zinet home
home home
home ИНТЕЛЛЕКТ-ПОРТАЛ
home Стартовал прием материалов в сборник XХХIX-й научной конференции. Требования к публикациям - в разделе "Объявления".

На главную | Объявления | Отчеты предыдущих конференций | История Украины | Контакты

РЕСУРСЫ ПОРТАЛА:

Тридцать восьмая научно-практическая конференция
(23 - 28 мая 2016 г.)


Тридцать седьмая научно-практическая конференция
(19 - 22 апреля 2016 г.)


Тридцать шестая научно-практическая конференция
(29 декабря 2015 - 5 января 2016 г.)


Тридцать пятая научно-практическая конференция
(24-27 ноября 2015 г.)


Тридцать четвертая научно-практическая конференция
(13-17 октября 2015 г.)


Тридцать третья научно-практическая конференция
(20-27 мая 2015 г.)


Тридцать вторая научно-практическая конференция
(2-7 апреля 2015 г.)


Тридцать первая научно-практическая конференция
(25 февраля - 1 марта 2015 г.)


Тридцатая научно-практическая конференция
(19-25 января 2015 г.)


Двадцать девятая международная научно-практическая конференция
(19-25 ноября 2014 г.)


Двадцать восьмая международная научно-практическая конференция
(08-13 октября 2014 г.)


Двадцать седьмая научно-практическая конференция
(20-25 мая 2014 г.)


Двадцать шестая научно-практическая конференция
(7-11 апреля 2014 г.)


Двадцать пятая юбилейная научно-практическая конференция
(3-7 марта 2014 г.)


Двадцать четвертая научно-практическая конференция
(20-25 января 2014 г.)


Двадцать третья научно-практическая конференция
(10-15 декабя 2013 г.)


Двадцать вторая научно-практическая конференция
(4-9 ноябя 2013 г.)


Первая международная научно-практическая конференция
(14-18 мая 2013 г.)


Двадцать первая научно-практическая конференция
(14-18 мая 2013 г.)


Двадцатая научно-практическая конференция
(20-28 апреля 2013 г.)


Девятнадцатая научно-практическая конференция
(26 февряля - 3 марта 2013 г.)


Восемнадцатая научно-практическая конференция
(22-26 декабря 2012 г.)


Семнадцатая научно-практическая конференция
(22-26 октября 2012 г.)


Шестнадцатая научно-практическая конференция
(09-14 апреля 2012 г.)


Пятнадцатая научно-практическая конференция
(01 - 07 марта 2012 г.)


Четырнадцатая научно-практическая конференция
(12-20 декабря 2011 г.)


Тринадцатая научно-практическая конференция
(28 октября - 09 ноября 2011 г.)


Двенадцатая научно-практическая конференция
(28 мая - 06 июня 2011 г.)


Одинадцатая научно-практическая конференция
(26 апреля - 04 мая 2011 г.)


Десятая научно-практическая конференция
(15-23 марта 2011 г.)


Девятая научно-практическая конференция
(27-31 декабря 2010 г.)


Восьмая научно-практическая конференция
(05-12 декабря 2010 г.)


Седьмая научно-практическая конференция
(28 мая - 7 июня 2010 г.)


Шестая научно-практическая конференция
(1-15 апреля 2010 г.)


Пятая научно-практическая конференция
(20-27 мая 2009 г.)


Четвертая научно-практическая конференция
(10-17 апреля 2009 г.)


Третья научно-практическая конференция
(20-27 декабря 2008 г.)


Вторая научно-практическая конференция
(1-7 ноября 2008 г.)


Первая научно-практическая конференция
(10-15 мая 2008 г.)



НАШИ ПАРТНЕРЫ:

Студия веб-дизайна www.zinet.info



Студия ландшафтного дизайна Флора-МК


Уникальное предложение!



Сайт-визитка - теперь
всего за 200 грн!

подробнее>>>



МОДЕЛЮВАННЯ ГЕТЕРОСКЕДАСТИЧНИХ ПРОЦЕСІВ РИНКОВИХ РИЗИКІВ БАНКІВ

 

Бідюк П.І., Головатюк А.О.

