«Разработка системы прогнозирования банкротства банков с использованием ней росетевых технологий»




страница1/5
Дата09.05.2016
Размер0.91 Mb.
  1   2   3   4   5




Правительство Российской Федерации
федеральное государственное автономное образовательное учреждение высшего профессионального образования
"Национальный исследовательский университет
"Высшая школа экономики"

Факультет экономики
Кафедра финансового менеджмента

Утверждаю

Зав. кафедры финансового менеджмента

Е.А.Шакина

« » 2013г.


ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

На тему «Разработка системы прогнозирования банкротства банков с использованием нейросетевых технологий»

Студентка группы Э-09-2

Липатова Е. В.

Научный руководитель

Д.т.н., профессор кафедры

информационных технологий в бизнесе

Ясницкий Л.Н

Пермь, 2013 г.


ОГЛАВЛЕНИЕ




ОГЛАВЛЕНИЕ 2

Глава 2. Построение, обучение и тестирование нейронной сети для прогнозирования банкротства банков 29

2.1. Выбор и обоснование параметров модели 29

2.2. Обучение нейронной сети 36

2.3. Тестирование нейронной сети 38

Глава 3. Исследование предметной области с помощью нейросетевой модели 41

Список литературы 56

Нормативные правовые акты 56

Специальная литература 56

Электронные ресурсы 58




Введение

На сегодняшний день предсказание банкротства имеет большое значение. Актуальность данной проблемы привела к тому, что существует множество всевозможных методов и методик, позволяющих прогнозировать наступление банкротства предприятия с той или иной степенью вероятности. Однако, в этой области много проблем. Именно, методик, которые могли бы с высокой степенью достоверности прогнозировать неблагоприятный исход, практически нет. Большинство таких методик оказались несостоятельными в период мирового финансового кризиса. Следовательно, создание систем, позволяющих преодолеть недостатки существующих моделей, а также учесть специфику нашей страны, является актуальной проблемой.

Возможным решением данной проблемы является использование нейросетевых технологий, которые являются высокоэффективным инструментом. Они имеют широкое практическое применение и используются для решения многих задач. Нейронные сети использовались для прогноза финансового кризиса такими известными фирмами, как General Electric, American Airlines, Coca Cola, Procter&Gamble и другими.

Цель данной выпускной квалификационной работы: разработка системы прогнозирования банкротства банков с использованием нейросетевых технологий.

Для достижения этой цели поставлены следующие задачи:



  • Изучение предметной области

  • Обзор и анализ существующих методик оценки банкротства банков

  • Исследование возможности применения нейросети для прогнозирования банкротства

  • Сбор необходимых статистических данных

  • Разработка нейросетевой модели и ее тестирование

  • Исследование предметной области с помощью нейросетевой модели

  • Формулировка выводов

Объектом исследования в данной работе является институт несостоятельности (банкротства). Предметом исследования является методика признания банка банкротом.

Глава 1. Теоретические аспекты оценки банкротства

    1. Понятие банкротства

Под «несостоятельностью» («банкротством») в Российской Федерации понимается признанная арбитражным судом неспособность должника в полном объёме удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей  [2].

Понятие «банкротство» также означает процедуру, которая применяется по отношению к должнику. Такая процедура направлена на оценку финансового состояния должника, выработку мер по улучшению финансового состояния, а в случае, если применение таких мер будет признано нецелесообразным или невозможным, — на наиболее равное и справедливое удовлетворение интересов кредиторов несостоятельного должника [9, с. 262].



Кроме того, существует понятие планового банкротства. Это банкротство, инициированное самим должником. В этом случае банкротство является планом достижения определенных экономических целей. Банкротство, которое планируется должником, называют самобанкротством. Плановое банкротство нельзя путать с криминальным, фиктивным банкротством, которое вызвано умышленным созданием задолженности.

В рамках данной выпускной квалификационной работы понятие «банкротство» рассматривается в аспекте возникновения неплатежеспособности банков. При банкротстве затронутыми являются интересы работников предприятия, его кредиторов и партнеров.



