Анализ финансового состояния и прогнозирование риска банкротства банков

Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для исследования были выбраны финансовые показатели 170 банков Украины, из которых 120 банков составляли обучающую выборку, а 50 банков — проверочную. Использованы дан...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2015
Автори:	Ови Нафас Агаи аг Гамиш, Зайченко, Ю.П., Войтенко, О.C.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2015
Назва видання:	Системні дослідження та інформаційні технології
Теми:	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/116054
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Анализ финансового состояния и прогнозирование риска банкротства банков / Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.C. Войтенко // Системні дослідження та інформаційні технології. — 2015. — № 2. — С. 59-74 . — Бібліогр.: 4 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-116054
record_format	dspace
spelling	irk-123456789-1160542017-04-19T03:02:26Z Анализ финансового состояния и прогнозирование риска банкротства банков Ови Нафас Агаи аг Гамиш Зайченко, Ю.П. Войтенко, О.C. Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для исследования были выбраны финансовые показатели 170 банков Украины, из которых 120 банков составляли обучающую выборку, а 50 банков — проверочную. Использованы данные за год и два года до кризиса банковской системы 2008-2009 гг. Учитывая недостоверность ряда исходных данных по финансовым показателям для решения данной проблемы предложено использовать нечеткие методы: нечеткие нейронные сети ANFIS и TSK, а также нечеткий МГУА. Проведены экспериментальные исследования предложенных методов, выполнена оценка их эффективности и проведен сравнительнсй анализ с классическими четкими методами оценки риска банкротства. В результате экспериментов установлено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей выборке не оказывает значительного влияния на результаты прогнозирования. При сравнении нечетких методов было установлено, что нечеткие нейронные сети дают лучшие результаты при использовании данных за год до прогноза, то есть при краткосрочном прогнозировании, а нечеткий МГУА дает лучшие результаты при использовании данных за год до прогноза, то есть при долгосрочном прогнозировании на два и более лет. Розглянуто проблему аналізу фінансового стану й прогнозування ризику банкрутства банків на прикладі банківської системи України. Для дослідження було обрано фінансові показники 170 банків України, з яких 120 банків становили навчальну вибірку, а 50 банків — перевірочну. Використано дані за рік та два роки до кризи банківської системи 2008–2009 рр. Враховуючи недостовірність низки вихідних даних за фінансовими показниками для розв’язку цієї проблеми запропоновано використовувати нечіткі методи: нечіткі нейронні мережі ANFIS та TSK, а також нечіткий МГУА. Проведено експериментальні дослідження запропонованих методів, виконано оцінку їх ефективності й проведено порівняльний аналіз із класичними чіткими методами оцінки ризику банкрутства. У результаті експериментів встановлено, що серед нейронних мереж мережа TSK дає більш точні результати, ніж мережа ANFIS. Зміна кількості правил у навчальній вибірці не виявляє значного впливу на результати прогнозування. Порівнюючи нечіткі методи було встановлено, що нечіткі нейронні мережі дають кращі результати при використанні за рік до прогнозу, тобто при короткостроковому прогнозуванні, а нечіткий МГУА дає кращі результаті при використанні даних за два і більше років до прогнозу, тобто при довгостроковому прогнозуванні на два й більш років. The problem of banks financial state analysis and bankruptcy risk forecasting is considered. In this study, financial indices of 170 Ukrainian banks were chosen, the training sample included 120 banks, and the test sample included 50 banks. Financial indices were taken one and two years before the 2008-2009 crisis of the bank system in Ukraine. Taking into account the uncertainty of the input data, the following fuzzy methods for solving this problem are suggested: fuzzy neural networks (FNN) ANFIS, TSK and fuzzy GMDH. The experimental investigations of the suggested methods were performed and their efficiency was estimated for the bank system of Ukraine. The comparative analysis of the suggested fuzzy methods with conventional classical methods was performed. The results of experiments showed that FNN TSK gave a better forecast than ANFIS. Also, the increase in the number of rules in FNN does not improve the forecasting accuracy. While comparing different fuzzy methods, it was found that FNN TSK gives a more accurate forecast at the short-term forecast (one year), while fuzzy GMDH gives a better forecast at the middle and long-term intervals (two and more years). In a whole, the fuzzy methods give a better forecast than classical methods in the problem of Ukrainian banks bankruptcy risk forecasting. The most essential financial indices for bankruptcy risk forecasting were determined. 2015 Article Анализ финансового состояния и прогнозирование риска банкротства банков / Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.C. Войтенко // Системні дослідження та інформаційні технології. — 2015. — № 2. — С. 59-74 . — Бібліогр.: 4 назв. — рос. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/116054 519.8 ru Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
spellingShingle	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах Ови Нафас Агаи аг Гамиш Зайченко, Ю.П. Войтенко, О.C. Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології
description	Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для исследования были выбраны финансовые показатели 170 банков Украины, из которых 120 банков составляли обучающую выборку, а 50 банков — проверочную. Использованы данные за год и два года до кризиса банковской системы 2008-2009 гг. Учитывая недостоверность ряда исходных данных по финансовым показателям для решения данной проблемы предложено использовать нечеткие методы: нечеткие нейронные сети ANFIS и TSK, а также нечеткий МГУА. Проведены экспериментальные исследования предложенных методов, выполнена оценка их эффективности и проведен сравнительнсй анализ с классическими четкими методами оценки риска банкротства. В результате экспериментов установлено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей выборке не оказывает значительного влияния на результаты прогнозирования. При сравнении нечетких методов было установлено, что нечеткие нейронные сети дают лучшие результаты при использовании данных за год до прогноза, то есть при краткосрочном прогнозировании, а нечеткий МГУА дает лучшие результаты при использовании данных за год до прогноза, то есть при долгосрочном прогнозировании на два и более лет.
