ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЭЛЕКТРОННЫХ СРЕДСТВ

УДК 678.029.983

Составитель: В.А. Пиккиев.

Рецензент

Кандидат технических наук, доцент О.Г. Бондарь

Техническая диагностика электронных средств : методические рекомендации для проведения практических занятий по дисциплине «Техническая диагностика электронных средств»/ Юго-Зап. гос. ун-т.; сост.: В.А. Пиккиев, Курск, 2016. 8с.: ил.4, табл.2, прилож.1. Библиогр.:с. 9 .

Методические указания для проведения практических занятий предназначены для студентов направления подготовки 11.03.03 «Конструирование и технология электронных средств».

Подписано в печать. Формат 60х84 1\16 .

Усл. печ. л. Уч.-изд.л. Тираж 30 экз. Заказ. Бесплатно

Юго-Западный государственный университет.

ВВЕДЕНИЕ. ЦЕЛЬ И ЗАДАЧИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ.
1. Практическое занятие № 1. Метод минимального числа ошибочных решений
2. Практическое занятие № 2. Метод минимального риска
3. Практическое занятие № 3. Метод Байеса
4. Практическое занятие № 4. Метод наибольшего правдоподобия
5. Практическое занятие № 5. Метод минимакса
6. Практическое занятие № 6. Метод Неймана–Пирсона
7. Практическое занятие № 7. Линейные разделяющие функции
8. Практическое занятие № 8. Обобщенный алгоритм нахождения разделяющей гиперплоскости

ВВЕДЕНИЕ. ЦЕЛЬ И ЗАДАЧИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ .

Техническая диагностика рассматривает задачи диагностирования, принципы организации систем тестового и функционального диагноза, методы и процедуры алгоритмов диагноза для проверки неисправности, работоспособности и правильности функционирования, а также для поиска неисправностей различных технических объектов. Основное внимание уделяется логическим аспектам технической диагностики при детерминированных математических моделях диагноза.

Цель дисциплины состоит в освоении методов и алгоритмов технической диагностики.

Задачей курса является подготовка технических специалистов освоивших:

Современные методы и алгоритмы технической диагностики;

Модели объектов диагностирования и неисправностей;

Алгоритмы диагностирования и тесты;

Моделирование объектов;

Аппаратуру систем поэлементного диагностирования;

Сигнатурный анализ;

Системы автоматизации диагностирования РЭА и ЭВС;

Навыки разработки и построения моделей элементов.

Предусмотреные в учебном плане практические занятия, позволяют формировать у студентов профессиональные компетенции аналитического и творческого мышления путем приобретения практических навыков диагностики электронных средств.

Практические занятия предусматривают работу с прикладными задачами разработки алгоритмов поиска неисправностей электронных устройств и построению контролирующих тестов с целью их дальнейшего использования при моделировании функционирования этих устройств.

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ № 1

МЕТОД МИНИМАЛЬНОГО ЧИСЛА ОШИБОЧНЫХ РЕШЕНИЙ.

В задачах надежности рассматриваемый метод часто дает «неосторожные решения», так как последствия ошибочных решений существенно различаются между собой. Обычно цена пропуска дефекта существенно выше цены ложной тревоги. Если указанные стоимости приблизительно одинаковы (для дефектов с ограниченными последствиями, для некоторых задач контроля и др.), то применение метода вполне оправдано.

Вероятность ошибочного решения определяется так

D 1 - диагноз исправного состояния;

D 2 - диагноз дефектного состояния;

P 1 -вероятность 1 диагноза;

P 2 - вероятность 2-го диагноза;

x 0 - граничное значение диагностического параметра.

Из условия экстремума этой вероятности получаем

Условие минимума дает

Для одномодальных (т. е. содержат не более одной точки максимума) распределений неравенство (4) выполняется, и минимум вероятности ошибочного решения получается из соотношения (2)

Условие выбора граничного значения (5) называется условием Зигерта–Котельникова (условием идеального наблюдателя). К этому условию приводит также метод Байеса.

Решение x ∈ D1 принимается при

что совпадает с равенством (6).

Рассеяние параметра (величина среднеквадратичного отклонения) принимается одинаковым.

В рассматриваемом случае плотности распределений будут равны:

Таким образом, полученные математические модели(8-9) могут быть использованы для диагностики ЭС.

Пример

Диагностика работоспособности жестких дисков осуществляется по количеству битых секторов (Reallocated sectors). Фирма Western Digital при производстве ЖД модели “My Passport” использует следующие допуски: Исправными считаются диски у которых среднее значение составляет х 1 = 5 на единицу объема и среднеквадратичное отклонение σ 1 = 2 . При наличии дефекта магнитного напыления (неисправное состояние) эти значения равны х 2 = 12, σ 2 = 3 . Распределения предполагаются нормальными.

Требуется определить предельное количество неисправных секторов, выше которого жесткий диск подлежит снятию с эксплуатации и разборке (во избежание опасных последствий). По статистическим данным, неисп­равное состояние магнитного напыления наблюдается у 10% ЖД.

Плотности распределения:

1. Плотность распределения для исправного состояния:

2. Плотность распределения для дефектного состояния:

3. Разделим плотности состояния и приравняем к вероятностям состояний:

4. Прологарифмируем данное равенство и найдем предельное количество неисправных секторов:

Это уравнение имеет положительный корень x 0 =9,79

Критическое количество битых секторов равно 9 на единицу объема.

Варианты задания

№ п/п	х 1	σ 1	х 2	σ 2

Вывод : Использование данного метода позволяет принимать решение без оценки последствий ошибок, из условий задачи.

Недостатком является то, что указанные стоимости приблизительно одинаковы.

Применение данного метода, распространено в приборостроение и машиностроении.

Практическое занятие № 2

МЕТОД МИНИМАЛЬНОГО РИСКА

Цель работы: изучение метода минимального риска для диагностики технического состояния ЭС.

Задачи работы :

Изучить теоретические основы метода минимального риска;

Провести практические расчеты;

Сделать выводы по использованию метода минимального риска ЭС.

Теоретические пояснения .

Вероятность принятия ошибочного решения слагается из вероятностей ложной тревоги и пропуска дефекта. Если приписать «цены» этим ошибкам, то получим выражение для среднего риск.

Где D1- диагноз исправного состояния; D2- диагноз дефектного состояния; P1-вероятность 1 диагноза; P2- вероятность 2-го диагноза; x0- граничное значение диагностического параметра; С12- стоимость ложной тревоги.

Разумеется, цена ошибки имеет условное значение, но она должна учесть предполагаемые последствия ложной тревоги и пропуска дефекта. В задачах надежности стоимость пропуска дефекта обычно существенно больше стоимости ложной тревоги (C12 >> C21). Иногда вводится цена правильных решений С11 и С22, которая для сравнения со стоимостью потерь (ошибок) принимается отрицательной. В общем случае средний риск (ожидаемая величина потери) выражается равенством

Где С11, С22 - цена правильных решений.

Величина x, предъявляемая для распознавания, является случайной и потому равенства (1) и (2) представляют собой среднее значение (математическое ожидание) риска.

Найдем граничное значение x0 из условия минимума среднего риска. Дифференцируя (2) по x0 и приравнивая производную нулю, получим сначала условие экстремума

Это условие часто определяет два значения x0, из которых одно соответствует минимуму, второе – максимуму риска (рис. 1). Соотношение (4) является необходимым, но недостаточным условием минимума. Для существования минимума R в точке x = x0 вторая производная должна быть положительной (4.1.), что приводит к следующему условию

(4.1.)

относительно производных плотностей распределений:

Если распределения f (x, D1) и f(x, D2) являются, как обычно, одномодальными (т. е. содержат не более одной точки максимума), то при

Условие (5) выполняется. Действительно, в правой части равенства стоит положительная величина, а при x>x1 производная f "(x/D1), тогда как при x

В дальнейшем под x0 будем понимать граничное значение диагностического параметра, обеспечивающее по правилу (5) минимум среднего риска. Будем также считать распределения f (x / D1) и f (x / D2) одномодальными («одногорбыми»).

Из условия (4) следует, что решение об отнесении объекта x к состоянию D1 или D2 можно связать с величиной отношения правдоподобия. Напомним, что отношение плотностей вероятностей распределения x при двух состояниях называется отношением правдоподобия.

По методу минимального риска принимается следующее решение о состоянии объекта, имеющего данное значение параметра x:

(8.1.)

Эти условия вытекают из соотношений (5) и (4). Условие (7) соответствует x< x0, условие (8) x > x0. Величина (8.1.) представляет собой пороговое значение для отношения правдоподобия. Напомним, что диагноз D1 соответствует исправному состоянию, D2 – дефектному состоянию объекта; C21 – цена ложной тревоги; C12 – цена пропуска цели (первый индекс – принятое состояние, второй – действительное); C11 < 0, C22 – цены правильных решений (условные выигрыши). В большинстве практических задач условные выигрыши (поощрения) для правильных решений не вводятся и тогда

Часто оказывается удобным рассматривать не отношение правдоподобия, а логарифм этого отношения. Это не изменяет результата, таккак логарифмическая функция возрастает монотонно вместе со своимаргументом. Расчет для нормального и некоторых других распределений при использовании логарифма отношения правдоподобия оказывается несколько проще. Рассмотрим случай, когда параметр x имеет нормальное распределение при исправном D1 и неисправном D2 состояниях. Рассеяние параметра (величина среднеквадратичного отклонения) принимается одинаковым. В рассматриваемом случае плотности распределений

Внося эти соотношения в равенство (4), получаем после логарифмирования

Диагностика работоспособности флэш накопителей осуществляется по количеству битых секторов (Reallocated sectors). Фирма Toshiba TransMemory при производстве модели “UD-01G-T-03” использует следующие допуски: Исправными считаются накопители у которых среднее значение составляет х1 = 5 на единицу объема. Среднеквадратичное отклонение примем равным ϭ1 = 2.

