Введение. Федеральный Закон «Об акционерных обществах» от 26.12.1995, № 208 -ФЗ

Законы

Федеральный Закон «Об акционерных обществах» от 26.12.1995, № 208 -ФЗ.

Федеральный Закон «О рынке ценных бумаг» от 22.04.1996 г. № 39 - ФЗ.

Федеральный Закон «О переводном и простом векселе» от 11.03.1997 г. № 48 - ФЗ.

Боровкова В.А., Боровкова В.А., Рынок ценных бумаг: тесты и задачи. Учебное пособие. СПб.: Питер, 2007. - 270 с.

Галанов В.А. Рынок ценных бумаг: Учебник. Второе издание. - М.: Финансы и статистика, 2006. – 448 с.

Колтынюк Б.А. Рынок ценных бумаг: Учебник. Второе издание. – СПб.: Изд-во Михайлова В.А., 2001. – 304 с.

Лялин В.А., Воровбьев П.В. Рынок ценных бумаг: Учебник. – СПб.: Проспект, 2009. – 384с

Семенкова Е.В. Операции с ценными бумагами. Российская практика. – М.: Перспектива, ИНФРА-М., 2002.

Твардовский В., Паршиков С. Секреты биржевой торговли. М., 2004.

Фундаментальный анализ фондового рынка. - http://www.ngfr.ru/article.html?/2005/5

Чернецкая Г.Ф. Рынок ценных бума и биржевое дело. – М.: ИНФРА – М, 2001. – 154с.

Ищук Оксана Вячеславна

Обращение ценных бумаг на рынке

Подписано в печать.. 2011 г. Формат 60х84/16. Бумага офсетная № 1.

Печать офсетная. Печ. л. 7,2. Уч.-изд. л. 9,6. Тираж экз.

Заказ №

ФГОУ ВПО «Смоленская ГСХА».

214000, Смоленск, ул. Б.Советская, 10/2

Отпечатано в типографии издательства ФГОУ ВПО «Смоленская ГСХА».

214000, Смоленск, ул. Б.Советская, 10/2.

Традиционно для принятия решений в условиях неопределенности, в которых функционирует практически любое предприятие, специалистами по теории управления рекомендуется использовать вероятностно-статистические методы. Однако при этом возникают определенные трудности в интерпретации полученных решений, к тому же некоторые из этих методов чувствительны к отклонениям от принятых при построении модели допущений.

Одна из основных целей построения математических моделей ре­альных систем – найти способ обработки имеющейся информации для выбора рациональных вариантов управления системой. Очень часто, и особенно при исследовании экономических, социальных и других систем, в функционировании которых участвует человек, значитель­ное количество информации о системе может быть получено от людей, имеющих опыт работы с данной системой и знающих ее особенности, имеющих представление о целях функционирования системы, и т.п. Эта информация носит субъективный характер и ее представ­ление в естественном языке, как правило, содержит большое число неопределенностей типа «много», «мало», «сильно увеличить», «вы­сокий», «очень эффективный» и т.п., которые не имеют аналогов в языке традиционной математики. Поэтому и описание подобной инфор­мации на языке традиционной математики обедняет математическую модель исследуемой реальной системы и делает ее слишком грубой. Вместе с тем наличие математических средств отражения нечеткости исходной информации позволяет построить модель, более адекватную реальности.

Одним из начальных шагов на этом пути считается направление, связанное с именем видного американского математика Леона Заде и по­лучившее название теории нечетких множеств (Fuzzy sets). Лежащее в основе этой теории понятие нечеткого множества предла­гается в качестве средства математического моделирования неопреде­ленных понятий, которыми оперирует человек при описании своих представлений о реальной системе, своих целей, предпочтений и т.п. Нечеткое множество – это математическая модель класса с нечеткими, или размытыми границами. В этом понятии учитывается воз­можность постепенного перехода от принадлежности к непринадлежнос­ти элемента множеству. Элемент может, вообще говоря, иметь степень принадлежности множеству, промежуточную между полной принадлежностью и полной непринадлежностью.

Одним из важных направлений применения этого нового подхода является проблема принятия решений при нечеткой исходной информа­ции. Здесь появляется возможность сузить множество возможных альтернатив, отбросив теиз них, для которых имеются заведомо более приемлемые варианты, подобно тому, как это делается при использовании принципа Парето.

Теория нечетких множеств – раздел прикладной математики, посвященный методам анализа неопределенных данных, в которых описание неопределенностей реальных явлений и процессов проводится с помощью понятия множества, не имеющего четких границ. Теория нечетких множеств – это расширение классической теории множеств.

Основанные на этой теории различные компьютерные системы существенно расширяют область применения нечеткой логики. В настоящее время наибольший интерес с точки зрения результативности вызывает приложение аппарата нечетких множеств в области нечеткого управления.

