Система підтримки прийняття рішень для аналізу операційних ризиків
| dc.contributor.advisor | Бідюк, Петро Іванович | |
| dc.contributor.author | Левенчук, Людмила Борисівна | |
| dc.date.accessioned | 2023-12-14T14:32:40Z | |
| dc.date.available | 2023-12-14T14:32:40Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Левенчук Л.Б. Система підтримки прийняття рішень для аналізу операційних ризиків. − Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії з галузі знань 12 Інформаційні технології за спеціальністю 124 Системний аналіз. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2023. Операційний ризик стає все більш актуальним у різних сферах, включаючи фінанси, медицину, транспорт і виробництво. Він представляє собою ризик збитків, спричинений невдалими внутрішніми процесами, людьми, системами або зовнішніми подіями, і може мати серйозний фінансовий та репутаційний вплив на організацію. Система підтримки прийняття рішень (СППР) для аналізу операційного ризику є ключовим інструментом для використання в різних організаціях. Вона дає можливість виявити потенційні ризики, оцінити їхню ймовірність та вплив на протікання процесів, а також визначити оптимальні стратегії для їхнього пом’якшення. Процеси, які не відносяться до стаціонарних та мають нелінійний характер, є загально поширеними і мають різноманітні застосування у демографії, екології, економіці, фінансах та інших сферах. Ці процеси характеризуються великою кількістю невизначеностей, таких як невизначеність в даних, невизначеність в структурі моделі та параметрична невизначеність. Невизначеність у всіх цих аспектах може впливати на точність та надійність системи підтримки прийняття рішень і призводити до неточних результатів аналізу даних та прогнозування. Для ефективного управління нестаціонарними та нелінійними процесами необхідно використовувати адаптивні підходи, які дозволяють системі підтримки прийняття рішень адаптувати свою структуру та параметри до змінних умов. Загальна класифікація нелінійних та нестаціонарних процесів допомагає розуміти природу цих процесів у різних сферах та визначати належні методи аналізу та прогнозування. Усвідомлення наявності різних видів невизначеностей і їхнього впливу на результати аналізу даних є важливим етапом у розробці надійних та точних системи підтримки прийняття рішень. Метою дисертаційного дослідження є створення та програмна реалізація у формі інтелектуальної СППР системної методології побудови математичних моделей для формального опису і прогнозування розвитку нелінійних нестаціонарних фінансово-економічних процесів за допомогою ймовірнісно-статистичного підходу, регресійного аналізу і методів інтелектуального аналізу даних (ІАД) з використанням інтелектуальної СППР. В дисертації отримані такі нові наукові результати: 1. Розроблені нові моделі у формі байєсівської мережі (БМ) і байєсівської регресії, які відрізняються можливістю врахування ймовірнісно-статистичних невизначеностей даних і забезпечують підвищення якості оцінювання можливих операційних втрат. 2. Вперше застосовано метод структурно-параметричної адаптації моделей у формі БМ до нових даних (повторне оцінювання структури і параметрів моделі з використанням заданої множини критеріїв) з метою підвищення адекватності ймовірнісних моделей. 3. Удосконалено алгоритми обчислювальних процедур, що використовуються для оцінювання структури і параметрів моделей (удосконалення методу Монте-Карло для марковських ланцюгів) операційних ризиків. Практична цінність дисертаційної роботи полягає у тому, що розроблено оригінальну СППР на основі принципів системного аналізу для розв’язання задачі моделювання, оцінювання і прогнозування можливих втрат внаслідок реалізації операційних ризиків на основі статистичних даних та експертних оцінок, розроблених математичних моделей і множини статистичних критеріїв якості. Всі результати роботи доведено до практичного інженерного рівня і впроваджено у навчальний процес інституту прикладного системного аналізу НТУУ «КПІ імені Ігоря Сікорського» та у фінансових компаніях з метою застосування методології оцінювання ринкових ризиків на практиці. Запропонована методологія дає змогу обґрунтовано підійти до розв’язання задачі прогнозування розвитку сучасних фінансових процесів, оцінювання можливих фінансових ризиків та їх врахування у виробленні тактичних і стратегічних управлінських рішень. Всі теоретичні і практичні результати дисертаційної роботи у повній мірі опубліковано у фахових вітчизняних та закордонних наукових виданнях, що входять до відповідного встановленого переліку, а також виконано їх належну апробацію на міжнародних наукових конференціях і семінарах. У дисертаційній роботі розглянуто питання актуальності дослідження операційного ризику та розробки системи підтримки прийняття рішень для його аналізу. Встановлено, що правильна оцінка прогнозів є надзвичайно важливим завданням, оскільки невірні рішення при оцінюванні прогнозів можуть призвести до серйозних матеріальних втрат. Проведено дослідження методів боротьби з невизначеністю та опрацьоване питання розробки ефективних стратегій обробки даних для моделювання, прогнозування і оцінювання ризиків в нестаціонарних та нелінійних процесах. Зроблено огляд існуючих математичних моделей для формального опису операційних фінансових ризиків. Розроблено ймовірнісностатистичну модель операційного