Моделирование вероятности дефолта банков
Модели, основанные на показателях бухгалтерской и финансовой отчетности банка. Зависимость вероятности дефолта банка от размера чистых активов и размера уставного капитала. Построение эконометрической модели, созданной на данных рейтинговых агентств.
| Рубрика | Банковское, биржевое дело и страхование |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 16.08.2018 |
| Размер файла | 3,3 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.
При проверке модели на обучающем множестве, точность ее прогноза составила 94%. Необходимо убедиться в качестве построенной модели на тестовом множестве.
В таблице 3.7 приведены значения банковских показателей, действительное состояние банка (банкрот/действует), вычисленное состояние банка и наиболее вероятное прогнозируемое состояние банка (Result).
Таблица 3.7. Проверка модели на тестовом множестве
|
H1 |
LtR |
H6 |
H10 |
H12 |
AutCap |
E |
stat |
P |
Result |
|
|
67,90 |
3,00 |
21,50 |
3,00 |
0,00 |
15415450,00 |
99975,00 |
1,00 |
0,999906 |
1 |
|
|
24,00 |
92,80 |
23,40 |
3,00 |
0,00 |
35141000,00 |
742873,00 |
1,00 |
0,889602 |
1 |
|
|
28,80 |
14,00 |
24,40 |
2,00 |
6,00 |
100000000,00 |
10712552,00 |
1,00 |
0,867484 |
1 |
|
|
44,10 |
0,40 |
20,00 |
0,00 |
0,00 |
40000000,00 |
1720044,00 |
1,00 |
0,997415 |
1 |
|
|
26,40 |
33,00 |
23,60 |
2,00 |
0,00 |
38030000,00 |
262045,00 |
1,00 |
0,999368 |
1 |
|
|
18,00 |
94,00 |
19,00 |
1,00 |
0,00 |
644000000,00 |
7608324,00 |
0,00 |
0,188443 |
0 |
|
|
14,00 |
39,00 |
20,00 |
2,00 |
0,00 |
713646000,00 |
10524954,00 |
0,00 |
0,501266 |
1 |
|
|
12,00 |
84,00 |
14,00 |
2,00 |
0,00 |
554290219,00 |
58127163,00 |
0,00 |
0,003078 |
0 |
|
|
11,00 |
108,00 |
16,00 |
0,00 |
0,00 |
1050000000,00 |
12032591,00 |
0,00 |
0,073474 |
0 |
|
|
12,00 |
102,00 |
25,00 |
1,00 |
1,00 |
28215396326,00 |
300227234,00 |
0,00 |
0,001094 |
0 |
При тестировании модели на тестовом множестве модель ошиблась в одном случае из десяти, что означает, что точность прогноза модели при тестировании на тестовом множестве составила 90%, что является схожим уровнем точности с результатами тестирования модели на обучающей выборке (94%).
В результате суммарная точность модели оказалась равна 93,6%.Точность модели рассчитывалась исходя из общего количества записей обучающего и тестирующего множеств (всего 110 банков).
3.2 Построение нейронной сети
Для обучения и тестирования нейронной сети потребуется разделить общее множество банковских данных на три отдельных множества:
1. обучающее множество (используется на этапе обучения нейронной сети);
2. тестирующее множество (используется для тестирования обученной нейросети);
3. подтверждающее множество (используется для последней проверки нейронной сети).
Подтверждающее множество будет содержать 6 записей о банковских данных, из которых 3 банка признаны дефолтами, и 3 организации продолжают деятельность. Данное множество будет использовано на последнем этапе тестирования нейронной сети. Сделано это для того, чтобы исключить возможность приспособления нейросети к обучающему и тестирующему множествам.
Тестирующее множество будет содержать 12 записей о банковской деятельности, из данных 12 банков 6 обанкротились, 6 продолжают деятельность. Тестирующее множество будет использоваться после каждой попытки обучения нейронной сети, чтобы можно было сразу удостовериться в том, что нейросеть обучилась правильно, а не подстроилась под имеющиеся данные обучающей выборки.
Обучающее множество является самым важным из трех рассматриваемых, потому что данные, содержащиеся в нем, лягут в основу нейросети. Именно от данного множества зависит качество обученной нейросети. В данное множество будут входить оставшиеся 92 записи о показателях банковской деятельности.
Во всех множествах используются данные о 13 показателях банковской активности и фиктивная переменная, характеризующая статус банка (отбанкротился/действует). Данные подробно описаны в параграфе 2.2. данной работы.
Для проектирования и обучения нейронной сети будет использоваться программный продукт “Нейросимулятор 5.0” разработанный Черепановым Ф.М. и Ясницким Л.Н. [40].
Данный программный продукт предоставляет широкие возможности по использованию различных алгоритмов обучения нейронной сети и возможность гибкого проектирования сети для ее подготовки к различным структурам данных.
На этапе проектирования сети необходимо задать ее структуру, что включает определение количества входных и выходных нейронов, количества скрытых слоев нейронов и количества нейронов на каждом из слоев, а также указать функции активации для нейронов.
Так как количество объясняющих переменных в используемых данных равно 13, то на входном слое необходимо разместить 13 нейронов. В качестве результата анализа выступает одна переменная (stat), которая показывает обанкротился банк или нет, поэтому на выходном слое необходимо разместить один нейрон.
Для решения поставленной задачи будет достаточно одного скрытого слоя нейронов. Далее необходимо определить количество нейронов на скрытом слое. Для этого можно воспользоваться формулой Арнольда-Колмогорова-Хехт-Нильсена, описанной в работе Ясницкого [41]:
,
где - размерность входного сигнала;
- размерность выходного сигнала;
-число элементов множества обучающих примеров;
- число синоптических связей.
Для используемых нами данных переменные будут иметь следующие значения: = 13 (т.к. используются 13 показателей банковской активности); = 1 (т.к. нам важен только один результат: обанкротится банк или нет); = 92 (количество записей в обучающей выборке).
Находим число синоптических связей из представленного ранее неравенства:
Далее, для определения числа нейронов скрытого слоя для двуслойного персептрона воспользуемся формулой:
Получаем, что количество нейронов скрытого слоя представлено неравенством:
.
В результате, приблизительное количество нейронов на скрытом слое равно 5. Окончательно определить наилучшее количество нейронов на скрытом слое возможно только подбирая их различное количество и сравнивая качество получаемых сетей после их обучения. Поэтому, возможно, структура нейросети претерпит некоторые изменения в ходе на этапе обучения.
При выборе функции активации стоит отдавать предпочтение функциям, обладающим свойством антисимметрии, для которых выполняется равенствоy(-S) = -y(S), так как данный тип функций позволяет избежать проблемы попадания процесса обучения в локальный минимум функции ошибки, не достигнув искомого глобального минимума. Данным свойством обладают, например, сигмоидные функции. Наилучшим же вариантом будет использование функциигиперболического тангенса[24]:
,
где a = 1.7159; b = 2/3. При использовании данных параметров тангенс-гиперболическая функция так же имеет вид сигмоиды, однако, в отличие от сигмоиды, она обладает рядом выделяющих ее полезных свойств:
1. в начале координат первая производная близка к единице;
2. y(1) = 1 и y(-1) = -1;
3. вторая производная достигает своего максимального значения при S = 1.
На этапе обучения необходимо выбрать один из семи, заложенных в нейросимуляторе алгоритмов обучения сети, к которым относятся алгоритмы[24]:
· упругого распространения;
· обратного распространения;
· Левенберга-Марквардта;
· генетический;
· сопряженных градиентов;
· Манхэттена;
· быстрого распространения.
В данной работе наиболее подходящим будет использование метода упругого распространения. Данный алгоритм использует обучение по эпохам и применяет знаки производных только частного случая для корректировки весовых коэффициентов. Алгоритм использует определенное правило для определения величины коррекции весового коэффициента, которое заключается в том, что если на каком-то этапе расчетов производная меняет свой знак, то, значит, локальный минимум был упущен из-за слишком большого изменения, и необходимо вернуть расчеты в предшествующую стадию и уменьшить величину изменения.
Кроме того, в сравнении с методом обратного распространения, метод упругого распространения позволяет избежать существенных временных затрат на обучение нейронной сети.
В качестве способа инициализации весов оставляем автоматический выбор, чтобы система сама выбрала наиболее подходящий метод (см. рис. 3.6).
Рисунок 3.6. Параметры обучения нейросети
После этого, заносим сразу данные и обучающего и тестирующего множеств в соответствующие для этого окна (см. рис. 3.7).
Далее необходимо провести обучение нейросети. Причем, возможно, потребуется неоднократно проводить обучение нейронной сети, чтобы добиться максимально хорошего результата, характеризующегося как можно более низким значением средней ошибки прогноза и наибольшей точностью прогноза.
Также следует сравнить результаты обучения нейросети, основанной на 5 нейронах скрытого слоя с другими версиями сетей, содержащими иное количество нейронов скрытого слоя. На рисунке 3.8 представлен график изменения среднего квадратичного отклонения для обучающего и тестирующего множеств в зависимости от количества нейронов скрытого слоя, лежащих в основе модели. Данный показатель характеризует качество обученной нейронной сети, и чем его значение меньше, тем качественнее обучилась полученная модель.
Рисунок 3.7. Занесение данных обучающего и тестирующего множеств
Рисунок 3.8. Сравнение качества нейронной сети в зависимости от количества нейронов на скрытом слое
Исходя из данных, представленных на рисунке 3.8,нейросеть, основанная на 5 нейронах, содержащихся на скрытом слое, является наиболее подходящей для решения поставленной в данной работе задачи. Данный вывод подтверждает, вычисленное в ходе использования формулы Арнольда-Колмогорова-Хехт-Нильсена [41] значение числа нейронов скрытого слоя нейронной сети.
В результате, наилучшая из обученных моделей характеризуется представленными в таблице 3.8 значениями показателей качества обучения.
Таблица 3.8. Значения показателей качества модели
|
Показатель качества модели |
Обучающее множество |
Тестирующее множество |
|
|
Среднее квадратичное отклонение (%) |
14,7442 |
16,0957 |
|
|
Средняя относительная погрешность (%) |
2,1739 |
2,9148 |
На этапе тестирования, в первую очередь, необходимо проверить, как нейросеть прогнозирует дефолт для банков из обучающего множества, потому что, если она не сможет корректно предсказать вероятность дефолта банков из обучающего множества, значит она обучилась неправильно и дальнейшее ее тестирование бессмысленно, необходимо ее заново обучать.
В ходе тестирования нейронной сети на обучающем множестве, включающем 92 обучающих примера, нейросеть ошиблась в 2-х случаях. Это значит, что ее прогнозная точность на обучающей выборке составила 97,8%. Стоит отметить, что из 2-х неверных предсказаний, нейросеть ошибочно посчитала один обанкротившийся банк кредитоспособным, и, наоборот, один действующий банк был признан неплатежеспособным.
При тестировании обученной нейросети на данных обучающего множества, она показала убедительный результат продемонстрировав высокую предсказательную силу. Далее необходимо провести аналогичное тестирование на данных тестового множества.
В результате тестирования на тестовом множестве из 12-и банковских организаций, нейросеть только один раз неверно определила статус банка. На рисунке 3.9 показано сопоставление исходных значений вероятности дефолта банков, заданных в собранном массиве данных, и вычисленных нейросетью значений вероятности дефолта банков для данных тестирующего множества.
Рисунок. 3.9. Сопоставление исходных и вычисленных значений вероятности дефолта для данных тестирующего множества
Как видно из рисунка 3.9 нейросеть ошиблась один раз только в отношении организации под номером 2. Вычисленное нейронной сетью значение вероятности дефолта для данного банка составило 0,44, что не дает какого-либо однозначного ответа о кредитоспособности организации, но, все же, значение ближе к 0, что подразумевает то, что банк должен продолжить свою деятельность, однако это не верно, поэтому в данной ситуации нейронная сеть допустила ошибку.
По итогу тестирования сети на тестовом множестве, она показала точность прогноза на уровне 91,7%.
На заключительном этапе тестирования нейронной сети используется подтверждающее множество данных, которое никак не участвовало в процессе обучения нейросети в отличие от обучающего множества, которое непосредственно легло в основу сети, и, даже, тестирующего множества, которое не принимало участия конкретно в процессе обучения модели, однако после каждой итерации обучения, качество обученной сети проверялось на тестирующем множестве, поэтому нейронная сеть могла подстроиться под данные обучающего и тестирующего множеств, а, на самом же деле, она может неправильно работать на реальных данных. Поэтому необходимо протестировать ее на подтверждающем множестве, представляющем реальные данные, не учувствовавшие в процессе обучения сети.
На рисунке 3.10 представлено сопоставление исходных и вычисленных нейросетью значений вероятности дефолта банков для подтверждающего множества.
Как видно из представленного выше рисунка, нейросеть не допустила ошибок при определении статуса банков во всех 6-и случаях. Это значит, что точность ее прогноза для данныхподтверждающего множества составила 100%.