При наличии дефекта NAND памяти эти значения равны х2 = 12, ϭ2 = 3 . Распределения предполагаются нормальными. Требуется определить предельное количество неисправных секторов, выше которого жесткий диск подлежит снятию с эксплуатации. По статистическим данным, неисправное состояние наблюдается у 10% флэш накопителей.

Примем, что отношение стоимостей пропуска цели и ложной тревоги , и откажемся от «вознаграждения» правильных решений (С11=С22=0). Из условия (4) получаем

Варианты задания:

Вар.

X 1 мм.

X 2 мм.

б1

б2

Вывод

Метод позволяет оценить вероятность принятия ошибочного решения определяется как минимизация точки экстремума среднего риска ошибочных решений при максимуме правдоподобия, т.е. проводится расчет минимального риска происхождения события при наличии информации о максимально подобных событиях.

ПРАКТИЧЕСКАЯ РАБОТА № 3

МЕТОД БАЙЕСА

Среди методов технической диагностики метод, основанный на обобщенной формуле Байеса, занимает особое место благодаря простоте и эффективности. Разумеется, метод Байеса имеет недостатки: большой объем предварительной информации, «угнетение» редко встречающихся диагнозов и др. Однако в случаях, когда объем статистических данных позволяет применить метод Байеса, его целесообразно использовать как один из наиболее надежных и эффективных.

Пусть имеется диагноз D i и простой признак k j , встречающийся при этом диагнозе, то вероятность совместного появления событий (наличие у объекта состояния D i и признака k j)

Из этого равенства вытекает формула Байеса

Очень важно определить точный смысл всех входящих в эту формулу величин:

P(D i) – вероятность диагноза D i , определяемая по статистическим данным (априорная вероятность диагноза). Так, если предварительно обследовано N объектов и у N i объектов имелось состояние D i , то

P (k j / D i )– вероятность появления признакаk j у объектов с состоянием D i . Если среди N i объектов, имеющих диагноз D i , у N ij , проявился признак k j , то

P (k j )– вероятность появления признакаk j во всех объектах независимо от состояния (диагноза) объекта. Пусть из общего числа N объектов признак k j был обнаружен у N j объектов, тогда

Для установления диагноза специальное вычисление P(k j) не требуется. Как будет ясно из дальнейшего, значения P(D i) и P(k j /D v), известные для всех возможных состояний, определяют величину P(k j).

В равенстве (2) P(D i / k j) – вероятность диагноза D i после того, как стало известно наличие у рассматриваемого объекта признака k j (апостериорная вероятность диагноза).

Обобщенная формула Байеса относится к случаю, когда обследование проводится по комплексу признаков K, включающему признаки k 1 , k 2 , …, k ν . Каждый из признаков k j имеет m j разрядов (k j1 , k j2 , …, k js , …, k jm). В результате обследования становится известной реализация признака

и всего комплекса признаков К * . Индекс * , как и раньше, означает конкретное значение (реализацию) признака. Формула Байеса для комплекса признаков имеет вид

где P(D i / K *) – вероятность диагноза D i после того, как стали известны результаты обследования по комплексу признаков K; P(D i) – предварительная вероятность диагноза D i (по предшествующей статистике).

Формула (7) относится к любому из n возможных состояний (диагнозов) системы. Предполагается, что система находится только в одном из указанных состояний и потому

В практических задачах нередко допускается возможность существования нескольких состояний A 1 , …, A r , причем некоторые из них могут встретиться в комбинации друг с другом. Тогда в качестве различных диагнозов D i следует рассматривать отдельные состояния D 1 = A 1 , …, D r = A r и их комбинации D r+1 = A 1 /\ A 2 .

Перейдем к определению P (K * / D i ) . Если комплекс признаков состоит из н признаков, то

где k * j = k js – разряд признака, выявившийся в результате обследования. Для диагностически независимых признаков;

В большинстве практических задач, особенно при большом числе признаков, можно принимать условие независимости признаков даже при наличии существенных корреляционных связей между ними.

Вероятность появления комплекса признаков K *

Обобщенная формула Байеса может быть записана

где P(K * / D i) определяется равенством (9) или (10). Из соотношения (12) вытекает

что, разумеется, и должно быть, так как один из диагнозов обязательно реализуется, а реализация одновременно двух диагнозов невозможна.

Следует обратить внимание на то, что знаменатель формулы Байеса для всех диагнозов одинаков. Это позволяет сначала определить вероятности совместного появления i-го диагноза и данной реализации комплекса признаков

и затем апостериорную вероятность диагноза

Для определения вероятности диагнозов по методу Байеса необходимо составить диагностическую матрицу (табл. 1), которая формируется на основе предварительного статистического материала. В этой таблице содержатся вероятности разрядов признаков при различных диагнозах.

Таблица 1

Если признаки двухразрядные (простые признаки «да – нет»), то в таблице достаточно указать вероятность появления признака P(k j / D i).

Вероятность отсутствия признака P (k j / D i ) = 1 − P (k j / D i ) .

Однако более удобно использовать единообразную форму, полагая, например, для двухразрядного признака P (kj /D ) = P (kj 1/D ) ; P (k j /D ) = P (kj 2/D ).

Отметим, что ∑P (k js / D i ) =1 , где m j – число разрядов признака k j .

Сумма вероятностей всех возможных реализаций признака равна единице.

В диагностическую матрицу включены априорные вероятности диагнозов. Процесс обучения в методе Байеса состоит в формировании диагностической матрицы. Важно предусмотреть возможность уточнения таблицы в процессе диагностики. Для этого в памяти ЭВМ следует хранить не только значения P(k js / D i), но и следующие величины: N – общее число объектов, использованных для составления диагностической матрицы; N i - число объектов с диагнозом D i ; N ij – число объектов с диагнозом D i , обследованных по признаку k j . Если поступает новый объект с диагнозом D μ , то проводится корректировка прежних априорных вероятностей диагнозов следующим образом:

Далее вводятся поправки к вероятностям признаков. Пусть у нового объекта с диагнозом D μ выявлен разряд r признака k j . Тогда для дальнейшей диагностики принимаются новые значения вероятности интервалов признака k j при диагнозе D μ:

Условные вероятности признаков при других диагнозах корректировки не требуют.

Практическая часть

1.Изучить методические указания и получить задание.

ПРАКТИЧЕСКАЯ РАБОТА № 4

Рассмотрим классическую схему принятия решений в условиях неопределённости.

Напомним, что финансовой называется операция, начальное и конечное состояния которой имеют денежную оценку, и цель проведения которой заключается в максимизации дохода – разности между конечной и начальной оценками. Почти всегда финансовые операции проводятся в условиях неопределённости и поэтому их результат невозможно предсказать заранее. Проводящий операцию называется ЛПР – Лицо, Принимающее Решение (во многих случаях ЛПР – это инвестор). Операция называется рискованной , если она может иметь несколько исходов, не равноценных для ЛПР.

Задача. Рассмотрим 3 операции с одним и тем же множеством двух исходов – альтернатив А и В, которые характеризуют доходы, получаемые ЛПР.

Все 3 операции рискованные. Для 1-ой и 2-ой это очевидно, но почему считается рискованной 3-я операция? Ведь она сулит только положительные доходы ЛПР? Рассматривая возможные исходы 3-ей операции, видим, что можем получить доход в размере 20 ед., поэтому возможность получения дохода в 15 ед. рассматривается как неудача, как риск недополучить 5 ед. дохода.

Как оценить финансовую операцию с точки зрения её доходности и риска? На этот вопрос не так просто ответить, главным образом из-за многогранности понятия риска. Существует несколько разных способов такой оценки. Рассмотрим один из таких подходов.

Матрицы последствий и рисков. Пусть рассматривается вопрос о проведении финансовой операции, имеющей несколько возможных исходов. В связи с этим проводится анализ возможных решений и их последствий. Предположим, что ЛПР рассматривает m возможных решений: i = 1,…, m . Ситуация неопределённа, известно лишь, что имеет место один из n вариантов: j = 1,…, n . Если будет принято i -тое решение, а ситуация сложится j -тая, то доход, полученный ЛПР будет равен q ij . Матрица Q = (q ij ) называется матрицей последствий (возможных решений ). Какое же решение нужно принять ЛПР? В этой неопределённой ситуации могут быть высказаны лишь некоторые рекомендации. Они не обязательно будут приняты ЛПР. Многое будет зависеть, например, от его склонности к риску. Но как оценить риск в данной схеме? Допустим, мы хотим оценить риск, который несёт i -тое решение. Нам неизвестна реальная ситуация, но если бы мы её знали, то выбрали бы наилучшее решение, т.е. приносящее наибольший доход. Если ситуация j -тая, то принимается решение, дающее доход . Значит, принимаяi -тое решение, мы рискуем получить не , а толькоq ij , т.е. принятие i -того решения несёт риск недобрать . МатрицуR = () называютматрицей рисков .

Задача. Пусть есть матрица последствий:.

Составим матрицу рисков:.

Ситуация полной неопределённости характеризуется отсутствием какой бы то ни было дополнительной информации (например, о вероятностях тех или иных вариантов реальной ситуации). Какие же существуют правила-рекомендации по принятию решений в этой ситуации?

Правило Вальда (правило крайнего пессимизма ). Если руководствоваться этим критерием, надо всегда ориентироваться на худшие условия, зная наверняка, что «хуже этого не будет». Рассматривая i -тое решение, будем полагать, что на самом деле ситуация складывается самая плохая, т.е. приносящая самый малый доход: . Теперь выберем решениеi 0 с наибольшим :. В задаче имеемИз этих чисел находим максимальное – 3. Правило Вальда рекомендует принять 3-е решение. Очевидно, такой подход – «перестраховочный», естественный для того, кто очень боится проиграть.

