Построение логит и пробит моделей

Для построения данных моделей дефолтным компаниям был присвоен индекс «1», а не дефолтным - «0». Для построения моделей выборка делится на 2 части:

1) Контролирующая выборка, состоящая из случайно выбранных 15 компаний с различными индексами. На этой выборке проверяется качество построенных моделей (Таблица №15).

Таблица №!5

Наименование компании	Дефолт	Год анализируемой отчетности
Агрокомплекс	Да	2016
Автоприбор	Да	2009
ВолгаБурМаш	Да	2008
Рост-Лайн	Да	209
ЗапСиб-ТрансСервис	Да	2016
ГОТЭК	Да	2008
Агрохолдинг-финанс	Да	2008
Domo	Да	2017
Аэрофлот	Нет	2012
Вертолеты России	Нет	2014
Нижнесергинский метизно-металлургический завод	Нет	2006
Атэк	Нет	2012
Мосэнерго	Нет	2012
Югфинсервис	Нет	2012
Русснефть	Нет	2008

2) Обучающая выборка (вся выборка за исключением компаний из контролирующей выборки), на основе которой происходит расчет модели и выявление значимых и не значимых факторов.

На данных обучающей выборки строятся логит и пробит модели, а затем выбирается лучшая из них на основе информационных критериев Акаике и Шварца. На данных контролирующей выборки проверяется качество модели.

Правило определения класса компании: если рассчитанная вероятность дефолта компании превышает 0.5, то компания считается дефолтной, если менее 0.5 - то не дефолтной.

Логит-модель.

Результаты построенной логит-модели приведены на рисунке №7. При уровне значимости 10%, значимыми оказались следующие факторы: х2- коэффициент быстрой ликвидности; х11- финансовая устойчивость; х12- коэффициент покрытия процентных выплат.

Рисунок №7. «Результаты логит-модели на основе обучающей выборки»

Точность модели на обучающей выборке равна 70,95%. В таблице №16 указано соотношение фактических значений индекса и предсказанных.

Таблица №16

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	31	24
Не дефолтные	19	74

Точность модели на контролирующей выборке равна 73,33%. В таблице №17 указано соотношение фактических значений индекса и предсказанных.

Таблица №17

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	5	3
Не дефолтные	1	6

Для пробит-модели была построения ROC -кривая с различными барьерами отсечения, на основе которой было выявлено, что лучшим барьером является вероятность, равная 0.424(рисунок №8). Значение AUC=0.792 означает, что модель эффективней, чем метод простого угадывания (0.5).

Рисунок №8 «ROC кривая для логит-модели»

Пробит-модель

Результаты построенной пробит -модели приведены на рисунке №8. При уровне значимости 10%, значимыми оказались следующие факторы: х2- коэффициент быстрой ликвидности; х11- финансовая устойчивость; х12- коэффициент покрытия процентных выплат.

Рисунок №8 «Результаты пробит-модели на основе обучающей выборки»

Точность модели на обучающей выборке равна 73,65%. В таблице №18 указано соотношение фактических значений индекса и предсказанных.

Таблица №18

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	3	25
Не дефолтные	14	79

Точность модели на контролирующей выборке равна 73,33%. В таблице №19 указано соотношение фактических значений индекса и предсказанных, а на рисунке №9 показано реальный класс компании (столбец default, где с1- дефолт, с2- недефолт), рассчитанная вероятность дефолта (столбец prob), и класс компании, полученной на основе модели (столбец prob2).

Таблица №19

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	5	3
Не дефолтные	1	6



Рисунок №9 «Рассчитанные вероятности дефолтов компаний обучающей выборки»

Для пробит-модели была построения ROC -кривая с различными барьерами отсечения, на основе которой было выявлено, что лучшим барьером является вероятность, равная 0.437(рисунок №10). Значение AUC=0.793 означает, что модель эффективней, чем метод простого угадывания (0.5).

Рисунок №10. «ROC кривая для пробит модели»

С помощью информационных критериев Акаике и Шварца можно определить, что логит-модель является наилучшей (рисунок №10). Напомним, что лучшей считается модель, у которой данные критерии минимальны.



Рисунок №10. «Сравнение моделей с помощью информационных критериев»

Снижение размерности анализируемого признакового пространства и отбор наиболее информативных показателей

Для каждой компании в выборке определены 14 предикторов, предназначенных для эффективного определения класса компании, при этом некоторые из низ взаимосвязаны (например, ROA, ROE, и эффект финансового рычага). В этом разделе предлагается представить наблюдения по каждой из компании в виде вектора Z некоторых вспомогательных признаков z(1), z(2),.., z(p) с существенно меньшим (чем 14) числом компонент. Эта идея обусловлена следующими причинами:

1) Дублирование информации, доставляемой сильно взаимосвязанными признаками;

2) Неинформативность признаков, мало меняющихся при переходе от одного объекта к другому (малая «вариабельность признаков»);

3) Возможность агрегирования, т.е. простого или взвешенного суммирования по некоторым признакам;

4) Стремление к лаконизму исследуемых моделей, обусловленное необходимостью упрощения счета и интерпретации полученных статистических выводов;

5) Возможностью наглядного представления (визуализации данных), что достигается их проецированием на специально подобранное n-мерное пространство (n<=3).

