Статистические методы в системе оценки финансовых рисков
Сущность понятия финансового риска и классификация. Показатели финансового состояния заемщика в системе оценки рисков. Анализ моделей прогнозирования кредитоспособности заемщиков. Разработка системы, методы управления и контроля за рисками в Сбербанке.
| Рубрика | Финансы, деньги и налоги |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 07.12.2019 |
| Размер файла | 573,2 K |
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.
Также, рассмотрим корреляционную матрицу переменных, не включая фиктивные переменные для исключения сильной зависимости между факторами и подтверждения их целесообразного использования (Таблица 5).
Таблица 5. Корреляционная матрица переменных
|
KTL |
Percent |
Profitability |
Capital |
Debt |
||
|
KTL |
1 |
|||||
|
Percent |
0,054*** |
1 |
||||
|
Profitability |
0,051*** |
0,019** |
1 |
|||
|
Capital |
-0,025** |
-0,009*** |
-0,031** |
1 |
||
|
Debt |
-0,02** |
0,007*** |
-0,001* |
0,009* |
1 |
Всего наблюдений: 164
*, **, *** - значимость на 10%, 5%, и 1% уровнях соответственно
Таким образом, проанализировав данные было выявлено наличие слабой линейной взаимосвязи между используемыми в исследовании факторами. Следовательно, нет необходимости исключать какие-либо наблюдения из дальнейшего исследования. Более того, количество наблюдений было уменьшено после рассмотрения гистограмм и ящичковых диаграмм независимых переменных. Итоговое количество наблюдений для построения моделей логистической регрессии и модели с применением нейронных сетей составляет 164 компании крупного и среднего бизнеса.
Первоначально построим линейно-вероятностную модель для того, чтобы сравнить и подтвердить правильность использования в дальнейшем исследовании нелинейной спецификации.
Для того, чтобы проверить построенный прогноз в дальнейшем, следует изначально разделить выборку на контрольную и тестовую, в которые соответственно войдут данные в отношении 70% (контрольная выборка - 115 наблюдений) и 30% (тестовая выборка - 49 наблюдений).
Модель LPM (с использованием робастных стандартных ошибок в форме Нью-Веста) в общем виде выглядит следующим образом:
Данная модель является линейной по параметрам, поэтому необходимо воспользоваться методом наименьших квадратов для оценки неизвестных параметров:
cred
Объясняемая переменная «cred» в линейно-вероятностной модели (LPM) является суммой детерминированной части и случайного возмущения. Следовательно, у выражения «» есть смысл вероятности, значит, итоговые полученные результаты данного выражения будут находиться в пределах 0; 1.При этом, существенным недостатком данной модели является то, что прогнозные значения вероятности могут лежать вне отрезка [0; 1]. Только при достоверной спецификации модели (линейная зависимость вероятности наступления события от независимых параметров) логично применять линейно-вероятностную модель с оцененными параметрами методом наименьших квадратов.
В таблице 6 представлены оцененные параметры линейно-вероятностной модели с указанием уровня значимости, каждого из них. Значимыми оказались коэффициенты покрытия задолженности, процентных выплат и финансового левериджа, а также рентабельность деятельности и дополнительная долговая нагрузка у компании. Константа в данном случае не имеет экономической интерпретации.
Таблица 6. Эффекты влияния объясняющих переменных в модели LPM
|
Переменная |
Коэффициенты в модели LPM |
|
|
Константа Коэффициент текущей ликвидности Коэффициент покрытия задолженности Коэффициент расходов на% выплаты Коэффициент финансового левериджа Рентабельность деятельности Долговая нагрузка Аффилированные лица |
0,087** (0,04) 0,001 (0,002) *** (8,*) *** () *** (1,1*) *** (0,002) 0,386*** (0,079) -0,04 (0,08) |
|
|
Количество наблюдений Коэффициент детерминации P-значение (F-st.) |
115 0,29 0,0000 |
Стандартные ошибки приведены в скобках.
***,**,* - значимости на уровне 1, 5, 10% соответственно
Далее построим уравнение нелинейной функциональной спецификации логистической регрессии. Настоящая модель применяется для выборок с небольшим разбросом объясняющих переменных и с условием отсутствия существенного преобладания одной альтернативы над другой. Для оценки модели логистической регрессии необходимо применить метод максимального правдоподобия (ММП) (Wooldridge, 2009).
