Моделирование и информационная поддержка аналитической деятельности специалистов Центрального банка Российской Федерации тема диссертации и автореферата по ВАК РФ 05.13.16, кандидат технических наук Медведев, Сергей Юрьевич

• Медведев, Сергей Юрьевич
• кандидат технических наук
• 2000

Оглавление диссертации кандидат технических наук Медведев, Сергей Юрьевич

ВВЕДЕНИЕ.

ГЛАВА 1. ОСОБЕННОСТИ АВТОМАТИЗАЦИИ ПРИНЯТИЯ РЕШЕНИЙ В БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ.

1.1. ПРОБЛЕМЫ СОЗДАНИЯ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ СИСТЕМЫ ТЕРРИТОРИАЛЬНОГО УЧРЕЖДЕНИЯ БАНКА РОССИИ.

1.2. АНАЛИТИЧЕСКИЙ СЕРВЕР ИАС ТУ ЦБ РФ.

1.3. ЭКОНОМЕТРИЧЕСКИЕ ЗАДАЧИ ТЕРРИТОРИАЛЬНОГО УПРАВЛЕНИЯ ЦБ РФ, РЕШАЕМЫЕ МЕТОДАМИ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ.

1.4. ТИПОВЫЕ ЗАДАЧИ СТАТИСТИЧЕСКОГО АНАЛИЗА В ТЕРРИТОРИАЛЬНОМ УЧРЕЖДЕНИИ ЦБ РФ.

1.4.1. Постановка задачи моделирования и прогнозирования.

1.4.2. Многомерный анализ.

1.5. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

ГЛАВА 2. МОДЕЛИРОВАНИЕ ДИНАМИКИ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ БЕЗ УЧЕТА ВЛИЯНИЯ ВНЕШНИХ ВОЗДЕЙСТВИЙ.

2.1. МЕТОДИКА АНАЛИЗА СТРУКТУРЫ ВРЕМЕННЫХ РЯДОВ.

2.1.1. Анализ статистических свойств временного ряда.

2.1.2. Учет информационной важности данных.

2.2. СРАВНИТЕЛЬНАЯ ХАРАКТЕРИСТИКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ.

2.3. МЕТОДИКА ВЫБОРА НАИЛУЧШЕЙ ПРОГНОЗНОЙ МОДЕЛИ И ПОСТРОЕНИЯ ОБОБЩЕННОГО ПРОГНОЗА.

2.3.1. Оптимизация скорости выбора наилучшей модели.

2.3.2. Методика выбора наилучшей прогнозной модели.

2.3.3. Выбор адекватных моделей.

2.3.4. Построение обобщенной прогнозной модели.

2.3.5. Выбор оптимальной по точности прогнозной модели.

ГЛАВА 3. МОДЕЛИ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ С УЧЕТОМ ВЛИЯНИЯ ВНЕШНИХ ВОЗДЕЙСТВИЙ.

3.1. КОМПОЗИЦИЯ И ДЕКОМПОЗИЦИЯ ОДНОМЕРНЫХ ЭКЗОГЕННЫХ ВОЗДЕЙСТВИЙ.

3.1.1. Модели математических интервенций и особенности их применения.

3.1.2. Использование моделей интервенций при прогнозировании.

3.1.3. Частный случай декомпозиции эконометрической модели экзогенного воздействия.

3.2. МОДЕЛИРОВАНИЕ ПРИЧИННО-СЛЕДСТВЕННЫХ СВЯЗЕЙ ВРЕМЕННЫХ РЯДОВ.

3.3. МОДЕЛИ МНОГОМЕРНОГО ПРОГНОЗИРОВАНИЯ С УЧЕТОМ СПЕЦИФИКИ БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ.

3.3.1. Методика применения многомерного прогнозирования.

3.3.2. Алгоритмы многомерного прогнозирования при наличии взаимосвязи между нерегулярными составляющими.

ГЛАВА 4. ЭКСПЕРТНО-КОНСУЛЬТАЦИОННАЯ ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ.

4.1. ЭКСПЕРТНО-КОНСУЛЬТАЦИОННАЯ ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ СТАТИСТИЧЕСКОГО АНАЛИЗА.

4.2. АЛГОРИТМЫ РЕАЛИЗАЦИИ ЭКСПЕРТНО-КОНСУЛЬТАЦИОННОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ.

4.2.1. Алгоритм решения проблемы выбора модели прогнозирования при существенном изменении последних значений временного ряда.

4.2.2. Алгоритм решения проблемы выбора метода прогнозирования для моделей с близкими параметрами адекватности.

4.2.3. Алгоритм асимптотического приближения прогнозных моделей к границам, заданным краевыми условиями.

ГЛАВА 5. ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ.

5.1. ДОСТАВКА ИНФОРМАЦИИ В ИАС ТУ ЦБ РФ.

5.2. ПРЕДОСТАВЛЕНИЕ ИНФОРМАЦИИ ПОЛЬЗОВАТЕЛЮ В ВИДЕ АНАЛИТИЧЕСКОГО ОТЧЕТА.

