Аналіз даних персоналізованого прийняття інвестиційних рішень з використанням автоматизованих фінансових консультантів

Кобець, ВМ
Яценко, ВО
Мазур, АЮ
Зубрій, МІ
Nauka innov. 2020, 16(2):87-100
https://doi.org/10.15407/scin16.02.087
Рубрика: Cвіт інновацій
Мова: Англійська
Анотація: 
Вступ. На сьогодні проблема пошуку оптимального балансу між споживанням та заощадженнями, перетвореними в інвестиції, вирішується за допомогою автоматизованих систем прийняття інвестиційних рішень, прикладом яких є послуги автоматизованих фінансових консультантів або робо-консультантів (robo-advisers), які працюють на базі математичного алгоритму, що ґрунтується на теорії споживання та заощадження.
Проблематика. Завданням розробленого ІТ сервісу є підтримка постійного рівня споживання клієнта протягом всього періоду життя шляхом автоматичного аналізу того, скільки він/вона має споживати та заощаджувати щороку. Результати пропозицій щодо співвідношення споживання та заощадження можуть змінюватися при зміні початкових фінансових даних.
Мета. Розробити інвестиційний план для профайлів інвесторів з урахуванням їх схильності до ризику за допомогою аналізу даних сервісом автоматизованих фінансових консультантів (robo-advisers).
Матеріали і методи. SWOT-аналіз послуг робо-консультантів (RA) та порівняльні характеристики робо-консультантів пояснюють переваги сервісу RА. Мікросервіс для розрахунку стабільного рівня споживання і модель фінансового консультування робо-консультанта для гарантування стабільного рівня споживання клієнта розроблено з використанням низки технологій: Python 3.6, Django 2.0, Django Rest framework, AngularJs, HTML5, CSS 3, Bootstrap.
Результати. Розглянуто співвідношення споживання — заощадження, нові тенденції послуг робо-консультантів (RA) використовуваних для прийняття інвестиційних рішень. Розроблено математичну модель робо-консультанта в довгостроковій перспективі та описано підтримку прийняття інвестиційного рішення в довгостроковій перспективі за участі програмного модуля робо-консультанта.
Висновки. Розробку RA призначено, насамперед, для приватних осіб (інвесторів), які інвестують у довгострокові фінансові інструменти, з метою забезпечення їхнього постійного пасивного доходу на основі обраного ними періоду заощадження і моменту виходу на пенсію.
Ключові слова: аналіз даних, ануїтет, довгострокове прийняття рішень, робо-консультант
Посилання: 
1. The Rise of Robo-Advice. Changing the Concept of Wealth Management. 
2. Park, J. Y., Ryu, J. P., Shin, H. J. (2016). Robo Advisors for Portfolio Management. Adanced Science and Technology Letters, 141 (Green and Smart Technology II), 104-108.
3. Alós-Ferrer, C., Hügelschäfer, S., Li, J. (2016). Inertia and Decision Making. Front. Psychol., 7, 169.
 4. Park, J. H., Ryu, J. P., Shin, H. J. (2016). Predicting KOSPI Stock Index using Machine Learning Algorithms with Technical Indicators. Journal of Information Technology and Architecture, 13, 331–340.
5. The expansion of Robo-Advisory in Wealth Management - Deloitte. 
6. Jung, D., Dorner, V., Glaser, F., Morana, S. (2018). Robo-Advisory - Digitalization and Automation of Financial Advisory. Business & Information Systems Engineering, 60(1), 81-86.
7. Kohavi, R., Provost, F. (1998). Glossary of terms. Machine Learning - Special Issue on Applications of Machine Learning and the Knowledge Discovery Process. Machine Learning, 30, 271-274.
8. The implications of machine learning in finance. 
9. Lam, J. W. (2016). Robo-Advisers: A Portfolio Management Perspective. Senior Thesis, Yale College. 
10. Faggella, D. Machine Learning in Finance – Present and Future Applications.  
11. Kashner, E. Ghosts in the Robo Advisor Machine.  
12. Markowitz, H. M. (1952). Portfolio Selection. The Journal of Finance. 7(1), 77-91.
13. Fisher, I. (1977). The Theory of interest. Philadelphia: Porcupine Press.
14. Black, F., Litterman, R. (1992). Global Portfolio Optimization. Financial Analysts Journal, 48(5), 28-43.
15. Baker, T., Dellaert, B. (2018). Regulating Robo Advice Across the Financial Services Industry. Faculty Scholarship at Penn Law. 1740. 
16. Betterment Review. 
17. Future Advisor Review. 
18. Thangavelu, P. Motif Investing Broker Review: Easy Thematic Investing. 
19. Motif Investment Review.  
20. Fein, M. L. Robo-Advisors: a Closer Look. 
URL: http://dx.doi.org/10.2139/ssrn.2658701 (Last accessed: 16.12.2018).
21. Robo advising - KPMG.  
22. Kobets, V., Yatsenko, V. (2016). Adjusting business processes by the means of an autoregressive model using BPMN 2.0. CEUR Workshop Proceedings, 1614, 518–533.
URL: CEUR-WS.org/Vol-1614/ICTERI-2016-CEUR-WS-Volume.pdf (Last accessed: 16.12.2018).
23. Kobets, V., Poltoratskiy, M. (2016). Using an Evolutionary Algorithm to Improve Investment Strategies for Industries in an Economic System. CEUR Workshop Proceedings, 1614, 485–501.
URL: CEUR-WS.org/Vol-1614/ICTERI-2016-CEUR-WS-Volume.pdf (Last accessed: 16.12.2018).
24. Snihovyi, O., Ivanov, O., Kobets, V. (2018). Implementation of Robo-Advisors Using Neural Networks for Different Risk Attitude Investment Decisions. 9th International conference on intelligent systems, (25–27 September 2018, Funchal-Madeira, Portugal), Funchal-Madeira, 2018, 332–336.
25. Kobets, V., Yatsenko, V., Mazur, A., Zubrii, M. (2018). Data Analysis of Private Investment Decision Making Using Tools of Robo-Advisers in Long-Run Period. CEUR Workshop Proceedings, 2104, 144–159.
URL: CEUR-WS.org/Vol-2104/ (Last accessed: 16.12.2018).