Правило Сэвиджа (правило минимального риска ). Этот критерий тоже крайне пессимистический, но при выборе оптимальной стратегии советует ориентироваться не на величину дохода, а на риск. При применении этого правила анализируется матрица рисков R = ().Рассматриваяi -тое решение, будем полагать, что на самом деле складывается ситуация максимального риска . Теперь выберем решениеi 0 с наименьшим :. В задаче имеемВ задаче имеемИз этих чисел находим минимальное – 5. Правило Сэвиджа рекомендует принять 3-е решение. Сущность такого подхода в том, чтобы всячески избегать большого риска при принятии решения.

Правило Гурвица (пессимизма-оптимизма ). Этот критерий рекомендует при выборе решения не руководствоваться ни крайним пессимизмом, ни крайним оптимизмом. Принимается решение, при котором достигается максимум , где- «коэффициент пессимимзма». Значениевыбирается из субъективных соображений. Еслиприближается к 1, правило Гурвица приближается к правилу Вальда, при приближениик 0 правило Гурвица приближается к правилу «крайнего оптимизма», рекомендующему выбирать ту стратегию, при которой выигрыш в строке максимален. В задаче прикритерий Гурвица рекомендует 2-ое решение.

Предположим, что в рассматриваемой схеме известны вероятности того, что реальная ситуация развивается по вариантуj . Такое положение называется частичной неопределённостью . Какие рекомендации по принятию решения в этом случае? Можно руководствоваться одним из следующих правил.

Правило максимизации среднего ожидаемого дохода. Доход, получаемый компанией при реализации i -ого решения, является случайной величиной с законом распределения

	q i1	q i2		q in

Математическое ожидание этой случайной величины и есть средний ожидаемый доход. Критерий рекомендует принять решение, максимизирующее средний ожидаемый доход.

Задача. Пусть в предыдущей задаче ТогдаМаксимальный средний ожидаемый доход равен 7, что соответствует 3-ему решению.

Правило минимизации среднего ожидаемого риска. Риск компании при реализации i -ого решения является случайной величиной с законом распределения

	r i1	r i2		r in

Математическое ожидание этой случайной величины и есть средний ожидаемый риск. Критерий рекомендует принять решение, минимизирующее средний ожидаемый риск.

Лабораторная работа 2 «Эксплуатация и диагностика опор контактной сети»

Цель работы: ознакомиться со способами определения коррозионного состояния железобетонной опоры контактной сети

Порядок выполнения работы :

1) Изучить и составить краткий отчет о работе прибора АДО-3.

2) Изучить и решить задачу по методу минимального риска (согласно вариантам (по номеру в журнале)

3) Рассмотреть спец.вопрос о способах диагностики состояния опор (за исключением угла наклона).

П.п. 1 и 3 выполняются бригадой в количестве 5 человек.

П.2 выполняется индивидуально каждым студентом.

В результате необходимо сделать индивидуальный электронный отчет и прикрепить его в blackboard.

Метод минимального риска

При наличии неопределенности принятия решения применяют специальные методы, учитывающие вероятностную природу событий. Они позволяют назначать границу поля допуска параметра для принятия решения о диагностировании.

Пусть производится диагностика состояния железобетонной опоры вибрационным методом.

Вибрационный метод (рис 2.1) основан на зависимости декремента затухающих колебаний опоры от степени коррозии арматуры. Опора приводится в колебательное движение, например, при помощи троса оттяжки и сбрасывающего устройства. Сбрасывающее устройство калибруется на заданное усилие. На опоре устанавливается датчик колебаний, например акселерометр. Декремент затухающих колебаний определяется как логарифм отношения амплитуд колебаний:

где А 2 и А 7 – амплитуды, соответственно второго и седьмого колебаний.

а) схема б) результат измерений

Рисунок 2.1 – Вибрационный метод

АДО-2М измеряет амплитуды колебаний 0,01 ... 2,0 мм частотой 1 ... 3 Гц.

Чем больше степень коррозии, тем быстрее затухают колебания. Недостатком метода является то, что декремент колебаний в большой степени зависит от параметров грунта, способа заделки опоры, отклонений технологии изготовления опоры, качества бетона. Заметное влияние коррозии проявляется лишь при значительном развитии процесса.

Задача стоит в выборе значения Хо параметра Х таким образом, чтобы при Х>Хо принимали решение о замене опоры, а при Х<Хо не проводили управляющего воздействия.

. (2.2)

Декремент колебаний опоры зависит не только от степени коррозии, но и от множества других факторов. Поэтому можно говорить о некоторой области, в которой может находиться величина декремента. Распределения декремента колебаний для исправной и прокорродировавшей опоры показано на рис. 2.2.

Рисунок 2.2 - Плотность вероятности декремента колебаний опоры

Существенно, что области исправного D 1 и коррозионного D 2 состояний пересекаются и потому невозможно выбрать x 0 так, чтобы правило (2.2) не давало бы ошибочных решений.

Ошибка первого рода - принятие решения о наличии коррозии (дефекта), когда в действительности опора (система) находится в исправном состоянии.

Ошибка второго рода - принятие решения об исправном состоянии, тогда как опора (система) прокорродировала (содержит дефект).

Вероятность ошибки первого рода равна произведению вероятностей двух событий: вероятности наличия исправного состояния и вероятности того, что x > x 0 при исправном состоянии:

, (2.3)

где P(D 1) = P 1 - априорная вероятность нахождения опоры в исправном состоянии (считается известной на основании предварительных статистических данных).

Вероятность ошибки второго рода:

, (2.4)

Если известны цены ошибок первого и второго рода c и y соответственно, то можно записать уравнение для среднего риска:

Найдем граничное значение x 0 для правила (2.5) из условия минимума среднего риска. Подставляя (2.6) и (2.7) в (2.8) дифференцируя R(x) по x 0 , приравняем производную нулю:

= 0, (2.6)

. (2.7)

Это условие для нахождения двух экстремумов - максимума и минимума. Для существования минимума в точке x = x 0 вторая производная должна быть положительной:

. (2.8)

Это приводит к следующему условию:

. (2.9)

Если распределения f(x/D 1) и f(x/D 2) одномодальные, то при:

(2.10)

условие (4.58) выполняется.

Если плотности распределений параметров исправной и неисправной (системы) подчинены закону Гаусса, то они имеют вид:

, (2.11)

. (2.12)

Условия (2.7) в этом случае принимает вид:

. (2.13)

После преобразования и логарифмирования получаем квадратное уравнение

, (2.14)

b = ;

c = .

Решая уравнение (2.14) можно найти такую величину x 0 , при которой достигается минимум риска.

Исходные данные:

Исправное состояние:

Математическое ожидание:

Вероятность исправного состояния системы:

Среднеквадратичное отклонение:

Приведенные затраты на исправное состояние:

Неисправное состояние:

Математическое ожидание: ;

Пример 2.5. Для приведенной в примере 2.1 матрицы последствий выбрать наилучший вариант решения на основе критерия Гурвица при λ =1/2.

Решение. Рассматривая матрицу последствий Q по строкам, для каждого i вычисляем значения ci= 1/2minqij + 1/2maxqij. Например, с1=1/2*2+1/2*8=5; аналогично находятся с2=7; с3=6,5; с4= 4,5. Наибольшим является с2=7. Следовательно, критерий Гурвица при заданном λ =1/2 рекомендует выбрать второй вариант (i=2 ).

2.3. Анализ связанной группы решений в условиях частичной

неопределенности

Если при принятии решения ЛПР известны вероятности pj того, что реальная ситуация может развиваться по варианту j, то говорят, что ЛПР находится в условиях частичной неопределенности. В этом случае можно руководствоваться одним из следующих критериев (правил).

Критерий (правило) максимизации среднего ожидаемого дохода . Этот критерий называется также критерием максимума среднего выигрыша. Если известны вероятности pj вариантов развития реальной ситуации, то доход, получаемый при i-ом решении, является случайной величиной Qi с рядом распределения

Математическое ожидание M [Qi ] случайной величины Qi и есть средний ожидаемый доход, обозначаемый также :

= M [Qi ] = .

Для каждого i-го варианта решения рассчитываются величины , и в соответствии с рассматриваемым критерием выбирается вариант, для которого достигается

Пример 2.6. Пусть для исходных данных примера 2.1 известны вероятности развития реальной ситуации по каждому из четырех вариантов, образующих полную группу событий:

p1 =1/2, p2=1/6, p3=1/6, p4=1/6. Выяснить, при каком варианте решения достигается наибольший средний доход и какова величина этого дохода.

Решение. Найдем для каждого i-го варианта решения средний ожидаемый доход: =1/2*5+1/6*2+1/6*8+1/6*4= 29/6, = 25/6, = 7, = 17/6. Максимальный средний ожидаемый доход равен 7 и соответствует третьему решению.

Правило минимизации среднего ожидаемого риска (другое название –критерий минимума среднего проигрыша ).

В тех же условиях, что и в предыдущем случае, риск ЛПР при выборе i-го решения является случайной величиной Ri с рядом распределения

Математическое ожидание M и есть средний ожидаемый риск, обозначаемый также : = M = . . Правило рекомендует принять решение, влекущее минимальный средний ожидаемый риск: .

Пример 2.7 . Исходные данные те же, что и в примере 2.6. Определить, при каком варианте решения достигается наименьший средний ожидаемый риск, и найти величину минимального среднего ожидаемого риска (проигрыша).

Решение. Для каждого i-го варианта решения найдем величину среднего ожидаемого риска. На основе заданной матрицы риска R найдем: = 1/2*3+1/6*3+1/6*0+1/6*8=20/6, = 4, = 7/6, = 32/6.

Следовательно, минимальный средний ожидаемый риск равен 7/6 и соответствует третьему решению: = 7/6.

