Как бы вы отреагировали, если бы увидели на панели калькулятора кнопки: в первом ряду - CAL и PUT, а в следующем - BUY и SEL? Если вы хотя бы немного знакомы с финансами и инвестициями, то, скорее всего, подумали бы (про себя): ну, ладно, BUY и SEL – купить/продать – это понятно. А CAL и PUT – это что, опционы что ли?!! И я тоже так подумал, потому что в опционах немного разбираюсь. Но на калькуляторе?! Да еще 1979-го года выпуска? Это же прошлый век …

Появление промышленных генераторов литературного контента (ГЛК) связано с успехами в создании алгоритмов синтеза и обработки текстовой информации на основе методов ИИ. После многих десятилетий научных исследований, в начале 2010-х гг. почти одновременно несколько конкурирующих исследовательских групп вывели на рынок свои первые промышленные системы ГЛК. Сегодня же использование роботов в финансовой журналистике уже никого не удивляет.

Использование технологий ГЛК на рынке финансовой информации довольно неожиданно (даже для своих создателей) показало очень высокую эффективность. Отметим, что эта эффективность сегодня оценивается без учета существенных затрат, «утопленных» в НИОКР. Такой подход дает сверхнизкие оценки текущих затрат на единицу генерируемого контента. В связи с этим можно заранее предположить, что ГЛК позволят обеспечить финансовой аналитикой (и другими услугами, например, в сфере маркетинга) любое количество компаний.

Менеджерам компаний часто приходится брать на себя принятие решений по проектам, которые уже начаты (продолжаются). Так происходит, потому что существенно меняется состояние экономики, на рынке заключаются крупные сделки, которые меняют позиции ключевых конкурентов, или появляются радикально новые технологии, и продолжение проекта становится бессмысленным. Право отложить исполнение проекта, или изменить стратегию его реализации в литературе по финансовому менеджменту называют управленческим опционом (Managerial Option). Также в экономической литературе закрепился термин реальный опцион (Real Option), он четко отделяет это понятие от обычного финансового опциона.

Поскольку принятие решений в таких случаях неизбежно связано с вероятностными оценками и множеством неопределенностей, диаграммы влияния, как и все Байесовские сети доверия (БСД) чрезвычайно полезны для моделирования ситуаций и прогнозирования ожидаемых результатов. Рассмотрим два простых примера с реальными опционами. Как обычно, решаем задачи с использованием Netica, а попутно опробуем функцию программного заполнения таблиц полезности.

В предыдущих статьях мы применили Байесовские сети доверия (БСД) для анализа решений инвестора по опциону колл на акции, затем по самой акции. Далее рассмотрели пример с более развитой версией БСД – диаграммой влияния, которая дополнена узлами решений и полезностей. Сегодня усложним задачу, и построим небольшую диаграмму влияния для анализа арбитражных возможностей при создании синтетической позиции по акции.

Хорошая подготовка может радикально повысить шанс прохождения патентной заявки в Европейском патентном ведомстве (ЕПВ).

В ожидании волны патентных заявок в области искусственного интеллекта ЕПВ существенно усилило методическую базу экспертизы в этой сфере. Всё дело в том, что процесс рассмотрения заявок, связанных с ИИ, имеет в Европе ряд особенностей.

Разбирая примеры с использованием Байесовских сетей доверия (БСД), мы показали, как с их помощью формируется или принимается некое решение инвестора. Однако в чистом виде БСД могут быть лишь основой для принятия решений. Инструментом же, созданным специально для этого являются Диаграммы влияния (Influence Diagrams). Так называют разновидность байесовских сетей, в которой, помимо уже знакомых нам узлов неопределенностей (случайных переменных) используют еще два вида узлов:

- узлы решений, которые должны быть приняты;

- узлы полезностей, представляющие возможные значения (ценность, полезность) результатов.

Диаграммы влияния, в отличие от обычных БСД, позволяют определять ожидаемую полезность всех альтернативных решений, а затем выбирать альтернативу с наибольшей ожидаемой полезностью. Программа Netica, которую мы использовали в предыдущих примерах, полностью приспособлена для постройки диаграмм влияния.

О своем трепетном отношении к Байесовским сетям доверия (БСД) я уже написал в предыдущей статье. Там же детально разобрана очень простая модель анализа решений инвестора об исполнении опциона колл на акцию. На этот раз предлагаю углубиться в тему и построить БСД, которая уже может послужить основой более серьезной модели поддержки принятия решений о покупке/продаже акции нефтяной компании.

Заранее отмечу, что я не придумывал этот пример, и даже укажу источник [1]. Однако в источнике, как это часто бывает, упущено множество подробностей, что оставляет осадок неудовлетворенности, а у студентов – просто непонимание, которое приводит к тому, что они перешагивают этот материал, так и не разобравшись в нем до конца. А задача стόит того, хотя бы потому, что в ней умело использованы почти все основные «хитрости» БСД, и если разобрать её «до винтика», то можно уверенно двигаться дальше.

Началась эта история года три назад, когда руководство ВУЗа поставило нас, преподавателей перед выбором: либо мы по команде «Все вдруг!» вступаем в цифровую экономику, либо, пожав друг другу руки, тихо расходимся, кто куда сумеет. Причина – демографическая яма, экономический кризис, успехи конкурентов и т. д.

Ну, что ж, как говорится, цифровая так цифровая! Однако проблема усугублялась тем, что закон не препятствует поступлению филологов, психологов, врачей и еще кого хотите в финансовую магистратуру. В результате в учебной группе частенько оказывается филологов-психологов половина, а то и более. И вот тут, если вы не способны такой аудитории, что называется «между делом», быстро «дочитать» теорию вероятностей хотя бы до теоремы Байеса, то дальше – полный стоп, и никакой цифровизации.