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

ПРИЛОЖЕНИЕ 3:

ПРИЛОЖЕНИЕ 4:

ЧАСТОТНЫЙ АНАЛИЗ ВКЛАДОВ ОТДЕЛЬНЫХ ПЕРЕМЕННЫХ

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.