Как видно из представленного выше рисунка, нейросеть не допустила ошибок при определении статуса банков во всех 6-и случаях. Это значит, что точность ее прогноза для данныхподтверждающего множества составила 100%.
Рисунок 3.10. Сопоставление исходных и вычисленных значений вероятности дефолта для данных подтверждающего множества
Общая точность прогноза нейросети с учетом тестирования на всех трех множествах данных составила 97,3%. То есть нейросеть ошиблась всего в 3-х случаях из 110.
3.3 Исследование зависимости вероятности дефолта от значений отдельных показателей
Рассмотрим данные двух банков: банкрота и не банкрота. Изменим отдельные показатели и посмотрим, как будет меняться вероятность дефолта в зависимости от значений данных показателей. Сравним полученные результаты с выводами исследования, описанного в параграфе 2.3.
Исследуем зависимость вероятности дефолта от величины чистых активов банка. Рассмотрим две банковские организации: банкрота и не банкрота. Данные об их активности представлены в таблице 3.9.
Таблица 3.9. Параметры исследуемых банков
|
Статус банка |
Банкрот |
Не банкрот |
|
|
H1 |
14 |
17 |
|
|
IR |
99 |
78 |
|
|
CR |
95,6 |
127 |
|
|
LtR |
77,5 |
80 |
|
|
H6 |
17 |
14 |
|
|
H7 |
380 |
72 |
|
|
H9 |
0 |
0 |
|
|
H10 |
0 |
1 |
|
|
H12 |
0 |
0 |
|
|
Year |
1994 |
1993 |
|
|
TBE |
1 |
3 |
|
|
AutCap |
200000000 |
1844840000 |
|
|
E |
3453899 |
112439716 |
На рисунках 3.11 и 3.12 показано изменение вероятности дефолта банка в зависимости от величины его чистых активов. Исходя из данных, представленных на обоих графиках, вероятность дефолта организации сильно уменьшается при величине активов близкой или более 500 млрд. рублей. Стоит отметить, что результаты исследования с помощью logit-модели и cпомощью нейросети отличаются. Так, эконометрический метод показал, что вероятность дефолта как банкрота, так и не банкрота падает ниже порога в 10% уже при размере активов от 100 млрд. рублей. Нейросеть же показывает, что величина активов равная 100 млрд. рублей еще не дает гарантии платежеспособности банковской организации.
Рисунок 3.11. Влияние размера активов на вероятность дефолта банка (согласно logit-модели)
Рисунок 3.12. Влияние размера активов на вероятность дефолта банка (согласно нейросети)
Если сравнивать данные результаты с исследованием данных, проведенном во второй главе работы, то результат исследования подтверждается. Так как в исследовании объясняющих данных, представленном во второй главе, средние значения размера чистых активов для кредитоспособных организаций и банкротов соответственно равны: 284.7 и 6,8 млрд рублей.В данном случае на рисунках 3.11и3.12 также можно увидеть, что при увеличении размера чистых активов вероятность дефолта уменьшается.
Теперь исследуем зависимость вероятности дефолта от размера уставного капитала. Опять же рассмотрим две банковские организации: банкрота и не банкрота. Данные об их активности представлены в таблице 3.9.
На рисунках 3.13 и 3.14 показано изменение вероятности дефолта банков в зависимости от изменения размера уставного капитала. Как можно увидеть из графиков, для logit-модели и нейросети существуют совершенно разные зависимости вероятности дефолта от размера уставного капитала. Так, согласно эконометрической модели, вероятность дефолта банка увеличивается с увеличением величины уставного капитала. При этом, при увеличении суммы уставного капитала в 100 раз вероятность дефолта увеличивается всего на 10%.
Противоположная ситуация для нейросети. Согласно данным, полученным в результате вычисления вероятности банкротства с помощью нейросети, вероятность дефолта уменьшается с увеличением суммы уставного капитала.
Рисунок 3.13. Влияние размера уставного капитала на вероятность дефолта банка (согласно logit-модели)
Рисунок 3.14. Влияние размера уставного капитала на вероятность дефолта банка (согласно нейросети)
Если сравнить полученные результаты с выводами, сделанными в ходе анализа исходных данных во второй главе, то можно увидеть сходство данных выводов с результатами, полученными с помощью нейросети, что, как правило, кредитоспособные банки обладают большим размером уставного капитала, чем банки банкроты.
