Методы нелинейной динамики и инструментальные методы моделирования бюджетных финансовых потоков: на материалах Управления Федерального казначейства по Карачаево-Черкесской Республике тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Леншова, Татьяна Михайловна

  • Леншова, Татьяна Михайловна
  • кандидат экономических науккандидат экономических наук
  • 2006, Краснодар
  • Специальность ВАК РФ08.00.13
  • Количество страниц 214
Леншова, Татьяна Михайловна. Методы нелинейной динамики и инструментальные методы моделирования бюджетных финансовых потоков: на материалах Управления Федерального казначейства по Карачаево-Черкесской Республике: дис. кандидат экономических наук: 08.00.13 - Математические и инструментальные методы экономики. Краснодар. 2006. 214 с.

Оглавление диссертации кандидат экономических наук Леншова, Татьяна Михайловна

ВВЕДЕНИЕ.

1. КАЗНАЧЕЙСТВО В РОССИЙСКОЙ ФЕДЕРАЦИИ КАК ОБЪЕКТ

МОДЕЛИРОВАНИЯ.

1.1. Федеральное казначейство в финансовой системе Российской федерации.

1.2 Казначейство на современном этапе и необходимость прогнозирования

1.3 Исследование классическими методами математической статистики временных рядов кассовых потоков.

Выводы по разделу 1.

2 КОМПЛЕКСНОЕ ИССЛЕДОВАНИЕ ВРЕМЕННЫХ РЯДОВ КАССОВЫХ ПОТОКОВ МЕТОДАМИ НЕЛИНЕЙНОЙ ДИНАМИКИ.

2.1 Фрактальный анализ временных рядов кассовых потоков.

2.2 Комплексный анализ временных рядов кассовых потоков.

2.3 Предирогнозный анализ на базе фазовых портретов для выявления циклов временных рядов кассовых потоков.

Выводы по разделу 2.

3 ПРОГНОЗИРОВАНИЕ ОСТАТКА НА ЕДИНОМ КАЗНАЧЕЙСКОМ СЧЕТЕ МЕТОДАМИ 11ЕЛИ11ЕЙ1ЮЙ ДИ11АМИКИ.

3.1 Вейвлет-анализ как инструментарий предпрогнозного исследования временного ряда кассовых потоков бюджетополучателей.

3.2 Применение нейронной сети для получения прогнозных значений.

3.3 11рогнозирование на базе клеточного автомата.

Выводы по разделу 3.

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы нелинейной динамики и инструментальные методы моделирования бюджетных финансовых потоков: на материалах Управления Федерального казначейства по Карачаево-Черкесской Республике»

Актуальность темы исследования. Одной из основных целей экономической политики государства является формирование эффективной бюджетной системы, ориентированной на стимулирование экономического роста и снижение социального неравенства. Для достижения этой цели необходимо рационально использовать бюджетные ресурсы, совершенствовать методы исполнения бюджета, мобилизовать новые возможности и резервы, имеющиеся в сфере государственных финансов.

К недостаткам современной российской системы исполнения бюджета следует отнести отсутствие процессов эффективного управления финансовыми ресурсами и обязательствами, образующимися в процессе текущего кассового исполнения федерального бюджета. Это приводит к необходимости осуществления нерациональных заимствований для покрытия возникающих кассовых разрывов и потерям от неиспользования временно свободных государственных средств. Другими словами, речь идет как о реальном ущербе, так и об упускаемой выгоде в процессе исполнения государственного бюджета. До недавнего времени проблема заключалась в отсутствии механизма централизации финансовых ресурсов бюджета на едином счете и, соответственно, в отсутствии возможности оперативного распоряжения ими. Сегодня в связи с введением реализации Концепции функционирования единого казначейскою счета (Концепция) в России создаются все условия для оперативного управления финансовыми ресурсами федерального бюджета. Однако единый казначейский счет (ЕКС), обеспечивая сведение всех финансовых потоков и средств в единый центр, сам по себе не решает задачи повышения эффективности использования текущих активов и пассивов бюджета, а лишь создает предпосылки для этою. Тем самым становится актуальной тема формирования эффективной модели использования финансовых ресурсов федеральною бюджета, сконцентрированных на едином счете. Важнейшей составляющей этой модели является технология активного управления ежедневными кассовыми активами и пассивами, образующимися в процессе исполнения доходной и расходной частей федерального бюджета. Кассовые активы федерального бюджета в системе ЕКС — объемы поступлений денежных средств на смета федерального бюджета, полученные из определенного набора источников и предназначенные для обеспечения обязательств бюджета. Кассовые пассивы федерального бюджета в системе ЕКС — объемы выплат денежных средств, направленных для исполнения обязательств бюджета. Кассовые активы и пассивы представляют собой бюджетные финансовые потоки.

Управление кассовыми активами и пассивами федерального бюджета в системе ЕКС — процесс планирования, связанный со всеми изменениями в активах и пассивах единого казначейского счета с точки зрения сумм доходов и расходов федерального бюджета и последующего комплексного управленческого воздействия, направленного на обеспечение ликвидности единого казначейского счета. Главная задача управления кассовыми активами и пассивами федерального бюджета в системе единого казначейского счета заключается в обеспечении безусловной способности государства осуществлять платежи по принятым обязательствам с минимальными сопутствующими издержками.