Замечание . Когда говорят о среднем ожидаемом доходе (выигрыше) или о среднем ожидаемом риске (проигрыше), то подразумевают возможность многократного повторения процесса принятия решения по описанной схеме или фактическое неоднократное повторение такого процесса в прошлом. Условность данного предположения заключается в том, что реально требуемого количества таких повторений может и не быть.

Критерий (правило) Лаплпаса равновозможности (безразличия) . Этот критерий непосредственно не относится к случаю частичной неопределеннос-ти, и его применяют в условиях полной неопределенности. Однако здесь предполагается, что все состояния среды (все варианты реальной ситуации) равновероятны – отсюда и название критерия. Тогда описанные выше схемы расчета можно применить, считая вероятности pj одинаковыми для всех вариантов реальной ситуации и равными 1/n. Так, при использовании критерия максимизации среднего ожидаемого дохода выбирается решение, при котором достигается . А в соответсвии с критерием минимизации среднего ожидаемого риска выбирается вариант решения, для которого обеспечивается .

Пример 2.8. Используя критерий Лапласа равновозможности для исходных данных примера 2.1, выбрать наилучший вариант решения на основе: а) правила максимизации среднего ожидаемого дохода; б) правила минимизации среднего ожидаемого риска.

Решение. а) С учетом равновероятности вариантов реальной ситуации величины среднего ожидаемого дохода для каждого из вариантов решения составляют = (5+2+8+4)/4=19/4, = 21/4, = 26/4, = 15/4. Следовательно, наилучшим вариантом решения будет третий, и максимальный средний ожидаемый доход буде равен 26/4.

б) Для каждого варианта решения рассчитаем величины среднего ожидаемого риска на основе матрицы рисков с учетом равновероятности вариантов ситуации: = (3+3+0+8)/4 = 14/4, = 3, = 7/4, = 18/4. Отсюда следует, что наилучшим будет третий вариант, и при этом минимальный средний ожидаемый риск составит 7/4.

2.4. Оптимальность по Парето двухкритериальных финансовых

операций в условиях неопределенности

Из рассмотренного выше следует, что каждое ре­шение (финансовая операция) имеет две характеристики, которые нуждаются в оптимизации: средний ожидаемый доход и средний ожидаемый риск. Таким образом, выбор наилучшего решения является оптими­зационной двухкритериальной задачей. В задачах многокритериальной оптимизации основным понятием является понятие оптимальности по Парето . Рассмотрим это понятие для финансовых операций с двумя указанными характеристиками.

Пусть каждая операция а имеет две числовые характеристики Е(а), r (а) (например, эффективность и риск); при оптимизации Е стремятся увеличить, а r уменьшить.

Существует несколько способов постановки таких оптимизационных задач. Рассмотрим такую задачу в общем виде. Пусть А - не­которое множество операций, и разные операции обязательно различаются хо­тя бы одной характеристикой. При выборе наилучшей опе­рации желательно, чтобы Е было больше, а r меньше.

Будем говорить, что операция а доминирует операцию b , и обозначать а > b, если Е(а) ≥ Е(b ) и r (a ) ≤ r(b ) и хотя бы одно из этих неравенств строгое. При этом операция а на­зывается доминирующей , а операция b – доминируемой . Очевидно, что никакая доминируемая операция не может быть признана наилучшей . Следовательно, наилучшую операцию надо искать среди недоминируемых операций. Множество недоминируемых операций назы­вается множеством (областью) Парето или множеством оптимально­сти по Парето .

Для множества Парето справедливо утверждение: каждая из характе­ристик Е, r является однозначной функцией другой, т. е. на множестве Парето по од­ной характеристике операции можно однозначно определить другую.

Вернемся к анализу финансовых решений в условиях частичной неопределенности. Как показано в разделе 2.3, каждая операция характеризуется средним ожидаемым риском и средним ожидаемым доходом . Если ввести прямоугольную систему координат, на оси абсцисс которой откладывать значения , а на оси ординат – значения , то каждой операции будет соответствовать точка (, ) на координатной плоскости. Чем выше эта точка на плоскости, тем доходнее операция; чем правее точка, тем более рисковая операция. Следовательно, при поиске недоминируемых операций (множества Парето) нужно выбирать точки выше и левее. Таким образом, множество Парето для исходных данных примеров 2.6 и 2.7 состоит только из одной третьей операции.

Для определения лучшей операции в ряде случаев можно применять некоторую взвешивающую формулу, в которую характеристики и входят с определенными весами, и которая дает одно число, задающее лучшую операцию. Пусть, например, для операции i с характеристиками (, ) взвешивающая формула имеет вид f(i) = 3 - 2 , и наилучшая операция выбирается по максимуму величины f(i) . Эта взвешивающая формула означает, что ЛПР согласен на увеличение риска на три единицы, если доход операции увеличится при этом не менее, чем на две единицы. Таким образом, взвешивающая формула выражает отношение ЛПР к показателям дохода и риска.

Пример 2.9. Пусть исходные данные те же, что и в примерах 2.6 и 2.7, т. е. для матриц последствий и риска примера 2.1 известны вероятности вариантов развития реальной ситуации: p1 =1/2, p2=1/6, p3=1/6, p4=1/6. В этих условиях ЛПР согласен на увеличение риска на две единицы, если при этом доход операции увеличится не менее, чем на одну единицу. Определить для этого случая наилучшую операцию.

Решение. Взвешивающая формула имеет вид f(i) = 2 - . Используя результаты расчетов в примерах 2.6 и 2.7, находим:

f(1) = 2*29/6 – 20/6 = 6,33; f(2) = 2*25/6 – 4 = 4,33;

f(3) = 2*7 – 7/6 = 12,83; f(4) = 2*17/6 – 32/6 = 0,33

Следовательно, лучшей является третья операция, а худшей – четвертая.

Тема 3. Измерители и показатели финансовых рисков

Количественная оценка риска. Риск отдельной операции. Общие измерители риска.

В данной теме рассматриваются критерии и методы принятия решений в тех случаях, когда предполагается, что распределения вероятностей возможных исходов либо известны, либо они могут быть найдены, причем в последнем случае не всегда необходимо за­давать в явном виде плотность распределения.

3.1. Общеметодические подходы к количественной оценке риска

Риск - категория вероятностная, поэтому методы его количественной оцен­ки базируются на ряде важнейших понятий теории вероятностей и математической статистики. Так, главными инструментами статистического метода расчета риска являются:

1) математическое ожидание m, например, такой случайной величины, как результат финансовой операции k : m = Е {k };

2) дисперсия как характеристика степени вариации значений случайной величины k вокруг центра группирования m (напомним, что дисперсия – это математическое ожидание квадрата отклонения случайной величины от своего математического ожидания );

3) стандартное отклонение ;

4) коэффициент вариации , который имеет смысл риска на единицу среднего дохода.

Замечание. Для небольшого набора n значений – малой выборки! – дискретной случайной величины речь, строго говоря, идет лишь об оценках перечисленных измерителей риска .

Так, средним (ожидаемым) значением выборки, или выборочным аналогом математического ожидания , является величина , где р i – вероятность реализации значения случайной величины k . Если все значения равновероятны, то ожидаемое значение случайной выборки вычисляется по формуле .

Аналогично, дисперсия выборки (выборочная дисперсия ) определяется как среднеквадратичное отклонение в выборке: или

. В последнем случае выборочная дисперсия представляет собой смещенную оценку теоретической дисперсии . Поэтому предпочтительнее использовать несмещенную оценку дисперсии , которая задана формулой .

Очевидно, что оценка может быть рассчитана следующим образом или .

Ясно, что оценка коэффициента вариации принимает теперь вид .

В экономических системах в условиях риска принятие решений основывается чаще всего на одном из следующих критериев.

1. Ожидаемого значения (доходности, прибыли или расходов).

2. Выборочной дисперсии или стандартного (среднего квадратического) отклонения .

3. Комбинации ожидаемого значения и дисперсии или среднего квадратического отклонения выборки .

Замечание . Под случайной величиной k в каждой конкретной ситуации понимается соответствующий этой ситуации показатель, который обычно записывается в принятых обозначениях: mp – доходность портфеля ценных бумаг , IRR – (Internal Rate of Return) внутренняя (норма) доходности и т. д.

Рассмотрим изложенную идею на конкретных примерах.

3.2. Распределения вероятностей и ожидаемая доходность

Как уже не раз говорилось, риск связан с вероятностью того, что фактическая доходность будет ниже ее ожидаемого значения. Поэтому распределения вероятностей являются основой для измерения риска проводимой операции. Однако, надо помнить, что получаемые при этом оценки носят вероятностный характер.

Пример 1 . Предположим, например, что Вы намерены инвестировать 100000 дол. сроком на один год. Альтернативные варианты инвестиций приведены в табл. 3.1.

Во-первых, это ГКО-ОФЗ со сроком погашения один год и став­кой дохода 8%, которые могут быть приобретены с дисконтом, т. е. по цене ниже номинала, а в момент погашения будет выплачена их номи­нальная стоимость.

Таблица 3.1

Оценка доходности по четырем инвестиционным альтернативам

Состояние экономики	Вероятность р i		Доходность инвестиций при данном состоянии экономики, %
корпоративные ценные бумаги
Глубокий спад
Незначительный спад
Стагнация
Незначительный подъем
Сильный подъем
Ожидаемая доходность

Примечание. Доходность, соответствующую различным состояниям экономики, следует рас­сматривать как интервал значений, а отдельные ее значения - как точки внутри этого интервала. Например, 10%-ная доходность облигации корпорации при незначительном спаде представляет со­бой наиболее вероятное значение доходности при данном состоянии экономики, а точечное значение используется для удобства расчетов.