При этом новые признаки могут выбираться из числа исходных или определяться по какому-либо правилу по совокупности исходных признаков, например, как их линейные комбинации. В качестве способа снижения размерности в работе предлагается использовать метод главных компонент. Пусть Х-исходная матрица предикторов. Тогда вектор искомых вспомогательных переменных Z(X)=(z₍₁₎(X), z₍₂₎(X),.., z_(p)(X)) определяется как такая линейная комбинация Z=L*X, где строки матрицы L удовлетворяют условию ортогональности. Полученные таким образом переменные z₍₁₎(X), z₍₂₎(X),.., z_(p)(X) называют главными компонентами вектора Х. Первой главной компонентой исследуемой системы называется такая нормированно-центрированная линейная комбинация этих показателей, которая среди всех прочих нормированно-центрированных линейных комбинаций переменных x₍₁₎, x₍₂₎,…, x₍₁₄₎ обладает наибольшей дисперсией. К-ой главной компонентной (k=2,3,…,14) исследуемой системы называется такая нормированно-центрированная линейная комбинация этих показателей, которая не коррелирована с k-1 предыдущими главными компонентами и среди всех прочих нормированно-центрированных и не коррелированных с предыдущими k-1 главными компонентами линейных комбинаций x₍₁₎, x₍₂₎,…, x₍₁₄₎ обладает наибольшей дисперсией. Исследуем корреляцию предикторов с классом компаний (дефолт/ не дефолт). Результаты представлены на рисунке №11.

Рисунок №11 «Статистика предикторов и их корреляция с объясняемой переменной»

Стоит отметить, что наибольшую взаимосвязь с определяемым классом компаний имеют предиктор х6 - ROA (-0.242) и х4 - долгосрочный долг/ собственный капитал (0.177). С помощью функции “rda” пакета “vegan” рассчитываем главные компоненты по исходному набору предикторов, результаты приведены на рисунке №12.

Рисунок №12 «Расчет главных компонент»

По исходному набору предикторов были рассчитаны 11 главных компонент. Собственные значения каждой компоненты указаны в строке Eigenvalue. В строке Proportion Explained указано какую долю дисперсии данных описывают главные компоненты. Например, первая главная компонента описывает 55,9% всей дисперсии данных (убеждаемся, что 1 компонента наиболее информативная). Вторая компонента описывает 23,3% дисперсии данных. В строке Cumulative Proportion суммируются значения срок Proportion Explained, т.е. указывается совокупная дисперсия, описанная несколькими компонентами. Например, для 2 главной компоненты (PC2) в данной строке этот показатель равен 0,792. Это значение получается суммированием значений показателя Proportion Explained для 1 и 2 компоненты (0,5593+0,233=0,792). В таблице Species Scores показаны коэффициенты, на которое каждый предиктор умножается для определения каждой компоненты. Например, при определении значения главной компоненты значение предиктора х1 умножается на 1,636. В таблице Site scores показан вклад каждого предиктора в определении значения каждой компоненты. Определим оптимальную размерность пространства главных компонент по критерию Кайзера-Гуттмана, который рекомендует оставить только те главные компоненты, собственные значения которых превышают их среднее (рисунок №13).

Рисунок №13 «Определение оптимального количества главных компонент»

Как видно из результатов на картинке №13 для качественного описания дисперсии исходного набора данных достаточно использовать 3 главные компоненты (Cumulative Proportion = 0,986), т.е. исходная размерность данных снижается с 163х14 до 163х3. Рассмотрим, какую конфигурацию имеет распределение наблюдений в пространстве первых двух главных компонент. Интерес представляет взаимное расположение сгущений точек, принадлежащих 2 классам (Рисунок №14).



Рисунок №14 «Конфигурация распределения наблюдений в пространстве первых двух главных компонент»

На картинке №14 FAC=1 - это дефолтные компании, FAC=2 - это не дефолтные компании. По оси ОХ отложены значения первой главной компоненты, а по оси OY отложены значения второй главной компоненты. Используя 2 главные компоненты на плоскости удалось показать разделение компаний на классы.

Построение логит-модели на основе главных компонент

В данном разделе строится логит-модель, использующая в качестве предикторов 3 главные компоненты, полученные в предыдущем разделе. Используя такие предикторы, модель теряет объяснительную способность, то есть она не дает возможность показать какие предикторы и как влияют на вероятность дефолта. Но, ввиду взаимной независимости предикторов, такая модель может дать лучший результат при классификации компаний. Для построения модели используются те же 2 подвыборки, описанные в начале главы 3. На рисунке №15 показаны результаты расчета логит-модели на основе проверочной выборки.



