Інформаційна система підтримки процесів прийняття рішень при формуванні портфеля цінних паперів

2022;
: cc. 39 - 55
1
Національний університет «Львівська політехніка»
2
Національний університет «Львівська політехніка»
3
Національний університет «Львівська політехніка»
4
Львівський національний університет ветеринарної медицини та біотехнологій ім. С. З. Ґжицького
5
Інститут прикладних проблем механіки і математики ім. Я. С. Підстригача Національної академії наук України

У зв’язку із широкомасштабними змінами економіки у світі й, зокрема, в Україні останнім часом спостерігається значне підвищення інтересу до завдань теорії інвестицій. Прикладом може слугувати активізація останніми роками купівлі акцій великих міжнародних компаній та криптовалют і відповідно стрімке зростання їх вартостей. Відомо, що як особливий випадок у теорії інвестицій розглядають завдання оптимізації інвестиційних портфелів.

Встановлено, що питання прийняття рішень щодо формування та оптимізації інвести- ційного портфеля перебуває у полі уваги як великих інвестиційних компаній, так і приватних інвесторів, оскільки, вибираючи серед можливих альтернатив розподілу капіталовкладень у межах ринку фінансових активів, інвестор отримає різні результати. Прийнято, що оптимальний розподіл наповнення інвестиційного портфеля повинен забезпечувати найкращий дохід за умови збереження найменших ризиків, а під результатом слід розуміти величину доходу, отриманого за час володіння інвестиційним портфелем. Відомо, що рішення щодо структури розподілу капіталу часто приймають в умовах невизначеності, а дохідність від вкладення капіталу в об’єкти інвестування є випадковою. Все це породжує додаткові ризики, тому завдання вкладення капіталу та оптимізації портфеля інвестицій повинні ставитися та вирішуватися в умовах наявності ризику. Ефективна інвестиційна діяльність змушує звертатись до використання спеціальних математичних методів та інформаційних засобів підтримки прийняття рішень.

Розроблено інформаційну систему підтримки прийняття рішень формування портфеля цінних паперів, що дає змогу потенційним інвесторам самостійно оцінювати ефективність набору інвестиційного портфеля, порівнюючи динаміку росту наявних на фінансовому ринку акцій. Відомо, що більшість інформації, з якою стикається інвестор, подана у табличному форматі, а згідно із методологією наукового пізнання людина краще сприймає візуалізовані способи подання інформації. У новоствореній інформаційній системі застосовано процес візуалізації, що надає доступну табульовану інформацію у структурованому вигляді схем, графіків, діаграм.

  1. Markowitz H. (1952). Portfolio selection. Journal of Finance, 7(1), 77–91. URL: https://doi.org/10.1111/j.1540-6261.1952.tb01525.x
  2. Кузьмін О. Є., Алєксєєв І. В., Колісник М. К. (2007). Проблеми фінансово-кредитного регулювання інноваційного розвитку виробничогосподарських структур: монографія / за заг. ред. О. Є. Кузьміна, І. В. Алєксєєва. Львів: Вид-во Нац. ун-ту “Львівська політехніка”, 152 с.
  3. Lu J., Ruan D. and Zhang G. (eds.) (2007). E-Service Intelligence: Methodologies, Technologiesand Applications (Springer-Verlag, Berlin, Heidelberg. URL: https://dl.acm.org/doi/10.5555/1203907.
  4. Stoilov T. (2019). How to integrate complex optimal data processing in information services ininternet, in Proc. 20th Int. Conf. Computer Systems and Technologies, ACM Digital Library, 19–30. URL: https://doi.org/10.1145/3345252.3345254.
  5. Ta V. D., Liu C. M. and Tadesse D. A. (2020). Portfolio optimization-based stock predictionusing long-short term memory network in  quantitative trading, Applied Sciences, 10(2020), 437. URL: https://doi.org/10.3390/app10020437.
  6. Кальний С. В., Висоцький В. А. (2019). Управління формуванням інвестиційного портфеля підприємства в Україні. Ефективна економіка, № 3. URL: http://www.economy.nayka.com.ua/?op=1&z=6953. https://doi:   10.32702/2307-2105-2019.3.39
  7. Мединська Т. В., Рущишин Н. М., Ніконенко У. М. (2020). Податкове регулювання інвестиційної діяльності банків України. Бізнес Інформ, № 11, С. 316–324. URL: https://doi.org/10.32983/2222-4459-2020-11- 316-324
  8. García-Galicia M., Carsteanu A. A. and Clempner J. B. (2019). Continuous-time mean varianceportfolio with transaction costs: Aproximal approach involving time penalization, International Journal of General Systems, 48(2), 91–111. URL: https://doi: 10.1080/03081079.2018. 1522306.
  9. Huang X. and Wang X. (2019). Portfolio investment with options based on uncertainty theory, International Journal of Information Technology & Decision Making, 18, 929–952. URL: https://doi.org/10.1142/S0219622019500159.
  10. Allaj E. (2020). The Black–Litterman model and views from a reverse optimization procedure: An out-of- sample performance evaluation. Computational Management Science, 17, 465–492. URL: https://doi.org/10.1007/s10287-020-00373-6.
  11. Palczewski A. and Palczewski J. (2019). Black-Litterman model for continuous distributions. European Journal of Operational Research, 273(2), 708–720. URL: https://doi:10.1016/j.ejor.2018.08.013, https://www.sciencedirect.comscience/article/pii/S0377221718306933.
  12. Rutkowska A.., Bartkowiak M. (2019). Exertion approach to vague information in portfolioselection problem with many views, 2019 Conf. Int. Fuzzy Systems Association and the European Society for Fuzzy Logic and Technology (EUSFLAT 2019) (Atlantis Press, Paris, France, 142–149. URL: https://www.atlantis- press.comproceedings/eusat-19/125914792. 
  13. Wen F., Xu L., Ouyang G. and Kou G. (2019). Retail investor attention and stock price crashrisk: Evidence from China. Journal of International Review of Financial Analysis, 65(2019),  1–15. URL: https://doi.org/10.1016/j.irfa.2019.101376.
  14. Kou G., Akdeniz Ö., Dinçer H. and Yüksel S. (2021). Fintech investments in European banks: Ahybrid IT2 fuzzy multidimensional decision-making approach. Journal of Financial Innovation, 7(39), 1–28. URL: https://doi.org/10.1186/s40854-021-00256-y.
  15. Wes McKinney (2018). Python for Data Analysis. Wes McKinney, Julie Steele and Meghan Blanchette. United States of America: O’Reilly, 470 с.
  16. Jake VanderPlas (2017). Python Data Science Handbook. Essential Tools for Working with Data / Jake VanderPlas. United States of America: O’Reilly Media, Inc., 1005. Gravenstein Highway North, Sebastopol, CA 95472, 548.
  17. Ярошко С. М., Манзій О. С.. (2021). Фінансова математика. Частина 1: навч. посіб. Львів: ЗУКЦ, 209 с.
  18. Dickey, D. A.; Fuller, W. A. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit   Root. Journal   of   the   American   Statistical   Association, 74 (366):   427–431.   JSTOR 2286348.   URL: https://doi:10.1080/01621459.1979.10482531.