5.3. МОДЕЛЬ ИНФОРМАЦИОННОГО ХРАНИЛИЩА ИАС ТУ ЦБ РФ.

5.4. РЕГЛАМЕНТ СОХРАНЕНИЯ АНАЛИТИЧЕСКОЙ ИНФОРМАЦИИ В

ХРАНИЛИЩЕ ДАННЫХ.

5.4. ТЕСТИРОВАНИЕ ПРОГРАММНЫХ КОМПЛЕКСОВ В РЕЖИМЕ РАБОТЫ ПОЛЬЗОВАТЕЛЕЙ ПРИ ПРИНЯТИИ РЕШЕНИЙ.

Введение диссертации (часть автореферата) на тему «Моделирование и информационная поддержка аналитической деятельности специалистов Центрального банка Российской Федерации»

Актуальность работы.

В условиях динамичных изменений в макроэкономической сфере и увеличения разнообразия форм банковской деятельности в России необходимо целенаправленное проведение работ по созданию систем информационно-аналитической поддержки принятия решений специалистами центрального аппарата Центрального банка РФ и его территориальных учреждений (ТУ ЦБ РФ). Эти работы включают в себя: формализацию методик, используемых для оценки ситуаций при принятии решений; проработку системотехнических вопросов, связанных с концепциями построения аналитической части, пользовательских и информационных интерфейсов; идентификацию и верификацию моделей; программную реализацию информационно-аналитической системы (ИАС).

Увеличение объема поступающих данных, усложнение связей между различными их видами делает для специалиста трудоемкой задачу тщательного просмотра информации и ее оценку. Актуальна задача предоставления специалисту не самих данных, а их представления в виде различного рода информационных моделей, аналитических отчетов с широким использованием средств деловой графики.

Поступающие от кредитных организаций (КО) данные часто оказываются искаженными, и данный факт может быть реально выявлен только при использовании моделей, учитывающих взаимосвязи поступающих данных различной природы, либо при сравнении вновь поступающих данных с выделенной на предыдущих этапах сущностью этих данных. Возникает необходимость проведения оперативного статистического анализа и прогноза накопленной банков- Г/ ской информации, что подразумевает осуществление постоянного мониторинга, анализа и прогноза деятельности звеньев банковской системы региона.

Концептуально решение поставленной проблемы должно основываться на реализации тесного взаимодействия двух основных задач:

- доступа к данным, включающего простые преобразования (например, агрегирование) и визуализацию исходных данных;

- моделирования данных, включающее моделирование и последующее прогнозирование, выявление взаимосвязи и другие виды анализа.

Если разнообразные задачи доступа к данным уже решались и решаются сегодня широко, то задачи моделирования являются для ТУ ЦБ РФ новыми. В современных информационных системах задачи предоставления пользователю моделей данных оказывают свое специфическое воздействие и на методы доступа к данным. В связи с этим в рамках международных стандартов открытых систем появилась концепция Data Warehouse "информационного хранилища", которая описывает наиболее эффективные методы доступа к данным с целью их анализа. В конце 90-х годов появилась новая концепция Data mining "глубокой разведки данных", предусматривающая удобный и систематический подход к проведению сложного многокритериального анализа.

Концепции Data Warehouse и Data mining приняты за основу при разработке системы статистического анализа и прогнозирования ИАС ТУ ЦБ РФ.

Разрабатываемая в Главном управлении (ГУ) ЦБ РФ по Тульской области система статистического анализа и прогнозирования, входящая в ИАС РАБИС-2 (региональная автоматизированная банковская информационная система), предназначена для создания руководителям и специалистам банка условий для принятия обоснованных решений, опирающихся на статистические оценки и обеспечивающих устойчивую и эффективную деятельность банковской системы региона. Актуальными являются вопросы разработки методических подходов к организации системы статистического анализа и прогнозирования, функционирующей в рамках типовой ИАС ТУ ЦБ РФ, формализации, моделирования и реализации системы поддержки принятия решений.

Ниже приведены основные информационные источники и понятия по различным аспектам диссертации.

1. Термин "OLAP" неразрывно связан с термином "хранилище данных" Data Warehouse, автор которого Е.Ф. Кодд опубликовал в 1993 г. в статье

Обеспечение OLAP (оперативной аналитической обработки) для пользователей - аналитиков" 12 правил (в 1995 г. добавил еще 6) как некий "мандат" информационной технологии. С тех пор вопросам разработки OLAP - систем применительно к банковской деятельности - уделяется все большее внимание, особенно в специализированных периодических изданиях. Общее число публикаций, собранных автором с 1994 г. только по тематике OLAP (включая многомерные базы и информационные хранилища) превысило 100, но многие работы содержат лишь общие рекомендации и рассчитаны более на формирование мнения руководителя, чем на реальную помощь разработчикам ИАС. Можно выделить несколько авторов, мнение которых авторитетно в области разработки OLAP-систем в России: Архипенков С .Я. [3, 4], Екушов А.И. [27, 28, 95], Ладыженский Г.М. [14], Альперович М., Варьяш И.Ю. [19], Строев A.A. [87], Кадощук И.Т. [30], Горчинская 0.[14], Бритов П.А.[15].

