Размещено на http://www.allbest.ru/

УДК 004.021

технология применения методов многомерного шкалирования, регрессионного анализа и кластеризации с целью выявления проблемности потенциальных заемщиков банка

Костенко Степан Александрович

Краснодарский филиал АКЦИОНЕРНОГО КОММЕРЧЕСКОГО БАНКА «ТРАНСКАПИТАЛБАНК» (ЗАКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО), Краснодар. Россия

В статье рассмотрен пошаговый алгоритм применения методов многомерного шкалирования, регрессионного анализа и кластеризации на примере предприятий Краснодарского края

Ключевые слова: МНОГОМЕРНЫЕ МЕТОДЫ ШКАЛИРОВАНИЯ, КЛАСТЕРИЗАЦИЯ, РЕГРЕССИЯ, АЛГОРИТМ, ФИНАНСОВЫЙ АНАЛИЗ

UDC 004.021

TECHNOLOGY OF USING MULTIDIMENSIONAL SCALING METHODS, REGRESSION ANALYSIS AND CLUSTERING FOR THE PURPOSE OF REVEALING OF POTENTIAL BORROWERS PROBLEMS

Kostenko Stepan Aleksandrovich

Krasnodar Branch of Join-Stoсk Bank «TRANSCAPITALBANK», Krasnodar, Russia

In the article, a stepwise algorithm of using multidimensional scaling methods, regression analysis and clustering on the example of Krasnodar Region business is considered

Keywords: MULTIDIMENSIONAL SCALING METHODS, CLUSTERING, REGRESSION, ALGORITHM, FINANCIAL ANALYSIS

Введение

В свете последних событий произошедших в последние годы в мировой экономике, в том числе экономический кризис 2008 года, последствия которого до сих пор сказываются на финансовом состоянии большого количества компаний, все чаще и чаще заставляют банки предпринимать попытки по усовершенствованию системы анализа финансового состояния заемщиков. Однако, в большинстве своем все эти усилия сводятся к модернизации действующих методик оценки кредитоспособности, как правило, добавляются новые коэффициенты, показатели финансовой устойчивости и др.

Цель настоящей работы - апробация технологии последовательного применения методов многомерного шкалирования, регрессионного и кластерного анализа для усовершенствования имеющихся методик исследования финансового положения компаний.

Предлагаемый подход использует тесную взаимосвязь технического и интуитивного уровня. Технический уровень подразумевает под собой результат, сведенный к графическому представлению. Интерпретация результата производится с помощью статистических инструментов, которая и приводит к развитию интуитивного уровня, суждения и получения новых качественных знаний.

Обзор существующих методов

Для перехода к детальному рассмотрению технологии последовательного применения методов многомерного шкалирования, регрессионного и кластерного анализа необходимо кратко рассмотреть уже имеющиеся техники которые используются финансовыми аналитиками в банках.

Одним из самых распространенных на сегодняшний день методов, используемых практически в каждом банке, является коэффициентный метод, как правило, базирующийся на расчете экономических показателей, таких как ликвидность, рентабельность, деловая активность, уровень кредитной нагрузки и других коэффициентов. В результате произведенного расчета показателей, как правило, утвержденных внутренними документами банка, используется рейтинговая оценка, позволяющая разделить заемщиков на группы, например, А, В и С. А - первоклассные заемщики, B - заемщики со средним уровнем риска, C - с повышенным уровнем риска.

Другая модель, которая широко применяется в банковской сфере - модель Альтмана [1], основанная на применении дискриминантного анализа для прогнозирования вероятности банкротства предприятий. Суть состоит в подстановке определенных показателей бухгалтерской отчетности в следующую формулу:

, (1)

где

, , , , - показатели бухгалтерской отчетности;

- обобщенный показатель.

Если в результате вычислений по вышеуказанной формуле <1.81 - высокая вероятность банкротства, при >2.67 - низкая вероятность банкротства.

Большой популярностью также пользуется и метод экспертных оценок, базирующийся на экспертном опросе (методом «мозгового штурма»). Представителями указанной теории являлись Марковица (портфельная теория) и Шарп-Литнер (теория линии рынка капитала).

В качестве одного из методов анализа кредитоспособности заемщика возможно использование нейронных сетей, которые в свою очередь дают возможность по обучающей выборке объектов (массиву данных по заемщикам с известными показателями платежеспособности, ликвидности, оборачиваемости и др.) результатом которых является погашение кредита или вынесение его на счет просроченных ссуд, конструировать структуру, состоящую из нейронов и связей и предназначенную для отнесения потенциального заемщика к одному из классов ("надежные заемщики" или "проблемные заемщики").

Кроме упомянутых методов, используемых в области финансового анализа, существует множество и других техник. В данной работе были рассмотрены методы, часто применяющиеся в банках, с целью определения финансового благополучия компаний.

Каждый из рассмотренных методов имеет недостатки. Так, при использовании коэффициентного метода и ранжирования потенциальных заемщиков банка усложняется работа финансового аналитика из-за необходимости расчета большого количества показателей и их детального изучения.

Модель Альтмана изначально применялась к экономике США, что уже подразумевает под собой невозможность ее применения в первоначальном виде к экономике Российской Федерации. По крайней мере, пороговые интервалы должны быть изменены, так как веса в -свертке разнятся не только от страны к стране, но и от года к году в рамках одной страны. Но одним из главных недостатков является то, что результаты готовятся по одной компании на основе данных о множестве других и не представляется возможным определить индивидуальные отличия предприятия от других.

Метод экспертных оценок, также не идеален и всегда имеется вероятность того, что эксперт может дать ошибочное мнение, например, сформированное на основе неосознанных субъективных предпочтений.

Главным недостатком нейронных сетей является абсолютно не контролируемый процесс принятия решений. Другими словами, нейронная сеть представляет из себя «черный ящик», на входе которого подаются данные, а на выходе получается результат. Что делает внутри себя нейронная сеть, понять невозможно, поскольку анализируются тестовые данные (происходит обучение нейронной сети), при этом система старается минимизировать ошибку, автоматически изменяя внутренние параметры (веса). Несомненно, получить значения весов в обученной сети возможно, но единственный ответ, который могут дать эти веса, такой: какой параметр в тестовых данных играет какую роль, какую степень важности он имеет. Никаких объяснений относительно смысла этих ролей с помощью этого метода получить невозможно.

Решение задачи многомерного шкалирования, регрессионного и кластерного анализа

Предлагаемая к рассмотрению технология последовательного применения методов многомерного шкалирования [2], регрессионного и кластерного анализа практически лишена вышеупомянутых недостатков и одно из ее главных преимуществ - это визуальное представление, рассматриваемых объектов, что дает возможность сформировать приблизительную картину мира.

Первым шагом является сбор финансовой отчетности компаний. Доступ к этой информации можно получить с помощью баз данных, таких как СКРИН (http://www.skrin.ru) или СПАРК (http://www.spark-interfax.ru).

Вторым шагом предлагается, произвести расчет необходимых показателей из данных бухгалтерских балансов и отчетов о прибылях и убытков. Количество показателей может быть произвольным.

На третьем шаге предлагается использование рассчитанных показателей финансового состояния в методах многомерного шкалирования, результатом применения которых будет графическое представление, рассматриваемых компаний в виде точек в пространстве, как, например, если это была бы географическая карта [3]. Всем известно, по урокам географии, что оси координат ассоциируются с широтой, долготой и высотой над уровнем моря, так же и в случае применения технологии многомерного шкалирования в финансовом анализе, только оси координат будут ассоциироваться с платежеспособностью, ликвидностью или другими экономическими показателями эффективности бизнеса компаний. С помощью такого представления данных можно определить группы предприятий имеющих финансовые затруднения либо успешных на рынке.

Предлагается применить метод многомерного шкалирования на примере компаний Краснодарского края. Для начала приведем прямоугольную матрицу данных (таблицаТаблица 1), содержащую сведения о 10 коэффициентах, рассчитанных для пяти предприятий по итогам отчетности за 2008 год.

Таблица 1 - Матрица финансовых показателей