Во-вторых, корпоративные ценные бумаги (голубые фишки), которые продаются по номиналу с купон­ной ставкой 9% (т. е. на 100000 дол. вложенного капитала можно получать 9000 дол. годовых) и сроком погашения 10 лет. Однако Вы собираетесь продать эти ценные бумаги в конце первого года. Следовательно, фактическая до­ходность будет зависеть от уровня процентных ставок на конец года. Этот уровень в свою очередь зависит от состояния экономики на конец года: быстрые темпы экономического развития, вероятно, вызовут повышение процентных ставок, что снизит рыночную стоимость голубых фишек; в случае эко­номического спада возможна противоположная ситуация.

В-третьих, проект капиталовложений 1, чистая стоимость которого составляет 100000 дол. Денежный поток в течение года равен нулю, все выплаты осуще­ствляются в конце года. Сумма этих выплат зависит от состояния экономики.

И, наконец, альтернативный проект капиталовложений 2, совпадающий по всем па­раметрам с проектом 1 и отличающийся от него лишь распределением вероят­ностей ожидаемых в конце года выплат .

Под распределением вероятностей , будем понимать множество вероятностей возможных исходов (в случае непрерывной случайной величины это была бы плотность распределения вероятностей). Именно в этом смысле следует истолковывать представленные в табл. 3.1 четыре распределения вероятностей, соответствующие четырем альтернативным вариантам инвестирования. Доходность по ГКО-ОФЗ точно известна. Она составляет 8% и не зависит от состояния эконо­мики.

Вопрос 1 . Можно ли риск по ГКО-ОФЗ безоговорочно считать равным нулю?

Ответ: а) да; б) думаю, что не все так однозначно, но затрудняюсь дать более полный ответ; в) нет.

Правильный ответ в).

При любом варианте ответа см. справку 1.

Справка 1 . Инвестиции в ГКО-ОФЗ являются безрисковыми только в том смысле, что их номинальная доходность не изменяется в течение данного периода времени. В то же время их реальная доходность содержит определенную долю риска, т. к. она зависит от фактических темпов роста инфляции в течение пери­ода владения данной ценной бумагой. Более того, ГКО могут представлять проблему для инвестора, который обладает портфелем ценных бумаг с целью получения непрерыв­ного дохода: когда истекает срок платежа по ГКО-ОФЗ, необходимо осуще­ствить реинвестирование денежных средств , и если процентные ставки снижаются, до­ход портфеля также уменьшится. Этот вид риска, который носит название риска нормы реинвестирования , не учитывается в нашем примере, так как период, в течение кото­рого инвестор владеет ГКО-ОФЗ, соответствует сроку их погашения. Наконец, отметим, что релевантная доходность любых инвестиций - это доходность после уплаты налогов, поэтому значения доходности, используемые для принятия решения, должны отражать доход за вычетом налогов.

По трем другим вариантам инвестирования реальные, или фактические, значения доходности не будут известны до окончания соответствующих периодов владения активами. Поскольку значения доходности не известны с полной определенно­стью, эти три вида инвестиций являются рисковыми .

Распределения вероятностей бывают дискретными или непрерывными . Дискретное распределение вероятностей имеет конечное число исходов; так, в табл. 3.1 приведены дискретные распределения вероятностей доходностей различных вариантов инвестирования. Доходность ГКО-ОФЗ принимает только одно возможное значение, тогда как каждая из трех оставшихся альтернатив имеет пять возможных исходов. Ка­ждому исходу поставлена в соответствие вероятность его появления. Например, вероятность того, что ГКО-ОФЗ будут иметь доходность 8%, равна 1.00, а вероятность того, что доходность корпоративных ценных бумаг составит 9%, равна 0.50.

Если умножить каждый исход на вероятность его появления, а затем сло­жить полученные результаты, мы получим средневзвешенную исходов. Весами служат соответствующие вероятности, а средневзвешенная представляет собой ожидаемое значение . Так как исходами являются внутренние нормы доходности (Internal Rate of Return, аббревиатура IRR), ожидаемое зна­чение - это ожидаемая норма доходности (Expected Rate of Return, аббревиатура ERR), которую можно представить в следующем виде:

ERR = IRRi, (3.1)

где IRRi, - i-й возможный исход; pi - вероятность появления i-го исхода; п - число возможных исходов.

Кошечкин С.А. к.э.н., Международный институт экономики права и менеджмента (МИЭПМ ННГАСУ)

Введение

На практике экономисту вообще и финансисту в частности очень часто приходится оценивать эффективность работы той или иной системы. В зависимости от особенностей этой системы экономический смысл эффективности может быть облечён в различные формулы, но смысл их всегда один – это отношение результата к затратам. При этом результат уже получен, а затраты произведены.

Но насколько важны такие апостериорные оценки?

Безусловно, они представляют определённую ценность для бухгалтерии, характеризуют работу предприятия за истекший период и т. п., но гораздо важнее для менеджера вообще и финансового в частности определить эффективность работы предприятия в будущем. И в данном случае формулу эффективности нужно немного скорректировать.

Дело в том, что мы не знаем с достоверностью 100% ни величину получаемого в будущем результата, ни величину потенциальных будущих затрат.

Появляется т.н. «неопределенность», которую мы должны учитывать в наших расчётах, иначе просто получим неверное решение. Как правило, эта проблема возникает в инвестиционных расчётах при определении эффективности инвестиционного проекта (ИП), когда инвестор вынужден определить для себя на какой риск он готов пойти, чтобы получить желаемый результат, при этом решение этой двухкритериальной задачи осложняется тем, что толерантность инвесторов к риску индивидуальна.

Поэтому критерий принятия инвестиционных решений можно сформулировать следующим образом: ИП считается эффективным, если его доходность и риск сбалансированы в приемлемой для участника проекта пропорции и формально представить в виде выражения (1):

Эффективность ИП = {Доходность; Риск} (1)

Под «доходностью» предлагается понимать экономическую категорию, характеризующую соотношение результатов и затрат ИП. В общем виде доходность ИП можно выразить формулой (2):

Доходность ={NPV; IRR; PI; MIRR} (2)

Данное определение отнюдь не вступает в противоречие с определением термина «эффективность», поскольку определение понятия «эффективность», как правило, даётся для случая полной определённости, т. е. когда вторая координата «вектора» - риск, равна нулю.

Эффективность = {Доходность; 0} = Результат:Затраты (3)

Т.е. в данном случае:

Эффективность ≡ Доходность(4)

Однако в ситуации «неопределенность» невозможно с уверенностью на 100% говорить о величине результатов и затрат, поскольку они ещё не получены, а только ожидаются в будущем, поэтому появляется необходимость внести коррективы в данную формулу, а именно:

Р р и Р з - возможность получения данного результата и затрат соответственно.

Таким образом в этой ситуации появляется новый фактор – фактор риска, который безусловно необходимо учитывать при анализе эффективности ИП.

Определение риска

В общем случае под риском понимают возможность наступления некоторого неблагоприятного события, влекущего за собой различного рода потери (например, получение физической травмы, потеря имущества, получение доходов ниже ожидаемого уровня и т.д.).

Существование риска связано с невозможностью с точностью до 100% прогнозировать будущее. Исходя из этого, следует выделить основное свойство риска: риск имеет место только по отношению к будущему и неразрывно связан с прогнозированием и планированием, а значит и с принятием решений вообще (слово “риск” в буквальном переводе означает “принятие решения”, результат которого неизвестен). Следуя вышесказанному, стоит также отметить, что категории “риск” и “неопределенность” тесно связаны между собой и зачастую употребляются как синонимы.

Во-первых, риск имеет место только в тех случаях, когда принимать решение необходимо (если это не так, нет смысла рисковать). Иначе говоря, именно необходимость принимать решения в условиях неопределённости порождает риск, при отсутствии таковой необходимости нет и риска.

Во-вторых, риск субъективен, а неопределённость объективна. Например, объективное отсутствие достоверной информации о потенциальном объёме спроса на производимую продукцию приводит к возникновению спектра рисков для участников проекта. Например, риск, порожденный неопределенностью вследствие отсутствия маркетингового исследования для ИП, обращается в кредитный риск для инвестора (банка, финансирующего этот ИП), а в случае не возврата кредита в риск потери ликвидности и далее в риск банкротства, а для реципиента этот риск трансформируется в риск непредвиденных колебаний рыночной конъюнктуры., причём для каждого из участников ИП проявление риска индивидуально как в качественном так и в количественном выражении.

Говоря о неопределенности, отметим, что она может быть задана по-разному:

В виде вероятностных распределений (распределение случайной величины точно известно, но неизвестно какое конкретно значение примет случайная величина)

В виде субъективных вероятностей (распределение случайной величины неизвестно, но известны вероятности отдельных событий, определённые экспертным путём);

В виде интервальной неопределённости (распределение случайной величины неизвестно, но известно, что она может принимать любое значение в определённом интервале)

Кроме того, следует отметить, что природа неопределённости формируется под воздействием различных факторов :

Временная неопределённость обусловлена тем, что невозможно с точностью до 1 предсказать значение того или иного фактора в будущем;

Неизвестность точных значений параметров рыночной системы можно охарактеризовать как неопределённость рыночной конъюнктуры;

Непредсказуемость поведения участников в ситуации конфликта интересов также порождает неопределённость и т.д.

Сочетание этих факторов на практике создаёт обширный спектр различных видов неопределённости.

Поскольку неопределённость выступает источником риска, её следует минимизировать, посредством приобретения информации, в идеальном случае, стараясь свести неопределённость к нулю, т. е. к полной определённости, за счёт получения качественной, достоверной, исчерпывающей информации. Однако на практике это сделать, как правило, не удаётся, поэтому, принимая решение в условиях неопределённости, следует её формализовать и оценить риски, источником которых является эта неопределённость.

Риск присутствует практически во всех сферах человеческой жизни, поэтому точно и однозначно сформулировать его невозможно, т.к. определение риска зависит от сферы его использования (например, у математиков риск – это вероятность, у страховщиков – это предмет страхования и т.д.). Неслучайно в литературе можно встретить множество определений риска.

