Реферат

Главной целью разрабатываемых стратегий является выработка эффективных способов инвестирования, инструментов управления инвестициями на основе методов и моделей инвестиционного анализа. Используемые модели призваны обеспечить оптимизацию решений в стратегических аспектах управления инвестициями.

Главной особенностью стратегии является качественная последовательность действий и состояний, которые используются для достижения целей организации. Стратегические решения как решения, связанные с изменением потенциала предприятия, имеют существенные последствия. Последствие возникает как результат выбора, повышения эффективности по мере накопления опыта.

Задачи инвестиционной стратегии (стратегические задачи инвестирования) заключаются:

• в обосновании целесообразности инвестиционного проекта;
• в выборе оптимального проекта из возможных альтернатив;
• в оценке эффективности и обеспечении прибыльности проекта через определённый период;
• в поиске способов, средств и резервов максимального повышения эффективности инвестиции на основе инвестиционного анализа и др.

Задачи стратегического анализа заключается в содержательном и формальном описании объекта исследования, выявлении особенностей, закономерностей и тенденций его развития, определении способов управления объектом инвестирования с целью выполнения стратегических задач инвестирования.

Стратегический анализ выполняет следующие функции:

• описательную;
• объяснительную;
• прогнозную.

В стратегическом анализе определяют:

• объект анализа (организация, её подразделения или отдельные процессы и операции инвестирования);
• цели анализа;
• метод изучения объекта;
• конкретные приёмы анализа;
• результаты анализа – системная модель объекта.

Основным этапом в оценке эффективности инвестиционного проекта является расчет показателей эффективности будущих инвестиций. В инвестиционной деятельности экономическую эффективность определяют путем сравнения результатов, полученных в процессе эксплуатации объектов инвестирования, и совокупных затрат на осуществление инвестиций.

Решение задачи оценки экономической эффективности инвестиционных потоков предприятия предлагается осуществлять на основе современных интеллектуальных технологий: теории нечетких множеств, нейронных сетей, методов нечеткой логики и генетических алгоритмов. Нечеткие множества дают возможность формализовать величины, имеющие качественную основу, выявить причинно-следственные связи между регулируемыми параметрами и влияющими на них величинами и сформулировать нечеткий вывод в условиях неопределенности. Генетические алгоритмы, являющиеся производным продуктом методов случайного поиска, представляются существенно эффективными для решения рассматриваемой задачи.

Для описания динамической модели сложной системы применимы методы нечеткой логики. Для этого представим динамическую систему в виде нечеткой сети, состоящей из элементов, соединенных между собой связями. Среди элементов системы выделяются входные и выходные переменные, между элементами могут присутствовать обратные связи.

Влияние инвестиций на эффективность работы некоторой производственной системы. Элементами системы являются:

Пунктирной линией показана обратная связь.

Связи между элементами представлены в виде правил:

АНАЛИТИЧЕКИЙ ОБЗОР КРИТЕРИЕВ, ИСПОЛЬЗУЕМЫХ ПРИ АНАЛИЗЕ ЭФФЕКТИВНОСТИ ИНВЕСТИЦИОННОЙ ДЕЯТЕЛЬНОСТИ

Основным этапом в оценке эффективности инвестиционного проекта является расчет показателей эффективности будущих инвестиций. В инвестиционной деятельности экономическую эффективность определяют путем сравнения результатов, полученных в процессе эксплуатации объектов инвестирования, и совокупных затрат на осуществление инвестиций.

Наиболее широкое распространение в мировой и отечественной практике получила методика оценки реальных инвестиций на основе системы следующих взаимосвязанных показателей:

Чистый приведенный доход. Проблема адекватной оценки привлекательности проекта, связанного с вложением капитала, заключается в определении того, насколько будущие поступления оправдывают сегодняшние затраты. Чистый приведенный доход – это абсолютная сумма эффекта от осуществления инвестиций, который определяется по формуле:

Логика критерия NPV: если NPV < 0, то в случае принятия проекта владельцы фирмы понесут убыток; если NPV = 0, то в случае принятия проекта благосостояние фирмы не изменится, но объемы производства возрастут; если NPV > 0, то в случае принятия проекта благосостояние фирмы увеличится.