format	Article
author	Ови Нафас Агаи аг Гамиш Зайченко, Ю.П. Войтенко, О.C.
author_facet	Ови Нафас Агаи аг Гамиш Зайченко, Ю.П. Войтенко, О.C.
author_sort	Ови Нафас Агаи аг Гамиш
title	Анализ финансового состояния и прогнозирование риска банкротства банков
title_short	Анализ финансового состояния и прогнозирование риска банкротства банков
title_full	Анализ финансового состояния и прогнозирование риска банкротства банков
title_fullStr	Анализ финансового состояния и прогнозирование риска банкротства банков
title_full_unstemmed	Анализ финансового состояния и прогнозирование риска банкротства банков
title_sort	анализ финансового состояния и прогнозирование риска банкротства банков
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2015
topic_facet	Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
url	http://dspace.nbuv.gov.ua/handle/123456789/116054
citation_txt	Анализ финансового состояния и прогнозирование риска банкротства банков / Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.C. Войтенко // Системні дослідження та інформаційні технології. — 2015. — № 2. — С. 59-74 . — Бібліогр.: 4 назв. — рос.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT ovinafasagaiaggamiš analizfinansovogosostoâniâiprognozirovanieriskabankrotstvabankov AT zajčenkoûp analizfinansovogosostoâniâiprognozirovanieriskabankrotstvabankov AT vojtenkooc analizfinansovogosostoâniâiprognozirovanieriskabankrotstvabankov
first_indexed	2025-07-08T09:47:49Z
last_indexed	2025-07-08T09:47:49Z
_version_	1837071670934765568
fulltext	 Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко, 2015 Системні дослідження та інформаційні технології, 2015, № 2 59 УДК 519.8 АНАЛИЗ ФИНАНСОВОГО СОСТОЯНИЯ И ПРОГНОЗИРОВАНИЕ РИСКА БАНКРОТСТВА БАНКОВ ОВИ НАФАС АГАИ АГ ГАМИШ, Ю.П. ЗАЙЧЕНКО, О.С. ВОЙТЕНКО Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для ис- следования были выбраны финансовые показатели 170 банков Украины, из ко- торых 120 банков составляли обучающую выборку, а 50 банков — провероч- ную. Использованы данные за год и два года до кризиса банковской системы 2008-2009 гг. Учитывая недостоверность ряда исходных данных по финансо- вым показателям для решения данной проблемы предложено использовать не- четкие методы: нечеткие нейронные сети ANFIS и TSK, а также нечеткий МГУА. Проведены экспериментальные исследования предложенных методов, выполнена оценка их эффективности и проведен сравнительнсй анализ с классическими четкими методами оценки риска банкротства. В результате экспериментов установлено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучаю- щей выборке не оказывает значительного влияния на результаты прогнозирова- ния. При сравнении нечетких методов было установлено, что нечеткие ней- ронные сети дают лучшие результаты при использовании данных за год до прогноза, то есть при краткосрочном прогнозировании, а нечеткий МГУА дает лучшие результаты при использовании данных за год до прогноза, то есть при долгосрочном прогнозировании на два и более лет. ВВЕДЕНИЕ В современной экономике проблема оценки финансового состояния и про- гнозирование банкротства банков играет исключительно важную роль. По- скольку банковская система является фундаментом эффективно развиваю- щейся экономики, своевременное определение риска банкротства банков является исключительно важным. Своевременное выявление признаков над- вигающегося банкротства банка позволяет топ-менеджерам принять сроч- ные меры по исправлению финансового состояния и недопущению банкрот- ства. На данный момент существует множество методик определения рейтинга банков (Кромонова, WebMoney, CAMEL, методика агентства Moody’s S&P и др.) [1–2]. Однако общим их недостатком является то, что они работают с полными и достоверными данными и потому не всегда дают правильные результаты, а порой использование разных методик приводит к противоречивым результатам. Особенно это актуально для банков Украи- ны, где зачастую коммерческие банки предоставляют заведомо недостовер- ную информацию о своих финансовых показателях. В связи с вышеуказанным, актуальным является разработка новых ме- тодов прогнозирования банкротства банков в условиях неопределенности и неполноты исходной информации. Цель работы — исследование методов и методик анализа финансового состояния и прогнозирование риска банкротства банков на примере Украи- ны с помощью классических и нечетких методов и сравнительный анализ их эффективности. Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 60 ФИНАНСОВЫЕ ПОКАЗАТЕЛИ СОСТОЯНИЯ БАНКОВ Как известно, 2008 г. стал переломным в развитии банковской системы Ук- раины. Если первые три квартала были периодом стремительного роста и экспансии, то четвертый квартал — время обвала финансовой сферы. До начала кризиса банковская система Украины развивалась ускоренными тем- пами. Количество действующих банков достигло 184. Начиная с сентября 2008 г. в Украине началось ухудшение макроэкономической ситуации, в результате пошатнулось доверие к банковской системе страны, начался процесс оттока депозитов из банков. Ряд банков оказались перед угрозой дефолта. Для исследования были использованы данные квартальной финансовой отчетности банков, взятые на сайте Национального банка Украины [1]. В частности, для анализа были использованы показатели 170 украинских банков в период с 01.01.2008 г. по 01.07.2009 г. Как почти за два года до на- чала периода ухудшения финансового состояния значительного количества украинских банков¸так и прямо непосредственно перед началом этого пе- риода. Ключевой вопрос — какие именно показатели финансовой отчетности украинских банков необходимо применять в качестве входных данных для моделей, чтобы достичь максимальной эффективности прогнозирования. Для анализа были взяты такие показатели отчетности украинских банков: общие активы; размер уставного капитала; денежные средства и их эквиваленты; средства физических лиц; средства юридических лиц; общие обязательства; чистая прибыль/(убыток) банка. Были использованы такие коэффициенты бухгалтерской отчетности банков. Коэффициент надежности. Соотношение собственного капитала (К) к привлеченным средствам ( cП ). Уровень зависимости банка от привлечен- ных средств . c н П K K  Коэффициент финансового рычага. Соотношение обязательств банка (О) и капитала (К), раскрывает способность банка привлекать средства на финансовом рынке .фр       K O K Коэффициент участия собственного капитала в формировании акти- вов — достаточность капитала. Раскрывает достаточность сформированного собственного капитала (К) в активизации и покрытии различных рисков . общ УК          A K K Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 61 Коэффициент защищенности собственного капитала. Соотношение капитализированных активов )( кA и собственного капитала (К) показывает, какую часть капитала вложено в недвижимость (имущество) . К к ЗК       A K Коэффициент защищенности доходных активов. Сигнализирует о защите доходных активов (чувствительные к изменению процентных ста- вок) мобильным собственным капиталом           Д БД ЗДА А УНАК К , где ДНА — недоходные активы; ДА — доходные активы; БУ — убытки. Коэффициент мультипликатора капитала. Степень покрытия акти- вов (А) (акционерным) капиталом )( aK . а МК        К А К Коэффициент активности привлечения заемных и привлеченных средств. Удельный вес привлеченных средств )( сП в общих пассивах ( общП ) . общ с ПК          П П К Коэффициент активности привлечения межбанковских кредитов. Удельный вес полученных межбанковских кредитов (МБК) в общих пасси- вах ( общП ) . общ ПМБК          П МБК К Коэффициент активности привлечения срочных депозитов. Удель- ный вес срочных депозитов )( срД в общих пассивах )( общП . общ ср зсд          П Д К Коэффициент активности использования привлеченных средств в доходных активах. Соотношение доходных активов )( аД и привлечен- ных средств )( сП . с а апс        П Д К Коэффициент активности использования привлеченных средств в кредитном портфеле. Удельный вес кредитного портфеля (КП) в привле- ченных средствах )( сП . с ПСКП        П КП К Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 62 Коэффициент доходных активов. Удельный вес доходных активов )( дA в общих активах )( общA . общ д да A A K  Коэффициент кредитной активности инвестиций в кредитном портфеле. Удельный вес кредитного портфеля (КП) в общих активах )( общA . общ ка A КП K  Коэффициент мгновенной ликвидности. Показывает возможность банка погасить «живыми» деньгами с корсчетов и кассы обязательства по всем депозитам (Д)         Д КК К акп мл . Коэффициент общей ликвидности обязательств банка. Характери- зует максимальную возможность банка в погашении обязательств )( общО всеми активами )( общA . общ общ ол          О А К Коэффициент отношения высоколиквидных активов рабочих ак- тивах. Характеризует удельный вес высоколиквидных активов )( влА в ра- бочих активах )( рА . р вл овл          А А К Коэффициент ресурсной ликвидности обязательств. Характеризует обеспечение доходными активами банка ( дA ) его общих обязательств )( общО и сообщает о частичном погашении обязательств банка возвратами доходных активов          общ д рл О А К . Коэффициент ликвидного соотношения выданных кредитов и при- влеченных депозитов (для определения несбалансированной ликвидности) Раскрывает, насколько выданные кредиты (КР) обеспечены всем привле- ченным депозитам (Д) (есть несбалансированная ликвидность) .