Это в свою очередь отражается в существенных экономических и социальных потерях, таких как: 

  • серьезные финансовые риски и ощутимый экономический ущерб для успешно работающих предприятий-партнеров, что снижает общий потенциал экономического развития отдельных регионов и страны;

  • осложнение формирования доходной части бюджетов различных уровней и внебюджетных фондов, замедление реализации предусмотренных региональных и государственных программ экономического и социального развития;

  • неэффективное использование товарных и денежных кредитных ресурсов влияет на снижение общей нормы прибыли на капитал, используемый в сфере предпринимательства;

  • сокращение численности рабочих мест и количества занятых в общественном производстве, что усиливает социальную напряженность в регионе и стране [4].

Важность этой проблемы требует разработки системы прогнозирования банкротства.

1.2. Цели задачи прогнозирования банкротства

Диагностика банкротства банков - это один из наиболее эффективных инструментов антикризисного управления. Целью прогнозирования банкротства является управление финансовой устойчивостью и платежеспособностью предприятия.



Задачи прогнозирования банкротства включают в себя:

  • своевременное выявление признаков, характеризующих определенную степень финансовых потерь;

  • определение масштабов проявления кризиса;

  • принятие необходимых мер: адекватных методов и процедур управления.

Разработка адекватной политики управления финансами особенно необходима в случаях, когда перед банком возникает необходимость адаптироваться к сложному и неустойчивому состоянию экономики.

По определению, данному в учебнике «Экономический анализ» под редакцией Л.Т.Гиляровской: «Кредитоспособность – это возможности экономических субъектов рыночной экономики своевременно и в полном объеме рассчитываться по своим обязательствам в связи с неизбежной необходимостью погашения кредита» [6].

Д. А. Ендовицкий подчеркивает, что кредитоспособность хозяйствующего субъекта не ограничивается лишь готовностью и способностью расплатиться по своим обязательствам, но также включает требования к анализу финансовых показателей и качеству управления предприятием (Ендовицкий, 2005).

Такой важный аспект, как правоспособность, оговаривается в определении Г.М. Кирисюка: «Сущность категории «кредитоспособность» представляет собой то реально сложившееся правовое и хозяйственно-финансовое положение заемщика, исходя из оценки которого банк принимает решение о начале (развитии) или прекращении кредитных отношений с ссудозаемщиком» [10].

Таким образом, «кредитоспособность заемщика (хозяйствующего субъекта) – это комплексная правовая и финансовая характеристика, представленная финансовыми и нефинансовыми показателями, позволяющая оценить его возможность в будущем полностью и в срок, предусмотренный в кредитном договоре, рассчитаться по своим долговым обязательствам перед кредитором» [8].

Следовательно, прогнозирование банкротства подразумевает комплексную оценку состояния предприятия, представленную в финансовом и правовом аспектах.



1.3. Правовые особенности регулирования банкротства банков

Регулирование несостоятельности является наиболее динамично развивающейся областью права в развитых зарубежных странах, при этом экономика государства диктует постоянное обновление соответствующих норм. [13]

Теоретически правовые нормы регулирования несостоятельности предприятий могут преследовать следующие цели:


  • защита прав кредиторов, обеспечение финансовой дисциплины, повышение надежности кредитного обращения;

  • снижение уровня хозяйственных рисков в экономике путем ликвидации неэффективных производств;

  • обеспечение перераспределения промышленных активов в пользу эффективно хозяйствующих предприятий, развитие конкуренции;

  • проведение реорганизации предприятий и их финансовой реструктуризации;

  • повышение качества корпоративного управления, смена "неэффективных" собственников;

  • смена неквалифицированных менеджеров, внедрение рациональной системы управления на предприятиях [11].

В законе «О несостоятельности кредитных организаций» (ст. 3, 4) указано три меры, которые должны предупреждать банкротство банка:

  • финансовое оздоровление;

  • назначение временной администрации;

  • реорганизация банка.