С целью создания прочности финансовой системы и поддержания возможности обеспечивать возникающие платежные обязательства без привлечения неоправданных заимствований с финансовых рынков необходимо создать систему прогнозирования ликвидности единого казначейскою счета. А это, в свою очередь, требует накопления информации, формирования временных рядов в казначейской базе для прогнозных расчетов решения процедурных, информационных, организационных и других вопросов.

Реализация функции по финансовому прогнозированию и управлению ликвидностью на ЕКС входит в стратегию развития Федерального казначейства (ФК).

На сегодняшний день не существует единого алгоритма прогнозирования остатка на ИКС. Управления Федеральною казначейства (УФК) субъектов Российской Федерации (РФ) пользуются разработанными самостоятельно схемами прогнозирования, которые имеют высокое значение ошибки прогноза. Таким образом, вопрос разработки инструментария прогнозирования ликвидности ЕКС, несомненно, является актуальным.

Получение прогнозных оценок ликвидности ЕКС предполагает использование математических и инструментальных средств реализации, применение экономико-математического моделирования. Инструментарий исследования временных рядов методами статистики, ставшим классическим, дает эффективный прогноз только для систем, подчиняющихся нормальному закону распределения. Бюджетные финансовые потоки обладают так называемой долговременной памятью и их исследование классическими подходами к прогнозированию не подходит для решения задач этого класса. Смена линейной парадигмы математическими методами нелинейной динамики и глобальный прогресс компьютерных технологий, сделавший возможность исследования сложных систем с помощью пакетов прикладных программ, позволил вступить современной экономической теории в новую фазу своего развития. Новые подходы к npoi нозированию базируются на таких разделах современной математики как нейронные сети, теория фракталов, нечеткая логика, теория хаоса, синергетика, вейвлет - анализ. В отличие от классических методов, этот инструментарий позволяет выявить скрытые характеристики и закономерности поведения бюджетной системы. В итоге, так как классическими методами не удаётся улучшить качество прогноза ликвидности ЕКС, актуальным становится совершенствование методик прогнозирования, сочетающих достоинства теории хаоса, теории нечетких множеств, вейвлет-анализа, интеллектуальных систем, клеточных автоматов.

Степень разработанности. Исследование бюджетной системы, а так же вопросов регулирования и методологии управления финансовыми бюджетными потоками в системе казначейства отражено в научной литературе, в том числе в работах Артюхииа Р.Е., Година Л.М., Лексина В.Н., Максимовой Н.С., Нестеренко Т.Г., Подпориной И.В., Прокофьева С.Е. и др.

В качестве математических средств прогнозирования обычно использовали методы теории математических игр, теории вероятностей, математической статистики, теории статистических решений, математического программирования. Большой вклад в развитие теоретической прогностики внесли зарубежные ученые: особо можно отметить труды И. Бернара, II. Винера, Д.Ж. Джонстона, Ж.-К.Колли, В.В. Леонтьева, К. Паррамоу, М. Песа-рана, Ю. Колека, JI. Слейтера, Э. Сигала и др.

Среди авторов, опубликовавших свои работы по исследованию систем, не подчиняющихся нормальному закону распределения и имеющих признаки лептоэксцессного распределения, можно выделить Б.Мандельброта, В. Шарпа, Кутнера, Шиллера, Лоренца.

За последние десятилетия исследования динамических систем стало ясно, что инструментария классического математического моделирования, базирующегося на так называемой линейной парадигме (малые возмущения входных данных системы в малой степени меняют ее траекторию), во многих случаях явно недостаточно для построения адекватных математических моделей. Это повлекло за собой фундаментальный пересмотр прежней линейной концепции и переход на так называемую нелинейную парадигму (nonlinear science) в математическом моделировании (малые возмущения входных данных или значений переменных динамической системы могут в катастрофически большой степени изменить ее траекторию в силу сложности самой системы и хаотичности ее поведения). Практически ценность указанной парадигмы обусловлена тем, что на ее базе удается более адекватно отражать специфические характеристики иерархичности конкретной динамики и высокую степень неопределенности, присущие реальным социальным, экономическим, финансовым, физическим и т.п. процессам и системам. Переход на новую концепцию вызвал необходимость создания принципиально новых инструментальных средств математического моделирования, в том числе и оценки уровня риска, в частности, таких, как фазовый анализ, фрактальный анализ, методы детерминированного хаоса и др. В мировой науке математическою моделирования этот переход датируется последними двумя десятилетиями. Внимание отечественных исследователей проявилось несколько позже что повлекло за собой меньшее количество публикаций в этом направлении в русскоязычных научных изданиях. Исследованию этих вопросов посвящены работы следующих авторов: А.Е. Андерсон, Дж. Грендмонт, В.-Б. Занг, Д. Келси, X. Лоренц, Б. Мандельброт, Э. Петере, И. Пригожин, Л.П. Яновский, Р. Чен, В.И. Гусев, В.А. Перепелица, И.Г. Винтизепко, Е.В. Попова, В.А. Долятовский, Т.Н. Драгунов, С.Г1. Капица, С.П Курдюмов, Г.Г. Малинецкий, А.Д. Морозов, А.Б. Потапов и др.

