RU158417U1 - Система моделирования инвестиционного риска для предприятий горной отрасли - Google Patents

Abstract

Система моделирования инвестиционного риска для предприятий горной отрасли, содержащая средство ввода данных, включающее модуль ввода исторических данных по факторам риска и модуль ввода параметров прогнозирования, средство анализа и обработки данных, включающее модуль корреляционного анализа, модуль генерации распределений случайных величин, блок генерации вероятных сценариев и блок оценки инвестиционного риска, отличающаяся тем, что содержит средство отображения данных и результатов моделирования и средство хранения и формирования банка данных по проекту, средство ввода данных дополнительно содержит модуль ввода геологических и технологических параметров проекта и модуль ввода экономических параметров проекта, средство анализа и обработки данных дополнительно имеет модуль обработки исторических данных по факторам риска и блок генерации эмпирических распределений факторов риска, содержащий, помимо модуля генерации распределений случайных величин, модуль мэппинга, а блок генерации вероятных сценариев состоит из модуля формирования сценариев по прибыли проекта, модуля формирования сценариев по себестоимости проекта и модуля генерации чистых дисконтированных денежных потоков, помимо этого, средство отображения данных и результатов моделирования содержит параллельно включенные в него модули текстового, графического и табличного отображения результатов моделирования и оценки инвестиционного риска, а также информации из средства хранения и формирования банка данных по проекту.

Description

Система моделирования инвестиционного риска для предприятий горной отрасли

Система моделирования инвестиционного риска для предприятий горной отрасли предназначена для использования в системах поддержки принятия решений (СППР), в качестве программно-аппаратного управляемого комплекса специального назначения, предназначенного для сбора, обработки (анализа/оценки) и вывода данных.

Известны системы анализа и управления финансовыми рисками, основанные на стоимостной оценке риска [1, 2, 3, 4, 5], построенные по принципу «клиент-сервер», в которых предусмотрены средства ввода многокомпонентных данных, средства их хранения и обработки, в частности моделирования сценариев и прогнозирования с различными допущениями о виде распределения случайных величин, характеризующих факторы риска, а также средства вывода результатов анализа.

Наиболее близкой к заявляемому техническому решению является «Динамическая система управления рисками» [6], выполненная в виде единого блока, реализующего аппаратно - программное моделирование портфельных активов в качестве производных финансовых инструментов (деривативов), сбор данных об их ценах и волатильности, расчет и ранжирование денежных потоков с учетом риска CFAR для моделирования профиля рисков инвестиционного портфеля, его оценку для определения соответствия заданным параметрам риска и/или необходимости модификаций. Расчет и ранжирование смоделированных значений CFAR может включать генерацию корреляционной матрицы и моделирование методом Монте-Карло. Также может осуществляться мониторинг и переоценка значений CFAR, сбор данных о ценах и перерасчет риска портфеля с учетом вносимых в него изменений.

2

Для этого известная система содержит: систему ввода и подготовки (данных), систему расчета (профиля рисков), систему обработки (результатов).

Система ввода и подготовки (данных) содержит модуль преобразования физических активов; модуль преобразования финансовых активов; модуль идентификации необходимых данных; модуль исторических рыночных цен; модуль параметров. Система расчетов содержит модуль корреляционной матрицы; модуль Монте-Карло; модуль приведения к рынку (рынок к рынку). Система обработки содержит модуль ранжирования (CFAR); модуль оценки; модуль модификации; модуль мониторинга.

Для оценки риска используются следующие исходные данные: исторические данные по сделкам с финансовыми инструментами и физическими активами (опционами, фьючерсами и т.д.) - валюта продажи, количество, цена, срок исполнения контракта, волатильность котировок и т.д. При этом рассматриваются как краткосрочные, так и долгосрочные контрактные позиции на биржах, которые преобразовываются для вычислений в деривативы. Таким образом, осуществляется расчет денежных потоков с учетом изменения цен на физические и финансовые активы для определения риска прибыли. При этом генерируется корреляционная матрица выбранных параметров рассматриваемых активов с коэффициентами корреляции от -1 до +1. Модуль Монте-Карло выводит смоделированные величины денежных потоков под риском CFAR с учетом всех рассчитанных корреляционных коэффициентов. Модуль приведения к рынку по тем же исходным данным, что используются в модуле Монте-Карло, осуществляет расчет величины CFAR для доверительного интервала 50% (Р-50 CFAR) - стоимость портфеля в текущих ценах на конкретную дату расчета. При этом подразумевается, что все рассматриваемые параметры активов анализируемого портфеля имеют в основном нормальные (симметричные) распределения. Модуль ранжирования выводит смоделированные значения CFAR для временного интервала, меньшего, чем горизонт прогнозирования (от и до), либо для фиксированного временного интервала (на конкретную дату) в соответствии с их квантильным 3