Рисунок №15 «Результаты логит модели на основе главных компонент»

По результатам анализа видно, что каждый предиктор является значимым при любом выбранном уровне значимости. В таблице № 20 показаны результаты классификации компаний, входящих в обучающую выборку, на основе построенной модели. Точность модели на обучающей выборке составила 95,27%.

Таблица №20

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	50	4
Не дефолтные	2	91

Для проверки качества модели были классифицированы компании, включенные в контролирующую выборку. Точность модели на контролирующей выборке составила 100% (таблица №21).

Таблица №21

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	8	0
Не дефолтные	0	7

На рисунке №15 показана ROC-кривая, построенная для данной модели. Оптимальное значение вероятности дефолта для наиболее качественной классификации компаний равна 0,442.



Рисунок №16 «ROC кривая логит модели на основе главных компонент»

Построение модели методом опорных векторов

Метод опорных веторов был разработан В.Н. Вапником и А.Я. Червоненкисом в 1974 году. Основная идея модели заключается в том, чтобы построить разделяющую поверхность с использованием только небольшого подмножества точек, лежащих в зоне, критической для разделения, тогда как остальные, верно классифицируемые наблюдения обучающей выборки вне этой зоны, не рассматриваются.

Так как в нашей выборке содержатся только 2 класса, то возможны 2 случая. Первый вариант связан с возможностью идеального разделения данных при помощи гиперплоскости (рис. 16). Так как таких гиперплоскостей может быть несколько, то оптимальной является та, которая максимально удалена от обучающих точек, то есть имеющая максимальный зазор M. При втором варианте облако точек линейно неразделимо (рис. 17).

Рисунок №17. Слева идеально линейно разделимая выборка, справа идеально линейно неразделимая.

В таком случае оптимальную гиперплоскость также ищут, максимизирующую ширину зазора M, при этом допускается неверно классифицировать некоторую небольшую группу наблюдений. Для этого задается дополнительное условие оптимизации , где С - допустимое число нарушений границы зазора и их выраженности, которая выбирается с использованием перекрестной проверки. Задача сводится к квадратичной оптимизации с линейными ограничениями, которая гарантировано сходится к одному глобальному минимуму.

Реализуем метод опорных векторов, используя проверочную выборку. Для подбора параметров модели задаем перекрестную проверку с делением выборки на 10 равных частей (рис. №17)

Рисунок №17 «Результаты модели метода опорных векторов с линейной разделяющей гиперплоскостью»

Результат классификации модели на обучающей выборке представлен в таблице №22. Точность модели составила 73,47%

Таблица №22

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	17	37
Не дефолтные	2	91

Результат классификации модели на контролирующей выборке представлен в таблице №23. Точность модели составила 87%.

Таблица №23

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	7	1
Не дефолтные	1	6

Применение ядерных функций машины опорных векторов

Ввиду невысокой точности модели на обучающей выборке, автор делает предположение о наличии нелинейной связи между предикторами и классом компаний. Предлагается использовать следующие ядра: полиномиальное ядро со степенью p, гауссово ядро с радиальной базовой функцией, сигмоидное ядро.

Для метода опорных векторов с полиномиальным ядром необходимо нужно оптимизировать Cost - допустимый штраф за нарушение границы зазора и Gamma - параметр полиномиальной функции. Для оценивания модели также используется перекрестная проверка с делением выборки на 10 равных частей. В таблице №24 показаны точность модели (Accuracy) при варьировании указанных параметров.

Таблица №24

№	Gamma	Cost	Accuracy
1	2	256	0,803681
2	4	32	0,803681
3	4	128	0,803681
4	4	256	0,803681
5	2	128	0,797546
6	4	64	0,791411
7	1	256	0,785276
8	1	128	0,760736
9	64	128	0,748466
10	32	64	0,742331

Окончательными параметрами могут быть значения Gamma и Cost в строках 1-4. Для дальнейших расчетов используются значения строки 1. В таблице №25 показан результат классификации на обучающей выборке (точность модели равна 89,8%), а в таблице №26 - результаты классификации на контролирующей выборке (точность модели равна 100%).

Таблица №25

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	41	13
Не дефолтные	2	91

Таблица №26

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	8	0
Не дефолтные	0	7

Результаты построения модели с использованием сигмоидного ядра и вариации параметра ядра (coef0), представлены в таблице №27. Для дальнейших расчетов используется значение Coef0=0,0625.