В общем виде уравнение логистической регрессии выглядит следующим образом:
В силу того, что logit-модель не линейна по параметрам, то для интерпретации коэффициентов необходимо будет использовать ММП для оценки неизвестных параметров (в данном случае представлены коэффициенты в Logit-модели):
Z
В таблице 7 представлены рассчитанные коэффициенты перед финансовыми показателями, смоделированные с помощью логистической регрессии с указанием уровня значимости каждого из параметров.
Таблица 7. Эффекты влияния объясняющих переменных в Logit-модели
|
Переменная |
Коэффициенты в Logit-модели |
|
|
Константа Коэффициент текущей ликвидности Коэффициент покрытия задолженности Коэффициент расходов на% выплаты Коэффициент финансового левериджа Рентабельность деятельности Долговая нагрузка Аффилированные лица |
-8,35*** 0,13** -0,06*** -0,197 2,29*** 0,025* 3,286*** -0,98 |
|
|
Количество наблюдений Коэффициент детерминации МакФаддена P-значение (F-st.) |
115 0,84 0,0000 |
***,**,* - значимости на уровне 1, 5, 10% соответственно
По-прежнему сохраняются предпосылки об отсутствии гетероскедестичности и о нормальности распределения случайных ошибок. Для интерпретации оцененных параметров в в Logit-модели необходимо рассчитывать предельный эффект каждого объясняющего регрессора (Радионова, Чичагов, 2008).
Для того, чтобы подтвердить правильность выбора нелинейной функциональной зависимости сравним модель LPM и logit-модель. Для этого обратимся к формальным показателям качества модели.
Коэффициент детерминации МакФаддена (0,84) в модели логистической регрессии выше, чем псевдо коэффициент детерминации (0,29) в линейно-вероятностной модели, значит, в настоящем случае предпочтительнее выбрать модель логистической регрессии. Более того, при сравнении остальных показателей, лучшей все также остается модель логистической регрессии. Информационный критерий Акаике (0,32), критерии Щварца (0,51) и Хэннана-Куинна (0,39) принимают наименьшие значения также в модели логистической регрессии. Вместе с тем, показатель натурального логарифма (-10,23) наиболее приближен к нулю в Logit-модели, что говорит о дальнейшем использовании данной модели в исследовании (Таблица 8).
Таблица 8. Формальные показатели качества модели
|
Метод оценивания |
MНК |
ММП |
|
|
Модель |
LPM |
Logit |
|
|
Pseudo R-squared / McFadden R-squared ^ |
0,29 |
0,84 |
|
|
Akaike info criterion (AIC)v |
0,96 |
0,32 |
|
|
Schwarz criterion (BIC)v |
1,15 |
0,51 |
|
|
Хэннан-Куинн (HQ)v |
1,04 |
0,39 |
|
|
Log likelihood ^ |
-47,19 |
-10,23 |
|
|
Prob (LR statistic/ F statistic) |
0,000 |
0,000 |
|
|
Число наблюдений (n) |
115 |
115 |
Для того, чтобы определить верно ли специфицирована модель логистической регрессии и можно ли ее применять для дальнейшего построения прогноза необходимо воспользоваться RESET-тестом Рамсея, который позволяет найти проблемы пропущенных (влияние на свойства оценок) и лишних (влияние на точность модели) переменных.
Пусть введены следующие гипотезы:
: модель специфицирована верно;
спецификация модели неверна.
Reset-тест Рамсея на правильность выбранной спецификации модели осуществляется в несколько этапов (Wooldridge J.M., 2009). Во-первых, необходимо оценить уравнение регрессии с расчетом предельных эффектов и построить прогнозные значения:
Во-вторых, осуществляется вычисление степени оценок объясняемой переменной. Далее оценивается уравнение регрессии с рассчитанными степенями. Добавление в уравнение первой степени (Fitted terms = 1 в статистическом пакете Eviews) показывает необходимо ли включить в модель какие-либо регрессоры в квадрате, а также определить станет ли модель лучше при добавлении этого регрессора.
Проверка предложенных гипотез с помощью p-значения:
Probability 0,7900>0,1 (б=10%);
0,7900>0,05 (б=5%);
0,7900>0,01 (б=1%).
