Professional Documents
Culture Documents
Л12 - Методи та засоби дослідження динаміки бізнес-процесів
Л12 - Методи та засоби дослідження динаміки бізнес-процесів
Зміст
1. Моделювання колективних ефектів складних систем за допомогою
методології теорії випадкових матриць………………………………………..
2. Кластерний аналіз на основі часових рядів…………………………………….
3. Багатомасштабна вейвлет-ентропія…………………………………………….
4. Рекурентність та рекурентні діаграми…………………………………………
5. Агентні моделі…………………………………………………………………..
6. Аналіз довгострокових кореляцій та довжина пам'яті фінансово-
економічних часових рядів……………………………………………………..
7. Аналіз динаміки прибутків, модулів прибутків та волатильностей…………
8. Методика нелінійного аналізу довготривалої пам'яті фінансово-
економічних часових рядів з використанням програмних модулів,
розроблених в системі МаtLab 6.5…………………………………………….
1. Моделювання колективних ефектів складних систем за допомогою методології теорії
випадкових матриць
Для дослідження кореляційних властивостей деякої складної системи, зокрема, фінансово-
економічної (фондового, валютного ринку) на підставі аналізу часових рядів, що характеризують динаміку її
складових елементів можна скористатись методом теорії випадкових матриць. Вивчення статистичних
властивостей матриць з незалежними випадковими елементами - випадкових матриць - має багату історію,
що розпочалася 50 років тому у ядерній фізиці при вивченні енергетичних рівнів складних ядер. Теорія
випадкової матриці (ТВМ) [127] була розвинена в цьому контексті Вігнером (Wigner), Дайсоном (Dyson),
Метою (Mehta) та іншими для пояснення статистики рівнів енергії складних квантових систем [322].
Головна ідея методу ТВМ полягає у порівнянні відомих статистичних властивостей матриць з
незалежними випадковими елементами - випадкових матриць із властивостями матриць, що характеризують
властивості (структуру, динаміку, взаємодію) реального об'єкту чи системи [204]. Відхилення від
універсальних властивостей ТВМ відображують системну специфіку, невипадкові властивості
досліджуваної системи, забезпечуючи ключові підходи до розуміння базової взаємодії її складових.
Останні дослідження, що використовували методи ТВМ до аналізу властивостей матриці взаємних
кореляцій C реальних систем, показують, що близько 98% власних значень матриці C співпадають зі
значеннями, отримуваними з використанням ТВМ, таким чином пропонуючи задовільний рівень у
вимірюваних крос-кореляціях. Також було знайдено, що існують відхилення від передбачень за допомогою
ТВМ у близько 2% найбільших власних значень, які переважно і визначають особливості топології та
динаміки досліджуваної системи [292].
Стосовно фондового ринку шляхом комп'ютерного моделювання було виявлено, що найбільше
власне значення матриці C відображує вплив усього ринку, що є спільним для всіх акцій [141, 291, 290, 293].
Аналіз власних значень, що відхиляються від ТВМ, свідчить про існування взаємних кореляцій між акціями,
що належать до одного сектору чи галузі, між найбільш капіталізованими акціями, а також між акціями
фірм, що мають бізнес у певному географічному регіоні (локалізовані територіально). Обчислюючи
скалярний добуток власних векторів від одного періоду часу до наступного, можна побачити, що „власні
вектори, що відхиляються від ТВМ", мають різні ступені стабільності у часі, визначеному кількісно
величиною скалярного добутку.
Найбільші два-три власних вектори стійкі протягом тривалих періодів часу, у той час як для іншої
частини власних векторів, що відхиляються, стабільність у часі зменшується, як тільки відповідні власні
значення наближаються до верхньої межі ТВМ.
5. Агентні моделі
Протягом багатьох років можливості моделювання складних взаємодій між компонентами
соціально-економічних систем були обмеженими. З появою сучасної обчислювальної техніки ці можливості
значно розширилися.
З'явилися перші моделі фінансово-економічних систем, що враховують взаємодію їх компонентів -
агентів.
Під агентами в таких моделях розуміють об'єкти, які взаємодіють між собою з метою досягнення
деякого (цілком визначеного) результату. При цьому агенти мають неповну інформацію про систему в
цілому.
Виділяють такі основні властивості агента як компонента складної системи:
- реактивність - агент сприймає навколишнє середовище та реагує на його зміни;
- автономність - агент може діяти відносно автономно;
- цілеспрямованість - агент формує ціль своєї діяльності та шляхи її досягнення;
- активність - агент виконує певні дії та контролює їх;
- обмежена раціональність - агент формує образ навколишнього середовища згідно з
обмеженою інформацією, яка йому доступна;
- інтелектуальність - агент робить висновки із результатів власних дій.
Серед основних напрямків сучасного агентного моделювання можна виділити наступні:
- дослідження впливу стратегій, обраних гравцями, на ринкову ціну та наслідки саме такого вибору
[2, 91];
- прогнозування динаміки ринкової ціни [37];
- дослідження та перевірка класичних економічних моделей на штучно створеному ринку [2];
- навчання та колективний розум [97];
- створення обчислювальної лабораторії для побудови та апробації математичних моделей [116].
З рисунка можна бачити, що вихідні значення ряду дуже сильно корельовані між
собою (було взято максимальний лаг 250 спостережень (хвилин), проте значення
автокореляції зменшилось лише до 0.72). Таке явище можна пояснити сильним впливом
попередніх значень ціни на наступні, або досить високою стабільністю ринку. Повну
тривалість довгої пам' яті за допомогою функції автокореляції для вихідного ряду можна
визначити, знайшовши, для якого лагу значення стають близькими до 0. Для розглянутого
випадку можна зробити висновок, що для початкових значень даного ряду тривалість
довгої пам'яті складає близько 900-950 спостережень (хвилин).
Рис. Д.1.3 Функція автокореляції для вихідного ряду.