Методами нечеткой логики в сфере бизнеса можно решать такие задачи, как:

· управление финансовыми и информационными потоками;

· оценка инвестиционных проектов и идей по развитию бизнеса, риска различных бизнес-планов и их прибыльности;

· прогноз поведения цен и оптимальных стратегий валютных операций, ценных бумаг, недвижимости и т.д.

За рубежом в составе компаний, занимающихся аудитом и консалтингом, есть отделы информационных технологий, профессионально изучающие программные продукты с дальнейшей рекомендацией их заказчику. К сожалению, в России разработка информационных систем управления предприятием развита достаточно слабо: на современном рынке практически отсутствуют российские аналоги. Изменить сложившуюся ситуацию представляется возможным за счет изменения, прежде всего, методологии проектирования таких систем, учитывающей неопределенность информации и сложность применения общепринятых количественных методов даже на этапе анализа предметной области. Непосредственно использование алгоритмов нечеткой логики в приложениях – явление довольно редкое, хотя в последнее время они широко используются при создании экспертных систем, систем-классификаторов (classifiers) при исследовании критических и рисковых ситуаций, для распознавания образов и т.д.

На Западе все большие средства вкладываются в развитие приложений, при создании которых используются именно объектно-ориентированные методики проектирования (Сoad/Yordon, Shlaer/Mellor, Rumbaugh, Jacobson, Booch, объединенный Fuzzy -метод). «Чистый» объектный подход уже на ранних стадиях требует представления данных о классификации в виде диаграмм классов, что не всегда возможно в случае сложных систем, характеризующихся высоким уровнем неопределенности, без проведения тщательного анализа объектов предметной области. Например, при применении такого метода классификации как концептуальная кластеризация, где трудно однозначно определить принадлежность элемента к той или иной категории, применение аппарата нечетких множеств позволяет оценить наиболее вероятное нахождение данного объекта в рамках определенного класса. А как еще можно оценить, например, значение атрибутов «быстрее-медленнее» для роста цен, «высокая-низкая» пропускная способность при проектировании сетей и т.д.?

В сфере маркетинга предоставляется возможность узнавать характер потребностей различных категорий клиентов, исследовать временные шаблоны: например, через какое время клиенты, которые приобрели компьютеры, будут приобретать соответствующее программное обеспечение, – производить анализ покупательской корзины и т.п.

Широкой областью внедрения является финансовый анализ (рынок ценных бумаг), исследование хранилищ данных.

При обработке SQL-запроса также часто встречается ситуация, когда либо сложно получить ответ, в точности соответствующий запросу, либо, наоборот, может быть получен слишком большой объем данных. При встраивании нечеткой логики в SQL-запрос можно получить информацию, в некотором приближении удовлетворяющую заданным критериям, путем задания соответствующих диапазонов числовых величин (например, получение объемов продаж).

Развитие приложений, реализующих нечеткую логику, происходило и на аппаратном уровне. В 1986 году в AT&T Bell Labs создавались процессоры с “прошитой” нечеткой логикой обработки информации. В Европе и США ведутся интенсивные работы по интеграции fuzzy -команд в ассемблеры промышленных контроллеров встроенных устройств (чипы Motorola 68 HC 11.12.21). Кроме того, разрабатываются различные варианты f uzzy -сопроцессоров, которые контактируют с ЦП через общую шину данных, концентрируя свои усилия на размывании/уплотнении информации и оптимизации использования правил (продукты Siemens Nixdorf). И все же по проведенным анализам стоимости продукции дешевле эмулировать нечеткую логику, хотя сложным вопросом является трансляция fuzzy -системы на традиционный язык программирования. Компания Aptronix предлагает использовать язык Java, имеющий все необходимое для вполне адекватного воспроизведения инструкций нечеткой логики приложения. Кроме того, использование Java API открывает новые перспективы для исследования fuzzy -систем во взаимодействии. Internet, как глобальная среда распространения Java -приложений, идеально подходит для интеграции прикладных устройств, созданных при помощи алгоритмов нечеткой логики.

Широкие возможности по программированию бизнес–логики и обработки данных дает включение JavaBeans и Java -сервлетов в комплекты разработчика приложений; это обеспечивает независимость от клиентской операционной системы и пользовательского интерфейса.

В перспективе достижимы следующие области использования приложений с нечеткой логикой в Internet:

· диагностика и восстановление сетевых конфигураций и управление производственными объектами;

· удаленный мониторинг устройств и организация распределенных вычислений;

· всевозможные портативные гиды, доски объявлений с динамически изменяющимися свойствами и гибкой функциональностью;

· интеллектуальные поисковые машины, распределенные системы загрузки и выделения данных.

Развитие теоретической базы и средств моделирования, расширение областей применения, коммерческий успех и распространение fuzzy -приложений расширит возможности классического математического моделирования и обеспечит спрос на специалистов, владеющих соответствующими технологиями.

Дата добавления: 2014-12-27