Значит, гипотезу H0 принимаем на уровне значимости б=10%, из чего следует, что спецификация модели логистической регрессии верна (в рассматриваемой модели отсутствует ошибка спецификации) (Wooldridge J.M., 2009). Тест Рамсея определил, что включение дополнительных регрессоров во второй степени в уравнение logit-модели не требуется.
Таким образом, проанализировав все критерии на основе формальных показателей качества и проверив правильность спецификации модели, можно сделать вывод, что наилучшей является модель логистической регрессии с нелинейной функциональной зависимостью, которая в дальнейшем будет использоваться для построения прогноза.
Далее построим нейронную сеть для выявления прогнозной вероятности кредитоспособности заемщика от следующих факторов, которые приводят к появлению финансовых рисков: коэффициент текущей ликвидности (ktl); коэффициент покрытия долга (debt); коэффициент покрытия процентов (percent); рентабельность деятельности (profitability); отношение заёмного капитала к собственному капиталу (capital); фиктивная переменная - наличие у заемщика долговой нагрузки в других банковских организациях (load); фиктивная переменная - наличие аффилированных лиц (affiliated).
Нейросетевое построение модели создается архитектурой трехслойного перцептрона. Данная сеть включает три слоя сенсорных элементов: входной слой, скрытые вычислительные нейроны и выходной слой (Riedmiller, 1994).
Изначально вся выборочная совокупность была разделена на тестовую и контрольную выборку. В контрольную выборку вошли 70% компаний крупного и среднего бизнеса (115 ед.), в тестовую 30% компаний (49 ед.). Разделение выборочной совокупности проходило автоматически с помощью статистического программы R и пакета «neuralnet».
На рисунке 2 представлена нейросетевая модель на основе данных о заемщиках. Изначально, вся генеральная совокупность данных была нормализована и приведена к общему виду в программном пакете R. Дальнейшее построение модели проходило на трех скрытых слоях. На входном слое нейронной сетью были взяты данные о значениях выбранных коэффициентов и дамми-переменных. На следующем слое осуществлялись скрытые вычислительные операции и, таким образом, на выходном слое были получены прогнозные вероятности кредитоспособности заемщика.
Рис. 2. Архитектура трехслойного перцептрона
Созданная нейронная сеть показывает достаточно низкое значение ошибки - всего 8,03% наблюдений были неверно классифицированы. Количество шагов, пройденных для создания нейронной сети составляет 1226. Полученная модель обладает специфичностью и высокой чувствительностью на всей выборке. Результаты расчета прогнозной вероятности кредитоспособности по каждому заемщику крупного и среднего бизнеса представлены в Приложении 3.
Можно сделать вывод о том, что наиболее предпочтительными для построения прогноза о вероятной кредитоспособности заемщика крупного и среднего бизнеса являются модели логистической регрессии и нейронной сети, которые не имеют ошибок в спецификации. Поэтому, с помощью данных моделей можно получить прогноз с высокой точностью.
3.3 Эмпирические результаты исследования и выбор лучшей модели
Изначально было рассмотрено три модели бинарного выбора, первая - линейная вероятностная модель, вторая - модель логистической регрессии, третья - модель нейронных сетей. В силу того, что модель LPM является линейной по параметрам, а logit-модель нелинейной, то необходимо было выбрать одну из спецификаций для дальнейшего исследования, так как другая показала бы неверные результаты прогноза. При сравнении их формальных показателей качества, предпочтительней оказалась модель логистической регрессии.
Так, logit-модель с оцененными параметрами методом максимального правдоподобия выглядит следующим образом:
Расчет предельных эффектов с помощью ММП позволяет моделировать потенциальное поведение зависимой переменной при изменении ее регрессоров. С помощью статистического пакета Eviews были рассчитаны предельные эффекты для каждого предиктора, результаты расчетов представлены в таблице 9.
На основе полученных результатов, представленных в таблице 9, можно сделать следующие выводы. Во-первых, не значимыми оказались два предиктора - коэффициент расходов на процентные выплаты и дамми-переменная, отвечающая за то, есть ли у компании какие-либо аффилированные лица. Во-вторых, стоит отметить, что самое значимое влияние на кредитоспособность компании оказывает фиктивная переменная, отвечающая за то, если ли у компании дополнительная долговая нагрузка. Так как переменная является фиктивной, то верифицировать ее количественное влияние невозможно. Далее проинтерпретируем каждый значимый предиктор по отдельности.
