Wspierany przez sztuczną inteligencję kombinatoryczny solver dla decyzji inwestycyjnych

Dlaczego większość decyzji inwestycyjnych jest systematycznie nieoptymalna - i jak optymalizacja kombinatoryczna po raz pierwszy umożliwia obliczenie całej przestrzeni decyzyjnej.

W niemal każdej organizacji strategiczne decyzje inwestycyjne podejmowane są na podstawie szeroko zakrojonych analiz. Tworzone są przypadki biznesowe, oceniane projekty, obliczane scenariusze i przydzielane budżety. Pomimo tak wysokiego poziomu analizy, fundamentalny problem matematyczny pozostaje nierozwiązany w większości procesów decyzyjnych: pełna przestrzeń decyzyjna nie jest obliczana.

Kiedy organizacje planują portfele inwestycyjne, stają przed klasycznym problemem optymalizacji kombinatorycznej. W przypadku kilku projektów inwestycyjnych istnieją nie tylko indywidualne decyzje, ale także duża liczba możliwych kombinacji projektów, które razem tworzą portfel.

Liczba tych kombinacji rośnie wykładniczo. Nawet kilka projektów tworzy przestrzeń decyzyjną, która nie może być w pełni przeanalizowana przez ludzi, modele Excel lub tradycyjne narzędzia do zarządzania portfelem projektów lub tradycyjne narzędzia do zarządzania portfelem projektów.

W rezultacie powstaje strukturalny problem decyzyjny: organizacje ustalają priorytety projektów, analizują scenariusze i przydzielają budżety, nie znając matematycznie optymalnej kombinacji wszystkich inwestycji.

Właśnie w tym miejscu pojawia się nowa generacja systemów algorytmicznych: Wspierane przez sztuczną inteligencję rozwiązania kombinacyjne do podejmowania decyzji inwestycyjnych. Systemy te nie obliczają poszczególnych projektów, ale raczej całą przestrzeń decyzyjną możliwych portfeli projektów i identyfikują globalne optimum przy rzeczywistych ograniczeniach.

Podstawowy matematyczny problem planowania inwestycji

Planowanie portfela inwestycyjnego można sformułować matematycznie jako kombinatoryczny problem decyzyjny. Załóżmy, że firma lub organizacja publiczna ocenia listę potencjalnych projektów inwestycyjnych.

Każdy projekt może zostać zrealizowany lub nie. W rezultacie otrzymujemy wszystkie możliwe kombinacje tych projektów z listy N projektów.

Liczba możliwych portfeli wynika z funkcji:

2^N

Oznacza to, że nawet stosunkowo niewielka liczba projektów generuje niezwykle dużą przestrzeń decyzyjną.

Przy dziesięciu projektach istnieje już ponad tysiąc możliwych portfeli projektów. Przy dwudziestu projektach - ponad milion. Przy pięćdziesięciu projektach - ponad kwadrylion możliwych kombinacji.

Ta wykładnicza struktura jest klasyczną cechą optymalizacji kombinatorycznej, centralnej dziedziny badań operacyjnych i informatyki.

W teorii, problemy te są znane od dziesięcioleci i są opisywane w literaturze naukowej jako warianty problemu plecakowego, wyboru portfela projektów lub mieszana Optymalizacja Całkowa.

W praktyce jednak rzadko oblicza się całą przestrzeń decyzyjną.

Dlaczego klasyczne procesy decyzyjne systematycznie zawodzą

W większości organizacji wybór projektów inwestycyjnych przebiega według stosunkowo podobnego schematu.

Najpierw projekty są analizowane indywidualnie. Opracowywane są przypadki biznesowe, szacowane są oczekiwane zwroty, oceniane jest ryzyko i ustalane są priorytety strategiczne.

Projekty są następnie priorytetyzowane przy użyciu systemu oceny. Może to przybrać formę kart wyników, rankingów lub wag strategicznych.

Wreszcie, projekty są włączane do portfela do momentu osiągnięcia limitów budżetowych lub pojemnościowych.

Z matematycznego punktu widzenia proces ten odpowiada tak zwanej procedurze zachłannej.

Algorytmy zachłanne podejmują decyzje krok po kroku i wybierają najlepszą opcję w danym momencie. Są łatwe w implementacji i często intuicyjnie zrozumiałe.

Jednak ich decydującą wadą jest to, że biorą pod uwagę tylko lokalne ulepszenia. Globalne optimum całego systemu często pozostaje nierozpoznane.

W złożonych portfelach inwestycyjnych może to prowadzić do wyboru projektów o wysokiej wartości indywidualnej, chociaż inna kombinacja projektów wygenerowałaby znacznie wyższą wartość ogólną.

Problem optymalizacji lokalnej

Pomocnym obrazem wyjaśniającym ten problem jest krajobraz z wieloma wzgórzami i jedną najwyższą górą.