Согласно закону, процесс финансового оздоровления банка может включать в себя:

• оказание финансовой помощи банку его участниками и иными лицами;

• изменение структуры активов и пассивов банка;

• изменение организационной структуры банка;

• приведение в соответствие УК банка и величины его собственного капитала;

• иные меры, осуществляемые в соответствии с законами.

Финансовая помощь оказывается банку в следующих формах:



  1. размещение денег на депозите в банке на срок не менее 6 месяцев и под умеренные проценты (по ставке, не превышающей ставку рефинансирования ЦБ);

  2. предоставление банку поручительств (гарантий) по кредитам, которые он берет;

  3. предоставление банку отсрочки и/или рассрочки платежа;

  4. перевод долга банка (с согласия его кредиторов);

  5. отказ от распределения прибыли банка в качестве дивидендов и направления ее на финансовое оздоровление банка;

  6. дополнительный взнос в УК банка;

  7. прощение банку его долга;

  8. новация долга;

  9. иные формы, способствующие устранению причин, вызвавших необходимость финансового оздоровления банка.

Изменение структуры активов содержит:

  1. улучшение качества кредитного портфеля;

  2. приведение структуры активов по срочности в соответствие со сроками обязательств, обеспечивающее их исполнение;

  3. сокращение расходов, в том числе на обслуживание долга банка, и расходов на его управление;

  4. продажа активов, не приносящих дохода, и активов, продажа которых не помешает выполнению банковских операций;

  5. иные меры, направленные на изменение структуры активов.

Изменение структуры пассивов включает:

  1. увеличение собственного капитала;

  2. снижение размера и/или удельного веса текущих и краткосрочных обязательств в структуре пассивов;

  3. увеличение удельного веса средне- и долгосрочных обязательств в структуре пассивов;

  4. иные меры.

Банк России вправе назначить временную администрацию, если:

 

1) кредитная организация не удовлетворяет требования кредиторов (кредитора) по денежным обязательствам (обязательству) и (или) не исполняет обязанность по уплате обязательных платежей в сроки, превышающие семь дней и более с момента наступления даты их удовлетворения и (или) исполнения, в связи с отсутствием или недостаточностью денежных средств на корреспондентских счетах кредитной организации;



(см. текст в предыдущей редакции)

 

2) кредитная организация допускает снижение собственных средств (капитала) по сравнению с их (его) максимальной величиной, достигнутой за последние 12 месяцев, более чем на 30 процентов при одновременном нарушении одного из обязательных нормативов, установленных Банком России;



 

3) кредитная организация нарушает норматив текущей ликвидности, установленный Банком России, в течение последнего месяца более чем на 20 процентов;

 

4) кредитная организация не исполняет требования Банка России о замене руководителя кредитной организации либо об осуществлении мер по финансовому оздоровлению или реорганизации кредитной организации в установленный срок;



 

5) в соответствии с Федеральным законом "О банках и банковской деятельности" имеются основания для отзыва у кредитной организации лицензии на осуществление банковских операций [3].



1.4. Обзор основных методик прогнозирования банкротства

Актуальность проблемы прогнозирования банкротства привела к тому, что сегодня существует большое количество методик по диагностике наступления банкротства. В то же время, по мнению специалистов, в мире не существует единого общепринятого метода.

В зарубежной экономической литературе предлагается большое количество всевозможных методик и математических моделей диагностики вероятности наступления банкротства организаций. Однако, как отмечают многие российские авторы, многочисленные попытки применения иностранных моделей прогнозирования банкротства в отечественных условиях не принесли достаточно точных результатов. В связи с отсутствием статистики банкротств предприятий по причине молодости института банкротства в нашей стране затруднены собственные разработки, основанные на реалиях нашей экономики и направленные на достоверное прогнозирование возможного банкротства [14].

В зарубежной и отечественной литературе можно найти множество различных методик, подходов и моделей диагностики банкротства предприятий. Из всего множества в рамках данной выпускной квалификационной работы рассмотрены наиболее популярные методики.