Україна, м. Київ, ННК «ІПСА» НТУУ «КПІ»

 

Выполнены исследования выбранных моделей условной дисперсии гетеро-скедастических процессов с целью выбора лучших для краткосрочного прогнозирования. Построены новые модели для финансовых показателей, как для гетероскедастических процессов. Модели имеют удовлетворительную степень адекватности, о чем свидетельствуют рассчитанные критерии качества оценок.

 

Важливою складовою прогнозування впливу ринкових ризиків на діяльність банку та оцінки капіталу під ризиком банку є прогнозування динаміки цін на фінансових ринках. Проведений аналіз показав що, більшість методів прогнозування фінансових ринків базуються на припущенні про нормальний закон розподілу, де показники динаміки є незалежними величинами та розподілені в межах заданого сталого стандартного відхилення.

Разом з тим припущення про нормальний закон розподілу реалістичне для розвинутих фінансових ринків з великою кількістю учасників ринку, високим рівнем конкуренції та незалежності від регулятивного втручання. Таке припущення значно спрощує розрахунки і зручне для економічного обґрунтування. Проте, воно не завжди описує реальну ситуацію і не дає точних результатів прогнозування. Відтак підходи до прогнозування фінансових ринків в умовах України, можуть значно відрізнятися від загальноприйнятих.

Згідно рекомендацій Базельського комітету з банківського регулювання та нагляду показник VaR є основним показником при оцінці ринкового ризику, оскільки дозволяє не тільки сформувати необхідну суму резервного капіталу, але й управляти ринковим ризиком шляхом встановлення лімітів відкритих валютних позицій та включати додаткову маржу за ринковий ризик при формуванні ціни на банківські продукти. Розрахунок VaR базується на волатильності фінансового ринку, що найчастіше визначається як параметр нормального закону розподілу ряду динаміки ринкових цін.

Особливість українського фінансового ринку пов’язана із значними похибками результатів прогнозування зміни цін на фінансові інструменти на основі нормального закону розподілу.

Нашим завданням є виконання аналізу існуючих структур моделей гетероскедастичних процесів; пропозиція модифікації структури авторегресійної моделі стохастичної волатильності, яка надасть можливість враховувати попередні значення умовної дисперсії; розробити алгоритм оцінювання параметрів моделі стохастичної волатильності і виконати обчислювальні експерименти з метою оцінювання параметрів моделей і короткострокового прогнозування умовної дисперсії з подальшим застосуванням отриманих результатів під час оцінки капіталу банку під ризиком.

Гетероскедастичні процеси, тобто процеси із змінною в часі дисперсією - поширений клас фінансово-економічних процесів, особливо в нестійкій перехідній економіці. За визначенням такі процеси відносяться до класу слабо нестаціонарних процесів, а тому описання їх динаміки має деякі особливості у порівнянні із стаціонарними. Одним із популярних підходів до моделювання нестаціонарних процесів є метод групового врахування аргументів, який був успішно застосований до побудови моделей ряду технічних, екологічних та економічних процесів.

Формально для гетероскедастичного процесу можна записати

                                                   (1)

Припущення гомоскедастичності означає, що варіація кожної випадкової величини  навколо її математичного сподівання залишається сталою величиною незалежно від значень факторів. Тобто,  не є функцією .

Гетероскедастичніть означає, що дисперсія процесу зменшується чи збільшується в часі, або є більш складною функцією часу. Тобто, вона може змінюватися за досить складним законом, який і потрібно знайти при створенні моделі процесу.

Далі розглянемо деякі найбільш відомі моделі умовної дисперсії. Розглянемо деякі популярні моделі умовної дисперсії, які застосовуються на практиці для дослідження фінансових процесів. Простою моделлю умовної дисперсії є авторегресійна умовно гетероскедастична модель порядку p (АРУГ(р) або ARCH(p) — auto regressive conditional heteroscedasticity):

Зазвичай ARCH та GARCH (general auto regressive conditional heteroscedasticity) - моделі використовуються в економетрії для моделювання волатильності залишків, тобто похибок первинної моделі. За припущення, що прогнозується рівень динаміки на рівні середнього (µ) з певною похибкою ε, побудуємо ARMA-модель:

                                                                   (2)

де  - значення динаміки ринкових індикаторів.Якщо µ=0, то .