Lokalne procesy decyzyjne często kierują się w stronę najbliższego wzniesienia. Gdy tylko pozornie dobry punkt zostanie osiągnięty, uznaje się go za optymalny.

Jednak rzeczywiste globalne optimum - najwyższe wzgórze w krajobrazie - pozostaje ukryte, ponieważ cała przestrzeń decyzyjna nie jest systematycznie analizowana.

W przypadku portfeli inwestycyjnych oznacza to, że firmy wybierają dobre projekty, ale niekoniecznie najlepszą kombinację wszystkich projektów, ale niekoniecznie najlepszą kombinację wszystkich projektów.

Różnica między optimum lokalnym a optimum globalnym może prowadzić do znacznych odchyleń ekonomicznych w dużych portfelach inwestycyjnych prowadzić do znacznych odchyleń ekonomicznych.

Typowe błędy w decyzji portfelowej

Brak uwzględnienia pełnej przestrzeni decyzyjnej prowadzi do kilku systematycznych błędów w planowaniu inwestycji w planowaniu inwestycji.

Jednym z powszechnych problemów jest izolowana ocena poszczególnych projektów. Jeśli projekty są rozpatrywane tylko indywidualnie, interakcje między projektami nie są brane pod uwagę.

Innym problemem jest rozdrobnienie budżetu. Budżety są przydzielane do kilku projektów bez uwzględnienia ogólnego wpływu ich kombinacji.

Współzależności czasowe są również często niedoceniane. Wiele projektów osiąga korzyści ekonomiczne dopiero w połączeniu z innymi inicjatywami lub w ciągu kilku lat w ciągu kilku lat.

Bez matematycznego modelowania tych współzależności tworzone są portfele, które wydają się prawdopodobne, ale nie są optymalne.

Rola optymalizacji kombinatorycznej

Optymalizacja kombinatoryczna zajmuje się właśnie tego typu problemami. Celem jest zidentyfikowanie spośród dużej liczby możliwych kombinacji tej, która maksymalizuje lub minimalizuje określoną funkcję celu, która maksymalizuje lub minimalizuje określoną funkcję celu.

W przypadku portfeli inwestycyjnych funkcja celu składa się zazwyczaj ze wskaźników ekonomicznych, takich jak Wartość kapitału, zwrot, ryzyko lub wkład strategiczny.

Istnieją również warunki drugorzędne, takie jak ograniczenia budżetowe, limity przepustowości, Zależności między projektami lub wymogi regulacyjne.

Z matematycznego punktu widzenia skutkuje to problemem optymalizacyjnym z dyskretnymi zmiennymi decyzyjnymi, który jest często formułowany jako mieszane programowanie całkowite.

Przykład eksplozji przestrzeni decyzyjnej

Poniższa tabela pokazuje, jak szybko rośnie przestrzeń decyzyjna wraz ze wzrostem liczby projektów.

Ta wykładnicza struktura wyjaśnia, dlaczego klasyczne narzędzia decyzyjne nie są w stanie przeanalizować całej przestrzeni decyzyjnej, przeanalizować całej przestrzeni decyzyjnej.

Rozwiązywanie kombinacji wspierane przez sztuczną inteligencję

Rozwiązywanie kombinacji wspierane przez sztuczną inteligencję rozwiązuje właśnie ten problem.

Zamiast analizować poszczególne projekty, solver modeluje cały portfel inwestycyjny jako matematyczny problem optymalizacyjny.

Zmienne decyzyjne reprezentują wybór poszczególnych projektów. Ograniczenia modelują rzeczywiste ograniczenia, takie jak budżet, pojemność lub ryzyko.

Następnie solver systematycznie przeszukuje przestrzeń decyzyjną i identyfikuje kombinację projektów kombinację projektów, która maksymalizuje funkcję celu.

Nowoczesne systemy łączą metody z kilku dziedzin badań:

• Badania operacyjne
• Optymalizacja kombinatoryczna
• Mieszane programowanie całkowitoliczbowe
• Metody rozgałęziania i wiązania
• Algorytmy wyszukiwania heurystycznego
• Uczenie maszynowe

To połączenie zapewnia potężne wsparcie decyzyjne, które wykracza daleko poza tradycyjne systemy analityczne.

Różnica między analizą a optymalizacją

Wiele istniejących systemów zarządzania portfelem projektów koncentruje się na funkcjach analitycznych.

Odpowiadają one na pytania takie jak:

• Jak opłacalny jest projekt?
• Jak wysokie jest ryzyko?
• Jak zmienia się uzasadnienie biznesowe przy określonych założeniach?

Informacje te są ważne, ale nie wystarczą do określenia optymalnej kombinacji projektów.

