ПРИЛОЖЕНИЕ 2:
АНАЛИЗ ГЛАВНЫХ КОМПОНЕНТ:
ВЕСА КОМПОНЕНТ
Измерение Собственное Смысл значение
2 3 4 5
.1766 .1136 .0989 .0958 .0764
макроэкономическая чувствительность биография управляющего рост объема продаж отрасль промышленности ликвидность
Переменная | Измерение | | | | |
| | | | | |
INDUSTRY | -.280 | -.300 | .301 | -.665 | .048 |
MARKPOT | .394 | .176 | .481 | .170 V | -.021 |
POSMARK | -.308 | .244 | -.546 | -.164 | -.320 |
EXPORT | -.888 | .052 | -.126 | .306 | .055 |
PREMISES | .103 | -.092 | .327 | .366 | -.537 |
AGECOMP | .316 | .122 | -.204 | -.198 | -.016 |
OWNERSH | -.419 | -.509 | .118 | -.507 | .074 |
RELATION | -.127 | -.158 | -.244 | -.225 | -.513 |
CENTRDEC | .239 | -.115 | .378 | -.192 | -.484 |
FIEXIB | .101 | -.047 | .555 | .181 | -.009 |
NOEMPLOY | .044 | .544 | -.198 | .594 | -.051 |
AGEMAN | -.299 | .801 | .098 | -.331 | .059 |
EXPBUSIN | -.058 | .856 | .109 | -.307 V | .063 |
EXPFIELD | -.256 | .669 | .176 | -.482 | .096 |
RELIAB | .301 | .064 | -.484 | -.106 -y | -.340 |
SENSEXCH | -.931 | -.014 | -.036 | .170 | -.115 |
SENSINFL | -.931 | -.059 | -.018 | .147 | .020 |
SENSCUST | -.798 | -.009 | .136 | .301 | -.093 |
SENSDIRT | .076 | .450 | .239 | -.202 | -.493 |
SENSINDT | .190 | .211 | .052 | .539 | -.067 |
ENVIRONM | -.300 | -.197 | .434 | -.166 | -.217 |
NMARGIN | -.450 | .103 | .009 | .083 | -.367 |
DEBTSERV | -.169 | .058 | .399 | .106 | .124 |
QUICK | .084 | .118 | .281 | .104 | .568 |
SALESGR | .186 | -.073 | -.604 | -.127 | .048 |
RECEIVAB | -.281 | -.025 | -.255 | -.051 | .400 |
ПРИЛОЖЕНИЕ 3:
МАТРИЦА ВЕСОВ ДЛЯ 26-0-1 СЕТИ | |
Порог | 3.596 | | |
| 0.910 | | -0.085 "7 |
| : 0.230 | | -0.092 |
| | | -0.107 |
| 0.098 | | -0.120 |
| . , 0.056 | | , -0.125 |
| 0.037 | . D4 | /i, -0.140 |
| 0.006 | | -0.170 |
| -0.010 | | -0.190 |
> ВЗ | 1" -0.030 | | -0.230 |
:, В4 | - -0.041 f | | . -0.240 |
| >; -0.041 V | | -0.300 |
" сз | -0.042 | | -0.310 |
•V • - 1 | -0.080 . | | .... -0.390 |
| | ! 4 V | |
а,! С | , 4 . , . \;. | - • | |
| | if:. d | |
| | | |
ПРИЛОЖЕНИЕ 4:
ЧАСТОТНЫЙ АНАЛИЗ ВКЛАДОВ ОТДЕЛЬНЫХ ПЕРЕМЕННЫХ
| | <0.5 | 0.5<0.75 | 0.75<1.25 | 1.25<2 | >2 |
| INDUSTRY | | | | | |
| MARKPOT | | | | | |
| POSMARK | | | | | |
| EXPORT | | | | | |
| PREMISES | | | | | |
| AGECOMP | | | | | |
| OWNERSH | | | | | |
| RELATION | | | | | |
| CENTRDEC | | | | | |
| FIEXIB | | | | | |
| NOEMPLOY | | | | | |
| AGEMAN | | | | | |
| EXPBUSIN | | | | | |
| EXPFIELD | | | | | |
| RELLA.B | | | | | |
| SENSEXCH | | | | | |
| SENSINFL | | | | | |
| SENSCUST | | | | | |
| SENSDIRT | | | | | |
| SENSINDT | | | | | |
| ENVIRONM | | | | | |
| NMARGIN | | | | | |
| DEBTSERV | | | | | |
| QUICK | | | | | |
| SALESGR | | | | | |
| RECEIVAB | | | | | |
Прогнозирование банкротства корпораций
в предыдущей главе были изложены результаты классификации «ех ante» (т.е. наперед) в задаче оценки привлекательности фирм с точки зрения размещения кредитов, которую выполняли несколько польских специалистов в области кредитного дела на материале гипотетических заявок на предоставление кредита; также были рассмотрены результаты классификации «ех post» (т.е. задним числом) на материале реального инвестиционного портфеля Голландского инвестиционного банка. В обеих задачах имеющихся данных было недостаточно для того, чтобы проанализировать цену ошибок классификации. В этой главе мы займемся оценкой ошибок классификации 1-го и 2-го родов в задаче прогнозирования банкротства корпораций и исследуем возможные результаты применения нейронных сетей. Материалом для конкретной задачи послужат данные по ряду британских компаний - производителей комплектующих для автомобилей. В основе конструкции сети лежат семь входных моделей, использующих показатели, которые входят в так называемое дзета Альтмана.
ВОЗМОЖНОСТИ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА КОРПОРАЦИЙ
Во многих реальных задачах основной трудностью оказывается то, что нейронная сеть не может достаточно ясно показать причинно-следственные связи и выдает какое-то решение по принципу черного ящика. При этом в финансовом анализе для оценки состояния дел предприятий уже давно используются специально подобранные комбинаций различных показателей, а качество модели оценивается с помощью критериев согласия без учета структуры модели. По существу, все сводится к выбору показателя (или комбинации показателей), соответствующего решающему правилу, которое позволяет включить (или не включать) данное предприятие в ту или иную группу (жизнеспособные, быстро растущие, высокоприбыльные).
В принципе, данные по компаниям могут служить основой для нейронных сетей- очевидно, что здесь задействованы процессы.
близкие к случайному блужданию. Это не покажется удивительным, если посмотреть, как компании почти ежедневно взаимодействуют с рынком, конкурентами и постоянно меняющимися условиями работы, а также если учесть, что компания, способная сделать удачный прогноз на основе опережающей информации, имеет на финансовом рынке высокую ликвидность своих акций и большие возможности для усиления своих позиций.
При имеющемся уровне сложности и одновременности происходящих процессов модели, основанные на причинных связях, имеют ограниченные возможности для применения: вновь происходящие события постоянно меняют спецификации всех переменньгх (и включенных, и не включенных в модель), а значения априорных вероятностей и размеров выплат по различным стратегиям весьма неопределенны и резко меняются вместе с изменениями показателей экономического роста, процентных ставок, обменньгх курсов и прибыльностью сделок, не связанных с кредитованием (например, при изменении операционных и комиссионных сборов).
Традиционный подход к прогнозированию банкротств основан на множественном дискриминантном анализе (см. [7], [10], [12], [32], [33]). Методы такого типа используются в широко распространенных системах определения рейтинга кредитоспособности, где ищется гиперплоскость, наилучшим образом разделяющая «хороших» и «плохих» кандидатов. Хотя к настоящему времени разработано множество дискриминантных моделей, используется (в частности, в управлении кредитами) лишь небольшое число из них. В ряде случаев банки приходят к выводу, что методы MDA не дают ожидаемого улучшения точности по сравнению с традиционными методами.
Оценить качество моделей этого типа непросто, поскольку даже если погрешность вычисляется на материале новьгх наблюдений, данные по обанкротившимся компаниям (так же, как и по их выжившим партнерам) приходятся большей частью на периоды интенсивных банкротств, и количество наблюдений, соответствующих выжившим компаниям, как правило, очень мало и дает лишь поверхностное представление о пересечении множеств банкротов и небанкротов. Поэтому надежность моделей MDA в реальном времени остается под вопросом. В принципе, нейронные модели справляются с некоторыми из этих трудностей, потому что для обучения могут быть взяты данные, охватывающие периоды с различной ситуацией в экономике и степенью интенсивности банкротств, и обанкротившиеся и выжившие компании могут быть представлены в обучающем множестве в пропорции, соответствующей реальной вероятности того и другого. К тому же сеть может учитывать большое количество разнотипных переменных и обучаться на них на всех, тогда
как данные для множественного дискриминантного анализа редко включают в себя экономические и финансовые индикаторы.
ОЦЕНКА КАЧЕСТВА МОДЕЛИ
Оценка качества моделей классификации представляет собой сложную задачу, потому что в большинстве реальных приложений цена ошибок неодинакова. Так например, отказ в кредите хорошему клиенту влечет за собой лишь организационные расходы на поиск нового клиента, тогда как предоставление кредита ненадежному партнеру может привести к большим убыткам. Из-за этой несимметрии денежньгх потоков при определении степени точности модели необходимо учитывать последствия того или иного прогноза. Качество прогнозирования банкротств определяется и тем, насколько точно выявляются банкроты, и тем, насколько точно классифицируются небанкроты. Необнаружение компании-банкрота называется ошибкой 1-го рода, а прогноз банкротства, которого на самом деле не последовало, - ошибкой 2-го рода.
Из-за несимметрии цены ошибки становится чрезвычайно трудно найти компромисс между ошибками 1-го и 2-го родов. Говоря иначе, трудно ответить на вопрос, которая из двух моделей лучше: та, которая правильно идентифицирует 90% банкротств и на одну правильную классификацию дает 10 ошибок 2-го рода, или та, которая идентифицирует 80% банкротств, но дает только 8 ошибок 2-го рода на одггу классификацию.
Как можно видеть из рис. 9.1, точки X и У, показывающие качество прогнозов, соответственно, для моделей х и у, не дают возможности однозначно сказать, какая модель лучше. Если снизить требования к точности прогнозирования банкротства, то может оказаться, что модель X, по-прежнему, будет давать большее число ошибок 2-го рода и, тем самым, будет уступать модели у в таких приложениях, где ошибки 2-го рода относительно дороги по отношению к ошибкам 1-го рода.
Из сказанного следует, что качество модели прогнозирования банкротств можно оценить только при условии, что заранее заданы цена ошибок и вероятность банкротства/выживания. Если, например, нам известно, что цена одного не предсказанного вовремя банкротства равна цене пяти ложных тревог, и что потерпит банкротство один процент компаний, то мы можем оценить модели:
Цена ошибки модели х: 1% х {5 х (10%) -ЫО х (1 - 10%)} = 0.095,
Цена ошибки модели/: 1% х (5 х (20%) + 8 х (1 - 20%)} = 0.074.
Модель X уступает модели у, которая пропускает 20% банкротов, но имеет более низкий показатель ошибок 2-го рода.