Моделирование работы банка

равна Pj (vj ) миллионов долларов. Информация второй группы относится к услугам, по которым поисковые исследования уже завершены и для внедрения которых требуется проведение ряда работ и подсчетов. Для таких проектов ассигнования в объеме wj тысяч долларов, согласно имеющейся оценке, дадут, в конечном счете, доход в размере Qj (wj ) миллионов долларов. К третьей группе относится информация , связанная с улучшением качества уже оказываемых услуг . Затраты xj тысяч долларов, согласно сделанным оценкам, должны принести всего Rj(xj) миллионов долларов дополнительного дохода.

Правление банка утверждает общую сумму ассигнований на все проекты в размере N тысяч долларов, и верхний предел Lj ассигнований между отделениями j. Следовательно, необходимо распределить ассигнования между отделениями таким образом, чтобы обеспечивалась максимизация общего дохода банка при наложенных ограничениях.

Математическая модель задачи описывается следующими соотношениями:

[Pj (v j ) + Q j (w j ) + Rj (x j )] (1)

максимизировать, при ограничениях


(vj + wj + xj ) N (2)

общая сумма ассигнований


vj + wj + xj Lj , j=1,2..s (3)


vj , wj , xj (4) неотрицательные целые при любом j .


Поскольку на все управляемые переменные наложено только одно ограничение (2) , а остальные бюджетные и целочисленные ограничения (3) и (4) относятся только к отделению j ,то в данном случае имеет место задача распределения усилий с одним ограничением.3 Таким образом получаем следующее рекуррентное соотношение :


gj (n) = max [ Pj ( vj ) + Qj (wj ) + Rj (xj ) + gj ( n - vj - wj - xj ) ] , j = 1,2...s (5)


где n = 0,1,2...N и максимизация производится только по неотрицательным целочисленным значениям vj ,wj и xj удовлетворяющим условию:


vj + wj + xj min (Lj , n)


На каждом шаге отыскания максимума можно использовать метод решения задачи о распределении усилий, представив этот пример в следующем виде:


Pj ( vj ) + Qj (wj ) + Rj (xj ) max (6) при ограничениях


vj + wj + xj y , (7)


где vj ,wj и xj должны быть неотрицательными целыми числами. Необходимо получить решение для каждого значения y = 0,1....Lj .

Чтобы использовать рекуррентный подход к задаче (6)-(7) , примем


p j (y) = Pj (y) , y = 0,1...Lj , (8)


q j (y) = max [ Qj (wj ) + pj ( y- wj ) ] , y = 0, 1 ... Lj (9)

wj


где максимизация производится только по неотрицательным целым значениям

wj y , и


r j (y) = max [ Qj (xj ) + q j (y - xj )] , y = 0,1... Lj (10)

xj


где максимизация производится только по неотрицательным целым значениям

xj y .


Далее находится решение по соотношению:


g j (n) = max [ r j (y) + g j ( n - y ) ] , j = 1,2...s, (11)

y


где n = 0,1...N и максимизация производится только по неотрицательным

целым значениям y , удовлетворяющим условию у min (Lj , n) .

Следовательно, для решения этой задачи нужно связать s расчетов

распределения усилий с общей моделью распределения усилий..

Таким образом, в качестве решения мы получим значения vj , wj и xj - выделяемые средства на соответствующие проекты, дающие максимизацию общего дохода банка g j (n) по отделам j = 1,2...s .

Согласно поставленной задачи (динамическая модель) и решения задач «о распределении усилий», была получена программа.4 Она опирается на следующие числовые данные:

  • число отделов;

  • общий объем финансирования;

  • максимальное финансирование отдела;

  • зависимость доходов от вложений по видам исследований;

  • максимальные объемы финансирования отделов.

После распределения средств по отделам, а затем в каждом отделе, получаем эффективное распределение средств. После чего подсчитываем общий доход

подобного финансирования.

Программа настроена на определенную организационную структуру, базирующуюся на отделах. И может работать с любыми данными укладывающимися в эти рамки с соответствующими ограничениями. Таким образом, она может находить решение заданной проблемы для любого предприятия.


4.Нейронные сети.


4.1. Общие положения по нейронным сетям.


Один из возможных подходов к многомерным и зачастую нели­нейным информационным рядам финансового рынка заключается в том, чтобы по возможности подражать образцам поведения участ­ников рынка, используя такие методы искусственного интеллекта, как экспертные системы или нейронные сети.

