Кредитная система РФ

В обязательном порядке коммерческие банки должны формировать резервный фонд, который предназначается для возмещения убытков от активных операций банка, выплаты дивидендов по привилегированным акциям в случае недостаточности полученной прибыли и для других аналогичных целей. Резервный фонд формируется за счет отчислений от чистой прибыли банка. Размеры этого фонда находятся в непосредственной зависимости от размеров уставного фонда банка.

Кроме обязательного формирования резервного фонда, коммерческими банками могут создаваться и другие фонды, источниками формирования которых служит банковская прибыль. Количество этих фондов, их названия, целевое назначение, размеры, порядок формирования и использования должны быть оговорены в учредительных документах банка или в специальных внутрибанковских положениях о фондах, утвержденных соответствующими органами управления банка. Чаще всего формируются фонд развития банка, фонды, аккумулирующие средства для выплаты дивидендов акционерам и индексации номинала акций, фонд текущих расходов банка. Могут создаваться также различные целевые фонды, например, для переподготовки и повышения квалификации персонала и т.д.

Структура собственных средств зависит в основном от продолжительности деятельности банка и проводимой банком ресурсной политики.

Рентабельность заемных средств (РЗС) показывает сколько прибыли будет приходиться на заемный капитал.

Если мы исследуем заемный капитал со стороны заемщика, а не кредитора, то рентабельность заемного капитала рассчитывается путем деления величины чистой прибыли к среднему размеру заемного капитала. Чистая прибыль - это прибыль, оставшаяся в распоряжении предприятия после уплаты налогов. Средняя величина заемного капитала рассчитывается как сумма заемного капитала на начало периода и на конец периода, получившийся результат делится пополам.

Заемные средства- это часть капитала, используемая хозяйствующим субъектом, которая не принадлежит ему, но привлекается на основе банковского, коммерческого кредита или эмиссионного займа на основе возвратности. В случае получения займа банк становится должником на рынке, в то время как его экономическое назначение -- быть всеобщим кредитором на рынке. Поэтому к рыночным займам банк прибегает только в определенных случаях. В нормальных обстоятельствах доля заемных средств в общем капитале банка обычно очень мала.

Коммерческие банки получают доход как в виде процентов, так и в виде комиссионных платежей. Значительная доля современных операций банка относится к комиссионно-посредническим операциям.

Комиссионные операции банков - операции, заключающиеся в выполнении банками платежных и иных поручений клиентов с получением комиссии, т.е. вознаграждения за посредничество.

3.2 Список входных параметров для анализа

Пусть имеется база данных коммерческих банков с показателями деятельности за текущий период. Необходимо провести их кластеризацию, т.е. выделить однородные группы банков на основе показателей из базы данных, всего показателей - 18.

Исходная таблица находится в файле "Банки.txt". Она содержит показатели деятельности коммерческих банков за отчетный период.

По данным таблицы наименьшее значение показателя рентабельности активов (РА) у УралСиб банка. Это говорит о том, что банк неэффективно использует свои активы.

Банк Кит Финанс держится на первом месте, на уровне 5,66%. Это говорит о нормальной налаженной работе банка, эффективном использовании своих активов и получении прибыли от операций.

Анализируя показатель рентабельности собственных средств (РСС) и показатель рентабельности заемных средств (РЗС), можно заметить, что на последнем месте находится также УралСиб, а на первом КитФинанс.

Исходя из этого можно сделать вывод о том, что КитФинанс занимает лидирующие позиции по данным трех рейтингов.

Что касается показателя рентабельности комиссионных операций, то очевидно, что лидером является Сбербанк, худшие показателя имеет АбсолютБанк.

3.3 Кластеризация деятельности банков с помощью карт Кохонена с применением пакета статистической обработки данных Deductor компании BaseGroup Labs

Краткое описание программы Deductor

Deductor - аналитическая платформа позволяющая в сжатые сроки сделать успешную систему поддержки принятия бизнес-решений.

Благодаря мощнейшим механизмам импорта, при помощи Deductor возможно создание общей аналитической надстройки над всеми существующими в компании системами сбора и сбережения данных (торговые системы, бухгалтерские системы, отдельные базы и т.?д.). Неповторимость этого решения состоит в том, что Deductor, при надобности, механически объединит данные из разрозненных источников.

Реализованные в Deductor технологии позволяют на базе общей архитектуры пройти все этапы возведения аналитической системы: от создания хранилища данных до механического подбора моделей и визуализации приобретенных итогов.

Deductor дает инструментальные средства, требуемые для решения самых различных аналитических задач.

Корпоративная отчетность, моделирование, сегментация, поиск закономерностей -- эти и другие задачи, где используются такие методологии анализа как OLAP, Knowldge Discovery in Databases и Data Mining.

Решаемые задачи

Прикладные решения

Системы корпоративной отчетности. Готовое хранилище данных и эластичные механизмы предобработки, очищения, загрузки, визуализации позволяют проворно делать завершенные системы отчетности в сжатые сроки.

Обработка нерегламентированных запросов. Окончательный пользователь сможет легко получить ответ на вопросы на подобии «Какое количество было продаж продукта по группам за прошедший год с разбивкой по месяцам?» и просмотреть итоги более комфортным ему методом.

Анализ направленностей и закономерностей, проектирование, ранжирование. Простота применения и интуитивно ясная модель данных разрешает проводить тест по типу «что -- ежели», соотносить Ваши гипотезы со сведениями, хранящимися в информационной базе, находить ненормальные ценности, расценивать результаты принятия бизнес-решений.

Моделирование. Построив модель на исторических образцах, есть возможность применять её для моделирования ситуации в дальнейшем. По мере изменения ситуации нет потребности перестраивать все, нужно будет всего лишь дообучить модель.

