• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

Decision Making in the Problems of Digital Economics under Risk and Uncertainty

2020/2021
Academic Year
RUS
Instruction in Russian
3
ECTS credits
Course type:
Elective course
When:
3 year, 3 module

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), теории возможностей и др. 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 некоторыми современными нестохастическими моделями описания неопределенности и их применению в задачах анализа экономических данных и принятия решений.
Планируемые результаты обучения

Планируемые результаты обучения

  • студент должен иметь представление о понятии нечеткого множества и основных операциях над ними
  • 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 лингвистической переменной и нечетком выводе
  • студент должен уметь применять простые методы принятия решений к задачам с нечеткими данными
  • студент должен иметь представление о нечеткой кластеризации
  • студент должен иметь представление о нечеткой регрессии
  • студент должен иметь представление об основных понятиях теории свидетельств и прикладном потенциале этой теории в задачах экономического анализа
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Нечеткие множества и их применение
    Нечеткие множества (НМ) и операции над ними. Способы построения функций принадлежности НМ. Задача выбора торговой стратегии. Основные способы определения степени размытия НМ. Применение показателя размытия для анализа согласованности позиций экспертов (политиков) в задачах принятия решений. Обобщение операций над НМ. Примеры.
  • Нечеткие отношения в задачах экономического анализа.
    Нечеткие отношения: понятие свойства, применение. Задача кластеризации банков по отношению согласованности их рекомендаций о прогностической стоимости акций. Задача метрического анализа согласованности позиций экспертов (политиков) на основе построения нечеткого отношения различия.
  • Нечеткие числа и нечеткая арифметика.
    Нечеткие числа и нечеткая арифметика. Метрики и отношения порядка на нечетких числах. Примеры.
  • Лингвистическая переменная и нечеткий вывод в задачах принятия экономических решений.
    Лингвистическая переменная и нечеткий вывод в задачах принятия решений. Применение в задачах анализа фондового и валютного рынков.
  • 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.
    Элементы теории свидетельств и их применение в задачах анализа экспертной информации и принятия решений. Понятие свидетельства, функций доверия и правдоподобия. Правила комбинирования свидетельств. Неопределенность функций доверия. Понятие конфликта между свидетельствами и внутри свидетельств. Задача оценки качества экспертной информации: от группы экспертов – оценка степени неопределенности информации, оценка степеней доверия и правдоподобия прогнозов; от нескольких групп экспертов – оценивание конфликтности (согласованности) экспертных заключений, агрегирование экспертной информации с учетом надежности, конфликтности и т.д.
  • Другие модели неточных вероятностей в задачах экономического анализа.
    Модели неточных вероятностей: монотонные меры, теория возможностей и пр. Нечеткие интегралы, как универсальные агрегирующие операторы. Примеры применения в задачах экономического анализа. Задача о наилучшем распределении средств сервисной компании (гостиница, авиакомпания и пр.), как задача максимизации нечеткого агрегирующего интеграла (агрегируются отзывы клиентов по нескольким критериям с учетом их неаддитивного взаимодействия) при определенных бюджетных ограничениях.
Элементы контроля

Элементы контроля

  • неблокирующий Экзаменационная письменная работа
  • неблокирующий Контрольная работа
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (3 модуль)
    Все оценки формируются по 10-балльной шкале. Накопленная оценка по дисциплине определяется перед итоговым контролем и формируется следующим образом: Онакопленная= Оконтрольная. Оценка за итоговый контроль (экзамен) не является блокирующей. Результирующая оценка за дисциплину рассчитывается следующим образом (Онакопл и Оэкз – неокругленные накопленная и экзаменационная оценки соответственно): Орезульт = max{0,4*Онакопл + 0,6*Оэкз; 4}, если на экзамене студент набирает не менее 4-х баллов (без округления); Орезульт = 0,4*Онакопл + 0,6*Оэкз ‒ в противном случае (студент набирает на экзамене менее 4-х баллов).
Список литературы

Список литературы

Рекомендуемая основная литература

  • Wang X., Ruan D., Kerre E.E. Mathematics of Fuzziness – Basic Issues. – Berlin Heidelberg: Springer-Verlag, 2009.
  • Гисин В.Б., Волкова Е.С. - Нечеткие множества и мягкие вычисления в экономике и финансах (Бакалавриат). Учебное пособие - КноРус - 2019 - 155с. - 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