В последнее время для получения информации о возможности прогнозирования временного ряда, используется вейвлет-анализ. Вэйвлеты (wavelet) и вэйвлет-иреобразование - это новый способ обработки и исследования сигналов, теория которого разработана совсем недавно, с появлением быстродействующих компьютеров, так как требует большою объема вычислений. Вэйвлет - анализ относится к области спектрального анализа. Некоторые идеи теории вейвлетов появились очень давно. Например, уже в 1910 году А.Хаар опубликовал полную ортонормальную систему базисных функций с локальной областью определения (теперь они называются вейвлетами Хаа-ра). Первое упоминание о вейвлетах появилось в литературе по цифровой обработке и анализу сейсмических сигналов (работы А.Гроссмана и Ж.Морле). В последнее время возникло и оформилось целое научное направление, связанное с вейвлет-анализом и теорией вейвлет-преобразовапия. Вейвлеты широко применяются для фильтрации и предварительной обработки данных, анализа состояния и прогнозирования ситуации на фондовых рынках, распознавания образов, при обработке и синтезе различных сигналов, например речевых, медицинских, для решения задач сжатия и обработки изображений, при обучении нейросетей и во многих дру1 их случаях. Среди современных ученых, известных своими разработками в области вейвлетов можно отметить И. Мейера, С. Мала, И. Добеши, JI. Левковича-Маслюка, А. Переберина, А. Киселева, К. Алексеева, С Терехова, С. Стечкина, И. Новикова, В. Бердышева и др.

В связи с возрастанием необходимости в системах, которые способны не только выполнять однажды запрограммированную последовательность действий над заранее определенными данными, но и способными самостоятельно анализировать вновь поступающую информацию, находить в ней закономерности, производить прогнозирование и т.д. в последние годы исследователи обращаются к методам искусственного интеллекта. В этой области самым лучшим образом зарекомендовали себя так называемые нейронные сети - самообучающиеся системы, имитирующие деятельность человеческого мозга. Большой вклад в основание нейронной доктрины внесли В. Макка-лох, В.Питтс, Д. Хебб, Ф. Розенблатт, Б. Уидроу, М. Хофф, В. Литтл, Д. Хоифилд. Среди современных авторов, изучающих применение нейросетево-го инструментария в прогнозировании можно выделить МЛ. Кричевского, С. Короткого, А. Старикова, А. Николаева, И. Фоминых.

Методы теории клеточных автоматов к настоящему времени нашли отражения в исследованиях известного ученого в области экономико-математического моделирования Перепелицы В.А и представителей его научной школы Поповой Е.В., Касаевой М.Д., Янгишиевой A.M.

Практическая значимость и недостаточная изученность проблем экономико-математического моделирования поведения бюджетной финансовой системы обуславливает необходимость и актуальность разработки моделей и методик прогнозирования бюджетных финансовых потоков, на основе методов фазового анализа, фрактального анализа, теории нечетких множеств, вейвлет - анализа, теории нейронный сетей и теории клеточных автоматов, адаптированных к исследованию временных рядов кассовых потоков. Важность и актуальность этой проблемы определили цель и задачи исследования.

Цель и задачи исследования. Целью настоящею диссертационного исследования является применение и совершенствование математических и инструментальных методов анализа и новейших пакетов прикладных программ для оценки прогнозных характеристик временных рядов бюджетных финансовых потоков и создания системы прогнозирования ликвидности единого казначейского счета.

Наличие памяти в исследуемых временных рядах обуславливает использование новых математических методов исследования, таких как метод нормированного размаха Херста, адаптированного метода последовательного R/S-анализа, метода фазового анализа, вейвлет - анализа, а также инстру-ментариев линейных клеточных автоматов, нечетких множеств и нейронных сетей. Достижение поставленной цели потребовало решения следующих задач:

- уточнение характерных особенностей и эмпирических закономерностей временных рядов кассовых потоков с помощью инструментария методов математической статистики;

- использование и развитие инструментария и методов визуализации данных с помощью специализированных пакетов прикладных программ;

- исследование временных рядов кассовых потоков с помощью метода нормированного размаха Херста и последовательного R /S -анализа для выяв1 ления предпрогнозных характеристик;

- комплексный анализ временных рядов кассовых потоков методами нелинейной динамики;

- получение дополнительной предпрогнозной информации и выявление циклической компоненты во временных рядах с помощью построения и визуализации фазовых траекторий;

- подготовка временных рядов кассовых потоков с помощью вейвлет-преобразования для обучений нейронной сети;

- осуществление нейросетевою прогнозирования значения кассовых потоков;

- применение и модификация клеточно-автоматной провозной модели к исследуемым временным рядам бюджетных финансовых потоков. 9

Объектом исследования является региональный орган казначейства, как система управления бюджетными финансовыми потоками расходов и доходов.

Предметом исследования являются временные ряды ежедневных измерений величины кассовых потоков, на базе которых осуществляется моделирование, предпрогнозный анализ и прогнозирование системы ликвидности ЕКС.

Теоретической и методоло! ической основой исследования являются фундаментальные разработки отечественных и зарубежных ученых экономистов и математиков по фрактальному анализу, методам нелинейной динамики, математической статистики, экономической синергетике, теории хаоса, вейвлетам, методам искусственного интеллекта, фазового анализа и клеточных автоматов. Инструментом исследования стали специализированные пакеты прикладных программ: Statistica 5.5, MatLab 7.0.1 и один из ею модулей Wavelet Tool Box, Statistica Neural Networfa, Maple 7.0, Deductor Studio, TSAnalys, R/S-апализ.