скпд        Д КР К Коэффициент генеральной ликвидности обязательств. Раскрывает способность банка погасить обязательства )( общО высоколиквидными акти- вами )( влА и через продажу имущества )( иА . общ ивл гло           O АА К Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 63 Общий уровень рентабельности. Размер балансовой прибыли )( бП на 1 грн дохода )( оД . о б 1 Д П К  Окупаемость затрат доходами. Размер дохода )( оД на 1 грн расхо- дов )( оB . о о 2 В Д К  Чистая процентная маржа. Раскрывает уровень доходности активов процентной разницы .100 активыобщиеСредние издержки Процентные доход Процентный 3  К Чистый спрэд. Раскрывает уровень доходности активов от процентных операций .100 депозиты ныеПодпроцент уплаченные Проценты 100 еныпредоставл Займ полученные Проценты 4                          К «Мертвая точка» доходности банка. Показывает минимальную до- ходную маржу для покрытия всех расходов, после чего банк начинает зара- батывать прибыль, где нА — активы в недвижимости . нобщ нн 5 AA ДЗ К    Производительность труда. Уровень дохода )( оД на одного средне- годового работника (СР — среднегодовое число работников) .о 6 CP Д К  Рентабельность активов, %. Уровень окупаемости чистой прибылью (ЧП) среднегодовых активов в целом )( общА . общ 7 A ЧП К  Рентабельность общего капитала. Уровень окупаемости чистой при- былью среднего годового общего капитала )( общK . общ 8 K ЧП К  Рентабельность уставного фонда (акционерного капитала). Уровень окупаемости чистой прибылью среднегодового акционерного капитала )( aK Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 64 . a 9 K ЧП К  Рентабельность деятельности по затратам. Уровень окупаемости чистой прибылью всех расходов банка )( общP . общ 10 P ЧП К  Производительность труда среднегодового работника. Уровень чис- той прибыли на одного среднегодового работника .11 CP ЧП К  Собранные показатели были использованы как при применении нечет- ких нейронных сетей, так и при проведении анализа четкими методами — методом Кромонова и методикой, разработанной ассоциацией белорусских банков (АББ) [2]. При этом выходными данными созданных моделей для украинских банков было два значения: ,1 если не ожидается значительного ухудшения финансового состоя- ния банка в ближайшем будущем; ,1 если ожидается введение временной администрации и/или ликви- дация банка. ПРИМЕНЕНИЕ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ФИНАНСОВОГО СОСТОЯНИЯ УКРАИНСКИХ БАНКОВ Для прогнозирования риска банкротства банков было предложено исполь- зовать нечеткие нейронные сети ANFIS и TSK, описанные в [3–4]. Нечеткие нейронные сети обладают такими достоинствами: возможность работать с нечеткой и качественной информацией; возможность использования знаний экспертов в виде нечетких правил вывода. Для применения нейронных сетей было разработано программное обеспечение, которое позволило получить прогноз банкротства банков Ук- раины на основе работы сетей ANFIS и TSK. В качестве входных данных использовались показатели финансовой отчетности банков Украины за пе- риод с 2008 г. по 2009 г. Выходом сети является значение 1 или ,1 что в соответствии означают банк-небанкрот и банк-банкрот. При анализе ис- пользовались различные наборы входных данных, разное количество правил для работы нечетких нейронных сетей, а также проводился анализ влияния периода данных, используемых на результат прогноза. Сравнительный анализ работы сетей ANFIS и TSK при прогнозирова- нии банкротства украинских банков Во время экспериментов были получены практические результаты. Первая группа экспериментов использовала данные за январь 2008 г. и было про- Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 65 анализировано возможное банкротство на начало 2010 г. (то есть за два года до возможного банкротства). Эксперимент № 1. Обучающая выборка 120 банков Украины. Тестовая выборка 50 банков. Количество правил = 5. Входные переменные (показатели финансо- вой отчетности банков): активы; капитал; наличность (ликвидные активы); депозиты домашних зозяйств; обязательства. В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл. 1. Т а б л и ц а 1 . Результаты