Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Моделирование и информационная поддержка аналитической деятельности специалистов Центрального банка Российской Федерации

Диссертация: Моделирование и информационная поддержка аналитической деятельности специалистов Центрального банка Российской Федерации
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Содержание

  • 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

Моделирование и информационная поддержка аналитической деятельности специалистов Центрального банка Российской Федерации (реферат, курсовая, диплом, контрольная)

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 решенийпроработку системотехнических вопросов, связанных с концепциями построения аналитической части, пользовательских и информационных интерфейсовидентификацию и верификацию моделейпрограммную 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 банковГ/ 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

.

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 рядапроблемы 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.

Показать весь текст

Список литературы

  1. С. Как создать единую информационную систему//Банковские технологии. 2000. — № 7−8, — с. 42−44.
  2. 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. С. Я. Как добываются знания//Банковские технологии. -1998.- № 2. с. 56−61.
  4. С.Я. Аналитические системы на базе Oracle express OLAP. Проектирование, создание, сопровождение. М.: ДИАЛОГ-МИФИ, 2000. -320 с.
  5. А. Как управлять документооборотом. // Рынок ценных бумаг.- 1997. № 8. — с.73−75., Продолжение — № 9. — с. 46−49.
  6. А. Создание хранилищ данных и использование информационных ресурсов//Банки и технологии. 1998. — № 5−6. — с. 30−31.
  7. Н.М., Брусиловский П. М. Комплексирование альтернативных прогнозов, оптимальное по критерию Обухова и Багрова//Метеорология и гидрология. 1987, .№ 12. — с. 25−33.
  8. Н.А. Объединение нескольких прогнозов//Метеорология и гидрология. 1982, .№ 8. — с. 5−12.
  9. 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. Дж., Пирсол А. Прикладной анализ случайных данных: Пер с англ.- М.: Мир, 1989. 540 с.
  11. В., Ермолаев Е. Модели краткосрочного прогнозирования ставок межбанковского кредита//Рынок ценных бумаг.-1996. № 13.- с. 18−22.
  12. В., Ермолаев Е. Среднесрочное прогнозирование ставок межбанковского кредита//Рынок ценных бумаг.-1996. № 15.- с. 39−41.
  13. 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. В., Горчинская О., Ладыженский Г. Системы поддержки принятия решений для банков//Банки и технологии. -1998. № 5−6. с. 20−24.
  15. П.А., Липчинский Е. А. Практика построения Хранилищ данных: Система SASZ/Системы Управления Базами Данных. 1998. № 4. — с. 60−73.
  16. П.М. Комплексирование альтернативных прогнозов как задача целочисленного программирования//Метеорология и гидрология. 1989, .№ 3. — с. 20−26.
  17. П.М. Многокритериальная оценка методов прогнозирования и задача комплексирования альтернативных прогнозов//Метеорология и гидрология. 1986, .№ ю. — с. 18−25.
  18. К.О. Обнаружение знаний в хранилищах данных/Юткрытые системы 1999, № 4. с. 67−77.
  19. И.Ю., Стрельцов JI.B., Сергеев A.JI. Информационный ресурс банковского мониторинга//Банковские технологии. -1998. -№ 9. с. 90−94.
  20. М.Ю., Назаров В. Д. Применение трехзвенной архитектуры в автоматизированных банковских системах//Банковские технологии. 2000. № 78. с. 76−79.
  21. Н.Ю. Специализированный регрессионный прогноз/Метеорология и гидрология. 1985, № 11. — с. 107- 109.
  22. 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. 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. О. Прогноз: рубль и доллар//Независимая газета. 31.12.1999.
  25. Н., Смит Г. Прикладной регрессионный анализ. Кн.1. М.: Финансы и статистика, 1986. — 366 с.
  26. A.M. Мхитарян B.C., Трошин Л. И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 1998. — 352 е.: ил.
  27. А.И. Автоматизация задач по управлению банком//Банковские технологии. 2000. № 6. — с. 53−56.
  28. А.И. Математическое моделирование банка. // Банки и технологии. 1999. — № 1. — с. 28−29, 52.
  29. Г. И., Медведев Ю. И. Математическая статистика. М.: Высшая школа, 1984.-248 с.
  30. И., Липчинский Е., Котов П. Технология Data Warehouse и аспекты ее применения//Банки и технологии. 1998. — № 5−6. — с. 14−16, 18−19.
  31. М. Временные ряды М.: Финансы и статистика, 1981, 199 с.
  32. A.B. Какой будет информационная система будуще-го?//Банковские технологии. 2000. № 5. — с.47−50.
  33. С.В. Анализ факторов, влияющих на валютный курс руб-ля//Экономика и математические методы. 1994. — Т. 30. Вып. 3.-е. 68−76.
  34. 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. Э. Уровень аналитической работы в банках и банковский кри-зис//Банки и технологии. 1998. — № 5−6. — с. 46−47.