уровнем. В первом случае дополнительно осуществляется расчет кумулятивной вероятности изменений стоимости портфеля. Модуль оценки служит для определения соответствия риск-профиля портфеля заданным характеристикам риска и/или необходимости его изменений. В данном модуле сопоставляются значения Р-50 CFAR и ранжированные значения CFAR. Если соответствие есть, осуществляется переход в модуль мониторинга, если нет - в модуль модификаций. Модуль мониторинга осуществляет мониторинг профиля риска портфеля с течением времени (ежедневно, ежемесячно). Периодичность можно задавать автоматически. Модуль модификаций позволяет оператору выяснить, насколько вносимые изменения в рассматриваемый портфель активов влияют на его рисковый профиль и стоимость, а также осуществить вывод преобразованного портфеля и его рискового профиля на встроенные и/или периферийные устройства вывода.

Однако известная система не решает проблемы синхронизации данных в программной и аппаратной части системы, точной обработки данных и снижения вероятности ошибок расчета ввиду того то, что при моделировании оценка риска производится исходя из допущения о нормальном (симметричном) распределении рассматриваемых параметров активов портфеля, что не в полной мере отражает действительность и не обеспечивает заданную эффективность оценки. При этом существенным недостатком является необходимость постоянного мониторинга и дополнительной переоценки уровня риска, а также отсутствие средства хранения и формирования банка данных, что не позволяет вторично использовать данные в дальнейшем.

Прототип также обладает узкими возможностями по анализу и оценке инвестиционного риска предприятий горной отрасли при осуществлении реального инвестирования, уровень которого в значительной степени зависит от структуры эксплуатационных затрат.

Задачей заявляемой полезной модели является создание новой системы моделирования инвестиционного риска, учитывающей специфику предприятий 4

горной отрасли и позволяющей оптимизировать технико-экономические затраты при разработке месторождения, в частности расходы на освоение месторождения, за счет повышения достоверности используемых данных и результатов оценки риска, уменьшения влияния человеческого фактора на принятие решения, сокращения времени, необходимого для принятия решения.

Для этого система моделирования инвестиционного риска для предприятий горной отрасли, содержащая средство ввода данных, включающее модуль ввода исторических данных по факторам риска и модуль ввода параметров прогнозирования, средство анализа и обработки данных, включающее модуль корреляционного анализа, модуль генерации распределений случайных величин, блок генерации вероятных сценариев и блок оценки инвестиционного риска, отличающаяся тем, что содержит средство отображения данных и результатов моделирования и средство хранения и формирования банка данных по проекту, средство ввода данных дополнительно содержит модуль ввода геологических и технологических параметров проекта и модуль ввода экономических параметров проекта, средство анализа и обработки данных дополнительно имеет модуль обработки исторических данных по факторам риска и блок генерации эмпирических распределений факторов риска, содержащий, помимо модуля генерации распределений случайных величин, модуль мэппинга, а блок генерации вероятных сценариев, состоит из модуля формирования сценариев по прибыли проекта, модуля формирования сценариев по себестоимости проекта и модуля генерации чистых дисконтированных денежных потоков, помимо этого средство отображения данных и результатов моделирования содержит параллельно включенные в него модули текстового, графического и табличного отображения результатов моделирования и оценки инвестиционного риска, а также информации из средства хранения и формирования банка данных по проекту.

На рисунке представлена функциональная блок-схема системы моделирования инвестиционного риска для предприятий горной отрасли.

5

Заявленное решение позволяет оптимизировать технико-экономические затраты при разработке месторождения, в частности расходы на освоение месторождения, повышая достоверность используемых данных и результатов оценки риска, уменьшая влияние человеческого фактора на принятие решения, сокращая время, необходимое для принятия решения.

Для этого решены задачи синхронизации данных в программной и аппаратной части системы, проблемы точной обработки данных, снижена вероятность ошибок расчета, при этом отсутствует необходимость постоянного мониторинга и дополнительной переоценки уровня риска, а также предусмотрено хранение и формирование банка данных по проекту, что позволяет использовать данные в дальнейшем.

Заявляемое техническое решение представляет собой устройство, выполненное в едином программно-аппаратном блоке 1, в котором посредством средств ввода 2 и отображения (вывода) 3 синхронизируются данные от программной среды оператора к аппаратной среде системы и обратно.

