Решение проблемы несбалансированности данных
|
Скачать 1.02 Mb.
|
|
Заключение В ходе работы был проанализирован предшествующий опыт моделирования банкротства кредитных организаций, отобраны банки для исследования и собраны эмпирические данные, характеризующие их деятельность, что позволило построить модель, определяющую вероятность банкротства. Таким образом, все поставленные задачи были выполнены. Результатом работы стала возможность оценки вероятности банкротства российских банков. Вероятность банкротства определялась с помощью модели, построенной на основе логистической регрессии. В модель вошли показатели ликвидности, вложений в государственные ценные бумаги, достаточности капитала и вовлеченности в операции с реальным сектором. Данные факторы оказались статистически значимыми и экономически интерпретируемыми. Основные результаты исследования состоят в том, что чем крупнее банк, выше в валюте баланса доли ликвидных активов, собственного капитала, кредитов нефинансовым организациям и ниже доля вложений в государственные ценные бумаги, тем более финансово устойчивым является банк и тем ниже вероятность его банкротства. Наибольшее влияние присуще показателям ликвидности, что соотносится с признанием ЦБ данного фактора ключевым в регулировании банковской деятельности. Стоит отметить, что в ходе исследования были выявлены показатели, которые не оказывают значимого влияния на вероятность банкротства организации. К ним относятся: показатели прибыльности (представленные рентабельностью активов), доли в валюте баланса вкладов и депозитов физических лиц, вкладов нерезидентов, также показатели риска дефолта. Выдвинутая гипотеза Н1 подтвердилась лишь частично. Снижению риска банкротства способствует увеличение доли кредитов нефинансовым организациям, в то время как доля вкладов нерезидентов и рентабельность активов не оказывают на него значимого влияния. Предсказательная способность показателей риска дефолта, описанная в гипотезе Н2, не была обнаружена. Увеличение доли резервов в общей величине кредитов, а также доли общего кредитного портфеля в активах банка не приводит к росту вероятности банкротства. Можно предположить, что в послекризисный период банки менее склонны к риску и более пристальное внимание уделяют оценке качества заемщика, вследствие чего величина сформированных резервов одинаково мала для обеих категорий банков. Кроме того, за период кризиса отложенные сверх нормы резервы значительно истощились у всех банков. В результате проведенного исследования была выявлена значимость влияния доли вложений в государственные ценные бумаги на риск банкротства, что соответствует гипотезе Н3. Данный вид вложений в большей степени увеличивает рискованность деятельности банка, нежели повышает его ликвидность, что выражается в прямом влиянии показателя на вероятность банкротства. Предположение о влиянии доли долгосрочных вложений в общем кредитном портфеле на финансовую устойчивость кредитных организаций не подтвердилось. Обнаруженные взаимосвязи не противоречат результатам, полученным в исследованиях А.М. Карминского (9,10), А.А. Пересецкого (16), Г. Ланина и Р. Веннета (27), что подтверждает их стабильность и экономическую обоснованность. В рамках данного исследования подвыборка с наиболее оптимальной структурой состояла из 30 банкротов и 60 небанкротов (33% банков-банкротов). Балансировка выборки стала хорошим инструментом повышения точности классификации банкротов. Итоговая модель позволяет в большей степени обнаруживать здоровые банки, а не случаи банкротства при их наличии, то есть модель демонстрирует высокий уровень специфичности. Сохранение классификационных возможностей на высоком уровне для тестирующей выборки говорит о возможности применения построенной модели для прогнозирования банкротства российских