Материал: Анализ моделей оценки вероятности банкротства кредитных организаций

В исследовании Кошелюка Ю.М. [6] также применялось собственное решение о разделении показателей. Выбор о том, в какую группу - входную или выходну - отнести какие показатели, был сделан на основании того, к пассивной или к активной стороне баланса они принадлежат. В итоге, в качестве входных параметров были использованы источники средств банка, такие как:

·        средства юр. лиц;

·        средства физ. лиц;

·        полученные межбанковские кредиты;

·        объем собственных средств банка.

В качестве выходов были использованы такие показатели, как объем работающих активов и фактически полученная прибыль.

Несмотря на то, что в упомянутом исследовании DEA позволил получить удобные для интерпретирования выводы и для современного исследования кредитных организаций давал верные рекомендации, прогнозы, сделанные в этом исследовании в 2005 году, на 2017 год оказались верными на 73% для банков, признанными используемым методом "успешными", и лишь на 36% для признанных "неэффективными".

1.1.4 Метод распознавания признаков

Trait recognition или метод распознавания признаков был изменён и абстрагирован для того, чтобы его можно было применять для любой отрасли. Идея в основании этого метода заключается в выделении двух групп среди исследуемых сущностей, количественном описании многочисленных сочетаний переменных, определяющих эти сущности и выделении тех, которые наиболее часто и эксклюзивно встречаются в каждой группе [7].

Если какая-то переменная встречается только в одной группе, она считается характерной чертой этой группы, если встречается в обеих, но в одной чаще, а в другой - реже, то она считается характерной чертой той группы, в которой встречается чаще, а если же переменная равномерно соответствует обеим группам, то она считается преобладающей характерной чертой выборки.

Однако, необходимо всё же определить для начала, каким образом распределять переменные. Их отбор происходит с помощью выделения критических значений так, чтобы в нижний сегмент попадали только успешные банки, а в верхний - только банки-банкроты. После этого составляется ряд двоичных значений для каждой переменной каждого - в данном случае - банка, а дальше рассматривается, какие значения характерны для каких банков.

Для повышения точности этого метода рекомендуется придавать веса значениям в соответствии с количеством банков-банкротов, соответствующие переменные которых приняли подобные значения. Таким образом, двоичная ячейка значения для переменной, которая характерна только для обанкротившихся банков, примет вес 1, а для переменной, которая характерна для 40% банков-банкротов и 60% успешных банков - значение 0.4.

Подобное решение, с расстановкой весов и выбором двоичных значений для переменных, идеально подходит для использования в технологиях машинного обучения, так как позволяет выделить массив переменных и заранее подсказать машине, какие из них будут наиболее важными для неё.

Хорошим примером использования подобной методики также будет распознавание полноты и неполноты данных. Вследствие небрежного отношения ряда банков к отчётности, рассмотренной далее, многие списки нормативов не были заполнены, а на месте данных, которые следовало подать в отчёт, стояли нули.

1.2 Типы нейронных сетей и способы уменьшения ошибки

Для того, чтобы понять возможности организмов к распознаванию чувств, обобщению, запоминанию и мышлению, необходимо в первую очередь ответить на три фундаментальных вопроса.

.        Каким образом информация об окружении выявляется системой?

2.      В какой форме информация сохраняется?

.        Каким образом сохранённая информация влияет на поведение?

В попытке ответить на три этих вопроса, исследуя действия нервной системы с использованием формальной логики, ещё в середине двадцатого века [8] были описаны первые нейронные сети. В самой простой форме, в первой модели обучения с учителем, они были представлены персептронами.

1.2.1 Персептроны

Основной задачей персептронов является обработка сигналов. Получая на входе множество внешних стимулов , персептрон пытается отнести их корректно к одному из двух классов, адаптируя свои синаптические веса  итеративно. В общем случае, все сигналы выделяются, как точки на плоскости, разделённой на два участка прямой b. Все точки выше этой прямой относятся к первому классу, а все точки, лежащие ниже её - ко второму, таким образом, что . Для корректного функционирования персептрону необходимо, чтобы эти классы были линейно-разделимыми [9].

Персептроны относятся к нейронным сетям прямого распространения, и обычно обучаются по методу обратного распространения ошибки, в котором сеть получает множества входных и выходных данных. Вышеупомянутая ошибка является разницей между вводом и выводом. Если у сети есть достаточное количество скрытых нейронов, она теоретически способна смоделировать взаимодействие между входным и выходными данными.