Документальной базой исследования являются законодательные акты РФ, решения и нормативные акты Правительства Российской Федерации, Министерства финансов РФ, Федерального казначейства, регулирующие нормативно-правовое обеспечение бюджетной политики РФ.

Информационно-эмпирическую базу настоящего исследования составили материалы УФК по Карачаево-Черкесской республике, а также собственные расчеты автора.

Диссертационная работа выполнена в соответствии с пунктами 1.8 и 2.1 области исследований Паспорта специальности 08.00.13 - Математические и инструментальные методы экономики»: п. 1.8 «Математическое моделирование экономической конъюнктуры, деловой активности, определение трендов, циклов и тенденций развития» и п .2.1 «Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления».

Научная новизна работы. Научная новизна диссертационного исследования состоит в формировании целостного теоретического, методологического и инструментального обеспечения для математическою моделирования, анализа и прогнозирования значений экономических временных рядов в бюджетных финансовых системах. Научную новизну содержат следующие положения:

1. Разработана и апробирована методика сравнительного анализа на базе реализации агрегированного подхода к использованию статистических показателей рассматриваемых временных рядов;

2. Получены предпрогнозные характеристики временных рядов кассовых потоков на базе комбинированного подхода к совместному использованию метода нормированною размаха Херста и алгоритма R/S-анализа, частотного анализа фазовых траекторий, комплексною анализа методами нелинейной динамики позволяющие проводить исследование экономических временных рядов на выявление циклов и квазициклов.

3. Временные ряды кассовых потоков преобразованы (очищены от шума и джокеров) с помощью дискретного вейвлет-преобразования и подютовле-ны для обучения нейронной сети. С помощью фазового портрета непрерывного вейвлет-преобразования выявлен уровень прогнозируемости исследуемых рядов.

4. Разработан метод настройки обучения нейронной сети, с учетом результатов полученных предпро1нозных характеристик.

5. Модифицирован известный метод преобразования временных рядов в соответствующие лингвистические ряды, что позволяет снять проблему ограниченной преемственности данных временного ряда доходов и, вместе с тем, использовать известную клеточно-автоматную прогнозную модель.

6. Системная поддержка принятия решений для реализации метода нормированного размаха Херста для выявления трендов, циклов и тенденций развития исследуемых экономических процессов и систем.

Пользуясь возможностью, автор выражает искреннюю благодарность своему научному руководителю профессору кафедры информационных технологий Кубанского государственного aipapnoio университета, доктору экономических наук, к. ф.-м.н., Поповой Елене Витальевне за внимание и поддержку в процессе исследований, посвященных данной тематике.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Заключение диссертации по теме «Математические и инструментальные методы экономики», Леншова, Татьяна Михайловна

Выводы по разделу 3

1. С помощью инструментария непрерывного вейвлет-преобразования бюджетная финансовая система исследована на способность быть прогнозируемой. Выделены периоды возможности построения прогноза для бюджетной финансовой системы и области непредсказуемости. Полученные фазовые портреты точно имитируют поведение бюджетной финансовой системы. Данные временных рядов бюджетных финансовых потоков сглажены (очищены от шума, случайных выбросов, джокеров, пропусков, нелинейных искажений) посредством инструментария дискретного вейвлет-преобразования.

2. Для получения прогнозных значений ежедневных и ежемесячных временных рядов кассовых потоков предложено использовать инструментарий нейронных сетей. Нейронная сеть обучена с учетом индивидуальных характеристик исследуемых временных рядов, полученных с помощью методов нелинейной динамики. В качестве входных данных обучения нейронных сетей использованы сглаженные вейвлетами данные временных рядов кассовых потоков, что увеличило качество прогноза, помогая тем самым создать прочную финансовую систему прогнозирования ликвидности ИКС.

3. Построена клеточно-автоматная прогнозная модель для исследования бюджетной финансовой системы. Для получения прогнозных значений временного ряда доходов в бюджет предложен новый алгоритм преобразования исходного ряда в лингвистический временной ряд путем использования гибридной раскраски временного ряда.

4. Произведена сравнительная оценка и сделан вывод о равнозначности прогнозных значений бюджетных финансовых потоков полученных с помощью нейросетевою и клеточно-автоматного инструментария.

ЗАКЛЮЧЕНИЕ

В итоге проведенных в работе исследований можно сформулировать основные выводы в виде следующего перечня:

1. Проведен сравнительный анализ на базе реализации агрегированного подхода к использованию статистических показателей временных рядов бюджетных финансовых потоков. На базе этого анализа определен экономический смысл рассчитанных статистических показателей и определен характер поведения экономической системы, для выбора инструментария последующего исследования. Получен вывод недостаточности информации об исследуемой системе с применением классических методов статистики. Целесообразным является получение оценок бюджетной финансовой системы с помощью инструментария и методов нелинейной динамики.

