Geum.ru
Темы диссертаций по экономике » Математические и инструментальные методы экономики

Вероятностное моделирование надежности коммерческого банка тема диссертации по экономике, полный текст автореферата



Автореферат



Ученая степень кандидат экономических наук
Автор Пшеничный, Сергей Игоревич
Место защиты Москва
Год 2010
Шифр ВАК РФ 08.00.13
Диссертация

Автореферат диссертации по теме "Вероятностное моделирование надежности коммерческого банка"

На правах рукописи

ПШЕНИЧНЫМ СЕРГЕИ ИГОРЕВИЧ

ВЕРОЯТНОСТНОЕ МОДЕЛИРОВАНИЕ НАДЕЖНОСТИ КОММЕРЧЕСКОГО БАНКА

Специальность: 08.00.13 - Математические и инструментальные методы экономики

Автореферат диссертации на соискание ученой степени кандидата экономических наук

1 с ЛЕК 2010

Москва-2010

004618068

Работа выпонена на кафедре Математическое моделировании экономических процессов ФГОУ ВПО Финансовая академия при Правительстве Российской Федерации

Научный руководитель

доктор экономических наук, профессор Дрогобыцкий Иван Николаевич

Официальные оппоненты

Доктор экономических наук, профессор Аваков Сергей Юрьевич

Кандидат экономических наук, доцент Рудакова Ольга Степановна

Ведущая организация

ГОУ ВПО Тамбовский государственный технический университет

Защита состоится л22 декабря 2010 г. в 10-00 на заседании совета по защите докторских и кандидатских диссертаций Д 505.001.03 при ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по адресу: 125993, Москва, Ленинградский проспект, д. 55, аудитория 213.

С диссертацией можно ознакомиться в диссертационном зале библиотечно-информационного комплекса ФГОБУВПО Финансовый университет при Правительстве Российской Федерации по адресу: 125993, Москва, Ленинградский проспект, д. 49, комн. 203.

Автореферат разослан 19 ноября 2010г. и размещен на официальном сайте ФГОБУВПО Финансовый университет при Правительстве Российской Федерации: www.fa.ru

Ученый секретарь совета Д 505.001.03,

кандидат экономических наук, доцент

Общая характеристика работы Актуальность темы исследования. Современный российский рынок банковских услуг насчитывает немногим более 1000 кредитных организаций. При этом, средней величины банковская сеть в крупном городе может обслуживать более 200 тысяч клиентов. Данные показатели не являются предельными, так как в России банковская система находится только в начале своего развития и се история охватывает всего несколько десятков лет. До кризиса наблюдалось активное становление банковской системы, однако события 2008-2009гг. приостановили положительную тенденцию. Сейчас эксперты прогнозируют возврат темпов развития на докризисный уровень, увеличение числа кредитных организаций, в том числе выход па наш рынок новых представителей зарубежных банков, несмотря на то, что прямое открытие филиалов иностранных банков в России до сих пор не разрешено.

В условиях большого многообразия банков перед клиентами-потребителями банковских услуг существует проблема выбора. Процесс выбора банка в каждом конкретном случае носит субъективный характер. Клиент выбирает определенный банк из многих, если по отношению нему сформированы доверительные ожидания, то есть клиент уверен, что банк выпонит взятые на себя обязательства. С данным качеством банка связывается показатель надежности банка.

На текущий момент ни в теории, ни на практике нет единого подхода к определению надежности коммерческого банка. Разные аналитические агентства, эксперты и исследователи используют различные подходы для определения надежности банков. В подавляющем большинстве такие оценки представляют собой ранжирование банков по интегральному показателю. При этом обособленная оценка надежности одного банка отдельно от других не возможна. Более того, во многих используемых методиках не уделяется достаточно внимания вопросу дефиниции надежности и не аргументируется выбор факторов, на которых строится механизм ранжирования.

Таким образом, в условиях планируемого развития банковского рынка, создание общепризнанной единицы измерения надежности банка будет способствовать повышению качества всей финансово-кредитной сферы. Сохраняется необходимость в разработке методов обособленной количественной оценки надежности кредитных организаций. Результаты решения такой задачи будут востребованы клиентами банка как инструмент, подкрепляющий их выбор, и надзорными органами власти как средство для регулирования банковской системы.

Степень разработанности темы. Тема надежности кредитной организации затрагивалась в исследованиях A.B. Буздалина, И.В. Вишнякова, A.M. Карминского, B.C. Кромонова, О.И. Лаврушина, A.A. Новикова, Г.С. Пановой, A.A. Пересецкого, С.И. Пятовского, Г.Г. Фетисова и других ученых. В их работах проводится анализ отечественных и зарубежных методов оценки финансового состояния кредитных организаций, поднимаются вопросы формирования методологических основ рейтинга надежности коммерческих банков, строятся модели взаимосвязи рейтингов банков и показателей их деятельности, предлагаются различные системы ранжирования банков. В средствах массовой информации (СМИ), аналитических изданиях время от времени публикуются рейтинги кредитной организации, полученные на основе применения той или иной методики. Они помогают хозяйствующим субъектам и гражданам более менее адекватно оценивать текущее состояние сферы банковских услуг и положение в ней конкретного банка. Тем не менее, научную проработанность проблемы оценки надежности банка нельзя признать удовлетворительной. В существующих подходах нет единого определения самого понятия надежности банка, что не позволяет провести их качественное сравнение и оценить эффективность. Акцент делается на построении рейтингов по выбранной совокупности банков и моделировании рейтинговых оценок на основе значимых показателей их деятельности, причем к определению

значимости также отсутствует единый подход. Эффективных и общепризнанных методов количественной оценки надежности по отдельно взятому банку до настоящего времени не создано.

Наиболее перспективное направление решения отмеченных задач содержится в работах A.B. Буздалина. Им предложена экспресс-оценка надежности банка, в основу которой положен частный случай применения байесовского классификатора. Однако недостаточное обоснование выбора модели, ее агоритмическая жесткость и ненадежность получаемых результатов по причине отсутствия дожной апробации модели на реальных данных обуславливают необходимость уточнения и дальнейшего развития данного подхода. Отсюда следуют цель, задачи и содержание настоящего диссертационного исследования.

Вопросам проведения классификаций объектов по наблюдаемым данным посвящены работы многих зарубежных ученых: Педро Домингоса, Михаеля Паззани, Гарри Занга, Усамы Файад. Наработки, представленные в их исследованиях, находят приложение во многих областях в сфере услуг и в хозяйствующей деятельности.

Цели и задачи исследования. Цель исследования заключается в разработке модели обособленной количественной оценки надежности банка и выработке методических рекомендаций по ее практическому применению.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Провести критический анализ используемых методик оценки надежности банка, проанализировать их положительные и отрицательные стороны и определить наиболее перспективные направления дальнейшего совершенствования.

2. Исследовать существующие подходы к количественному определению характеристики надежность, выбрать единицу измерения и шкалу и инструментарий для обособленного исчисления надежности банка.

3. Определить перечень значимых факторов, оказывающих наибольшее влияние на уровень надежности банка, построить модель ее оценки и провести оценку качества различных вариантов модели по результатам тестирования на данных официальных отчетов банков.

4. Интегрировать полученные результаты в методику по расчету количественной оценки надежности банка, ориентированную на пользователя, и выработать рекомендации по ее применению.

5. Оценить эффективность предложенной методики, определить круг ее пользователей и технологические особенности применения на практике.

Объект и предмет исследования. Объектом исследования является банк как институт по оказанию финансовых услуг юридическим и физическим лицам.

Предмет исследования Ч методы исчисления надежности банка.

Теоретическая и аналитическая база исследования. Исследование проводилось в поном соответствии с ключевыми положениями экономической теории и системного анализа. Его методологическую основу составили труды отечественных и зарубежных ученых в области математического моделирования, факторного анализа, теории вероятностей, математической статистики и других разделов экономической науки. При решении конкретных задач использовались известные методы конфигурирования проблематики исследуемой предметной области, агоритмы исчисления вероятности случайного события, методы оценки законов и параметров распределений случайных величин, методы статистической обработки данных, элементы теории графов, технологии объектно-ориентированного программирования и другие хорошо опробованные методы, методики и агоритмы решения прикладных экономических задач.

