Управление финансовыми ресурсами, денежными потоками предприятия является одним из ключевых элементов всей системы современного управления, имеющим особое, приоритетное значение для сегодняшних условий экономики России. Омертвление финансовых ресурсов в виде денежных средств связано с определенными издержками - с некоторой долей условности их величину можно оценить размером упущенной выгоды от участия в каком-либо доступном инвестиционном проекте. Поэтому избыток денежных средств можно вложить в краткосрочные, высококачественные ценные бумаги или использовать на другие цели, например и при этом предприятие должно иметь достаточный резерв ликвидных средств, чтобы оплачивать счета и быть готовой к неожиданным ситуациям.

Инструментарий прогнозирования ОДС, являющейся субмоделью модели управления, включает, во- первых, предпрогнозную подготовку фактических и плановых притоков и оттоков, во-вторых, прогноз методами математической статистики и нейронных моделей (НМ). Предпрогнозная подготовка осуществляется методами вейвлет- и R/S-анализа. В основу системы управления остатком денежных средств положены возможности интеграции современных корпоративных информационных систем (КИС) и пакетов прикладных программ финансового анализа и комплекса математических методов нелинейной динамики и прогнозирования.

Информационная база управления остатками денежных средств представлена на Рисунке 1.

Центральным звеном корпоративной информационной системы является экономическая информационная система, основу которой составляет бухгалтерская информационная система, где хронологически и систематически накапливаются и обрабатываются данные, связанные с учетом, контролем, планированием, анализом и регулированием.

На сегодняшний день существует большое количество специализированных систем бухгалтерского учета, бюджетного управления, управления финансами, анализа, которые позволяют на крупных предприятиях частично или полностью автоматизировать процессы управления бизнес-процессами. Ни одна из существующих современные компьютерных программ и комплексов не решает задачу управления остатком денежных средств - определение оптимального уровня денежного запаса предприятия. Поэтому формирование модели управления остатком денежных средств с учетом возможностей современных информационных технологий, инструментария финансового анализа и прогнозирования делает актуальной для современных российских предприятий – задачу совершенствования КИС.

Необходимым элементом КИС становятся программы обработки информации и прогнозирования, статистические и аналитические программы (Statistica, Mathcad, MATLAB, Deductor, Statistica Neural Networks) обладают возможностью интеграции информации из  информационных систем в другие приложения. Аналитическая программа Deductor как многие бухгалтерские программы поддерживает импорт из наиболее распространенных СУБД, стандартных файлов обмена данными, офисных приложений, бизнес-программ 1C:Предприятия. Для того чтобы обеспечить достоверность и оперативность сбора и обработки информации, система автоматизации бухгалтерского учёта, являющаяся базой для оперативного управления финансовыми ресурсами предприятия, должна быть открытой и совместимой с другим программным обеспечением.

Таким образом, модель управления ОДС представляет собой самостоятельный программно-технический комплекс коллективного пользования, который позволяет в пакетном режиме вести обработку информации и получать все необходимые выходные данные и включает такие компоненты как нормативно-справочную систему, комплекс программных продуктов по обработке информации и сервисные средства (мониторинг). В соответствии с постоянным мониторингом ежедневных изменений денежных потоков формируется комплексная система предпрогнозного анализа и обработки временных рядов ежедневных денежных потоков, в результате обеспечивающей получение информации, необходимой для выбора и построения адекватного и качественного прогноза остатков денежных средств, которая состоит из следующих этапов:

1. Этап предварительного анализа и улучшения информации.

Предварительная обработка данных не связана непосредственно с нейронными сетями или классическими методами прогнозирования, хотя она является одним из ключевых элементов этой информационной технологии. Успех учебы НМ, а также адаптация и самообучение переработки данных в классических методах в значительной степени может решающим образом зависеть от того, в каком виде представлена входная информация. Этап предварительного анализа и обработки информации проводиться системно, с использованием современных методов обработки данных [1]. Нейронные сети способны к эффективному самообучению только тогда, когда в исходной выборке содержится информация, которая обеспечивает развитие модели. Причем знание основных принципов и приемов предобработки данных не менее, а возможно даже более важно, чем обоснование собственно нейросетевых алгоритмов [2].

Цель предварительной (предпрогнозной) обработки состоит в увеличении информативности примеров (исходных данных, учебной выборки) для повышения эффективности обучения НМ. Проведение анализа осуществляется выполнением предпрогнозной подготовки временного ряда денежного потока в виде двух стадий.

Первая стадия состоит в оценке временных рядов и выявлении трендов. Основными задачами, решаемыми на этом этапе, являются исследование временных рядов на закон распределение и определения их характеристик, обоснование выбора моделей прогнозирования, обоснование объема исходной выборки, обработка исходных данных и подготовка их к прогнозу, выявление стационарности и трендов. Основной инструментарий выполнения этого этапа – классические методы математической статистики и методы нелинейной динамики.

Выявление трендов – классическая задача регрессионного анализа.

Вторая стадия состоит в получении предварительных (исходных) оценок исходной выборки по характеристикам глубины памяти и циклов. Эффективным инструментарием решения этих задач являются методы нормированного размаха Херста, последовательного R/S-анализа и вейвлет-анализа. С помощью метода нормированного размаха Херста можно сделать вывод о долговременности памяти и возможности прогнозирования, достаточности информации для прогнозирования временные ряды денежных потоков. Значение глубины памяти временного ряда денежных притоков и оттоков т.е. величина в каждом наблюдении зависит от распределения средств, которые могут носить случайный характер. Значительный интерес в исследовании представляет исследование циклов и оценки глубины памяти во временных рядах денежных потоков инструментарием фрактального анализа на основе адаптированного метода последовательного R/S- анализа.

Желаемая эффективность хозяйственной деятельности, устойчивое финансовое состояние будут достигнуты в результате использования современных методов, оптимизационных моделей управления остатками денежных средств (ОДС) и контроля за движением денежных средств.

 

Список литературы

1.     Добеши Я. Десять лекций по вейвлетам / Я. Добеши. - М.: РХД, 2001.

2.     Дьяконов В.П. MATLAB. Обработка сигналов и изображений. Специальный справочник / В.П. Дьяконов. – СПб:Питер, 2002. – 608 с.