- •Глава 5. Иис принятия решений в условиях неопределенности ириска
- •5.1. Методы ситуационного анализа и их роль в принятии решения
- •5.2. Оценка уровня риска и байесовский подход к ее уточнению
- •Инвестиционный портфель
- •Оценка портфельного риска
- •Классификация рисков при осуществлении сделок на рынке ценных бумаг
- •Современные подходы к выбору портфеля ценных бумаг. Особенности конформного подхода
- •Примеры оптимизации
- •5.3. Подход «среднее-дисперсия». Модель Марковитца
- •Эффективная граница
- •Бета и индекс модели. Индексная модель шарпа
- •5.4. Использование дерева решений с применением формулы Байеса
- •Диаграмма влияния
- •Структуризация диаграммы влияния
- •Знание, определяющее варианты решений, доступные в q
- •5.5. Распространение уверенности в деревьях
- •Механизм распространения
5.4. Использование дерева решений с применением формулы Байеса
Традиционный подход к анализу проблемы с применением дерева решений и формулы Байеса заключается в том, чтобы организовать элементы проблемы в терминах дерева решений, которое описывает в хронологическом порядке решения, которые ЛПР может принимать, и решения, которые управляются случаем.
Для иллюстрации данных положений вновь обратимся к примеру, приведенному в главе 4 (рис.4.9). Дерево решений имеет два вида вершин: вершины выбора решений и выбора случаем. Выбор ЛПР обозначается квадратиком, а выбор случая - кружком. Ветви, исходящие из дерева решений представляют возможности, доступные агенту: исходящие из вершин случая соответствуют неконтролируемым событиям. Каждой вершине случая приписывается условная вероятность события, представленного ветвью, обусловленной значением полезности в этой вершине.
Листья дерева несут численные значения полезности, связанной со сценарием (путем), ведущим к каждой вершине или, эквивалентно, полезностью ситуации, созданной последовательностью событий, ведущих к листу. Цель нахождения оптимальной стратегии может быть достигнута возвратным анализом: начиная от листьев и перемещаясь последовательно к корню, мы помечаем каждую вершину полезностью ситуации, которую она представляет. Каждая вершина случайного выбора помечается ожидаемой полезностью ее последователей, и каждая вершина выбора помечается максимальной полезностью ее последователей.
Дерево решений — это эксплицитное представление всех сценариев, возможно проистекающих из данного решения. Вершина дерева представляет начальную ситуацию, в то время как каждый путь, исходящий из корня, соответствует одному возможному сценарию. Сценарий включает последовательность действий и наблюдений, выбираемых активным агентом, а также наблюдений, сделанных агентом, события, которые могут появиться в окружении агента. Последовательность вершин выражает количественную меру полезности ситуации, создаваемой всем путем. Экспликации проблемы решения в виде дерева облегчает поиск оптимального плана, как предписания реакций на возможные значения наблюдаемых данных.
Рассмотрим следующий пример. ЛПР необходимо принять решение в отношении двух проектов, однако для принятия окончательного решения необходимо произвести дополнительную экспертизу. Пусть t1 и t2 — два вида экспертизы, которые необходимо провести ЛПР для окончательного принятия решения. Случай, когда ЛПР принял решение вовсе не проводить экспертизу, обозначим to. Будем выражать затраты и доходы в единицах, составляющих тысячу долларов. Затраты на проведение t1 равны 5 ед., а затраты на проведение t2 равны 3 ед. Обозначим наши проекты р1 и р2- Проект p1 требует 150 ед. инвестиций, ожидаемый доход — 200 ед., так что в результате ЛПР получит прибыль 50 ед. Состояние объекта инвестиций точно не известно, каждый из объектов может находиться в хорошем или плохом состоянии. Если объект р1 находится в плохом состоянии, то может потребоваться дополнительно 80 ед. инвестиций, в результате прибыль t от принятия первого варианта составит: 200 - 150 - 80 = -30 (ед.) Проект р2 требует 120 ед. инвестиций, ожидаемый доход 145 ед., ожидаемая прибыль составит 25 ед. В случае, если объект р2 находится в плохом состоянии, дополнительные инвестиции составят 20 ед., таким образом ЛПР получает прибыль
145 - 120 -20 = 5 (ед.).
Известно, что шансы в пользу того, что проект р1 находится в хорошем состоянии, составляют 0,7, для проекта р2 — 0,8. Тогда ожидаемый денежный доход (EMV) для проекта 1 равен 0,7x50 + 0,Зх(-30) = 35 - 9 = 26 (ед.), а в случае проекта р2:
0,8x25 + 0,2x5 = 21 (ед.).
Если объект p1 находится в хорошем состоянии, то экспертиза по проекту Pi даст заключение, что объект инвестиций находится в хорошем состоянии с вероятностью 0,90. Если объект р1 находится в плохом состоянии, то вероятность, что экспертиза обнаружит это, составляет 0,7. Если р2 находится в хорошем состоянии, то вероятность, что экспертиза установит это, составляет 0,8, если же объект находится в плохом состоянии, то это будет установлено е вероятностью 0,75.