Таблица 9. Предельные эффекты влияния количественных переменных в модели логистической регрессии
|
Переменная |
Предельный эффект |
|
|
Константа |
-3,2*** |
|
|
Коэффициент текущей ликвидности |
-0,05** |
|
|
Коэффициент покрытия задолженности |
-0,03*** |
|
|
Коэффициент расходов на% выплаты |
-0,08 |
|
|
Коэффициент финансового левериджа |
0,08*** |
|
|
Рентабельность деятельности |
-0,01* |
|
|
Долговая нагрузка |
1,26*** |
|
|
Аффилированные лица |
-0,38 |
Примечание: Стандартные ошибки приведены в скобках.
***,**,* - значимости на уровне 1, 5, 10% соответственно
Переменная «коэффициент текущей ликвидности» позволяет сделать вывод о том, что увеличение данного показателя на единицу в среднем и при прочих равных увеличивает вероятность компании быть кредитоспособной на 5%. Данная переменная является значимой на 5% уровне.
Переменная «коэффициент покрытия задолженности» показывает, что при увеличении данного регрессора на единицу происходит увеличение вероятной кредитоспособности на 3%, значимость данного коэффициента находится на 1% уровне.
Что касается показателя «коэффициент финансового левериджа», то в среднем и при прочих равных увеличение данной переменной приводит к уменьшению вероятной кредитоспособности на 8%, при этом показатель является значимым на уровне 1%.
Еще одним значимым показателем является «рентабельность деятельности». В данном случае увеличение показателя рентабельности в среднем и при прочих равных приводит к увеличению вероятности кредитоспособности заемщика на 1%, значимость данного предиктора находится на уровне 1%.
Стоит отметить, что в настоящем исследовании константа не имеет какой-либо экономической интерпретации.
Далее рассмотрим характеристики качества и проведем сравнительный анализ моделей логистической регрессии и нейронной сети для того, чтобы выбрать какая из построенных моделей обладает наилучшей прогнозной вероятностью.
В таблице 10 представлены характеристики качества построенной модели логистической регрессии. Показатели специфичности и чувствительности находятся на достаточно высоком уровне 79 и 56,17% соответственно, что говорит о хорошем качестве модели. Показатели ошибок первого и второго рода не должны превышать уровня 25%. В данном случае они не выходят на пороговое значения, поэтому оцененным результатам модели следует доверять.
Таблица 10. Характеристики качества модели логистической регрессии
|
Показатель |
% |
|
|
Специфичность модели |
79,00 |
|
|
Чувствительность модели |
56,17 |
|
|
Ошибки первого рода |
14,2 |
|
|
Ошибки второго рода |
16,4 |
В таблице 11 представлены характеристики качества модели нейронной сети. Специфичность модели составляет 91%, чувствительность 89,18%. Процент ошибок первого и второго рода значительно меньше, чем в модели логистической регрессии. Сравниваемые показатели указывают на то, что модель нейронной сети более высокого качества, чем модель логистической регрессии.
Таблица 11. Характеристики качества модели нейронной сети
|
Показатель |
% |
|
|
Специфичность модели |
91,00 |
|
|
Чувствительность модели |
89,18 |
|
|
Ошибки первого рода |
7,4 |
|
|
Ошибки второго рода |
3,5 |
Таким образом, при сравнении характеристик качества моделей наилучшей является модель, построенная с помощью нейронных сетей, именно ее необходимо использовать для получения прогноза высокой точности.
Ранее было сказано о том, что вся выборка разделила на две части: контрольная, в которую вошли 70% наблюдений и тестовая с 30% наблюдений. Далее с помощью программного пакета MS Excel рассмотрим на тестовой выборке с количеством 49 компаний, сколько несоответствий истинному значению образуется при построении логистической регрессии. В таблице 12 показано, что всего выявлено 5 несоответствий, что составляет 10,2% от всех наблюдений. В таблице 12 также можно заметить, что ошибок второго рода больше, чем ошибок первого рода, что характеризует модель с негативной стороны, то есть качество прогноза не является достаточно высоким. При этом, процент ошибок второго рода не сильно превышает процент ошибок первого рода. Следует отметить, что в модели с использованием нейронной сети, статистическая программа R и пакет «neuralnet» автоматически рассчитывает количество несоответствий, анализируя тестовую выборку.