Информационная база исследования. Экспериментальные расчеты и апробирование предложенной модели проводились на основе надежных и

достоверных данных, источником которых послужили отчеты банков по формам 101 и 102 за 2005-2009гг., взятые из сайта ЦБ РФ Ссыка на домен более не работает. В качестве априорной классификации банков по степени надежности была использована информация о фактах отзывов лицензий у банков, также опубликованных на сайте ЦБ РФ. Кроме того, использовались рейтинги надежности банков различных рейтинговых и информационных агентств.

Область исследования. Содержание диссертационного исследования соответствует специальности 08.00.13 - Математические и инструментальные методы экономики.

Научная новизна исследования. Новизна научного исследования заключается в построении модели и методики количественной оценки надежности банка, в основу которых положен метод байесовской классификации и байесовских сетей доверия.

Научная новизна диссертации содержится в следующих результатах исследования:

Х предложена и обоснована выраженная в процентах единица измерения и измерительная шкала вероятностной меры для оценки надежности банка;

Х сформирована байесовская сеть, отражающая взаимосвязь надежности банка и выбранных значимых показателей;

Х выработан подход к оценке надежности банка, заключающийся в использовании байесовского классификатора совместно с методами фильтрации и свертывания данных;

Х предложена надстройка к шкале надежности, делящая банки на 4 группы согласно рассчитанному значению оценки надежности.

Теоретическая и практическая значимость исследования. В совокупности, вынесенные на защиту результаты можно интерпретировать как дальнейшее развитие теории измерений. Практическая значимость работы заключается в возможности использования разработанных моделей

для оценки надежности отдельных банков. Выводы и материалы работы представляют собой яркий пример количественного измерения качественных процессов, что, несомненно, раздвигает границы ее практического использования и может составить предмет для разработки оригинальных программно-инструментальных средств. Последние будут полезны как для клиентов банка, так и надзорных органов и аналитиков банковской сферы, нуждающихся в средствах анализа банковского рынка с целью выявления проблемных мест. Конечным потребителем результатов моделей дожны стать регулирующие банковский рынок органы и потребители услуг банков -юридические и физические лица.

Самостоятельное практическое значение имеют следующие положения работы:

Х модель оценки надежности банка, которая может быть использована надзорными органами и специалистами хозяйствующих субъектов, а также информационными агентствами и отдельными физическими лицами по прямому назначению;

Х приложения в VBA Excel, позволяющие произвести расчет параметров и результатов модели автоматически, которые могут быть использованы разработчиками программных продуктов при создании инструментальных приложений поддерживающие данную методику.

Апробация и внедрение результатов исследования. Основные положения диссертационного исследования докладывались и получили одобрительную оценку на Международной летней школе молодых ученых Мировой финансовый кризис и его влияние на развитие финансовых систем (Москва, 2009), VII международной научной конференции молодых ученых, аспирантов и студентов Молодежь и экономика (Ярославль, 2010).

Результаты диссертационной работы используются Департаментом экономики и финансов Московской региональной дирекции ОАО УРАСИБ для оценки надежности банка и выработке предложений по

повешению качества обслуживания. Отдельные положения диссертации используются кафедрой Математическое моделирование экономических процессов Финансового университета при Правительстве РФ в преподавании учебной дисциплины Эконометрический анализ.

Результаты внедрения подтверждены соответствующими документами.

Публикации. Основные положения работы нашли отражение в четырех авторских публикациях, общим объемом 1,21 п.л., причем три из них общим объемом 1,06 п.л. размещены в журналах, определенных ВАК.

Объем и структура работы. Цели и задачи исследования определили структуру диссертационной работы. Диссертация содержит введение, 3 главы по 4-5 параграфов каждая, заключение, список литературы и приложения. Исследование изложено на 126 страницах, илюстрировано 17 таблицами и 6 рисунками. Список литературы включает 105 наименований.

Основные положения и результаты диссертационного исследования

Во введении обоснована актуальность выбранной темы, проанализирована степень се разработанности, определены цель, задачи, предмет и объект исследования, раскрыты научная новизна и практическая значимость работы.

В первой главе проводится анализ существующих методик оценки надежности коммерческого банка. В рассмотренный перечень попали методики, составленные по заказам профессиональных изданий или консатинговых агентств, а также разработки научных колективов и отдельных ученых:

Х методика журнала Коммерсант,

Х методика Аналитического центра финансовой информации (АЦФИ),

Х методика журнала Эксперт,

Х методика МБО Оргбанк,

Х методика ЦБ,

Х методика CAMEL1,

Х методика VaR2,

Х методика Кромонова,

Х методика Буздалина.

Проведенный анализ показал, что расчетная база большинства методик представляет собой балансовую отчетность и отчетность о прибылях и убытках. Во многих методиках помимо этого уже заложено применение экспертных данных, а некоторые из них строятся исключительно на экспертных суждениях. В работе детально проанализированы преимущества и недостатки и особенности применения каждой из перечисленных методик.

Методика Коммерсант оперирует показателями балансовых отчетов банка и производными от них, различая абсолютные, относительные и динамические значения. По каждому выбранному показателю рассчитывается бал, равный отношению его значения к максимальному значению данного показателя по всей совокупности банков. На основе рассчитанных балов получают четыре критерия. Статистический критерий равен сумме балов по абсолютным и относительным показателям. Динамический критерий получается посредством суммирования балов по относительным и динамическим показателям. полный критерий представляет собой сумму балов по всем трем группам. Совокупный критерий, по которому производится итоговый ранжир банков, равен среднеарифметическому первых трех критериев. Недостаток методики журнала Коммерсант заключается в том, что она предоставляет некоторые преимущества крупным банкам, так как применение концепции "сравнения с наибольшим значением" при сопоставлении сильно различающихся в размерах банков существенно занижает итоговые результаты сравнительно небольших, но успешно функционирующих банков. Кроме того, в методике

1 CAMEL - Capital adequacy, Asset quality, Management, Earning, Liquidity (достаточность капитала, качество

активов, качество управления, доходность, ликвидность)

3 Value-at-Rsk (стоимость под риском)

не учитываются веса расчетных показателей.

Методика ЦФИ основывается как на экспертных данных, так и на показателях финансовых отчетов банков. В их перечень входят достаточность собственного капитала, качество и истинная стоимость активов, качество и продуманность управления, качество и эффективность притока доходов и др. Для оценки банков по указанному набору показателей используются допонительные, структурированные определенным образом данные, для сбора которых используются специальные формы. Сама процедура построения рейтинга банкой нигде не публиковалась, поэтому сложно сделать вывод об адекватности полученных результатов. Более того, реализация данной методики предполагает наличие мощного аппарата сбора информации и ведение непрерывного наблюдения за анализируемой совокупностью банков, что делает ее очень трудоемкой.

Методика журнала Эксперт представляет собой удачную попытку анализа банка одновременно по двум факторам, используя двухкритериальный статистический анализ. Расчеты реализуются в два этапа. На первом этапе оценка банка производится по двум факторам: надежности и прибыльности. На втором этапе анализу подвергается динамика выбранных факторов. Показатель прибыльности определяется через отношение балансовой прибыли к нетто-активам. Надежность принимается как соотношение собственного капитала банка и привлеченных средств. Результаты анализа текущего состояния банков по этим двум критериям наносятся па плоскость с осью абсцисс, соответствующей показателю надежности, и осью ординат, по которой отражается показатель прибыльности. Множество результатов по всей совокупности банков разделяется средними линиями по абсциссе и ординате на четыре типа: с доходностью и прибыльностью выше средних (звездный тип), с высокой доходностью (прибыльно-ориентированный тип), с высокой достаточностью капитала (капитализированный тип) и с доходностью и

прибыльностью ниже средних (депрессивный тип). Аналогично на плоскости рассматриваются показатели динамики факторов. К недостаткам данной методики можно отнести узкий список выбранных факторов и неубедительное обоснование самого понятия надежности банка.

Методика МБО Оргбанк основывается на данных финансовых отчетов банков и экспертных суждений. Рейтинговый индекс банка вычисляется по определённому набору нормативных параметров банка: имидж, история, структура, качество управления, динамика фондов и показатели финансовой отчетности. Опираясь на полученные данные и свои заключения, эксперты выставляют рейтинг каждому банку. По данным экспертно-статистического анализа рассчитываются весовые коэффициенты оценочной функции, по которой в дальнейшем может быть рассчитан рейтинг банка. Критичным для данной методики является получение адекватной экспертной информации, от чего зависит точность получаемых в итоге результатов.