работы сети TSK Результаты Общее количество ошибок 5 % ошибок 10 Ошибки1-го рода 0 Ошибки 2-го рода 5 Эксперимент № 2. Обучающая выборка 120 банков Украины. Тестовая выборка 50 банков. Количество правил .50 Входные переменные (показатели финан- совой отчетности банков) такие же. В результате применения нечеткой нейронной сети ANFIS, были полу- чены результаты, которые отражены в табл. 2. Т а б л и ц а 2 . Результаты работы сети ANFIS Результаты Общее количество ошибок 6 % ошибок 12 Ошибки 1-го рода 0 Ошибки 2-го рода 6 Как видно при сравнении табл. 1 и 2, нейронная сеть TSK дает более точные результаты, чем сеть ANFIS. Эксперимент № 3. Этот эксперимент был направлен на определение влияния количества правил на результат прогноза. Обучающая выборка 120 банков Украины. Тестовая выборка 50 банков. Количество правил .10 Входные переменные (показатели финан- совой отчетности) те же, что и ранее. В результате применения нечеткой нейронной сети TSK были получе- ны результаты, которые отражены в табл. 3. Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 66 Т а б л и ц а 3 . Результаты работы сети TSK Результаты Общее количество ошибок 6 % ошибок 12 Ошибки 1-го рода 1 Ошибки 2-го рода 5 Аналогичный анализ проведен для нейронной сети ANFIS. Эксперимент № 4. Обучающая выборка = 120 банков Украины. Тестовая выборка = 50 банков. Количество правил = 10. Входные переменные (показатели финан- совой отчетности банков) аналогичные. В результате применения нечеткой нейронной сети ANFIS, были полу- чены результаты, которые отражены в табл. 4. Т а б л и ц а 4 . Результаты работы сети ANFIS Результаты Общее количество ошибок 7 % ошибок 14 Ошибки 1-го рода 1 Ошибки 2-го рода 6 В табл. 5 приведен сравнительный анализ результатов прогноза в зави- симости от количества правил, которые используются для каждой входной переменной. На рис. 1 отражена графическая интерпретация результатов прогнозирования. Т а б л и ц а 5 . Сравнительный анализ сетей ANFIS и TSK в зависимости от количества используемых правил Сеть (количество правил) Общее количество ошибок % ошибок Количество ошибок 1-го рода Количество ошибок 2-го рода Anfis 5 6 12 0 6 Anfis 10 7 14 1 6 TSK 5 5 10 0 5 TSK 10 6 12 1 5 Далее были проведены эксперименты, которые направлены на опреде- ление влияния размера проверочной и обучающей выборки на результаты прогноза. Эксперимент № 5. Обучающая выборка 100 банков Украины. Тестовая выборка 70 банков. Количество правил .10 Входные переменные (показатели финан- совой отчетности банков): активы; капитал; наличность (ликвидные активы); Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 67 депозиты домашних хозяйств; обязательства. В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл. 6. Т а б л и ц а 6 . Результаты работы сети TSK Результаты Общее количество ошибок 7 % ошибок 10 Ошибки 1-го рода 1 Ошибки 2-го рода 6 Аналогичный эксперимент был проведен и для сети ANFIS. Эксперимент № 6. Обучающая выборка 100 банков Украины. Тестовая выборка 70 банков. Количество правил 10 . Входные переменные (показатели финан- совой отчетности банков) те же. В результате применения нечеткой нейронной сети ANFIS, были полу- чены результаты, которые отражены в табл. 7. В результате анализа приведенных экспериментовможно сделаны выводы: Сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей и проверочной выборках не имеет значительного влияния на результаты прогнозирования. Т а б л и ц а 7 . Результаты работы сети ANFIS Результаты Общее количество ошибок 7 % ошибок 10 Ошибки 1-го рода 0 Ошибки 2-го рода 7 0 1 2 3 4 5 6 7 8 Anfis 5 Anfis 10 TSK 5 TSK 10 Общее количество ошибок: Ошибок первого рода Ошибок второго рода Рис. 1. Графическая интерпретация результатов прогноза с использованием ННС Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 68 Следующая группа экспериментов была посвящена поиску оптималь- ных входных данных (показателей) для прогнозирования. Период данных — январь 2008 г. Эксперимент № 7. Обучающая выборка 100 банков Украины. Тестовая выборка .70 Количество правил .5 Входные переменные (показатели финансовой от- четности банков): прибыль текущего года; чистый процентный доход; чистый комиссионный доход; чистые расходы на формирование резервов; чистые прибыль / убыток банка. В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл. 8. Таблица 8. Результаты работы сети TSK Результаты Общее количество ошибок 13 % ошибок 19 Ошибки 1-го рода 6 Ошибки 2-го рода 7 Эксперимент № 8. Обучающая выборка 100 банков Украины. Тестовая выборка 70 банков. Количество правил .70 Входные переменные (показатели финан- совой отчетности банков): генеральный коэффициент надежности (собственный капитал / активы работающие); коэффициент мгновенной ликвидности (ликвидные активы / обязатель- ства до востребования); кросс-коэффициент (суммарные обязательства / активы работающие); генеральный коэффициент ликвидности ((ликвидные активы + защи- щенный капитал + средства в фонде обязательных резервов) / суммарные обязательства); коэффициент фондовой капитализации прибыли (собственный капитал / уставной фонд). В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл. 9. Т а б л и ц а 9 . Результаты работы сети TSK Результаты Общее количество ошибок 7 % ошибок 10 Ошибки 1-го рода 1 Ошибки 2-го рода 6 Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 69 Необходимо отметить, что эти показатели используются как входные данные в методике Кромонова [22], результаты применения которой рас- смотрены ниже. Эксперимент № 9. Обучающая выборка 100 банков Украины. Тестовая выборка 70 банков. Количество правил .5 Входные переменные (показатели финансо- вой отчетности банков): ROE — доходность капитала (финансовый результат / капитал); ROA — доходность активов (финансовый результат / активы); CIN — cоотношение доходов и расходов (доходы / расходы); NIM — чистая процентная маржа (чистый процентый доход); NI — чистая прибыль. В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл.10. Т а б л и ц а 1 0 . Результаты работы сети TSK Результаты Общее количество ошибок 12 % ошибок 17 Ошибки 1-го рода 5 Ошибки 2-го рода 7 Необходимо отметить, что эти показатели используются как входные данные в методике EuroMoney [1]. Эксперимент № 10. Обучающая выборка 100 банков Украины. Тестовая выборка 70 банков. Количество правил .5 Входные переменные (показатели финансо- вой отчетности банков): генеральный коэффициент надежности (собственный капитал / активы работающие); коэффициент мгновенной ликвидности (ликвидные активы / обязатель- ства до востребования); кросс-коэффициент (суммарные обязательства / активы работающие); генеральный коэффициент ликвидности ((ликвидные активы + защи- щен капитал + средства в фонде обязательных резервов) / суммарные обяза- тельства); коэффициент фондовой капитализации прибыли (собственный капитал / уставной фонд); коэффициент защищенности капитала (защищенный капитал / собст- венный капитал). В результате применения нечеткой нейронной сети TSK, были получе- ны результаты, которые отражены в табл. 11. Т а б л и ц а 1 1 . Результаты работы сети TSK Результаты Общее количество ошибок 8 % ошибок 13 Ошибки 1-го рода 1 Ошибки 2-го рода 7 Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 70 Необходимо отметить, что эти показатели используются как входные данные в методике Кромонова [2]. В табл. 12 приведен итоговый сравнительный анализ результатов прогно- за, в зависимости от входного набора данных (используемых финансовых показателей). На рис. 2 отражена графическая интерпретация результатов прогнозирования. Т а б л и ц а 1 2 . Зависимость результата прогноза от набора входных пока- зателей Эксперимент Общее количество ошибок % ошибок Ошибки 1-го рода Ошибки 2-го рода, % Эксперимент № 5 7 10 6 1 Эксперимент № 8 7 10 7 0 Эксперимент № 9 12 17 7 5 Эксперимент № 10 8 13 7 1 Далее был проведен ряд экспериментов, которые были направлены на определение влияния периода сбора входных данных на результат. Предло- жено рассмотреть период, значительно ближе к моменту возможного банкротства, а именно — июль 2009 г., то есть за 6 месяцев до возможного банкротства. Эксперимент № 11. Обучающая выборка = 100 банков Украины. Тестовая выборка = 70 банков. Количество правил = 10. Входные переменные (показатели финан- совой отчетности банков): генеральный коэффициент надежности (собственный капитал / активы работающие); коэффициент мгновенной ликвидности (ликвидные активы / обязатель- ства + обязательства до востребования); кросс-коэффициент (суммарные обязательства / активы работающие); Рис. 2. Зависимость ошибок первого и второго рода от используемых наборов показателей Общее количество ошибок: Ошибок первого рода Ошибок второго рода 0 2 4 6 8 10 12 14 Эксперимент № 5 Эксперимент № 8 Эксперимент № 9 Эксперимент № 10 Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 71 генеральный коэффициент ликвидности ((ликвидные активы + защи- щен капитал + средства в фонде обязательных резервов) / суммарные обяза- тельства); коэффициент фондовой капитализации прибыли (собственный капитал / уставной фонд). В табл. 13 можно увидеть сравнительный анализ результатов прогноза, в зависимости от периода входного набора данных. На рис. 3 отражена гра- фическая интерпретация результатов прогнозирования. Т а б л и ц а 1 3 . Зависимость результата прогноза от момента сбора вход- ных показателей Эксперимент: период количества правил Общее количество ошибок Ошибки 1-го рода Ошибки 2-го рода Общий % ошибок 01.01.2008 — 5 правил 7 0 7 10 01.07.2009 — 5 правил 5 0 5 7 01.07.2009 — 10 правил 7 3 4 10 Применение НМГУА для прогнозирования финансового состояния ев- ропейских банков В ходе работы был также применен нечеткий метод группового учета аргу- ментов для прогнозирования финансового состояния банков [3,4]. В каче- стве входных переменных использовались те же показатели, что и в экспе- риментах с сетью TSK. Результатом работы метода является значение выходной переменной, которая попадает в определенный интервал. В данном случае (при прогнозировании банкротства) необходимо приводить результат прогноза к виду +1 или –1 (где 1 — банк с хорошим финансовым положением; –1 — банк с ухудшенным финансовым положением). В данной работе в качестве порога мы принимали середину выходного интервала и приводили ее к необходимому виду. В табл. 14 отражены результаты прогнозирования в зависимости от пе- риода входных данных. Т а б л и ц а 1 4 . Сравнительный анализ результатов прогноза методом НМГУА в зависимости от периода получения входных данных Период входных данных Общее количество ошибок % ошибок Ошибки 1-го рода Ошибки 2-го рода 2004 10 14 3 7 2005 9 13 3 6 2006 8 11,4 3 5 2007 7 10 2 5 2008 6 8,5 1 5 2009 6 8,5 2 4 Если сравнить результаты применения метода НМГУА с результатам работы нейронной сети TSK, можно увидеть, что нейронная сеть TSK дает лучшие результаты при использовании входных данных за один год до воз- можного банкротства, но метод НМГУА работает лучше при использовании более давних данных, за два и более лет, что дает ему преимущество в дол- госрочном прогнозировании финансового состояния банков. Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 72 Применение методики Кромонова и методики многоуровневого агреги- рованного показателя оценки состояния банков С целью сравнительного анализа результатов применения нечеткой логи- ки к проблеме прогнозирования финансового состояния банков, и классиче- ских методов были реализованы и исследованы четкие методики анализа финансового состояния банков. Используя выборку с финансовыми показа- телями 170 украинских банков, мы применили методику Кромонова [2], а также методику многоуровневого агрегированного показателя состояния банков, разработанную ассоциацией белорусских банков (методика АББ) для решения поставленной задачи. Результаты применения методики Кромонова. Первым экспериментом в данной серии было применение методики Кромонова на основе кварталь- ных данных украинских банков по состоянию на начало 2008 г., и проверка прогноза по данным о банкротстве (или введении временной администра- ции) банка после середины 2009 г. Таким образом, целью было исследовать, как влияет период сбора данных на качество прогноза. Результаты анализа приведены в табл. 15. Т а б л и ц а 1 5 . Результаты применения методики Кромонова по данным банков в зависимости от периода сбора данных Результаты 01.01.2008 01.07.2009 Общее количество ошибок 34 24 % ошибок 20 15 Ошибки 1-го рода 18 12 Ошибки 2-го рода 16 12 Размер тестовой выборки 170 170 Как видно из табл. 15, методика Кромонова дала неверный прогноз по 34 банкам из 170, что дает погрешность в размере 20%. При использовании данных на 01.01.2008 г. и неверный прогноз по 24 банкам из 170 (погреш- ность 15%) по исходным данным 01.07.2009 г. Очевидно значительное улучшение качества полученных результатов прогноза по свежим данным середины 2009 г. по сравнению с данными на начало 2008 г., задолго до мо- мента массового банкротства украинских банков. Такой вывод не удивителен, принимая во внимание, что с приближени- ем отчетных данных к моменту банкротства (или значительного ухудшения финансового состояния), последние начинают более явно отражать вероят- ность наступления дефолта банка. Виды ошибок достаточно равномерно распределились между собой в обоих случаях. Результаты применения методики многоуровневого агрегированного показателя состояния банков (разработанного ассоциацией белорусских банков). Третьим экспериментом в этой серии экспериментов было приме- нение методики разработанной ассоциацией белорусских