Сложная структура OLAP-систем подразумевает коллективную разработку, поэтому все перечисленные авторы представляют крупные фирмы-разработчики продуктов OLAP. "Законодателями мод" в мире OLAP стали фирмы Oracle (Oracle Express) и SAS (продукт EIS и др.). На сайтах в интернете (www.interface.ru, www.olapreport.com и др.) представлена большая теоретическая подборка и практические рекомендации по OLAP.

Проблему низкого уровня аналитической работы в банковской сфере поднимает Котляр Э. [38]. Различные аспекты разработки ИАС показаны в работах: [1, 20, 32, 53, 72, 81, 82, 88, 90, 92, 94]. Интересна конкурирующая с ИАС РАБИС-2 разработка OLAP "Вестона" фирмы Ланит [73], которой недостает модуля Data mining.

Вопросы разработки информационного хранилища освещены в [6, 15, 18, 51, 103, 104, 106]. Мировыми лидерами здесь также являются системы SAS [93] и Oracle [4].

2. С середины 90-х из OLAP стали выделять Data mining, представляющий собой систему серьезной (как правило, статистической) обработки данных с целью получения из них "новой сущности". Сфера методов математической статистики развивается не столь стремительно, как информационно-технологическая, поэтому специалисты могут сохранять свой имидж десятилетиями. В области анализа временных рядов это прежде всего Бокс, Дженкинс, Тяо [13, 102]; Льюис [58]; Фишер [91]; Кендел [31]; Тейл [89]; Ллойд [84, 85], Иберла и др. В России - Айвазян С.А. [2], Четыркин Е.М. [97, 98], Мхитарян B.C. [26], Лукашин Ю.П. [54-57], Демиденко Е.З., специалисты по комплексному прогнозированию: Багров H.A. [8], Брусиловский П.М. [7, 16, 17].

Из новейших мировых научных школ математической статистики прежде всего выделяется семитысячный коллектив разработчиков SAS под руководством Дж. Гуднайта [110-114] (научные центры SAS расположены во многих странах, включая филиал в России, штаб-квартира SAS - в Кэри, Сев. Каролина, США), специалисты университетов Гейдельберга (Виергутц), Токио, в России - ЦЭМИ, МЭСИ, МГУ, Обнинск (Стерин A.M. [86]), ТулГУ (Центр социально-экономических исследований, Кочетыгов A.A. [39-50, 62-63, 67, 69-70]).

Среди фирм-разработчиков программного обеспечения Data mining более 10 лет лидирующее место занимает SAS [93], за ним - SPSS. Интересны пакеты Statistika, S-plus и др. В России из большого количества разработанных программ выделяются: ОлимпСтатЭксперт (Росэкспертиза) [100] - комплексное решение на Excel, Эвриста (МГУ) [9] - впервые применен анализ интервенций, Мезозавр (ЦЭМИ) - автоматизация прогнозирования по модели ARIMA и Аналитический сервер ИАС РАБИС-2 (ГУ ЦБ РФ, ТулГУ, Тула) [36, 63, 68, 78, 79, 109] - комплексная автоматизация прогнозирования и многомерного анализа на базе Oracle-PowerBuilder-SAS. Можно отметить также разработки центра "Прогноз" (Пермь, Андрианов Д.Л.) и интересное специализированное для локальной проблемы (анализ кросскурсов валют) применение нейронных сетей "радуга рынка" (Екатеринбург, проф. Синицын).

Цель работы. Целью диссертационной работы является разработка алгоритмов моделирования и реализации ИАС для поддержки принятия решений в аналитической работе специалистов ТУ ЦБ РФ.

Объектом исследования являются способы и методы построения ИАС, базирующиеся на методах математической статистики для обеспечения поддержки принятия решения специалистами ТУ ЦБ РФ.

Предметом исследования являются методы математической статистики и эконометрические задачи ТУ ЦБ РФ, программные средства построения систем статистического анализа и прогнозирования, обеспечивающей информационную поддержку экономистов ТУ ЦБ РФ, методы визуализации и представления данных в виде аналитического отчета, методы сохранения данных в виде информационного хранилища.

Методика исследования базировалась на принципах системного подхода, методах многокритериальной оптимизации и ситуационного управления.

Научная новизна.