ризику у формі динамічної байєсівської мережі (БМ) і подано приклад її застосування до оцінювання операційного ризику у страхуванні. Розроблено комбіновану модель: лінійна + нелінійна регресія для операційного ризику, яка будується на основі статистичних даних. Для побудови моделей у формі БМ та регресії використано теоретичні положення, що стосуються аналізу статистичних/експериментальних даних з метою оцінювання структури і параметрів такої моделі. Формування (обчислення) ймовірнісного висновку виконувалось за допомогою теореми Байєса. Розроблено структуру та складові елементи інтелектуальної СППР для аналізу операційних ризиків. Створено метод моделювання операційних ризиків на основі комбінованої моделі (ймовірнісні фільтри + регресія + динамічна байєсівська мережа). Запропоновано вдосконалену системну багатокрокову методологію побудови моделей фінансових процесів і фінансових ризиків довільного походження. Наданий детальний огляд теоретичних основ і методів адаптації байєсівських мереж до даних в контексті аналізу ймовірнісних розподілів для дискретних випадкових величин і динамічних систем. Наведено приклад застосування методології, який демонструє її ефективність в застосуванні до аналізу ризиків актуарних процесів. Застосування запропонованої методології для моделювання фінансових процесів з використанням узагальнених лінійних моделей та байєсівського оцінювання параметрів гарантує високу якість оцінювання ризиків з мінімальними похибками. Сформульовано метод моделювання ризиків на основі системного підходу до побудови моделей операційних ризиків та його застосування при побудові системи підтримки прийняття рішень. Створено модель операційного ризику на основі узагальненої лінійної регресійної (байєсівської) моделі. Побудовано (розширення функцій) інтелектуальну СППР для аналізу операційних ризиків. За матеріалами дисертації опубліковано 14 робіт, з яких 6 – це статті у журналах і збірниках наукових праць, що входять до переліку фахових видань затверджених МОН України за спеціальністю дисертації або у періодичних виданнях іноземних держав (1 з них включена до міжнародної наукометричної бази Scopus, 1 до Web of Science), та 8 – публікації у матеріалах конференцій (у тому числі, міжнародних). | uk |
| dc.description.abstractother | Levenchuk L. Decision support system for operational risk analysis. – Qualification scientific work, the manuscript. PhD thesis in the field of knowledge 12 Information Technology in specialty 124 System Analysis – National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, 2023. Operational risk is becoming increasingly relevant in various fields, including finance, medicine, transportation, and manufacturing. It is the risk of loss caused by failed internal processes, people, systems, or external events, and can have a serious financial and reputational impact on an organization. A decision support system (DSS) for operational risk analysis is a key tool for an organization. It allows to identify potential risks, assess their likelihood and impact, and determine the best strategies to mitigate them. Non-stationary and nonlinear processes are widespread and have various applications in demography, ecology, economics, finance, and other fields. These processes are characterized by a large number of uncertainties, such as uncertainty in the data, uncertainty in the model structure, and parametric uncertainty. Uncertainty in all these aspects can affect the accuracy and reliability of a decision support system and lead to inaccurate data analysis and forecasting results. For effective management of non-stationary and nonlinear processes, it is necessary to use adaptive approaches that allow the decision support system to adapt its structure and parameters to changing conditions. A general classification of nonlinear and nonstationary processes helps to understand the nature of these processes in different areas and to determine the appropriate methods of analysis and forecasting. Awareness of the presence of different types of uncertainties and their impact on the results of data analysis is an important step in developing a reliable and accurate decision support system. The aim of the thesis is to create and programmatically implement in the form of an intelligent DSS a systematic methodology for building mathematical models for the formal description and forecasting of the development of nonlinear non-stationary financial and economic processes using a probabilisticstatistical approach, regression analysis and methods of data mining using intelligent DSS. The following new scientific results were obtained in the dissertation: 1. New models have been developed in the form of a Bayesian network (BN) and Bayesian regression, which are distinguished by the ability to take into account probabilistic and statistical uncertainties of data and provide an improvement in the quality of estimating possible operational losses. 2. For the first time, the method of structural and parametric adaptation of models in the form of a BN to new data (re-estimation of the structure and parameters of the model using a given set of criteria) is applied to improve the adequacy of probabilistic models. 