Необходимо отметить, что показатель NPV отражает прогнозную оценку изменения экономического потенциала предприятия в случае принятия рассматриваемого проекта. Этот показатель аддитивен во временном аспекте, т. е. NPV различных проектов можно суммировать. Это очень важное свойство, выделяющее этот критерий из всех остальных и позволяющее использовать его в качестве основного при анализе оптимальности инвестиционного портфеля.

При помощи NPV-метода можно определить не только коммерческую эффективность проекта, но и рассчитать ряд дополнительных показателей. Столь обширная область применения и относительная простота расчетов обеспечили NPV-методу широкое распространение, и в настоящее время он является одним из стандартных методов расчета эффективности инвестиций, рекомендованных к применению ООН и Всемирным банком.

Объем денежных потоков в рамках инвестиционного проекта должен быть оценен для всего планового периода и привязан к определенным временным интервалам. Денежные потоки в рамках инвестиционного проекта должны рассматриваться изолированно от остальной производственной деятельности предприятия, т. е. характеризовать только платежи и поступления, непосредственно связанные с реализацией данного проекта. Принцип дисконтирования, применяемый при расчете чистого приведенного дохода, с экономической точки зрения подразумевает возможность неограниченного привлечения и вложения финансовых средств по ставке дисконта. Использование метода для сравнения эффективности нескольких проектов предполагает использование единой для всех проектов ставки дисконта и единого временного интервала (определяемого, как правило, как наибольший срок реализации из имеющихся).

Индекс доходности (прибыльности) инвестиций(PI). Индекс доходности – это относительный показатель, который характеризует эффективность инвестиций; это отношение отдачи капитала к размеру вложенного капитала. Для реальных инвестиций, осуществляемых в течение нескольких лет, критерий PI (Profitability Index) имеет исключительно важное значение. Он определяется отношением суммы денежного потока, приведенного к настоящей стоимости, к сумме инвестиционных затрат:

Таким образом, индекс прибыльности (PI) показывает относительную прибыльность проекта или дисконтируемую стоимость денежных поступлений от проекта в расчете на единицу вложений.

В отличие от чистого приведенного эффекта индекс рентабельности является относительным показателем. Благодаря этому он очень удобен при выборе одного проекта из ряда альтернативных, имеющих примерно одинаковые значения NPV. либо при комплектовании портфеля инвестиций с максимальным суммарным значением NPV.

Период окупаемости (Payback Period, PP) – самый распространенный из показателей оценки эффективности инвестиций. Он помогает ответить на вопрос, за какой период вложенные средства возвратятся к инвестору. Период окупаемости рассчитывают по формуле:

Логика критерия РР: показано число базовых периодов, за которое исходная сумма инвестиций будет полностью возмещена за счет генерируемого проектом притока денежных средств.

Показатель срока окупаемости инвестиций очень прост в расчетах, вместе с тем он имеет ряд недостатков, которые необходимо учитывать в анализе.

Во-первых, он не учитывает влияние доходов последних периодов. Во- вторых, поскольку этот метод основан на не дисконтированных оценках, он не делает различия между проектами с одинаковой суммой кумулятивных доходов, но различным распределением их по годам.

Существует ряд ситуаций, при которых применение метода, основанного на расчете срока окупаемости затрат, может быть целесообразным. В частности, это ситуация, когда руководство предприятия в большей степени озабочено решением проблемы ликвидности, а не прибыльности проекта - главное, чтобы инвестиции окупились как можно скорее. Метод также хорош в ситуации, когда инвестиции сопряжены с высокой степенью риска, поэтому, чем короче срок окупаемости, тем менее рискованным является проект. Такая ситуация характерна для отраслей или видов деятельности, которым присуща большая вероятность достаточно быстрых технологических изменений.

Внутренняя норма прибыли IRR (internal rate of return). Формальное определение внутренней нормы прибыли заключается в том, что это – та ставка сравнения, при которой сумма дисконтированных притоков денежных средств равна сумме дисконтированных оттоков. Интерпретационный смысл IRR состоит в определении максимальной ставки платы за привлекаемые источники финансирования проекта, при которой последний остается безубыточным. С другой стороны, значение IRR может трактоваться как нижний гарантированный уровень прибыльности инвестиционных затрат.

Объективность, отсутствие зависимости от абсолютных размеров инвестиций и богатый интерпретационный смысл, по нашему мнению, делают показатель внутренней нормы прибыли исключительно удобным инструментом измерения эффективности капиталовложений.

