Аналіз задачі вибору критеріїв у моделях диверсифікації
DOI:
https://doi.org/10.30837/ITSSI.2023.26.005Ключові слова:
багатокритеріальна задача; задача оптимального портфеля; згортка критеріїв; метод послідовних поступок; множина Парето; ентропіяАнотація
Цифровізація економіки знижує вартість ведення бізнесу завдяки автоматизації відповідних процесів, але будь-яка трансформація генерує нові ризики, нестійкість економіки. Економічна нестабільність призводить до падіння рівня життя та, як наслідок, негативно впливає на діяльність торговельних підприємств. Особливо чутливими до будь-яких змін є середній та малий бізнес. Зниження попиту на більшість товарів повсякденного вживання болісно позначається на діяльності торговельних підприємств малого та середнього бізнесу, призводить до появи нових ризиків. Ці ризики істотно впливають на зниження прибутковості підприємств. Тому важливим для кожного підприємства є завдання диверсифікації діяльності, що передбачає розширення товарного асортименту, переорієнтацію ринків збуту та оптимальний розподіл товарів між підрозділами одного підприємства. Предметом дослідження статті є багатокритеріальні моделі диверсифікованого портфеля, що мінімізують ризики, які виникають в епоху цифрової економіки в управлінні мережами торговельних підприємств. Для формалізації задачі запропоновано п’ять моделей, що різняться векторними цільовими функціями як за кількістю, так і за якістю обраних критеріїв. Метою роботи є аналіз проблеми вибору критеріїв у відповідних багатокритеріальних, або векторних, задачах диверсифікації. У статті досліджуються переваги введення до складу критеріїв класичної двокритеріальної моделі портфельної теорії критерію максимізації ентропї, що визначає ступінь різноманітності складу портфеля. Застосовується комплексне поєднання методів класичної теорії портфеля та багатокритеріальної оптимізації. Результатами дослідження є порівняння трьох методів розв’язування таких задач: згортка критеріїв, послідовні поступки та комп’ютерне моделювання множини Парето. Висновки: здобуті результати будуть корисними для автоматизації управління ризиками торговельних мереж. Практична цінність роботи полягає в тому, що досягнуті результати на реальних даних для мережі продемонстрували можливість застосування розробленого інструменту для автоматичного розподілу ресурсів у вигляді паретооптимальних портфелів із метою мінімізації ризиків.
Посилання
A Look Into the 2022 Digital Frontier, U.S. Chamber of Commerce’s 2nd Annual Global Forum". URL: https://www.uschamber.com/on-demand/technology/digital-economy-the-global-competition-to-write-the-rules, (last accessed 22.03.2023).
Zanjirdar, M., (2020), Overview of Portfolio Optimization Models. Advances in mathematical finance and applications. 5(4). P. 419–435. DOI: 10.22034/amfa.2020.1897346.1407
Ghandehari, M., Azar, A., Yazdanian, A., Golarzi, Gh. (2019), "A Hybrid Model of Stochastic Dynamic Programming and Genetic Algorithm for Multistage Portfolio Optimization with Glue VaR Risk Measurement". Industrial Management Journal. No. 11 (3). P. 517–542. DOI: 10.22059/IMJ.2019.278912.1007579
Kwon, R., Butler, A. (2021), "Covariance Estimation for Risk-Based Portfolio Optimization". An Integrated Approach. Journal of Risk. No. 24 (2). Р. 11-41. DOI: 10.21314/JOR.2021.020
Chaweewanchon, A., Chaysiri, R. (2011), "Markowitz Mean-Variance Portfolio Optimization with Predictive Stock Selection Using Machine Learning", International Journal of Financial Studies. No. 10 (3), P. 64–73. DOI: https://doi.org/10.3390/ijfs10030064
Lim, Q.Y.E., Cao, Q. Quek, C. (2022), "Dynamic portfolio rebalancing through rein for cement learning". Neural Computing and Applications. Vol. 34, P. 7125–7139. DOI:10.1007/s00521-021-06853-3
Sharma, M., Shekhawat, H.S. (2022), "Portfolio optimization and return prediction by integrating modified deep belief network and recurrent neural network". Knowledge-Based Systems. Vol. 250, Р. 1–19. DOI:10.1016/j.knosys.2022.109024
Escobar-Anel, M., Kschonnek, M., Zagst, R. (2022), "Portfolio optimization: not necessarily concave utility and constraints on wealth and allocation". Mathematical Method sof Operations Research. Vol. 95. P. 101–140. https://doi.org/10.1007/s00186-022-00772-2
Grechuk, B., Hao, D. (2022), "Individual and cooperative portfolio optimization as line ar program". Optimization Letters. Vol.16. P. 2569–2589. DOI:10.1007/s11590-022-01901-w
Mazin, A. M. Al Janabi (2021), "M.A.M.: Multivariate portfolio optimization under illiquid market prospects: a review of theoretical algorithms and practical techniques for liquidity risk management". Journal of Modellingin Management. No.16(1). P. 288-309. DOI:10.1108/JM2-07-2019-0178
Ahmadi-Javid, A., Fallah-Tafti, M. (2019), "Portfolio optimization with entropic value-at-risk". European Journal of Operational Research. No. 279(1). P. 225-241. https://doi.org/10.1016/j.ejor.2019.02.007
Markowitz, H. M., Blay, K. "Risk–Return Analysis. The Theory and Practice of Rational Investing (a four-volume series), McGraw-Hill". 2014. 208 р. URL: https://books.google.com.ua/books/about/Risk_Return_Analysis_The_Theory_and_Prac.html?id=_GknVPOReYoC&redir_esc=y
Xidonas, P., Steuer, R. Hassapis, C. (2020), "Robust portfolio optimization: a categorized bibliographic review". Annalsof Operations Research. Vol.292. P. 533–552. DOI: 10.1007/s10479-020-03630-8
Perepelitsa, V. A., Kozin I. V., Tereshchenko, E. V. (2012), Classification tasks: approaches, methods, algorithms [Zadachi classifikatsii i formirovanie znaniy. -Saarbrucken, Germany] LAP LAMBERT Academic Publishing Gmbh&Co. KG. 196 р.
Ehrgott, M. (2005), "Multicriteria Optimization". Springer, Heidelberg. Vol. XIII. 323 р. DOI: https://doi.org/10.1007/3-540-27659-9
Engau A., Sigler D. (2020), "Pareto solution sin multi criteria optimization underrun certainty". European Journal of Operational Research. No.281 (2). P. 357–368. DOI: 10.1016/j.ejor.2019.08.040
Zhou W., Zhu W., Chen Y., Chen J. (2022), "Dynamic changes and multi-dimensional evolution of portfolio optimization". Economic Research-Ekonomska Istraživanja. Vol.35(11):1-26. P. 1431-1456. DOI:10.1080/1331677X.2021.1968308
Bakurova, A., V., Ropalo, H., M., Tereschenko, E. V. (2021), "Analysis of the Effectiveness of the Successive Concessions Method to Solve the Problem of Diversification". MoMLeT+DS 2021: 3rd International Work shop on Modern Machine Learning Technologies and Data Science. P. 231-242. URL: https://ceur-ws.org/Vol-2917/paper21.pdf
Mathworks, "MATLAB for Artificial Intelligence". URL: https://www.mathworks.com/campaigns/products.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.