анализа сводится к изучению истории ценовых изменений с помощью графических либо аналитических инструментов (индикаторов), за каждым из которых стоит определенное правило (интерпретация). То есть технический анализ при грамотной интерпретации индикаторов и линий вполне удовлетворительно обозначает точки разворота рынков. В мире существует множество фирм-разработчиков подобных программ, но наиболее известны три: EQUIS (семейство Meta Stock и Down Loader), Omega Research (семейство Super Charts, Wall Street Analyst и Trade Station) и Market Arts (семейство Windows on Wall Street и Wall Street Money). Общие их черты — построение ценовых графиков разных типов, набор различных индикаторов, набор графических инструментов, возможность разработки торговых стратегий как описания правил принятия решений, возможность формирования портфелей, поддержка различных поставщиков деловой информации. Классические экспертные системы, основанные на правилах, обладают большими функциональными возможностями, но требуют, во-первых, наличия собственно экспертов, причем не только квалифицированных, но и способных явно формулировать свои знания, во-вторых, наличия достаточно подготовленных специалистов, умеющих с такими системами работать, в-третьих, наличия довольно большого времени для создания баз знаний. Замечу, что стоимость баз знаний в разы, а иногда на порядки превосходит стоимость самих систем. Наиболее характерный продукт в данной области — система NExpert Object фирмы NEURON DATA. Многоплатформенное средство с набором библиотек для разработки, элементами управления базами знаний и оригинальным механизмом двунаправленного вывода с обработкой исключающих ситуаций путем различия "сильных" и "слабых" связей.
2. Экспертные системы, основанные на примерах. Речь идет о нейросетях. Что делать, когда вы знаете, что внутри потока информации присутствуют зависимости, на по некоторым причинам (время, объем) не можете их привести к цепочкам "объекты-правила" ? А что, если на информационный поток повесить "черный ящик", который обладает свойством учиться на множестве предъявляемых примеров и не терять работоспособности при появлении "шумовых эффектов" либо противоречивых ситуаций ? Тогда "черный ящик" будет работать в режиме либо опознавания ("похоже / не похоже на то-то"), либо прогноза поведения ("похоже , будет развиваться так") различных ситуаций. Не будем углубляться в механизм устройства нейросетевых систем — здесь присутствуют разные точки зрения и это предмет отдельного разговора. Тем не менее, опыт применения нейросетевых приложений в задачах финансового анализа и планирования показывает неплохие по точности и стабильности результаты, нейросети перестали быть модной экзотикой и нашли свое место в арсеналах различных компаний. Опять же, в мире существует сотни разработчиков нейросетей, но для финансовых приложений подходят десятки, а серьезные финансовые компании предпочитают пользоваться единицами. Наиболее известная из таковых — система Ward фирмы WARD SYSTEM. (В скобках замечу, что ее новая версия AI Trilogy выйдет в свет в начале ноября и одновременно будет представлена в руссифицированном исполнении — впервые в практике российского рынка аналитических программ). Данная система , например, была признана лидирующей на конкурсе, организованном ФБР США среди программ для задач распознавания. Основное ее преимущество — возможность масштабирования решений для задач любого уровня сложности. Помимо собственно нейросетевых алгоритмов (их в системе 15) присутствуют также возможности: обработки текстовых данных, задания правил в явном виде, работы с техническими индикаторами, обработки циклических событий, решения оптимизационных задач с помощью генетических алгоритмов, создания независимых (в т.ч. сетевых) приложений. Все перечисленные свойства можно считать фактическим стандартом для качественных систем с элементами нейросетей.
3. Экспертные системы, основанные на принципах. Когда в конце шестидесятых Лофти Заде сформулировал принципы теории нечетких множеств, некоторые специалисты поговаривали чуть ли не о пересмотре законов мироздания. С тех пор страсти слегка поутихли и стало ясно следующее: классический математический аппарат обладает высочайшей точностью, но для решения оперативных задач "в реальном времени" не всегда удобен (а подчас — попросту громоздок). С другой стороны, человека в подавляющем большинстве случаев вполне устраивает приближенное решение с некоторой заданной степенью точности. Скажем, когда вы, потратив на решение проблемы месяц и решив ее на 90 %, понимаете что для остальных 10 % понадобится еще два месяца, то за редкими исключениями, вы предпочтете оставить все как есть. Мироздание, в общем-то, не пострадало. Просто появилась область математики (нечеткая логика, fuzzy logic), позволяющая сводить описание сложных предметных областей к набору основных принципов, способных управлять всей предметной областью в некоторых заданных рамках. Как вы понимаете, это существенно уменьшает время решения задач управления. Наиболее известный продукт в мире нечетких систем — пакет CubiCalc фирмы HyperLOGIC. Очень похож на классическую экспертную систему за одним исключением — когда правил и объектов становится столь много, что управлять ими затруднительно, то правила "размываются" (фузифицируются) , сводясь к принципам — нечетким множествам, в которых задача и решается. Далее решение "уточняется" (дефузифицируется) и на исполнительный механизм — оценка эксперта, например, подается уже вполне конкретное численное значение. Другой примечательный программный продукт с элементами нечеткой логики — таблица Fuzi Calc фирмы Fuzi Ware. В классический табличный процессор добавлены элементы нечеткой математики, что позволяет производить "прикидочные" вычисления с весьма высокой степенью точности и малым временем подготовки данных.
4. Экспертные системы, основанные на разработке моделей. Традиционный подход, известный в России как имитационное моделирование, а на Западе — как реинжиниринг, занимает свое место в задачах из области системного анализа связанных с оценкой сложных систем с большим количеством прямых и обратных связей. Суть подхода в представлении сложных систем в виде наборов простых элементов и задания параметров их взаимосвязей. Программные продукты, реализующие имитационные модели, например пакет iThink фирмы High Peroformance System, позволяют реализовать создаваемые модели динамически, то есть решать задачу примерно в следующей последовательности:
Менее традиционный подход, известный как "теория хаоса" ( chaos theory ), возник в финансовом анализе сравнительно недавно. Необходимость применения такого подхода вот в чем: предположим, ситуация на рынке развивается стабильно и достаточно предсказуемо. Все аналитики пользуются примерно одними и теми же приемами и получают примерно одинаковые результаты. Но периодически происходят события (например, изменения цен), которые выпадают из общей среднестатистической картины. Сразу возникает вопрос: насколько такое "нестандартное" событие хаотично и насколько приемлемы "стандартные" технологии анализа в таком случае ? (Момент существенный: можете ли вы безоговорочно доверять вашим "электронным экспертам" ?) Вопрос второй: можно ли смоделировать хаотическое событие и попытаться использовать полученное знание в виде прогнозов возникновения подобных ситуаций и выдачи рекомендаций по принятию решений.
Уровень третий. Вывод информации. Проблема в том, что результаты обработки данных, получаемые аналитическими элементами, необходимо предоставлять разным специалистам в разном объеме и в разном виде. Отчасти эта проблема решается на уровне сетевого администрирования и решение зависит от качества и организации корпоративных платформ и баз данных. Отчасти решение проблемы лежит в наличии библиотек разработки независимых приложений (такая, кстати, есть в продукте WARD SYSTEM), позволяющих создавать оконечные "экраны" по вкусам и пожеланиям конечных пользователей.