Этот критерий также ориентирован в первую очередь на учет возможностей альтернативного вложения финансовых средств, поскольку он показывает не абсолютную эффективность проекта как таковую (для этого было бы достаточно неотрицательной ставки IRR), а относительную - по сравнению с операциями на финансовом рынке.

Показатель IRR может применяться также и для сравнения эффективности различных инвестиционных проектов между собой. Однако здесь простого сопоставления значений внутренней нормы рентабельности сравниваемых проектов может оказаться недостаточно. В частности, результаты, полученные при сравнении эффективности инвестиционных проектов при помощи NPV- и IRR-методов, могут привести к принципиально различным результатам. Это обусловлено следующими обстоятельствами: для достижения абсолютной сопоставимости проектов необходимо применение т. н. дополнительных инвестиций, позволяющих устранить различия в объеме инвестированного капитала и сроках реализации проектов. При использовании NPV-метода предполагается, что дополнительные инвестиции также дисконтируются по базовой ставке процента i, в то время как использование IRR-метода предполагает, что дополнительные инвестиции также обладают доходностью, равной внутренней норме рентабельности анализируемого проекта и которая заведомо выше, чем базовая ставка дисконта.

На практике сравнительный анализ инвестиционных проектов проводится в большинстве случаев при помощи простого сопоставления значений внутренних норм рентабельности. Несмотря на определенную теоретическую некорректность, такой подход позволяет устранить влияние субъективного выбора базовой ставки процента на результаты анализа. Действительно, основная цель использования инструментария дополнительных инвестиций заключается в попытке согласовать результаты сравнительного анализа при помощи применения NPV- и IRR-методов, точнее, привязать второе к первому, поскольку при таком подходе приоритет имеет чистый приведенный доход проекта. Кроме того, применение инструмента дополнительных инвестиций корректно только в случае сравнительного анализа альтернативных, или взаимоисключающих, проектов, что еще более сужает область его применения и делает совершенно непригодным для анализа инвестиционной программы.

В целом по сравнению с NPV-методом использование показателя внутренней нормы рентабельности связано с большими ограничениями.

Во-первых, для IRR-метода действительны все ограничения NPV-метода, т. е. необходимость изолированного рассмотрения инвестиционного проекта, необходимость прогнозирования денежных потоков на весь период реализации проекта и т. д.

Во-вторых, сфера применения IRR-метода ограничена только областью чистых инвестиций.

Каждый из рассмотренных критериев несет определенную смысловую и экономическую нагрузку, а в комплексе они позволяют оценить весь проект, так как ни один из них нельзя признать достаточным.

Как показали исследования, использование данных критериев подчиняется определенной логике, понимание которой позволяет в большинстве случаев избежать некорректного или неправомерного использования показателей в оценке эффективности.

Чистый приведенный доход и индекс доходности находятся в прямой зависимости. С увеличением абсолютной суммы чистого приведенного дохода повышается и индекс доходности, поэтому на практике можно рассчитывать только один из данных показателей. Однако показатель индекса доходности рекомендуется использовать в случаях сопоставления проектов, различающихся по масштабам деятельности, который проявляется в «физических» объемах инвестиций, производства или продаж: большее значение NPV не всегда будет соответствовать более эффективному варианту капиталовложений. Поэтому, сравнивая несколько инвестиционных проектов, целесообразно рассчитывать оба показателя с целью детального изучения имеющихся проектов и выбора наилучшего.

АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РЕШЕНИЯ

1. Детерминированные технологии

Наиболее ранние традиционные технологии – это детерминированные технологии. Аналитические технологии типа теоремы Пифагора используются человеком уже много веков. За это время было создано огромное количество формул, теорем и алгоритмов для решения классических задач - определения объемов, решения систем линейных уравнений, поиска корней многочленов. Разработаны сложные и эффективные методы для решения задач оптимального управления, решения дифференциальных уравнений и т.д. Все эти методы действуют по одной и той же схеме. Для того, чтобы алгоритм был применим, необходимо, чтобы данная задача полностью описывалась определенной детерминированной моделью (некоторым набором известных функций и параметров). В таком случае алгоритм дает точный ответ.