Первые исследования, направленные на предсказание банкротств предприятий, появились в конце 30-х годов в США. Был сделан вывод, что некоторые финансовые коэффициенты фирм, которые потерпели финансовый крах, отличаются от коэффициентов нормально работающих фирм.

Линейный дискриминантный анализ - первый метод прогнозирования банкротства, предложенный в 60-х годах (Beaver, 1966, Altman, 1968)



У. Х. Бивер стал первым применять анализ соотношений финансовых коэффициентов в качестве метода предсказания банкротства.

Модель Бивера (Beaver, 1966) включает в себя пять индикаторов финансового состояния фирмы:



        1. Рентабельность активов;

        2. Оборотные активы к текущим обязательствам;

        3. Доля долгосрочных и текущих обязательств в сумме активов;

        4. Доля чистого оборотного капитала в активах;

        5. Коэффициент Бивера (отношение суммы чистой прибыли и амортизации к текущим обязательствам).

Нужно отметить, что модель Бивера не направлена на расчет вероятности наступления банкротства.

Полученные показатели финансового состояния фирмы сравниваются с нормативными значениями, которые были рассчитаны Бивером для благополучных фирм, для предприятий, которые стали банкротами в течение одного года, и для компаний, обанкротившихся в течение пяти лет.

Система показателей, разработанная Бивером для диагностики банкротства, представлена в таблице 1.

Таблица


Система показателей Бивера для диагностики банкротства1

Показатель

Значения показателей

Благоприятно

5 лет до банкротства

1 год до банкротства

Коэффициент Бивера

0,4 – 0,45

0,17

-0,15

Рентабельность активов, %

6-8

4

-22

Финансовый леверидж, %

<37

<50

<80

Коэффициент покрытия оборотных активов собственными оборотными средствами

0,4

<0,3

<0,06

Коэффициент текущей ликвидности

<3,2

<2

<1

 Сост. по источнику: Beaver, W. H. Financial ratios as predictors of failure//Journal of Accounting Research (Empirical Research in Accounting: Selected Studies). – 1966 - № 4.

Э. Альтман представил пятифакторную модель, позволяющую спрогнозировать наступление банкротства компаний, модель была опубликована в 1968 году. На основе финансовой ситуации в 66 компаниях, одни из которых продолжали работать, а другие стали банкротами, была построена модель. Она показывает вероятность наступления банкротства для компаний, в свою очередь финансовые показатели характеризуют потенциал исследуемой фирмы и результаты ее функционирования.

Модель для определения вероятности банкротства акционерных обществ, выпускающих акции в свободное обращение на рынке рассчитывается по формуле: Z = 1,2*X1 + 1,4*X2 + 3,3*X3 + 0,6*X4 + X5.

Для компаний, акции которых не обращаются на фондовом рынке, в 1983 году была разработана усовершенствованная формула: Z = 0,717 * Х1 + 0,847 * Х2 + 3,107 * Х3 + 0,42 * Х4 + 0,995 * Х5.

Интерпретация показателей для нахождения Z представлена в таблице 2.

Таблица 2

Расчет финансовых коэффициентов модели Альтмана2



Показатель

Интерпретация и формула

X1

Соотношение оборотного капитала и активов предприятия. Коэффициент отражает долю чистых и ликвидных активов компании в общей сумме активов.


X2

Соотношение нераспределенной прибыли и активов компании (финансовый рычаг).

X3

Показатель характеризуют величину прибыли до налогообложения по отношении к стоимости активов.

X4

Для акционерных обществ, выпускающих акции в свободное обращение – это стоимость собственного капитала компании в рыночной оценке по отношению к балансовой стоимости всей суммы обязательств; для компаний, акции которых не обращаются на фондовом рынке – это балансовая стоимость собственного капитала по отношению к заемному капиталу.

X5

Коэффициент, характеризующий рентабельность активов. Рассчитывается как отношение объема продаж к общему количеству активов.