Научная новизна работы заключается в следующем:

- классифицированы эконометрические задачи ТУ ЦБ РФ, решаемые методами математической статистики;

- разработан алгоритм автоматизации выбора прогнозных моделей для одномерного временного ряда с комплексным исследованием структуры ряда, использованием прогнозных моделей разных классов, нахождением обобщенной и наилучшей моделей по критериям качества и адекватности;

- предложен алгоритм прогнозирования временных рядов произвольной структуры, в т.ч. при влиянии внешних воздействий с использованием динамических моделей математических интервенций, расширена классификация моделей интервенции Бокса-Тяо применением комбинированных моделей декомпозиции;

- предложен алгоритм автоматизации решения задачи выявления причинно-следственной связи в данных;

- разработаны алгоритмы реализации типовых задач поддержки принятия решений при прогнозировании в области банковской деятельности с применением экспертно-консультационной системы и предоставлением результатов в виде аналитического отчета.

Достоверность результатов диссертационной работы.

Достоверность сформулированных положений, полученных результатов и выводов основывается на используемых методах математического моделирования и подтверждена результатами последующего анализа качества моделей при тестировании программных комплексов (ПК) системы статистического анализа и прогнозирования.

Практическая значимость.

1. Предложенные в диссертации подходы и модели использованы в качестве основы при формировании соответствующих разделов первой редакции (1997, ЕИВС ТУ - Единой интегрированной вычислительной системы ТУ ЦБ РФ) и второй редакции (1999-2000) типовой Концепции ПАС ЦБ РФ.

2. Результаты диссертации использованы при разработке, апробации, тестировании и внедрении ПК системы статистического анализа и прогнозирования, входящей в состав типовой НАС ТУ ЦБ РФ.

В ГУ ЦБ РФ по Тульской области внедрен в опытную эксплуатацию аналитический сервер (ядро системы статистического анализа и прогнозирования), разработанный с применением программных продуктов системы SAS.

Апробация работы.

Основные положения и результаты диссертационной работы докладывались на международной конференции SEUGI '96 (SAS European Users Group International, Гамбург, Германия, 1996 г.), на международном семинаре "Финансовая математика" (Тула, 1997 г.), на Всероссийской научно-практической конференции "Экономика и финансы" (Тула, 1997 г., 1998 г.) на научно-практической конференции "Прикладная математика - 99" (Тула, 1999 г.), региональной научно-технической конференции "Интеллект-2000" (Тула, 2000 г.), на Всероссийской научно-практической конференции "Экономика, финансы, менеджмент" (Тула, 2000 г.) на научных семинарах кафедры прикладной математики и информатики ТулГУ (1996 - 2000 г.г.).

Публикации. Основные результаты проведенных исследований опубликованы в 19 работах: [42-43,45-50, 60-68, 76, 109].

Заключение диссертации по теме «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», Медведев, Сергей Юрьевич

ЗАКЛЮЧЕНИЕ

В диссертационной работе дано решение актуальной научно-практической проблемы алгоритмизации процессов моделирования и реализации информационно-аналитической системы для поддержки принятия решений специалистами Центрального банка РФ и его территориальных учреждений.

Основные научные и практические результаты работы заключаются в следующем.

1. Классифицированы эконометрические задачи ТУ ЦБ РФ, решаемые методами математической статистики. Обоснована актуальность разработки ИАС ТУ ЦБ РФ с применением универсальных сервисных аналитических модулей.

2. Разработаны алгоритмы автоматизации типовых задач в области банковской деятельности, решаемых с применением методов математической статистики, выявлены и исследованы те параметры временных рядов, которые наиболее критичны при автоматизации выбора прогнозных моделей.

3. Предложена и реализована методика учета информационной важности модели, применимая для совокупного анализа моделей разных классов. Сформулирована методика выбора наилучшей среди разных классов моделей с учетом построения обобщенной прогнозной модели, выделен набор критериев по адекватности и точности подбора модели, разработана структура «дерева решений», оптимизирующего процесс поиска оптимальной модели.

4. Рассмотрены вопросы прогнозирования с учетом влияния внешних воздействий в эконометрических исследованиях в банковском деле, дополнена классификация моделей интервенции Бокса-Тяо применением комбинированных моделей декомпозиции, разработан алгоритм мониторинга интервенций.

5. Предложен алгоритм многомерного анализа с учетом структуры рядов и их причинно-следственных связей, исследованы вопросы многомерного прогнозирования и выбора значимых временных рядов при наличии взаимосвязи, в т.ч. и между нерегулярными составляющими исходного и результирующего рядов.

6. Обоснована необходимость применения и предложены алгоритмы реализации некоторых задач экспертно-консультационной поддержки принятия решений: проблемы выбора модели прогнозирования при существенном изменении последних значений временного ряда; проблемы выбора метода прогнозирования для моделей с близкими параметрами адекватности и асимптотического приближения прогнозных моделей к границам, заданным краевыми условиями на основе фильтрации Калмана.

7. Разработана структура типового аналитического отчета, показана необходимость использования информационного хранилища Data Warehouse в качестве основы хранения информации для аналитической системы в ТУ ЦБ РФ, разработан регламент и сформулированы принципы сохранения аналитической информации в информационном хранилище.