Таблица №27

№	coef0	Accuracy
12	0,0625	0,741496599
13	0,125	0,741496599
9	0,0078125	0,727891156
10	0,015625	0,727891156
7	0,001953125	0,721088435
8	0,00390625	0,721088435
11	0,03125	0,721088435
1	3,05E-05	0,714285714
2	6,10E-05	0,714285714

В таблице №28 показан результат классификации на обучающей выборке (точность модели равна 74,15%), а в таблице №29 - результаты классификации на контролирующей выборке (точность модели равна 80%).

Таблица №28

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	19	35
Не дефолтные	3	90

Таблица №29

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	6	2
Не дефолтные	1	6

Результаты модели с использованием радиального ядра, оптимизируя параметры Gamma и Cost, представлены в таблице №30. Лучшими параметрами являются значения, указанные в строке 1.

Таблица №30

№	Gamma	Cost	Accuracy
1	8	256	0,993197279
2	16	64	0,993197279
3	16	128	0,993197279
4	32	16	0,993197279
5	32	32	0,993197279
6	64	8	0,993197279
7	16	32	0,986394558
8	64	4	0,986394558
9	8	128	0,979591837

В таблице №31 показан результат классификации на обучающей выборке (точность модели равна 97,9%), а в таблице №32 - результаты классификации на контролирующей выборке (точность модели равна 100%).

Таблица №31

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	52	2
Не дефолтные	1	92

Таблица №32

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	8	0
Не дефолтные	0	7

Сравнение моделей

Итак, в работе были построены 7 различных моделей. На рисунке №17 построены ROC-кривые для всех моделей, а также показаны AUC значения. По рисунку №17 можно сделать вывод о том, что наилучшими моделями являются: логит модель на основе главных компонент и модель на основе метода опорных векторов с радиальным ядром (AUC равны 0.959 и 0.922 соответственно). Эти модели показали себя практически одинаково как на обучающей, так и на контролирующей выборке. Результаты прочих моделей значительно хуже. В результате удалось разработать модель, способную эффективно классифицировать компании, а, следовательно, предопределять дефолт компаний по их финансовым показателям.

Рисунок №18 «ROC кривые моделей»

Для расчета вероятности дефолта компании, не представленной в выборке, необходимо следовать данному алгоритму:

1) рассчитать финансовые показатели для компании за отчетный период;

2) Рассчитать значения главных компонент (pc1, pc2, pc3);

3) используя логит модель на основе главных компонент, рассчитать вероятность дефолта;

4) если значение вероятности дефолта превышает 0,442 (на основании построенной ROC кривой на рисунке №16), то такая компания рассматривается как близкая к дефолту.

Заключение

Оценка вероятности дефолта компании-эмитента корпоративной облигации играет важную роль в принятии инвестиционных решений. В данной работе был проведен анализ всех дефолтных облигационных займов российского рынка. Было выявлено, что дефолты по купону встречаются чаще других, при это объем невыполненных обязательств при дефолте по оферте является самым большим. Также было выявлено, что дефолт по причине нехватки денежных средств и банкротство являются самыми часто встречаемыми причинами невыполнения собственных обязательств. В работе были построены 7 различных моделей, при это наиболее эффективными из них оказались: модель логита на основе главных компонент и модель на основе метода опорных векторов с радиальным ядром. Такие модели не дают возможности показать какие финансовые показатели и как влияют на вероятность дефолта, но, тем не менее, они способны эффективно предопределять наступления дефолта. В работе даны рекомендации о том, как рассчитать вероятности дефолтов для других компаний. Таким образом, в работе удалось разработать эффективный метод определения наступления дефолта компании на российском рынке корпоративных облигаций компаний нефинансового сектора.

Список литературы

1) E. Altman. «Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy», 1968.

2) E. Altman, R. Haldeman, P. Narayanan, «Zeta Analysis: A New Model to Identify Bankruptcy Risk of Corporations», 1977.

3) E. Altman, G. Sabato, «Modeling Credit Risk for SMEs: Evidence from the US Market», 2005

4) M.Blums, D-Score: «Bankruptcy Prediction Model for Middle Market Public Firms», 2003.

5) A. Sironi, E. Altman, B. Brady, «The link between default and recovery rates: implications for credit risk models and procyclicality», 2002г.

6) R. Merton, «On Pricing of Corporate Debt: The Risk Structure of Interest Rates», 1974.

7) G. Grass, «Using structural models for default predictions», 2003.

8) B. Becker, T. Milbourn, «How did increased competition affect credit ratings?»,2010г.

9) W. Miller, Introducing Morningstar solvency score, a bankruptcy prediction metric, 2009.

10) Arthur G. Korteweg, Nick Polson, «Corporate Credit Spreads under Parameter Uncertainty AFA», San Francisco Meetings Paper, March, 2008

11) Robert A. Jarrow and Stuart Turnbull, "Pricing Derivatives on Financial Securities Subject to Credit Risk" Journal of Finance, vol. 50, March, 1995)

12) Sattar Mansi, John K. Wald, «Debt Covenants, Bankruptcy Risk, and Issuance Costs», 2011

13) Borgonovo E., Gatti S., "Risk Analysis with Contractual Default. Does Covenant Breach Matter?", in European Journal of Operational Research, vol. 230, n. 2, 2013.