1.2.2 Ассоциативная память

Дальнейшим развитием нейронных сетей стали сети с ассоциативной памятью. В основе функционирования таких сетей также лежит итеративный принцип работы. Циркуляция информации в нейронной сети происходит до тех пор, пока не установится состояние равновесия, т.е. значения её выходов перестанут изменяться.

Хопфилд [10] ввел понятие энергии сети. Главное свойство функции энергии состоит в том, что в процессе эволюции состояний сети она уменьшается и достигает локального минимума - аттрактора, в котором сохраняет постоянное значение. Подобная сеть имеет уже как несколько вводов, так и несколько выводов. Все возможные состояния этой сети можно описать как поверхность с изрезанным холмами и лощинами рельефом, где каждая точка соответствует сочетанию нейронов, а высота этой точки - энергии сети для этого сочетания. Для массива входных нейронов x, массива выводов y и массива весов w, принцип действия этой сети можно описать как (2)

причём хранимые в сети данные являются аттракторами или локальными минимумами энергии в этой сети. Таким образом, сеть должна восстанавливать образ по его части, или очищать образы от шума. Структуру этой сети (рис.1) можно представить в виде бутылочного горлышка или песочных часов.

Рисунок 1.1 Структура сети с ассоциативной памятью.

1.2.3 Свёрточные нейронные сети

Используя возможности распознавания и запоминания, дальнейшие разработки двинулись в сторону многослойных сетей. В абстрактном примере, архитектура подобной сети включает в себя матрицу весов, предопределённую для поиска каких-либо последовательностей и паттернов, либо определяемую во время работы сети, в случае, если та ищет паттерны самостоятельно.

Эта матрица называется ядром свёртки. Сама же свёртка - это процесс продвижения ядра по всему входному массиву с последующим формированием следующего слоя - первой карты признаков. Это возможно потому, что ядро, имя заданные веса, отмечает, в какие места входного массива наиболее им соответствовали.

Над картой признаков проводится операция субдискретизации или предвыборки. Считается, что наличие или отсутствие признака во входном массиве важнее его точных координат, а потому из нескольких соседних результатов действия нейронов ядра свёртки на первой карте признаков выбираются максимальные и переносятся на следующий слой.

Постепенно, после нескольких повторяющихся операций свёртки и предвыборки, входной массив данных превращается в массив карт признаков с минимальным набором данных на каждой карте, максимально абстрагированным от оригинального массива параметров, либо даже в набор абстрактных параметров между нулём и единицей, соответствующим разным участкам исходного массива. Эти данные в последующем сами формируют массив последнего слоя - полносвязной нейронной сети прямого распространения, которая в свою очередь, по ним определяет характеристики исходного массива.

Обучение таких сетей проводится с использованием ассоциативной памяти - для свёрточного слоя - и методом обратного распространения ошибки для финального, полносвязного слоя.

1.3 Выбор факторов, влияющих на банкротство российских банков

Необходимо уточнить, что в данной работе под банкротством понимается факт отзыва лицензии по любому основанию, будь то недостаточный капитал, размер собственных средств ниже значения уставного капитала, невозможность удовлетворить требования кредиторов или неисполнение законов и нормативных актов, однако используемые методики призваны выделить именно те кредитные организации, лицензия которых была отозвана вследствие финансовых ошибок.

1.3.1 Показатели, указанные в банковской отчётности

Способность банка обеспечить свои обязательства можно оценить по нормативам ликвидности [11], указываемым банками в форме ежемесячной отчётности 0409135, предоставляемой Центральному Банку РФ, а способность банка получать средства - по рентабельности активов, которую можно рассчитать из ежеквартальной формы 0409102 и ежемесячной 0409101.

Помимо этого, с возможностями машинного обучения разумно использовать метод распознавания признаков, с помощью которого можно по-отдельности оценить влияние каждого признака и их изменений на протяжении времени существования банка, на состояние банка на данный момент.

В форме 102 указывается ежемесячная прибыль банка (в позиции "Входящие остатки "итого", тыс. руб. "), а в форме 101 ежеквартальная прибыль (в позиции "Исходящие остатки "итого", тыс. руб. "). Используя также информацию о собственных средствах, полученных из формы 0409123, можно рассчитать показатель рентабельности банковских активов.

Всю необходимую информацию о ликвидности можно получить из формы 135, в которой банки предоставляют Центральному Банку данные о соответствии установленным нормативам.

.        Н1.0 - достаточность собственных средств (капитала) банка. Н1.0 определяется как отношение размера собственных средств (капитала) банка к сумме его активов (за вычетом сформированных резервов на возможные потери и резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности, взвешенных по уровню риска.

Его минимальное значение 8%.