2. Разработана система предпрогнозного исследования бюджетных финансовых временных рядов, которая реализована в виде моделей, методов, алюритмов и программ. В разработанную методику входит инструментарий комбинированною подхода метода нормированного размаха Херста и последовательного R/S - анализа, а так же частотного фазового анализа для оценки глубины памяти и выявления циклов и квазициклов исследуемых экономических временных рядов. Система предпрогнозного анализа базируется на комплексном анализе методами нелинейной динамики, который включает графическое представление и предварительную обработку временных рядов и диагностику типа динамики путем вычисления метрических характеристик. Разработана системная поддержка принятия решений реализации метода нормированного размаха Херста для выявления трендов, циклов и тенденций развития исследуемых экономических процессов и систем. Полученные предпрогнозные характеристики исследуемых временных рядов позволяют на качественном уровне определить характер течения бюджетных финансовых потоков соответствующих разным промежуткам времени и выполнять анализ этих потоков с точки зрения экономической классификации. Результаты этого анализа позволят рационально использовать финансовые ресурсы федерального бюджета, сконцентрированных на едином казначейском счете.

3. Па базе инструментария непрерывною вейвлет-преобразования развита концепция исследования бюджетной финансовой системы на способность быть прогнозируемой. Определены временные промежутки, где возможно построение ирошоза и области непредсказуемости бюджетной финансовой системы. Разработана методика преобразования данных экономических временных рядов, которая включает в себя очищение от шума, случайных выбросов, джокеров, пропусков, нелинейных искажений с помощью инструментария дискретного вейвлет-преобразования и подготовку данных для обучения нейронной сети.

4. Развита и апробирована методика обучения и построения нейронной сети, с целью получения прогнозных значений бюджетных финансовых потоков. Принцип обучения нейронной сети основывается на информации, полученной с помощью разработанной системы нредпрогнозного исследования временных рядов методами нейлинейной динамики, фрактального и фазового анализа. Предложен инструментарий повышения точности нейросетевого прогноза, основанный на вейвлет-апализе, что помогает создать прочную финансовую систему прогнозирования ликвидности ЕКС.

5. Модифицирован известный метод преобразования временных рядов в соответствующие лингвистические ряды, что позволяет снять проблему ограниченной преемственности данных экономических временных рядов и, вместе с тем, использовать известную клеточно-автоматную прогнозную модель для прогнозирования уровней кассовых потоков. Авторская методика представляет собой гибридную раскраску гистограммы временного ряда, сочетающую раскраску путем построения верхней и нижней огибающих ломаных для столбцов гистограммы и раскраску трендовым коридором.

6. Произведена сравнительная оценка прогнозных значений бюджетных финансовых потоков полученных с помощью нейросетевого и клеточно-автоматною инструментария.

Список литературы диссертационного исследования кандидат экономических наук Леншова, Татьяна Михайловна, 2006 год

1. Алефельд Г. Введение в интервальные вычисления/ Г. Алефельд, Ю.Херц-бергер М.:Мир, 1987.- 360 с.

2. Алтунин А.Е. Модели и алгоритмы принятия решений в нечетких условиях/ А.Е. Алтунин, М.В. Семухин Тюмень: Изд-во ТюмГУ, 2000. - 352 с.

3. Андерсон Т. Статистический анализ временных рядов/ Т. Андерсон М.: Мир, 1976.-756 с.

4. Анософф И. Стратегическое управление/ И. Анософф М.: Экономика, 1989.-519 с.

5. Артюхин Р.Е. Роль бюджетного учета/ Р.Е. Артюхин // Бюджет.- 2003. -№2, -С.65-67.

6. Архангельский А. Я. Программирование в Delphi 7/ А. Я. Архангельский -М.: ООО «Бином Пресс», 2005. - 1152 с.

7. Береснев В JI. Экстремальные задачи стандартизации/ B.JI. Береснев, Э.Х. Гимади, В.Т. Дементьев Новосибирск: Паука, 1978.-333 с.

8. Бережной В.И. Математические методы моделирования экономических систем: Учебное пособие / Бережной В.И., Е.В. Бережная М.: Финансы и статистика, 2001. - 368 с.

9. Бюджетный кодекс Российской Федерации: Федеральный закон № 145-ФЗ от 31 июля 1998г. Режим доступа: http://www.roskazna.ru

10. Ю.Винтизенко И.Г. Детерминированное npoi позирование в экономических системах / И.Г. Винтизенко // Труды III международной конференции «Новые технологии в управлении, бизнесе и праве» Певинномысск: Издательство ИУБП, 2003. -С. 163-167.

11. Вощинин А.II. Оптимизация в условиях неопределенности/ А.П. Вощинин Г.Р. Сотиров -М., Финансы и статистика, 1989.-400 с.

12. Гаджинский A.M. Ло1истика: Учебник/ A.M. Гаджинский М.: ИВЦ "Маркетинг", 1998.-419 с.

13. З.Галушкин А.И. Нейрокомпьютеры. Кн.З: Учеб.пособие для вузов/ А.И. Галушкин -М.: ИПРЖР, 2000. 289 с.184

14. М.Гмурман В.Е. Теория вероятностей и математическая статистика. Учебное пособие для вузов/ В.Е. Гмурман. -Изд. 7-е, стер. М.: Высш. шк., 1999. -479 с: ил.

15. Годин A.M. Бюджетная система Российской Федерации: Учебник/ A.M. Годин, I1.C. Максимова, И.В. Подпорина М.: Издательско-торговая корпорация «Дашков и К0», 2004.-752 с.

16. Голицын Г.А. Нейронные сети и экспертные системы: перспективы интеграции/ Г.А. Голицын, И.Б. Фоминых //11овости искусственною интеллекта. -1996.-№4, -С. 42-47.

