Methods for assessing the effectiveness of investment projects taken into account risk in conditions of uncertainty

Abstract

статья посвящена анализу актуальных вопросов, связанных с принятием инвестиционных решений в условиях риска и неопределенности, что является достаточно характерной ситуацией для современного этапа развития экономических систем. Отмечено, что инвестиционные решения, основанные на традиционных инструментах бюджетирования капитала, недооценивают общую доходность и фокусируют внимание на краткосрочных показателях, таких как первичные денежные потоки, вместо того чтобы сосредоточиться на будущем росте и создании конкурентных преимуществ в более отдаленной перспективе. Определено, что машинное обучение автоматизирует широкий спектр различных алгоритмов прогнозирования инвестиционных проектов, которые могут постоянно совершенствоваться по мере получения доступа к большему количеству данных. В развитии методов машинного обучения основное внимание уделяется автоматизации задач, традиционно выполняемых специалистами по данным, включая очистку данных, выбор модели, кластеризацию данных, автоматическое создание признаков и уменьшение размерности. В процессе исследования обозначены недостатки использования традиционного метода NPV для оценки портфеля при наличии неформализованных данных. Показан рабочий процесс анализа инвестиционных проектов с использованием метода машинного обучения. В качестве перспективных методов анализа рассмотрены искусственные нейронные сети и машинное обучение. Сделан вывод о том, что осуществление инвестиционной деятельности в условиях неопределенности приводит к возникновению проблемы выбора оптимального варианта реализации инвестиционного проекта. Для более качественного анализа сегодня используются специальные инструменты, которые позволяют повысить точность прогноза, оценить разновекторные и неструктурированные факторы. the article is devoted to the analysis of current issues related to making investment decisions under conditions of risk and uncertainty, which is a fairly typical situation for the current stage of development of economic systems. It has been noted that investment decisions based on traditional capital budgeting tools underestimate overall returns and focus on short-term indicators such as primary cash flows, rather than focusing on future growth and creating competitive advantages over the longer term. It has been determined that machine learning automates a wide range of different algorithms for forecasting investment projects, which can be constantly improved as they gain access to more data. The development of machine learning techniques has focused on automating tasks traditionally performed by data scientists, including data cleaning, model selection, data clustering, automatic feature generation, and dimensionality reduction. During the study, the disadvantages of using the traditional NPV method for assessing a portfolio in the presence of unformalized data were identified. The workflow for analyzing investment projects using the machine learning method is shown. Artificial neural networks and machine learning are considered as promising methods of analysis. It is concluded that the implementation of investment activities in conditions of uncertainty leads to the problem of choosing the optimal option for implementing the investment project. For a more qualitative analysis, today special tools are used that make it possible to increase the accuracy of the forecast and evaluate multi-vector and unstructured factors.