2 Сост. по источнику: Altman E.I.: FinancialRatios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy//Journal of Finance. – 1968 - 23, September.

В таблице 3 приведены значения Z и вероятности наступления банкротства в организации.

Таблица 3

Значения Z и вероятности наступления банкротства3



Значение расчетного показателя Z для компаний, акции которых котируются на бирже

Значение расчетного показателя Z для компаний, акции которых не котируются на бирже

Вероятность банкротства

Комментарий

< 1,8

< 1,23

80 -100%

Компания является несостоятельной

1,81 - 2,77

1,23 - 2,90

35 -50%

Неопределенная ситуация

2,77 - 2,99

15 - 20%

Неопределенная ситуация

>2,99

> 2,90

Риск того, что компания не сможет погасить свои долги незначителен

Компания финансово устойчива

 3 Сост. по источнику: Altman E.I.: FinancialRatios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy//Journal of Finance. – 1968 - 23, September.

По заключениям экспертов, модель Альтмана позволяет предсказать возможное банкротство через один год с точностью 95%, через два года – с точностью 83%. На сегодняшний день, данный метод применяется в мире, так как является относительно простой моделью, позволяющей сделать прогноз, основываясь на финансовой отчетности предприятия. Однако стоит отметить, что подход Альтмана обладает недостатком. Формула для расчета Z была выведена на основании статистических данных, поэтому, можно сделать вывод о том, что она будет давать универсальный прогноз. Модель не учитывает специфику конкретной компании, поэтому не может всегда давать правильный прогноз наступления банкротства. 

В 1977 г. Altman E.I., Haldeman R.G., и Narayanan P. описали модификацию модели Альтмана. ZETA модель ориентирована на прогнозирование банкротства крупных компаний, стоимость их активов составляла около 100 млн. долл. за два года перед финансовым крахом. Модель ZETA включает в себя семь факторов (таблица 4).

Таблица 4

Расчет финансовых коэффициентов модели ZETA4

Показатель

Интерпретация и формула

X1

Рентабельность активов

X2

Стабильность прибыли (за 5-10 лет)

X3

Показатель процентного покрытия

X4

Совокупная прибыльность

X5

Коэффициент текущей ликвидности

X6

Капитализация

X7

Размер предприятия

4 Сост. по источнику: Altman E.I., Haldeman R.G., Narayanan P. ZETA Analysis. A new model to identify bankruptcy risk of corporations // Journal of Banking and Finance, 1977, Vol.1, p.29-54.

ZETA модель позволяет провести диагностику банкротства за 5 лет до краха с точностью до 70%. Однако стоит отметить, что данная модель сложна в применении: расчет финансовых показателей затруднителен. В связи с этим данная модель не получила широкого распространения.

В 70-80-х годах на смену линейному дискриминантному анализу пришел логистический анализ (Martin, 1977, Ohlson, 1980, Hamer, 1983). Эконометрические модели, в отличие от моделей дискриминантного анализа, не предполагают нормального распределения входящих в модель финансовых показателе. Они дают ответ в виде оценки вероятности наступления банкротства.

Эконометрические модели бинарного выбора впервые были применены Мартином (Martin,1977). Была использована logit-модель для предсказания банкротства банков США в 1975-1976 годах.

Британский ученый Р. Таффлер в 1977 г. предложил четырехфакторную модель прогнозирования банкротства. Модель для анализа компаний имеет следующую форму: Z = 0,53*X1 + 0,13*X2 + 0,18*X3 + 0,16*X4, где

X1 = прибыль до уплаты налога / текущие обязательства,

X2 = текущие активы / общая сумма обязательств

X3 = текущие обязательства / общая сумма активов

X4 = выручка / сумма активов.

При показателе Z > 0,3 фирма имеет хорошие долгосрочные перспективы; при Z < 0,2 вероятно банкротство.