Методика ЦБ представляет собой жесткую конструкцию, нацеленную на отслеживание ряда нормативов, и учитывающую экспертные оценки по качественным признакам. Банки разделяются на пять групп. Банки без недостатков с прозрачной структурой собственности и удовлетворительным качеством управления попадают в первую группу. При небольшом отклонением от нормативов Я,, Нг, Н,3 банк к классифицируется как организация с повышенным риском и попадает во вторую группу. При отклонении по нормативам Н2, Я3 в течение операционного месяца и с непрозрачной структурой собственности и некачественным управлением банк попадает в третью группу - кредитные организации с текущими трудностями. Банком с заметными проблемами признается кредитная организация с плохим качеством управления и не соблюдающая норматив Я,.

3 Согласно Инструкции ЦБ РФ от 16.01.2004 М110-И, Я, - норматив достаточности капитала банка, Я2 - норматив мгновенной ликвидности, Я3 - норматив текущей ликвидности

Кредитные организации, находящиеся в критическом положении, попадают в пятую группу. Недостаток данной методики состоит в том, что она была создана для целей банковского регулирования, поэтому перечень значимых факторов не может претендовать на поноту.

В основу расчета рейтинга по методике Кромонова положена "формула надежности" банка, представляющая собой свертку из следующих критериев: Хгенеральный коэффициент надежности, равный отношению собственного

капитала к сумме работающих (рискованных) активов; Хкоэффициент мгновенной ликвидности, рассчитываемый, как

соотношение ликвидных активов и обязательств "до востребования"; Хкросс-коэффициент ликвидности, равный отношению совокупных

обязательств банка к объему выданных кредитов; Хгенеральный коэффициент ликвидности, равный отношению ликвидных

активов и защищенного капитала к суммарным обязательствам банка; Хкоэффициент защищенности капитала, равный отношению защищенного

капитала банка к собственному капиталу; Хкоэффициент фондовой капитализации прибыли, равный соотношению собственного капитала и размера уставного фонда. Методика Кромонова, используя специально составленную функцию, выставляет оценку, характеризующую степень соответствия показателей рассматриваемого банка идеальному банку. Методика предполагает, что абсолютно надежным считается банк, у которого объем всех выданных кредитов и других рискованных вложений не превышает величины его собственного капитала, средства на счетах "до востребования" вкладчиков поностью обеспечены ликвидными активами, риску подвергаются не более трети суммарных обязательств, ликвидными активами и защищенным капиталом обеспечены все совокупные обязательства банка, собственный капитал поностью инвестирован в ценности и недвижимость, собственный капитал банка более чем втрое превышает взносы учредителей. Такой

вариант оценки надежности банка получил распространение, однако он достаточно часто критикуется за то, что несколько неясно, на каком основании были взяты именно эти критерии надежности и как определялись весовые коэффициенты показателей.

Методика CAMEL представляет собой набор правил и направлений, по которым эксперт выносит свое заключение. По каждому из пяти направлений (капитал, активы, менеджмент, прибыльность, ликвидность) эксперт выставляет оценку банку, по которой потом рассчитывается интегральный показатель по банку. Данная методика субъективна, то есть основывается исключительно на мнениях экспертов. Недостатков у данной методики несколько. Во-первых, нет четкой формализации правил выставления бальных оценок по каждому направлению анализа. Во-вторых, итоговый показатель рассчитывается простым суммированием показателей всех направлений, то есть не учитывается различная степень влияния разных направлений анализа на итоговую позицию банка.

Методика VaR для оценки надежности банков используется в некоторых странах (США, Великобритания, Франция, Израиль). Заложенный в нее метод представляет собой техническое определение надежности как квантиль убытков банка. Квантиль характеризует максимальную величину средств, которые может потерять банк при стечении неблагоприятных ситуаций, с заданной вероятностью (обычно 0,01 или 0,05). Данная методика отражает специфический технический подход к определению и оценке надежности банка.

Методика экспресс-оценки надежности Буздалина представляет собой один из наиболее интересных подходов к оценке надежности. Согласно ей рассчитывается бальная оценка надежности банка по интегральному показателю, построенному на преобразованной формуле Байеса, в которую подставляются выбранные показатели финансовой отчетности банка. Как результат для рассматриваемого банка вычисляется бал, характеризующий

степень уверенности в его надежности. Недостаток этой методики в том, что не объяснен выбор конкретной модели и в отсутствии проверки расчетов на реальных данных.

На основании проведенного анализа сделан вывод, что идеальной методики определения надежности коммерческого банка не существует и необходимо их дальнейшее совершенствование. К недостаткам следует отнести то, что многие из них позволяют провести лишь рейтинговую оценку надежности по совокупности банков. При добавлении в анализируемую совокупность еще одного банка, расчет рейтингов приходится производить заново. Также в большинстве методик не достаточно хорошо обосновано использование конкретных значимых факторов. Третьим недостатком является отсутствие анализа самого понятия надежности банка. Эти методики удовлетворяют целям рейтинговых агентств, но для индивидуального использования в целях выбора банка для размещения и сохранения личных средств, проведения своевременных платежей и других видов обслуживания потребуется разработка более совершенных методов.

Помимо отмеченных методик в работе рассматрены различные инструменты, применимые при решении задачи оценки надежности банка. Освещены методы машинного обучения, нейросети, деревья принятия решений, и ргоЬк- модели. Выбор остановлен на байесовских сетях и байесовском классификаторе. Такой подход позволяет не только определить принадлежность наблюдения к классу, но и получить вероятность его принадлежности к классу, что будет выступать количественной оценкой надежности банка. Исследования подтверждают, что байесовские методы выдерживают конкуренцию с другими подходами к классификации и даже превосходят их в точности. К тому же байесовский классификатор предъявляет нежесткие требования к входным данным (возможны пропуски значений).

Во второй главе дается определение надежности банка и исследуется

принципиальная возможность использования байесовского классификатора для получения автономных оценок надежности. Надежность банка определена как способность банка удовлетворить все взятые на себя обязательства перед клиентом. В предлагаемом подходе оценкой надежности коммерческого банка является вероятность того, что банк выпонит все обязательства перед клиентом. Так как оценка надежности банка имеет вероятностное определение, то она будет измеряться в процентах, а диапазон значений будет лежать в пределах от 0 до 100. Зависит эта величина от того, какие значения приняли выбранные значимые факторы.

В качестве способа выявления значимых факторов в работе используется тест Комогорова-Смирнова, сравнивающий эмпирические функции распределения по надежным и ненадежным банкам. Из 15 выбранных факторов остались 11. На их основе была составлена простая байесовская сеть, которая является основой для расчетов (рис.1).

Проверку на значимость не прошли следующие факторы: отношение объема просроченных ссуд к объему ссуд нефинансовым организациям,

отношение объемов обязательств перед нерезидентами к активам, отношение портфеля негосударственных ценных бумаг к активам, отношение объема средств клиентов к активам.

Как инструмент оценки надежности банка предлагается наивный байесовский классификатор, основанный на предположении о независимости всех объясняющих переменных (без данного предположения байесовский классификатор называется идеальным). Этот классификатор использует теорему Байеса для определения вероятности принадлежности к одному из классов С (надежности/ненадежности) при условии того, что наблюдаемые переменные принимают заданные значения Fx,...,.Fn.

Вероятностная модель для классификатора Ч это условная модель, имеющая вид:

P(C|FД...,.FJ,

где С-эндогенная переменная, отражающая принадлежность к классу

F,,...,.Fn - экзогенные переменные, выбранные показатели банковской отчетности и иная информация.

Используя теорему Байеса, можно записать:

р(c'f".....Pik..J w

Для дальнейшего анализа используется только числитель дроби, так как знаменатель не зависит от С и значения свойств F, даны, так что знаменатель Ч константа.

Числитель эквивалентен совместной вероятности модели: P{C,FV...,.FД).

Она может быть выражена следующим образом, используя повторные приложения определений условной вероятности:

P(.C,Fl,...,.FД) = P(C)P(Fi\C)P(Fi\C,Fl)P(F3,...,FД\C,Fi!F2). (2)

Теперь исходя из наивных предположений об условной независимости, выводится, что каждое свойство F) условно независимо от любого другого

свойства Р] при I ^ у. Это означает, что

Таким образом, совместная модель может быть выражена как

Это означает, что из предположения о независимости, условное распределение по классовой переменной С может быть выражено следующим образом:

где2Ч это масштабный множитель, зависящий только от то есть

является константой, если значения переменных известны.

Преимуществом наивного байесовского классификатора является требование к размеру выборки. Исследования показали, что незначительные отклонения от предположения о независимости факторов приводят к незначительному отклонению от результата работы идеального классификатора. Даже в случае существенного нарушения предположения о независимоеЩ между переменными, результат будет коррелировать с истинной принадлежностью наблюдаемого явления к классу.

Байесовский классификатор может быть записан через плотности вероятностей. Имеется множество объектов Е и конечное множество имен классов С . Множество прецедентов СхЕ является вероятностным пространством с плотностью распределения р(С, Е) = Р(С)р(Е\С).

Р(С)Ч априорная вероятность класса

р{Е\С)Ч плотность распределения условной вероятности или, так называемая, функция правдоподобия.

Если плотности распределений известны, то можно построить агоритм, выбирающий класс по максимальной апостериорной вероятности.

Р(СИ,.....РД) = ^Р(С)11Р(Р;]С),

Ас ={ее Е\а(е) = с], с е С

а(е) = агзтахР(с)/з(с|е) (7)

Когда имеется в наличии набор данных ГД,..^=е,с1, где / = ]..7, выбранных случайным образом и независимо из неизвестного распределения р(С,Е) = Р(С)р(Е\С) , расчету вероятностей классов будет

предшествовать процедура оценки априорной вероятности классов Р(С) и функции правдоподобия /?(]С) для каждого из классов сеС , которые приближали бы вероятности Р(С) и функции р{Е\С) навеем множествеЕ.

Такая задача не будет иметь единственного решения, так как многие распределения с функцией плотности р(с>е) могли бы сгенерировать выборку . Для восстановления плотности можно использовать

различные методы.

Априорную вероятность классов оценить по имеющемуся набору данных гораздо легче:

Р(С = с) = ^, (9)

где Ые-количество элементов выборки, принадлежащих классу с Л?-количество элементов всей выборки.

В рамках данного исследования априорная вероятность принадлежности к классу определяется наличием фактов отзыва лицензии у банка.

В диссертации приведены модификации байесовского классификатора, основывающиеся на выборе различных способов оценивания функций распределения априорных данных (предположение о нормальном законе распределения, подбор закона распределения, дискретизация данных). Приводятся модификации, основанные на выборе способа предобработки данных (с фильтрацией, со свертыванием факторов, комбинированные).

В методе фильтрации каждому фактору приписывается уровень значимости.

р(С = надежен)^ p{F\C = надежен)"1 р{С = надеже^Е) ---, (10)

где а, - весовой коэффициент, характеризующий значимость рассматриваемого фактора при проведении процедуры классификации.

Метод фильтрации сводится к оцениванию данных весов. Для факторов, которые подозреваются в нарушении предположения о независимости, устанавливаются меньшие веса, чем для факторов независимым вкладом в классификацию.

Метод свертывания может из двух зависимых друг от друга факторов выбирать один, или заменять оба фактора на общий составной показатель. В силу самой специфики построения метода свертывания, он приводит к улучшению наивного байесовского классификатора. Процедура обработки входящей информации может производиться до тех пор, пока не следующее изменение уже не будет давать улучшение точности классификатора. На каждом шаге анализа факторов выбирается первые N пар факторов с наибольшей мерой зависимости. Зависимость предполагается линейной. Из выбранных факторов остается один. Процесс повторяется до тех пор, пока точность наивного байесовского классификатора не будет улучшаться. Таким образом, точность наивного байесовского классификатора выступает как инструмент оценки проводимых преобразований множества факторов.

В третьей главе произведен расчет оценки надежности банков по двенадцати моделям, составленным с помощью трех методов определения законов распределения факторов: с предположением о нормальном распределении факторов ), с подбором законов распределения факторов (В,,),с дискретизацией факторов (ВД и двух методов предобработки данных фильтрации (Вг) и свертывания (В* )и их комбинаций (вА).

Качество работы классификаторов определяется количеством совпадений с тестовой выборкой. Чем больше совпадений с тестовой выборкой, тем выше качество классификатора. Выделены два типа ошибок классификации. Ошибкой первого рода является признание надежного банка ненадежным, ошибкой второго рода является признание ненадежного банка надежным. В рамках исследования более важным является минимизация ошибок второго рода, так как в этом случае решение, принятое на основе такого результата, может быть причиной больших потерь. Тогда как ошибку первого рода можно считать перестраховкой. Для случая непрерывной случайной величины меры надежности банка вводится коэффициент принадлежности к классу. Данный коэффициент равен отношению значения функции плотности распределения апостериорной вероятности надежного класса к значению функции плотности распределения апостериорной вероятности ненадежного класса.

р(С = надежный, Е) Р(С = надежный) р(Е\С = надежный)

пр =-=-- (11)

р(С = ненадежный, Е) Р(С = ненадежный) р(Е\С = ненадежный)

Чем выше коэффициент, тем более вероятным капяется то, что

рассматриваемый банк является надежным. Коэффициент показывает степень

уверенности в полученной классификации.

Результаты проверки классификаторов на тестовом множестве

представлены в таблице 2.

Таблица 2. Результаты работы классификаторов

Классификатор Количество правильных классификаций Количество ошибок первого рода Количество ошибок второго рода Исключенные факторы

^погт 13 7 0

13 7 0

^п от 14 6 0 1,3,7

ВЦX, 17 3 0 1, 3, 6, 7. 3

в, 13 5 2

В' 12 3 5

в; 15 4 1 1,2

15 5 0 1,2,9

в? 15 15 2 0 3 5 2,4,5,9 1,2,4, 8, 9

В,, 14 2 4

В' 11 2 7

в: 14 2 4 2, 4,9,11

В? 13 0 7 3,7,10, И

Наиболее качественным классификатором оказася . Он

обеспечивает наименьшее количество ошибок второго рода и наибольшее число удачных классификаций. Также приемлемые результаты дал метод Вр.

По предложенному подходу к оценке надежности банка была составлена методика оценки надежности. В общей сложности она реализуется в несколько этапов:

Х составление списка и расчет факторов, предположительно влияющих на оценку надежности банка;

Х проверка выбранных факторов на значимость с помощью теста Комогорова-Смирнова;

Х составление байесовской сети, и расчет априорных и условных вероятностей для нее на основе доступных данных по совокупности банков.

После этого модель готова к использованию для оценки надежности конкретного банка:

Х клиент банка, юридическое или физическое лицо, рассчитывает по формам отчетности значения показателей выбранных на первом шаге для интересующей организации;

Х полученные значения подставляются в байесовский классификатор,

и как результат получается апостериорная вероятность принадлежности к

надежному и ненадежному классу.

В итоговом расчете оценки надежности банка может так получиться, что вероятность принадлежности к надежному классу будет равна или близка 0,5 (50%). Такая ситуация характеризуется неопределенностью, поэтому для того, чтобы клиенту банка произвести конкретный выбор необходимо задать границы значений вероятности. Предлагается для приоритета выбора основывать на надстройке к шкале значений надежности, сформированной по следующему принципу. Высоконадежными банками будут являться банки с вероятностью отнесения к надежному классу более 90%. Банки второго уровня надежности - надежные банки - с вероятностью принадлежности к надежному классу от 70% до 90%. Банки с вероятностью принадлежности к классу менее 70%, но более 50% следует отнести к неопределенной группе -к условнонадежным банкам. Банки с вероятностью отнесения к надежному классу менее 50% следует признавать ненадежными банками.

В непрерывном случае для коэффициента А'пр уровни могут быть заданы соответственно: для банков первой группы - более 9, для второй группы - от 2.4 до 9. Банки со значением Кпр менее 2.4, но более 1 следует отнести к возможно надежным банкам. Если Кпр меньше 1, то банк относится к ненадежной группе.

Сравнение с другими методами оценки надежности банка производить проблематично, так как не все методы определяют надежность банка через вероятность, и многие методы не позволяют произвести количественную оценку надежности банка. Некоторые рейтинги не публикуются. Однако, можно сопоставить оценку надежности определенных банков в разных методах и проследить, насколько они пересекаются в принадлежности к классу. Так, например, наблюдается корреляция между позицией банка в рейтинге по величине собственного капитала и результатом оценки надежности по предложенному в работе методу.

Для реализации предложенного метода оценки надежности банка в

программных продуктах необходимо разделить общую задачу на блоки:

Х блок выбора значимых показателей из доступных (пример реализации теста Комогорова-Смирнова в VBA Excel представлен в приложении к диссертации);

Х блок подбора законов распределения случайных входных параметров модели и класса по априорным данным с возможностью обновления (для дискретного случая пример реализации в VBA Excel представлен приложении);

Х блок построения байесовского классификатора с вариантами предобработки данных;

Х блок проверки качества полученных классификаторов на тестовой выборке и выбора лучшего варианта;

Х блок, ориентированный на пользователя, в котором проводится расчет оценки надежности по конкретному банку по заданным пользователем входным данным и приводятся рекомеЕгдации относительно группы, в которую попадает банк.

В заключении диссертации изложены основные выводы, рекомендации и наиболее важные положения исследования.

Список работ, опубликованных по теме диссертации

1. Пшеничный С.И. Байесовские сети и надежность банка [текст]/С.И.Пшеничный// Экономический анализ: теория и практика*. М.,2010 - №10( 175). - С.48-51 .(0,33 п.л.)

2. Пшеничный С.И. Построение байесовской сети для оценки надежности банка [текст]/С.И.Пшеничный// Инициативы XXI века*. М.,2010 - №1. Ч С.74-76.(0,36 п.л.)

журнал, определенный ВАК

3. Пшеничный С.И. Применение байесовского классификатора для оценки надежности банка [текст] /С.И.Пшеничный// Экономические науки*. М.,2010 -№63. - С.306-310. (0,37 п.л.)

4. Пшеничный С.И. Выбор факторов для оценки надежности банка [текст]. /С.И.Пшеничный// Актуальные проблемы математического моделирования в финансово-экономической области: сборник научных статей. Вып.9/ Под ред. д.т.н., проф. В.А. Бывшева. М.:Финакадемия, 2010 -С.90-94.(0,15 п.л.)

Подписано в печать:

17.11.2010

Заказ № 4594 Тираж - 120 экз. Печать трафаретная. Объем: 1,2усл.п.л. Типография л11-й ФОРМАТ ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 wvvw.autoreferat.ru

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Пшеничный, Сергей Игоревич

1. ДОВЕРИЕ И НАДЕЖНОСТЬ В БАНКОВСКОЙ СИСТЕМЕ

1.1 Факторы надежности

1.2 Методики

1.2.1 Группы надежности ЦБ

1.2.2 Методика "Коммерсант"

1.2.3 Методика Аналитического центра финансовой информации

1.2.4 Методика Кромонова

1.2.5 Методика журнала "Эксперт"

1.2.6 Методика МБО "Оргбанк"

1.2.7 Методика CAMEL

1.2.8 Value-at-Risk

1.2.9 Методика экспресс-оценки

1.3 Сравнение распространенных методик оценки надежности

1.4 Методы классификации

1.4.1 Дерево принятия решений

1.4.2 Методы машинного обучения и нейросети

1.4.3 Logit и probit модели.

1.4.4 Статистические методы.

ГЛАВА 2.

2. БАЙЕСОВСКИЕ СЕТИ И БАЙЕСОВСКИЕ КЛАССИФИКАТОРЫ ДЛЯ ОЦЕНКИ НАДЕЖНОСТИ БАНКА

2.1 Байесовские сети

2.2 Сравнение надежностей

2.3 Байесовский классификатор

2.4 Оптимальность наивного байесовского классификатора

2.5 Оценка априорных вероятностей классов и функций правдоподобия

2.5.1 Классический (нормальный) метод

2.5.2 Метод функции ядер

2.5.3 Параметрическое восстановление плотности

2.5.4 Дискретизация данных

2.6 Предобработка данных

2.6.1 Метод фильтрации

2.6.2 Метод свертывания

2.7 Программные средства

ГЛАВА 3.

3. РАСЧЕТ И СРАВНЕНИЕ МОДЕЛЕЙ ОЦЕНКИ НАДЕЖНОСТИ

3.1 Расчетная база и показатели работы банка

3.1.1 Расчет показателей

3.1.2 Проверка показателей на значимость

3.2 Начальные условия и априорные данные

3.3 Построение моделей на основе байесовского классификатора

3.3.1 Модель по предположению о нормальном распределении

3.3.2 Модель с подбором функций распределения

3.3.3 Модель с дискретизацией данных 102 3.3.3 Модель с предобработкой данных

3.4 Сравнение моделей на тестовом множестве

3.4.1 Результаты классификации с предположением о нормальности данных.

3.4.2 Результаты классификации с подбором законов распределения

3.4.3 Результаты классификации с дискретизацией 1Ю

3.4.4 Сравнение результатов

3.5 Методика по расчету оценки надежности банка на основе сетей доверия и рекомендации по внедрению в программные продукты

Диссертация: введение по экономике, на тему "Вероятностное моделирование надежности коммерческого банка"

Современный российский рынок банковских услуг насчитывает немногим более 1000 кредитных организаций. При этом средней величины банковская сеть в крупном городе может обслуживать более 200 тысяч клиентов. Данные показатели не являются предельными, так как в России банковская система находится только в начале своего развития и ее история охватывает всего несколько десятков лет. До кризиса наблюдалось активное становление банковской системы, однако события 2008-2009гг. приостановили положительную тенденцию. Сейчас эксперты прогнозируют возврат темпов развития на докризисный уровень, увеличение числа кредитных организаций, в том числе выход на наш рынок новых представителей зарубежных банков, несмотря на то, что прямое открытие филиалов иностранных банков в России до сих пор не разрешено.

В условиях большого многообразия банков перед клиентами-потребителями банковских услуг существует проблема выбора. Процесс выбора банка в каждом конкретном случае носит субъективный характер. Клиент выбирает определенный банк из многих, если по отношению нему сформированы доверительные ожидания, то есть клиент уверен, что банк выпонит взятые на себя обязательства. С данным качеством банка связывается показатель надежности банка.

На текущий момент ни в теории, ни на практике нет единого подхода к определению надежности коммерческого банка. Разные аналитические агентства, эксперты и исследователи используют различные подходы для определения надежности банков. В подавляющем большинстве такие оценки представляют собой ранжирование банков по интегральному показателю. При этом обособленная оценка надежности одного банка отдельно от других не возможна. Более того, во многих используемых методиках не уделяется достаточно внимания вопросу дефиниции надежности и не аргументируется выбор факторов, на которых строится-механизм ранжирования.

Таким образом, в условиях планируемого развития банковского рынка, создание общепризнанной единицы измерения надежности банка будет способствовать повышению качества всей финансово-кредитной сферы. Сохраняется необходимость в разработке методов обособленной количественной оценки надежности кредитных организаций. Результаты решения такой задачи будут востребованы клиентами банка как инструмент, подкрепляющий их выбор, и надзорными органами власти как средство для регулирования банковской системы.

Степень разработанности темы. Тема надежности кредитной организации затрагивалась в исследованиях A.B. Буздалина, И.В. Вишнякова, A.M. Карминского, B.C. Кромонова, О.И. Лаврушина, A.A. Новикова, Г.С. Пановой, A.A. Пересецкого, С.И. Пятовского, Г.Г. Фетисова и других ученых. В их работах проводится анализ отечественных и зарубежных методов оценки финансового состояния кредитных организаций, поднимаются вопросы формирования методологических основ рейтинга надежности коммерческих банков, строятся модели взаимосвязи рейтингов банков и показателей их деятельности, предлагаются различные системы ранжирования банков. В средствах массовой информации (СМИ), аналитических изданиях время от времени публикуются рейтинги кредитной организации, полученные на основе применения той или иной методики. Они помогают хозяйствующим субъектам и гражданам более менее адекватно оценивать текущее состояние сферы банковских услуг и положение в ней конкретного банка. Тем не менее, научную проработанность проблемы оценки надежности банка нельзя признать удовлетворительной. В существующих подходах нет единого определения самого понятия надежности банка, что не позволяет провести их качественное сравнение и оценить эффективность. Акцент делается на построении рейтингов по выбранной совокупности банков и моделировании рейтинговых оценок на основе значимых показателей их деятельности, причем к определению значимости также отсутствует единый подход. Эффективных и общепризнанных методов количественной оценки надежности по отдельно взятому банку до настоящего времени не создано.

Наиболее перспективное направление решения отмеченных задач содержится в работах А.В. Буздалина. Им предложена экспресс-оценка надежности банка, в основу которой положен частный случай применения байесовского классификатора. Однако недостаточное обоснование выбора модели, ее агоритмическая жесткость и ненадежность получаемых результатов по причине отсутствия дожной апробации модели на реальных данных обуславливают необходимость уточнения и дальнейшего развития данного подхода. Отсюда следуют цель, задачи и содержание настоящего диссертационного исследования.

Вопросам проведения классификаций объектов по наблюдаемым данным посвящены работы многих зарубежных ученых: Педро Домингоса, Михаеля Паззани, Гарри Занга, Усамы Файад. Наработки, представленные в их исследованиях, находят приложение во многих областях в сфере услуг и в хозяйствующей деятельности.

Цели и задачи исследования. Цель исследования заключается в разработке модели обособленной количественной оценки надежности банка и выработке методических рекомендаций по ее практическому применению.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Провести критический анализ используемых методик оценки надежности банка, проанализировать их положительные и отрицательные стороны и определить наиболее перспективные направления дальнейшего совершенствования.

2. Исследовать существующие подходы к количественному определению характеристики надежность, выбрать единицу измерения и шкалу и инструментарий для обособленного исчисления надежности банка.

3. Определить. перечень значимых факторов, оказывающих наибольшее влияние на уровень надежности банка, построить модель ее оценки и провести оценку качества различных вариантов модели по результатам тестирования на данных официальных отчетов банков.

4. Интегрировать полученные результаты в методику по расчету количественной оценки надежности банка, ориентированную на пользователя, и выработать рекомендации по ее применению.

5. Оценить эффективность предложенной методики, определить круг ее пользователей и технологические особенности применения на практике.

Объект и предмет исследования. Объектом исследования является банк как институт по оказанию финансовых услуг юридическим и физическим лицам. Предмет исследования Ч методы исчисления надежности банка.

Теоретическая и аналитическая база исследования. Исследование проводилось в поном соответствии с ключевыми положениями экономической теории и системного анализа. Его методологическую основу составили труды отечественных и зарубежных ученых в области математического моделирования, факторного анализа, теории вероятностей, математической статистики и других разделов экономической науки. При решении конкретных задач использовались известные методы конфигурирования проблематики исследуемой предметной области, агоритмы исчисления вероятности случайного события, методы оценки законов и параметров распределений случайных величин, методы статистической обработки данных, элементы теории графов, технологии объектно-ориентированного программирования и другие хорошо опробованные методы, методики и агоритмы решения прикладных экономических задач.

Информационная база исследования. Экспериментальные расчеты и апробирование предложенной модели проводились на основе надежных и достоверных данных, источником которых послужили отчеты банков по формам 101 и 102 за,2005-2009гг., взятые из сайта ЦБ РФ Ссыка на домен более не работает. В качестве априорной- классификации банков - по степени надежности была использована информация о фактах отзывов лицензий у банков, также опубликованных на сайте ЦБ РФ. Кроме того, использовались рейтинги надежности банков различных рейтинговых и информационных агентств.

Область исследования. Содержание диссертационного исследования соответствует специальности 08.00.13 - Математические и инструментальные методы экономики.

Научная новизна исследования. Новизна научного исследования заключается в построении модели и методики количественной оценки надежности банка, в основу которых положен метод байесовской классификации и байесовских сетей доверия.

Научная новизна диссертации содержится в следующих результатах исследования:

Х предложена и обоснована выраженная в процентах единица измерения и измерительная шкала вероятностной меры для оценки надежности банка;

Х сформирована байесовская сеть, отражающая взаимосвязь надежности банка и выбранных значимых показателей;

Х выработан подход к оценке надежности банка, заключающийся в использовании байесовского классификатора совместно с методами фильтрации и свертывания данных;

Х предложена надстройка к шкале надежности, делящая банки на 4 группы согласно рассчитанному значению оценки надежности.

Теоретическая и практическая значимость исследования. В совокупности, вынесенные на защиту результаты можно интерпретировать как дальнейшее развитие теории измерений. Практическая значимость работы заключается в возможности использования разработанных моделей для оценки надежности отдельных банков. Выводы и материалы работы представляют собой яркий пример количественного измерения качественных процессов, что; несомненно,1 раздвигает границы ее практического использования и может составить предмет для, разработки оригинальных программно-инструментальных средств. Последние будут полезны как для клиентов банка, так и надзорных органов и аналитиков банковской сферы, нуждающихся в средствах анализа банковского рынка с целью выявления-проблемных мест. Конечным потребителем результатов моделей дожны стать регулирующие банковский рынок органы и потребители услуг банков -юридические и физические лица.

Самостоятельное практическое значение имеют следующие положения работы:

Х модель оценки надежности банка, которая может быть использована надзорными органами и специалистами хозяйствующих субъектов, а также информационными агентствами и отдельными физическими лицами по прямому назначению;

Х приложения в VBA Excel, позволяющие произвести расчет параметров и результатов модели автоматически, которые могут быть использованы разработчиками программных продуктов при создании инструментальных приложений поддерживающие данную методику.

Апробация и внедрение результатов исследования. Основные положения диссертационного исследования докладывались и получили одобрительную оценку на Международной летней школе молодых ученых Мировой финансовый кризис и его влияние на развитие финансовых систем (Москва, 2009), VII международной научной конференции молодых ученых, аспирантов и студентов Молодежь и экономика (Ярославль, 2010).

Результаты диссертационной работы используются Департаментом экономики и финансов Московской региональной дирекции ОАО УРАСИБ для оценки надежности банка и выработке предложений по повешению качества обслуживания. Отдельные положения диссертации используются кафедрой Математическое моделирование экономических процессов Финансового университета при Правительстве РФ в преподавании учебной дисциплины Эконометрический анализ.

Результаты внедрения подтверждены соответствующими документами.

Публикации. Основные положения работы нашли отражение в четырех авторских публикациях, общим объемом 1,21 пл., причем три из них общим объемом 1,06 пл. размещены в журналах, определенных ВАК.

Объем и структура работы. Цели и задачи исследования определили структуру диссертационной работы. Диссертация содержит введение, 3 главы по 5-7 параграфов каждая, заключение, список литературы и приложения. Исследование изложено на 126 страницах, илюстрировано 20 таблицами и 6 рисунками. Список литературы включает 105 наименований.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Пшеничный, Сергей Игоревич

Заключение

В данной работе представлены различные методы оценки надежности банка. Предложен способ оценки, основанный на байесовских сетях доверия и байесовском классификаторе. Оценка надежности банка определяется в данном методе как вероятность банка быть надежным, то есть вероятность того, что банк выпонит взятые на себя обязательства.

Данный метод имеет ряд преимуществ перед другими методами. Метод является объективным. Все показатели работы банка, участвующие в модели проходят проверку на значимость в оценке надежности банка. Метод прост в применении и прозрачен. С помощью предлагаемого метода можно проводить оценку надежности банка обособленно от всей совокупности банков Метод предполагает однократную настройку сети доверия, после чего можно применять байесовский классификатор для любого банка. Рассмотренный метод гибок и не требует обязательного наличия всего набора показателей работы банка. Оценить надежность банка можно, даже если по некоторым показателям нет данных. Также выгодной особенностью метода оценки по байесовскому классификатору является то, что можно получить количественную оценку надежности банка. В предложенном методе в случае дискретных входных данных надежность будет выражаться значением апостериорной вероятности принадлежности к классу. В случае непрерывных входных факторов в качестве количественной оценки надежности предлагается коэффициент принадлежности к классу равный отношению значения плотностей апостериорных вероятностей надежного класса к ненадежному. В конечном итоге, при выборе конкретного банка пользователь метода может сам определять достаточный уровень для вероятности в дискретном случае и коэффициента принадлежности- к классу в непрерывном случае.

В работе представлена надстройка к шкале надежности, разделяющая банки на высоконадежные, надежные, условнонажежные и ненадежные, цель которой Ч помочь пользователю в выборе конкретного банка.

Итогом работы является построение набора байесовских классификаторов с использованием разных методов оценки законов распределения входных показателей и методов предобработки данных. Используются 3 подхода к оценке распределения: предположение о нормальности входных данных, подбор распределения с помощью программных средств, дискретизация данных. По предобработке данных также классификаторы- представлены в 3 вариантах: без предобработки, с одним вариантом предобработки, комбинированный вариант.

Наиболее качественными классификаторами получились следующие:

1. Классификатор с предположением о нормальности распределения входных факторов с комбинацией предобработки данных методами фильтрации и свертывания.

2. Классификатор с подбором плотностей распределения входных факторов с комбинацией предобработки данных методами фильтрации и свертывания.

Первый метод на тестовом множестве показал безошибочное определение ненадежных банков. Второй метод без ошибок на тестовом множестве определил надежные банки. В целях снижения рисков потери средств при выборе банка данными методами первый метод выглядит предпочтительнее.

Предложенный способ оценки надежности легко структурируется в методику по оценке надежности банка. Сформированная в работе методика имеет понятную и гибкую структуру, им может быть легко модернизирована в дальнейшем. На базе методики выведены рекомендации по ее внедрению в программные продукты для создания приложений банковского анализа.

Диссертация: библиография по экономике, кандидат экономических наук , Пшеничный, Сергей Игоревич, Москва

1. Инструкция ЦБ от 1 октября 1997г. № 17 О составлении финансовой отчетности

2. Инструкция ЦБ №110И от 16.01.2004 Об обязательных нормативах банков

3. Указание ЦБ от 30 апреля 2008 г. № 2005-У Об оценке экономического положениябанков

4. Федеральный закон от 10 июля 2002 г. N 86-ФЗ О Центральном банке Российской1. Федерации (Банке России)

5. Банковское дело: Учебник Под ред. О.И.Лаврушина. М.: Финансы и статистика, 1998.

6. Батракова Л.Г. Экономический анализ деятельности коммерческого банка. 2-е изд.

7. Учебник для вузов. М.: Логос, 2004

8. Буздалин A.B., Британишский А.Л. Экспертная система анализа банков на основе методики

9. CAMEL // Бизнес и банки, №22, 2000

10. Буздалин A.B., Надежность банка как мера субъективной уверенности // Банковское дело,2, 1999

11. Буздалин A.B., Экспресс-оценка работы банка // Банковское дело, №8, 1999

12. Буздалин A.B., Эмпирический подход к созданию нормативной базы // Банковское дело, №4, 1999

13. Буздалин A.B., Эмпирические нормативы работы банков // Банковское дело, №5, 1999

14. Ветров Д.П., Лекция 4. Байесовский подход к теории вероятностей. Примеры байесовских рассуждений. МГУ ВМиК.// Ссыка на домен более не работаетwiki/index.php?title=Bmmo

15. Воронцов К.В. Лекции по статистическим (байесовским) агоритмам классификации. 2008г. // Ссыка на домен более не работаетvoron/download/Bayes.pdf

16. Геращенко В.В. Рейтинги коммерческих банков // Деньги и кредит М., №5, 1996

17. Головань C.B., Карминский A.M., Копылов A.B., Пересецкий A.A. Модели вероятности дефота российских банков. I. Предварительное разбиение банков на кластеры. // Препринт WP#2003/039. Российская экономическая школа, 2003

18. Готовчиков И. Ф. Метод классификации КБ по обобщенному нормативу // Финансы и Кредит, №14, 2001.

19. Готовчиков И.Ф. О повышении роли аудита определении действительного рейтинга коммерческого банка //Финансовый менеджмент, №3, 2003

20. Давние В.В. Прогнозные модели экспертных предпочтений: монография // В.В. Давние, В.И. Тинякова; Воронеж, гос. ун-т. Ч Воронеж: Изд-во Воронеж, гос. ун-та. 2005

21. Епанечников В:А. Непараметрическая оценка многомерной* плотности вероятности // Теория вероятностей и её применения. Т. 14, № 1, 1969

22. Егоров С.Е. О мерах по стабилизации и повышению надежности системы коммерческих банков // Деньги и кредит, №5, 1997

23. Иванов JI.H. Оценка надежности коммерческих банков // Бухгатерский учет,- 1994.-№9

24. Карминский А. Рейтинги в экономике. Методология и практика // А.Карминский, А.Пересецкий, А.Петров М.: Финансы и статистика, 2005

25. Лидер В.В. Надежность банков: крупные, малые, средние // Банковское дело, №2,1996

26. Мамонова И.Д. и др. Экономический анализ деятельности банка. М., ИНФРА-М, 1996

27. Нестеренко О.Б. Надежность коммерческого банка и факторы, ее определяющие // Деньги и кредит, №10, 2001

28. Павлов С., Бенгин Н. Анализ деятельности коммерческих банков на основе опубликованных балансов. Экономика и жизнь, № 16, 1992

29. Сидоренко М.И. Банковские рейтинги, 2002 // Ссыка на домен более не работаетfmanalysis/banks/ bankratings.shtml#221

30. Соколинская Н.Э. Банковский аудит.- М.: Перспектива, 1994

31. Старастенкова Е. Какому банку доверять? // Бизнес и банки М., ноябрь. №46. 1995.

32. Черкасов В.Е. Финансовый анализ в коммерческом банке. М., ИНФРА-М. 1995

33. Экономический анализ деятельности банка. Учебное пособие. М., ИНФРА. М., 1996.

34. An А., Сегсопе N. Discretization of continuous attributes for learning classification rules. In Proceedings of the Third Pacific-Asia Conference on Methodologies for Knowledge Discovery and Data Mining, pp. 509-514, 1999

35. Arturo Medrano-Soto, J. Andr'es Christen, Julio; Collado-Vides BClass: A bayesian approach based on mixture models for clustering and classification of- heterogeneous biological data.Journal of Statistical Software, Volume 13, Issue 2. 2005

36. Breiman L. Bias, variance and arcing classifiers. Technical report. Statistics Department, University of California, Berkerley. 1996

37. C. A. Ratanamahatana and D. Gunopulos. Feature selection for the naive Bayesian classifier using decision trees. Applied Artificial Intelligence, 17(5-6): pp. 475-487, 2003

38. C. R. Loader. Local likelihood density estimation. The Annals of Statistics, 24: pp. 1602-1618, 1996

39. С. X. Ling, H. Zhang. The representational power of discrete Bayesian networks. Journal of Machine Learning Research . Vol.3 pp. 709-721, 2002

40. Cheng J, Greiner R, Kelly J, Bell D and Liu W. Learning Bayesian networks from data: an information-theory based approach. Artificial Intelligence 137(1-2), 43-90, 2002

41. D. Hand, H. Mannila, P. Smyth, "Principles of Data Mining", The MIT Press, Cambridge, Massachusetts, 2001.

42. Devroye, L., Lugosi, T.: Combinatorial methods in density estimation. Springer-Verlag, Berlin, 2001

43. Domingos P., M. J. Pazzani. Beyond Independence: conditions for the optimality of he simple Bayesian classifier. In: Machine Learning: Proceedings of the Thirteenth International Conference, L. Saitta, ed., pp. 105-112, 1996

44. Dougherty, J., Kohavi, R., Sahami, M. Supervised and unsupervised discretization of continuous features. Proc. of the Twelfth International Conf. on Machine Learning pp. 194-202, 1995

45. Druzdzel MK and van der Gaag LC, Building probabilistic networks: where do the numbers come from? IEEE Transactions on Knowledge and Data Engineering 12(4), pp. 481-486, 2000

46. Flach, P., Lachiche, N. 1BC: A first-order Bayesian classifier. Proceedings of the 9th International Workshop on Inductive Logic Programming, pp. 92-103. Springer-Verlag, \ 999

47. Friedman J. H. On bias, variance, 0/1-loss, and the curse-of-dimensionality. Data Mining and Knowledge Discovery, 1, pp. 55-77, 1997

48. H. Zhang, Jiang Su. Naive Bayes for optimal ranking. Journal of Experimental & Theoretical Artificial Intelligence , Vol.20, No. 2, 2008

49. H. Zhang, S. Sheng. Learning weighted naive Bayes with accurate ranking. In Proc. of the 4th IEEE Int. Conf. on Data Mining: pp. 567-570, 2004.

50. H. Zhang. Exploring conditions for the optimality of naive Bayes. International Journal of Pattern Recognition and Artificial Intelligence, Vol. 19, No. 2,2005

51. H. Zhang. The optimality of naive Bayes. Proceedings of the 17th International FLAIRS conference AAAI Press 2004

52. Hazelton M.L.: Adaptive smoothing in bivariate kernel density estimation. Manuscript, 2003

53. Ho K.M., and Scott P.D. Zeta: A global method for discretization of continuous variables. In Proceedings of the Third International Conference on Knowledge Discovery and Data Mining, pp. 191-194, 1997

54. Hsu C.N., Huang H.J., Wong T.T. Why discretization works for naive Bayesian classifiers. Proc. of the Seventeenth International Conf. on Machine Learning pp. 309-406, 2000

55. J. Su and H. Zhang, Full Bayesian Network Classifiers. Proceedings of the 23rd International Conference on Machine Learning, pp.897-904, 2006

56. Jaeger M. Complex probabilistic modeling with recursive relational Bayesian networks. Annals of Mathematics and Artificial Intelligence 32, pp. 179-220, 2001

57. John G.H., Langley P. Estimating continuous distributions in Bayesian classifiers. Proc. of the Eleventh Conf. on Uncertainty in Artificial Intelligence pp. 338-345, 1995

58. Jones, M.C., Marrn, J.S., Sheather, S.J.: A Brief Survey of Bandwidth Selection for Density Estimation. Journal of the American Statistical Association, 91, 401-407, 1996

59. Jos'e Carlos Cortizo, Ignacio Giraldez. Multi criteria wrapper improvements to naive Bayes learning. Universidad Europea de Madrid, 2006

60. Jos'e Carlos Cortizo, Ignacio Giraldez. Wrapping the naive Bayes classifier to relax the effect of dependences. Universidad Europea de Madrid, 2007

61. K. Cios, W. Pedrycz, R. Swiniarski. Data mining methods for knowledge discovery. Kluwer Academic Publishers, 1998

62. Keogh E., Pazzani M. Learning the structure of augmented bayesian classifiers. International Journal on Artificial Intelligence Tools. Vol 11. No 4, pp. 587-601.

63. Kohavi, R., Wolpert, D. Bias plus variance decomposition for zero-one loss functions. Proc. Of the 13th International Conf. on Machine Learning, pp. 275-283. 1996

64. Kononenko I. Naive Bayesian classifier and continuous attributes. Informtica, 16, pp. 1-8. 1992

65. Kotsiantis S.B., Pntelas P.E. Increasing the classification accuracy of simple Bayesian classifier. Educational Software Development Laboratory. Department of Mathematics. University of Patras, Hellas.

66. Kozlov AV, Koller D. Nonuniform dynamic discretization in hybrid networks. In D Geiger and PP Shenoy (eds.), Uncertainty in Artificial Intelligence, 13: pp. 314Ч325. 1997

67. L. Jiang, H. Zhang, Z. Cai, J. Su. Learning tree augmented naive Bayes for ranking. Proceedings of the 10th International Conference on Database Systems for Advanced Applications (DASFAA 2005)., Springer, 2005.

68. Langley, P., Iba, W., Thompson, K. Ananalysis of bayesian classifiers. Proc. of the Tenth National Conf. on Artificial Intelligence, pp. 223-228, 1992

69. Laskey K.B., Mahoney S.M. Network engineering for agile belief network models. IEEE Transactions on Knowledge and Data Engineering 12(4), pp. 487-498, 2000

70. Lili Sun, Prakash P.Shenoy. Using Bayesian networks for bankruptcy prediction: some methodological issues. European journal of operational research, 180(2), 2007

71. Lili Sun, Prakash P. Shenoy. Using Bayesian Networks for Bankruptcy Prediction in Stressed Firms Management. Science and Technology Seminar, 2003

72. Lud M.-C., Widmer G. Relative unsupervised discretization for association rule mining. In Proceedings of the Fourth-European Conference on Principles and' Practice of Knowledge Discovery in Databases, 2000

73. M. S. Watermana; D. E. Whitemana. Estimation of probability densities by empirical density functions. International Journal of Mathematical Education in Science and Technology, Volume 9, Issue 2 ,pp. 127-137,1978

74. M. Singh, and G. Provan, Efficient learning of selective Bayesian network classifiers. In Proc of the 13th International Conference on Machine Learning: 453-461, Bari. 1996

75. Mani S. and Pazzani M. Guideline generation from data by induction of decision tables using a bayesian network framework JAMIA supplement pp. 518-522, 1998.

76. Mark Hall. A decision tree-based attribute weighting filter for naive Bayes. Working Paper: 05/2006

77. Marquez D., Neil M., Fenton N.E., A new Bayesian network approach to reliability modelling. Fifth International Mathematical Methods in Reliability Conference (MMR 07), Glasgow, 2007.

78. Miyahara, K. and Pazzani, M. J. Improvement of Collaborative Filtering with the Simple Bayesian Classifier. IPSJ Journal, Vol.43, No.l 1, Information Processing Society of Japan, 2002

79. Monti S., Cooper G. A multivariate discretization method for learning bayesian networks from mixed data. In Proceedings of the Fourteenth Conference of Uncertainty in AI, pp. 404Ч413, 1998

80. Monti S., Cooper G.F. A Bayesian network classifier that combines a finite mixture model and a naive Bayes model. In Proceedings of the 15th Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann, pp. 447-456, 1999.

81. Murphy K. Dynamic Bayesian networks: representation, inference and learning. PhD thesis, Department of Computer Science, UC Berkeley, 2002.

82. Neil M., Fenton N., Tailor M. Using Bayesian networks to model expected and unexpected operational losses. Risk Analysis, Vol. 25, No. 4, 2005

83. Friedman N., Geiger D., Goldszmidt M. Bayesian network classifiers. Kluwer Academic Publishers. Boston, 2000

84. Fenton N. Neil M. Managing risk in the modern world. Applications of Bayesian networks. London Mathematical Society De Morgan House, 57/58 Russell Square London WC1B 4HS, 2007

85. P. Langley, S. Sage. Induction of selective Bayesian classifiers. In Proc. of the 10th Conf. on Uncertainty in Artificial Intelligence, pp. 399Ч406. Morgan Kaufmann, 1994.

86. Pazzani M. J. Search for dependencies in Bayesian classifiers. In Fisher, D., and Lenz, H. J., eds., Learning from Data: Artificial Intelligence and Statistics V. Springer Verlag. 1996

87. Pazzani, M. Searching for dependencies in Bayesian classifiers. Artificial Intelligence and Statistics IV, Lecture Notes in.Statistics, Springer-Verlag: New York, 1997

88. Pearl J. Bayesian Networks: A model of self-activated memory for evidential reasoning. Computer Science Department University of California, 1985

89. Quinlan J., C4.5: Programs for Machine Learning. Morgan Kaufmann: San Mateo, CA, 1993.

90. R. Kohavi. Scaling up the accuracy of naive-Bayes classifiers: a decision tree hybrid. In Proc. of the 2nd Int. Conf. on Knowledge Discovery and Data Mining, pp. 202-207, 1996.

91. Richeldi, M., Rossotto, M. Class-driven statistical discretization of continuous attributes (extended abstract). In European Conference on Machine Learning, Springer, pp 335-338, 1995

92. Rish I. An empirical study of the naive Bayes classifier. IBM Research Division Thomas J. Watson Research Center, 2001

93. Romain H'erault, Yves Grandvalet. Sparse probabilistic classifiers. Appearing in Proceedings of the 24 th International Conference on Machine Learning, Corvallis, OR, 2007.

94. Sain, S.R.: Bias reduction and elimination with kernel estimators. Communications in Statistics: Theory and Methods, 30, 1869-1888, 2001

95. Silvia Salini, Ron S. Kenett. Bayesian networks of customer satisfaction survey data. Working Paper. University of Milan, Italy, 2007

96. Tsymbal, Puuronen S., Patterson D., Feature selection for ensembles of simple Bayesian classifiers, In Proceedings of ISMIS 592-600, Lyon, 2002

97. Fayyad U.M., Irani K.B., "On the handling of continuous valued attributes in decision tree generation," Machine Learning, vol. 8, pp. 87-102, 1992.

98. Fayyad U.M., Irani K.B. Multi-interval discretization of continuous valued attributes for classification learning. IJCAI, pp. 1022-1027, 1993.

99. Wellman M.P. Fundamental concepts of qualitative probabilistic networks. Artificial Intelligence 44(3), pp. 257-303, 1990.

100. Yang Y., Webb G.I. Proportional k-interval discretization for naive-Bayes classifiers. Proc. of the Twelfth European Conf. on Machine Learning pp. 564-575, 2001

101. Yang Y., Webb G.I. Discretization for naive-Bayes learning: Managing discretization bias and variance. Technical Report 2003/131

102. Yang Y., Webb G.I. On why discretization works for naive-Bayes classifers. Monash University, Melbourne. 2003102. Сайт ЦБ www.cbr.ru

103. Сайт PA Эксперт Ссыка на домен более не работает

104. Статистика по банкам Ссыка на домен более не работаетratings/top 1000/105. Ссыка на домен более не работаетinform/44127.html

Похожие диссертации