8. Результаты диссертации использованы при разработке, апробации, тестировании и внедрении программных комплексов системы статистического анализа и моделирования, входящей в состав типовой информационно-аналитической системы РАБИС-2. В ГУ ЦБ РФ по Тульской области внедрен в опытную эксплуатацию аналитический сервер (ядро системы статистического анализа и прогнозирования), разработанный с применением программных продуктов системы SAS.

Список литературы диссертационного исследования кандидат технических наук Медведев, Сергей Юрьевич, 2000 год

1. Аврин С. Как создать единую информационную систему//Банковские технологии. 2000. - № 7-8, - с. 42-44.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд./ М.: Финансы и статистика, 1983. 471 с.

3. Архипенков С. Я. Как добываются знания//Банковские технологии. -1998.- № 2. с. 56-61.

4. Архипенков С.Я. Аналитические системы на базе Oracle express OLAP. Проектирование, создание, сопровождение. М.: ДИАЛОГ-МИФИ, 2000. -320 с.

5. Афанасьев А. Как управлять документооборотом. // Рынок ценных бумаг.- 1997. № 8. - с.73-75., Продолжение - № 9. - с. 46-49.

6. Бабанин А. Создание хранилищ данных и использование информационных ресурсов//Банки и технологии. 1998. - № 5-6. - с. 30-31.

7. Бабаян Н.М., Брусиловский П.М. Комплексирование альтернативных прогнозов, оптимальное по критерию Обухова и Багрова//Метеорология и гидрология. 1987, .№ 12. - с. 25-33.

8. Багров Н.А. Объединение нескольких прогнозов//Метеорология и гидрология. 1982, .№ 8. - с. 5-12.

9. Баласанов Ю.Г., Дойников А.Н., Королева М.Ф., Юровский А.Ю., Мазур В.О., Кудрявцев Д.И. Прикладной анализ временных рядов с программой ЭВРИСТА,- М.: Центр СП "Диалог" МГУ, 1991. 327 с.

10. Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер с англ.- М.: Мир, 1989. 540 с.

11. Бережной В., Ермолаев Е. Модели краткосрочного прогнозирования ставок межбанковского кредита//Рынок ценных бумаг.-1996. № 13.- с. 18-22.

12. Бережной В., Ермолаев Е. Среднесрочное прогнозирование ставок межбанковского кредита//Рынок ценных бумаг.-1996. № 15.- с. 39-41.

13. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. В 2-ч т. Т.1.: Пер. с англ. А.Л. Левшина. М.: Мир, 1974. - 406 с.

14. Бизунок В., Горчинская О., Ладыженский Г. Системы поддержки принятия решений для банков//Банки и технологии. -1998. № 5-6. с. 20-24.

15. Бритов П.А., Липчинский Е.А. Практика построения Хранилищ данных: Система SASZ/Системы Управления Базами Данных. 1998. № 4. - с. 60-73.

16. Брусиловский П.М. Комплексирование альтернативных прогнозов как задача целочисленного программирования//Метеорология и гидрология. 1989, .№ 3. - с. 20-26.

17. Брусиловский П.М. Многокритериальная оценка методов прогнозирования и задача комплексирования альтернативных прогнозов//Метеорология и гидрология. 1986, .№ ю. - с. 18-25.

18. Буров К.О. Обнаружение знаний в хранилищах данных/Юткрытые системы 1999, № 4. с. 67-77.

19. Варьяш И.Ю., Стрельцов JI.B., Сергеев A.JI. Информационный ресурс банковского мониторинга//Банковские технологии. -1998. -№ 9. с. 90-94.

20. Волков М.Ю., Назаров В.Д. Применение трехзвенной архитектуры в автоматизированных банковских системах//Банковские технологии. 2000. № 78. с. 76-79.

21. Волконский Н.Ю. Специализированный регрессионный прогноз/Метеорология и гидрология. 1985, № 11. - с. 107- 109.

22. Горчаков А., Рязанов Б. Гауссовская модель прогнозирования на российском фондовом рынке//Рынок ценных бумаг. 1998. - № 4 (115). - с. 140-142, №5 (116).-с. 36-39.

23. Гребенюк Е.А., Кузнецов И.В. Применение методов последовательного анализа для прогнозирования резких скачков случайных временных ря-дов//Автоматика и телемеханика, 1997, № 11. с. 65-75.

24. Доброчеев О. Прогноз: рубль и доллар//Независимая газета. 31.12.1999.

25. Дрепер Н., Смит Г. Прикладной регрессионный анализ. Кн.1. М.: Финансы и статистика, 1986. - 366 с.

26. Дубров A.M. Мхитарян B.C., Трошин Л.И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 1998. - 352 е.: ил.

27. Екушов А.И. Автоматизация задач по управлению банком//Банковские технологии. 2000. № 6. - с. 53-56.

28. Екушов А.И. Математическое моделирование банка. // Банки и технологии. 1999. - № 1. - с. 28-29, 52.