Systemy optymalizacyjne zadają inne pytanie:

Która kombinacja wszystkich projektów maksymalizuje całkowitą wartość portfela przy danych ograniczeniach?

Dopiero z tej perspektywy widoczna staje się cała przestrzeń decyzyjna.

Praktyczny wpływ na decyzje inwestycyjne

Różnica między heurystyczną priorytetyzacją a matematyczną optymalizacją portfela może mieć znaczący wpływ ekonomiczny może mieć znaczący wpływ ekonomiczny.

W rzeczywistych zastosowaniach często zdarza się, że optymalna kombinacja projektów przynosi znacznie wyższe całkowite zyski niż klasycznie uszeregowany portfel znacznie wyższe całkowite zyski niż w przypadku klasycznie uszeregowanego portfela.

Powodem tego są współzależności między projektami.

Projekt o umiarkowanej wartości indywidualnej może, w połączeniu z innymi projektami generować znaczną wartość dodaną.

I odwrotnie, kilka wysoko cenionych projektów może razem tworzyć nieefektywny portfel, jeśli konkurują o te same zasoby lub wiążą się z podobnym ryzykiem.

Strategiczne znaczenie dla spółek

Dla firm dysponujących dużymi budżetami inwestycyjnymi, jakość decyzji portfelowych staje się decydującym czynnikiem konkurencyjności decydującym czynnikiem konkurencyjnym.

Alokacja kapitału decyduje o tym, które technologie są rozwijane, które rynki są otwierane i które ścieżki innowacji są realizowane.

Jeśli przestrzeń decyzyjna nie jest w pełni przeanalizowana, zasoby są często inwestowane w nieoptymalne projekty.

Matematycznie zoptymalizowane podejście portfelowe może zatem mieć znaczący wpływ na długoterminowe wyniki firmy na długoterminowe wyniki firmy.

Strategiczne znaczenie dla budżetów publicznych

Optymalizacja portfeli inwestycyjnych odgrywa również coraz ważniejszą rolę w sektorze publicznym.

Miasta i stany stoją przed wyzwaniem alokacji ograniczonych budżetów na dużą liczbę projektów infrastrukturalnych, Inicjatywy edukacyjne i programy społeczne.

Liczba możliwych kombinacji tych projektów jest ogromna.

Bez systematycznej optymalizacji istnieje ryzyko, że inwestycje nie będą miały maksymalnego możliwego wpływu społecznego nie będą miały maksymalnego możliwego wpływu społecznego.

Przyszłość inteligencji decyzyjnej

Wraz z rosnącą mocą obliczeniową i ulepszonymi algorytmami optymalizacji, obliczanie złożonych przestrzeni decyzyjnych staje się coraz bardziej praktyczne algorytmów optymalizacyjnych, obliczanie złożonych przestrzeni decyzyjnych staje się coraz bardziej praktyczne.

Rozwiązywanie kombinacji wspierane przez sztuczną inteligencję po raz pierwszy otwiera możliwość Decyzji inwestycyjnych na podstawie kompletnej matematycznej przestrzeni decyzyjnej.

Oznacza to fundamentalną zmianę w sposobie podejmowania strategicznych decyzji przez organizacje, jak organizacje podejmują strategiczne decyzje.

Zamiast jedynie zarządzać złożonością, można ją teraz systematycznie optymalizować.

FAQ

Co to jest solver kombinowany?

Rozwiązywanie kombinacji to system algorytmiczny, który identyfikuje z dużej liczby możliwych kombinacji tę, która maksymalizuje lub minimalizuje określoną funkcję celu.

Dlaczego decyzje inwestycyjne są problemami kombinatorycznymi?

Ponieważ każdy projekt może zostać zrealizowany lub nie. Daje to wszystkie możliwe kombinacje tych projektów z N projektów.

Dlaczego klasyczne narzędzia nie mogą rozwiązać tego problemu?

Liczba możliwych kombinacji rośnie wykładniczo. Nawet przy zaledwie kilku projektach przestrzeń decyzyjna przekracza możliwości klasycznych narzędzi analitycznych klasycznych narzędzi analitycznych.

Jakie metody matematyczne są stosowane?

Typowe metody to mieszane programowanie całkowitoliczbowe, metody rozgałęzień i wiązań, heurystyczne metody wyszukiwania i różne techniki optymalizacji kombinatorycznej.

Jakie są korzyści dla firm?

Firmy mogą zidentyfikować portfele inwestycyjne które generują maksymalną wartość ekonomiczną przy rzeczywistych ograniczeniach.

Jaką rolę odgrywa sztuczna inteligencja?

Sztuczna inteligencja może być wykorzystywana do efektywnego strukturyzowania przestrzeni wyszukiwania, Ulepszania modeli i wspierania procesów decyzyjnych.