Electronic Banking

3.3 Ämnen och metoder

Tabell 5 innehåller en förteckning över alla de tillämpningsområden och metodologiska metoder som övervägts, tillsammans med antalet artiklar i alla kombinationer av dessa två dimensioner. Den sista kolumnen i tabellen visar antalet artiklar inom varje tillämpningsområde, medan den sista raden visar antalet artiklar inom varje metodologisk metodik för MCDA. Det bör noteras att dessa totaler inte är lika med rad- och kolumnsummorna, eftersom en artikel kan vara relaterad till flera finansiella tillämpningsområden och använda en kombination av MCDA-metoder och -tillvägagångssätt. I tabell 6 finns ytterligare detaljer om de kombinationer av metoder som har använts. I tabellen redovisas antalet artiklar som använder olika par av tillvägagångssätt (vi fokuserar på par eftersom den stora majoriteten av artiklarna – cirka 90 % – har använt högst två metoder).

De sammanfattande resultaten visar tydligt att portföljoptimering (PO) är det område som har studerats i störst utsträckning med MCDA-tekniker, nämligen MO och GP. Steuer och Na (2003) fann också att portföljanalys var det mest aktiva MCDA-finansforskningsområdet under perioden före 2002 (även om de inte gjorde någon åtskillnad mellan PO och tillgångsvärdering). PO:s popularitet kan tillskrivas ett antal orsaker. Det är ett mångfacetterat problem som innebär ett antal algoritmiska och modelleringsmässiga utmaningar (t.ex. riskmodellering, data av olika slag, dynamisk karaktär etc.), och det är relevant i olika sammanhang, bl.a. aktieportföljer och fondportföljer, samt i samband med tillgångar från icke-finansiella marknader (t.ex. energimarknader och råvaror). De flesta MO/GP-modeller som har föreslagits för PO har varit beroende av en kombination av flera riskmått (t.ex. skevhet/kurtos, value-at-risk-mått, omega ratio, systemrisk etc.), ofta med ytterligare hänsyn till ytterligare mål och målsättningar (likviditet, utdelning, diversifiering etc.). EA/MH har också varit mycket populära inom PO, särskilt när det gäller icke-konvexa kriterier och modeller för portföljval (t.ex. skewness/kurtos, value at risk) samt i fall där ytterligare verkliga egenskaper, t.ex. kardinalitetsbegränsningar, läggs till i analysen (Mansini, Ogryczak, & Speranza, 2014). Steuer (2013) skiljer mellan tre typer av MCDA-strategier inom PO. A priori-ansatser använder i förväg specificerad information om beslutsfattarens (investerare, portföljförvaltare) preferenser för att hitta den mest lämpliga effektiva portföljen. GP-modeller använder ofta ett sådant tillvägagångssätt. A posteriori-metoder fokuserar å andra sidan på att hitta den fullständiga uppsättningen effektiva portföljer i en enda körning, utan att det krävs specifikation av preferensuppgifter. EA/MH används vanligen inom denna ram, särskilt i mer komplexa fall som nämns ovan (för en översikt över EA/MH i PO, se Metaxiotis & Liagkouras, 2012). En sista klass av förfaranden bygger på interaktiva tekniker som gör det möjligt att successivt artikulera preferentiell information om beslutsfattarens investeringspolitik (se till exempel Xidonas, Mavrotas, & Psarras, 2010a).

PO är nära besläktat med andra ämnesområden som behandlas i denna undersökning, nämligen tillgångsutvärdering, SRI och energifinansiering. Överraskande nog behandlade endast 12 publikationer portföljförvaltning inom en integrerad ram som kombinerar PO och tillgångsutvärdering (se bland annat Kiris & Ustun, 2012, Pendaraki, Zopounidis, & Doumpos, 2005, Pérez-Gladish, Jones, Tamiz, & Bilbao Terol, 2007, och Xidonas, Askounis, & Psarras, 2009a). I alla dessa arbeten har man beaktat processen för tillgångsutvärdering i termer av grundläggande faktorer, ofta i samband med fondförvaltning, med hjälp av metoder som huvudsakligen bygger på AHP/ANP, OR och PDA. MO- och EA/MH-tekniker har å andra sidan också varit populära för tillgångsutvärdering, främst i samband med algoritmisk handel och teknisk analys (se bland annat Bodas-Sagi, Fernández-Blanco, Hidalgo, & Soltero-Domingo, 2013, Chiam, Tan, & Al Mamun, 2009 och Ng et al., 2014). Det är också intressant att notera att hälften av artiklarna om SRI (9 av 18 artiklar) också omfattar PO-aspekter och att sex av de 18 SRI-artiklarna tar hänsyn till sociala aspekter som en del av tillgångsutvärderingsprocessen. Intressant nog publicerades alla utom en av SRI-artiklarna under perioden 2009-2014, vilket tyder på att detta är en framväxande trend inom finansiella investeringar och portföljförvaltning.