На моделирование процессов принятия решений этими методами было потрачено много усилий. Оказалось, однако, что экспертные системы в сложных ситуациях хорошо работают лишь тогда, когда системе присуща внутренняя стационарность (т.е. когда на каждый входной вектор имеется единственный не меняющийся со временем ответ). Под такое описание в какой-то степени подходят задачи ком­плексной классификации или распределения кредитов, но оно пред­ставляется совершенно неубедительным для финансовых рынков с их непрерывными структурными изменениями. В случае с финансо­выми рынками едва ли можно утверждать, что можно достичь пол­ного или хотя бы в определенной степени адекватного знания о данной предметной области, в то время как для экспертных систем с алгоритмами, основанными на правилах, это — обычное требова­ние.

Н
ейронные сети предлагают совершенно новые многообещаю­щие возможности для банков и других финансовых институтов, ко­торым по роду своей деятельности приходится решать задачи в усло­виях небольших априорных знаний

о среде.

Рис.2. Блок-схема финансового

прогнозирования при помощи нейронных сетей.


Характер финансовых рынков драматическим образом меняется с тех пор, как вследствие ослабления контроля, приватизации и появления новых финансовых инструментов национальные рынки слились в общемировые, а в большинстве секторов рынка возросла свобода финансовых опера­ций. Очевидно, что сами основы управления риском и доходом не могли не претерпеть изменений, коль скоро возможности диверси­фикации и стратегии защиты от риска изменились до неузнаваемо­сти.

Возможности такого при­менения облегчаются тем, что имеются огромные базы экономиче­ских данных, — ведь сложные модели всегда прожорливы в отноше­нии информации.

Существенными составными частями нового подхода являются: ней­ронные сети (сети компьютерных процессоров, взаимодействие ко­торых построено по образцу процессов обучения, происходящих в человеческом мозге). Общей чертой новых методов является воз­можность распознавания образов и генетические алгоритмы (методы, в которых, исходя из большого набора первоначальных предположений, выра­батывают все более правильные представления о поведении рынка и, в конечном счете, более содержательные рабочие гипотезы). Про ме­тоды обоих видов говорят, что они управляются данными, в проти­воположность подходу, основанному на применении правил, кото­рый принят в экспертных системах. Системы, основанные на знани­ях, обладают тем недостатком, что построенные на их основе методы торговли оказываются довольно негибкими.

Нейронные сети хорошо приспособлены для решения задач классификации и анализа временных рядов. Задача классификации понимается как задача от­несения предъявленного объекта к одному из нескольких попарно непересекающихся множеств. При этом наиболее важным случаем здесь является бинарная классификация — примерами ее могут слу­жить распознавание доходных и недоходных инвестиций или разли­чение компаний, имеющих хорошие шансы выжить, от тех, которые должны обанкротиться. Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможность приме­нять нейронные сети для решения широкого класса финансовых за­дач. Время обучения зависит от сложности задач, от выбора на­чальных решений и требуемого качества алгоритма.

В связи с этим не представляется возможным рассмотрение модели работа банка , так как полное описание модели требует большого количества переменных и достаточно сложных связей между ними.

Но, тем не менее, есть выход: разбить общую модель на части. Нельзя сказать, что это решит все проблемы .Между тем , такой подход имеет и свои положительные стороны.

Банк аккумулирует временно свободные денежные средства(вклады).Для того, что бы привлечь вкладчиков, необходимо осуществление таких операций и предоставляемых услуг, что бы доход, полученный в результате был бы оптимальным. Одна из предоставляемых услуг : покупка-продажа наличной валюты. Доходы подвержены значительным колебаниям в зависимости от конъюнктуры рынка. В этом случае существенную помощь может оказать, например, прогнозирование курсов валют, ставок.

Рассмотрим прогнозирование ставки доллара к немецкой марке.


4
.2.Прогнозирование ставки доллара к немецкой марке.


Рис.3. Общая схема работы.



Обучение происходило основываясь на информации о 700 дней. Сеть использовала предсказания изменения ставки на 1 день вперед.. Предсказанные значения для ставки показываются черным цветом. Действительные значения - серым. Прямая с квадратиками – проверочное. (рис.4.)

Рис.4.


Рис.5.


Во время обучения сети были построены обобщающие правила, основываясь на которых было осуществлено предсказание на 35 дней торговли.(рис.5)

Сеть выводит пунктиром, в действительности - сплошной линией.

Таким образом, благодаря этой информации, банк может подкорректировать работу валютного отдела , избежать ошибок в выборе стратегий , потери денег.


Заключение.

Коммерческий банк - это кредитное учреждение, реализующее экономические интересы. Банковское дело - как правило, весьма выгодный бизнес, основанный на определенных принципах. Основной - прибыльность. Показатель прибыли официально считается основным показателем деятельности

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: