Оцінка фінансової безпеки комерційного банку
Сутність економічної та фінансової безпеки банка. Аналіз фінансової стабільності та забезпечення банківської установи власними ресурсами. Рівень ефективності їх використання та розміщення. Методи моделювання фінансової безпеки комерційного банку.
Рубрика | Банковское, биржевое дело и страхование |
Вид | дипломная работа |
Язык | украинский |
Дата добавления | 23.09.2016 |
Размер файла | 1,2 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
В результаті аналізу сукупності вхідних даних створюються однорідні групи у такий спосіб, що об'єкти всередині цих груп подібні між собою за деяким критерієм, а об'єкти з різних груп відрізняються один від одного.
Кластеризація може здійснюватися двома основними способами, зокрема за допомогою ієрархічних чи ітераційних процедур.
Ієрархічні процедури - послідовні дії щодо формування кластерів різного рангу, підпорядкованих між собою за чітко встановленою ієрархією. Найчастіше ієрархічні процедури здійснюються шляхом агломеративних (об'єднувальних) дій. Вони передбачають такі операції:
- послідовне об'єднання подібних об'єктів з утворенням матриці подібності об'єктів;
- побудова дендрограми (деревоподібної діаграми), яка відображає послідовне об'єднання об'єктів у кластери;
- формування із досліджуваної сукупності окремих кластерів на першому початковому етапі аналізу та об'єднання всіх об'єктів в одну велику групу на завершальному етапі аналізу.
Ітераційні процедури полягають в утворенні з первинних даних однорівневих (одного рангу) ієрархічно не підпорядкованих між собою кластерів.
Найбільш відомими та широко застосовуваними методами [11]
формування кластерів є:
- одиничного зв'язку;
- повного зв'язку;
- середнього зв'язку;
- метод Уорда.
Метод одиничного зв'язку (метод близького сусіда) передбачає приєднання одиниці сукупності до кластера, якщо вона близька (знаходиться на одному рівні схожості) хоча б до одного представника цього кластера.
Метод повного зв'язку (далекого сусіда) вимагає певного рівня подібності об'єкта (не менше граничного рівня), що передбачається включити у кластер, з будь-яким іншим.
Метод середнього зв'язку ґрунтується на використанні середньої відстані між кандидатом на включення у кластер і представниками наявного кластера.
Згідно методу Уорда приєднання об'єктів до кластерів здійснюється у випадку мінімального приросту внутрішньогрупової суми квадратів відхилень. Завдяки цьому утворюються кластери приблизно одного розміру, які мають форму гіперсфер.
Оптимальною прийнято вважати кількість кластерів, яка визначається як різниця кількості спостережень і кількості кроків, після якої відстань об'єднання збільшується стрибкоподібно.
Кластерний аналіз, як і інші методи вивчення стохастичного зв'язку, вимагає численних складних розрахунків, які краще здійснювати за допомогою сучасного програмного забезпечення, зокрема з використанням програмного продукту Statistica 6.0.
Загальну схему проведення кластерного аналізу можна подати у вигляді наступного алгоритму, який складається з наступних етапів:
Етап 1. Перш ніж використовувати будь-який з методів кластерного аналізу, необхідно виконати наступні попередні процедури:
Процедура 1. Стандартизація і нормування даних призначені для того, щоб привести всі показники до однієї величини (зробити їх порівнянними). Дана процедура здійснюється по наступній формулі:
,
де xij - i-а реалізація j-ї ознаки,
- середнє арифметичне j-ї ознаки,
- стандартне відхилення j-ї ознаки.
Процедура 2. Знаходження матриці відстаней. Матриця відстаней D являє собою матрицю розмірністю nxn, кожен елемент якої характеризує віддаленість того або іншого об'єкта від іншого. Ця матриця виглядає наступним чином:
де dsu - відстань між об'єктами s і u, .
Існує досить велика кількість варіантів розрахунку даної відстані основні з яких представлені в табл. 2.1.
Таблиця 2.1 - Характеристика близькості об'єктів
Найменування показника |
Формула |
Характеристика |
|
Кількісні шкали (відстані) |
|||
Лінійна відстань |
Найкраще виділяються "плоскі" кластери, розташовані на гіперплощинах |
||
Евклідова відстань |
Геометрично найкраще поєднує об'єкти в кулястих скупченнях |
||
Відстань Махаланобіса |
Використовується, коли після нормування зберігається велика різниця в дисперсіях, яку необхідно нівелювати |
||
Номінальні шкали (міри подібності) |
|||
Коефіцієнт Хеммінга |
Для порівняння об'єктів у змішаних шкалах найменувань і порядку |
||
Коефіцієнт Роджерса-Танімото |
Якщо важлива тільки наявність властивості, а не її відсутність |
||
Довільні шкали |
|||
Мера близькості Журавльова |
Фактично здійснюється перехід від кількісних шкал до якісних |
||
Мера близькості Вороніна |
Підвищує змістовну обґрунтованість розрахунків |
1. - значення l-ї ознаки у i-го об'єкта, l=; i,j=;
2. - вектор-стовпець значень всіх ознак на i-му об'єкті;
3. W-1 - матриця, обернена до коваріаційної;
4. - загальна кількість значень властивостей, що співпадають, (нулевих та одиничних, де 1 - наявність властивостей, 0 - відсутність);
5. - кількість співпадаючих одиничних властивостей;
6. - кількість одиничних значень властивостей;
7. ;
де - значення порога для l-го признака;
8. =
- мера близькості об'єктів по l-му признаку;
9. - інформаційна вага признака, розрахована певних чином.
Етап 2. Використання того або іншого методу кластерного аналізу в залежності від цілей дослідження. Одним із найбільш поширених способів проведення ітераційних процедур ось уже понад сорок років виступає метод k-середніх (розроблений у 1967 р. Дж. МакКуіном). Застосування його потребує здійснення таких кроків:
- розділення вихідних даних досліджуваної сукупності на задану кількість кластерів;
- обчислення багатовимірних середніх (центрів тяжіння) виділених кластерів;
- розрахунок Евклідової відстані кожної одиниці сукупності до визначених центрів тяжіння кластерів та побудова матриці відстаней, яка ґрунтується на метриці відстаней. Використовують різні метрики відстаней, наприклад: Евклідова відстань (проста і зважена), Манхеттенська, Чебишева, Мінковського, Махалонобіса тощо;
визначення нових центів тяжіння та нових кластерів
Вибір даного методу кластеризації обґрунтований наступними перевагами:
- даний метод не будує геометричні кластери, що дозволяє уникнути їхнього перетинання і, як наслідок, влучення одного й того самого елемента в кілька кластерів;
- дозволяє формувати задану кількість кластерів, що полегшує економічну інтерпретацію отриманих результатів.
Використання методу k-середніх ґрунтується на двох критеріях:
1. Мінімізація відстані всередині кластера між його елементами.
2. Максимізація відстані між центрами кластерів. Використання даного критерію дозволяє виділити кластери, що знаходяться на максимально можливій відстані друг від друга
2.3 Характеристика методів багатомірної класифікації з навчанням
Існують такі основні методи багатомірної класифікації з навчанням як дискримінантний аналіз. Дискримінантний аналіз є розділом багатовимірного статистичного аналізу, який дозволяє вивчати відмінності між двома і більш групами об'єктів по декількох змінних одночасно. Дискримінантний аналіз - це загальний термін, що відноситься до декількох тісно зв'язаних статистичних процедур. Ці процедури можна розділити на методи інтерпретації міжгрупових відмінностей -- дискримінації і методи класифікації спостережень по групах. При інтерпретації потрібно відповісти на питання: чи можливо, використовуючи даний набір змінних, відрізнити одну групу від іншої, наскільки добре ці змінні допомагають провести дискримінацію і які з них найбільш інформативні?
Методи класифікації пов'язані з отриманням однієї або декількох функцій, що забезпечують можливість віднесення даного об'єкту до однієї з груп. Ці функції називаються класифікуючими і залежать від значень змінних таким чином, що з'являється можливість віднести кожний об'єкт до однієї з груп. [12, 13]
Задачі дискримінантного аналізу можна розділити на три типи. Задачі першого типу часто зустрічаються в медичній практиці. Припустимо, що ми маємо в своєму розпорядженні інформацію про деяке число індивідуумів, хвороба кожного з яких відноситься до одного з двох або більш діагнозів. На основі цієї інформації потрібно знайти функцію, що дозволяє поставити у відповідність новим індивідуумам характерні для них діагнози. Побудова такої функції і складає задачу дискримінації.
Другий тип задачі відноситься до ситуації, коли ознаки приналежності об'єкту до тієї або іншої групи втрачені, і їх потрібно відновити.
Задачі третього типу пов'язані з прогнозом майбутніх подій на підставі наявних даних. Такі задачі виникають при прогнозі віддалених результатів лікування, наприклад, прогноз виживання оперованих хворих.
Основною метою дискримінації є знаходження такої лінійної комбінації змінних (надалі ці змінні називатимемо дискримінантними змінними), яка б оптимально розділила дані групи. Лінійна функція називається канонічною дискримінантою функцією з невідомими коефіцієнтами:
(2.8)
де значення дискримінантної функції для m-го об'єкту в групі k;
значення дискримінантної змінної для m-го об'єкту в групі k.
З геометричної точки зору дискримінантні функції визначають гіперплощини в p-мірному просторі. В окремому випадку при p=2 вона є прямою, а при p=3 - площиною.
Коефіцієнти першої канонічної дискримінантної функції вибираються так, щоб центроїди різних груп якомога більше відрізнялися один від одного. Коефіцієнти другої групи вибираються також, але при цьому накладається додаткова умова, щоб значення другої функції були некорельовані із значеннями першою. Аналогічно визначаються і інші функції. Звідси витікає, що будь-яка канонічна дискримінантна функція має нульову внутрішньогрупову кореляцію. Якщо число груп рівно g, то число канонічних дискримінантних функцій буде на одиницю менше числа груп. Проте із багатьох причин практичного характеру корисно мати одну, дві або ж три дискримінантних функції. Тоді графічний вигляд об'єктів буде представлений в одно-, двух- і тривимірних просторах. Таке уявлення особливо корисно у разі, коли число дискримінантних змінних p велике в порівнянні з числом груп g.
Для отримання коефіцієнтів канонічної дискримінантної функції потрібен статистичний критерій розрізнення груп. Очевидно, що класифікація змінних здійснюватиметься тим краще, чим менше розсіяння крапок щодо центроїда усередині групи і чим більше відстань між центроїдами груп. Зрозуміло, що велика внутрішньогрупова варіація небажана, оскільки в цьому випадку будь-яка задана відстань між двома середніми тим менш значуща в статистичному значенні, чим більше варіація розподілів, відповідних цим середнім. Один з методів пошуку якнайкращої дискримінації даних полягає в знаходженні такої канонічної дискримінантної функції d, яка б максимізувала відношення міжгрупової варіації до внутрішньогрупової
(2.9)
де B - міжгрупова і W - внутригрупова матриці розсіяння спостережуваних змінних від середніх.
Іноді (2.9) замість W використовують матрицю розсіяння T з'єднаних даних.
В моделі дискримінації повинні дотримуватися наступні умови:
1) число груп: ;
2) число об'єктів в кожній групі: ;
3) число дискримінантних змінних: ;
4) дискримінантні змінні вимірюються в інтервальній шкалі;
5) дискримінантні змінні лінійно незалежні;
6) ковариаційні матриці груп приблизно рівні;
7) дискримінантні змінні в кожній групі підкоряються багатовимірному нормальному закону розподілу.
Дискримінантний аналіз є найважливішим інструментом системи раннього попередження та методом прогнозування банкрутства (стану, який характеризується втратою фінансової безпеки) економічних об'єктів. Найбільше поширення отримали дискримінанті моделі прогнозування банкрутства підприємств.
Розрізняють однофакторний та багатофакторний дискримінантний аналіз.
Однофакторний дискримінантний аналіз. В основі однофакторного (одновимірного) аналізу покладене сепаратне дослідження окремих показників (які є складовою певної системи показників) та класифікація підприємств за принципом дихотомії. Віднесення підприємства до категорії "хворих" чи "здорових" здійснюється у розрізі окремих показників у відповідності до емпірично побудованої шкали граничних значень досліджуваного показника. Наприклад, згідно зі шкалою значень показника рентабельності активів, граничне значення цього показника складає 2%. Це означає, що підприємства, в яких рентабельність активів >2% за цим критерієм вважаються "здоровими", якщо ж значення цього показника <2%, то підприємство відноситься до групи суб'єктів господарювання, яким загрожує фінансова криза.
Найбільш відомими моделями однофакторного дискримінантного аналізу є системи показників Бівера та Вайбеля.
Система показників Бівера
В основі досліджень американського економіста В. Бівера покладено 30 найбільш часто вживаних у фінансовому аналізі показників. За ознакою однорідності ці показники були згруповані в шість груп. Із кожної групи Бівер вибрав по одному, найбільш типовому показнику, які й склали систему прогнозування банкрутства:
1) Відношення Cash Flow до позичкового капіталу.
2) Відношення чистого прибутку до валюти балансу.
3) Відношення позичкового капіталу до валюти балансу.
4) Відношення оборотних активів до поточних зобов'язань (показник покриття).
5) Відношення робочого капіталу до валюти балансу.
6) Відношення різниці між очікуваними грошовими надходженнями та поточними зобов'язаннями до витрат підприємства (без амортизації).
З використанням матеріалів аналізу 79 фінансово неспроможних і такого ж числа фінансово спроможних підприємств Бівер розробив шкалу граничних значень для кожного із приведених показників для американських підприємств.
Система показників Вайбеля
В основі досліджень, здійснених П. Вайбелем протягом 1960-1971 років покладено аналітичні матеріали по 72 швейцарських підприємствах будівельної, металургійної, легкої та годинникової галузей виробництва, половина з яких була у фінансовій кризі. Класифікацію підприємств за цією системою пропонується здійснювати з використанням таких показників:
1)Відношення позичкового капіталу до валюти балансу.
2)Відношення оборотних активів до поточних зобов'язань (показник покриття).
3)Відношення Cash Flow до поточних (короткострокових) зобов'язань.
4)Відношення різниці між очікуваними грошовими надходженнями та поточними зобов'язаннями до витрат підприємства (без амортизації).
5)Відношення середнього залишку кредиторської заборгованості до вартості закупок.
6)Відношення середніх залишків виробничих запасів до величини затрат на сировину (матеріали).
Головним суперечливим моментом однофакторного дискримінантного аналізу є те, що значення окремих показників може свідчити про позитивний розвиток підприємства, а інших - про незадовільний. Така ситуація унеможливлює об'єктивне прогнозування банкрутства.
Багатофакторний дискримінантний аналіз. В процесі аналізу підбирається ряд показників, для кожного з яких визначається вага в так званій "дискримінантній функції".
В загальному вигляді, лінійну багатофакторну дикримінантну функцію можна представити в такій формі:
Z = a0 + a1x1 + a2x2 + a3x3 +.......+ anxn,
а1, а2, а3......, аn - коефіцієнти (ваги) дискримінантної функції;
х1, х2, х3......., хn - показники (змінні) дискримінантної функції.
Величина окремих ваг характеризує різний вплив окремих показників (змінних) на загальний фінансовий стан підприємства. Віднесення аналізованого підприємства до групи "хворих" чи "здорових" залежить від значення дискримінантної функції.
Найбільш відомими моделями прогнозування банкрутства на основі багатофакторного дискримінантного аналізу є модель Альтмана (1968), модель Беермана (1976), система показників Бетге-Хуса-Ніхауса (1987), модель Краузе (1993).
Модель Альтмана
Модель прогнозування банкрутства, розроблена американським економістом Е. Альтманом має також назву "розрахунок Z-показника" і є класичною в своїй сфері, оскільки включена до більшості підручників, що присвячені фінансовому прогнозуванню та оцінці кредитоспроможності підприємств.
Побудована Альтманом дискримінантна функція має такий вигляд:
Z = 0,012 X1 + 0,014 X2 + 0,033 X3 + 0,006 X4 + 0,999 X5,
де X1 - робочий капітал/ валюта балансу;
X2 - сума нерозподіленого прибутку (непокритого збитку) та резервного капіталу / валюта балансу;
X3 - звичайний прибуток до оподаткування + проценти за кредит / валюта балансу;
X4 - ринкова вартість підприємств (ринкова вартість корпоративних прав) / позичковий капітал;
X5 - чиста виручка від реалізації продукції/ валюта балансу.
Провівши аналіз 33-х пар промислових підприємств з обсягом валюти балансу від 1 до 25 млн. дол. США, Альтман зробив наступний висновок щодо інтерпретації значень Z-показника:
Таблиця 2.2 - Значення показника Альтмана
Значення Z |
Ймовірність банкрутства |
|
До 1,8 |
Висока |
|
1,81-2,67 |
Не можна однозначно визначити |
|
2,67 і вище |
низька |
Модель Беермана
В Німеччині вперше застосував методологію багатофакторного дискримінантного аналізу при дослідженні фінансового стану підприємств у 1976 році професор університету м. Мюнстер Клаус Беерман. Свої висновки він базував на емпіричному дослідженні 21 підприємства, половина з яких були збиткові та знаходилися у фінансовій кризі.
Основні характеристики дискримінантної функції Беермана наведено в табл. 2.3.
Таблиця 2.3 - Параметри дискримінантної функції
Показник |
Вага |
|
Х1=Позичковий капітал/валюта балансу |
+0,077 |
|
Х2=Чистий прибуток/валюта балансу |
+0,813 |
|
Х3=Чистий прибуток/позичковий капітал |
+0,124 |
|
Х4=чистий прибуток/чиста виручка від реалізації |
-0,105 |
|
Х5=Cash-flow/позичковий капітал |
-0,063 |
|
Х6=Чиста виручка від реалізації/валюта баланса |
+0,061 |
|
Х7=запаси/чиста виручка від реалізації |
+0,268 |
|
Х8=Сума амортизації/вартість основних засобів на кінець періоду |
+0,217 |
|
Х9=Введені основні засоби/сума амортизації |
+0,012 |
|
Х10=заборгованість за банківськими позиками/позичквий капітал |
+0,165 |
Одержані значення інтегрального показника Беерман рекомендує інтерпретувати наступним чином (горизонт прогнозування 1 рік):
Z > 0,32 - підприємство знаходиться під загрозою банкрутства;
0,32 > Z > 0,236 - неможливо чітко ідентифікувати, потребує додаткового якісного аналізу
Z < 0,236 - підприємству не загрожує банкрутство.
Модель оцінки ймовірності банкрутства українських підприємств
Для оцінки ймовірності банкрутства вітчизняних підприємств рекомендується до використання дискримінантна функція із шістьома змінними:
Z = 1,04*X1+0,75*X2+0,15*X3+0,42*X4+1,8*X5 -0,06*X6 - 2,16,
де Х1 - коефіцієнт покриття;
Х2 - коефіцієнт фінансової автономії;
Х3 - коефіцієнт оборотності капіталу;
Х4 - коефіцієнт рентабельності операційних продажів;
Х5 - коефіцієнт рентабельності активів;
Х6 - коефіцієнт оборотності позичкового капіталу.
Модель розроблена на основі аналізу фінансових показників 850 українських підприємств усіх видів економічної діяльності. Використання цієї моделі дозволяє з високим рівнем ймовірності спрогнозувати майбутній фінансовий стан підприємства, а отже, оцінити ймовірність його банкрутства. Для наведеної дискримінантної моделі рекомендується наступний "ключ інтерпретації" значень інтегрального показника:
Zi <= -0,55 - фінансовий стан підприємства є незадовільним (знаходиться у фінансовій кризі або вона йому загрожує);
-0,55 <= Zi <= 0,55 - однозначних висновків щодо якості фінансового стану підприємства зробити неможливо, необхідний додатковий експертний аналіз;
Zi > 0,55 - фінансовий стан підприємства є задовільним.
У разі, якщо значення показника Zі знаходиться в межах, для яких однозначні висновки щодо якості фінансового стану зробити неможливо, рекомендується додатково застосувати експертні методи аналізу. В рамках чого аналізується динаміка основних абсолютних показників фінансового стану підприємства за два-три роки: валюта балансу; робочий капітал; обсяг виручки від реалізації; величина чистого прибутку (збитку); чистий грошовий потік від операційної діяльності. За результатами додаткового аналізу базовий показник Zi коригується на коефіцієнт зміни основних абсолютних показників. Для визначення вагомості впливу окремих абсолютних показників на коефіцієнт коригування можна застосувати загальну методологію дискримінантного аналізу. Скоригований за результатами додаткового експертного аналізу інтегральний показник слід інтерпретувати таким же чином, як це рекомендується вище.
3. Розробка моделей оцінки фінансової безпеки комерційного банку
3.1 Розробка моделі оцінки рівня фінансової безпеки банку
Для побудови моделі оцінки використаємо алгоритм, який наведений в п. 2.1
Крок 1. Декомпозиція мети в ієрархію.
Декомпозиція цілі в ієрархію наведена на рис. 3.1
Рисунок 3.1 - Декомпозиція цілі в ієрархію
Визначимо умовні позначення показників на третьому рівні (табл. 3.1)
Таблиця 3.1 - Умовні позначення показників фінансової безпеки банку
Економічні нормативи діяльності |
Нормативне значення |
Умовне позначення |
|
Група показників стабільності |
|||
Норматив мінімального розміру регулятивного капіталу (Н1) |
min 10 млн. грн. |
X11 |
|
Норматив адекватності регулятивного капіталу/платоспроможності (Н2) |
min 8% |
X12 |
|
Норматив адекватності основного капіталу (Н3) |
min 4% |
X13 |
|
Група показників ліквідності |
|||
Норматив миттєвої ліквідності (Н4) |
min 20% |
X21 |
|
Норматив поточної ліквідності (Н5) |
min 35% |
X22 |
|
Норматив короткострокової ліквідності (Н6) |
min 20% |
X23 |
|
Група показників ризику |
|||
Норматив максимального розміру кредитного ризику на одного контрагента (Н7) |
max 25% |
X31 |
|
Норматив "великих кредитних ризиків" (Н8) |
max 800% |
X32 |
|
Норматив максимального розміру кредитів, гарантій і поручительств, наданих одному інсайдеру (Н9) |
max 5% |
X33 |
Крок 2. Побудова матриць порівнянь показників.
На цьому кроці сформуємо загальну матрицю порівнянь між групами та усередені груп. Дані таблиці наведено в табл. 3.2
Таблиця 3.2 - Матриці порівнянь
Серед груп |
Для першої групи |
Для другої групи |
Для третьої групи |
|
Крок 3. Оцінка однорідності матриць.
Оцінка однорідності матриць здійснюється за допомогою індексу однорідності, який розраховано в табл. 3.3
Таблиця 3.3 - Індекс однородності
Серед груп |
Для першої групи |
Для другої групи |
Для третьої групи |
|
Оцінка індексу однорідності свідчить про однорідність матриць порівнянь, так як всі його значення менші ніж 0,1.
Крок 4. Побудова ранжируваного вектора.
За допомогою нормування було отримано ранжируваний вектор
Таблиця 3.4 - Ранжування альтернатив
Серед груп |
Для першої групи |
Для другої групи |
Для третьої групи |
|
Пріоритет, який отримав кожний з досліджуваних показників фінансової безпеки банку, наведений в табл. 3.5.
Таблиця 3.5 - Вагові коефіцієнти груп показників и показників усередині груп
Фактор |
Умовне позначення |
Вага |
|
Група показників стабільності |
0,648 |
||
Норматив мінімального розміру регулятивного капіталу (Н1) |
X11 |
0,487 |
|
Норматив адекватності регулятивного капіталу/платоспроможності (Н2) |
X12 |
0,364 |
|
Норматив адекватності основного капіталу (Н3) |
X13 |
0,149 |
|
Група показників ліквідності |
0,122 |
||
Норматив миттєвої ліквідності (Н4) |
X21 |
0,211 |
|
Норматив поточної ліквідності (Н5) |
X22 |
0,321 |
|
Норматив короткострокової ліквідності (Н6) |
X23 |
0,468 |
|
Група показників ризику |
0,230 |
||
Норматив максимального розміру кредитного ризику на одного контрагента (Н7) |
X31 |
0,484 |
|
Норматив "великих кредитних ризиків" (Н8) |
X32 |
0,168 |
|
Норматив максимального розміру кредитів, гарантій і поручительств, наданих одному інсайдеру (Н9) |
X33 |
0,349 |
Аналіз даної таблиці дозволяє зробити ряд висновків:
1) найбільш значущою групою є перша група показників, а саме показники стабільності (вага цієї групи показників складає 0,648), найменш значущою - показники ліквідності (0,122);
2) серед першої групи найбільш значущим є показник мінімального розміру регулятивного капіталу (0,487);
3) серед другої групи найбільш значущим є норматив короткострокової ліквідності (0,468);
4) серед третьої групи найбільш значущим є норматив максимального розміру кредитного ризику на одного контрагента (0,484).
Таким чином, на забезпечення фінансової складової економічної безпеки найбільший вплив, за думкою експертів, оказують норматив мінімального розміру регулятивного капіталу, норматив адекватності регулятивного капіталу/платоспроможності, норматив короткострокової ліквідності.
Модель оцінки рівня фінансової безпеки банку з урахуванням отриманих пріоритетів груп показників и показників усередині груп має вид:
(3.1)
де - коефіцієнти значущості кожної групи;
- значення факторів.
Слід відзначити, що комплексний показник змінюється в межах від 0 до 1. Таким чином, побудований аналітичний показник позволяє досліджувати фінансову безпеку комерційного банку.
Для використання моделі (3.1) введемо обмеження на значення показників Х:
(3.2)
Таблиця 3.6 - Динаміка показників
Фактор |
2008 |
2009 |
2010 |
2011 |
|
Норматив мінімального розміру регулятивного капіталу (Н1) |
0,5 |
0,5 |
1 |
1 |
|
Норматив адекватності регулятивного капіталу/платоспроможності (Н2) |
0,5 |
0,5 |
0,5 |
1 |
|
Норматив адекватності основного капіталу (Н3) |
0 |
0 |
0,5 |
0,5 |
|
Норматив миттєвої ліквідності (Н4) |
0 |
0,5 |
0,5 |
0,5 |
|
Норматив поточної ліквідності (Н5) |
0 |
0 |
0,5 |
0 |
|
Норматив короткострокової ліквідності (Н6) |
0 |
0,5 |
1 |
1 |
|
Норматив максимального розміру кредитного ризику на одного контрагента (Н7) |
0 |
0,5 |
0,5 |
0,5 |
|
Норматив "великих кредитних ризиків" (Н8) |
0,5 |
0,5 |
0,5 |
0,5 |
|
Норматив максимального розміру кредитів, гарантій і поручительств, наданих одному інсайдеру (Н9) |
0 |
0,5 |
0,5 |
1 |
Підставивши ці дані в формулу 3.1, отримуємо динаміку показника фінансової безпеки (рис. 3.2).
Рисунок 3.2 - Динаміка показника фінансової безпеки
Проведені дослідження дозволяють зробити висновки про збільшення рівня фінансової безпеки досліджуваного банку.
Таким чином, побудована модель дозволяє здійснювати комплексну оцінку фінансової безпеки банку с урахуванням вагових коефіцієнтів факторів, які оказують найбільш сильний вплив на рівень фінансової безпеки.
3.2 Групування банків за рівнем фінансової безпеки на підставі методів кластерного аналізу
В дипломній роботі передбачається групування комерційних банків України за рівнем фінансової безпеки з використанням методу кластерного аналізу ("таксономия", "автоматична класифікація"). В перекладі з англійського слово “cluster” означає "кисть", "пучок", "група". Існують різноманітні визначення кластерного аналізу. Проте, всі вони зводяться до наступного: кластерний аналіз - це метод багатовимірного статистичного аналізу, який дозволяє упорядкувати досліджувані об'єкти в однорідні групи [17]. В результаті застосування кластерного аналізу з'являються групи, елементи усередині яких "схожі" між собою за заданими критеріями, а елементи з різних груп значно відрізняються один від одного. Критерієм об'єднання в групи може бути максимальна "схожість" елементів, або їх "несхожість" (при подвійній задачі). Кластерний аналіз дозволяє виявити або підтвердити наявність певної структури (під структурою системи розуміємо сукупність її елементів і їх відношення) в досліджуваній сукупності, яка дає підставу для перевірки і підтвердження гіпотези про існуючі закономірності в досліджуваній системі [17].
Задача кластерного аналізу полягає в розбитті безлічі об'єктів, описуваних деякими ознаками, на кластери так, щоб кожний об'єкт належав одній і лише одній підмножині розбиття. В нашому випадку цими об'єктами є комерційні банки України, стан фінансової безпеки яких характеризується коефіцієнтами стабільності, ліквідності, ризику. При цьому в кожній підмножині розбиття об'єкти лежать щільно один до одного і є схожими, тоді як об'єкти, що належать різним підмножинам, є різнорідними.
У принципі задача кластерного аналізу зводиться до розробки певного правила, або алгоритму, за допомогою якого можна здійснювати розбиття об'єктів на групи. При цьому залишається невідомо, чи дійсно знайдені угрупування є якнайкращими.
Як було зазначено в розділі 2, методи кластерного аналізу можна розділити на ієрархічні, агломеративні і дивізимні. Окрім цього окрему групу складають ітеративні методи (метод k-середніх, метод пошуку згустків та ін.)
Одним із зручних методів ітерації еталонного типу є метод k-середніх, який і буде використаний в дипломній роботі. Він заснований на принципі мінімізації внутрікласової дисперсії. Відмінною рисою цього методу є те, що спочатку дослідником задається кількість кластерів, на які розбивається сукупність. На такому кроці задається початкове розбиття об'єктів, і визначаються центри ваги кластерів. Потім на основі міри схожості між об'єктами визначається новий склад кожного кластера. Після переліку всіх об'єктів перераховуються центри ваги кластерів. Процедура повторюється до тих пір, поки така ітерація не дасть такий же склад кластерів, який і попередня. Цим добивається розбиття об'єктів на групи, дисперсії усередині яких мінімальні.
Одна з переваг, яку надає досліднику кластерний аналіз, - це можливість використовування великої кількості ознак, які характеризують досліджувану сукупність [19].
Недоліком даного методу є відсутність статистичного критерію значущості для перевірки гіпотези, чи дійсно об'єкт належить даній групі.
Перед тим, як буде використаний кластерний аналіз, нам необхідно знайти ті ознаки, якими характеризуватимуться комерційні банки. В нашому випадку - це показники ліквідності.
В ППП Statistica в модулі Cluster Analysis проведемо кластеризацію банків, стан фінансової безпеки яких описується розрахованими коефіцієнтами. Задаємо початкові параметри (рис. 3.3).
Використовуємо метод k-середніх і задаємо кількість кластерів рівну трьом. Отримуємо наступні результати аналізу (рис. 3.4).
Рисунок 3.3 - Завдання змінних і кількості кластерів
З рис. 3.4 видно, що у вікні результатів відмічено кількість кластерів, кількість банків і кількість ітерацій.
Рисунок 3.4 - Результати аналізу
В табл. 3.6 наведені елементи кожного кластеру.
Таблиця 3.6 - Розбиття комерційних банків України по кластерах
Кластер |
Елементи кластерів (номера банків) |
||||||||||||||
1 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
10 |
12 |
14 |
15 |
16 |
17 |
18 |
|
22 |
23 |
24 |
25 |
26 |
27 |
29 |
30 |
32 |
33 |
34 |
39 |
41 |
42 |
||
43 |
44 |
45 |
46 |
47 |
48 |
49 |
51 |
52 |
53 |
54 |
55 |
57 |
58 |
||
59 |
63 |
64 |
65 |
67 |
69 |
70 |
71 |
72 |
74 |
75 |
76 |
78 |
79 |
||
80 |
82 |
83 |
85 |
86 |
87 |
88 |
90 |
91 |
92 |
93 |
94 |
95 |
96 |
||
99 |
100 |
102 |
103 |
105 |
|||||||||||
2 |
8 |
9 |
11 |
13 |
19 |
20 |
21 |
28 |
35 |
36 |
37 |
40 |
50 |
56 |
|
61 |
62 |
66 |
81 |
84 |
89 |
98 |
101 |
104 |
|||||||
3 |
31 |
38 |
60 |
68 |
73 |
77 |
97 |
На рис. 3.5 представлений графік середніх значень коефіцієнтів для кожного кластеру.
Рисунок 3.5 - Графік середніх значень коефіцієнтів для кожного кластеру
На підставі аналізу табл. 3.6 і рис. 3.5 робимо висновки про те, що в третю групу потрапили банки з найвищим рівнем фінансової безпеки, в другу групу потрапили банки з середнім рівнем, а в першій групі представлені банки з найбільш низьким щодо інших банків рівнем.
3.3 Розробка моделей класифікації стану фінансової безпеки банку за допомогою методів дискримінантного аналізу
Основною метою дискримінантного аналізу є ухвалення рішення про те, які змінні розрізняють (дискримінують) маючи сукупності. Дискримінантний аналіз є статистичним апаратом для вивчення відмінностей між групами (сукупностями) об'єктів по відношенню до декількох змінних одночасно (багатовимірний аналіз) [17]. Дискримінація проводиться при сукупностях, які є, і вибірках із кожної з них. Задача полягає у виробленні заснованого на наявних вибірках правила, що дозволяє приписати деякий новий об'єкт до правильної сукупності в тому випадку, якщо наперед невідомо, до якої сукупності він належить. Іншими словами, необхідно побудувати модель, що дозволяє краще всього передбачити, до якої сукупності належатиме новий елемент.
Термін "дискриминантний аналіз" є загальним, оскільки визначає декілька зв'язаних статистичних процедур. Їх можна розділити на методи інтерпретації міжгрупових відмінностей і методи класифікації спостережень по групах. При інтерпретації необхідно відповісти на питання: чи можливо, використовуючи дані характеристики (змінні), відрізнити одну групу від іншої; наскільки добре ці характеристики дозволяють провести розрізнення і які з них найбільш інформативні. Метод класифікації пов'язаний з отриманням декількох функцій, що дозволяють віднести даний об'єкт до однієї з груп. Ці функції залежать від значень характеристик таким чином, що кожний об'єкт можна віднести до однієї з груп [18].
Алгоритм процесу аналізу можна представити таким чином:
збір інформації і проведення вибірки з подальшим аналізом;
побудова дискримінантних функцій з використанням різних коефіцієнтів, визначення числа функцій, подальша перевірка значущості і інтерпретація для пояснення відмінностей між класами;
класифікація з метою визначення приналежності нового об'єкту до того чи іншого класу.
Дискриминантний аналіз дозволить нам визначити моделі, за допомогою яких можна класифікувати стани фінансової безпеки банків на підставі значень фінансових показників. В ППП Statistica вибираємо модуль Discriminant Analysis і працюємо в ньому. До заданих даних, комерційних банків і коефіцієнтів, додаємо новий стовпець, в якому указуємо номер кластера, до якого належить банк. Це буде змінна, по якій здійснюватиметься групування. Потім починаємо аналіз (рис. 3.6).
Рисунок 3.6 - Завдання початкових параметрів аналізу
Вибираємо змінну, по якій буде здійснюватися групування, і незалежні змінні. Кількість груп рівна трьом. Отримуємо наступні результати аналізу (табл. 3.7).
Таблиця 3.7 - Результати дискримінантного аналізу
Discriminant Function Analysis Summary (dip_klast.sta) |
|||||||
No. of vars in model: 3; Grouping: N (3 grps) |
|||||||
Wilks' Lambda:,10858 approx. F (6,200)=67,824 p<0,0000 |
|||||||
H4 |
Wilks' Lambda |
Partial Lambda |
F-remove (2,100) |
p-level |
Toler. |
1-Toler. (R-Sqr.) |
|
0,2762 |
0,3931 |
77,1850 |
0,0000 |
0,9354 |
0,0646 |
||
H5 |
0,1133 |
0,9581 |
2,1867 |
0,1176 |
0,9315 |
0,0685 |
|
H6 |
0,2040 |
0,5323 |
43,9305 |
0,0000 |
0,8737 |
0,1263 |
Як видно з отриманих результатів (табл. 3.7) значення статистики Уїлкса близько до 0, що свідчить про добру дискримінацію. Оскільки значення лямбди Уїлкса по можливості повинне бути якомога ближче до нуля (Wilks' Lambda = 0,10858), а значення F критерію (критерію Фішера) більше табличного значення (F = 67,824 > 3,04), то можна зробити висновок, що дана класифікація коректна. З табл. 3.7 видно, що рівень значущості (p-level) для всіх коефіцієнтів малий, тобто вони є добрими дискримінантами. Рівень толерантності (Toler) у всіх показників знаходиться в граничних межах (<0,4). Оскільки всі критерії значущі, то ми можемо виявити залежність переходу банку з одного кластера в іншій від змін значень показників.
Для перевірки коректності вибірок подивимося результати класифікаційної матриці (табл. 3.8).
Таблиця 3.8 - Класифікаційна матриця
Classification Matrix (dip_klast.sta) |
|||||
Rows: Observed classifications |
|||||
Columns: Predicted classifications |
|||||
Percent Correct |
G_1:1 p=,33333 |
G_2:2 p=,33333 |
G_3:3 p=,33333 |
||
G_1:1 |
97,3333 |
73 |
2 |
0 |
|
G_2:2 |
95,6522 |
1 |
22 |
0 |
|
G_3:3 |
85,7143 |
0 |
1 |
6 |
|
Total |
96,1905 |
74 |
25 |
6 |
З класифікаційної матриці (табл. 3.8) видно, що об'єкти були правильно віднесені до виділених груп (відсоток правильної класифікації складає близько 100%). Аналіз таблиці класифікації випадків (табл. 3.9) дозволяє зробити висновок про те, які комерційні банки були віднесені неправильно до тієї або іншої групи (некоректно віднесені банки позначаються зірочкою. З таблиці видно, що банки під номерами 21 і 27 були неправильно класифіковані.
Таблиця 3.9 - Таблиця класифікацій
Observed |
G_1:1 |
G_2:2 |
G_3:3 |
Observed |
G_1:1 |
G_2:2 |
G_3:3 |
|||
Classif. |
p=,33333 |
p=,33333 |
p=,33333 |
Classif. |
p=,33333 |
p=,33333 |
p=,33333 |
|||
1 |
G_1:1 |
1,397 |
17,180 |
108,761 |
46 |
G_1:1 |
1,310 |
4,377 |
68,105 |
|
2 |
G_1:1 |
0,428 |
14,310 |
98,041 |
47 |
G_1:1 |
0,913 |
15,559 |
104,899 |
|
3 |
G_1:1 |
0,411 |
14,055 |
98,329 |
48 |
G_1:1 |
0,821 |
16,135 |
100,570 |
|
4 |
G_1:1 |
3,180 |
22,619 |
122,595 |
49 |
G_1:1 |
0,625 |
13,665 |
95,174 |
|
5 |
G_1:1 |
1,008 |
6,670 |
74,650 |
50 |
G_2:2 |
18,550 |
1,828 |
32,711 |
|
6 |
G_1:1 |
0,705 |
15,193 |
102,868 |
51 |
G_1:1 |
1,109 |
16,566 |
107,147 |
|
7 |
G_1:1 |
0,133 |
10,554 |
90,513 |
52 |
G_1:1 |
0,553 |
14,500 |
97,089 |
|
8 |
G_2:2 |
25,901 |
4,158 |
29,128 |
53 |
G_1:1 |
1,064 |
6,104 |
72,349 |
|
9 |
G_2:2 |
10,752 |
1,782 |
56,094 |
54 |
G_1:1 |
0,312 |
8,248 |
78,081 |
|
10 |
G_1:1 |
0,113 |
11,777 |
91,171 |
55 |
G_1:1 |
0,387 |
8,068 |
79,520 |
|
11 |
G_2:2 |
5,498 |
1,619 |
55,198 |
56 |
G_2:2 |
7,917 |
0,946 |
42,584 |
|
12 |
G_1:1 |
1,554 |
17,060 |
108,778 |
57 |
G_1:1 |
0,836 |
5,578 |
76,878 |
|
13 |
G_2:2 |
5,470 |
0,829 |
52,110 |
58 |
G_1:1 |
1,446 |
12,070 |
81,874 |
|
14 |
G_1:1 |
0,612 |
15,051 |
101,552 |
59 |
G_1:1 |
2,578 |
3,406 |
63,585 |
|
15 |
G_1:1 |
0,988 |
7,456 |
84,451 |
60 |
G_3:3 |
122,808 |
76,757 |
17,306 |
|
16 |
G_1:1 |
0,634 |
11,659 |
95,564 |
61 |
G_2:2 |
30,974 |
7,400 |
40,660 |
|
17 |
G_1:1 |
2,302 |
20,215 |
116,890 |
62 |
G_2:2 |
13,754 |
8,016 |
39,859 |
|
18 |
G_1:1 |
0,185 |
7,411 |
80,379 |
63 |
G_1:1 |
0,989 |
9,859 |
80,683 |
|
19 |
G_2:2 |
9,581 |
1,643 |
57,741 |
64 |
G_1:1 |
0,548 |
14,355 |
97,062 |
|
20 |
G_2:2 |
5,819 |
0,727 |
50,031 |
65 |
G_1:1 |
0,111 |
7,978 |
81,051 |
|
21 |
G_2:2 |
2,199 |
3,065 |
68,020 |
66 |
G_2:2 |
17,154 |
1,259 |
37,699 |
|
22 |
G_1:1 |
0,801 |
5,000 |
71,997 |
67 |
G_1:1 |
0,333 |
13,422 |
95,239 |
|
23 |
G_1:1 |
0,984 |
4,809 |
72,178 |
68 |
G_3:3 |
61,243 |
22,466 |
10,082 |
|
24 |
G_1:1 |
2,600 |
4,714 |
61,839 |
69 |
G_1:1 |
0,007 |
10,137 |
87,458 |
|
25 |
G_1:1 |
0,713 |
8,730 |
76,180 |
70 |
G_1:1 |
1,035 |
11,380 |
94,742 |
|
26 |
G_1:1 |
0,724 |
13,703 |
100,898 |
71 |
G_1:1 |
1,740 |
5,370 |
68,257 |
|
27 |
G_1:1 |
4,708 |
2,620 |
53,437 |
72 |
G_1:1 |
0,080 |
11,381 |
91,380 |
|
28 |
G_2:2 |
5,184 |
1,648 |
55,952 |
73 |
G_3:3 |
162,572 |
99,234 |
20,578 |
|
29 |
G_1:1 |
0,536 |
12,255 |
95,154 |
74 |
G_1:1 |
2,027 |
6,280 |
82,549 |
|
30 |
G_1:1 |
1,165 |
17,456 |
107,471 |
75 |
G_1:1 |
0,580 |
15,085 |
100,574 |
|
31 |
G_3:3 |
135,078 |
74,743 |
30,547 |
76 |
G_1:1 |
1,462 |
10,056 |
82,877 |
|
32 |
G_1:1 |
0,047 |
11,024 |
89,115 |
77 |
G_3:3 |
159,710 |
120,729 |
48,285 |
|
33 |
G_1:1 |
5,724 |
6,347 |
53,273 |
78 |
G_1:1 |
0,253 |
7,638 |
81,818 |
|
34 |
G_1:1 |
0,600 |
15,060 |
100,939 |
79 |
G_1:1 |
0,460 |
14,035 |
98,612 |
|
35 |
G_2:2 |
11,356 |
3,796 |
36,780 |
80 |
G_1:1 |
0,956 |
9,840 |
79,743 |
|
36 |
G_2:2 |
5,180 |
1,211 |
58,601 |
81 |
G_2:2 |
7,134 |
2,013 |
47,845 |
|
37 |
G_2:2 |
10,199 |
0,642 |
51,144 |
82 |
G_1:1 |
0,194 |
11,669 |
92,536 |
|
38 |
G_3:3 |
16,109 |
13,164 |
15,949 |
83 |
G_1:1 |
0,914 |
14,448 |
102,255 |
|
39 |
G_1:1 |
0,438 |
10,740 |
86,638 |
84 |
G_2:2 |
12,920 |
4,802 |
68,655 |
|
40 |
G_2:2 |
13,818 |
0,539 |
39,733 |
85 |
G_1:1 |
1,854 |
4,615 |
74,027 |
|
41 |
G_1:1 |
0,186 |
11,544 |
93,201 |
86 |
G_1:1 |
0,284 |
13,181 |
95,641 |
|
42 |
G_1:1 |
1,548 |
18,715 |
109,736 |
87 |
G_1:1 |
0,608 |
6,111 |
78,596 |
|
43 |
G_1:1 |
0,837 |
13,801 |
101,908 |
88 |
G_1:1 |
2,186 |
6,515 |
68,918 |
|
44 |
G_1:1 |
2,821 |
21,239 |
119,833 |
89 |
G_2:2 |
21,961 |
Подобные документы
Роль і місце фінансової безпеки банків, основні інструменти її забезпечення, методичні підходи щодо формування системи. Загальна оцінка фінансового стану банку, аналіз дотримання нормативів діяльності. Напрями досягнення фінансової безпеки банків.
курсовая работа [71,4 K], добавлен 22.12.2012Комерційний банк: основні функції та роль в економіці. Сутність фінансової стійкості комерційного банку, нормативно-правове регулювання НБУ. Аналіз банківської системи України, проблеми та шляхи підвищення фінансової стійкості комерційного банку.
курсовая работа [974,5 K], добавлен 22.12.2011Аналіз показників фінансової стійкості комерційного банку. Оцінка причин неефективності застосування інтегральних показників НБУ для попередження втрати фінансової стійкості. Основні напрямки підвищення рівня фінансової стійкості ВАТ АБ "Укргазбанк".
дипломная работа [4,6 M], добавлен 02.07.2010Забезпечення фінансової безпеки банків. Особливість безпеки банківської системи України. Зміцнення позицій на ринку банківських послуг. Основні інструменти забезпечення фінансової безпеки банків. Вибір оптимальних антикризових стратегій та інструментарію.
курсовая работа [42,2 K], добавлен 19.02.2012Cуть активів та пасивів комерційного банку, методи управління. Загальна характеристика АТ "Сбербанк Росії" як фінансової установи, аналіз активів та пасивів. Концепція удосконалення кредитно-депозитних операцій банку. Методи зниження кредитних ризиків.
дипломная работа [215,9 K], добавлен 28.10.2011Аналіз індикаторів стану фінансової безпеки фондового ринку України за 2009-2014 рр. Визначення наявного рівня фінансової безпеки фондового ринку. Виявлення та розробка дійсних заходів по підвищенню рівня фінансової безпеки фондового ринку України.
статья [228,4 K], добавлен 24.10.2017Теоретичні і правові основи забезпечення фінансової стійкості комерційного банку. Система економічних показників ХФ АКБ "Правекс-Банк", фінансовий аналіз діяльності, оцінка і управління кредитним ризиком; аналіз впливу рівня ліквідності на прибутковість.
дипломная работа [1,3 M], добавлен 05.12.2010Розробка моделей аналізу ліквідності балансу комерційного банку як структурної складової фінансової стійкості. Роль аналізу фінансової стійкості в управлінні комерційним банком. Побудова інтегрального показника ліквідності балансу і аналіз його динаміки.
дипломная работа [1,2 M], добавлен 18.11.2013Сутність та напрямки фінансової діяльності комерційного банку. Структура джерел власного, залученого та запозиченого капіталу банку та методи управління ними. Характеристика діяльності та рейтингове місце КБ "Приватбанк" в банківській системі України.
дипломная работа [3,2 M], добавлен 02.07.2010Дослідження особливостей створення та організації діяльності комерційного банку. Аналіз операцій з формування власного капіталу, залучених та запозичених коштів ПАТ "Банк Форум". Основні принципи кредитування. Забезпечення фінансової стійкості установи.
отчет по практике [72,4 K], добавлен 22.10.2013Основні сегменти фінансових потоків ресурсних, активних банківських операцій, доходів, витрат та прибутку в фінансовій моделі діяльності банку. Оцінка фінансової діяльності АКБ "Правекс-банк", її математична модель та управління рентабельністю банку.
курсовая работа [1,9 M], добавлен 10.07.2010Сутність та теоретичні аспекти визначення фінансової стійкості банківської установи. Система показників для оцінки фінансового стану банку та методика їх аналізу. Обґрунтування фінансової стійкості банківської установи на прикладі АКБ "Правекс-банк".
курсовая работа [312,4 K], добавлен 10.11.2010Фінансовий менеджмент в комерційних банках. Інтегрований підхід до управління балансом банку. Розрахунок окремих показників фінансової діяльності банку. Аналіз динаміки та структури процентних доходів і витрат на прикладі АКБ "Укрсоцбанк".
курсовая работа [67,2 K], добавлен 20.03.2007Рейтингова оцінка банківської установи ПАТ КБ "ПриватБанк" (за активами, капіталом, прибутком, кредитуванням фізичних та юридичних осіб). Аналіз джерел формування та напрямів використання фінансових ресурсів банку. Комплексна оцінка фінансової діяльності.
отчет по практике [2,5 M], добавлен 20.01.2016Види та значення прибутку комерційного банку. Оцінка показників ефективності та прибутковості КБ. Шляхи підвищення прибутковості банку. Вплив НБУ на прибутковість комерційного банку. Можливості використання зарубіжного досвіду у формуванні прибутку банку.
дипломная работа [1,8 M], добавлен 03.07.2011Дослідження основних тенденцій розвитку та сучасного стану банківської системи України. Формування фінансової стратегії розвитку банків в умовах посилення конкуренції. Аналіз та оцінка ефективності фінансової стратегії розвитку банку "Фінанси та кредит".
курсовая работа [43,5 K], добавлен 26.08.2013Поняття та сутність доходів, витрат і прибутку комерційного банку. Існуючі методики аналізу основних показників аналізу прибутковості комерційного банку. Оцінка ефективності діяльності Приватбанку і прогнозування його прибутку в найближчому майбутньому.
дипломная работа [304,6 K], добавлен 09.10.2010Капітал банку, його суть, значення, джерела його формування та напрямки використання. Структура капіталу банку і вимоги до його відображення у фінансової звітності. Облік операцій з формування капіталу та з власними акціями при їх викупі та перепродажу.
контрольная работа [25,5 K], добавлен 30.08.2010Методика розрахунку валютної позиції комерційного банку і вплив світової фінансової кризи на регуляторні зміни НБУ. Результати стрес-тестування впливу грошової позиції ПАТ "Альфа-Банк" у докризовий та кризовий періоди на прибуток і власний капітал банку.
курсовая работа [3,2 M], добавлен 07.07.2011Фактори, що впливають на структуру та розмір доходів комерційного банку. Оцінка фінансової стійкості та ділової активності ПАТ "ПРОМІНВЕСТБАНК". Напрями розподілу доходів. Удосконалення обліку прибутку банку. Напрямки підвищення доходності банків України.
курсовая работа [583,6 K], добавлен 08.04.2015