Для определения адреса полученных данных и выбора адреса передачи в целях их дальнейшей обработки средство ввода содержит вычислители: модуль ввода геологических и технологических параметров проекта 4, модуль ввода экономических параметров проекта 5, модуль ввода исторических данных по факторам риска 6 и модуль ввода параметров прогнозирования 7, при этом идентификация этих данных осуществляется автоматически. Таким образом, принятая информация подготавливается к анализу и обработке.

Для формирования отчетов смоделированных значений средство вывода содержит вычислители: модули текстового 8, графического 9 и табличного 10 отображения результатов моделирования и оценки инвестиционного риска, а также информации из средства хранения и формирования банка данных по проекту 11. Таким образом, формируются отчеты о работе системы в соответствии с запросом оператора.

6

Средство анализа и обработки данных 12 может иметь физическую реализацию, например, в виде программируемого контроллера. При этом дополнительные модули, могут быть размещены в постоянном запоминающем устройстве и иметь свой заданный алгоритм для каждого, или реализованы другим удобным способом. Процесс анализа и обработки происходит автоматически посредством комплекса соответствующих последовательностей логических решений оперативного запоминающего устройства.

Средство анализа и обработки данных 12, содержит модуль обработки исторических данных по факторам риска 13, модуль корреляционного анализа 14 и блок генерации эмпирических распределений факторов риска 15, состоящий в свою очередь из модуля генерации распределений случайных величин 16 и модуля мэппинга 17, блок генерации вероятных сценариев 18, объединяющий модуль формирования сценариев по прибыли проекта 19, модуль формирования сценариев по себестоимости проекта 20 и модуль генерации чистых дисконтированных денежных потоков 21, и блок оценки инвестиционного риска 22, что решает проблемы точной обработки данных и снижает вероятность ошибок расчета.

Таким образом, за счет возможности совместного использования метода Монте-Карло и метода мэппинга решаются проблемы точности обработки данных, и снижается вероятность ошибок расчета, следовательно, достигается достоверность используемых данных, уменьшается влияние человеческого фактора на принятие решения и сокращается время, необходимое для принятия решения.

Средство хранения и формирования банка данных по проекту 11 может быть выполнено, в частном случае, в виде контроллера памяти и осуществляет хранение, управление вводными значениями и итоговыми сценариями, а также формирование банка данных по проекту. Таким образом, осуществляется возможность хранить и использовать данные в дальнейшем, например для формирования шаблонов или других нужд оператора системы.

7

Следует отметить, что перечислены основные достоинства предлагаемого решения в подтверждение и обоснование технического результата заявляемой полезной модели.

Работа системы моделирования инвестиционного риска для предприятий горной отрасли описана на примере месторождения серебра.

Пример: проект предусматривает отработку месторождения серебра, имеющего следующие горно-геологические параметры (табл. 1):

Годовые эксплуатационные затраты составляют 1267 млн. руб. и структурированы следующим образом (табл. 2):

Капитальные затраты составляют 3885 млн. руб., ставка дисконтирования принята на уровне 10%. Налоговые платежи, выплачиваемые за счет прибыли, составляют 22,2%, налоговые платежи, выплачиваемые за счет себестоимости, учтены в статье непроизводственных расходов эксплуатационных затрат. Плата за аффинаж составляет 2% от стоимости конечной продукции.

Исходя из структуры эксплуатационных затрат, динамики рынка и особенностей ценообразования на примере серебра определены основные 8

моделируемые факторы риска: волатильность цен на серебро, цен на дизельное топливо, изменение уровня инфляции и динамика курса валют «рубль-доллар».

Уровень значимости оценок риска составляет 95%, горизонт моделирования равен сроку реализации проекта, целевое значение чистого дисконтированного дохода составляет 3797 млн. руб. за время реализации проекта.

В средство ввода данных 2 вводят исходные технико-экономические параметры проекта:

- в модуль ввода геологических и технологических параметров проекта 4 - параметры, указанные в табл. 1;

- в модуль ввода экономических параметров проекта 5 - данные об объеме и структуре эксплуатационных затрат по табл. 2, объеме капитальных вложений и ставке дисконтирования, ставках налоговых платежей и платы за аффинаж;

- в модуль ввода исторических данных по факторам риска 6 - исторические данные о ценах на серебро и дизельное топливо, данные о динамике инфляции и курса валют «рубль-доллар»;

- в модуль ввода параметров прогнозирования 7 - уровень значимости оценок риска, временной период прогнозирования, целевое значение чистого дисконтированного дохода TNPV.

Из средства ввода данных 2 введенные данные поступают в средство обработки и анализа данных 12 и в средство хранения данных 11.

Исторические данные по факторам риска, имеющие различные единицы измерения, из модуля ввода исторических данных по факторам риска 6 передаются в модуль обработки исторических данных по факторам риска 13 с целью их преобразования для обеспечения их сопоставимости при дальнейшем анализе, а затем поступают в модуль корреляционного анализа 14, в котором генерируется и преобразуется корреляционная матрица факторов риска.

9

Преобразованная корреляционная матрица представлена в табл. 3.

Затем, в блоке генерации эмпирических распределений факторов риска 15, посредством модуля генерации распределений случайных величин 16 методом Монте-Карло и подсоединенного к нему модуля мэппинга 17, с учетом полученных в модуле корреляционного анализа 14 коэффициентов частичной корреляции факторов риска (по табл. 3), генерируются коррелированные распределения прогнозных значений факторов риска исходя из предположения, что их исходные распределения не подчиняются нормальному закону.

Пример вычислений, производимых в блоке генерации эмпирических распределений факторов риска 15, представлен в табл. 4, где G_i - вектор нормального распределения переменных, N_i - вектор коррелированных нормально распределенных переменных, m_i - приведенный вектор распределения переменных посредством мэппинга, P_i - вектор эмпирического распределения факторов риска, i - количество рассматриваемых факторов риска.

Смоделированные эмпирические распределения факторов риска Р используют для генерации сценариев чистых денежных потоков NPV с учетом 10

риска в блоке генерации вероятных сценариев 18, соединенного также с выходами модулей ввода геологических и технологических параметров проекта 4 и экономических параметров проекта 5.

При расчете чистых дисконтированных потоков в модуле генерации чистых дисконтированных денежных потоков 21 блока генерации вероятных сценариев 18 учтены два основных параметра: изменение прибыли по мере реализации добываемого и обогащаемого серебра под влиянием волатильности цен на серебро, скорректированное на курсовую разницу рубля и доллара, и изменение себестоимости производства серебра в результате колебаний индекса инфляции и цен на дизельное топливо. При этом полагается, что изменяется денежное выражение себестоимости добычи и обогащения серебра, а долевая структура по статьям затрат остается постоянной. Таким образом, функциональная зависимость между динамикой инфляции, ценами на энергоноситель и себестоимостью производства серебра в данном примере может быть отражена в следующем виде:

,

где С₀ - сумма годовых эксплуатационных затрат; ΔС - изменение себестоимости производства серебра в результате изменения инфляции и цен на дизельное топливо, q₁ - доля затрат на энергообеспечение работ по добыче и обогащению серебра, q₂ - доля затрат на заработную плату, q₃ - доля затрат на сырье и материалы, q₄ - доля непроизводственных затрат в структуре себестоимости, q₅ - доля прочих затрат, I_n - коэффициент инфляции в долевом выражении и P_n - цена 1 л дизельного топлива. Сценарии по изменению прибыли и себестоимости формируются соответственно в модулях формирования сценариев по прибыли проекта 19 и формирования сценариев по себестоимости проекта 20 методом Монте-Карло. Для обеспечения статистической значимости получаемых результатов генерируется 10 000 сценариев. Пример смоделированных сценариев по себестоимости, прибыли и 11

чистым дисконтированным денежным потокам, генерируемым проектом в случае его реализации, представлен в табл. 5.

В блоке оценки инвестиционного риска 22 по заданным через модуль ввода параметров прогнозирования 7 параметрам прогнозирования и полученному в модуле генерации чистых дисконтированных денежных потоков

21 распределению чистых дисконтированных потоков на выбранном уровне значимости определяется предельное значение чистого дисконтированного дохода от реализации инвестиционного проекта в результате влияния факторов риска NPV_x%, как соответствующий заданному доверительному уровню вероятности левый квантиль а распределения чистых дисконтированных денежных потоков. В рассматриваемом примере, согласно исходным данным, уровень значимости оценок составляет 95%, соответственно α=5%. Затем на основе сопоставления полученного значения NPV_x% и целевого значения TNPV оценивается интегрированный инвестиционный риск проекта NPVaR в блоке

22 оценки инвестиционного риска. Интерес представляет случай NPVaR<TNPV. Полученные результаты оценки из блока 22 передаются в средство хранения и формирования банка данных по проекту 11 и в средство отображения данных и результатов моделирования 3, в котором посредством модулей текстового 8, графического 9 и табличного 10 отображения результатов моделирования и оценки риска осуществляется вывод соответствующей информации в текстовом, табличном или графическом виде. Пример формируемого системой табличного отчета представлен в табл. 6

С вероятностью 95%, чистый дисконтированные доход от реализации проекта с учетом влияния риска составит не менее 3661, 42 млн. руб. при заданных условиях его осуществления. Интегрированный риск недополучения дохода оценен на уровне 135,89 млн. руб.