  39. A.A. Случайные процессы: Учеб. пособие. Тула: ТулГУ, 2000. -308 с.
  40. A.A. Теория вероятностей и математическая статистика: Учеб. пособие, Тул. гос. ун-т. 1998. 200 с.
  41. A.A. Финансовая и актуарная математика: Учеб. пособие. Тула: ТулГУ, 1999. 268 с.
  42. 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. 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. A.A., Моторин В. В. Базы и банки данных: Учеб. пособие / Тул. гос. техн. ун-т. Тула, 1995. — 104 с.
  45. 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. 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. 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. 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. Д., Серов М. Проблемы автоматизации процедур принятия управленческих решений//Бюллетень финансовой информации. 1998. № 4. -с. 16−21.
  51. Ю.П. Адаптивные методы краткосрочного прогнозирования. -М.: Статистика, 1979. 254 с.
  52. Ю.П. Анализ распределения кассовых остатков: адаптивная гистограмма, проблема оптимизации//Экономика и математические методы. -1997.-Т. 33. Вып.З. с. 90−97.
  53. Ю.П. Нетрадиционный корреляционный анализ временных ря-довЮкономика и математические методы. 1992. — Т. 28. Вып.З. — с. 406 413.
  54. 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. К.Д. Методы прогнозирования экономических показателей. М.: Финансы и статистика, 1986. — 133 с.
  57. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. В.И., Бугаев Е. И. Аналитика для эффективности банка//Банковские технологии. 2000. — № 4. — с. 48−50.
  69. И. Система «Анализ банковской и финансовой информации» Платформно-независимое решение клиент-серверной версии//Банки и технологии. -1998. № 4. — с. 52−53.
  70. 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. 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. 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. В.И., Касатенков C.B. Модель управления функционированием, модернизацией и развитием банковских технологий//Банковские технологии.- 2000. № 1−2. — с. 60−68.
  76. В.И., Рагозин Н. В. Архитектура построения системы подготовки аналитических данных (СПАД)//Банковские технологии. 2000. — № 3. — с. 44−50.
  77. 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. A.M., Цейтлин Д. Л. Статистический анализ в бизнесе//Банковские технологии. 1999. — № 2. — с. 72−75.
  81. А. Финансовая консолидация на основе хранилищ данных//Банки и технологии. 1999. — № 1. — с. 40−42.
  82. Е. Л. Соломатин Е.Б. Пути создания и развития ИАС в российских банках//Банковские технологии. 2000. — № 3. — с. 51−55.
  83. Г. Экономические прогнозы и принятие решений. М.: Финансы и статистика, 1971. — 488 с.
  84. Е.В. Перспективная архитектура АБС//Банковские технологии. 2000. -№ 7−8,-с.80−81.
  85. Р. Статистические методы для исследователей. М.: Госстатиздат, 1958.-286 с.
  86. 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. В. Конвергенция банковских программных продуктов и консолидация данных банка//Банки и технологии. 1998. — № 4. — с. 30−32.
  89. В., Екушов А. Информационная поддержка принятия решений при управлении ресурсами и рисками коммерческого банка//Банки и технологии.- 1998.-№ 5−6.-с. 36−41.
  90. . Л. Два взгляда на информационную поддержку принятия решений. Системы поддержки принятия решений//РС WEEK/RE. 1998. — № 15. -с.70−72.
  91. Е.М. Статистические методы прогнозирования. -М.: Статистика, 1977.
  92. Е.М., Калихман И. Л. Вероятность и статистика. М.: Финансы и статистика, 1982. — 320с.
  93. И.Ю. Принципы информатизации аналитической работы. // Известия ТулГУ. Серия «Математика, Механика, Информатика». Тула: Тул-ГУ. — 1998. — Т. 4. Вып. 4 — с. 106−111.
  94. С.И. Математические методы и модели в экономике, финансах, бизнесе: Учеб. пособие для вузов. -М.: ЮНИТИ-ДАНА, 2000. 367 с.
  95. . 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. 175 201.
  102. Forecasting Examples for Business and economics Using the SAS System #55 512, SAS Institute Inc. SAS Campus Drive Cary, NC 27 513, 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 27 513, USA, 1995.
  105. SAS/ETS Software: Application Guide 1, #56 008 Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27 513, USA, 1992.
  106. SAS/ETS Software: Application Guide 2, #56 009 Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27 513, USA, 1993.
  107. SAS/ETS Software: Time Series Forecasting System, #55 476, Version 6 First Edition, SAS Institute Inc. SAS Campus Drive Caiy, NC 27 513, USA, 1995. 264 pp.
  108. SAS/ETS User’s Guide #56 010, Version 6 Second Edition, SAS Institute Inc. SAS Campus Drive Cary, NC 27 513, 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 27 513, USA, 1995, 20 pp.
Заполнить форму текущей работой

На отлично!