Med undantag för de ovan nämnda investeringsrelaterade ämnena har kreditriskbedömning och konkursförutsägelser också varit mycket populära ämnen, med 108 relevanta artiklar, medan detta område inte identifierades som ett distinkt forskningsämne i den tidigare undersökningen av Steuer och Na (2003). På detta område har en rad olika metoder använts, varav de mest populära är MO, PDA, GP och OR. Modeller för att förutsäga kreditrisker och konkurser konstrueras vanligen utifrån befintliga databaser om fallissemang och konkurser (företags- eller konsumentuppgifter). PDA-tekniker använder vanligen MO- och GP-formuleringar för att härleda beslutsmodeller från befintliga datainstanser Några exempel finns bland annat i Doumpos och Zopounidis (2011), Peng, Kou, Shi och Chen (2008) och Zhang et al. (2014). Liknande tekniker har också använts för att analysera och förutsäga kreditbetyg som utfärdats av stora kreditvärderingsinstitut, vilka används i stor utsträckning av finansiella beslutsfattare, investerare och tillsynsmyndigheter (Doumpos, Niklis, Zopounidis, & Andriosopoulos, 2015; Doumpos & Pasiouras, 2005), medan andra studier har fokuserat på specialiserade modeller för områden som hypotekslån och sjöfart (se bland annat Ferreira, Santos, Marques, & Ferreira, 2014, och Gavalas & Syriopoulos, 2014). Det är också värt att notera att flera studier på detta område har utforskat kombinationer av MCDA-metoder med datautvinningsmodeller, t.ex. neurala nätverk, kärnmetoder, fallbaserade resonemang och klusteralgoritmer. Sådana kombinationer har betraktats i tre huvudformer: (a) användning av MO/GP-modeller (som ofta underlättas av EA/MH) för att träna datautvinningsmodeller (t.ex. Pendharkar & Nanda, 2006; Zhang et al., 2014), (b) användning av datautvinningsmodellernas komplexa struktur och representationsförmåga för att konstruera exakta multikriteriella riskbedömnings- och prediktionssystem (t.ex, Chen & Hu, 2011; Hu, 2009), och c) användning av MCDA-tekniker för att bedöma prestanda hos prognosmodeller (t.ex. Wu & Hsu, 2012).

Användningar inom bankväsendet har också rönt stort intresse, särskilt efter den globala kreditåtstramningen 2007/2008. Detta framgår av det faktum att 54 av de 73 artiklarna om banktillämpningar publicerades mellan 2010 och 2014. I likhet med kreditriskbedömning och konkursförutsägelser betraktades bankverksamhet inte heller som ett distinkt forskningsområde i Steuer och Na (2003). Under det senaste årtiondet har bankverksamhet således framstått som ett område av särskilt intresse för tillämpning av MCDA-metoder. Sådana metoder som tillämpas inom banksektorn är AHP/ANP (ofta i kombination med fuzzy-modeller) samt PDA-, OR- och GP-tekniker. Tillämpningsområdena omfattar bedömning av bankernas resultat (t.ex, Doumpos & Zopounidis, 2010; Grigoroudis, Tsitsiridi, & Zopounidis, 2013; Ioannidis, Pasiouras, & Zopounidis, 2010; Shen & Tzeng, 2014a), förvaltning av tillgångar och skulder (t.ex. Kosmidou & Zopounidis, 2007), förvaltning av bankkontor (t.ex, Ferreira et al., 2010) och e-banktjänster (t.ex. Hu & Liao, 2011; Kaya & Kahraman, 2011), bland annat.

