Рассмотрим модель так называемого экспоненциального сглаживания. Пусть h(t) - объективно наблюдаемый процесс, имеющий произвольный характер. Например, цены на валюту, уровни спроса и предложения на тот или иной товар, объемы продаж и т. п. При этом предполагается, что все же этот процесс h(t) базируется на некой объективной тенденции z(t).Предположим, что время от времени проводятся измерения y(t) интересующего результата, а сами результаты фиксируются без ошибки, т. е. результат измерения y(t) в точности совпадает с истинным значением h(t). Необходимо выявить скрытую тенденцию z(t).Сразу возникает вопрос: ес-ли мы наблюдаем отдельные фиксированные значения процесса, а они - возможно, случайные флуктуации от тенденции z(t),то какому или каким значениям y(t) верить больше, а каким меньше? Ведь если полностью верить предыстории как состоявшемуся факту, то последнее измерение надо просто отбросить. Оно - «случайное», поживем - увидим, а пока - отбросим. Но тогда тенденцией будет только предыстория, а предсказать ничего будет нельзя. А если безоговорочно верить последнему факту, тогда пре-дыстория не нужна вовсе.

Сглаживание более высокого порядка, чем второй, применяется крайне редко из-за отмеченных особенностей влияния нелинейности и трудностей с определением значений параметров модели.

Покажем на простом примере, как влияют порядок экс-поненциального сглаживания и величина постоянной сглаживания на ха-рактер соответствия прогноза реалиям. Пусть объективно наблюдаемый процесс h(t) - пилообразная функция. Допустим, что на отрезке времени от 0 до 5 дней наблюдается линейный рост цены акции от некоторого условного «нуля» до значения в 5 у. д. е. (условных денежных единиц), а затем цена резко падает до начального уровня (до «нуля») и остается такой же до момента t=9.

Попытка прямым подбором значений параметров α₁ и α добиться бо-лее качественного предсказания, чем представленное, практически не дает ощутимых результатов. Чтобы уменьшить перерегулирование в начале, приходится снижать α₁ но это приближает экспоненциальное сглаживание второго порядка к простому линейному сглаживанию. Чтобы уменьшить запаздывание прогноза после того, как истинные значения h(t) резко упали, а тем более в самом конце процесса, приходится увеличивать значение параметра а, но это ухудшает использование ретроспективных данных. В общем, как всегда, если в системе что-то улучшаешь, то это, как правило, происходит за счет ухудшения чего-то другого. Поэтому к экспоненци-альному сглаживанию второго порядка целесообразно прибегать в тех случаях, когда предполагается, что процесс изменения анализируемого фактора растущий и весьма динамичный, и есть опасение не успеть от-слеживать эти изменения. Если же процесс вялотекущий, то под угрозой привнесения в прогноз методических ошибок, скорее всего, не следует прибегать к более сложным моделям сглаживания, чем линейная.

Так какие же существуют методы принятия управленческих решение в условиях «природного» риска?

     Инсайд - это осознанное решение некоторой проблемы. Субъективно инсайд переживают как неожиданное озарение, постижение. В момент самого инсайда решение осознается очень ясно, однако эта ясность часто носит кратковременный характер и нуждается в сознательной фиксации решения.

Таким образом, можно выделить как бы два этапа развития методов и технологий для анализа решений в условиях природной неопре-деленности: классический этап и современный. По этой же причине все методы и технологии условно разделим на классические и современные, учитывающие несколько характеристик личности ЛПР.

Чтобы избежать отключающего рассудок влияния толпы, нужно дер-жаться от нее подальше. Если же вы все-таки оказались в центре толпы, действуйте следующим способом - идите (в прямом и переносном смыс-ле), если это воз- можно, против движения толпы. Прогнозирование с использованием когнитивных и других моделей позволяет в значительной степени понять суть, а значит, более успешно осуществлять предвидение определенных явлений и событий, оценивать на перспективу изменения финансовых взаимосвязей между предприятиями.

Рассмотрим модель так называемого экспоненциального сглаживания. Пусть h(t) - объективно наблюдаемый процесс, имеющий произвольный характер. Например, цены на валюту, уровни спроса и предложения на тот или иной товар, объемы продаж и т. п. При этом предполагается, что все же этот процесс h(t) базируется на некой объективной тенденции z(t).Предположим, что время от времени проводятся измерения y(t) интересующего результата, а сами результаты фиксируются без ошибки, т. е. результат измерения y(t) в точности совпадает с истинным значением h(t). Необходимо выявить скрытую тенденцию z(t).Сразу возникает вопрос: ес-ли мы наблюдаем отдельные фиксированные значения процесса, а они - возможно, случайные флуктуации от тенденции z(t),то какому или каким значениям y(t) верить больше, а каким меньше? Ведь если полностью верить предыстории как состоявшемуся факту, то последнее измерение надо просто отбросить. Оно - «случайное», поживем - увидим, а пока - отбросим. Но тогда тенденцией будет только предыстория, а предсказать ничего будет нельзя. А если безоговорочно верить последнему факту, тогда пре-дыстория не нужна вовсе. Как всегда, предпочли ограничиться «золотой серединой».

    Первые попытки разработки методического аппарата и методов ана-лиза игр с природой восходят к началу 50-х гг. XX в. Все они могут быть отнесены к типу эвристических, поскольку авторы формировали эти под-ходы и методы на основе наблюдений за практическими ситуациями, а за-тем аппроксимировали результаты выбора в виде специальных принципов прогнозный результат, однако оно несколько резче реагирует на послед-нее изменение, что зачастую приводит к «перерегулированию». Чтобы как-то сгладить негативные последствия перерегулирования, коэффициент перед нелинейным членом назначают достаточно маленьким. Каким? Это каждый раз решают отдельно, экспериментально настраивая параметры модели на конкретный сложившийся «механизм» неопределенности. Са-мый незначительный из недостатков этого вида сглаживания - более слож-ное выражение для расчетной формулы экспоненциального сглаживания второго порядка. Формула сглаживания второго порядка имеет следующий вид:

Сглаживание более высокого порядка, чем второй, применяется крайне редко из-за отмеченных особенностей влияния нелинейности и трудностей с определением значений параметров модели.

Таким образом, можно выделить как бы два этапа развития мето-дов и технологий для анализа решений в условиях природной неопре-деленности: классический этап и современный. По этой же причине все методы и технологии условно разделим на классические и современные, учитывающие несколько характеристик личности ЛПР.

Анализ всей доступной информации о том, какими соображениями руководствуются подобные ЛПР, когда они принимают ответственные решения в условиях, сходных с «природной» неопределенностью, позволил выдвинуть ряд гипотез о восприятии нестохастического риска. На основе таких гипотез затем были предложены критерии оценки характеристик личности ЛПР и сформированы технологии принятия решений в условиях «природной» неопределенности.

Изложение полученных результатов анализа решений в условиях подобного «механизма» риска проведем в рамках единой терминологии, поскольку, как оказалось, классические и, так сказать, современные методы «игр с природой» укладываются в единую методологическую схему. Наша цель - построение формальных моделей принятия решений, которые предприниматель может использовать на практике.

Критерий Вальда. Таким критерием обычно руководствуется ЛПР, которое при выборе решения абсолютно не приемлет риск. ЛПР оценивает каждую из альтернатив a _iÎA гарантированным для нее результатом y (a ) : min y(a , s ) , представляющим собой то худшее из возможного, хуже

чего не будет для этой альтернативы ни при каких обстоятельствах.