Отже, показники динаміки можна трактувати як залишки ARMA-моделі.

Модельованою змінною у ARCH- та GARCH-моделях є дисперсія або квадрат волатильності. Для ARCH-моделі вхідними параметрами є значення ряду динаміки у минулому з різними часовими лагами. Лінійна функція ARCH-моделі має вигляд:

,                                                   (3)

де  - дисперсія, яка моделюється;  – вагові коефіцієнти (>0);  – значення коефіцієнтів динаміки в минулому; q – кількість вхідних змінних. Кількість вхідних змінних q та вагові коефіцієнти  повинні визначатися виходячи з максимальної точності моделі.

Модель GARCH додатково враховує історичний ряд значень волатильностей:

                                        (4)

де  – значення дисперсії показників динаміки в минулому. Як і для ARCH-моделі кількість вхідних змінних q та p, а також вагові коефіцієнти , , повинні визначатися виходячи максимальної точності моделі.

                                                             (5)

Якщо сума  та  згідно (5) наближається до одиниці, волатильність є досить сталою, що свідчить про так звану “довгу пам’ять” волатильності. Умова стаціонарності показників дисперсії зазвичай включає середнє значення волатильності, якщо сума ARCH- та GARCH- процесів є значно меншою за одиницю.

Особливим видом GARCH-моделі є експотенціально-зважена волатильність. Функція експотенціально-зваженого процесу має вигляд:

                                              (6)

Отже, у цій моделі a=1-λ, b = λ, p,q = 1. GARCH-модель у загальному вигляді має ширші можливості для моделювання з досягненням результатів значно вищої точності, ніж експотенціально-зважена волатильність, оскільки передбачає можливість обрати оптимальні вагові параметри, сума яких може бути меншою за одиницю, та часовий лаг, що володіє найвищою силою прогнозування волатильності.

Як свідчать розрахунки ряди динаміки цін на основних фінансових ринках України є автокорельованими, що суперечить ключовому припущенню нормального закону розподілу про незалежність змінних. Спростуємо гіпотезу про незалежність динамічного ряду цін на фінансовому ринку України економічно, беручи до уваги малу чисельність учасників на ринку порівняно з світовими фінансовими ринками.

Якщо ряд випадкових величин підпорядковується нормальному закону розподілу, то значення величин з похибкою 0,3% повинні бути в межах ±3σ (де σ – стандартне відхилення динамічного ряду цін),тобто дисперсія ряду значень динаміки ринкових цін повинна бути відносно сталою.

Якщо розрахувати дисперсію рядів значень цін на фінансовому ринку України на кожному кроці з горизонтом 1 місяць за період 2006-2011рр., отримаємо різні величини дисперсій, а отже і волатильностей на кожному кроці розрахунку (рис.1).

 

Рис.1. Коливання волатильності цін на фінансовому ринку України

 

Таким чином, якщо волатильність індикаторів змінна отримуємо швидше гетероскедастичність на фінансовому ринку, ніж нормальний закон розподілу цін. Явище коли дисперсія залишків змінюється для кожного спостереження або групи спостережень називається гетероскедастичністю.

Динаміка волатильності міжбанківських процентних ставок та валютного курсу UAH/USD показує, що масштабне зростання волатильності спостерігалося в період кризи 2008-2009рр. При оцінці вартості під ризиком відкритих ринкових позицій банку на основі нормального закону розподілу отримаємо значну похибку, а отже, недооцінку збитків. Уникнути такої ситуації дозволяє методика прогнозування ринку за допомогою ARCH та GARCH моделювання, що передбачають прогнозування волатильності ринку.

Побудуємо лінійну модель GARCH для найбільш волатильного ряду динаміки цін на фінансовому ринку - валютного курсу UAH/USD. Кореляція ряду дисперсій валютного курсу та ARCH і GARCH – процесів з відповідними часовими лагами показує тісний зв’язок характерний для дисперсії з лагом один місяць та показників динаміки квадрату валютного курсу з лагом 4 місяці (таблиця 1).

 

Таблиця 1. Кореляція ряду дисперсій валютного курсу UAH/USD

Лаг, міс.

σ2

(ln(xt-xt-1))2

t-1

0,99

0,19

t-2

0,96

0,21

t-3

0,94

0,22

t-4

0,91

0,24

 

Побудуємо модель з допомогою визначених високо корельованих з рядом дисперсій змінних методом найменших квадратів:

 (7)

Сума вагових коефіцієнтів GARCH та ARCH-процесів наближається до одиниці, при цьому домінує залежність поточної дисперсії від дисперсії у минулих періодах. Отже, можна зробити висновок, що дисперсія та волатильність мають довгу пам’ять. Розрахувавши прогнозні значення в кожному місяці за період з 2005 по 2011рр., отримуємо середньомісячну недооцінку прогнозу волатильності на рівні 0,013. Для порівняння аналогічний показник при застосуванні волатильності минулого періоду як прогнозного значення згідно припущень про нормальний закон розподілу складає 0,018. При підрахунку кількість випадків перевищення фактичної волатильності над прогнозною для GARCH-моделі складає 24 випадки, тоді як при застосуванні умови стабільної волатильності спостерігається 38 випадків.

Графік динаміки фактичної та прогнозних волатильностей валютного курсу UAH/USD у кризовий період з 01.06.2008 по 01.06.2009рр. показує, що спостерігалися найвищі коливання валютного курсу (рис.2). Волатильність, прогнозована на основі GARCH-моделі, швидше реагує на коливання ринку, порівняно з припущенням про нормальний закон розподілу. Проте, такий прогноз, як видно з графіку, є далекий від досконалого, що зумовлює необхідність подальшого ускладнення моделі та підвищення точності прогнозу.

Рис.2. Динаміка фактичної та прогнозованих волатильностей в кризовий період

 

На графіку видно, що основна кількість похибок моделі спостерігається у кризовий період - кінець 2008 – початок 2009 років. GARCH-модель не реагує вчасно на шокові коливання ринку. Для підвищення точності моделі можна використати зовнішні фактори, які можуть прогнозувати значні коливання волатильності. Прогнозування динаміки ринкових індикаторів на основі зовнішніх факторів впливу, наприклад динаміки або абсолютного значення інших економічних показників, може бути пов’язане з деякими труднощами. По-перше, зв’язок між динамікою макроекономічних показників не є постійним та залежить від конкретної ситуації, яка склалася на ринку. Тому прогнозування ринку на основі впливу зовнішніх чинників рідко дає результати високої точності. По-друге, значна кількість зовнішніх факторів в моделі збільшує волатильність прогнозного ряду цін, а також може поглинати вплив кожного окремого показника на залежну змінну. По-третє, факторні змінні повинні бути виражені у формі, у якій вони найсильніше корелюють з залежною змінною.

З метою визначення факторів, які можуть впливати на волатильність валютного курсу розрахуємо кореляцію результативної змінної (дисперсії) та кількох макроекономічних показників, що визначають валютний курс з різними часовими лагами. До факторів впливу на валютний курс доцільно віднести: зовнішній борг як короткостроковий, так і валовий; індекси інфляції, а саме індекс споживчих цін та індекс цін виробників; сальдо поточного рахунку платіжного балансу. Індекси інфляції доцільно перевести в порівняльний вигляд з результуючою змінною, шляхом знаходження натурального логарифму від індексу. Показники зовнішнього боргу та платіжного балансу доцільно залишити в абсолютному виразі, оскільки саме їх валове абсолютне значення має вплив на валютний курс.

Для розрахунку кореляції включалися щомісячні значення макроекономічних показників за період з 2005 по 2011 рік, що відповідає одному бізнес-циклу. На основі розрахованих кореляцій (таблиця 2) можна зробити висновок, що зростанню волатильності у кризовий період найбільшою мірою сприяли валовий зовнішній борг з часовим лагом від 6 до 8 місяців та індекс цін виробників з лагими від 6 до 8 місяців.