Столько разные полученные результаты исследования влияния размера уставного капитала на вероятность дефолта банков могут быть обусловлены совершенно разными методами расчета оценки вероятности дефолта, лежащими в основе эконометрической и нейронно-сетевой моделей
3.4 Сравнение результатов моделирования
В ходе написания данной работы было разработано два метода оценки вероятности дефолта банковских организаций. Первый, основан на построении эконометрической logit-модели, второй, представляет собой обученную нейронную сеть.
При сравнении двух методов, в первую очередь, стоит обратить внимание на точность прогноза обоих моделей, так как данный показатель является главным при определении качества построенной модели. Для logit-модели точность определения вероятности дефолта составила 93.6%, для нейронной сети - 97.3%. Точность прогноза рассчитывалась при тестировании моделей на общем множестве данных, включающем 110 записей о банковских характеристиках.
Не мало важное значение имеет количество объясняющих переменных, требуемых в модели. Для работы logit-модели необходимо 7показателей финансовой активности банковской организации. Для нейросети же требуется 13 переменных, включающих как финансовые, так и не финансовые показатели. Вообще, необходимость больших массивов информации для качественного обучения, это один из наиболее существенных минусов применения нейросетевых технологий. Причем под большими массивами информации подразумевается не только большое количество записей, но и большое количество объясняющих переменных.
Если сравнивать сложность создания модели, то тут, конечно, сильно выигрывает эконометрическая модель, которая требует только определения весовых коэффициентов при переменных (если уже известны все используемые переменные). Так, например, logit-модель можно регулярно обновлять, используя актуальные данные об обанкротившихся банках. Для построения нейросети необходимо реализовать ее программную составляющую и алгоритмы обучения, спроектировать структуру сети, обучить с использованием большой выборки данных.
При использовании больших объемов информации эконометрическая модель существенно выигрывает и в скорости вычисления. Однако в данной предметной области данный фактор не играет существенной роли, потому что количество исследуемых банков ограничено и их не так много, чтобы разница в скорости получения оценки вероятности дефолта была существенно различна.
Заключение
Данная выпускная квалификационная работа посвящена анализу и построению моделей оценки вероятности дефолта банков. В связи с особенностями текущей экономической обстановки в России, проблема банкротства банковских организаций будет актуальна еще долгое время.
В рамках проведенного исследования были достигнуты следующие результаты:
1. Проанализированы и систематизированы существующие подходы к определению вероятности дефолта банков.
2. Сформирован массив данных, включающий 13 финансовых и не финансовых показателей банковской активности.
3. Исследована зависимость вероятности дефолта от значений объясняющих переменных.
4. Построена эконометрическая logit-модель для определения вероятности дефолта. Модель использует 7 показателей активности банковской организации. Точность ее прогноза составляет 93,6%
5. Спроектирована и обучена нейронная сеть на базе программного продукта “Нейросимулятор 5.0”. Нейросеть использует 13 показателей финансовой и не финансовой деятельности банков и демонстрирует точность прогноза на уровне 97,3%
6. С помощью построенных моделей изучено влияние отдельных переменных на вероятность дефолта банка.
7. Проведено сравнение двух разработанных методов, выделены их достоинства и недостатки, сделаны выводы по их использованию для оценки вероятности дефолта.
В ходе написание данной работы были приобретены и отработаны следующие навыки и знания:
1. Изучены особенности строения, применения и работы множества проанализированных эконометрических моделей оценки дефолта.
2. Углублены знания в особенностях применения нейросетевых технологий.
3. Отработаны навыки сбора, структурирования и анализа больших объемов информации.
4. Изучено влияние финансовых и не финансовых показателей деятельности банков на вероятность дефолта.
5. Получены навыки эконометрического моделирования с использованием статистических пакетов.
6. Получены навыки в работе с нейронными сетями: проектировании, обучении, тестировании.
7. Изучена возможность использования методов оценки вероятности дефолта банковских организаций.
Таким образом, были выполнены основные цели и задачи, поставленные перед проведением данного исследования.
Полученные результаты могут быть полезны как руководству и менеджменту банков для определения своей финансовой устойчивости, для чего они могут использовать обе разработанные модели, одна из которых более гибкая, и способна подстраиваться под текущие экономические условия, другая предоставляет более точный результат, так и простым клиентам банков, для определения более финансово устойчивого банка, в который можно вложить свои сбережения. Для простых клиентов больше подойдет разработанная logit-модель, потому что она не требует освоения никаких программных продуктов, а ей только лишь необходимы значения 7 показателей анализируемой организации.
Дальнейшее развитие данной работы может иметь множество направлений. Например, адаптация logit-модели под обычного пользователя - разработка приложения с удобным интерфейсом, автоматически рассчитывающее вероятность дефолта организации по заданным значениям финансовых показателей.
Библиографический список
1. Black F., Scholes M. «The pricing of options and corporate liabilities» // The Journal of Political Economy. - 1973. - № 3. - P. 637-654.
2. Merton R. «On the pricing of corporate debt: the risk structure of interest rates» // Journal of Finance. - 1974. - № 5. - P. 449-470.
3. Black F., Cox J.C. «Valuing Corporate Securities: Some Effects of Bond» // Journal of Finance. - 1976. - № 2. - P. 351-367.
4. Iben T., Litterman R.«Corporate Bond Valuation and the Term Structure of Credit Spreads» // Journal of Portfolio Management. - 1991. - № 17. - P. 52-64.
5. Jarrow R.A. «Pricing derivatives on financial securities subject to credit risk» // Journal of Finance. - 1995. - № 3. - P. 53-85.
6. Duffie D., Singleton K.«Modeling Term Structuresof Defaultable Bonds» // Review of Financial Studies. - 1999. - № 12. - P. 197-226.
7. Hull J., White A. «Valuing credit default Swaps I: No counterparty risk» // Working paper. - 2000.
8. «Research & Ratings: Rating Methodologies - Moody's» // «Moody's - credit ratings, research, tools and analysis for the global capital markets» [Электронныйресурс]. [Режим доступа: www.moodys.com/researchandratings/methodology/003006001/rating-methodologies/methodology/003006001/003006001/-/-1/0/-/0/-/-/en/global/rr]. [Проверено: 19.01.2018].
9. «Standard &Poor's | Global» [Электронныйресурс]. [Режимдоступа: https://www.standardandpoors.com/en_US/web/guest/home]. [Проверено: 19.01.2018].
10. «CreditMonitor™ Specifications» [Электронныйресурс]. [Режимдоступа: http://www.kmv.com]. [Проверено: 19.01.2018].
11. Wilson T. «Portfolio Credit Risk: part I» // Risk Magazine. - 1997. - № 9. - P. 111-117.
12. Wilson T. «Portfolio Credit Risk: part II» // Risk Magazine. - 1997. - № 10. - P. 56-61.
13. «McKinsey & Company | Global management consulting» [Электронныйресурс]. [Режимдоступа: https://www.mckinsey.com]. [Проверено: 15 02 2018].
14. DurandD.«Risk Elements in Consumer Instalment Financing» // National bureau of economic research. - 1941. - № 8. - P. 7-15.
15. Beaver W.H. «Financial ratios as predictors of failure» // Journal of Accounting Research. - 1966. - № 4. - P. 71-111.
16. Altman E. I. «Financial ratios. Discriminent analysis, and the prediction of corporate bankruptcy» // Journal of Finance. - 1968. - № 9.
17. Altman E.I. et al. «Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks» // Journal of Banking and Finance. - 1994. - № 3.
18. Chesser D. «Predicting loan noncompliance» // The Journal of Commercial Bank Lending - 1974. - № 8. - P. 28-38.
19. Hosmer, David W. Jr.,Lemeshow S.«Applied Logistic Regression»-New Jersey.- Wiley.- 1989.
20. Tamari M. «Financial ratios as a means of forecasting bankruptcy» // Management International Review. - 1966. - № 4. - P. 15-21.
21. Moses D., Liao S.«On Developing Models for Failure Prediction» // Journal of Commerical Bank Lending. - 1987. - P. 27-38.
22. Peresetsky A. «Market discipline and deposit insurance in Russia»- 2008.
23. Peresetsky A., Karminsky A.«Models for Moody's bank ratings»- 2008.
24. Ясницкий Л.Н. «Интеллектуальные системы»- БИНОМ.- Пермь.- 2016.
25. Nieppola O. «Backtesting Value-at-Risk Models» -Helsinki. - Helsinki School of Economics.- 2009.
26. Шеври Ф., Гели Ф. «Нечеткаялогика» // Техническая коллекция SchneiderElectric. - 2009. - № 33. - с. 3-32.
27. Sendova K.P.«The Gerber-Shiu function and the generalized Cramer-Lundberg model» // Applied Mathematics and Computation. - 2011. - № 218. - P. 335-356.
28. Wilde. T., «CreditRisk+. A credit risk management framework» 1997г. [Электронный ресурс]. [Режим доступа: http://www.defaultrisk.com/pp_model_21.htm]. [Проверено: 25.03.2018].
29. ПересецкийА. А. «Моделирование причин отзыва лицензий российских банков» - Российская экономическая школа. - 2010. 26 с.
30. Федеральный закон Российской Федерации от 02.12.1990 № 395-1 «О банках и банковской деятельности».
31. «Закрывшиеся банки - ликвидация, отзыв лицензии, банкротство | Банки.ру» // «Банки.ру информационный портал» [Электронныйресурс]. [Режимдоступа: http://www.banki.ru/banks/memory]. [Проверено: 19.02.2018].
32. «Ликвидация банков | Агентство по страхованию вкладов» // «Агентство по страхованию вкладов» [Электронныйресурс]. [Режимдоступа: https://www.asv.org.ru/liquidation]. [Проверено: 19.02.2018].
33. «Центральный Банк Российской Федерации» [Электронныйресурс]. [Режимдоступа: http://www.cbr.ru]. [Проверено: 21.02.2018].
34. «Кредитные рейтинги и исследования РИА Рейтинг» [Электронныйресурс]. [Режимдоступа: http://riarating.ru]. [Проверено: 21.02.2018].
35. «STATISTICA: Data Mining, анализ данных, контроль качества, прогнозирование, обучение, консалтинг» [Электронныйресурс]. [Режимдоступа: http://statsoft.ru]. [Проверено: 08.03.2018].
36. «RStudio» [Электронныйресурс]. [Режимдоступа: https://www.rstudio.com/products/rstudio/]. [Проверено: 08.03.2018].
37. «Gretl» [Электронныйресурс]. [Режимдоступа: http://gretl.sourceforge.net/ru.html]. [Проверено: 10.03.2018].
38. «EViews 10 Student Version» // «EViews» [Электронныйресурс]. [Режимдоступа: http://www.eviews.com/EViews10/EViews10SV/evstud10.html]. [Проверено: 10.03.2018].
39. «PrognozPlatform | prognoz.ru» [Электронныйресурс]. [Режимдоступа: http://www.prognoz.ru/platform]. [Проверено: 10.03.2018].
40. Черепанов Ф.М., Ясницкий Л.Н. «Симулятор нейронных сетей» // Свидетельство об отраслевой регистрации разработки №8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007.
41. Ясницкий Л.Н. «Искусственный интеллект: популярное введение для учителей и школьников» - БИНОМ.- Пермь.- 2009.
Приложение A
Классификация моделей вероятности дефолта
Рисунок A.1. Классификация моделей вероятности дефолта
Приложение B
Массив данных
Таблица B.1. Массив данных
Таблица B.2. Массив данных (Продолжение)
Таблица B.3. Массив данных (Продолжение)
Таблица B.4. Массив данных (Продолжение)
Размещено на Allbest.ru
...Подобные документы
Определение задачи создания механизмов раннего предупреждения. Особенности разработки модели, которая адекватно определяет вероятность дефолта российских банков, и в обосновании областей применения полученной модели в соответствии с целями регулятора.
статья [172,6 K], добавлен 07.08.2017Классические и альтернативные методы прогнозирования банкротства. Применение существующих методик оценки вероятности дефолта/отзыва лицензии на осуществление банковской деятельности для коммерческих банков. Решение проблемы несбалансированности данных.
дипломная работа [794,8 K], добавлен 19.09.2016Оценка финансового состояния банка в рамках рейтинговых систем. Преимущества и недостатки действующих систем оценки финансовой устойчивости банков. Построение модели отзыва лицензий у коммерческих банков с использованием использованы пакетов CART и REEM.
курсовая работа [997,2 K], добавлен 20.10.2016Экономическая сущность и виды банковских рисков. Кредитная политика коммерческого банка. Нормативное регулирование минимизации кредитного риска. Организационно-экономическая характеристика ОАО Сбербанк России. Методы и модели оценки дефолта заемщика.
дипломная работа [689,5 K], добавлен 17.09.2014Принципы оценки риска дефолта по фундаментальным показателям. Расчет вероятности дефолта заемщика. Оценка кредитных рисков: модель блуждающих дефолтов. Добавление актива к портфелю. Базовая формула, распределение капитала. Управление кредитными рисками.
курсовая работа [768,2 K], добавлен 17.11.2010Подходы и методы регулирования уставного капитала банка. Особенности управления дополнительным капиталом. Банковские резервы как основа функционирования банка. Определение источников финансирования активных операций, составление прогноза размера.
курсовая работа [60,8 K], добавлен 10.01.2017Величина уставного капитала акционерного банка. Открытие счетов для юридических лиц различных организационно-правовых форм, форм собственности и видов деятельности. Создание банка с утвержденной структурой уставного капитала. Построение баланса банка.
контрольная работа [78,3 K], добавлен 18.05.2010Инструменты и методы повышения эффективности кредитных организаций. Анализ финансовой деятельности банка "Кедр", экспертная оценка различных рисков. Мероприятия по увеличению уставного капитала и диверсификации активов банка, снижению его ликвидности.
дипломная работа [206,0 K], добавлен 01.04.2012Выявление ключевых показателей общедоступной банковской отчетности, которые бы могли выполнять роль предикторов при оценке вероятности отзыва лицензии по причине проведения сомнительных операций. Построение модели по дефолтам банка и данным операциям.
дипломная работа [378,9 K], добавлен 03.07.2017Учет средств уставного капитала. Государственная регистрация коммерческого банка. Порядок увеличения и уменьшения уставного капитала банка. Погашение акций в депозитарном учете. Правила бухгалтерского учета в банке. Проводки по выпуску векселя.
контрольная работа [21,1 K], добавлен 17.01.2012Понятие и структура собственного капитала банка. Цели и функции банковского капитала. Достаточность банковского капитала. Негативные факторы участия государства в капитале банков. Формирование и учет собственных средств банка. Учет фондов банка.
курсовая работа [26,9 K], добавлен 19.12.2006Документальное оформление и учет имущества банка. Учет и порядок формирования финансовых результатов, капиталов и фондов банка. Составление форм бухгалтерской и финансовой отчетности. Организация и учет безналичных операций банков в иностранной валюте.
отчет по практике [94,4 K], добавлен 20.06.2008Основные направления анализа баланса коммерческого банка. Факторы, оказывающие влияние на формирование достаточного размера капитала банка. Группировки, применяемые в анализе пассивных операций. Их связь с целями анализа. Структура пассивных операций.
контрольная работа [21,1 K], добавлен 21.11.2005Изучение сущности и экономического содержания активных операций банка. Факторы, влияющие на состав и структуру банковских активов. Качество активов как основа финансовой устойчивости банка. Анализ ликвидности, доходности и рискованности активов банка.
дипломная работа [213,9 K], добавлен 09.06.2015Система показателей, характеризующих достаточность капитала и ликвидность банка. Оценка адекватности размера собственных средств банка и их прироста, выявление степени защиты от рисков. Расчет коэффициентов текущей, мгновенной и краткосрочной ликвидности.
дипломная работа [550,4 K], добавлен 05.11.2012Функции собственного капитала банка. Государственное регулирование деятельности банков Российской Федерации. Анализ собственного капитала ОАО "АК БАРС" Банка: экономическая характеристика; состав; анализ достаточности. Проблемы капитализации банка.
дипломная работа [161,9 K], добавлен 21.11.2010Роль собственного капитала в обеспечении финансовой устойчивости банка. Характеристика счетов бухгалтерского учета. Операции формирования и увеличения уставного капитала. Учет акций, выкупленных у акционеров. Современное состояние банковской системы РФ.
курсовая работа [44,8 K], добавлен 01.10.2009Характеристика показателей надежности и финансовой устойчивости банка. Анализ показателей надежности и достаточности капитала коммерческого банка. Разработка мероприятий по укреплению капитала коммерческого банка. Прогнозирование надежности банка.
дипломная работа [1,3 M], добавлен 22.01.2018Анализ активов, взвешенных с учетом риска. Построение модели определения регулятивных требований к банковскому капиталу на основе теории ожидаемой полезности фон Неймана-Моргенштерна. Ее проверка на согласованность с показателем достаточности капитала.
курсовая работа [951,9 K], добавлен 22.10.2016Понятие собственного капитала банка, процесс его формирования и использования, структура. Базисный капитал банка. Оценка достаточности банковского капитала как критерий финансовой устойчивости. Анализ собственных средств (капитала) коммерческого банка.
контрольная работа [1,4 M], добавлен 29.01.2010