Модель бинарного выбора была использована в работе Олсона (Ohlson,1980) для предсказания статистически значимых факторов банкротства с горизонтом в один год. Была получена модель следующего вида: Z = -1,32- 0,407*X1 + 6,03*X2 – 1,43*X3 + 0,0757*X4- 2,37*X5- 1,83*X6 +0,285*X7 -1,72*X8- 0,521*X9. В таблице 5 приведена интерпретация коэффициентов по модели.

Таблица 5

Расчет финансовых коэффициентов модели Олсона5



Показатель

Интерпретация и формула

X1

Размер предприятия (натуральный логарифм величины совокупных активов предприятия/дефлятор ВВП).

X2

Коэффициент заемного капитала, (отношение общей задолженности к общим активам).

X3

Доля собственных оборотных средств (отношение чистого оборотного капитала к общим активам).

X4

Отношение текущей задолженности к текущим активам.

X5

Рентабельность активов (экономическая рентабельность – отношение чистой прибыли от всех видов деятельности к среднегодовой стоимости активов).

X6

Отношение чистого оборотного капитала к общей задолженности.

X7

Фиктивная переменная принимающее значение, 1 – если чистый доход предприятия за последние два года отрицательная величина, 0 – если нет.

X8

Фиктивная переменная принимающее значение, 1 – если общая задолженность предприятия превышает его общие активы, 0 – если нет.

X9

Мера изменения чистого дохода за последние два года.


5 Сост. по источнику: Li-Jen Ko., Edward J. Blocher., P. Paul Lin. Prediction of Corporate Financial Distress: An Application of the Composite Rule Induction System // The International Journal of Digital Accounting Research – 2009 - No.1 - p. 69-85.
В работе был проведен анализ по характеристике моделей диагностики банкротств компаний различными авторами. В таблице 6 приведен структурный состав моделей прогнозирования банкротств различных авторов.

Таблица 6.



Структурный состав моделей прогнозирования банкротств различных авторов



Финансовые показатели

Beaver (1966)

Altman

(1968)


Taffler

(1977)

Ohlson

(1980)

1

Рентабельность активов

X




X

X

2

Оборотные активы / Текущие обязательства


X








3

Оборотные активы / Общая сумма обязательств







X




4

Долгосрочные обязательства + текущие обязательства / Активы


X






X



5

Чистый оборотный капитал / Активы


X






X

6

Чистая прибыль + амортизация / Текущие обязательства

X








7

Оборотные активы/ Активы




X






8

Нераспределенная прибыль / Активы




X






9

Прибыль перед выплатой налогов и процентов / Активы






X








10

Рыночная стоимость акционерного капитала / Сумма обязательства






X






11

Собственный капитал / Текущие обязательства





X








12

Прибыль перед выплатой налогов и процентов / Текущие обязательства







X




13

Текущие обязательства / Активы







X






14

Натуральный логарифм величины совокупных активов предприятия /Дефлятор ВВП










X

15

Текущие обязательства / Оборотные активы










X

16

Чистый оборотный капитал / Сумма обязательств










X

17

Фиктивная переменная: чистый доход предприятия за последние два года отрицательная величина










X

18

Фиктивная переменная: общая задолженность предприятия превышает его общие активы










X

19

Мера изменения чистого дохода за последние два года










X

Современный анализ состояния банков может быть основан на рейтинговых системах.

Наиболее известными международными рейтинговыми агентствами, которые занимаются в том числе банками, являются Standard & Poor's, Moody's Investor Service, Fitch Ratings.

Основа присвоения рейтинга - это субъективная оценка контролерами разных аспектов функционирования банка. Данные оценки являются относительными величинами по сравнению с ранее установленными показателями. Они позволяют контролеру учитывать различные факторы, которые подходят к конкретному банку. Результаты анализа и присвоенный банку рейтинг могут быть переданы руководству банка, публичному разглашению результаты оценки могут и не подлежать.


