About one method of constructing a fuzzy classifier for evaluating the effectiveness of investment instruments

Abstract


The application of fuzzy modeling methods to analyze the effectiveness of investment instruments is considered. When choosing a financial strategy in a situation of uncertainty, such an analysis helps to evaluate and make a decision. Since the parameters of the financial system in conditions of uncertainty can be impossible to establish accurately, problems arise that are described by a number of characteristics of an indistinct nature. In the work, a system of indicators was set for evaluating the investment strategy. The significance of each indicator is determined using weighting coefficients, which are determined using the method of paired comparisons and the Saati scale. To describe financial instruments, special linguistic variables were introduced, for each of which term sets were set. Each term is a fuzzy trapezoidal number.After fixing the current values characterizing the financial system, a fuzzification procedure is performed, that is, the introduction of fuzziness. Then, in a certain way, the convolution operation is performed for all levels of the model indicators, taking into account the weighting coefficients of significance. As a result, we obtain a general aggregated characteristic of an investment instrument, according to which it is possible to draw a conclusion about the level of its effectiveness. The application of the obtained results is demonstrated by examples.

Full Text

8

About the authors

S. A Nikitina

Chelyabinsk State University

References

  1. Zhou, W. Review of fuzzy investment research considering modelling environment and element fusion / W. Zhou, D. Luo, Z. Xu // International Journal of Systems Science. – 2022. – № 53(9). – P. 1958–1982. doi: 10.1080/00207721.2022.2031340
  2. Ковалев, П.П. Анализ эффективности инвестиционных проектов в условиях риска и неопределенности / П.П. Ковалев // Азимут научных исследований: экономика и управление. – 2017. – Т. 6, № 3(20). – С. 182–185.
  3. Использование теории нечетких множеств в экономическом анализе инвестиционных проектов / Р.А. Файзиев, У.Т. Хаитматов, О.Х. Азаматов, Ш.Р. Джуманиязов, Х.Х. Хасанова / International Journal of Innovative Technologies in Economy. – 2018. – Т. 2, № 5(17). – С. 44–48. doi: 10.31435/rsglobal_ijite/01062018/5672
  4. Поляков, Д.В. Оптимизация и управления финансовой деятельностью на основе теории нечетких множеств / Д.В. Поляков, А.И. Попов // Вестник ТГТУ. – 2020. – Т. 26, № 1. – С. 64–78. doi: 10.17277/vestnik.2020.01.pp.064-078
  5. Пупенцова, С.В. Оценка рисков инновационного проекта, основанная на синтезе методов нечетких множеств и анализа иерархий / С.В. Пупенцова, И.И. Поняева // Научно-технические ведомости СПбГПУ. Экономические науки. – 2020. – Т. 13, № 6. – С. 66–78. doi: 10.18721/JE.13606
  6. Петухова, Ж.Г. Нечеткая продукционная модель для отбора потенциально инвестиционных проектов в мультиагентной информационной системе сопровождения проектов инновационных бизнес-инкубаторов / Ж.Г. Петухова, М.В. Петухов // Инновации и инвестиции. – 2020. – № 11. – С. 21–25.
  7. Haifeng, G. Fuzzy Investment Portfolio Selection Models Based on Interval Analysis Approach / G. Haifeng, S. BaiQing, R.K. Hamid // Mathematical Problems in Engineering. – 2012. – Vol. 2012. – 15 p. doi: 10.1155/2012/628295
  8. Garnov, A. Analysis of Investment Risks as a Complex System Using Fuzzy Logic and Uncertainty Management Methods / A. Garnov, L. Zvyagin, O. Sviridova // International Journal of Economics and Business Administration. – 2019. – Vol. 7, № S1. – P. 447–458. doi: 10.35808/ijeba/290
  9. Metzger, O. Modeling rational decisions in ambiguous situations: a multi-valued logic approach / O. Metzger, T. Spengler // Business Research. – 2019. – Vol. 12. – P. 271–290. doi: 10.1007/s40685-019-0087-5
  10. Asemi, A. Adaptive neuro-fuzzy inference system for customizing investment type based on the potential investors’ demographics and feedback / A. Asemi, A. Asemi, A. Ko // Journal of Big Data. – 2023. – Vol. 10, № 1. – P. 87. doi: 10.1186/s40537-023-00784-7
  11. Виленский, П.Л. Оценка эффективности инвестиционных проектов. Теория и практика / П.Л. Виленский, В.Н. Лившиц, С.А. Смоляк. – М.: Крафт+, 2015. – 1300 с.
  12. Инвестиции: учебник / Л.И. Юзвович [и др.]; под ред. Л.И. Юзвович. – Екатеринбург: Изд. Урал. ун-та, 2018. – 610 с.
  13. Абдулаева, З.И. Стратегический анализ инновационных рисков / З.И. Абдулаева, А.О. Недосекин. – СПб: Изд. СПбПУ, 2013. – 146 с.
  14. Поспелов, Д.А. «Серые» и/или «черно-белые» / Д.А. Поспелов // Прикладная эргономика. Специальный выпуск «Рефлексивные процессы». – 1994. – Т. 1. – C. 29–33.
  15. Горбатков, C.F. Нейросетевые и нечеткие методы моделирования диагностики и прогнозирования банкротств корпораций: монография / C.F. Горбатков, C.F. Фархиева, B.B. Белолипцев – М.: Прометей, 2018. – 371 с.
  16. Алексеев, А.О. Исследование альтернативных подходов к теоретико-множест-венным операциям над нечеткими множествами в процедуре нечеткого комплексного оценивания / А.О. Алексеев // Прикладная математика и вопросы управления. – 2015. – № 1. – С. 60–72.
  17. Яцало, Б.И. Нечеткие интеллектуальные системы. Конспект лекций: учебное пособие / Б.И. Яцало. – М.: НИЯУ МИФИ, 2020. – 132 с.
  18. Гаджиев, Д.Д. Иерархические структуры методологии нечетких множеств логики и категории технологий мягких вычислительных процессов: монография / Д.Д. Гаджиев, А.Р. Рустанов. – М.: МИСИ–МГСУ, 2022. – 144 с.
  19. Саати, Т.Л. Принятие решений при зависимостях и обратных связях: Аналитические сети / Т.Л. Саати. – М.: Издательство ЛКИ, 2008. – 308 с.
  20. Саати, Т.Л. Об измерении неосязаемого. Подход к относительным измерениям на основе главного собственного вектора матрицы парных сравнений / Т.Л. Саати // Cloud of Science. – 2015. – Т. 2, № 1. – С. 5–39.

Statistics

Views

Abstract - 42

PDF (Russian) - 9

Refbacks

  • There are currently no refbacks.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies