ПРОВЕДЕНИЕ АНАЛИЗА РИСКОВ И ПРОГНОЗИРОВАНИЕ ВОЗМОЖНОЙ ПРИБЫЛИ ПРОЕКТА

Аннотация

Статья содержит описание алгоритма для проведения анализа финансовой эффективности проектов и алгоритма для сценарного анализа рисков. Предлагается создание подобного алгоритма для обработки исходных данных по проекту, формированию временного ряда данных для дальнейшего прогнозирования прибыли в будущих периодах на основе модели ARIMA с помощью языков R или Python. Идентифицируется проблема, связанная с малым объёмом данных, и предлагаются варианты её решения в будущем.

Полный текст

При планировании работ и распреде- тели и провести сценарный анализ рисков лении задач проектов, первоочередной явля- [2], получив в итоге анализа три сценария: ется задача идентификации рисков и прове- - Позитивный; дение их анализа. Так, для проведения ана- - Усредненный; лиза рисков, необходимо, в первую очередь, - Негативный. провести оценку финансовой эффективности В результате, исходные данные преоб- проекта. Существуют две группы методов разовываются в первоначальные данные для для проведения расчетов: проведения прогнозирования прибыли про- - Статические методы; екта в будущих периодах. На рис. 1 пред- - Динамические методы. ставлен алгоритм подготовки и проведения Так, при расчете с помощью методов прогнозирования. первой группы, учитываются только перво- Так, расчёт результатов второго этапа начальные инвестиции, и не учитывается алгоритма происходит по формулам: временная стоимость денег. К таким мето- дам можно отнести индекс рентабельности (profitability index или PI), период окупаемо- (1) сти (payback period или PP). Показателями второй группы в свою очередь являются: чи- стая текущая стоимость проекта (net present (2) value, NPV), внутренняя норма (доходности (international rate of return - IRR) и дисконти- (3) рованный срок окупаемости (DPP) [1]. Также для произведения вычислений необходим (4) чистый доход (cash flow, CF) и расход (nega- tive cash flow, NCF). Далее производится расчёт двух отлич- При условии известных данных - ных от исходного сценариев при изменении начальных инвестиций, числа периодов, значений CF на 25 %. Так, позитивный сце- учетной ставки и стоимости ресурсов, воз- нарий подразумевает увеличение прибыли в можно рассчитать выше описанные показа- 0,25 раз, негативный - уменьшение прибыли в 0,25 раз. Последним этапом третьего шага является расчёт среднеквадратичного откло- © Никишина А. Л., 2017. нения (СКО) и коэффициента вариации: Никишина Анна Леонидовна (nikishina.a.l@gmail.com), магистрант факультета информатики (5) Самарского университета, 443086, Россия, г. Самара, Московское шоссе, 34. Вестник молодых учёных и специалистов Самарского университета. 2017. № 2 (11) 109 где n - количество периодов времени, а Yi - (6) значение прибыли в определённом периоде. где T - количество сценариев, pt - вероят- Данный ряд является нестационарным, в свя- ность возникновения сценария, определяется зи с чем к ряду можно применить линейную экспертным путём, NPVe - ожидаемое значе- стохастическую модель авторегрессии и ние NPV, сумма взвешенных по сценариям проинтегрированного скользящего среднего значений NPV. (AutoRegressive Integrated Moving Average, Рассчитанные на этапе показатели ARIMA), в частности, ARIMA (0, 1, 0) для отображают вариабельность доходности ин- построения которого достаточно использо- вестиций. И чем меньше стандартное откло- вать информацию, содержащуюся в самих нение, тем менее рискованны инвестиции в рядах [3]. данный проект. В связи с этим возможным и Для построения модели и прогнозиро- полезным будет создание коридора колеба- вания возможно использовать один из двух ний прогноза на основе полученных резуль- популярных и наиболее часто для этого ис- татов прогнозирования - так, нижнюю гра- пользуемых языков: R или Python. R, в част- ницу коридора возможно получить делением ности, предназначен именно для статистиче- значения результирующего ряда на СКО, ской обработки данных и графики [4]. При верхнюю же - умножением значения на прогнозировании с помощью Python воз- СКО. Максимально и минимально возмож- можно использовать модуль statsmodels, а ные значения прибыли будет удобно исполь- для визуализации анализа динамических зовать в дальнейшем анализе рисков и пла- временных рядов - SamuROI [5; 6]. нировании. Так, автором выдвигается гипотеза о На этапе третьего шага в процессе ге- том, что использование выходных данных нерации сценариев, получен объём данных, сценарного анализа рисков для построения необходимых для прогнозирования, который прогнозирования повысит точность резуль- может быть использован для анализа в про- тирующего прогноза прибыли будущих пе- грамме и может быть представлен в виде риодов. временного ряда, с набором значений Y1...Yn, Ввод r, p, CF, NCF, I Расчёт NPV, IRR, PI, DPP Расчёт трёх сценариев Прогнозирование по трём сценариям для будущих периодов Рис. 1. Алгоритм подготовки и проведения прогнозирования: r - учётная ставка, p - количество периодов, CF - чистый доход, NCF - расход, I - первоначальные инвестиции 110 Экономика и менеджмент Однако при оценке рисков и прогнози- Анализ рисков инвестиционного проекта // ровании проектов зачастую имеется неболь- Управление финансовыми рисками. 2011. шой объём периодичных инвестиций - в свя- Т. 2. С. 132-150. зи с этим, метод и описанный алгоритм бу- 3. Трегуб А. В., Трегуб И. В. Методика дет удобен только в случае существования построения модели ARIMA для прогнозиро- периодичных инвестиций (например, при вания динамики временных рядов // Вестник внесении инвестиций ежемесячно в течение МГУЛ - Лесной вестник. 2011. № 5. С. 179- года). 183. Вопросы проверки гипотезы, оценки и 4. What is R? URL: www.r-project. повышения точности формируемого прогно- org/about (дата обращения: 02.10.17). за представляются интересными для иссле- 5. McKinney W. Python for data analysis: дования и планируются к рассмотрению и Data wrangling with Pandas, NumPy, and IPy- анализу в дальнейшей работе. thon. Beijing-Cambridge-Farnham-Köln-Se- bastopol-Tokyo: O'Reilly Media, Inc. 2012. 466 р. Литература 6. SamuROI, a python-based software