Дерево решений, соответствующее этой ситуации, показано на рис. 5.3. Дерево организовано в хронологическом порядке выполненных решений и той информации, которая становится доступной. На дереве отражены выбор (тестирование или отсутствие тестирования), изучение результатов тестирования выбранного проекта и, наконец, оценка фактического состояния объекта, его стоимости и ожидаемой прибыли.
Чтобы вычислить оптимальную стратегию, мы должны приписать вероятность каждому ветвлению диаграммы. Вероятности ветвей to легко подсчитать в случае отсутствия теста мы можем просто использовать априорные вероятности с1 и с2. Экспертиза h1 проверяет состояние объекта q1 Если q1 находится в хорошем состоянии (обозначим q11), тогда с вероятностью 0,9 тест подтвердит это. Другими словами, с вероятностью 0,1 экспертиза отвергнет проект, в то время как в действительности он является хорошим. Обозначим решение h11 признать объект 1 хорошим, решение h10 — признать объект плохим. ЛПР знает, что априорная вероятность p(q1l) = 0,7, p(q2l) = 0,8. Если объект 1 в плохом состоянии, то экспертиза с вероятностью 0,7 отвергнет его. Таким образом, матрица условных вероятностей p1{h1k / q1l), где к = 0,1, l=0,1, равна
Для объекта 2 соответствующая матрица р2( h2k / q2e) имеет следующий вид:
Рис 5.3. Дерево решений с вероятностями на дугах
и метками полезности на вершинах
Однако для того, чтобы приписать вероятности альтернативным разветвлениям случайного выбора вдоль ветви t1, нам необходимо знать безусловные вероятности p(h11), p(h2), а также апостериорные вероятности p(q1 / h11), p(q1 / h10), p(q2 / h11), p(q2 / h10) Поскольку эти вероятности не заданы эксплицитно, мы можем использовать правило Байеса и вычислить p(h11, q11) = p(h11 / q11) x p(q11) = 0,63. Однако для того, чтобы приписать вероятности альтернативным разветвлениям выбора вдоль ветви t1 нам необходимо знать безусловные вероятности p(h11) так же, как и апостериорные вероятности p(q1k / h11), p(q1k / h10), p(q2k / h11), p(q2k / h10). Так как эти величины не представлены в явном виде, мы вычислим их по формуле Байеса:
P(h11, q11) = p(h11 / q11) x p(q11) = 0,9 X 0,7 = 0,63,
Так как экспертиза применима только к объекту р1 мы имеем p(q21 / h1) = p(q21).
Таким же образом мы вычисляем вероятность вдоль ветви t2, а затем выполним процесс возвратного анализа с выбором максимального значения:
вычислить среднюю полезность для каждой случайной вершины;
вычислить максимальную полезность в каждом узле после выделения оптимальной ветви;
проследить отмеченные ветви от корня и вниз, чтобы найти желанный оптимальный план.
Результат применения этой процедуры к дереву показан на рис. 5.3, где стоимость экспертизы вычтена из платежей соответствующих последствий.
Оптимальный план получается прослеживанием от корня к листьям с выбором в каждом разветвлении ветви с максимальной полезностью. Оптимальный план на рис. 2 выделен жирной линией. Он предполагает вложение 5 ед. в проведение экспертизы h1 затем инвестирование проекта q1 если имеет место исход h1 1 или инвестирование проекта q2, если исходом является h10.
Представление в виде дерева удобно для оптимизации плана, поскольку он содержит эксплицитное описание полной стратегии, т.е. предписание, как действовать в любой мыслимой ситуации. Оно является также концептуально ориентированным представлением, когда мы имеем естественно упорядоченную последовательность решений, которые необходимо принять, причем каждое последующее решение обусловлено предыдущими. Однако представление в виде дерева решений часто вступает в противоречие с естественными способами моделирования каузальных отношений в среде. В нашем примере мы предполагаем, что агент (покупатель) удовлетворен оценкой вероятности исхода некоторого теста при условии фактического состояния объекта инвестиций, но не вероятностью того, что качество обусловлено результатами теста (см. рис. 5.4).
а) Вероятности, необходимые для дерева решений б) Дерево вероятностей,
представленное агентом
Рис. 5.4. Вероятностное дерево
По этой причине аналитик решений находит более удобным обеспечить доступ к вероятностям, используя механизм, называемый вероятностным деревом, а затем преобразовать это вероятностное дерево в дерево решений, используя байесовское правило.
Заметьте, что вероятностное дерево, показанное на рис. 5.4 (б) соответствует раскрытию единственной связи с1 t1 в представлении байесовской сети. В общем случае проблема вывода вероятностей, необходимых для представления в виде дерева решений — это в точности задача, обрабатываемая формализмом байесовской сети. Таким образом, каузально организованная сеть уверенности может быть использована как база фундаментальных знаний, которая запрашивается, когда возникает необходимость получить параметры для временного построения дерева решений. Два компонента знания: знания относительно уверенностей и знания относительно действий интегрируются в формализации, называемой диаграммой влияния.