Риск – неопределённость, связанная со стоимостью инвестиций в конце периода ,.

Риск – вероятность неблагоприятного исхода .

Риск – возможная потеря, вызванная наступлением случайных неблагоприятных событий .

Риск – возможная опасность потерь, вытекающая из специфики тех или иных явлений природы и видов деятельности человеческого общества .

Риск- уровень финансовой потери, выражающейся а) в возможности не достичь поставленной цели; б) в неопределённости прогнозируемого результата; в) в субъективности оценки прогнозируемого результата .

Всё множество изученных методов расчёта риска можно сгруппировать в несколько подходов:

Первый подход: риск оценивается как сумма произведений возможных ущербов, взвешенных с учетом их вероятности.

Второй подход: риск оценивается как сумма рисков от принятия решения и рисков внешней среды (независимых от наших решений).

Третий подход: риск определяется как произведение вероятности наступления отрицательного события на степень отрицательных последствий.

Всем этим подходам в той или иной степени присущи следующие недостатки:

Не показана четко взаимосвязь и различия между понятиями «риск» и «неопределённость»;

Не отмечена индивидуальность риска, субъективность его проявления;

Спектр критериев оценки риска ограничен, как правило, одним показателем.

Кроме того, включение в показатели оценки риска таких элементов, как альтернативные издержки, упущенная выгода и т. д., встречающееся в литературе , по мнению автора, нецелесообразно, т.к. они в большей степени характеризуют доходность, нежели риск.

Автор предлагает рассматривать риск как возможность (Р ) потерь (L ), возникающую вследствие необходимости принятия инвестиционных решений в условиях неопределённости. При этом особо подчеркивается, что понятия «неопределённость» и «риск» не тождественны, как это зачастую считается, а возможность наступления неблагоприятного события не следует сводить к одному показателю – вероятности. Степень этой возможности можно характеризовать различными критериями:

Вероятность наступления события;

Величина отклонения от прогнозируемого значения (размах вариации);

Дисперсия; математическое ожидание; среднее квадратическое отклонение; коэффициент асимметрии; эксцесс, а также множеством других математических и статистических критериев.

Поскольку неопределённость может быть задана различными её видами (вероятностные распределения, интервальная неопределённость, субъективные вероятности и т. д.), а проявления риска чрезвычайно разнообразны, на практике приходится использовать весь арсенал перечисленных критериев, но в общем случае автор предлагает применять матожидание и среднее квадратическое отклонение как наиболее адекватные и хорошо зарекомендовавшие себя на практике критерии. Кроме того, особо отмечается, что при оценке риска следует учитывать индивидуальную толерантность к риску (γ ), которая описывается кривыми индифферентности или полезности. Таким образом, автор рекомендует описывать риск тремя вышеупомянутыми параметрами (6):

Риск = {Р; L; γ } (6)

Сравнительный анализ статистических критериев оценки риска и их экономическая сущность представлены в следующем параграфе.

Статистические критерии риска

Вероятность (Р) события (Е) – отношение числа К случаев благоприятных исходов, к общему числу всех возможных исходов (М).

Р(Е)= К / М (7)

Вероятность наступления события может быть определена объективным или субъективным методом.

Объективный метод определения вероятности основан на вычислении частоты, с которой происходит данное событие. Например, вероятность выпадения «орла» или «решки» при подбрасывании идеальной монеты – 0,5.

Субъективный метод основан на использовании субъективных критериев (суждение оценивающего, его личный опыт, оценка эксперта) и вероятность события в этом случае может быть разной, будучи оцененной разными экспертами.

В связи с этими различиями в подходах необходимо отметить несколько нюансов:

Во-первых, объективные вероятности имеют мало общего с инвестиционными решениями, которые нельзя повторять много раз, тогда как вероятность выпадения «орла» или «решки» равна 0,5 при значительном количестве подбрасываний, а например при 6 подбрасываниях может выпасть 5 «орлов» и 1 «решка».

Во-вторых, одни люди склонны переоценивать вероятность наступления неблагоприятных событий и недооценивать вероятность наступления положительных событий, другие наоборот, т.е. по разному реагируют на одну и ту же вероятность (когнитивная психология называет это эффектом контекста).

Однако, несмотря на эти и другие нюансы, считается, что субъективная вероятность обладает теми же математическими свойствами, что и объективная.

Размах вариации (R) – разница между максимальным и минимальным значением фактора

R= X max - X min (8)

Этот показатель дает очень грубую оценку риску, т.к. он является абсолютным показателем и зависит только от крайних значений ряда.

Дисперсия – сумма квадратов отклонений случайной величины от ее среднего значения, взвешенных на соответствующие вероятности.

(9)

где М(Е) – среднее или ожидаемое значение (математическое ожидание) дискретной случайной величины Е определяется как сумма произведений ее значений на их вероятности:

(10)

Математическое ожидание – важнейшая характеристика случайной величины, т.к. служит центром распределения ее вероятностей. Смысл ее заключается в том, что она показывает наиболее правдоподобное значение фактора.

Использование дисперсии как меры риска не всегда удобно, т.к. размерность ее равна квадрату единицы измерения случайной величины.

На практике результаты анализа более наглядны, если показатель разброса случайной величины выражен в тех же единицах измерения, что и сама случайная величина. Для этих целей используют стандартное (среднее квадратическое) отклонение σ(Ε).

(11)

Все вышеперечисленные показатели обладают одним общим недостатком – это абсолютные показатели, значения которых предопределяют абсолютные значения исходного фактора. Гораздо удобней поэтому использовать коэффициент вариации (СV).

(12)

Определение CV особенно наглядно для случаев, когда средние величины случайного события существенно различаются.

В отношении оценки риска финансовых активов необходимо сделать три замечания:

Во-первых, при сравнительном анализе финансовых активов в качестве базисного показателя следует брать рентабельность, т.к. значение дохода в абсолютной форме может существенно варьировать.

Во-вторых, основными показателями риска на рынке капиталов являются дисперсия и среднее квадратическое отклонение. Поскольку в качестве базиса для расчета этих показателей берется доходность (рентабельность), критерий относительный и сопоставимый для различных видов активов, нет острой нужды в расчете коэффициента вариации.

В-третьих, иногда в литературе вышеприведенные формулы даются без учёта взвешивания на вероятности. В таком виде они пригодны лишь для ретроспективного анализа.

Кроме того, описанные выше критерии предполагалось применять к нормальному распределению вероятностей. Оно, действительно, широко используется при анализе рисков финансовых операций, т.к. его важнейшие свойства (симметричность распределения относительно средней, ничтожная вероятность больших отклонений случайной величины от центра ее распределения, правило трех сигм) позволяет существенно упростить анализ. Однако не все финансовые операции предполагают нормальное распределение доходов (вопросы выбора распределения рассмотрены более подробно чуть ниже) Например, распределения вероятностей получения доходов от операций с производными финансовыми инструментами (опционами и фьючерсами) часто характеризуется асимметрией (скосом) относительно математического ожидания случайной величины (рис. 1).

Так, например, опцион на покупку ценной бумаги позволяет его владельцу получить прибыль в случае положительной доходности и в то же время избежать убытков в случае отрицательной, т.е. по сути, опцион отсекает распределение доходности в точке, где начинаются потери.

Рис.1 График плотности распределения вероятности с правой (положительной) асимметрией

В подобных случаях использование в процессе анализа только двух параметров (средней и стандартного отклонения) может приводить к неверным выводам. Стандартное отклонение неадекватно характеризует риск при смещенных распределениях, т.к. игнорируется, что большая часть изменчивости приходится на «хорошую» (правую) или «плохую» (левую) сторону ожидаемой доходности. Поэтому при анализе асимметричных распределений используют дополнительный параметр – коэффициент асимметрии (скоса). Он представляет собой нормированную величину третьего центрального момента и определяется по формуле (13):

Экономический смысл коэффициента асимметрии в данном контексте заключается в следующем. Если коэффициент имеет положительное значение (положительный скос), то самые высокие доходы (правый «хвост») считаются более вероятными, чем низкие и наоборот.

Коэффициент асимметрии может также использоваться для приблизительной проверки гипотезы о нормальном распределении случайной величины. Его значение в этом случае должно быть равно 0.

В ряде случаев смещенное вправо распределение можно свети к нормальному прибавлением 1 к ожидаемой величине доходности и последующим вычислением натурального логарифма полученного значения. Такое распределение называют логнормальным. Оно используется в финансовом анализе наряду с нормальным.

Некоторые симметричные распределения могут характеризоваться четвертым нормированным центральным моментом – эксцессом (е).

(14)

Если значение эксцесса больше 0, кривая распределения более остроконечна, чем нормальная кривая и наоборот.

Экономический смысл эксцесса заключается в следующем. Если две операции имеют симметричные распределения доходов и одинаковые средние, менее рискованной считается инвестиция с большим эксцессом.

Для нормального распределения эксцесс равен 0.

Выбор распределения случайной величины.

Нормальное распределение используют, когда невозможно точно определить вероятность того, что непрерывная случайная величина принимает какое-то конкретное значение. Нормальное распределение предполагает, что варианты прогнозируемого параметра тяготеют к среднему значению. Значения параметра существенно отличающиеся от среднего, т.е. находящиеся в “хвостах” распределения, имеют малую вероятность осуществления. Такова природа нормального распределения.

Треугольное распределение представляет собой суррогат нормального и предполагает линейно нарастающее по мере приближения к моде распределение.

Трапециевидное распределение предполагает наличие интервала значений с наибольшей вероятностью реализации (НВР) в пределах РВД.

Равномерное распределение выбирается, когда предполагается, что все варианты прогнозируемого показателя имеют одинаковую вероятность реализации

Однако, когда случайная величина дискретна, а не непрерывна, применяют биномиальное распределение и распределение Пуассона .

