Алгоритм интеллектуальной поддержки принятия решений при формировании портфеля ценных бумаг на основе роевого интеллекта

В статье рассматривается вопрос необходимости интеллектуальной поддержки принятия решений при управлении процессом формирования портфеля ценных бумаг. Современные системы для поддержки принятия решений инвесторов основаны на классической теории управления портфелем ценных бумаг и предполагают выполнение требования об эффективности рынка, но современный фондовый рынок как отечественный, так и мировой, не может соответствовать данному условию. Возникает необходимость разработки новых методов и моделей для принятия эффективных решений при управлении портфелем ценных бумаг. Для поиска оптимального портфеля используется модифицированный метод роя частиц и исследуются его преимущества, среди которых сокращение количества вычислений целевой функции на 34 % и более. Предлагаемый алгоритм интеллектуальной поддержки принятия решений позволяет инвестору сделать выбор по трем аспектам: по способу определения параметров модели, по модели для оценки финансового риска и по долевой структуре оптимального портфеля. База знаний объединяет базу моделей и базу прецедентов, а база правил содержит, в том числе агрегированные по всем прецедентам показатели эффективности модели оценки финансового риска. Рост базы прецедентов позволяет повысить достоверность оценки эффективности меры риска и сформировать (или адаптировать) продукционные правила.

1. Kondrateva O.V. Application of indexed-entropic risk measures in decision support systems for security portfolio management. Proc. of the 3rd international conference on intelligent technologies for information processing and management. 2015:159-162.

2. Бронштейн Е.М., Кондратьева О.В. Управление портфелем ценных бумаг на основе комбинированных энтропийных мер риска. Известия Российской академии наук. Теория и системы управления. 2013;5:172-176.

3. Bronshtein E.M., Kondrateva O.V. The Decision Support of the Securities Portfolio Composition Based on the Particle Swarm Optimization. Proc. of the 7th Scientific Conference on Information Technologies for Intelligent Decision Making Support. 2019;166:279-284. https://doi.org/10.2991/itids-19.2019.50.

4. Beni G., Wang J. Swarm Intelligence in Cellular Robotic Systems. Robots and biological systems: towards a new bionics? Proc. of the NATO Advanced Workshop. 1989:703-712. doi.org/10.1007/978-3-642-58069-7_38

5. Kennedy J., Mendes R. Population structure and particle swarm performance. Proc. of the 2002 Congress on Evolutionary Computation. doi:10.1109/CEC.2002.1004493

6. Shi Y., Eberhart R. A modified particle swarm optimizer. Proc. of the IEEE International Conference on Evolutionary Computation Proceedings, 1998:69–73. doi:10.1109/ICEC.1998.699146

7. Riesbeck C.K., Schank R. Inside Case-based Reasoning. Erlbaum. 1989:423.

8. Alterman R. Panel discussion on case representation. Proc. of the Second Workshop on Case-Based Reasoning.1989.

9. David B.S. Principles for case representation in a case based aiding system for lesson planning. Proc. of the Workshop on Case-Based Reasoning.1991.

10. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений. Искусственный интеллект и принятие решений. 2009;2:45-57.

11. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. Artificial Intelligence Communications.1994;7(1):39–59. doi:10.3233/AIC-1994-7104