Предсказание рисков и рейтингование
Предсказание рисков банкротств
Сначала приведем несколько цифр, иллюстрирующих "цену вопроса". Мировой рынок только межбанковских кредитов оценивается в $38 трлн. Это почти в два раза превышает мировой объем ценных бумаг. Естественно, что оценка риска невозврата кредитов имеет для банков первостепенное значение. (В случае страховки, этот риск, перекладывается на страховщика. Общий объем страховых премий в этой индустрии риска составляет $2.5 трлн.)
Количество банкротств в США на протяжении 80-х годов возрастало ежегодно примерно на 14%. В банковском секторе США число банкротств возросло с 50 в 1984 г. до 400 в 1991 г. Это, однако, составляет менее 3% от примерно 14000 действующих в США банков. В России же, например, только в 1996 г. лицензии были отозваны более чем у 10% из около 2000 зарегистрированных банков. Таким образом, предсказание банкротств, особенно в кризисных экономических условиях, является насущной задачей экономического анализа.
Если в проблеме рейтингования задачей нейросети было воспроизвести мнения экспертов о надежности корпорации, то нейросетевое предсказание банкротств основано на статистической обработке конкретных примеров банкротств. В такой постановке задача нейросети - самой стать экспертом, определяющим финансовую стабильность корпорации, основываясь исключительно на объективной информации - показателях финансовой отчетности. Обычно от нейросети требуется оценить вероятность банкротства через определенный промежуток времени (например, через год или через два года) по доступной на данный момент финансовой отчетности. В качестве входов используют финансовые индикаторы - отношения балансовых статей, наиболее полно отражающие определенные стороны финансового положения фирмы.
Исторические корни
Пионерская работа Альтмана в этом направлении датируется 1968 годом (Altman, 1968). Используя метод линейного дискриминантного анализа он выявил пять наиболее значимых финансовых индикаторов, влияющих на предсказание банкротств:
- (Оборотные средства / Общий размер активов) - характеризует денежные активы фирмы, т.е. ее способность мобилизовать ресурсы для немедленной уплаты долгов.
- (Нераспределенная прибыль / Общий размер активов) - прибыль после уплаты налогов и выплат акционерам, которая остается в распоряжении корпорации, например, для реинвестирования, характеризует источник погашения долгов.
- (Прибыль до выплаты налогов и процентов по вкладам / Общий размер активов) - характеризует общую эффективность управления капиталом.
- (Рыночная капитализация / Общий размер долгов) - характеризует отношение собственного капитала к заемному, т.е. эффективный размер долга.
- (Объем продаж / Общий размер активов) - характеризует активность использования фирмой своих ресурсов.
В последующих работах разные авторы дополняли или видоизменяли список ключевых финансовых индикаторов по своему усмотрению. Наиболее общий подход, видимо, состоит в использовании в качестве входов логарифмов укрупненных статей балансов и отчетов о прибылях/убытках. Нейросеть в этом случае сама выберет наиболее значимые линейные комбинации входов, которым будут соответствовать наиболее значимые отношения различных статей в нужных пропорциях. Использование индикаторов, с другой стороны, помогает в интерпретации результатов нейро-моделирования если воспользоваться, например, техникой прореживания связей и извлечения правил, описанной в предыдущей лекции. Заметим, что использование описанных выше индикаторов лежит также в основе общепринятой методики рейтингования банков CAMEL.
Нейросетевое предсказание банкротств
Обобщая опыт сравнительного анализа предсказаний банкротств различными методиками (Trippi, Turban, 1993), отметим:
- Нейросетевое моделирование обеспечивает наилучшую точность предсказания банкротств: порядка 90%, по сравнению с 80%-85% точностью для других статистических методик (дискриминантный анализ, логистический анализ, ID3, kNN).
- При желании можно повысить "подозрительность" нейросети, обеспечив точность выявления банкротов вплоть до 99% - за счет снижения требований к ошибкам второго рода (класификации нормальной фирмы как банкрота). Это достигается путем увеличения веса ошибки первого рода (класификации банкрота как нормальной фирмы). В зависимости от конкретной практической задачи "подозрительность" сети можно произвольно регулировать.
- Банкротства можно уверенно предсказывать за несколько лет до их фактического наступления, причем точность предсказания за два года практически не отличается от точности предсказания за год. Таким образом, неявные сигналы неблагополучия присутствуют в финансовой отчетности фирмы задолго до ее краха.
Обсуждение
Полезность обучения сети на примерах обанкротившихся фирм состоит также в том, что такая сеть вырабатывает дискриминантную функцию - численный показатель финансового здоровья фирмы, меру ее устойчивости. Однако, устойчивость не является единственным возможным критерием оценки деятельности фирмы4Биологическая эволюция демонстрирует многочисленные примеры "слишком успешной" адаптации к определенной экологической нише, приводящей к быстрому вымиранию при резком изменении условий внешней среды. Акционеры, например, заинтересованы не только в бесконечно долгом существовании фирмы, но и в получении достаточно весомой прибыли. Важно, кроме того, не только состояние фирмы на настоящий момент, но и характеристики существующих тенденций. Здесь значимым может оказаться другой набор факторов, дающий другую оценочную функцию. Так, высокая доходность может обеспечить повышение надежности в будущем. Между тем, неясно каким образом можно обучать нейросеть на "будущий успех" при отсутствии такого же четкого критерия успеха, каким является банкротство для неудачи.
Эти объективные трудности можно преодолеть, если вспомнить, что фирма существует не сама по себе, а в сообществе подобных ей фирм-конкурентов. И именно в сопоставлении с этим сообществом можно говорить о сильных и слабых сторонах ее деятельности. Эти рассуждения подводят нас к другой постановке задачи: комплексной оценке финансового состояния фирмы путем систематического сравнения ее показателей с показателями остальных участников данного рынка. Такой подход, рассмотренный в следующем разделе, не требует знания готовых ответов, т.к. основан на обучении без учителя.