Иллюстрацией биномиального распределения служит пример с подбрасыванием игральной кости. При этом экспериментатора интересуют вероятности “успеха” (выпадения грани с определенным числом, например, с “шестеркой”) и “неудачи” (выпадение грани с любым другим числом).

Распределение Пуассона применяется, когда выполняются следующие условия:

1.Каждый малый интервал времени может рассматриваться как опыт, результатом которого является одно из двух: либо “успех”, либо его отсутствие – “неудача”. Интервалы столь малы, что может быть только один “успех” в одном интервале, вероятность которого мала и неизменна.

2.Число “успехов” в одном большом интервале не зависит от их числа в другом, т.е. “успехи” беспорядочно разбросаны по временным промежуткам.

3.Среднее число “успехов” постоянно на протяжении всего времени.

Обычно распределение Пуассона иллюстрируют примером регистрации количества дорожных происшествий за неделю на определенном участке дороги.

При определенных условиях распределение Пуассона может быть использовано как аппроксимация биномиального распределения, что особенно удобно когда применение биномиального распределения требует сложных, трудоемких расчетов, отнимающих много времени. Аппроксимация гарантирует приемлемые результаты при выполнении следующих условий:

1.Количество опытов велико, предпочтительно более 30-ти. (n=3)

2.Вероятность “успеха” в каждом опыте мала, предпочтительно менее 0.1.(p=0.1) Если вероятность “успеха” велика, то для замены может быть использовано нормальное распределение.

3.Предполагаемое количество “успехов” меньше 5 (np=5).

В случаях, когда биномиальное распределение весьма трудоемко, его также можно аппроксимировать нормальным распределением с “поправкой на непрерывность”, т.е. делая допущение, что, например, значение дискретной случайной величины 2 является значением непрерывной случайной величины на промежутке от 1.5 до 2.5.

Оптимальная аппроксимация достигается при выполнении следующих условий: n=30; np=5, а вероятность “успеха” p=0.1 (оптимальное значение р=0.5)

Цена риска

Следует отметить, что в литературе и практике помимо статистических критериев используются и другие показатели измерения риска: величина упущенной выгоды, недополученный доход и другие, рассчитываемые, как правило, в денежных единицах. Безусловно, такие показатели имеют право на существование, более того, они зачастую проще и понятнее чем статистические критерии, однако для адекватного описания риска они должны учитывать и его вероятностную характеристику.

C risk = {P; L} (15)

L - определяется как сумма возможных прямых потерь от инвестиционного решения.

Для определения цены риска рекомендуется использовать только такие показатели, которые учитывают обе координаты «вектора», как возможность наступления неблагоприятного события, так и величину ущерба от него. В качестве таких показателей автор предлагает использовать прежде всего дисперсию, среднеквадратическое отклонение (СКО-σ ) и коэффициент вариации (CV ). Для возможности экономического толкования и сравнительного анализа этих показателей рекомендуется переводить их в денежный формат.

Необходимость учитывать именно оба показателя можно проиллюстрировать следующим примером. Допустим вероятность того, что концерт, на который уже куплен билет состоится с вероятностью 0.5, очевидно, что большинство купивших билет придут на концерт.

Теперь допустим, что вероятность благоприятного исхода полёта авиалайнера составляет также 0.5, очевидно, что большинство пассажиров откажутся от полёта.

Данный отвлеченный пример показывает, что при равных вероятностях неблагоприятного исхода принятые решения будут полярно противоположными, что доказывает необходимость расчёта «цены риска».

Особое внимание акцентируется на том факте, что отношение инвесторов к риску субъективно, поэтому в описании риска присутствует третий фактор – толерантность инвестора к риску (γ). Необходимость учета этого фактора иллюстрирует следующий пример.

Предположим у нас есть два проекта со следующими параметрами: Проект «А» - доходность – 8% Стандартное отклонение – 10%. Проект «В» - доходность – 12% Стандартное отклонение – 20%. Начальная стоимость обоих проектов одинакова – 100.000$.

Вероятность оказаться ниже этого уровня будет следующая:

Из чего явно следует, что проект «А» менее рискован и его следует предпочесть проекту «В». Однако это не совсем так, поскольку окончательное решение об инвестировании будет зависеть от степени толерантности инвестора к риску, что наглядно можно представить кривой безразличия.

Из рисунка 2 видно, что проекты «А» и «В» являются равноценными для инвестора, поскольку кривая безразличия объединяет все проекты, являющиеся равноценными для инвестора. При этом характер кривой для каждого инвестора будет индивидуален.

Рис.2. Кривая безразличия как критерий толерантности инвесторов к риску.

Графически оценить индивидуальное отношение инвестора к риску можно по степени крутизны кривой безразличия, чем она круче, тем выше неприятие риска, и наоборот чем положе тем безразличней отношение к риску. Для того, чтобы количественно оценить толерантность к риску автор предлагает рассчитывать тангенс угла наклона касательной.

Отношение инвесторов к риску можно описать не только кривыми индифферентности, но и в терминах теории полезности. Отношение инвестора к риску в данном случае отражает функция полезности. Ось абсцисс представляет собой изменение ожидаемого дохода, а ось ординат – изменение полезности. Поскольку в общем случае нулевому доходу соответствует нулевая полезность, график проходит через начало координат.

Поскольку принимаемое инвестиционное решение может привести как к положительным результатам (доходам) так и к отрицательным (убытки), то полезность его также может быть как положительной, так и отрицательной.

Важность применения функции полезности в качестве ориентира для инвестиционных решений проиллюстрируем следующим примером.

Допустим, инвестор стоит перед выбором инвестировать ему или нет свои средства в проект, который позволяет ему с одинаковой вероятностью выиграть и проиграть 10.000 долларов (исходы А и В соответственно). Оценивая данную ситуацию с позиций теории вероятности, можно утверждать, что инвестор с равной степенью вероятности может как инвестировать свои средства в проект, так и отказаться от него. Однако, проанализировав кривую функции полезности, можно увидеть, что это не совсем так (рис. 3)

Рис 3. Кривая полезности как критерий принятия инвестиционных решений

Из рисунка 3 видно, что отрицательная полезность исхода «В» явно выше, чем положительная полезность исхода «А». Алгоритм построения кривой полезности приведён в следующем параграфе.

Также очевидно, что если инвестор будет вынужден принять участие в «игре», он ожидает потерять полезность равную U E =(U B – U A):2

Таким образом, инвестор должен быть готов заплатить величину ОС за то, чтобы не участвовать в этой «игре».

Заметим также, что кривая полезности может быть не только выпуклой, но и вогнутой, что отражает необходимость инвестора выплачивать страховку на данном, вогнутом участке.

Стоит также отметить, что откладываемая по оси ординат полезность не имеет ничего общего с неоклассической концепцией полезности экономической теории. Кроме того, на данном графике ось ординат имеет не совсем обычную шкалу, значения полезности на ней откладываются на ней как градусы на шкале Фаренгейта.

Практическое применение теории полезности выявило следующие преимущества кривой полезности:

1.Кривые полезности, являясь выражением индивидуальных предпочтений инвестора, будучи построены один раз, позволяют принимать инвестиционные решения в дальнейшем с учётом его предпочтений, но без дополнительных консультаций с ним.

2.Функция полезности в общем случае могут использоваться для делегирования права принятия решений. При этом логичнее всего использовать функцию полезности высшего руководства, поскольку для обеспечения своего положения при принятии решения оно старается учитывать конфликтующие потребности всех заинтересованных сторон, то есть всей компании. Однако следует иметь в ввиду, что функция полезности может меняться с течением времени, отражая финансовые условия данного момента времени. Таким образом, теория полезности позволяет формализовать подход к риску и тем самым научно обосновать решения, принятые в условиях неопределённости.

Построение кривой полезности

Построение индивидуальной функции полезности осуществляется следующим образом. Субъекту исследования предлагают сделать серию выборов между различными гипотетическими играми, по результатам которых на график наносят соответствующие точки. Так, например, если индивидууму безразлично получить 10000 долларов с полной определенностью или участвовать в игре с выигрышем 0 или 25000 долларов с одинаковой вероятностью, то можно утверждать что:

U (10.000) = 0.5 U(0) + 0.5 U(25.000) = 0.5(0) + 0.5(1) = 0.5

где U – полезность суммы, указанной в скобках

0.5 – вероятность исхода игры (по условиям игры оба исхода равнозначны)

Полезности других сумм могут быть найдены из других игр по следующей формуле:

Uc (C) = PaUa(A) + PbUb(B) + PnUn(N)(16)

Где Nn – полезность суммы N

Un – вероятность исхода с получением денежной суммы N

Практическое применение теории полезности можно продемонстрировать следующим примером. Допустим, индивидууму необходимо выбрать один из двух проектов, описывающихся следующими данными (табл.1):

Таблица 1

Построение кривой полезности.

Несмотря на то, что оба проекта имеют одинаковое матожидание инвестор отдаст предпочтение проекту 1, поскольку его полезность для инвестора выше.

Природа риска и подходы к его оценке

Обобщая проведенное выше исследование природы риска, можно сформулировать её основные моменты:

Неопределённость – объективное условие существования риска;

Необходимость принятия решения – субъективная причина существования риска;

Будущее – источник риска;

Величина потерь –основная угроза от риска;

Возможность потерь – степень угрозы от риска;

Взаимосвязь «риск-доходность» - стимулирующий фактор принятия решений в условиях неопределённости;

Толерантность к риску – субъективная составляющая риска.

Принимая решение об эффективности ИП в условиях неопределённости, инвестор решает как минимум двухкритериальную задачу, иначе говоря, ему необходимо найти оптимальное сочетание «риск-доходность» ИП. Очевидно, что найти идеальный вариант «максимальная доходность - минимальный риск» удаётся лишь в очень редких случаях. Поэтому автор предлагает четыре похода для решения этой оптимизационной задачи.