29. Ивченко Г.И., Медведев Ю.И. Математическая статистика. М.: Высшая школа, 1984.-248 с.

30. Кадощук И., Липчинский Е., Котов П. Технология Data Warehouse и аспекты ее применения//Банки и технологии. 1998. - № 5-6. - с. 14-16, 18-19.

31. Кендел М. Временные ряды М.: Финансы и статистика, 1981, 199 с.

32. Коваленко A.B. Какой будет информационная система будуще-го?//Банковские технологии. 2000. № 5. - с.47-50.

33. Козлова С.В. Анализ факторов, влияющих на валютный курс руб-ля//Экономика и математические методы. 1994. - Т. 30. Вып. 3.-е. 68-76.

34. Конева Е.С. Выбор моделей для реальных временных рядов//Автоматика и телемеханика. 1988. № 6. - с. 3-18.

35. Концепция единой информационно-вычислительной системы Центрального Аппарата ЦБ РФ. М.: Департамент информатизации Банка России (УСИИ), 1995.

36. Концепция развития Информационно-аналитической системы Территориального Управления ЦБ РФ информационно-аналитической системы (ИАС) РАБИС-2. Тула: ГУ ЦБ РФ по Тульской области, 1998.

37. Концепция типовой Единой информационно-вычислительной системы территориально учреждения (ЕИВС ТУ) Банка России. М.: Департамент информатизации Банка России, 1999.

38. Котляр Э. Уровень аналитической работы в банках и банковский кри-зис//Банки и технологии. 1998. - № 5-6. - с. 46-47.

39. Кочетыгов A.A. Случайные процессы: Учеб. пособие. Тула: ТулГУ, 2000. -308 с.

40. Кочетыгов A.A. Теория вероятностей и математическая статистика: Учеб. пособие, Тул. гос. ун-т. 1998. 200 с.

41. Кочетыгов A.A. Финансовая и актуарная математика: Учеб. пособие. Тула: ТулГУ, 1999. 268 с.

42. Кочетыгов A.A., Медведев С.Ю. Реализация экономико-математических моделей системы поддержки принятия решения в банке//Тезисы докладов юбилейной научно-практической конференции "Прикладная математика -99". Тула: ТулГУ, 1999. с. 103-114.

43. Кочетыгов A.A., Медведев С.Ю., Михолап А.Н. Автоматизация управления портфелями ценных бумаг//Известия Тульского государственного университета. Серия «Математика. Механика. Информатика». Тула: ТулГУ, 1997, Т.З. Вып.2. с. 38-42.

44. Кочетыгов A.A., Моторин В.В. Базы и банки данных: Учеб. пособие / Тул. гос. техн. ун-т. Тула, 1995. - 104 с.

45. Кочетыгов A.A., Преображенский C.B., Медведев С.Ю. Система макроэкономического исследования финансовых потоков в регионе//Тезисы докладов Всероссийской научно-практической конференции "Экономика и финансы". Тула: ТулГУ, 1997. с. 29.

46. Кочетыгов A.A., Тимохин М.Ю., Высоцкий В.И., Медведев С.Ю., Шаба-лин И.Ю. Выбор оптимальной прогнозной модели для экономического временного ряда // Тезисы докладов Всероссийской научной конференции. Тула: ТулГУ, 2000 г. с. 73-74.

47. Кочетыгов A.A., Тимохин М.Ю., Медведев С.Ю. Программный комплекс прогнозирования одномерных экономических временных рядов//Сборник докладов Всероссийской научно-практической конференции "Экономика и финансы". Тула: ТулГУ, 1998. с. 174-178.

48. Крагинский M.JI. Создание и эксплуатация хранилищ данных//Банковские технологии. 1998. № 4 с. 55-58.

49. Лайонел Прайс. Экономический анализ в центральном банке: модели и оценочные суждения.: Пер. с англ. Романов С. // Справочники о деятельности центральных банков, № 3. BANK of England, 1996. с. 51-66.

50. Лаптырев Д., Серов М. Проблемы автоматизации процедур принятия управленческих решений//Бюллетень финансовой информации. 1998. № 4. -с. 16-21.

51. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979. 254 с.

52. Лукашин Ю.П. Анализ распределения кассовых остатков: адаптивная гистограмма, проблема оптимизации//Экономика и математические методы. -1997.-Т. 33. Вып.З. с. 90-97.

53. Лукашин Ю.П. Нетрадиционный корреляционный анализ временных ря-довЮкономика и математические методы. 1992. - Т. 28. Вып.З. - с. 406413.

54. Лукашин Ю.П., Лушин A.C. Статистическое моделирование торгов на московской межбанковской валютной биржеЮкономика и математические методы. 1994. - Т. 30. Вып. 3. - с. 84 - 97.

55. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения.: Пер. с англ. О. И. Хабарова. М.: Мир, 1990.