С учетом вышеизложенного можно сделать вывод о том, что заявляемое техническое решение выполняет задачу по оптимизации технико-экономических затрат при разработке месторождения, путем повышения достоверности используемых данных и результатов оценки риска, уменьшения влияния человеческого фактора на принятие решения, сокращения времени, необходимого для принятия решения, реализует заявленный технический результат, синхронизируя данные программной среды оператора и аппаратной среды системы, повышая точность обработки данных, снижая вероятность ошибок расчета, и обеспечивает хранение информации и формирование банка данных по проекту.

Список использованной литературы:

1. RU 2246134 С2, МПК: G06F 17/60, G07F 19/00, Авторы: Костиков И.В., Батанов Э.В., Берниковский А.В., Ивантер Д.Е., Довбня С. В., Русаков О.В. Патентообладатель: Закрытое акционерное общество «Инвестиционная компания АВК»;

2. RU 2281556C1, МПК G06Q 40/00, Заявка РФ №2005102558/09, от 03.02.2005, Авторы: Окулов Виталий Леонидович (RU), Кравчук Анна Валентиновна (RU), Карпович Евгений Андреевич (RU), Гредиль Олег Романович (RU), Корнеев Дмитрий Валерьевич (RU), Ивантер Дмитрий 13

Евгеньевич (RU), Патентообладатель: Закрытое акционерное общество "Инвестиционная компания АВК" (RU);

3. US 2009/006270 А1, МПК: G06Q 40/00, Авторы: Penello W., Патентообладатель: RISKED REVENUE ENERGY ASSOSIATES, Houston, TX (US);

4. RU 2396598C1, МПК G06Q 40/00, Заявка РФ №2008149895/09, от 18.12.2008; Авторы: Баденко Александр Львович (RU), Батанов Эдуард Викторович (RU), Баранова Екатерина Игоревна (RU), Хаймур Эльвира Гаптелхамитовна (RU), Хафизова Ильгиза Наильевна (RU), Хилов Павел Евгеньевич (RU); Патентообладатель:Комитет финансов Санкт-Петербурга (RU).

5. RU 63567U1, МПК G06F 17/10, G06F 19/00, Заявка РФ №2005141279/22, от 29.12.2005, Авторы: Павлов Александр Евгеньевич (RU), Соколов Михаил Владимирович (RU), Компаниец Алексей Александрович (RU), Лущенко Сергей Юрьевич (RU), Толмачев Василий Викторович (RU), Хазанова Вера Витальевна (RU), Мяльк Сергей Викторович (RU), Ященко Яна Николаевна (RU), Патентообладатели: Комитет финансов Санкт-Петербурга (RU), Закрытое акционерное общество "Гелиос-1" (RU).

6. WO 2009005990A2, МПК G06Q 40/00-08, Заявка: US 20070771336, от 29.06. 2007, Автор: Уэйн Пенелло [США] Патентообладатели: PENWAY GROUP L Р DBA PERFORMAN [US] и PENELLO WAYNE [US].

Claims (1)

1. Система моделирования инвестиционного риска для предприятий горной отрасли, содержащая средство ввода данных, включающее модуль ввода исторических данных по факторам риска и модуль ввода параметров прогнозирования, средство анализа и обработки данных, включающее модуль корреляционного анализа, модуль генерации распределений случайных величин, блок генерации вероятных сценариев и блок оценки инвестиционного риска, отличающаяся тем, что содержит средство отображения данных и результатов моделирования и средство хранения и формирования банка данных по проекту, средство ввода данных дополнительно содержит модуль ввода геологических и технологических параметров проекта и модуль ввода экономических параметров проекта, средство анализа и обработки данных дополнительно имеет модуль обработки исторических данных по факторам риска и блок генерации эмпирических распределений факторов риска, содержащий, помимо модуля генерации распределений случайных величин, модуль мэппинга, а блок генерации вероятных сценариев состоит из модуля формирования сценариев по прибыли проекта, модуля формирования сценариев по себестоимости проекта и модуля генерации чистых дисконтированных денежных потоков, помимо этого, средство отображения данных и результатов моделирования содержит параллельно включенные в него модули текстового, графического и табличного отображения результатов моделирования и оценки инвестиционного риска, а также информации из средства хранения и формирования банка данных по проекту.

   

Images