Рейтингование по результатам удаленного мониторинга основано на анализе надзорной и другой доступной контрольным органам информации, включая отчеты по проверкам на месте. Французская система ORAP использует базы данных Банка Франции и банковской комиссии (в частности, информацию, предоставленную самими банками и хранящуюся в специальной базе данных финансовых рынков), результаты инспекций банков, данные внешних аудиторов, других надзорных органов Франции и информацию, доступную по взаимным соглашениям с контрольными органами других европейских государств. В основном рейтинг дается по результатам работы банка за год. В США банки, получившие по системе CAMELS высокий рейтинг (1 или 2), проверяются раз в полтора года, а те, которые признаны проблемными (4 или 5), проверяются чаще [12, с. 27 - 32].

CAMELS формируется из шести компонентов:



  • достаточность капитала;

  • качество активов;

  • факторы управления;

  • доходы;

  • ликвидность;

  • чувствительность к рыночному риску.

В России широкое распространение получила методика Кромонова. Исходными данными для построения рейтинга являются балансы коммерческих банков, на основе которых рассчитываются шесть коэффициентов:



  1. Генеральный коэффициент надежности (К1), равный отношению собственного капитала к активам работающим (К/АР), показывает, насколько рискованные вложения банка в работающие активы защищены собственным капиталом банка, которым будут погашаться возможные убытки в случае невозврата или возврата в обесцененном виде того или иного работающего актива. Представляет максимальный интерес для кредиторов банка.

  2. Коэффициент мгновенной ликвидности (К2), равный отношению ликвидных активов к обязательствам до востребования (ЛА/ОВ), показывает, использует ли банк клиентские деньги в качестве собственных кредитных ресурсов, и таким образом: в какой мере клиенты могут претендовать на получение процентов по остаткам на расчетных и текущих счетах и в какой мере их платежные поручения обеспечены возможностью банка быстро совершать платежи. Представляет наибольший интерес для клиентов, состоящих в банке на расчетном и кассовом обслуживании.

  3. Кросс-коэффициент (К3), равный отношению суммарных обязательств к активам работающим (СО/АР), показывает, какую степень риска допускает банк при использовании привлеченных средств.

  4. Генеральный коэффициент ликвидности (К4), равный отношению суммы ликвидных активов, защищенного капитала и средств в фонде обязательных резервов - ФОР (сч. 681а +816а) к суммарным обязательствам [(ЛА +ЗК +ФОР)/СО], характеризует способность банка при невозврате выданных займов удовлетворить требования кредиторов в предельно разумный срок - срок, необходимый руководству банка для принятия решения и завершения операций по продаже принадлежащих банку имущества и ценностей.

  5. Коэффициент защищенности капитала (К5), равный отношению защищенного капитала к собственному капиталу (ЗК/К), показывает, насколько банк учитывает инфляционные процессы и какую долю своих активов размещает в недвижимости, ценностях и оборудовании. Кроме того, большое численное значение этого коэффициента при достаточно большом значении "фильтра Кромонова" может служить косвенным показателем основательности банка: банки, рассчитанные на кратковременную деятельность, обычно не вкладывают в свое развитие.

  6. Коэффициент фондовой капитализации прибыли (К6), равный отношению собственного капитала к уставному фонду (К/УФ), характеризует эффективность работы банка - способность наращивать собственный капитал за счет прибыли, а не дополнительных эмиссий акций [28].

Присвоенный рейтинг чаще всего носит конфиденциальный характер и используется внутри надзорного органа. Рейтинговые системы позволяют оценить текущее состояние дел в банковской отрасли, выявить проблемные банки. В то же время система присвоения рейтинга статична, так как основана на данных, полученных по состоянию на конкретный период времени. Использование удаленного мониторинга уменьшает статичность оценок, однако, в отсутствие проверок на местах достоверность информации снижается [12].

На сегодняшний день большое количество систем банковского мониторинга основывается на коэффициентном анализе.

В России законодательный характер носит система официальных нормативов ЦБ РФ - Инструкция Банка России от 03.12.2012 N 139-И «Об обязательных нормативах банков». Соблюдение данных нормативов является обязательным для всех коммерческих банков.

