Перевод названия: Computational aspects of digital economy
Тип публикации: статья из журнала
Год издания: 2020
Идентификатор DOI: 10.25728/ubs.2020.84.6
Ключевые слова: цифровая экономика, Большие Данные, вычислительный вероятностный анализ, функциональная регрессия, экстраполяция Ричардсона, оценки рисков, digital economy, Big Data, computational probabilistic analysis, Functional regression, Richardson extrapolation, risk assessment
Аннотация: Обсуждаются основные вычислительные проблемы в задачах цифровой экономики, связанные в первую очередь с обработкой и анализом данных больших объемов, организацией вычислительных процессов и повышением точности численных процедур. Подход основан на применении новых методов агрегации данных на основе вычислительного вероятностного анПоказать полностьюализа, использовании вероятностных расширений и численных операций над кусочно-полиномиальными функциями. Одной из наиболее важных проблем численного моделирования больших данных является задача вычисления функциональных зависимостей. Для выявления зависимостей в больших данных предлагается использовать функциональную регрессию в пространстве эмпирических распределений. Рассматриваются новые методы моделирования функциональных зависимостей на основе кусочно-полиномиальных аппроксимаций. Для анализа и повышения точности вычислений используется подход, основанный на правиле Рунге и экстраполяции Ричардсона. Для организации вычислительного процесса применяется рекурсивно-параллельная схема, основанная на свойствах вероятностных расширений. Такой подход обеспечивает технику быстрых и надежных вычислений в условиях больших объемов данных для различных типов неопределенности. В качестве примера рассматривается задача оценки инвестиционных рисков. Рассчитываются функции плотности вероятности таких факторов, как чистая текущая стоимость (NPV) и внутренняя норма доходности (IRR). The article discusses the main computational problems in the digital economy, primarily related to the processing and analysis of big data, the organization of computational processes and improving the accuracy of numerical procedures. The approach is based on the application of new methods of data aggregation based on computational probabilistic analysis, the use of probabilistic extensions and numerical operations on piecewise polynomial functions. One of the most important tasks of numerical modeling of big data is the calculation of functional dependencies. It is proposed to use functional regression on empirical distributions to identify dependencies in big data. New methods for modeling functional dependencies based on spline approximations are considered. To study and improve the accuracy of calculations, an approach based on the Runge rule and Richardson extrapolation is used. To organize the computing process, a recursive-parallel scheme is used, based on the properties of probabilistic extensions. This approach provides a technique for fast and reliable calculations in the conditions of large volumes of data for various types of uncertainty. As an example, the problem of assessing investment risks is considered. The probability density functions of factors such as net present value (NPV) and internal rate of return (IRR) are calculated.
Журнал: Управление большими системами: сборник трудов
Выпуск журнала: № 84
Номера страниц: 114-129
ISSN журнала: 18192440
Место издания: Москва
Издатель: Институт проблем управления им. В.А. Трапезникова РАН