2. Вероятностные технологии

Но на практике часто встречаются задачи, связанные с наблюдением случайных величин - например, задача прогнозирования курса акций. Для подобных задач не удается построить детерминированные модели, поэтому применяется принципиально иной, вероятностный подход. Параметры вероятностных моделей - это распределения случайных величин, их средние значения, дисперсии и т.д. Как правило, эти параметры изначально неизвестны, а для их оценки используются статистические методы, применяемые к выборкам наблюдаемых значений (историческим данным). Но такого рода методы также предполагают, что известна некоторая вероятностная модель задачи. Например, в задаче прогнозирования курса можно предположить, что завтрашний курс акций зависит только от курса за последние два дня (авторегрессионная модель). Если это верно, то наблюдения курса в течение нескольких месяцев позволяют достаточно точно оценить коэффициенты этой зависимости и прогнозировать курс в будущем.

Недостатки традиционных технологий

К сожалению, классические методики оказываются малоэффективными во многих практических задачах. Это связано с тем, что невозможно достаточно полно описать реальность с помощью небольшого числа параметров модели, либо расчет модели требует слишком много времени и вычислительных ресурсов. Традиционные технологии применимы далеко не всегда, но и вероятностные технологии также обладают существенными недостатками при решении практических задач. Зависимости, встречающиеся на практике, часто нелинейны. Даже если и существует простая зависимость, то ее вид заранее неизвестен. Отметим также, что статистические методы хорошо развиты только для одномерных случайных величин. Если же мы хотим учитывать для прогнозирования курса акций несколько взаимосвязанных факторов (например, объем сделок, курс доллара и т.д.), то придется обратиться к построению многомерной статистической модели. Однако, такие модели либо предполагают гауссовское распределение наблюдений (что не выполняется на практике), либо не обоснованы теоретически. В многомерной статистике, за неимением лучшего, нередко применяют малообоснованные эвристические методы, которые по своей сути очень близки к технологии нейронных сетей.

Из-за описанных выше недостатков традиционных методик последние десять лет идет активное развитие аналитических систем нового типа. В их основе - технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора.

Наиболее популярными и проверенными из этих технологий являются нейронные сети и генетические алгоритмы. Первые коммерческие реализации на их основе появились в 80-х годах и получили широкое распространение в развитых странах.

Нейронные сети в каком-то смысле являются имитациями мозга, поэтому с их помощью успешно решаются разнообразные "нечеткие" задачи - распознавание образов, речи, рукописного текста, выявление закономерностей, классификация, прогнозирование. В таких задачах, где традиционные технологии бессильны, нейронные сети часто выступают как единственная эффективная методика решения Генетические алгоритмы - это специальная технология для поиска оптимальных решений, которая успешно применяется в различных областях науки и бизнеса. В этих алгоритмах используется идея естественного отбора среди живых организмов в природе, поэтому они называются генетическими. Генетические алгоритмы часто применяются совместно с нейронными сетями, позволяя создавать предельно гибкие, быстрые и эффективные инструменты анализа данных.

Степень ответственности за принятие инвестиционного проекта в рамках того или иного направления различна. Так, если речь идет о замещении имеющихся производственных мощностей, решение может быть принято достаточно безболезненно, поскольку руководство предприятия ясно представляет себе, в каком объеме и с какими характеристиками необходимы новые основные средства. Задача осложняется, если речь идет об инвестициях, связанных с расширением основной деятельности, поскольку в этом случае необходимо учесть ряд новых факторов: возможность изменения положения фирмы на рынке товаров, доступность дополнительных объемов материальных, трудовых и финансовых ресурсов, возможность освоения новых рынков и т. д.

Построение динамической модели сложной системы часто является единственным доступным способом получения информации о ее поведении. Методы моделирования динамических систем зависят от степени информативности поведения системы и ее сложности. Некоторые системы допускают представление в виде дифференциальных уравнений, описывающие какие-либо законы сохранения, действующие в них. В этом случае основной задачей моделирования является подбор коэффициентов, входящих в уравнения, обеспечивающих адекватность математической модели. При исследовании сложных систем, особенно экономических, очень часто не представляется возможным получить достоверную математическую модель из-за большой неопределенности взаимодействий элементов системы. Поэтому в большинстве случаев приходится ограничиваться некоторым статистическим анализом с использованием аппарата математической статистики. Развивающиеся в последнее время методы извлечения знаний из данных позволяют сделать еще один шаг в направлении моделирования сложных систем.