56. Льюис К.Д. Методы прогнозирования экономических показателей. М.: Финансы и статистика, 1986. - 133 с.

57. Медведев С.Ю. Применение математических интервенций в прогнозировании временных рядов//Тезисы докладов юбилейной научно-практической конференции "Прикладная математика 99". Тула: ТулГУ, 1999. - с. 139-141.

58. Медведев С.Ю. Экспертно-консультационная поддержка принятия решений с использованием статистического анализа//Известия ТулГУ. Серия «Математика. Механика. Информатика». Тула: ТулГУ, 2000. Т.6. Вып. 3. -с. 105-109.

59. Медведев С.Ю., Евсеев М.В., Кочетыгов A.A. Анализ корреспондентских счетов кредитных организаций//Сборник докладов Всероссийской научно-практической конференции «Экономика и финансы» Тула: ТулГУ, 1998. с. 160-166.

60. Медведев С.Ю., Нефедова E.H., Тимохин М.Ю., Кочетыгов A.A. Использование технологии «клиент-сервер» при разработке аналитических сис-тем//Известия ТулГУ. Серия «Математика, Механика, Информатика». Тула: ТулГУ, 1998. Т.4. Вып. 4. - с. 62-66.

61. Медведев С.Ю., Понятский В.М., Губарев П.А. Выбор значимых временных рядов для проведения многомерного прогнозирования на основе фильтрации Калмана//Известия ТулГУ. Серия «Математика. Механика. Информатика». Тула: ТулГУ, 1999. Т.5. Вып.З - с. 110-114.

62. Медведев С.Ю., Трутнев Д.Н. Применение методов нетрадиционного корреляционного анализа к оценке деятельности кредитных организации/Известия ТулГУ. Серия «Математика. Механика. Информатика». Тула: ТулГУ, 1999. Т.5 Вып.З. - с. 115-118.

63. Медведев С.Ю., Трутнев Д.Н., Евсеев М.В., Кочетыгов A.A. Автоматизация процесса вычисления тесноты и вида связи между временными рядами/Известия ТулГУ. Серия «Математика, Механика, Информатика». Тула: ТулГУ, 1998. - Т. 4. Вып. 4. - с. 67-69.

64. Медведев С.Ю., Шабалин И.Ю. Методы аналитической работы в территориальном управлении Банка России. Интеллектуальные и информационные системы: Тезисы докладов региональной научно-технической конференции. / Тула: ТулГУ, 2000. с. 108.

65. Мелихов М.Б., Кочетыгов A.A. Моделирование и анализ стохастических процессов в экономике: Учебное пособие для вузов / Под. Ред. М.Б. Мелихова М.: Изд-во МГУК, 2000. - 363 с.

66. Моторин В.В., Кочетыгов A.A. Системы и методы искусственного интеллекта: Учеб. пособие/ Тул.гос.ун-т. -Тула, 1995. 80 с.

67. Нгуен Тхук Лоан, Нгуен Минь Туан. Адаптивный подход в задачах экономического прогнозирования//Автоматика и телемеханика. 1993. - № 1. -с. 3-18.

68. Овсий В.И., Бугаев Е.И. Аналитика для эффективности банка//Банковские технологии. 2000. - № 4. - с. 48-50.

69. Платушин И. Система "Анализ банковской и финансовой информации" Платформно-независимое решение клиент-серверной версии//Банки и технологии. -1998. № 4. - с. 52-53.

70. Поллард Дж. Справочник по вычислительным методам статистики/Пер. с англ. B.C. Занадворова; Под ред. и с предисл. Е.М. Четыркина. М.: Финансы и статистика, 1982.-3ЧНс.

71. Понятский В.М. Использование методов фильтрации Калмана в управлении автоматическими системами//Моделирование и оптимизация систем автоматического управления и их элементов. Тула: ТулПИ, 1989.

72. Предложения по созданию информационно-аналитической системы (ИАС) Банка России. М.: Главный центр информатизации Банка России, 2000. - 42 с.

73. Региональная автоматизированная банковская информационная система (РАБИС-2). Система статистического анализа и прогнозирования. Описаниепостановки комплекса задач. Тула: ГУ ЦБ РФ по Тульской области, 1996. -118с.

74. Сидоров И.Г. Адаптация и минимаксный подход в экономических задачах прогнозирования временных рядов//Экономика и математические методы. -1989. Т. 25. Вып.5. - с. 869-879.

75. Соболев В.И., Касатенков C.B. Модель управления функционированием, модернизацией и развитием банковских технологий//Банковские технологии.- 2000. № 1-2. - с. 60-68.

76. Соболев В.И., Рагозин Н.В. Архитектура построения системы подготовки аналитических данных (СПАД)//Банковские технологии. 2000. - № 3. - с. 44-50.

77. Сошникова JI.A., Тамашевич В.Н., Уэбе Г., Шефе М. Многомерный статистический анализ в экономике: Учеб. пособие для вузов/ Под ред. проф. В.Н. Тамашевича. М.: ЮНИТИ-ДАНА, 1999. - 598 с.