банков (АББ) на основе квартальных данных украинских банков по состоянию на начало 2008 г. и проверка прогноза по данным о банкротстве (или введения вре- менной администрации) банка после середины 2009 г. Как и в случае мето- дики Кромонова, целью было исследовать, как влияет период данных на ка- чество прогноза. Результаты анализа приведены в табл. 16. Анализ финансового состояния и прогнозирование риска банкротства банков Системні дослідження та інформаційні технології, 2015, № 2 73 Т а б л и ц а 1 6 . Результаты применения методики АББ по данным банков по состоянию на 01.01.2008 и 01.07.2009 Результаты 01.01.2008 01.07.2009 Общее количество ошибок 27 24 % ошибок 16 15 Ошибки 1-го рода 12 4 Ошибки 2-го рода 15 20 Размер тестовой выборки 170 170 Как видно из табл. 16, методика АББ дала неверный прогноз по 27 бан- кам из 170, что дает ошибку в размере 16%. Этот результат для данных на середину 2008 г. является лучшим по сравнению с методикой Кромонова, давшей ошибку 20% на этих данных. Есть незначительное большее количе- ство ошибок 2-го рода (15) по сравнению с количество ошибок 1-го рода (12). По данным на середину 2009 г. методика АББ показывает неверный прогноз по 24 банкам из 170 (погрешность 15%), что совпадает с результа- тами, полученными по методике Кромонова. ОБЩИЙ АНАЛИЗ ПРИМЕНЕНИЯ ЧЕТКИХ И НЕЧЕТКИХ МЕТОДИК ДЛЯ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ БАНКОВ В заключительном эксперименте был выполнен сравнительный анализ всех вышеизложенных методов и методик. Были рассмотрены следующие методы: нечеткая нейронная сеть ANFIS; нечеткая нейронная сеть TSK; методика Кромонова; методика АББ. На вход методов были введены финансовые показатели украинских банков за июль 2007 г. Сравнительный анализ методов приведен в табл. 17, а на рис. 3 отражены графические результаты анализа. Т а б л и ц а 1 7 . Сравнительный анализ результатов прогноза риска бан- кротства банков Украины в зависимости от метода прогнозирования Методика(период) Общее количество ошибок % ошибок Ошибки 1-го рода Ошибки 2-го рода ANFIS 7 10 1 6 TSK 5 7 0 5 Кромонова 10 15 5 5 АББ 10 15 2 8 Рис. 3. Графическая интерпретация результатов прогнозирования банков Украины 0 2 4 6 8 10 12 01.07.2009 ANFIS 01.07.2009 TSK 01.07.2009 Кромонова 01.07.2009 Методика АББ Общее количество ошибок: Ошибок первого рода Ошибок второго рода Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.С. Войтенко ISSN 1681–6048 System Research & Information Technologies, 2015, № 2 74 ВЫВОДЫ В статье рассмотрены и исследованы различные методы и методики анализа финансового состояния и прогнозирования банкротства банков: нечеткая нейронная сеть ANFIS; нечеткая нейронная сеть TSK; НМГУА; метод Кромонова; метод АББ. В качестве входных данных рассмотрены финансовые показатели бан- ков Украины. Определены входные переменные моделей (финансовые показатели банков), которые показали лучшие результаты прогноза при их использова- нии прогнозирования банкротства банков Украины: генеральный коэффициент надежности; коэффициент мгновенной ликвидности; кросс-коэффициент; генеральный коэффициент ликвидности; коэффициент фондовой капитализации прибыли. Определено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей выборке не оказывает значительного влияния на результаты прогнозирова- ния. Увеличение количества правил не приводит к улучшению результатов прогнозирования. При сравнении нечетких методов было установлено, что нечеткие ней- ронные сети дают лучшие результаты при использовании более свежих дан- ных, то есть при краткосрочном прогнозировании. Нечеткий метод группо- вого учета аргументов дает лучшие результаты при использовании более старых данных, то есть при долгосрочном прогнозировании на два года и более. В целом, сравнительный анализ показал, что четкие методы и мето- дики большинстве случаев дают худшие результаты при сравнении с нечеткими методами. ЛИТЕРАТУРА Рейтингова оцінка комерційного банку. — http:// www. nbuv. gov.ua/Soc_Gum/ Ekpr/2009_25/mescheryakov/htm. Построение рейтинга банков с использованием методики расчета многоуров- невого агрегированного показателя состояния банка. — http:// www. credit- rating.ua/ ru/analytics/ analytical-articles/. Згуровский М.З., Зайченко Ю.П. Основы вычислительного интеллекта. — К.: Наук. думка, 2013. — 406 с. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. — К.: Слово, 2008. — 344 с. Поступила 22.12.2014

Анализ финансового состояния и прогнозирование риска банкротства банков

Репозитарії

Схожі ресурси