банков. В исследовании была проанализирована дилемма, возникающая между длительностью горизонта прогнозирования и его качеством. Подтвердилась гипотеза о том, что чем ближе дата наступления потенциального банкротства, тем более точные оценки вероятности могут быть получены. Ухудшение финансового состояния банка происходит крайне стремительно. Данный факт послужил основанием для использования максимально короткого шага при выборе оптимального срока прогнозирования. Проведенное исследование показало, что включенные в модель (на основе данных за 1 месяц до даты отзыва лицензии) факторы не теряют высокий уровень значимости при увеличении горизонта прогнозирования до 5-месяцев (а показатели ликвидности и вложений в государственные ценные бумаги и до 8 месяцев), а ее классификационная способность снижается не существенно. Балансировка выборки увеличивает период времени, в течение которого модель демонстрирует приемлемое качество классификации банкротов. Однако, при ориентации на общую точность модели прогнозирование следует осуществлять на горизонте, не превышающем 5 месяцев. Полученные результаты могут быть полезны как исследователям, занимающимся вопросами банкротства, так и менеджменту банков. С использованием всего 5 показателей, содержащихся в бухгалтерской отчетности, менеджеры могут оценить финансовое состояние своего банка и контрагентов. Построенная модель позволяет получать приемлемые результаты за 5 месяцев до наступления потенциального банкротства, что является достаточным периодом для проявления менеджментом гибкости в осуществлении управления и проведения мероприятий по оздоровлению. Простота модели и доступность входных параметров делают возможным анализ банка также и со стороны вкладчиков. Для повышения точности модели можно включить в нее помимо бухгалтерских показателей некоторые макроэкономических факторы (индекс потребительских цен, индекс реального ВВП, уровень безработицы) или данные с фондовых рынков. Повышению точности оценок может способствовать раскрытие эндогенности, заключающейся во внешних качественных характеристиках банка, не отражающих его финансовое положение. Так в финансовых показателях напрямую не учитываются уровень менеджмента, взаимоотношения с партнерами и клиентами, связи с правительственными организациями. Другим направлением улучшения результатов данного исследования может стать использование непараметрических методов оценки вероятности, которые в меньшей степени зависят от вида распределения данных. Список литературы Нормативные правовые акты:
3. Федеральный закон Российской Федерации №40-ФЗ «О несостоятельности кредитных организаций» от 25.02.1999 4. Федеральный закон Российской Федерации №115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» от 07.08.2001 5. Положение №1270-У «О публикуемой отчетности кредитных организаций и банковских/консолидированных групп» / Принято Центральным Банком Российской Федерации от 14.04.2003 6. Инструкция № 110-И «Об обязательных нормативах банков»/ Принята Центральным Банком Российской Федерации 16.01.2004 7. Письмо №72-Т «О раскрытии информации кредитными организациями по формам 0409134 и 0409135»/ Принято Банком России от 25.05.2010 Специальная литература: 8. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. – М.: ЮНИТИ, 2001 9. Головань С.А., Евдокимов А.М., Карминский А.М., Пересецкий А.А. Модели вероятности дефолта российских банков. Влияние макроэкономических факторов на устойчивость банков. - М.: РЭШ, 2004 10. Головань С.А., Карминский А.М., Копылов А.В., Пересецкий А.А. Модели вероятности дефолта российских банков. Предварительное разбиение банков на кластеры. - М.: РЭШ, 2003 11. Дробышевский С.М., Зубарев А.В. Факторы устойчивости российских банков 2007-2009. – М.: Ин-т Гайдара, 2011 12. Игнатьев С. М. Выступление Председателя Банка России С. М. Игнатьева в Государственной думе 16 сентября 2009 г. // Деньги и кредит. 10 (2009). 13. Журов В.А. Процесс разработки моделей для прогнозирования банкротства предприятий (на примере японских публичных компаний). // Финансовый менеджмент. 1(2007). 14. Карминский А.М., Костров А.В., Мурзенков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов. - М., 2012 15. Пересецкий А.А. Методы оценки вероятности дефолта банка. //Экономика и математические методы. 3 (2007). с. 37-62 16. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Препринт WP/2010/085. М.: Российская экономическая школа, 2010. 17. Тотьмянина К.М. Оценка вероятности дефолта промышленных компаний на основе финансовых показателей. // Финансовый менеджмент. 11 (2011). С. 59-68. 18. Altman, E. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.// The Journal of Finance. 4(1968). P. 589-610. 19. Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units.// European Journal of Operation Research. 2(1978). P. 429–444. 20. Clare, A., & Priestley, R. Calculating the probability of failure of the Norwegian banking sector.// Journal of Multinational Financial Management. 12(2002). 21. DeYoung, R., Roland, K.P. Product mix and earnings volatility at commercial banks: evidence from a degree of total leverage model.// Journal of Financial Intermediation. 10(2001). P. 54-84. 22. He, H. Edwardo, A. Learning from imbalanced data, IEEE Transactions on Knowledge and Data Engineering. 9 (2009). P. 1263-1284. 23. Hosmer, D., Lemeshow, S. Applied logistic regression.// John Wiley and Sons. 2000 24. Kahn, C., Papanikolaou N. What problem banks reveal about future financial distress: Evidence from the late 2000s financial crisis. 2011 25. Kolari, J., Caputo, M., & Wagner, D. Trait recognition: An alternative approach to early warning systems in commercial banking.// Journal of Business Finance and Accounting. 23(1996). P. 1415-1434. 26. Kolari J., Glennon D., Hwan Shin, Caputo M. Predicting large US commercial bank failures // Journal of Economics and Business. 54(2002). P. 361–387. 27. Lanine, G., Vennet, R. Failure prediction in the Russian bank sector with logit and trait recognition models.// Expert Systems with Applications. 30(2006). P. 463-478. 28. Louzada, F., Ferreira-Silva, P.H., Diniz, C.A.R. On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data.// Expert Systems with Application. 39 (2012). P. 8071-8078 29. Meyer, P., Pifer, H. Prediction of bank failures.// The Journal of Finance. 4(1970). P. 853-868. 30. Paola, B., Laeven, L., & Majnoni, G.// How good is the market at assessing bank fragility? A horse race between different indicators.// Journal of Banking and Finance. 26(2002). P. 1011-1028. 31. Premachandra, I.M., Bhabra, G.S., Sueyoshi, T.// DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique.// European Journal of Operational Research. 193 (2009). P. 412-424. 32. Zhao, H., Sinha, A., Ge, W.// Effects of feature construction on classification performance: An empirical study in bank failure prediction.// Expert Systems with Applications 36 (2009). P. 2633–2644 Электронные ресурсы: 33. Синельников С., Энтов Р., и др. Анализ макроэкономических и институциональных проблем финансового кризиса в России, разработка программы мер, направленных на его преодоление и осуществление финансовой стабилизации. Взаимодействие финансовых показателей и некоторых характеристик реального сектора. Институт экономики переходного периода, 2000. [Электр. ресурс]. Режим доступа: www.iet.ru. 34. Официальный сайт Центрального Банка РФ. [Электр. ресурс]. Режим доступа: www.cbr.ru 35. Информационный портал banki.ru [Электр. ресурс]. Режим доступа: www.banki.ru Приложение 1 Характеристики банков-банкротов, вошедших в выборку (тыс. руб.)
Приложение 2 Гистограммы распределений Доля кредитов нефинансовым организациям:  Доля собственного капитала:  Д  оля вложения в государственные ценные бумаги: Логарифм валюты баланса:  Доля ликвидных активов:  Приложение 3 Диаграммы изменения доли банкротов Доля собственного капитала:   Доля кредитов нефинансовым орагнизациям:   Доля ликвидных активов:   Логарифм валюты баланса:   Приложение 4 Основные этапы используемой программы (для R) subsample_bank1=m8[1:30,] subsample_non_bank1=m8[30:210,] index=1:180 subsample_non_bank1[sample(index,60,TRUE),] for(i in 1:150){ # генерирование выборки current_sample1=rbind(subsample_bank1,subsample_non_bank1[sample(index,60,TRUE),]) models=glm(as.vector(current_sample1[,1])~as.vector(current_sample1[,2])+ as.vector(current_sample1[,5])+ as.vector(current_sample1[,6])+ as.vector(current_sample1[,7])+ as.vector(current_sample1[,9])) yhat1=models$fitted.values for (j in 1:100){ c[j]=0.01*j y_pred1=as.vector(yhat1)>c[j] bankr_hat1 = sum(y_pred1[1:30]) non_bank_hat1 = sum(y_pred1[30:90]) #итоги error11[j]=non_bank_hat1/60*100 error22[j]=(29-bankr_hat1)/30*100 right1[j]=100-(60*error11[j]+30*error22[j])/90 r=as.vector(right1) WE[j]=bankr_hat1*bankr_hat1*right1[j]/((bankr_hat1+non_bank_hat1)*30) r_WE=as.vector(WE) plot(density(rights1)) min(rights1) median(rights1) median (errors22) median (errors11) # Оптимальная пороговая вероятность s[i]=which.max(r)/100 s_WE[i]=which.max(r_WE)/100} k=as.vector(s) median(k) k_WE=as.vector(s_WE) median(k_WE) # ROC-анализ hr[j]=bankr_hat1/30 far[j]=non_bank_hat1/60} lines(far, hr, col="blue") #Оценка коэффициентов, проверка на значимость, графики распределения prob1_cap=as.vector(summary(models)$coefficients[2,4]) signif_cap=as.vector(prob1_cap)<0.15 left1=median(coeff_1)-(qnorm(0.95)*sd(coeff_1)/sqrt(150)) right1=median(coeff_1)+(qnorm(0.95)*sd(coeff_1)/sqrt(150)) median(coeff_1) mean(coeff_1) Приложение 5 Г  рафик плотности распределения коэффициента общей точности итоговой модели Приложение 6 Г  рафики распределения коэффициентов итоговой модели     Приложение 7 Значения предельных эффектов параметров на различных горизонтах прогнозирования (2, 5 и 8 месяцев)      |
Похожие:
 |
1. Политика как общественное явление Политика это такая область деятельности... Решение этих проблем осуществляется при помощи политических институтов, в совокупности представляющих собой определенное государственное... |
|
Решение проблемы возврата торговыми организациями хлеба и хлебобулочных... Решение проблемы возврата торговыми организациями хлеба и хлебобулочных изделий поставщикам имеет важнейшее государственное и народнохозяйственное... |
 |
Диссертация На тему «Формы визуализации данных на сайтах российских... На тему «Формы визуализации данных на сайтах российских информационных агентств: проблемы и перспективы» |
|
3. решение проблемы Комплект переходников и шлангов для жидкостного способа очистки |
|
3. решение проблемы Комплект переходников и шлангов для жидкостного способа очистки |
|
Рекомендации по действиям заказчиков, направленным на решение проблемы,... Рекомендации по действиям заказчиков, направленным на решение проблемы, связанной с неправильной публикацией в планах-графиках сведений... |
|
Решение проблемы альтернативного школьного питания для детей-аллергиков... |
|
Решение проблемы Калининградской области 12 Государственная поддержка регионов в предупреждении и ликвидации чрезвычайных ситуаций 44 |
|
Рекомендации по действиям заказчиков, направленным на решение проблемы,... |
|
Решение задачи поиска данных Обозначения и сокращения |
|
Решение проблемы Из всех систем современных автомобилей наиболее чувствительной к разного рода загрязнениям является топливная система автомобиля |
|
2 декабря 2015 05: 31 риа новости Москва Тасс интервью: Сергей Аксенов: за эффективное решение энергетической проблемы готов уступить свое кресло |
|
Инструкция к программному обеспечению NewlyDraw Компания «юсто» +7 (812) Если в устройстве найдены неисправности, пожалуйста, свяжитесь с уполномоченным представителем за оперативным решение проблемы |
|
I. Научно-методическое и практическое решение задач проблемы школы 2016/17 учебного года Публичный отчет директора мбоу «Школа коррекции и развития VIII вида №37» г. Брянска |
|
2. Решение Судебной Палаты по информационным спорам РФ о равноправии женщин. 209 Консорциум женских неправительственных объединений. Проблемы правовой защиты женщин от дискриминации в сфере труда и занятости |
|
Решение продовольственной проблемы в Российской Федерации, в частности... «Надзор в области обеспечения качества и безопасности зерна и продуктов его переработки» |