Таблица 12. Прогнозное качество модели логистической регрессии
|
Прогнозные значения Истинные значения |
Некредитоспособная компания |
Кредитоспособная компания |
|
|
Некредитоспособная компания |
9 |
3 |
|
|
Кредитоспособная компания |
2 |
35 |
Для того, чтобы выявить лучшую модель сравним итоговую правильность прогнозной вероятности кредитоспособности, основываясь на результатах, рассчитанных на тестовой выборке. Как показано в таблице 13, верность предсказанных вероятностей кредитоспособности заемщиков крупного и среднего бизнеса в модели логистической регрессии составляет 89,8%, что является достаточно высоким показателем. Однако, модель нейронной сети ошиблась только в 5% наблюдений. Таким образом, в результате анализа характеристик качества построенных моделей, верности предсказанных значений кредитоспособности наиболее высоким качеством прогноза обладает модель нейронной сети.
Таблица 13. Верность прогнозной вероятности моделей
|
Модель логистической регрессии |
Модель нейронной сети |
||
|
Верность предсказания кредитоспособности заемщика |
89,8% |
95% |
При этом, в некоторых случаях модель логистической регрессии является более уместной для анализа, поэтому следует отметить некоторые ее достоинства. Во-первых, при использовании данной модели становится ясно, какие показатели являются значимыми и следует ли их учитывать при дальнейшей оценке кредитоспособности корпоративного клиента. Во-вторых, модель логистической регрессии рассчитывает процент влияния каждого коэффициента на итоговую оценку кредитоспособности. Некоторые предикторы оказывают большое влияние, поэтому необходимо обращать внимание в первую очередь на них и всегда использовать при дальнейшей оценке финансовых рисков.
Таким образом, построив различные модели для оценки кредитоспособности заемщиков крупного и среднего бизнеса, можно сделать вывод о том, что самым высоким прогнозным качеством обладает модель, построенная при помощи нейронной сети. Изначально, было построено три модели - линейно-вероятностная модель, модель логистической регрессии и модель нейронной сети. При сравнении формальных показателей качества LPM модели (линейна по параметрам) и Logit-модели (не линейна по параметрам) предпочтительней оказалась вторая модель. Далее на основе модели логистической регрессии и модели нейронной сети строился прогноз для оценки вероятности кредитоспособности компании. Оценив каждую из моделей, наименьший процент ошибок оказался у модели, построенной с помощью нейронной сети. Данная модель ошиблась только в 5% наблюдений, из чего можно сделать вывод о том, что модель нейронной сети обладает более высоким прогнозным качеством. В дальнейшем возможно использование модифицированной модели с добавлением различных финансовых коэффициентов, интересных для рассмотрения банку.
Заключение
В настоящем исследовании были изучены финансовые риски, которые непосредственно несут банковские организации в связи с возникающей несостоятельностью клиентов. ПАО Сбербанк использует собственную интегрированную систему управления рисками, применяя определенные критерии для их расчета. При этом происходит разделение заемщиков на три зоны в зависимости от возникших проблем с возвратом денежных средств: «желтая зона», «красная зона» и «черная зона». Для уменьшения рисков банки оценивают кредитоспособность каждого из заемщиков, рассчитывая основные финансовые показатели. Наиболее значимыми для диагностики и предупреждения дефолта являются коэффициент текущей ликвидности, коэффициент покрытия долга, коэффициент покрытия процентов, показатель рентабельности деятельности и коэффициент финансового левериджа.
Наиболее популярными и часто используемыми методами при оценке кредитоспособности компании в системе оценки финансовых рисков являются модели логистической регрессии и модели искусственного интеллекта в связи с их высокой точностью и безошибочностью.
Эмпирическая часть данного исследования предполагает построение моделей бинарного выбора на основе финансовых коэффициентов с добавлением фиктивных переменных, которые отвечают за наличие у заемщика дополнительной долговой нагрузки и за наличие аффилированных лиц. На основе данных Пермского отделения №6984 ПАО Сбербанк о корпоративных заемщиках было осуществлено построение многофакторной модели с использованием логистической регрессии и нейронной сети. В итоговую совокупную выборку после аналитического исключения вошли 164 компании крупного и среднего бизнеса. В результате моделирования было выявлено, что наибольшее процентное изменение вероятности дефолта происходит при изменении коэффициента финансового левериджа, который показывает долю собственного капитала организации в активах и то, насколько данная организация зависима от заемных средств. Влияние остальных значимых переменных в модели соответствует здравому смыслу и теоретической интерпретации.
