Browsing by Author "Трофимчук, О."

Now showing 1 - 2 of 2

Використання методології VAR для оцінювання ринкового ризику в Україні
(Видавництво Львівської політехніки, 2013) Трофимчук, О.; Кожухівська, П.; Бідюк, П.; Кожухівський, А.
Виникнення ринкового ризику, пов’язаного з виконанням валютних операцій, може призводити до значних фінансових втрат, а тому такі ситуації вимагають поглибленого аналізу і менеджменту валютних ризиків. Валютний ризик зумовлений некоректно виконаними валютними фінансовими операціями. Розглянуто можливість застосування методів оцінювання міри ризику VaR для банківського валютного портфеля: дельта-нормальний, а також методів історичного та імітаційного моделювання. У результаті виконання обчислювальних експериментів з використанням фактичних українських даних встановлено, що модель на основі дельта-нормального методу виявилась неадекватною внаслідок невиконання припущення стосовно нормальності розподілу доходності курсів валют. Метод на основі історичного моделювання надає можливість отримати задовільний результат лише за умов стабільної ситуації на ринку. Він має незадовільні властивості адаптації до коливань ринкових факторів, а тому його не можна використовувати для аналізу нестійких фінансових ринків. Прийнятні за якістю результати прогнозування втрат отримано за методом Монте-Карло, який гіпотетично може враховувати можливі зміни курсів валют на ринку. Встановлено, що похибки прогнозів можливих втрат виникають лише за наявності непередбачуваних різких змін курсу, але модель на основі цього методу швидко пристосовується до змін на ринку. The emergence of a market risk due to performing operations with currency can result in substantial financial losses. That is why such situations require carrying out of profound analysis and management of respective risks. The market risk of this kind is characterized with possible losses of financial resources due to incorrectly performed operations with currency. The paper considers the possibility of application of the VaR methodology to the bank currency portfolio: delta-normal, as well as the methods of historical modeling and Monte Carlo simulation. As a result of performing the computational experiments with the use of actual Ukrainian data it was established that the deltanormal technique turned out to be inadequate due to violation of assumption regarding normality of currencies exchange rates. The historical modeling technique provides acceptable results in conditions of stable market situations only. It showed unsatisfactory characteristics of adaptation to varying market factors and cannot be applied for analysis of unstable financial markets. Quite acceptable results of forecasting possible losses were received by making use of Monte Carlo simulation that hypothetically can take into account possible variations of the market exchange rates. It was established that the risk forecasting errors appear only due to non-predictable abrupt changes of exchange rates. However the model of this type is adapting quickly to the changes.
Ймовірнісно-статистичні невизначеності в системах підтримки прийняття рішень
(Видавництво Львівської політехніки, 2015) Трофимчук, О.; Бідюк, П.; Кожухівська, О.; Кожухівський, А.
Ринок систем підтримки прийняття рішень (СППР) пропонує численні системи різного функціонального призначення і їх кількість постійно збільшується. Для подальшого поліпшення якості рішень, що приймаються за допомогою СППР, необхідно впроваджувати нові методи побудови математичних моделей, прогнозування та генерування альтернатив з використанням сучасних інформаційних технологій. Розроблено узагальнену процедуру побудови математичних моделей та оцінювання прогнозів на їх основі, сформовано послідовність дій стосовно обробки можливих невизначеностей під час моделювання і запропоновано методи врахування невизначеностей ймовірнісно-статистичного характеру у процесі побудови моделей, а також розглянуто ілюстративний приклад зменшення рівня невизначеності. Available on the market decision support systems (DSS) provide a possibility for solving of a wide range of problems in various directions of human activities. To further enhance quality of decision making it is necessary to develop new methods and approaches to model constructing and decision making in the frames of modern concepts of DSS development using available information technologies. The main objective of this study is in solving of the following problems: development of the general procedure for model constructing and decision alternatives generation using statistical or experimental data and expert judgments in the frames of DSS; development of procedure for processing possible probabilistic and statistical uncertainties in the model constructing process and forecasts estimating; to review some approaches to taking into consideration possible probabilistic and statistical uncertainties and to give an illustrative example for uncertainty reducing. To develop DSS for modeling dynamic processes in various areas of human activities and forecasts estimation on the basis of these models we propose to use the following system analysis principles: hierarchical architecture, identification and taking into consideration of possible uncertainties, tracking of all the stages of model constructing and forecasts estimating with separate sets of statistical quality criteria etc. An analysis is provided for selecting possible methods and techniques for taking into consideration statistical and probabilistic types of uncertainties identified in the process of data processing. The set of methods proposed for decreasing the negative influence of uncertainties are as follows: Kalman filters of various modifications, nonparametric regression, static and dynamic Bayesian networks, Bayesian regression, and hierarchical Bayesian modeling. The set of modern Kalman filtering techniques provides a possibility for taking into consideration an influence of external stochastic disturbances, measurement errors (noise), and estimation of non-measurable variables in the frames of linear and non-linear models. Estimation of non-measurable variables is possible when appropriate elements of covariance matrix for estimation errors have nonzero values. Nonparametric and Bayesian regressions have the features of modeling various probability distributions besides normal that are characteristic for specific cases. Such approach provides a possibility for reducing uncertainties that appear due to the use of incorrect probability distributions for model variables and its parameters. Static and dynamic Bayesian networks are a powerful probabilistic and statistical tool for modeling high dimensional processes and systems that are characterized by quantitative and qualitative variables, parametric uncertainty, expert judgments, hidden variables and unknown (unidentified) cause-and-effect relations. Their field of applications is very wide and continues to grow. The hierarchical Bayesian modeling reflects availability of parametric dependences at different levels of a complex system model. Such models provide more correct insight into hierarchical links and dependences in the frames of a system under investigation and consequently such models are more adequate to real world. Generally the set of Bayesian models provides many mentioned above possibilities for handling the uncertainties related to model constructing, forecasts estimating, and generating decision alternatives that could be rather easily implemented in the frames of intellectual DSS. The main result of the study is in development of system analysis based theory for building modern DSS helping to construct mathematical models, estimate forecasts and compute decision alternatives using statistical data and expert judgments. High quality of the final result is achieved thanks to identification and taking into consideration of possible probabilistic and statistical uncertainties, and tracking of all computational stages within DSS using several sets of statistical quality criteria. The main attention is paid to application of Bayesian approaches to uncertainties handling. An example is given for reducing parametric model uncertainty with the use of Markov chain Monte Carlo computational procedure for parameter estimation. Thus, we developed a systemic approach to constructing DSS aiming to forecasting model development and decision alternatives generation in conditions of influence of probabilistic, statistical and parametric uncertainties. The future studies will be directed towards further extension of the number of uncertainty processing techniques and their application to investigation of real life systems and processes.