17. Горбань А.Н. Нейронные сети на персональном компьютере/ А.Н. Гор-бань, Д.А. Россиев. Новосибирск: Наука, 1996. .-352 с.

18. Дементьев В.Т. Задачи оптимизации иерархических структур/ В.Т. Дементьев, А.И. Ерзин, P.M. Ларин. Новосибирск: Изд-во Новосиб. Ун-та, 1996.167 с.

19. Добеши И. Десять лекций по вейвлетам/ И. Добеши М.: РХД, 2001.-516 с.

20. Евдокимов В. В. Экономическая информатика. Учебник для ВУЗов/ Евдокимов В. В. СПб.: Питер, 1997. - 592 с.

21. Ежов А.А.Нейрокомпыотинг и его применение в экономике и бизнесе/ А.А.Ежов, С.А.Шумской. Режим доступа: http://www.neuroproject.ru.

22. Жирабок А.Н. Нечеткие множества и их использование для принятия решений / Жирабок А.Н. // Соровский образовательный журнал. 2001.- Том 7,-№2.-С. 109-115.

23. Камаев В.Д. Экономика и бизнес/ В.Д. Камаев; 11од.ред. В.Д. Камаева.-М.: Изд-во МГТУ, 1993.-464с.

24. Киселев А. Непрерывное вейвлет-преобразование в анализе бизнес-информации, http:Wwww.BaseGroup.ru

25. Киселев А.А. Основы теории вейвлет-преобразования/ А.А. Киселев. Режим доступа: http://www.BaseGroup.ru

26. Киселев А.А. Вейвлет своими руками. / А.А. Киселев. Режим доступа: http://www.BaseGroup.ru

27. Колесников А.И. Клеточные автоматы и компьютерная экология/ А.И. Колесников. Режим доступа: http://www.xaos.ru

28. Комарцова Л.Г. Нейрокомпьютеры: Учеб. пособие для вузов/ Л.Г. Комар-цова, Максимов А.В.- М.: Изд-во МГТУ им. П.Э.Баумана, 2002 (Сер. Информатика в техническом университете).

29. Крамер Г. Математические методы статистики/ Г. Крамер. М.: Мир, 1975.-245 с.

30. Кремер II.LLI. Исследование операций в экономике / II.LLI. Кремер, Б.А. Путко, И.М. Гришин. М.:Ю11ИТИ, 2000.- 407 е.

31. Кричевский МЛ. Интеллектуальные методы в менеджменте/ МЛ. Кри-чевский СПб.: Питер, 2005. - 304 е.: ил.

32. Курдюмов С.II. Синергетика и прогнозы будущего/ С.П. Курдюмов, С.П. Капица, Г.Г. Малинецкий. Изд. 3-е. М.: Едиториал УРСС, 2003. - 288 с.

33. ЛеншоваТ.М. Вейвлет-анализ как инструментарий предпрогнозного исследования временно! о ряда кассовых потоков бюджетополучателей/ Т.М.

34. Леншова; Карач.-Черкес. юс. технолог, академия. Черкесск, 2006. - 25с. Дсп. в ВИНИТИ04.08.2006, № 1037-В2006.

35. Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики/ А.С. Логовский //Нейрокомпьютер. 1998. -№1. -С. 45-48.

36. Лопатников Л.И. Экономико-математический словарь: Словарь современной экономической науки/Л.И. Лопатников. М: Дело,2003. -520с.

37. Лукасевич И.Я. Анализ финансовых операций. Методы, модели, техникавычислений/ И.Я. Лукасевич-М.: Финансы, ЮНИТИ, 1998.-400с.

38. Маккаллок У.С.Логическое исчисление идей, относящихся к нервной деятельности/ У.С. Маккаллок, У Питттс.- М.:, 1956. -303с.

39. Минский М.Л. Персеитроны/ M.JI. Минский, С. Пейперт. М.: Мир, 1971. - 296 с.

40. Морозов А.Д. Визуализация и анализ инвариантных множеств динамических систем/ А.Д. Морозов, Т.Н. Драгунов.- Москва Ижевск: институт компьютерных исследований, 2003.-304 с.

41. Пекипелов Н.И. Опыт прогнозирования финансовых рынков. / Н.И. Неки-иелов. Режим доступа: http://\vw\v.BaseGroup.ru

42. Пестеренко Т.Г. Казначейство — опора государственности/ Т.Г. Несте-ренко // Бюджет. 2003. - № 1. - С.25-27.

43. Федеральном казначействе: постановление правительства Российской Федерации № 703 от 01 декабря 2004г. Режим доступа: http://www.roskazna.ru

44. Перепелица В.А. Математические модели и методы оценки рисков экономических, социальных и аграрных процессов/ В.А. Перепелица, Е.В. Попова. -Ростов н/Д.: Изд-во Рост, ун-та, 2002. 208 с.

45. Г1етерс Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка/ Э. Петере. I Гер. с англ. М.: Мир. 2000.-333 с. ил.

46. Петере Э. Фрактальный анализ финансовых рынков: Применение теории Хаоса в инвестициях и экономике / Э. 11етерс. М.: Интернет-трейдинг, 2004. -304 с.

47. Позднякова A.IO. Применение графического теста Гилмора для анализа динамических систем с джокером/ А.Ю. Позднякова, JI.II. Сергеева // Динамические системы, Вып. 16. 2000, С. 180-186.

