• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Бакалавриат 2021/2022

Принятие решений в задачах цифровой экономики в условиях риска и неопределённости

Статус: Курс по выбору (Экономика)
Направление: 38.03.01. Экономика
Когда читается: 3-й курс, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Язык: русский
Кредиты: 3
Контактные часы: 36

Программа дисциплины

Аннотация

Анализируя сложные процессы функционирования экономических систем, исследователь или лицо, принимающее решения, сталкивается с различными типами неопределенности. Эти неопределенности могут иметь как стохастический характер, так и иную природу. Поэтому современному экономисту-исследователю и практику необходимо научиться владеть основными инструментариями принятия решений в условиях риска и неопределенности. В этом курсе будут рассмотрены нестохастические модели описания неточности данных и неопределенности условий принятия решений. В частности, будут рассмотрены основные положения теории нечетких множеств и методы работы с нечеткими данными (нечеткая регрессия, нечеткая кластеризация данных), модели принятия решений при нечеткой информации. Также будут рассмотрены основные модели описания неопределенности нестохастического характера и принятия решений в условиях такой неопределенности. Это, прежде всего, модели в рамках теории свидетельств (функций доверия). В ходя изучения дисциплины будут рассмотрены различные кейсы применения изученных теоретических положений к решению реальных задач анализа экономической информации и принятия решений. В частности, будут рассмотрены следующие задачи: - выбор торговой стратегии на основе оценивания функций принадлежности торговых решений; - анализ согласованности позиций экспертов в задачах принятия решений на основе вычисления показателя размытия нечетких множеств; - кластеризация банков по согласованности их рекомендаций о прогностической стоимости акций на основе построения нечетких отношений; - нечеткий вывод при анализе фондового и валютного рынков; - регрессия с нечеткими данными и/или нечеткими параметрами; - нечеткая классификация и кластеризация финансово-экономических данных; - оценка качества и агрегирования экспертной информации методами теории свидетельств; - наилучшее распределение средств сервисной компании (гостиница, авиакомпания и пр.), как задача максимизации нечеткого агрегирующего интеграла при бюджетных ограничениях.
Цель освоения дисциплины

Цель освоения дисциплины

  • Ознакомление студентов с основами работы с нечеткими данными и в условиях нестохастической неопределенности (теорией возможностей, теорией свидетельств и др.) применительно к задачам анализа экономических данных и принятия решений.
Планируемые результаты обучения

Планируемые результаты обучения

  • студент должен иметь представление о нечетких отношениях и уметь их использовать в задачах экономического анализа
  • студент должен иметь представление о нечетких числах, операциях над ними, способах измерения расстояний между ними и их сравнении; должен уметь строить простые графики с нечеткими параметрами или переменными, решать простые нечеткие уравнения
  • студент должен иметь представление о нечеткой кластеризации
  • студент должен иметь представление о нечеткой регрессии
  • студент должен иметь представление о понятии нечеткого множества и основных операциях над ними
  • студент должен иметь представление об основных понятиях теории свидетельств и прикладном потенциале этой теории в задачах экономического анализа
  • студент должен уметь применять простые методы принятия решений к задачам с нечеткими данными
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Нечеткие множества и их применение
  • Нечеткие отношения в задачах экономического анализа.
  • Нечеткие числа и нечеткая арифметика.
  • Лингвистическая переменная и нечеткий вывод в задачах принятия экономических решений.
  • Принятие решений при нечетких данных в задачах экономического анализа.
  • Нечеткая классификация и кластеризация.
  • Нечеткая регрессия в задачах экономического анализа.
  • Элементы теории свидетельств и их применение в задачах анализа экспертной информации и принятия решений.
  • Другие модели неточных вероятностей в задачах экономического анализа.
Элементы контроля

Элементы контроля

  • неблокирующий Экзаменационная письменная работа
  • неблокирующий Контрольная работа
Промежуточная аттестация

Промежуточная аттестация

  • 2021/2022 учебный год 2 модуль
    Результирующая оценка за дисциплину рассчитывается следующим образом (Онакопл и Оэкз – неокругленные накопленная и экзаменационная оценки соответственно): Орезульт = max{0,4*Онакопл + 0,4*Оэкз; 4}, если на экзамене студент набирает не менее 4-х баллов (без округления); Орезульт = 0,4*Онакопл + 0,4*Оэкз ‒ в противном случае (студент набирает на экзамене менее 4-х баллов). Студенты, набравшие не менее 7 (итоговых) баллов, имеют право на получение 1-2 бонусных баллов (до 10-ти итоговых баллов) по результатам дополнительного собеседования (решения дополнительных задач повышенной сложности, ответы на вопросы повышенной сложности по курсу и пр.).
Список литературы

Список литературы

Рекомендуемая основная литература

  • Wang X., Ruan D., Kerre E.E. Mathematics of Fuzziness – Basic Issues. – Berlin Heidelberg: Springer-Verlag, 2009.
  • Волкова Е.С., Гисин В.Б. - Нечеткие множества и мягкие вычисления в экономике и финансах - КноРус - 2019 - ISBN: 978-5-406-06705-5 - Текст электронный // ЭБС BOOKRU - URL: https://book.ru/book/930521

Рекомендуемая дополнительная литература

  • Dash, M. K., & Kumar, A. (2016). Fuzzy Optimization and Multi-Criteria Decision Making in Digital Marketing. Hershey, PA: Business Science Reference. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1087743
  • Glenn Shafer, & Roger Logan. (n.d.). 18 Implementing Dempster’s Rule for Hierarchical Evidence. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.A0D71FF9
  • Leondes, C. T. (1998). Fuzzy Logic and Expert Systems Applications. San Diego: Academic Press. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=210394
  • Viertl, R. (2007). Fuzzy Data and Statistical Modeling. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E4DD52AD
  • Viertl, R. (2010). Statistical Methods for Fuzzy Data. Chichester, West Sussex: Wiley. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=354087