 

Таблиця 2. Кореляція макроекономічних показників до дисперсії ряду динаміки валютного курсу UAH/USD

Лаг, міс.

Валовий зовнішній борг

Короткостро-ковий зовнішній борг

Індекс споживчих цін (адаптований показник)

Індекс цін виробників (адаптова-ний показник)

Сальдо платіжного балансу

1

0,66

0,49

-0,19

-0,07

0,28

2

0,70

0,54

-0,18

-0,05

0,23

3

0,73

0,59

-0,16

-0,03

0,18

4

0,76

0,63

-0,14

-0,01

0,12

5

0,79

0,68

-0,19

0,04

0,05

6

0,82

0,72

-0,17

0,10

-0,03

7

0,85

0,76

-0,11

0,17

-0,12

8

0,88

0,80

-0,01

0,28

-0,22

 

Отже, основні передумови девальвації сформувалися за 6-8 місяців до її реалізації. Варто звернути увагу, що для прогнозування волатильності доцільно включати тільки ті фактори, вплив яких на результуючу змінну підтверджується не лише статистично, коефіцієнтом кореляції, але й бізнес-логікою причинно-наслідкових зв’язків.

Наприклад, для сальдо поточного рахунку платіжного балансу характерна пряма кореляція з волатильністю валютного курсу згідно статистичних розрахунків на часовому інтервалі від одного до 5 місяців. Така залежніть не є логічною, оскільки зростання негативного сальдо платіжного балансу (динаміка зниження) навпаки має сприяти зростанню волатильності курсу національної валюти.

Побудуємо модель залежності дисперсії ряду динаміки валютного курсу UAH/USD та обраних факторів впливу у поєднанні з найпростішою GARCH-моделлю. У загальному модель матиме вигляд:

,           (8)

де  - значення показника динаміки валютного курсу в минулому місяці, - квадрат значення показника волатильності ряду динаміки валютного курсу в минулому місяці,  - абсолютна величина валового зовнішнього боргу з лагами відповідно 6,7 та 8 місяців,  - квадрати адаптованих індексів цін виробників з лагами від 6 до 8 місяців,  - вагові коефіцієнти, що відповідають найвищій точності моделі, визначені за методом найменших квадратів.

У таблиці 3 містяться параметри функції залежності дисперсії та залежних змінних.

Характеристики моделі, параметри якої визначені за методом найменших квадратів, свідчать про її високу прогнозну силу. Коефіцієнт детермінації складає 0,9867, а F-критерій – 400. Оскільки критичне значення F-критерію для даного варіанта складає приблизно 2, то можна зробити висновок про незначну ймовірність того, що взаємозв’язок факторів впливу та результуючої змінної є випадковим.

 

Таблиця 3. Параметри функції прогнозування дисперсії

Залежна змінна

Часовий лаг

Ваговий коефіцієнт

(uah/usd)2

t-1

0,0020766157

σ2

t-1

0,9554907714

Індекс цін виробників (адаптований показник)

t-6

0,0058575030

t-7

0,0095173125

t-8

0,0513640272

Валовий зовнішній борг

t-3

-0,0000000043

t-4

0,0000000055

t-5

0,0000000021

t-6

-0,0000000051

t-7

0,0000000037

Вільний параметр

-

-0,0000596861

Коефіцієнт детермінації

 

0,99

F-критерій

 

399,35

 

Нова функція прогнозування волатильності з використанням зовнішніх факторів значно швидше реагує на зміни волатильності. Перед шоковим стрибком в кінці 2008 року функція прогнозувала підвищену волатильність ринку, що базувалася на зростанні індексу цін виробників промислової продукції та зростанні валового зовнішнього боргу. Середня похибка даної моделі за період від 2005 по 2011 рр. складає 1% у бік переоцінки волатильності.

Для порівняння аналогічний показник для стандартної GARCH-моделі складає 1,7%, а для моделі, що передбачає рівність прогнозованої волатильності та волатильності у минулому періоді - -1%.