14) Р. Кабаков, R в действии. Анализ и визуализация данных на языке R, 2016.

15) С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин, «Прикладная статистика, Классификация и снижение размерности», 1989г.

16) В.К. Шитиков, С.Э. Мастицкий, «Классификация, регрессия и другие алгоритмы Data Mining с использованием R, 2017г.

17) Сайт Cbonds.ru.

18) Терминал Bloomberg.

Приложения

Сравнение результатов моделей, используя различные методы заполнения пропущенных значений переменных

В разделе 6.1 упоминалось, что ввиду значительного количества пропущенных значений предикторов для компаний, были использованы различные методы заполнения пропущенных значений. Были описаны 2 способа заполнения пропущенных значений: метод средних и бэггинг-модель. Напомним, что во всех представленных в работе расчетах использовались данные, в которых пропущенные значения заполнялись методом средних. В данном приложении ставится задача выяснить как влияет метод заполнения пропущенных значений на итоговые результаты модели и ее точность на примере логит и пробит моделей.

Логит, пробит модели для данных, в которых пропущенные значения были заполнены бэггинг-моделью.

На рисунке №1 показаны результаты расчета логит модели. Предикторы, использованные для построения модели те же, что и в модели, рассчитанной в разделе 6.2. Стоит отметить, что x2 и x12 оказались статистически незначимыми на 10% уровне значимости. Значения информационных критериев Акаике и Шварца равны 163,203 и 175, 1918 соответственно.

Рисунок №1 «Результаты расчета логит модели»

В таблице №1 показаны результаты классификации компаний, из проверочной выборки (точность равна 75%), а в таблице №2 показаны результаты классификации компаний из контролирующей выборки (точность классификации равна 66,67%).

Таблица №1

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	36	19
Не дефолтные	18	75

Таблица №2

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	5	3
Не дефолтные	2	5

По полученным расчетным значениям вероятностей дефолта посроена ROC кривая (рис №2).

Рисунок №2 « ROC кривая логит модели для данных, где пропущенные значения заполнены с помощью бэггинг-модели»

На рисунке №3 показаны результаты пробит модели. Предикторы, использованные для построения модели те же, что и в модели, рассчитанной в разделе 6.2. Стоит отметить, что x12 оказался статистически незначимым на 10% уровне значимости. Значения информационных критериев Акаике и Шварца равны 164,5698 и 176,5586 соответственно.



Рисунок №3 «Результаты пробит модели»

В таблице №3 показаны результаты классификации компаний, из проверочной выборки (точность равна 71,62%), а в таблице №4 показаны результаты классификации компаний из контролирующей выборки (точность классификации равна 73,33%).

Таблица №3

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	41	14
Не дефолтные	28	65

Таблица №4

Факт/ Прогноз	Дефолтные	Не дефолтные
Дефолтные	6	2
Не дефолтные	2	5

По полученным расчетным значениям вероятностей дефолта построена ROC кривая (рис №4).



Рисунок №4 « ROC кривая пробит модели для данных, где пропущенные значения заполнены с помощью бэггинг-модели»

В таблице №5 показаны результат сравнения моделей, построенных на выборках с разными методами заполнения пропущенных значений, и качество их классификации.

Таблица №5

Показатель	Метод средних	Метод множественной бэггинг-модели
AIC (logit)	164, 986	163,203
BIC (logit)	176, 9748	175, 1918
Точность logit модели на обучающей выборке	70,95%	75%
Точность logit модели на контролирующей выборке	73,33%	66,67%
AIC (probit)	166, 986	164,5698
BIC (probit)	178, 4168	176,5586
Точность probit модели на обучающей выборке	73,65%.	71,62%
Точность probit модели на контролирующей выборке	73,33%	73,33%

В итоге, нельзя явно выделить более качественный способ обработки пропущенных значений, ведь разница между показателями AIC и BIC незначительны. Поэтому, для заполнения пропущенных значений можно использовать любой способ, но, все же, метод множественной бэггинг-модели является более предпочтительным, во-первых, потому что он учитывает взаимную связь между предикторами, а во-вторых, ввиду меньших значений информационных критериев Акаике и Шварца.

«Список компаний, которые использовались для построения моделей»

Подобные документы

• Влияние структуры собственности на дефолт по облигациям российских компаний

  Знакомство с особенностями влияния структуры собственности на дефолт по облигациям российских компаний. Корпоративное управление как популярное направление в анализе деятельности компаний. Рассмотрение способов раскрытия финансовой информации по МСФО.
  