78. Справочник по прикладной статистике. В 2-х т. Т.1.: Пер. с англ./Под ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина. М.: Финансы и статистика, 1989. -510 с.

79. Справочник по прикладной статистике. В 2-х т. Т.2: Пер. с англ./Под ред. Э. Ллойда, У. Ледермана, Ю. Н. Тюрина.-М.: Финансы и статистика, 1990,526 с.

80. Стерин A.M., Цейтлин Д.Л. Статистический анализ в бизнесе//Банковские технологии. 1999. - № 2. - с. 72-75.

81. Строев А. Финансовая консолидация на основе хранилищ данных//Банки и технологии. 1999. - № 1. - с. 40-42.

82. Суховарова Е.Л. Соломатин Е.Б. Пути создания и развития ИАС в российских банках//Банковские технологии. 2000. - № 3. - с. 51-55.

83. Тейл Г. Экономические прогнозы и принятие решений. М.: Финансы и статистика, 1971. - 488 с.

84. Трофимов Е.В. Перспективная архитектура АБС//Банковские технологии. 2000. -№7-8,-с.80-81.

85. Фишер Р. Статистические методы для исследователей. М.: Госстатиздат, 1958.-286 с.

86. Хохлов Е. Какой быть аналитической системе крупного банка//Рынок ценных бумаг. 1998. - № 2 (113). - с.90-95.

87. Хранилища SAS становятся стандартом//РС WEEK/RE. 1997. - № 45. - с. 10.

88. Чаусов В. Конвергенция банковских программных продуктов и консолидация данных банка//Банки и технологии. 1998. - № 4. - с. 30-32.

89. Чаусов В., Екушов А. Информационная поддержка принятия решений при управлении ресурсами и рисками коммерческого банка//Банки и технологии.- 1998.-№5-6.-с. 36-41.

90. Черняк. Л. Два взгляда на информационную поддержку принятия решений. Системы поддержки принятия решений//РС WEEK/RE. 1998. - № 15. -с.70-72.

91. Четыркин Е.М. Статистические методы прогнозирования. -М.: Статистика, 1977.

92. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. М.: Финансы и статистика, 1982. - 320с.

93. Шабалин И.Ю. Принципы информатизации аналитической работы. // Известия ТулГУ. Серия «Математика, Механика, Информатика». Тула: Тул-ГУ. - 1998. - Т. 4. Вып. 4 - с. 106-111.

94. Шелобаев С.И. Математические методы и модели в экономике, финансах, бизнесе: Учеб. пособие для вузов. -М.: ЮНИТИ-ДАНА, 2000. 367 с.

95. Эфрон Б. Нетрадиционные методы многомерного статистического анализа. М.: Финансы и статистика, 1988. - 263.

96. Box G.E.P., Tiao G.C. (1975), Intervention Analysis with application to economic and environmental problems, J. Amer. Statist. Assoc., 70, 70-79.

97. Building a Data warehouse Using the SAS System. Course Notes. SAS Institute Inc. USA, 1995.437 pp.

98. Data Warehouse: Emprowerment through Knowledge, informe issue 13, The European SAS System Journal. SAS Institute 1995. 20 pp.

99. Dua R., Ray S.C. A BVAR Model for the Connecticut Economy/Journal of Forecasting, 1995, Vol. 14, pp. 167-180.

100. Espasa E., Pena D.The Decomposition of Forecast in Seasonal ARIMA Mod-els//Journal of Forecasting, 1995, Vol. 14, pp.565-583.

101. Fiorentini G., Maravall A. Unobserved Components in ARCH Models: An Application to Seasonal Adjustment//Journal of Forecasting, 1996, Vol. 15, pp. 175201.

102. Forecasting Examples for Business and economics Using the SAS System #55512, SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1996.

103. Medvedev S. The automation of forecasting on the basis of SAS® Software. SEUGI'96 (SAS European Users Group International), Hamburg, 1996. 10 pp. Ann. Conference programme pp. 61, 93.

104. SAS System for Forecasting Time Series, #5612, 1986 Edition SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1995.

105. SAS/ETS Software: Application Guide 1, #56008 Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1992.

106. SAS/ETS Software: Application Guide 2, #56009 Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1993.

107. SAS/ETS Software: Time Series Forecasting System, #55476, Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Caiy, NC 27513, USA, 1995. 264 pp.

108. SAS/ETS User's Guide #56010, Version 6 Second Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1995.

109. West C.T., Fullerton T.M. Assessing the Historical Accuracy of Regional Economic Forecasts//Journal of Forecasting, 1996, Vol. 15, pp.19-36.

110. Willis K, et al: Building a Data Warehouse with SAS/ACCESS Software, Observations 2nd Qtr 1995, The SAS System Journal. SAS Institute Inc. SAS Campus Drive Cary, NC 27513, USA, 1995, 20 pp.