У випадку прогнозу волатильності для подальшого її використання у процесі оцінки VaR важливо уникнути недооцінки, а отже оцінка волатильності за припущення про нормальний закон розподілу є неприйнятною. Модель з використанням зовнішніх факторів впливу актуальна у період кризи, тобто зростання макроекономічної нестабільності. У період економічної стабільності модель передбачає значне коливання прогнозів, порівняно з фактичними значеннями. Отже, у період економічної стабільності доцільно використати звичайну GARCH-модель для прогнозування волатильності, а у кризовому періоді - GARCH-модель з зовнішніми факторами впливу. Індикаторами для зростання ймовірності кризових ситуацій можуть бути критичні, згідно експертної оцінки, значення зовнішніх факторів, використаних в моделі.

Одним з важливих критеріїв оцінки ефективності економетричної моделі є розподіл залишків моделі. Модель вважається ефективною і такою, що враховує основні фактори впливу на результативну змінну, якщо розподіл її залишків або різниць між фактичними значеннями змінної та її прогнозними значеннями, близький до нормального. Розрахуємо основні параметри нормального закону розподілу для залишків трьох описаних вище моделей (таблиця 4).

 

Таблиця 4. Параметри розподілу залишків моделей прогнозування волатильності

Показник

Модель, за якою прогнозна волатильність рівна волатильності у минулому періоді

Стандартна

4-рівнева GARCH-модель

GARCH-модель з використанням зовнішніх факторів впливу

Параметри нормаль-ного закону розподілу

Асиметрія

-3,92

-3,075

-0,51

0

Ексцес

25,38

20,79

10,24

3

Автокореляція

0,45

0,23

-0,01

0

 

Результати розрахунків параметрів розподілу залишків дозволяють стверджувати, що розподіл залишків GARCH-моделі у поєднанні з зовнішніми факторами є найближчим до нормального порівняно з двома іншими моделями. Асиметрія для даного розподілу рівна -0,5, ексцес 10, а автокореляція складає близько 1%. Модель прогнозування волатильності на основі минулого історичного значення є найменш ефективною при значній від’ємній асиметрії -3,075, аксцесі, що значно перевищує нормативне значення – 25,38 та автокореляції залишків – близько 45%.

Загалом проведене дослідження українського валютного ринку дає підстави зробити висновок про недоцільність застосування припущення про нормальний закон розподілу при прогнозуванні зміни ринкових індикаторів. Динаміка українського валютного ринку, який порівняно з іноземним характеризується значним рівнем регулювання та малою кількістю учасників, не є повністю незалежною та випадковою і не демонструє стабільну волатильність. Уникнення значних похибок при розрахунку VaR можливе за рахунок розробки ефективних моделей прогнозування волатильності.

 

Список літератури

1.     Балабанов И.Т. Риск-менеджмент. – М.: Финансы и статистика, 1996. – 192 с.

2.     Бідюк П.І., Меняйленко О.С., Половцев О.В. Методи прогнозування. – Луганськ:Альма-Матер, 2008. – 607 с.

3.     Бідюк П.І., Половцев О.В. Аналіз та моделювання економічних процесів перехідного періоду. — Київ: НТУУ «КПІ», 1999. — 230 с.

4.     Бидюк П.И., Баклан И.В., Рифа В.Н. Системный подход к построению регрессионной модели по временным рядам // Системні дослідження та інформаційні технології. — 2002. — № 3. — С. 114–131.

5.     Примостка Л.О., Чуб П.М., Карчева Г.Т. Управління банківськими ризиками. – К.:КНЕУ,2007. – 600с.

6.     Кириченка О. Банківський менеджмент. – К.: Основи, 1999. – 671с.

7.     Киселев В.В. Управление банковским капиталом: теория и практика. – М.: Экономика, 1997. – 192с.



Первая научно-практическая конференция
"Инновационный потенциал украинской науки - ХХI век"
(10-15 мая 2008 г.)