Samma frågor har också beaktats utanför banksektorn i andra studier som har fokuserat på företags resultat i sektorer som transport, jordbruk, försäkringar, konstruktion osv. Som framgår av tabell 5 är de metoder som används för att bedöma företagens resultat ganska lika de metoder som används inom banksektorn.

När det gäller de andra tillämpningsområdena är det värt att notera att när det gäller kapitalbudgetering och finansiell planering identifierade vi endast 41 artiklar som publicerats sedan 2002. Detta är en märkbar minskning jämfört med undersökningen av Steuer och Na (2003), som fann att dessa områden var mycket utforskade under perioden före 2002 (då de tillsammans faktiskt var mer populära än portföljanalys).

Från den metodologiska synvinkeln är MO helt klart det dominerande tillvägagångssättet med 273 artiklar. Majoriteten av de arbeten där MO används är relaterade till PO (188 studier), följt av tillgångsbedömning (31 studier) och kreditriskbedömning/konkursförutsägelse (25 artiklar). Som framgår av tabell 6 kombinerar en betydande del av de studier som använder MO med EA/MH-tekniker (82 artiklar), fuzzy-modeller (35 studier) och algoritmer för datautvinning (18 artiklar).

AHP/ANP har varit den näst mest populära metoden. Detta är en stor ökning jämfört med den tidigare undersökningen av Steuer och Na (2003), som fann att endast ett litet antal studier förlitade sig på AHP före 2002. Intressant nog spänner AHP/ANP-relaterade artiklar över hela spektrumet av finansiella tillämpningar, ofta i kombination med fuzzy-modeller och andra MCDA-tekniker, särskilt TOPSIS.

Likt MO har GP också varit en populär modell- och lösningsmetod för finansiella beslut inom PO och förutsägelse av kreditrisker/konkurs. Kapitalbudgetering och finansiell planering har också varit populära ämnen för tillämpningar av GP-modeller. Till skillnad från MO-modeller har GP dock inte kombinerats lika ofta med andra metoder. Bland dem har fuzzy-modeller, DM och PDA varit de mest populära.

PDA har varit det mest populära tillvägagångssättet för modeller för prognostisering av kreditrisker och konkurser. Detta förklaras av PDA-ramverkets karaktär, som fokuserar på att härleda beslutsmodeller från data. Denna egenskap passar väl in i sammanhanget för modellering av kreditrisker och prediktion av finansiella svårigheter. För detta ändamål genomförs PDA-ramen vanligtvis med olika OR- och MAUT-modeller (t.ex. Bugera, Konno, & Uryasev, 2002; Doumpos, 2012; Doumpos & Zopounidis, 2011) eller i kombination med DM-tekniker (Peng m.fl, 2008).

Av de andra huvudsakliga MCDA-modelleringsmetoderna har MAUT använts i 36 studier, medan regelbaserade tekniker (t.ex. dominansbaserade grova mängder; Greco, Matarazzo, & Slowinski, 2013; Shen & Tzeng, 2014b) har använts i 13 publikationer. Det lilla antalet MAUT-tillämpningar inom finansiellt beslutsfattande jämfört med andra metoder rapporterades också av Steuer och Na (2003), som fann endast åtta relevanta publikationer under perioden före 2002. Slutligen är det värt att notera att vissa studier (15 totalt) har använt DEA som en databaserad multikriterieutvärderingsteknik i kombination med traditionella MCDA-metoder som MO, GP, AHP/ANP och TOPSIS (Amiri, Zandieh, Vahdani, Soltani, & Roshanaei, 2010; Che, Wang, & Chuang, 2010; Yang, Wong, Xu, Liu, & Steuer, 2010). DEA erbjuder en praktisk metod för multikriterieutvärderingar med hjälp av minimal information, eftersom utvärderingarna styrs av uppgifterna. När DEA-baserade utvärderingsmodeller används i ett MCDA-sammanhang är de dock behäftade med metodologiska problem (för en omfattande diskussion, se Bouyssou, 1999; Tofallis, 2010).