2.      Н1.1 - достаточность базового капитала банка.

Его минимальное значение 4,5%.

3.      Н1.2 - достаточность основного капитала банка.

Его минимальное значение 6%.

4.      Н2 - мгновенная ликвидность. Регулирует (ограничивает) риск потери банком ликвидности в течение одного операционного дня и определяет минимальное отношение суммы высоколиквидных активов банка к сумме обязательств (пассивов) банка по счетам до востребования, скорректированных на величину минимального совокупного остатка средств по счетам физических и юридических лиц до востребования.

Его минимальное значение 15%.

5.      Н3 - текущая ликвидность - соотношение между активами и обязательствами сроком до 30 дней. Регулирует (ограничивает) риск потери банком ликвидности в течение ближайших к дате расчета норматива 30 календарных дней и определяет минимальное отношение суммы ликвидных активов банка к сумме обязательств (пассивов) банка по счетам до востребования и со сроком исполнения обязательств в ближайшие 30 календарных дней, скорректированных на величину минимального совокупного остатка средств по счетам физических и юридических лиц до востребования и со сроком исполнения обязательств в ближайшие 30 календарных дней.

Его минимальное значение 50%.

Нарушение Н2 и Н3 говорит о недостаточном запасе ликвидности банка.

.        Н4 - долгосрочная ликвидность. Регулирует (ограничивает) риск потери банком ликвидности в результате размещения средств в долгосрочные активы и определяет максимально допустимое отношение кредитных требований банка к собственным средствам (капиталу) банка и обязательствам (пассивам) с оставшимся сроком до даты погашения свыше 365 или 366 календарных дней, скорректированным на величину минимального совокупного остатка средств по счетам со сроком исполнения обязательств до 365 календарных дней и счетам до востребования физических и юридических.

Его максимальное значение 120%.

Несоблюдение Н4 говорит о том, что банк злоупотребляет размещением в долгосрочные активы краткосрочных пассивов.

.        Н7 - максимальный размер крупных кредитных рисков. Регулирует (ограничивает) совокупную величину крупных кредитных рисков банка и определяет максимальное отношение совокупной величины крупных кредитных рисков и размера собственных средств (капитала) банка.

Его максимальное значение 800%.

8.      Н9.1 - максимальный размер кредитов, банковских гарантий и поручительств, предоставленных банком своим участникам (акционерам). Регулирует (ограничивает) кредитный риск банка в отношении участников (акционеров) банка и определяет максимальное отношение размера кредитов, банковских гарантий и поручительств, предоставленных банком своим участникам (акционерам) к собственным средствам (капиталу) банка.

Его максимальное значение 50%.

9.      Н10.1 - совокупная величина риска по инсайдерам банка. Регулирует (ограничивает) совокупный кредитный риск банка в отношении всех физических лиц, способных воздействовать на принятие решения о выдаче кредита банком.

Его максимальное значение 3%.

10.    Н12 - использование собственных средств (капитала) банка для приобретения акций (долей) других юридических лиц.

Его максимальное значение 25%.

11.    Н18 - минимальное соотношение размера ипотечного покрытия и объема эмиссии облигаций с ипотечным покрытием.

Его минимальное значение 100%.

Пропущенные нормативы либо отменены на данный момент, либо относятся к небанковским кредитным организациям, не имеющим лицензии на банковскую деятельность. Также, на тот случай, если банк предоставляет не всю информацию (обязательны только нормативы 1.1-1.3, 2 и 3) Центральный Банк дополняет отчётность сведениями о том, какие нормативы указаны.

Как правило, наиболее важными для прогнозирования являются нормативы Н1.1, Н1.2, Н1.3, Н2, Н3 - которые также являются обязательными нормативами для предоставления в отчётности по форме 0409135 - и Н12: норматив использования собственных средств (капитала) банка для приобретения акций (долей) других юридических лиц.

Однако, для оценки поведения и рисков кредитных организаций за другие периоды, и, особенно, в будущем, необходимо было также учитывать общую ситуацию в стране с экономической точки зрения, а также поведение тех же банков в другие периоды, с другой экономической ситуацией.

В виде качественных подобных общих факторов следует рассмотреть показатели, связанные с внешними условиями банковского сектора. Например, банк может находиться в благополучном регионе с высокой доходностью или в менее благополучной части страны с повышенными рисками, его отчётность могла быть сдана в более или менее благополучный период.

После проверки банковской отчётности Центральному Банку, выяснилось, что надёжная информация хранится о периоде с 2011 года и далее, и именно об этом периоде было решено найти макроэкономические параметры.