  дипломная работа [2,0 M], добавлен 22.08.2017
  

• Сравнение крупнейших нефтегазовых компаний: "Газпром", "Лукойл" и "Роснефть"

  Общие сведения и характеристика производства крупнейших мировых энергетических компаний: ОАО "Газпром", НК "Лукойл" и НК "Роснефть". Структура и органы управления компаний. Оценка основных финансовых и операционных показателей корпораций за 2008-2009 гг.
  
  курсовая работа [60,7 K], добавлен 24.03.2011
  

• Реорганизация компаний на российском рынке путем слияния и поглощения: теоретические основы, особенности и использование

  Мотивационные теории и механизм реорганизации компаний. Правовое обеспечение процесса. Количественные характеристики рынка слияния и поглощения в России, тенденции его развития. Использованиt инструментов фондового рынка в корпоративных конфликтах.
  
  курсовая работа [898,6 K], добавлен 31.05.2015
  

• Особенности и проблемы ведения бизнеса в Москве для иностранных компаний

  Характеристика российской экономики как среды бизнеса для иностранных компаний. Анализ инвестиционной привлекательности городского округа Москвы и выявление причин, сдерживающих притоки инвестиций. Инновационные стратегии организации бизнеса в Москве.
  
  дипломная работа [371,0 K], добавлен 12.08.2011
  

• Выявление и оценка факторов стоимости в сделках слияния и поглощения, где компанией-покупателем является фонд прямых инвестиций

  Фонды прямых инвестиций (ФПИ): понятие и их особенности. Критерии отбора компаний-объектов для инвестирования. Разновидность выходов ФПИ из портфельных компаний. Обзор российского рынка сделок слияния и поглощения. Факторы, влияющие на доходность ФПИ.
  
  дипломная работа [1,3 M], добавлен 28.09.2017
  

• Система показателей статистики денежного обращения и их анализ

  Расчет основных характеристик рядов динамики показателей денежного обращения в России. Выявление тенденций показателей денежного обращения на основе метода аналитического выравнивания и прогнозирования. Построение динамических регрессионных моделей.
  
  курсовая работа [322,9 K], добавлен 23.10.2014
  

• Изменение капитализации компании под влиянием информации о слияниях и поглощениях

  Комплексный обзор российского рынка слияний и поглощений, оценка активности отечественных компаний. Определение степени влияния информации о сделках слияния на стоимость компаний на фондовом рынке. Модель избыточной доходности в капитализации компаний.
  
  дипломная работа [1,4 M], добавлен 10.03.2015
  

• Анализ и диагностика состояния использования основных средств

  Понятие, сущность, классификация и оценка основных средств компаний, система показателей эффективности их применения. Состав и структура баланса, анализ обеспеченности предприятия основными средствами и анализ применения производственной мощности.
  
  курсовая работа [858,7 K], добавлен 09.01.2017
  

• Оценка финансового положения международных компаний

  Основные элементы для анализа финансового состояния предприятий. Выявление балансовых пропорций, соблюдение которых способствует финансовой устойчивости фирмы. Вертикальный и горизонтальный анализ баланса, расчет необходимых показателей и коэффициентов.
  
  лабораторная работа [29,3 K], добавлен 14.06.2010
  

• Анализ рынка труда РФ

  Выявление социально-экономической сущности рынка труда и его основных характеристик. Изучение институтов рынка труда в экономике, анализ современного состояния рынка труда России. Основные направления совершенствования рынка труда РФ в условиях кризиса.
  
  курсовая работа [122,8 K], добавлен 25.01.2011
  

• Формирование инновационного рынка корпоративных ценных бумаг как фактор обеспечения иностранными инвестициями

  Механизм формирования целей инновационно-инвестиционного процесса как основной метод модернизации экономики и преодоления последствий мирового финансового кризиса. Влияние рынка акций и корпоративных облигаций на реализацию социальных реформ в России.
  
  дипломная работа [652,8 K], добавлен 28.06.2011
  

• Влияние компонентов интеллектуального капитала на эффективность компаний в развивающихся странах

  Методы оценки интеллектуального капитала компании. Выявление влияния различных элементов интеллектуального капитала – человеческого, отношенческого, инновационного и процессного – на операционные результаты деятельности компаний России и Бразилии.
  
  дипломная работа [453,7 K], добавлен 03.07.2017
  

• Изменение инвестиционной привлекательности акций российских нефтегазовых компаний на современном этапе развития российского фондового рынка

  Использование фундаментального и технического анализа в определении инвестиционной привлекательности акций нефтяных компаний. Комплексный алгоритм и основные этапы его проведения. Анализ факторов изменения данного показателя на российском рынке.
  
  дипломная работа [207,0 K], добавлен 25.07.2015
  

• Анализ основных производственных фондов

  Уровень интенсивности сельскохозяйственного производства. Анализ состава и структуры основных фондов по видам и группам. Расчет и анализ показателей динамики среднегодовой стоимости основных средств. Выявление тенденции развития показателя фондоотдачи.
  
  курсовая работа [322,9 K], добавлен 25.11.2013
  

• Выявление наличия тренда в рассматриваемых рядах

  Характеристика исследуемой совокупности. Оценка абсолютных и относительных показателей динамики. Выравнивание ряда методом скользящей средней. Выявление тренда в рассматриваемых рядах (проверка гипотезы о разности средних у первой и второй половины ряда).
  
  контрольная работа [856,7 K], добавлен 23.10.2012
  

• Анализ и планирование основных технико-экономических показателей работы ООО "Сибирский гранитный карьер"

  Изучение технологии производства гранитных блоков. Анализ основных технико-экономических показателей работы Горного цеха за предшествующий период и их планирование на предстоящий. Оценка финансового состояния предприятия и прогнозирование банкротства.
  
  курсовая работа [328,2 K], добавлен 15.12.2014
  

• Анализ экономических показателей ООО "Крокус-Инвест"

  Структурная схема управления предприятием. Анализ выполнения производственной программы по направлениям деятельности. Обзор финансовых показателей, состояния производственных фондов. Выявление показателей по труду в абсолютном и относительном выражении.
  
  курсовая работа [185,8 K], добавлен 17.12.2012
  

• Анализ и прогноз финансового состояния предприятия в рыночной экономике

  Экономический механизм образования кризисного состояния предприятия и его государственное регулирование. Анализ финансовой устойчивости, обобщающих показателей эффективности и деловой активности предприятия. оценка основных причин неплатежеспособности.
  
  курсовая работа [112,1 K], добавлен 26.12.2011
  

• Отличия кооперативов от акционерных компаний

  Гражданско-правовой механизм реализации права собственности у кооперативов и акционерных компаний. Их формы, цели создания и способы управления. Отличия кооперативов от акционерных компаний в распределении доходов от предпринимательской деятельности.
  
  курсовая работа [28,8 K], добавлен 11.10.2009
  

• Инвестиционная активность российских компаний

  Понятие инвестиционной активности компаний. Отраслевые особенности обрабатывающей промышленности. Инвестиционная активность российских промышленных компаний. Влияние фондового рынка. Рыночные и специфические, финансовые и институциональные факторы.
  
  дипломная работа [1,6 M], добавлен 09.06.2017
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам

Наименование компании	Сектор экономики	Дефолт(0, если нет)	Год, за который бралась отчетность
Автобан Финанс	Строительство	0	2016
Главная дорога	Строительство	0	2016
ЛСР Недвижимость	Строительство	0	2013
ГК Пионер	Строительство	0	2016
ПИК	Строительство	0	2013
ВИС девелопмент	Строительство	0	2016
СтройАльянс	Строительство	0	2016
Сэтл сити	Строительство	0	2014
ТрансБлатСтрой	Строительство	0	2015
Группа ЛСР	Строительство	0	2016
Стройжилинвест	Строительство	0	2015
Агросоюз	СХ	0	2009
Авангард-агро	СХ	0	2015
Комосгрупп	СХ	0	2011
Сибирская аграрная группа	СХ	0	2011
Югфинсервис	СХ	0	2012
Алроса	Горнодобывающая	0	2010
Золото Селигдара	Горнодобывающая	0	2011
Обувьрус	Легкая	0	2012
ОМЗ	Машиностроение	0	2010
ПО УОМЗ	Машиностроение	0	2012
Соллерс-финанс	Машиностроение	0	2012
ТВЗ	Машиностроение	0	2012
Трансмашхолдинг	Машиностроение	0	2012
МЗ Арсенал	Машиностроение	0	2015
Башнефть	Нефтегаз	0	2014
Газпром капитал	Нефтегаз	0	2014
Газпром нефть	Нефтегаз	0	2014
Лукойл	Нефтегаз	0	2009
Новатэк	Нефтегаз	0	2014
Нефтегазхолдинг	Нефтегаз	0	2012
Русснефть	Нефтегаз	0	2008
Сахартранснефтегаз	Нефтегаз	0	2011
Ттанефть	Нефтегаз	0	2011
Транснефть	Нефтегаз	0	2013
Белуга-Групп	Пищевая	0	2014
Вимм-билль-Данн	Пищевая	0	2011
Группа Черкизово	Пищевая	0	2014
Каравай	Пищевая	0	2013
Микояновский мясокомбинат	Пищевая	0	2014
Обьединенные кондитеры финанс	Пищевая	0	2009
РМПХолдинг	Пищевая	0	2011
Русская Аквакультура	Пищевая	0	2014
АФК Система	Связь	0	2012
МТС	Связь	0	2013
Мегафон	Связь	0	2017
Наука-связь	Связь	0	2014
Почта России	Связь	0	2013
Росстелеком	Связь	0	2014
Экспател	Связь	0	2016
Автоваз	Машиностроение	0	2008
Атомспецконструкия	Машиностроение	0	2009
Вознесенская ремонтно-эксплуатационная база	Машиностроение	0	2012
Гидромаш	Машиностроение	0	2013
РемпутьМаш	Машиностроение	0	2015
Иркут	Машиностроение	0	2012
Камаз	Машиностроение	0	2013
Авиатерминал	транспорт	0	2016
Аэрофлот	транспорт	0	2012
Аэроэкспресс	транспорт	0	2013
Вертолеты россии	транспорт	0	2014
Компания усть-луга	транспорт	0	2009
РЖД	транспорт	0	2013
Новороссийский морской торговый порт	транспорт	0	2013
Новая перевозочная компания	транспорт	0	2013
Азот (кемерово)	хим нефтехим	0	2011
Акрон	хим нефтехим	0	2014
Еврохим	хим нефтехим	0	2011
Каустик	хим нефтехим	0	2010
Нкнх	хим нефтехим	0	2009
Полипласт	хим нефтехим	0	2010
Уралкалий	хим нефтехим	0	2013
Уралхимпласт	хим нефтехим	0	2009
Гмк норильский никель	цветная	0	2014
Русал братск	цветная	0	2015
Уралэлектромедь	цветная	0	2008
Группа магнезит	черная металлургия	0	2009
Кокс	черная металлургия	0	2011
Нижнесергинский метизно-металлургический завод	черная металлургия	0	2006
Северсталь	черная металлургия	0	2010
Тмк	черная металлургия	0	2010
ЧТПЗ	черная металлургия	0	2013
Атэк	энергетика	0	2012
Башкирэнерго	энергетика	0	2007
Дальневосточная генерирующая компания	энергетика	0	2011
ЕЭСК	энергетика	0	2009
Интертехэлектро-новая генерация	энергетика	0	2013
Иркутскэнерго	энергетика	0	2009
Квадра	энергетика	0	2008
Кубаньэнерго	энергетика	0	2008
Ленэнерго	энергетика	0	2011
Лукойл-экоэнерго	энергетика	0	2009
МОЭСК	энергетика	0	2009
Мосэнерго	энергетика	0	2012
ОГК-2	энергетика	0	2008
Русгидро	энергетика	0	2017
Т-плюс	энергетика	0	2014
Татэнерго	энергетика	0	2007
Энел россия	энергетика	0	2011
Якутскэнерго	энергетика	0	2011
Агрокомплекс	АПК СХ	1	2016
АПК Аркада	АПК СХ	1	2010
Держава финанс	АПК СХ	1	2008
Агрохолдинг -финанс	АПК СХ	1	2008
Новопластуновское	АПК СХ	1	2016
Разгуляй-финанс	АПК СХ	1	2009
Сахарная компания	АПК СХ	1	2008
Угольная Компания Заречная	Горнодобывающая	1	2014
Нижне-Ленское инвест	Горнодобывающая	1	2009
Телехаус	Интернет и коммуникации	1	2016
Промтрактор-финанс	Машиностроение	1	2009
Вагонмаш	Машиностроение	1	2009
КурганМашЗавод-финанс	Машиностроение	1	2009
ЭМА-Альянс	Машиностроение	1	2009
Автоприбор	Машиностроение	1	2009
ОДК-Сатурн	Машиностроение	1	2008
ВолгаБурМаш	Машиностроение	1	2008
Балтийский берег	Пищевая	1	2015
Зерновая компания Настюша	Пищевая	1	2009
МКХ	Пищевая	1	2009
Парнас-М	Пищевая	1	2009
Рост-Лайн	Пищевая	1	2009
Эрконпродукт	Пищевая	1	2009
Радионет	Связь и телекоммуникации	1	2008
Domo	Торговля и ритейл	1	2017
Аптечная сеть	Торговля и ритейл	1	2009
Арбат энд КО	Торговля и ритейл	1	2008
Белазкомплект	Торговля и ритейл	1	2009
Белый фрегат	Торговля и ритейл	1	2008
Веха инвест	Торговля и ритейл	1	2009
Дикая орхидея	Торговля и ритейл	1	2009
Инком лада	Торговля и ритейл	1	2008
Инпром	Торговля и ритейл	1	2008
Искрасофт	Торговля и ритейл	1	2009
ЛБР-интертрейд	Торговля и ритейл	1	2008
Матрица финанс	Торговля и ритейл	1	2008
Мир мягкой игрушки	Торговля и ритейл	1	2016
Митленд	Торговля и ритейл	1	2009
Престиж сервис	Торговля и ритейл	1	2013
Провиант сервис	Торговля и ритейл	1	2009
РК-газсетьсервис	Торговля и ритейл	1	2009
ТД Спартак-Казнь	Торговля и ритейл	1	2017
Техносила Инвести	Торговля и ритейл	1	2010
Югинвестрегион	Торговля и ритейл	1	2016