48. Попов Э.В. Статические и динамические экспертные системы. Приложение З.Нейросетевая технология: Учебное пособие/ Э.В. Попов, И.Б. Фоминых, Е.В. Кисель. -М.: Финансы и статистика, 1996.-256 с.

49. Препарата Ф. Вычислительная геометрия. Введение/ Ф. Препарата, М. Шеймос. -М.: Мир, 1989. 487 с.

50. Прокофьев С.Е. Управление активами и пассивами единого казначейского счета/В.В. Горбунов, С.Е. Прокофьев // Бюджет. -2004. -№ 12. С. 12-13.

51. Пу Т. Нелинейная экономическая динамика/ Т. Пу. Москва-Ижевск: 11ИЦ «Регулярная и хаотическая динамика», 2000. - 198 с.

52. Розенблатт Ф. Принципы нейродинамики./ Ф. Розенблатт. М.: Мир, 1965.

53. Сер1еева JI.II. Нелинейная экономика: модели и методы./ JI.H. Сергеева; Под редак. д.э.н., проф. Ю.Г. Лысенко. Запорожье: «Полиграф», 2003. - 218 с.

54. Сергеева Л.Н. Моделирование поведения экономических систем методами нелинейной динамики (теории хаоса)/ Л.Н. Сергеева Запорожье: ЗГУ, 2002. - 227 с.

55. Стариков А.II. Нейронные сети математический аппарат/ А.Н. Стариков. Режим доступа: http://\v\v\v.BaseGroup.ru

56. Тоффоли Т. Машина клеточных автоматов/ Н. Марголус, Т. Тоффоли. -М.; Мир, 1991.280 с.

57. Управление риском: Риск. Устойчивое развитие. Синергетика. -М.: Паука, 2000.

58. Уотшем Т.Дж. Количественные методы в финансах: Учебное пособие для вузов / К. Паррамоу, Т.Дж. Уотшем. 11ер. с англ.; Под ред. М.Р. Ефимовой. -М.: Финансы, ЮНИТИ, 1999.-527с.

59. Федер Е. Фракталы/Е. Федер. М.: Мир, 1991.-260 с.

60. Фишберн U.K. Методы оценки аддитивных ценностей/ U.K. Фишберн. М.: Статистика, 1972. -236 с.

61. Хейес Б. Клеточный автомат / Б. Хейес // В мире науки. -1984. -№ 5. -С. 15-25.

62. Хомоненко А. Д. Работа с базами данных в Delphi/ В. Э. Гофман, А. Д. Хомоненко. 3-е изд., перераб. и доп. СПб.: БхВ - 11етербург, 2001. - 640 с.

63. Христиановский В.В. Экономический риск и методы его измерения/ IO.II. Полушков, В.В. Христиановский, В.П. Щербина -Донецк: ДонГУ, 1999. -250с.

64. Шапиро В.Д. Управление проектами/ В.Д. Шапиро. -СПб.: «ДваТрИ», 1993.-443 с.

65. Шредер М Фракталы, хаос, степенные законы. Миниатюры из бесконечною рая/ М. Шредер. Ижевск: ПИЦ «Регулярная и хаотичная динамика», 2001.-528с.

66. Шустер Г. Детерминированный хаос: Введение/ Г. Шустер. М.: Мир, 1988.-240с.

67. Chaos Theory in Economics: Methods, Models, and Evidence. Edited by Dechert W.D., Edward Elgar PC, 1996. 596 p.

68. Daubechies I. Ten Lectures on Wavelets/1. Daubechies. SI AM, 1992.

69. Fama E.F. Portfolio Analysis in Stable Paretian Market/ E.F. Kama// Management Science. 1965a. №11.

70. Fama E.F. Efficient Capital Markets: II / E.F. Fama // Journal of Finance. 1991. Vol.46, №5. P. 1575-1617.

71. Friedman B.M. Economic Implications of Extraordinary Movements in Stock Prices/13.M. Friedman, D.I. Laibson // Brookings Papers on Economic Activity 2, 1989.

72. Green M.R. Risk and Insurance/ M.R. Green, J.S.Trieschmann. -Cincinnati: South-Western Pub.,1988.-785p.

73. Harmon P. Neural Networks: Hot Air and Hot Technology?/ P.Harmon // Intelligent Software Strategies. 1992.V.VIII. No.4.

74. Ilebb D.O. The Organization of Behavior/ D.O. Hebb. -New York: Wiley,1949.

75. Holden K. Economic and Busness/ K. Holden, D.A. Peel, J.L. Thompson //Press Syndicate of the University of Cambridge, 1993.-P. 236.

76. Holden K. Economic forecasting: an introduction / K. Holden, D.A. Peel, J.L. Thompson //Press Syndicate of the University of Cambridge, 1990. 231 p.

77. Karni,E. Decision Making Under Uncertainty: the Case of State Dependent Preferences/Е. Kami.-Cambridge: Harvard U.P., 1985.-147p.

78. Kohonen T. Self-Organizing Maps/ T. Kohonen. (2-nd edition). -Springer, 1997. -258p.

79. Kohonen T. Self-organi/ed formation of topologically correct feature maps/ T. Kohonen. -Biol. Cybernetics 43, 56-69, 1982. -201 p.

80. Litner J. The Valuation of Risk Assets and the Selection of Risk Investments in Stock Portfolios and Capital Budgets/ J. Litner// Review of Economic Statictics 47, 1965.