В конечном результате исследования было выявлено, что самым высоким прогнозным качеством обладает модель, построенная при помощи нейронной сети. Данная модель ошиблась только в 5% наблюдений, в то время, как ошибка модели логистической регрессии составила 10,2%.
Безусловно, все банки и финансовые организации в ближайшем будущем перестроят свою работу на цифровой формат с применением новейших технологий, в том числе и нейронных сетей. Стоит отметить, что чем раньше банк начнет использовать данные технологии, тем больше экономических выгод он получит от этого.
Таким образом, можно утверждать, что на настоящий момент с развитием цифровых технологий каждому банку следует начинать применять возможности статистического моделирования. Как показало, настоящее исследование нейронная сеть может предсказать вероятность кредитоспособности заемщика с высокой точностью и надежностью.
С практической точки зрения настоящее исследование будет актуальным для деятельности «Сбербанка России», других банковских организаций, а также для крупных финансовых корпораций. Использование искусственной нейронной сети и модели логистической регрессии при оценке финансовых рисков будет иметь широкие применение для деятельности кредитных аналитиков и клиентских менеджеров по работе с корпоративными заемщиками.
Следует отметить ряд ограничений настоящего исследования. Самым существенным недостатком является наличие данных только о клиентах крупного и среднего бизнеса, которые кредитуются в Пермском отделении №6984 ПАО Сбербанк. Более того, финансовые показатели, использующиеся в исследовании актуальны исключительно на 2 квартал 2018 года.
Таким образом, разработанная модель нейронной сети имеет высокие прогнозные качества и позволяет оценить вероятность дефолта клиентов крупного и среднего бизнеса на основе финансовых показателей, рассчитываемых с использованием годовой финансовой отчетности, которая предоставляется для банковской организации. Данная модель может подлежать различной модификации и усовершенствованию. Так, в зависимости от отрасли деятельности компании возможно добавление дополнительных показателей для построения прогноза.
Список использованных источников
1. Афанасьева О.Н. Рейтинговая оценка кредитоспособности заемщика // Банковское дело. 2013. №11. С. 194 - 199.
2. Богданова Т.К., Алексеева Ю.А. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике // Бизнес-информатика. 2011. №1 (15). С. 50 - 60.
3. Буглак Е.А. Современные подходы к регулированию банковских рисков // Молодой ученый. 2011. №6. С. 147 - 151.
4. Ванькович И.М. Исследование видов финансовых рисков деятельности российских компаний // Путеводитель предпринимателя. 2016. №32. С. 43 - 49.
5. Жданов В.Ю., Афанасьева О.А. Корпоративная финансовая аналитика // Корпоративные финансы. 2011. №4.
6. Загорий Г.В. О методах оценки кредитного риска // Деньги и кредит. 1997. №6.
7. Кован С.Е., Кочетков Е.П. Финансовая устойчивость предприятия и ее оценка для предупреждения его банкротства // Экономический анализ: теория и практика. 2009. №15. С. 52 - 59.
8. Корнеев Д.С. Использование аппарата нейронных сетей для создания модели оценки и управления рисками предприятия // Открытые системы. 2015. №8.
9. Кутафьева Л.В. Классификация банковских рисков // Молодой ученый. 2013. №10. С 24 - 29.
10. Парушина Н.В. Основные направления анализа и прогнозирования финансового состояния по данным бухгалтерской (финансовой) отчетности организаций // Международный бухгалтерский учет. 2012. №2. С. 55 - 63.
11. Петров Д.А., Помазанов М.В. Кредитный риск-менеджмент как инструмент борьбы с проблемной задолженностью // Банковское дело. 2008. №6.
12. Порошина А.М. Обзор подходов к моделированию кредитного риска на портфельном уровне // Банковские технологии. 2013. №3. С. 32 - 43.
13. Снегова Е.Г. Применение метода логистической регрессии для прогнозирования вероятности дефолта при экспресс-кредитовании // Стратегия развития экономики. 2013. №5.
14. Снежко В.С. Процентный риск банка в период финансового кризиса // Банковские услуги. 2009. №10. С. 6 - 8.
15. Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Науковедение. 2014. [Электронный ресурс]. URL: https://naukovedenie.ru/PDF/180EVN214.pdf.
16. Тотьмянина К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. №1.
17. Шунина Ю.С., Алексеева В.А., Клячкин В.Н. Прогнозирование кредитоспособности клиентов на основе методов машинного обучения // Финансы и кредит. 2015. №27.
18. Фантаццини Д. Управление кредитными рисками // Прикладная эконометрика. 2008. №4.
19. Федорова Е.А., Тимофеев Я.В. Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства // Финансы и кредит. 2015. №32. С. 2 - 10.
20. Широнина Е.М., Носова С.А. Роль информационных технологий в управлении банковскими рисками // Молодой ученый. 2012. №12. С. 291 - 293.
21. Altman E.I., Brady B., Resti A., Sironi A. The link between default and recovery rates: theory, empirical evidence, and implications // Journal of Business 78. 2005.
22. Aziz M.A., Dar H.A. Predicting Corporate Bankruptcy: Where we Stand? // Corporate Governance. 2006. Vol. 1, pp. 18 - 33.
23. Banu D., Tomasz M.K., Evren O. Risk-Based Capital Requirements for Banks and International Trade // Review of Financial Studies. 2017. Vol. 30, pp. 3970-4002.
24. Basel II: Revised international capital framework. [Электронный ресурс]. URL:https://www.bis.org/publ/bcbsca.htm.
25. Brian D., Darius P. Short-Term Debt and Bank Risk // Journal of Financial & Quantitative Analysis. 2018. Vol. 53, pp. 815-835.
26. Garside, Th., Mitchell, P.J. The Future of Risk Management // Oliver Wyman. Financial Services. 2017.
27. Haishu, Q., Meilin, Ch., Yue, X. The Effects of the Sharing Economy: How Does Internet Finance Influence Commercial Bank Risk Preferences? // Emerging Markets Finance & Trade. 2018. Vol. 54, pp.3013 - 3028.
28. Hida, E., Leake J. The Future of Risk in Financial Services // Deloitte Journal. Risk Advisory. 2017. Vol. 1, pp.1 - 14.
29. Manyika, J., Sneader, K. AI, automation, and the future of work: Ten things to solve for // Journal of McKinsey Global Institute. 2018.
30. Martin B. Financial and Econometric Models for Credit Risk Management. PhD Dissertation. 2003.
31. Peresetsky A.A., Karminsky A.M., Golovan S.V. Probability of default models of Russian banks // Economic Change and Restucting. 2011. №4.
32. Vochozka, M., Kliestik, T., Kliestik, J., Sion, G. Participating in a highly automated society: how Artificial Intelligence disrupts the job market // Economics, Management & Financial Markets. 2018. Vol. 13, pp.57 - 62.
Размещено на Allbest.ru
...Подобные документы
Классификация финансовых рисков. Финансовые риски как объект управления. Методы анализа и оценки финансовых рисков. Анализ финансовых рисков ООО "Техносервис". Выявление и расчет рисков. Рекомендации по повышению эффективности управления рисками.
дипломная работа [326,5 K], добавлен 21.10.2010Сущность, содержание и классификация финансовых рисков предприятия. Показатели риска и методы его оценки. Симптомы банкротства организации. Методика оценки финансового состояния и структуры баланса. Система мер по улучшению его финансового состояния.
курсовая работа [349,6 K], добавлен 17.03.2016Понятие риска, виды рисков. Система, классификация финансовых рисков. Способы оценки степени риска. Сущность и содержание риск-менеджмента. Структура системы управления рисками. Методы управления финансовым риском. Способы снижения риска.
курсовая работа [39,5 K], добавлен 04.06.2002Виды рисков, их причины, методы подсчета и анализа. Профилактика и нейтрализация финансовых рисков, методы и показатели их оценки. Практическое применения оценки риска на примере данных баланса предприятия ОАО "Магнитогорский металлургический комбинат".
курсовая работа [164,7 K], добавлен 21.05.2013Главная цель предпринимательства. Риски: сущность понятия, основные виды, классификация. Объективные и субъективные методы оценки финансовых рисков. Инструменты статистического метода расчета финансового риска. Сущность и содержание риск менеджмента.
реферат [145,9 K], добавлен 16.11.2010Понятие и свойства финансового риска, причины его возникновения. Классификационная система рисков, способы оценки их степени и величины вероятных потерь. Хеджирование как метод страхования в системе управления рисками и финансовыми отношениями в банке.
дипломная работа [331,6 K], добавлен 25.06.2011Функции предпринимательских рисков. Количественные и качественные методы оценки и управление рисками. Разработка и реализация мер по их нейтрализации. Влияние рисков на результаты финансовой и производственно-хозяйственной деятельности предприятия.
курсовая работа [111,2 K], добавлен 04.08.2014Сущность и содержание финансовых рисков. Методы оценки финансового риска. Анализ результатов финансово-экономической деятельности предприятия. Проблемы управления финансовыми рисками. Структура продаж и совершенствование маркетинговой политики.
курсовая работа [195,4 K], добавлен 23.03.2011Понятие риска, виды рисков. Система рисков. Классификация финансовых рисков. Способы оценки степени риска. Сущность и содержание риск-менеджмента. Организация риск-менеджмента. Методы управления финансовым риском. Способы снижения финриска.
контрольная работа [39,3 K], добавлен 18.03.2007Понятие, виды, классификация и характеристика финансового риска. Основные задачи и принципы управления финансовыми рисками в организации. Оценка и механизм нейтрализации рисков. Подходы к управлению и анализу финансовых рисков на российских предприятиях.
курсовая работа [44,5 K], добавлен 20.12.2010Критерии оценки кредитоспособности заемщика банком. Понятие, цели и задачи оценки кредитоспособности банком. Подходы и методы оценки кредитоспособности заемщиков. Анализ оценки кредитоспособности ООО "Вагон-Комплект". Краткая характеристика предприятия.
дипломная работа [184,2 K], добавлен 09.05.2009Экономическая сущность и виды финансовых рисков организации. Характеристика показателей оценки риска, методы управления им. Страхование и механизмы нейтрализации финансовых рисков организации. Подходы к управлению рисками на российских предприятиях.
курсовая работа [232,1 K], добавлен 04.04.2015Сущность финансового риска, его виды и причины возникновения. Методика финансового анализа и оценка финансовых рисков. Способы управления финансовыми рисками. Анализ финансового состояния ООО "КонсалтЭксперт". Анализ финансовой устойчивости предприятия.
дипломная работа [315,5 K], добавлен 18.02.2016Понятие финансового риска как вероятности возникновения неблагоприятных финансовых последствий в форме потери дохода и капитала. Классификация финансовых рисков и их страхование. Основные виды финансовых рисков. Методы избегания финансового риска.
реферат [35,0 K], добавлен 10.12.2010Понятие кредитоспособности, цели и задачи кредитования, методики анализа кредитоспособности заемщика. Финансовый анализ, рейтинговая оценка предприятий ОАО "Эффект" и ОАО "Акси". Комплексная оптимальная методика оценки кредитоспособности заемщика.
дипломная работа [140,8 K], добавлен 18.04.2012Теоретические аспекты оценки кредитоспособности предприятия-заемщика. Взаимоотношения банка с клиентами. Понятие и критерии кредитоспособности клиента. Методика оценки кредитоспособности заемщика, используемая банками экономически развитых стран.
дипломная работа [142,5 K], добавлен 07.12.2008Понятие и классификация рисков, их характеристика. Инвестиционные риски и методы их учета и анализа. Риск на рынке ценных бумаг. Обзор методов и моделей анализа финансового риска. Качественный анализ рисков на примере производственного предприятия.
курсовая работа [92,6 K], добавлен 05.01.2011Функции и экономическая сущность страхования. Понятие, классификация и методы оценки финансовых рисков. Совершенствование управления дебиторской задолженностью. Инновационные методы финансового риск-менеджмента в ОАО "Страховая компания СОГАЗ-Мед".
дипломная работа [206,7 K], добавлен 31.10.2014Цели и задачи оценки кредитоспособности потенциальных заёмщиков. Показатели финансового состояния как средства оценки кредитоспособности. Анализ структуры и оборачиваемости капитала, ликвидности и платежеспособности предприятия, составление рейтинга.
курсовая работа [58,8 K], добавлен 16.12.2010Сущность финансовых рисков, под которыми понимают вероятность возникновения непредвиденных финансовых потерь (снижения прибыли, доходов, потери капитала) в ситуации неопределенности условий финансовой деятельности организации. Методы оценки степени риска.
курсовая работа [42,5 K], добавлен 12.11.2010