Для описания подобных систем можно применить методы нечеткой логики. Для этого представим динамическую систему в виде нечеткой сети, состоящей из элементов, соединенных между собой связями. Среди элементов системы выделяются входные и выходные переменные, между элементами могут присутствовать обратные связи. На рисунке представлен пример модели системы, имеющей 2 входа, один выход и обратную связь, которая изображена пунктирной линией.

Модели системы в виде нечеткой сети

Обозначим через U- вектор входных воздействий; Y- результирующий вектор. Каждой связи ai между элементами системы ставится в соответствие нечеткое правило Ri. Каждому правилу соответствуют функции принадлежности условия и следствия. Правила, содержащие одинаковые следствия и относящиеся к одному и тому же взаимодействию, объединяются в одно с помощью логического суммирования. Количественный результат взаимодействия между элементами определяется на основе нечеткого вывода.

Для определения результирующего уровня активации применяется оператор логического умножения для отдельных составляющих условия в правиле.

Агрегированная по всем правилам функция принадлежности определяется логическим суммированием, а точечная оценка результата вычисляется относительно центра области.

Функционирование такой системы в направлении от входа к выходу определяется зависимостью Y = F(U,W), где W - параметры системы, включая и внешние факторы. При наличии обратной связи в системе функциональная зависимость принимает рекуррентный вид.

Построенная имитационная модель позволяет управлять поведением системы при варьировании величин компонент вектора U.

В качестве функции принадлежности правил выберем функцию гауссовского типа, получившей распространение в нечетких сетях. Функция оперирует двумя параметрами: и c. Параметр c обозначает центр нечеткого множества, а параметр отвечает за крутизну функции. На рисунке представлен пример функций принадлежности для правила, описывающего влияние дохода на суммарный эффект.

Функции принадлежности для правила "доходы - суммарный эффект"

Подбор таких функций принадлежности может вестись двумя способами. В первом случае эксперты устанавливают меры условия и следствия, а также формулируют правила в виде нечетких высказываний, и система функционирует в экспертном режиме по приведенному выше алгоритму. Данный подход имеет существенный недостаток, заключающийся в субъективности мнений экспертов. При наличии достаточного количества данных, связывающих входные и выходные параметры нечеткой системы, параметры функций принадлежности можно найти в процессе обучения.

Пусть имеется P обучающих пар вида (U, D), где U- вектор входных переменных; D- вектор желаемых выходов. Представленный таким образом обучающий набор данных описывает поведение динамической системы за некоторый промежуток времени T. Тогда нечеткое правило, описывающее межэлементную связь ai характеризуется множеством параметров функций принадлежности Гаусса:

Для минимизации функции следует применить генетический алгоритм, использующий только значения целевой функции и решающий проблему наличия многих локальных экстремумов. В результате обучения будут получены оптимальные функции принадлежности системы, что позволит моделировать поведение системы во времени.

В перспективе планируется разработать подсистему оценки экономической эффективности инвестиционных проектов с учетом ограниченности финансовых ресурсов для обеспечения долговременной финансовой стабильности и устойчивости организации.

Методику оценки реальных инвестиций производить на основе системы следующих взаимосвязанных показателей: чистый приведенный доход; индекс доходности; период окупаемости; внутренняя норма доходности (внутренняя норма прибыли).

Инвестирование представляет собой один из наиболее важных аспектов деятельности любой динамично развивающейся коммерческой организации.

Для планирования и осуществления инвестиционной деятельности особую важность имеет предварительный анализ, который проводится на стадии разработки инвестиционных проектов и способствует принятию разумных и обоснованных управленческих решений.

Главным направлением предварительного анализа является определение показателей возможной экономической эффективности инвестиций, т. е. отдачи от капитальных вложений, которые предусматриваются проектом.

При составлении бюджета капитальных вложений приходится учитывать ряд ограничений. Например, имеется несколько привлекательных инвестиционных проектов, однако предприятие из-за ограниченности в финансовых ресурсах не может осуществить их все одновременно. В этом случае необходимо отобрать для реализации проекты так, чтобы получить максимальную выгоду от инвестирования. Как правило, основной целевой установкой в подобных случаях является максимизация суммарного NPV.