81. Mandelbrot B. The Fractal Geometryof Nature/ B. Mandelbrot. -New York:1. W.II.Freeman, 1982.

82. Mandelbrot В. 'I he Variation of Certain Speculative Prices, in P. Cootner, ed., The Random Character of Stock Price/ B. Mandelbrot. Cambridge: MIT Press, 1964.

83. Markowitz II.M. Portfolio Selection/ II.M. Markowitz// Journal of Finance 7, 1952.

84. Markowitz H.M. Portfolio Selection: Efficient Diversification of Investments/ II.M. Markowitz. -N.Y.: John Wiley and Sons. 1959.-129p.

85. Mossin J. Equilibrium in a Capital Asser Market/ J. Mossin // Econometrica 34, 1966.

86. Natural Disasters in the World. Statistical Trend on Natural Disasters. National Land Agency: Japan, IDNDR. Promotion Office. 1994.

87. Oja, E. A simplified neuron model as a Principal Component Analyzer/ E. Oja, J. Math// Biology. -1982. -№16. 267-273p.

88. Oja, E. Learning in nonlinear constrained Hebbian networks, in Artificial Neural Networks (Proc. ICANN-91)/ E. Oja, T.Kohonen. Amsterdam: North-Holland, 1991. 385-390p.

89. Packard N. Geometry from a Time Series/ N. Packard, J. Crutchfield, D. Farmer//Physical Review Letters. -1980.-№45.

90. Perepelitsa V.A. Interval Discrete Models and Multiobjectivity/ V.A. Perepe-litsa, G.L. Kozina // Interval computations. 1993. - JNTe 1. — P. 51-59.

91. Peters E.E. Fractal Market Analysis/ E.E. Peters- NY.: J.Wiley&sons, 1994.

92. Rumelhart D.E. Parallel Distributed Processing: Exploration in the Micro Structure of Cognition/ D.E. Rumelhart. Vol.1: Foundation MIT Press.- Cambridge. MA.- 1986.

93. Scheikman J.A. Nonlinesr Dinamics and Stock Returns/ J.A. Scheikman, B. LeBaron //Journa of Business. -1989. -№62. P. 311-337.

94. Shackle. G. Decision, orden, and Time in Human Affairs/ G. Shackle. 2d Ed. Cambridge. Cambridge University Press, 1969.-330 p.

95. Sharpe W.F. Capital Asset Price: A Theory of Market Equilibrium Under Conditions of Risk/ W.F. Sharpe // Journal of Finance. 1964. Vol.29, №3. -P. 425442.

96. Snowden P.N. Emerging Risk in International Banking Origins of Financial Vulnerability in the 1980s/P.N.Snowden.-London:George Allen, 1985.-146p.

97. Sterge A.J. on the Distribution of Financial Futures Price Changes/ A.J. Sterge// Financial Analysts Journal. May/June 1989.

98. Turner A.L. An Analysis of Stock Market Volatility/ A.L. Turner, E.J. Weigel// Russell Research Commentaries, Frank Russell Company, Tacoma, WA, 1990.

99. Vaughan E.J. Fundamentals Risk and insurance/ E.J. Vaughan.-New York: John Wiley & Sons, 1986.-723p.

100. Warrick E.M. The Greenhause Effect and its Inplications for the European Commanity/ E.M. Warrick, E.M. Barrow, T.M.L. Wigley. Report EUR 12707EN. 1990.30 р.

101. Williams C.A. Risk Management and Insurance /С.А. Williams, R.M. Ileins. -5th Ed.-New York: McGraw-Hill Book Co., 1985.-755p.

102. Zadeh L.A. Fu/zy sets/ L.A. Zadeh// Inf. Contr. -1965. -№8. P.338-353.1. При.южение I

103. Гистогриммы временных рядов бюджетных финансовых потоков250000000 СО200000000 00150000000 00100000000 0050000000 000 00

104. Fhcjiiok 11.1.2 Гистограмма временною ряда ежедневных измерении кассовых расходов бюджстопот1}чателеи за период с 1 января 1998 но 31 декабря 1998 п.12000000 0010000000 008000000 006000000 004000000 002000000 001. ООО

105. Рисунок II. 1.3 Гистограмма временною ряда ежедневных измерений кассовых расходов бюджегопо 1>чатс.1си за период с 1 января 1999 но 31 декабря 1999 ir.70000000 0060000000 00 —50000000 00•10000000 0030000000 0020000000 0010000000 000 00

106. Г* <4 <4 (Ч <4 (Ч <4 О — — Г)1.ucjiiok II. 1.7 Гистограмма временною ряда ежедневных измерений кассовых расходов бюджетополучателей за период с 1 января 2003 но 31 декабря 2003 п.25000000000200000000 00150000000 00100000000 0050000000 00

107. Рисунок II.1.8 Гистофамма временною ряда ежедневных измерении кассовых расходов бюджетополучателей id период с 1 января 2004 но 31 декабря 2004 ir.70000000600000005000000040000000300000002000000010000000iWUJIliiIiliiulllliI1. ГЛ rj1. Г)

108. Рисунок П 1.11 Гистограмма временною ряда ежедневных измерении поступлений в бюджет id период с 1 января 1998 по 31 декабря 1998 п.14000000 0012000000 00юоооооооо8000000 006000000 004000000 002000000 000 001.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.