Анализ данных рекламных и социологических исследований. К примеру, анализируя сведения о покупателях, возможно вычислить, кто из них считается Вашим посетителем и почему; как меняются их увлечения исходя из многих разных признаков. Понимание данного станет содействовать верному позиционированию ваших товаров и стимулированию продаж.

Диагностика. Механизмы анализа, имеющиеся в Deductor, успешно используются в врачебной диагностике и в диагностике трудоемкого оборудования. К примеру, возможно выстроить модель на базе сведений о отказах. При её поддержки быстро локализовать трудности и выискать первопричину перебоев.

Обнаружение объектов на базе нечетких критериев. Часто встречается ситуация, когда нужно будет заметить объект, базируясь не на конкретных аспектах, таковых, как цена, технические данные продукта, а на размытых формулировках, к примеру, отыскать продукты, схожие на Ваши, на взгляд покупателя.

Это лишь маленький перечень решаемых задач. Фактически идет речь о всех задачах, где потребуется консолидировать данные, показать их всевозможными методами, выстроить модели и применить полученные модели к новым данным.

Операции

Deductor оптимизирован для решения аналитических задач и содержит полный набор приспособлений, достаточных для решения поставленной задачи:

- получение информации из великого числа источников данных;

- полный диапазон приспособлений очищения и трансформации данных;

- сильные самообучающиеся алгоритмы возведения моделей и обнаружения зависимостей;

- немаленький набор приспособлений визуализации и экспорт последствий в разные форматы.

Это то, что гарантирует создание действенных прикладных решений в наименьшие сроки.

Deductor позволяет:

Проведем кластеризацию 18 ведущих банков РФ (2013 г.) по подобранным переменным с помощью таблиц Кохонена с применением пакета статистической обработки данных Deductor компании BaseGroup Labs.

Сначала импортируем данные из txt-файла в среду аналитического пакета.

На первом шаге мастера запускаем мастер обработки и выбираем из списка метод обработки "Карта Кохонена". Далее следует настроить назначения столбцов, т.е. для каждого столбца выбрать одно из назначений: входное, выходное, информационное. Укажем всем столбцам, соответствующим показателям деятельности банков, назначение "Входной". "Выходной" не назначаем.

Следующий шаг предлагает разбить исходное множество на обучающее, тестовое и валидационное. По умолчанию,программа предлагает разбить множество на обучающее - 95% и тестовое - 5%.

Затем предлагается настроить параметры карты: количество ячеек по Х и по Y их форму (шестиугольную или четырехугольную).

После этого устанавливаем параметры остановки обучения и устанавливаем эпоху, по достижению которой обучение будет прекращено.

На следующем шаге настраиваются другие параметры обучения: способ начальной инициализации, тип функции соседства. Возможны два варианта кластеризации: автоматическое определение числа кластеров с соответствующим уровнем значимости и фиксированное количество кластеров (определяется пользователем). Поскольку нам неизвестно количество кластеров, выберем автоматическое определение их количества.

Затем запускаем процесс обучения сети. Во время обучения можем наблюдать изменение количества распознанных примеров и текущие значения ошибок.

На последнем шаге настраиваем отображения карты Кохонена.

Карты входов

Исследуем фрагмент карты, состоящий из четырех входов, который приведен на рисунке:

На одной из карт выделяем область с наибольшими значениями показателя. Далее имеет смысл изучить эти же нейроны на других картах.

На первой карте наибольшие значения имеют объекты, расположенные в нижнем правом углу. Рассматривая одновременно все карты, мы можем сказать, что эти же объекты имеют наибольшие значения показателя, изображенного на третьей и второй картах. Также по раскраске этих карт можно сделать вывод, что существует взаимосвязь между этими показателями.

Также мы можем определить, например, такую характеристику: кластер, расположенный слева посередине, характеризуется низкими значениями показателей РА (рентабельность активов), РСС (рентабельность собственных средств) и РЗС (рентабельность заемных средств) и более высокими показателями РКО (рентабельность комиссионных операций)

Эта информация позволяет так охарактеризовать кластер: это банки с низкими показателями рентабельности активов, собственных и заемных средств.

Здесь мы видим сформированные кластеры, каждый из которых выделен отдельным цветом.

Для нахождения конкретного объекта на карте необходимо нажать правой кнопкой мыши на исследуемом объекте и выбрать пункт "Найти ячейку на карте". В результате мы можем увидеть, как сам объект, так и значение того измерения, которое мы просматриваем. Таким образом, мы можем оценить положение анализируемого объекта, а также сравнить его с другими объектами.

Технология самоорганизующихся карт - метод многомерного кластерного анализа

В результате применения самоорганизующихся карт многомерное пространство входных факторов было представлено в двухмерном виде, в котором его достаточно удобно анализировать.

Банки были классифицированы на 18 групп, для каждой из которых возможно определение конкретных характеристик, исходя из раскраски соответствующих показателей.

В этой главе мы рассмотрели такую парадигму нейронных сетей как карты Кохонена. Основное отличие этих сетей от других моделей состоит в наглядности и удобстве использования. Эти сети позволяют упростить многомерную структуру, их можно считать одним из методов проецирования многомерного пространства в пространство с более низкой размерностью. Интенсивность цвета в определенной точке карты определяется данными, которые туда попали: ячейки с минимальными значениями изображаются темно-синим цветом, ячейки с максимальными значениями - красным.

Другое принципиальное отличие карт Кохонена от других моделей нейронных сетей - иной подход к обучению, а именно - неуправляемое или неконтролируемое обучение. Этот тип обучения позволяет данным обучающей выборки содержать значения только входных переменных. Сеть Кохонена учится понимать саму структуру данных и решает задачи кластеризации.

Размещено на Allbest.ru