Банковское дело / Доходы и расходы / Лизинг / Финансовая статистика / Финансовый анализ / Финансовый менеджмент / Финансы / Финансы и кредит / Финансы предприятий / Шпаргалки Главная
Финансы
Финансы
| Д.Э. БЭСТЕНС, В.М. ВАН ДЕН БЕРГ, Д. ВУД. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - Москва: ТВП,1997. - хх, 236 с., 1997 | |
МОДЕЛИ ПРЕДСКАЗАНИЯ БАНКРОТСТВ |
|
|
Грэдди и Спенсер [128] предложили выделить в кредитном риске 5 составляющих: Желание клиента погасить долг, Способность выплатить долг, Чистый капитал компании, Залог, Чувствительность к изменениям положения в экономике. Коль скоро кредитный риск определяется и качественными, и ко-личественными факторами, в модели оценки риска следует учесть и те, и другие. При этом в отношении качественных показателей возникает вопрос об их объективности и о возможности их измерения. Из-за того, что обычно используемые в таких задачах статистические модели (MDA, логистическая регрессия) не приспособлены для работы с данными качественного характера, последние вынужденно выпадают из формальной процедуры метода. Таким образом, почти все модели анализа кредитов строятся на количественном подходе, хотя какие-то элементы качественного анализа также могут присут-ствовать. Модели, дающие лточное решение, получаются довольно невразумительными, дилетантскими и не способными определить, в какой степени качественные составляющие действительно влияют на результат. Поэтому с их помощью очень трудно оценить решения, принимаемые специалистами в этой области. При использовании количественных моделей исходят из того, что шансы компании на выживание можно оценить, отслеживая, как ме-няются со временем соотношения между различными финансовыми показателями. Обсудим вкратце два наиболее известных метода такого родаЧ множественный линейный дискриминантный анализ (MDA = Multiple Discriminant Analysis) и регрессию. MDA - это статистический метод изучения различий между двумя или более группами объектов по совокупности нескольких финансовых показателей. Объекты (в данном случае компании, обратившиеся с просьбами о предоставлении займа) разбиваются на не-сколько попарно непересекающихся групп на основании ряда показателей, характеризующих надежность и успешность их работы. Основные предположения здесь состоят в том, что имеется два или более возможных исходов и что описывающие модель переменные распределены в своем интервале изменения в соответствии с многомерным нормальным распределением. Прогнозирование банкротств с помощью MDA-моделей было популярно в Великобритании и США в 70-е годы (см. [12], [257]). Затем выяснилось, что наборы определяющих переменных у разных моделей сильно различаются, и MDA-методы отчасти потеряли свою привлекательность. Оптимальной процедуры выбора совокупности переменных не существует, однако некоторые исследователи с помощью факторного анализа уменьшают размерность задачи, оставляя только те переменные, которые сильно коррелируют с конечным результатом (см. [180], [11]). Варне [29] связывает чрезмерное многообразие описательных переменных с тем фактом, что процедура отбора переменных теоретически не согласуется с моделями, основанными на статистических критериях согласия. Более того, остается открытым вопрос о том, можно ли пользоваться многомерным нормальным распределением применительно к финансовым показателям, которые в действительности распределены не нормально (ср. [155], [226]). Другой подход к выявлению возможйости банкротства основан на регрессионном анализе. В отличие от MDA, линейные вероятностные модели (LPM = Linear Probability Models) и логистическая регрессия (logit) предполагают причинную связь, идущую от экзогенно оп-ределяемых переменных и случайных ошибок к зависимой бинарной переменной. К сожалению, четких правил для оценки LPM-MO- делей нет. Особенно неприятно то, что линейно регрессионные варианты LPM-моделей могут выдавать отрицательные или превышающие единицу оценочные значения для вероятностей. Модели probit и logit (соответственно, со стандартной нормальной и логистической функцией преобразования) в этом смысле лучше, потому что преобразование является монотонным, его выходные значения ограничены нулем и единицей и стремятся к нулю и единице на хвостах распределения. Все это согласуется с точкой зрения, что никакое событие, даже если речь идет о далеких выбросах, не может быть предсказано с абсолютной уверенностью, т.е. с вероятностью нуль или единица. Гильберт, Менон и Шварц [125] приводят типичный пример logit-регрессии: Pr(y) = l/[l + exp{-(a + pX)w}], (1) где Рг(У) Чвероятность банкротства; XЧмножество независимых переменных; a, р - коэффициенты, которые требуется оценить. Так как Y принимает значения от 0 до 1, их обычно интерпретируют как вероятность принадлежности результата к данному классу. Сравнивая logit-методы с MDA, Коллинз и Грин [73] утверждают, что, хотя logit-методы дают меньшую ошибку 1-го рода, в целом точность классификации у них ненамного лучше. Учитывая все это, мы выбрали метод MDA в качестве точки отсчета для оценки качества результатов, которые выдает сеть. Арженти [15] первым отметил важность качественных показателей в вопросе о банкротстве корпораций и выделил 12 переменных, из которых 8 являются причинными факторами, а остальные 4 - симптомами банкротства. Наиболее важными причинными факторами являются плохое управление (авторитарный стиль) и некачест-венная система информации, тогда как ухудшение финансовых показателей и подтасовка отчетности - симптомы ухудшения положения. Джордж [121] предложил аналитическую схему, включающую два нефинансовых показателя: компетентность управления и стратегическое положение. Прогнозов автор не делал, но он предполагает, что качественный анализ факторов делового риска может дополнять количественный анализ. Кизи и Уотсон [158] проверили гипотезу Арженти на реальных данных. Среди 18 переменных их модели были как переменные типа ДА-НЕТ, так и непрерывно меняющиеся переменные (средний интервал между аудиторскими проверками в по-следние 3 года, число членов в совете директоров в настоящий момент и др.). На материале данных о двух группах предприятий (обанкротившихся и сохранившихся) одномерный анализ выявил значительные различия в значениях переменных внутри групп. Что особенно важно, качество классификации логистической регрессионной модели заметно улучшилось после включения в нее нефинансовых переменных Арженти. Все это говорит о том, что такие сравнения нейронно-сетевых и MDA-моделей полезны, так как мы получаем возможность сопоставить новый, более устойчивый метод с известной моделью, в которой приняты априорные предположения о переменных. В этой связи отметим применения нейронных сетей к задачам выявления возможных нарушителей налогового законодательства (см. [163]), банкротств промышленных корпораций (см. [223]) и банкротств финансовых корпораций (см. [259]). Другие приложения можно найти у Триппи и Турбана [266]. При этом во всех случаях в качестве входных данных использовались только стандартные (полученные по методу Альтмана) числовые переменные. Поскольку эти финансовые показатели отражают, скорее, прошлое состояние, мы вместо этого предпочитаем использовать качественные переменные, которые, как нам представляется, несут в себе информацию о будущем. |
|
| << Предыдушая | Следующая >> |
| = К содержанию = | |
Похожие документы: "МОДЕЛИ ПРЕДСКАЗАНИЯ БАНКРОТСТВ" |
|
|