(отчет)
Вторая научно-практическая конференция
"Инновационный потенциал украинской науки - ХХI век"
(1-7 ноября 2008 г.)
(отчет)
Третья научно-практическая конференция
"Инновационный потенциал украинской науки - ХХI век"
(20-27 декабря 2008 г.)
(отчет)
Четвертая научно-практическая конференция
(10-17 апреля 2009 г.)
(отчет)
Пятая научно-практическая конференция
(20-27 мая 2009 г.)
(отчет)
Шестая научно-практическая конференция
(1-15 апреля 2010 г.)
(отчет)
Седьмая научно-практическая конференция
(28 мая - 7 июня 2010 г.)
(отчет)
Восьмая научно-практическая конференция
(05-12 декабря 2010 г.)
(отчет)
Девятая научно-практическая конференция
(27-31 декабря 2010 г.)
(отчет)
Десятая научно-практическая конференция
(15-23 марта 2011 г.)
(отчет)
Одинадцатая научно-практическая конференция
(26 апреля 04 мая 2011 г.)
(отчет)
Двенадцатая научно-практическая конференция
(28 мая - 06 июня 2011 г.)
(отчет)
Тринадцатая научно-практическая конференция
(28 октября - 09 ноября 2011 г.)
(отчет)
Четырнадцатая научно-практическая конференция
(12-20 декабря 2011 г.)
(отчет)
Пятнадцатая научно-практическая конференция
(01-07 марта 2012 г.)
(отчет)
Шестнадцатая научно-практическая конференция
(09-14 апреля 2012 г.)
(отчет)
Семнадцатая научно-практическая конференция
(22-26 октября 2012 г.)
(отчет)
Восемнадцатая научно-практическая конференция
(22-26 декабря 2012 г.)
(отчет)
Девятнадцатая научно-практическая конференция
(26 февраля - 3 марта 2013 г.)
(отчет)
Двадцатая научно-практическая конференция
(20-28 апреля 2013 г.)
(отчет)
Двадцать первая научно-практическая конференция
(13-18 мая 2013 г.)
(отчет)
Первая международная научно-практическая конференция
"Перспективные направления отечественной науки - ХХI век"
(13-18 мая 2013 г.)
(отчет)
Двадцать вторая научно-практическая конференция
(4-9 ноября 2013 г.)
(отчет)
Двадцать третья научно-практическая конференция
(10-15 декабря 2013 г.)
(отчет)
Двадцать четвертая научно-практическая конференция
(20-25 января 2014 г.)
(отчет)
Двадцать пятая юбилейная научно-практическая конференция
(3-7 марта 2014 г.)
(отчет)
Двадцать шестая научно-практическая конференция
(7-11 апреля 2014 г.)
(отчет)
Двадцать седьмая научно-практическая конференция
(20-25 мая 2014 г.)
(отчет)
Двадцать восьмая научно-практическая конференция
(08-13 октября 2014 г.)
(отчет)
Двадцать девятая научно-практическая конференция"
(19-25 ноября 2014 г.)
(отчет)
Тридцатая научно-практическая конференция
(19-25 января 2015 г.)
(отчет)
Тридцать первая научно-практическая конференция
(25 февраля - 1 марта 2015 г.)
(отчет)
Тридцать вторая научно-практическая конференция
(2 - 7 апреля 2015 г.)
(отчет)
Тридцать третья научно-практическая конференция
(20 - 27 мая 2015 г.)
(отчет)
Тридцать четвертая научно-практическая конференция
(13 - 17 октября 2015 г.)
(отчет)
Тридцать пятая научно-практическая конференция
(24 - 27 ноября 2015 г.)
(отчет)
Тридцать шестая научно-практическая конференция
(29 декабря 2015 - 5 января 2016 г.)
(отчет)
Тридцать седьмая научно-практическая конференция
(19 - 22 апреля 2016 г.)
(отчет)
Тридцать восьмая научно-практическая конференция
(23 - 25 мая 2016 г.)
(отчет)

На главную | Объявления | Отчеты предыдущих конференций | История Украины | Контакты

Copyright © Zinet.info. Разработка и поддержка сайта - Студия веб-дизайна Zinet.info