Инструкция устанавливает числовые значения и методику расчета следующих обязательных нормативов банков:



  • достаточности собственных средств (капитала) банка;

  • ликвидности банков;

  • максимального размера риска на одного заемщика или группу связанных заемщиков;

  • максимального размера крупных кредитных рисков;

  • максимального размера кредитов, банковских гарантий и поручительств, предоставленных банком своим участникам (акционерам);

  • совокупной величины риска по инсайдерам банка;

  • использования собственных средств (капитала) банков для приобретения акций (долей) других юридических лиц.


1.5. Нейросетевые технологии как инструмент прогнозирования банкротства

Нейронные сети и нейрокомпьютеры – одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга [16, с. 48].

Понятие нейронных сетей возникло при изучении процессов, протекающих в мозге. Первой попыткой смоделировать эти процессы были нейронные сети Мак-Каллока и Питтса.

Математический нейрон Мак-Каллока – Питтса – это математическая модель биологического нейрона мозга, учитывающая его структуру и функциональные свойства. В дальнейшем, после разработки алгоритмов обучения, получаемые модели стали использовать в разнообразных практических целях: для распознавания образов, в задачах управления, задачах прогнозирования.

Нейронные сети обладают существенным преимуществом перед традиционными алгоритмами. Они не программируются, а обучаются. В процессе обучения нейронная сеть выявляет зависимости между входными данными и результатами. На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач, в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппированных в обучающие множества. Таким образом, нейросеть на этапе обучения сама играет роль эксперта в процессе подготовки данных для построения экспертной системы. Предполагается, что правила находятся в структуре обучающих данных.

Также нейронная сеть обладает свойством обобщения, это способность узнавать незнакомые образы. Это означает, что, в случае успешного обучения, сеть сможет предсказать правильный результат на основе данных, которые отсутствовали в обучающей выборке.

Нейронные сети имеют широкое практическое применение и используются для решения многих задач, таких как диагностика в медицине, прогнозирование валютных курсов и котировок ценных бумаг, управление кибернетическим объектом и многих других. Нейронные сети, в том числе, могут быть использованы для диагностики банкротства предприятий.

Применение нейросетевых технологий в прогнозировании банкротства предприятий было исследовано в работах ряда зарубежных авторов.

Авторам Li-Jen Ko, Edward J. Blocher и P. Paul Lin принадлежит статья “Prediction of Corporate Financial Distress: An Application of the Composite Rule Induction System”, опубликованная в 2009 году. В рамках данной работы рассмотрены традиционные подходы в прогнозировании банкротства, построены модели (composite rule induction system, логит-модель и нейронная сеть) для прогнозирования банкротств в Тайване, сделаны сравнения результатов оценки вероятности финансового краха. В результате исследования был сделан вывод о том, что нейронная сеть обладает такой же эффективностью, как CRIS (composite rule induction system), и лучше, чем логит-модель в решении задачи диагностики банкротства компаний.

P. Coasts и L. Fant принадлежит статья «Recognizing financial distress patterns using a neural network tool» [22]. В ней авторы использовали множественный дискриминантный анализ (MDA), а также нейросетевые технологии. Результаты демонстрируют, что нейросетевые технологии оказались более эффективными, чем модель на основе MDA. Среди преимуществ использования нейронной сети можно выделить способность прогнозировать банкротство на более ранних сроках.

Другие зарубежные авторы, среди которых L. Salchenberger, E. Cinar, N. Lash, Z. Yang, M. Platt, H. Platt отмечают более высокую эффективность нейросети в решениях задач прогнозирования банкротства.

Стоит отметить недостатки, на которые указывают авторы. Во-первых, обучение нейронной сети является чувствительным к выбранным параметрам модели. Во-вторых, построение нейросетевой модели и интерпретация полученных результатов возможно только при наличии знаний в данной предметной области. Однако нейронная сеть может дать достаточно точный прогноз при внимательном построении модели: выборе входных переменных и подборе необходимых параметров обучения.


  1   2   3   4   5


База данных защищена авторским правом ©ekonoom.ru 2016
обратиться к администрации

    Главная страница