1. Подход «максимум выигрыша» заключается в том, что из всех вариантов вложений капитала выбирается вариант, дающий наибольший результат (NPV , прибыль) при приемлемом для инвестора риске (R пр.доп) . Таким образом, критерий принятия решения в формализованном виде можно записать как (17)

(17)

2. Подход «оптимальная вероятность» состоит в том, что из возможных решений выбирается то, при котором вероятность результата является приемлемой для инвестора (18)

(18)

M(NPV) – матожидание NPV.

3. На практике подход «оптимальная вероятность» рекомендуется сочетать с подходом «оптимальная колеблемость». Колеблемость показателей выражается их дисперсией, средним квадратическим отклонением и коэффициентом вариации. Сущность стратегии оптимальной колеблемости результата заключается в том, что из возможных решений выбирается то, при котором вероятности выигрыша и проигрыша для одного и того же рискового вложения капитала имеют небольшой разрыв, т.е. наименьшую величину дисперсии, среднего квадратического отклонения, вариации.

(19)

где:

CV(NPV) – коэффициент вариации NPV.

4. Подход «минимум риска». Из всех возможных вариантов выбирается тот, который позволяет получить ожидаемый выигрыш (NPV пр.доп) при минимальном риске.

(20)

Система рисков инвестиционного проекта

Спектр рисков, связанных с осуществлением ИП чрезвычайно широк. В литературе встречаются десятки классификаций риска . В большинстве случаев автор согласен с предлагаемыми классификациями, однако в результате исследования значительного объёма литературы, автор пришел к выводу, что критериев классификации можно назвать сотни, по сути, значение любого фактора ИП в будущем есть величина неопределенная, т.е. является потенциальным источником риска. В связи с этим построение универсальной всеобщей классификации рисков ИП не представляется возможным и не является необходимым. По мнению автора, гораздо важнее определить индивидуальный комплекс рисков, потенциально опасных для конкретного инвестора и оценить их, поэтому в данной диссертации основное внимание уделяется именно инструментарию количественной оценки рисков инвестиционного проекта.

Исследуем подробнее систему рисков инвестиционного проекта. Говоря о риске ИП, следует отметить, что ему присущи риски чрезвычайно широкого круга сфер человеческой деятельности: экономические риски; политические риски; технические риски; юридические риски; природные риски; социальные риски; производственные риски и т.д.

Даже если рассматривать риски, связанные с реализацией только экономической составляющей проекта, перечень их будет весьма обширным: сегмент финансовых рисков, риски, связанные с колебаниями рыночной конъюнктуры, риски колебания деловых циклов.

Финансовые риски – риски, обусловленные вероятностью потерь вследствие осуществления финансовой деятельности в условиях неопределенности. К финансовым рискам относят:

Риски колебаний покупательной способности денег (инфляционный, дефляционный, валютный)

Инфляционный риск ИП обусловлен, прежде всего, непредсказуемостью инфляции, поскольку ошибочный темп инфляции, заложенный в ставку дисконтирования может существенно исказить значение показателя эффективности ИП, не говоря уже о том, что условия функционирования субъектов народного хозяйства существенно различаются при темпе инфляции 1 % в месяц (12.68 % в год) и 5 % в месяц (79.58 % в год).

Говоря об инфляционном риске, следует отметить, что часто встречающиеся в литературе трактовки риска как того, что доходы будут обесцениваться быстрее, чем индексироваться, мягко говоря, некорректно, а по отношению к ИП неприемлема, т.к. основная опасность инфляции заключается не столько в ее величине, сколько в ее непредсказуемости.

При условии предсказуемости и определенности даже самую большую инфляцию можно легко учесть в ИП либо в ставке дисконтирования, либо индексируя величину денежных потоков, сведя тем самым элемент неопределенности, а значит и риск, к нулю.

Валютный риск – риск потерь финансовых ресурсов вследствие непредсказуемых колебаний валютных курсов. Валютный риск может сыграть злую шутку с разработчиками тех проектов, которые, стремясь уйти от риска непредсказуемости инфляции рассчитывают денежные потоки в «твердой» валюте, как правило, в американских долларах, т.к. даже самой твердой валюте присуща внутренняя инфляция, а динамика ее покупательной способности в отдельно взятой стране может быть весьма нестабильной.

Нельзя так же не отметить взаимосвязи различных рисков. Так, например, валютный риск может трансформироваться в инфляционный либо дефляционный риск. В свою очередь все эти три типа риска взаимосвязаны с ценовым риском, который относиться к рискам колебаний рыночной конъюнктуры. Другой пример: риск колебания деловых циклов связан с инвестиционными рисками, риском изменения процентной ставки, например.

Любой риск вообще, и риск ИП в частности, весьма многогранен в своих проявлениях и зачастую представляет собой сложную конструкцию из элементов других рисков. Например, риск колебания рыночной конъюнктуры представляет собой целый набор рисков: ценовые риски (как на затраты, так и на продукцию); риски изменения структуры и объема спроса.

Колебания рыночной конъюнктуры так же могут быть вызваны колебаниями деловых циклов и т.д.

Кроме того, проявления риска индивидуальны для каждого участника ситуации связанной с неопределенностью, как говорилось выше

О многогранности риска и его сложных взаимосвязях говорит тот факт, что даже решение минимизации риска содержит риск.

Риск ИП (R ип) – это система факторов, проявляющаяся в виде комплекса рисков (угроз), индивидуальных для каждого участника ИП, как в количественном так и в качественном отношении. Систему рисков ИП можно представить в следующем виде (21):

(21)

Акцент сделан на том факте, что риск ИП представляет собой сложную систему с многочисленными взаимосвязями, проявляющуюся для каждого из участников ИП в виде индивидуальной комбинации - комплекса, то есть риск i-го участника проекта (R i) будет описан по формуле (22):

Столбец матрицы (21) при этом показывает, что значение любого риска для каждого участника проекта проявляется также индивидуально (табл.2).

Таблица 2

Пример системы рисков ИП.

Для анализа и управления системой риска ИП автор предлагает следующий алгоритм риск-менеджмента. Его содержание и задачи представлены на рис.4.

1.Анализ рисков, как правило, начинается с качественного анализа, целью которого является идентификация рисков. Данная цель распадается на следующие задачи:

Выявление всего спектра рисков, присущих инвестиционному проекту;

Описание рисков;

Классификация и группировка рисков;

Анализ исходных допущений.

К сожалению, подавляющее большинство отечественных разработчиков ИП останавливаются на этой начальной стадии, которая, по сути, является лишь подготовительной фазой полноценного анализа.

Рис. 4. Алгоритм управления риском ИП.

2. Второй и наиболее сложной фазой риск-анализа является количественный анализ рисков, целью которого является измерение риска, что обуславливает решение следующих задач:

Формализация неопределённости;

Расчёт рисков;

Оценка рисков;

Учёт рисков;

3. На третьем этапе риск-анализ плавно трансформируется из априорных, теоретических суждений в практическую деятельность по управлению риском. Это происходит в момент окончания проектирования стратегии риск-менеджмента и начало её реализации. Этот же этап завершает и инжиниринг инвестиционных проектов.

4. Четвертый этап – контроль, по сути, является началом реинжиниринга ИП, он завершает процесс риск-менеджмента и обеспечивает ему цикличность.

Заключение

К сожалению объём данной статьи не позволяет продемонстрировать в полном объёме практическое применение вышеизложенных принципов, к тому же целью статьи является обоснование теоретической базы для практических расчётов, которые подробно изложены в других публикациях. Ознакомиться с ними можно по адресу www. koshechkin.narod.ru.

Литература

1. Балабанов И.Т. Риск-менеджмент. М.: Финансы и статистика -1996-188с.
2. Бромвич М. Анализ экономической эффективности капиталовложений: пер с англ.-М.:-1996-432с.
3. Ван Хорн Дж. Основы управления финансами: пер. с англ. (под редакцией И.И. Елисеевой – М., Финансы и статистика 1997 – 800 с.
4. Гиляровская Л.Т., Ендовицкий Моделирование в стратегическом планировании долгосрочных инвестиций // Финансы-1997-№8-53-57
5. Жигло А.Н. Расчет ставок дисконта и оценка риска.// Бухгалтерский учёт 1996-№6
6. Загорий Г.В. О методах оценки кредитного риска.// Деньги и кредит 1997-№6
7. 3озулюк А.В. Хозяйственный риск в предпринимательской деятельности. Дисс. на соиск.уч.ст. к.э.н М. 1996.
8. Ковалев В.В. “Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчетности.” М.: Финансы и статистика 1997-512 стр.
9. Коломина М. Сущность и измерение инвестиционных рисков. //Финансы-1994-№4-с.17-19
10. Половинкин П. Зозулюк А. Предпринимательские риски и управление ими. // Российский экономический журнал 1997-№9
11. Салин В.Н. и др. Математико-экономическая методология анализа рисковых видов страхования. М., Анкил 1997 – 126 стр.
12. Севрук В. Анализ кредитного риска. //Бухгалтерский учёт-1993-№10 с.15-19
13. Телегина Е. Об управлении рисками при реализации долгосрочных проектов. //Деньги и кредит -1995-№1-с.57-59
14. Трифонов Ю.В., Плеханова А.Ф., Юрлов Ф.Ф. Выбор эффективных решений в экономике в условиях неопределённости. Монография. Н. Новгород: Издательство ННГУ,1998г. 140с.
15. Хуссамов P.P. Разработка метода комплексной оценки риска инвестирования в промышленности. Дисс. на соиск.уч.ст. к.э.н Уфа. 1995.
16. Шапиро В.Д. Управление проектами. СПб.; ДваТрИ,1996-610с.
17. Шарп У.Ф., Александер Г. Дж., Бейли Дж. Инвестиции: пер. с англ. -М.: ИНФРА-М, 1997-1024с
18. Четыркин Е.М. Финансовый анализ производственных инвестиций М., Дело 1998 – 256 стр.