3. The algorithm of computational procedures used to evaluate the structure and parameters of models (improvement of the Monte Carlo method for Markov chains) of operational risks has been improved. The practical significance of the thesis is that an original DSS based on the principles of system analysis has been developed to solve the problem of modeling, assessing and forecasting possible losses due to the realization of operational risks based on statistical data and expert opinions, developed mathematical models and a set of statistical quality criteria. The results of the thesis fulfillment have been brought to a practical engineering level and implemented in the educational process of the MMSA Department of Institute for Applied System Analysis (IASA) at the National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", and in financial companies to apply the methodology for assessing market risks in real life. The proposed methodology provides the reasonable approach to the task of forecasting the development of modern financial processes, assessing possible financial risks and taking them into account in the development of tactical and strategic management decisions. All theoretical and practical results of the thesis were published in professional domestic and foreign scientific journals included in the relevant list, as well as their proper approbation at international scientific conferences and seminars. The thesis addresses the issue of the relevance of the study of operational risk and the development of a decision support system for its analysis. It is established that the correct assessment of forecasts is an extremely important task, since incorrect decisions in assessing forecasts can lead to serious material losses. The methods of dealing with uncertainty are studied and the issue of developing effective data processing strategies for modeling, forecasting and risk assessment in non-stationary and nonlinear processes is addressed. The existing mathematical models for the formal description of operational financial risks are reviewed. A probabilistic-statistical model of operational risk in the form of a dynamic Bayesian network (BN) is developed and an example of its application to the assessment of operational risk in insurance is presented. A combined model is developed: linear + nonlinear regression for operational risk, which is based on statistical data. Theoretical provisions related to the analysis of statistical/experimental data are used to build models in the form of BN and regression in order to assess the structure and parameters of such a model. The formation (calculation) of a probabilistic inference was performed using Bayes theorem. The structure and constituent elements of an intelligent DSS for operational risk analysis were developed. The method for modeling operational risks based on a combined model (probabilistic filters + regression + dynamic Bayesian network) was created. The improved systemic multi-step methodology for building models of financial processes and financial risks of arbitrary origin is proposed. A detailed review of the theoretical foundations and methods of adaptation of Bayesian networks to data in the context of analyzing probability distributions for discrete random variables and dynamic systems is provided. The example of application of the methodology is given, which demonstrates its effectiveness in the analysis of risks of actuarial processes. The application of the proposed methodology for modeling financial processes using generalized linear models and Bayesian parameter estimation guarantees high quality risk assessment with minimal errors. The method of risk modeling based on a systematic approach to building operational risk models and its application in building a decision support system is formulated. The operational risk model based on a generalized linear regression (Bayesian) model is created. An intelligent DSS for operational risk analysis has been built (its functions extended). | uk |
| dc.format.extent | 168 с. | uk |
| dc.identifier.citation | Левенчук, Л. Б. Система підтримки прийняття рішень для аналізу операційних ризиків : дис. … д-ра філософії : 124 Системний аналіз / Левенчук Людмила Борисівна. – Київ, 2023. – 168 с. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/63100 | |
| dc.language.iso | uk | uk |
| dc.publisher | КПІ ім. Ігоря Сікорського | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | операційні ризики | uk |
| dc.subject | система підтримки прийняття рішень | uk |
| dc.subject | адаптивна байєсівська мережа | uk |
| dc.subject | математична модель | uk |
| dc.subject | прогнозування | uk |
| dc.subject | теорема Байєса | uk |
| dc.subject | нелінійні нестаціонарні процеси | uk |
| dc.subject | operational risks | uk |
| dc.subject | decision support system | uk |
| dc.subject | adaptive Bayesian network | uk |
| dc.subject | mathematical model | uk |
| dc.subject | forecasting | uk |
| dc.subject | Bayes theorem | uk |
| dc.subject | nonlinear nonstationary processes | uk |
| dc.subject.udc | 004.896 | uk |
| dc.title | Система підтримки прийняття рішень для аналізу операційних ризиків | uk |
| dc.type | Thesis Doctoral | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- dis_Levenchuk_L_124_PhD_2023.pdf
- Розмір:
- 3.7 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.1 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: