Главная
База знаний "Allbest"
Программирование, компьютеры и кибернетика
Анализ моделей оценки вероятности банкротства кредитных организаций
Анализ моделей оценки вероятности банкротства кредитных организаций
Выбор публичных показателей для построения, обучения и тестирования модели нейронной сети, которая будет использована в основе информационной системы прогнозирования банкротства банков. Обзор моделей прогнозирования банкротства кредитных организаций.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 30.06.2017 |
| Размер файла | 1,2 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Страница поиска
То же самое произойдёт, если пользователь обратится к форме, расположенной в заголовке сайта. Это сделано для того, чтобы в любой момент, находясь на любой странице сайта, пользователь мог воспользоваться его основной функцией - демонстрацией прогнозированных рисков. Поиск осуществляется с помощью сборщика, оценивающего содержание поискового запроса и, в случае нахождения подходящих под запрос сведений, заполняющего класс Bank. cs, содержащий поля Id, Name, Bankrupt, year, month, otkl и risk. Это наполнение производится через обращение к сущности bankruptcyEntities модели базы данных с помощью встроенных функций проверки соответствия элементов, а также SQL-запроса, выводящего список обработанных нейронной сетью макроэкономических параметров, и находящего последний результат для текущего месяца.
Рисунок 2.7 Сообщение об ошибке
Если же будет введён регистрационный номер или название банка, не содержащиеся в базе данных, система выведет сообщение "Банк с таким регистрационным номером или названием отсутствует" (рис.2.3).
Элементы, расположенные как в заголовке сайта, так и во всех остальных его частях, подчиняются правилам в файле bootstrap-united. css, в котором содержится свободно распространяемый дизайн, взятый с сайта http://bootswatch.com/ [16].
С правой стороны заголовка сайта находятся две кнопки, ведущие на страницу списка банков и страницу списка макроэкономических показателей.
Страница исторической информации
В данный момент страница показателей (рис 2.4) представляет собой скорее декоративный элемент, однако в будущем на ней планируется демонстрация возможностей нейронной сети с указанием значимых элементов. Вывод макроэкономических показателей, как и будущее взаимодействие с нейронной сетью, проводится с помощью обращения к базе данных.
Рисунок 2.8 Макроэкономические показатели
Страница списка
Кнопка "Список банков", в свою очередь, ведёт к полному списку банков (рис.2.5), доступному системе и отсортированному по регистрационному номеру банка. Розовым выделены банки-банкроты, при запросе общей информации которых система выведет название банка и дату отзыва его лицензии.
Ссылка "Ликвидность", имеющаяся у каждого банка в этом списке, а также ссылка "Посмотреть ликвидность", имеющаяся на странице общей информации о банке, приведёт к странице со всей отчётностью по нормативам ликвидностью, данную банком за период его существования начиная с 2011 года.
Рисунок 2.9 Список банков
Справочная страница
Также на этой странице приведена справочная информация о нормативах ликвидности, о которых рассказано в первой главе. С этой страницы можно вернуться к той части списка банков, с которой пользователь попал на неё, если только банк не был найден по поисковому запросу с формы в заголовке сайта или с главной страницы.
Рисунок 2.10. Страница нормативов ликвидности выбранного банка
Тогда ссылка "К списку банков" (рис 2.6) отправит пользователя на первую страницу списка. Полный листинг программы можно увидеть в Приложении Е.
Глава 3. Проектирование нейронной сети
3.1 Первая модель со смешанными параметрами
Существует большое количество работ касательно того, как именно следует проектировать персептрон со скрытым слоем, сколько нейронов следует помещать на скрытые слои и каким образом количество нейронов на одном слое наиболее эффективно сочетается с количеством на последующих, однако, в общем случае, прослеживаются следующие закономерности.
3.2 Проектирование и обучение модели
Во-первых, число слоёв крайне редко может превышать три. Роберт Хет-Нильсен, в частности, показал [4], что, хотя использование большего количества слоёв приводит к уменьшению суммарного количества элементов в скрытых слоях, при практических задачах достаточно от одного до трёх скрытых слоёв.
Во-вторых, в той же работе приводятся доказательства на основе теоремы Колмогорова, что достаточное количество нейронов на первом скрытом слое не превышает удвоенного числа входных нейронов плюс один. При этом достаточное число нейронов на последнем скрытом слое меньше в три и более раза.
Однако, хотя это справедливо для широких выборок, выявить особенности выборки можно с помощью более простой модели, для проектирования которой потребуется меньше времени, а слой у неё будет всего один. Чтобы узнать, сколько скрытых нейронов необходимо поместить на этот слой, можно обратиться к теореме Арнольда-Колмогорова-Хет-Нильсена.
, (3)
(4)
На формуле (1) - число входящих нейронов, - число выводящих и Q - размер выборки. В данном случае Q составлял 367, - 22, а - 1, так как нужно было узнать только один параметр - обанкротится организация или нет.
По формуле (2) можно вывести число N нейронов на скрытом слое, которое оказалось в диапазоне между 1,68 и 425,36. На практике обычно следует руководствоваться минимальным значением чтобы избежать разрыва между обучающей и тестирующей выборками.
Этот разрыв можно увидеть на следующем графике (рис 3.1).
Рисунок 3.1 График обучения первой модели
3.3 Оценка значимости показателей
Вводные показатели (рис 3.2) распределились достаточно равномерно по значимости, однако заметно смещение в сторону макроэкономических показателей, отвечающих за общую экономическую ситуацию.
Рисунок 3.2 Значимость параметров первой модели
Показатель X8 с наибольшей значимостью соответствовал нормативу ликвидности Н7 - максимальному размеру крупных кредитных рисков банка. Неудивительно, что его рост связан с ростом вероятности отзыва лицензии. Однако, следует проверить, насколько велика эта зависимость.
Для примера можно взять случайный банк, в данном случае, банк с регистрационным номером 2537, лицензия которого была отозвана в мае 2016 года. Сеть предсказывает его вероятность банкротства как 98,33% (рис.3.3).
Рисунок 3.3 Нормативы ликвидности и вероятность банкротства банка 2537
Рисунок 3.4 Изменение норматива Н7
Если же начать изменения этого параметра, уменьшая его, можно добиться существенного снижения риска банкротства (рис.3.4.), что, впрочем, даёт повод предположить, что модель при обучении обнаружила некую границу величины этого показателя, после которой можно судить о банке, как о банкроте.
Для того, чтобы избавиться от сезонности и как можно сильнее абстрагировать вводные параметры, я исключу из выборки год и месяц записи, а также регистрационный номер банка.
3.4 Эксперимент с исключением показателей
После исключения указанных ранее показателей и переобучения модели, ситуация со значимостью вводных параметров (рис 3.5) сложилась таким образом, что нормативы ликвидности не оказывали практически никакого влияния на результат действия нейросети.
Рисунок 3.5 Значимость параметров после исключения
Как и предполагалось, наибольшее влияние на прогноз оказали макроэкономические параметры, а значит, положение в стране в целом, а также параметры X6 и X7, теперь соответствующие нормативам ликвидности Н4 и Н7 - то, насколько банк диверсифицирует свои активы, и каким рискам он подвержен.
Это позволяет сделать непротиворечащие реальному положению вещей выводы:
· диверсификация активов позволяет снизить риск банкротства;
· банки с меньшими кредитными рисками реже теряют лицензии;
· во время кризиса больше банков терпят банкротство.
В этой модели использовалась сокращённая выборка из 467 банков, 234 из которых являлись банкротами, а 233 до сих пор функционировали. Результат, к которому стремилась модель - это спрогнозировать, станет ли банк банкротом в следующем месяце относительно последней полученной ей записи нормативов и макроэкономических показателей.
3.5 Эксперимент с расширением выборки
Для следующего эксперимента было решено увеличить число банков в обеих группах, а также изменить прогнозируемый результат с банкротства в следующем месяце на вероятность банкротства в неопределённом будущем. Выборка была расширена до 776 записей касательно банков, сдававших отчётность в январе 2011 года, из которых 349 были банкротами, а также в неё были возвращены ранее извлечённые показатели.
Таким образом, модель обучалась на сведениях в рамках только одного месяца, а значит, не могла ориентироваться на некую сезонность, вместо этого оценивая сведения в совокупности. Необходимо было выяснить, повлияет ли это на распределение значимости (рис.3.6) показателей.
Рисунок 3.6 Значимость параметров после изменения выборки
Параметр X1 в данном случае - это регистрационный номер банка. Параметры X10 и X11 - это месяц и год записи. Все параметры с 12 по 22 - это макроэкономические показатели за этот месяц. Напрашивается вывод, что нормативы ликвидности (параметры со 2 по 9) практически не влияли на решение модели. Для проверки этого следует убрать те вводные параметры, которые можно посчитать дублирующими. Это X1, X10 и X11, о которых я рассказал выше. Первый не указывает на состояние банка, так как это просто порядковый номер несквозной нумерации, а десятый и одиннадцатый можно вычислить исходя из макроэкономических показателей.
Исключив их и заново обучив модель, я снова провёл исследование значимости вводных параметров. На этот раз значимость нормативов ликвидности (рис 3.7) упала ещё сильнее. Влияние на прогноз среди них оказывали только первые три - Н1.0, Н1.1 и Н1.2, фактически демонстрирующие достаточность ликвидности банка - и последний, Н10.1, совокупная величина риска по инсайдерам банка.
Рисунок 3.7 Значимость параметров после исключения и изменения выборки
Наибольшее же влияние оказывали макроэкономические показатели, среди которых самой важной оказалась величина доходов граждан страны.
При этом, при понижении показателя X15 (доходы населения) риск банкротства для банка снижался, а при повышении - резко возрастал, что. впрочем, тоже логично, ведь кредиты берут чаще люди, оказавшиеся в трудном экономическом положении, а не наиболее преуспевающие, для развития собственного успеха.
Подведём итоги наблюдений:
· богатые банки реже становятся банкротами, чем бедные;
· диверсификация активов позволяет снизить риск банкротства;
· банки с меньшими кредитными рисками реже теряют лицензии;
· банки чаще становятся банкротами во время кризиса.
3.6 Вторая модель с макроэкономическими показателями
В следующей модели я попробовал избавиться от внутренних показателей банка и оценить ежемесячные риски рынка кредитования. Для оценки меньшего числа параметров с меньшим количеством конечных результатов - высокий риск, средний риск и низкий риск - можно было создать более простую сеть.
Проектирование и обучение модели
Для этого было достаточно трёх нейронов на скрытом слое, одиннадцати входных нейронов и одного конечного. На рисунке 3.7 приведена схема этой сети из 15 нейронов с 36 связями.
Рисунок 3.7 Графическое представление модели
Результатом работы этой сети было предположительное число кредитных организаций, которые станут банкротами в следующем месяце. Ошибка (рис.3.8) составила 8%. Обладая этими результатами, можно было бы предсказывать в целом риски для интересующего меня банка на следующий месяц, однако они не говорили ничего о поведении конкретного банка, только лишь о внешних рисках.
Рисунок 3.8 График обучения второй модели
Следует также заметить, что разрыв между результатами проверки обучающей и тестирующей выборки существенно сократился. Помимо этого, при расположении записей в хронологическом порядке, отмечается тенденция роста предполагаемого количества банков-банкротов для следующего месяца, что соответствует реальному положению дел. Оценка значимости показателей
Значимость вводных параметров этой сети (рис.3.8) распределилась гораздо более равномерно.
Рисунок 3.8 Значимость параметров второй модели
Параметрами с наибольшей значимостью оказались курс доллара и денежный агрегат М2 - условно, указывающий на объём денежной массы в стране.
3.7 Влияние изменения показателей на прогнозируемый результат
После того, как работа нейронной сети проверена на тестирующем множестве и доказана адекватность модели, можно приступать к ее исследованию. Для этого необходимо выбрать примеры с высокими и низкими значениями наиболее влиятельных показателей и, изменяя только значение этого показателя, выявить зависимости.
В данном случае, (рис.3.9) примерами станут март 2011 с относительно низким значением показателя X5 и октябрь 2016 - с относительно высоким.
Рисунок 3.9 Макроэкономические показатели и предполагаемое количество банкротов
Для первого рассматриваемого месяца (рис 3.10) только существенное, пятикратное превышение исходного значения X5 продемонстрировало хоть какое-то увеличение предполагаемого количества банков, когда как для второго (рис 3.11) ни увеличение, ни уменьшение исходного значения не повлияло на результат.
Рисунок 3.10. Изменение исходно низкого значения параметра X5
Рисунок 3.11. Изменение исходно высокого значения параметра X5
Как и в прошлый раз, сеть установила некую границу для этого показателя, ниже которой он обладал значительным эффектом на прогнозируемый результат, но выше - только указывал на то, что прогнозируемый результат должен быть высоким.
Параметр X2 (денежный агрегат М2) также существенно отличается в этих двух примерах, а значит, можно провести и его исследование. Для первого примера (рис 3.12) даже незначительное (15%) понижение исходного значения вызывало рост предполагаемого количество банкротов в следующем месяце, однако в случае с повышением исходного значения, требовалось увеличить значение параметра почти вдвое для изменения прогнозируемого результата.
Рисунок 3.12. Изменение исходно низкого значения параметра X2
Для второго примера (рис.3.13) только значительное понижение значения параметра влияло на прогноз, но в случае с повышением требовалось ещё более значительное (от 155% до 1000%) вмешательство.
Рисунок 3.13. Изменение исходно высокого значения параметра X2
Такое поведение указывает на то, что сеть не ищет наиболее значительные параметры, чтобы ориентироваться исключительно по ним, но оценивает параметры в целом, учитывая изменение каждого из них.
3.8 Эксперимент с исключением показателей
Несмотря на достаточную адекватность модели, основанной на макроэкономических показателях, её точность можно улучшить, избавившись от существующего в исходных данных тренда роста значений показателей. В частности, показатели X2, X5 и X11 стабильно растут на протяжении всей выборки, и модель могла заметить это даже когда записи в выборке были случайным образом перемешаны. Исключив эти показатели и заново сформировав выборку, я также сделал поправку показателей, приводимых в рублях, на инфляцию за соответствующий срок. Таким образом, в новом списке макроэкономических показателей присутствовали:
1. X1 - дефицит или профицит федерального бюджета;
2. X2 - международные резервы Центрального Банка;
3. X3 - валютные резервы Центрального Банка;
4. X4 - RTSI;
5. X5 - среднемесячная кредиторская задолженность предприятий с поправкой на инфляцию;
6. X6 - среднемесячная дебиторская задолженность предприятий с поправкой на инфляцию;
7. X7 - инфляция в текущем месяце;
8. X8 - среднемесячная зарплата граждан с поправкой на инфляцию.
Результатом работы этой сети было предположительное число кредитных организаций, которые станут банкротами в следующем месяце. Ошибка составляла 7,21%, а разрыв между результатами обучающей выборки и тестирующей выборки сократился. Результирующую формулу можно увидеть в Приложении Г. Значимость параметров (рисунок 3.14) распределилась, впрочем, менее равномерно, с кредиторской задолженностью предприятий как наиболее значимым, что достаточно логично было бы предположить.
Рисунок 3.14. Значимость параметров после исключения
Помимо этого, кривая прогноза (рисунок 3.15) стала менее плавной, по сравнению с изначальным результатом второй модели. Это демонстрирует, что после исключения постоянно растущих параметров во второй модели, она стала более чувствительной к областям низкого риска банкротства. При сравнении графиков заметно, что кривая прогнозирования обновлённой второй модели (красный график) ложится гораздо ближе к реальному положению дел (жёлтый график), чем кривая прогнозирования изначальной модели (синий график), и совершает меньше ошибок. Исключение составляют кризисные области, в которых наблюдались резкие скачки.
Рисунок 3.15. Кривые прогнозирования второй модели
3.9 Третья модель с показателями ликвидности
Причина, по которой первая модель не была способна оценить вероятность банкротства для случайных временных периодов, оказалась в том, что внешние показатели, собранные в периоде, в котором была обучена модель, были гораздо более значительны, чем нормативы ликвидности, собранные о банках. При проверке значимости показателей первой модели было подтверждено, что она также ориентировалась на внешние показатели, такие как месяц и год, гораздо сильнее, чем на показатели внутреннего состояния банков.
Несмотря на это, внутренние показатели по-прежнему можно использовать для выяснения поведения банка на фоне внешнего давления.
Применение Trait Recognition
Метод распознавания признаков или trait recognition был описан в первой главе и выделение признаков выборки по этому методу может облегчить работу сети, повысить её точность и позволить работать исключительно с нормативами ликвидности для определения рисков банка на основании его внутреннего состояния. Так как записи с компрометированными данными были уже исключены из выборки, не понадобится распознавать нули, однако, этот метод хорошо подходит для пороговых значений нормативов, также описанных в первой главе.
Отдельно проведём исследование по всей выборке. Средние значения параметров банков, ставших банкротами в следующем месяце, слабо отличаются от средних значений общей выборки, но гораздо сильнее как те, так и другие (рис 3.16) отличаются от пороговых значений нормативов, заданных Центральным Банком.
Рисунок 3.16. Исследование значений выборки
Таким образом, можно рассматривать не номинальные, а относительные значения нормативов ликвидности в контексте их пороговых заданных значений. Следует заметить, что многие банки пересекали эти пороговые значения, не теряя лицензии, но политика Центрального Банка позволяет это, если банк не злоупотребляет подобными нарушениями. По текущему предписанию, регулятор призывает соблюдать три из них: норматив мгновенной ликвидности Н2, норматив текущей ликвидности Н3 и норматив долгосрочной ликвидности Н4.
3.10 Проектирование и обучение модели
В качестве прогнозируемого результата было решено рассматривать не банкротство в неопределённом будущем, для которого следовало бы воспользоваться историческими данными, более подходящими для свёрточной сети, а шанс банкротства в следующем месяце на основании данных текущего. Для этого были взяты прежний массив из 463 записей, включавших записи случайных месяцах функционирующих банков и записи о последних месяцах существования банков, лицензия которых была отозвана.
По формулам (1) и (2) можно вычислить количество нейронов на скрытом слое для сети с восемью входами, одним выходом и 463 элементами в выборке. Это число N будет находится в промежутке между 5,22 и 65,52. На практике разумно будет использовать наименьшее количество.
Рисунок 3.17. График обучения третьей модели
Даже при таких условиях на графике обучения третьей модели (рис 3.17) заметен не только существенный разрыв между результатами обучающей и тестирующей выборок, но и достаточно высокий уровень погрешности, составивший 42,93%. Результирующую формулу можно увидеть в Приложении Д.
3.11 Оценка значимости показателей
Вводные показатели распределились (рис 3.18) практически равномерно, а наибольшее значение принял параметр X6, соответствующий относительному значению норматива ликвидности Н4 - долгосрочной ликвидности. Любопытно также то, что показатели X3-6 оказывают наибольшее влияние на прогнозируемый результат, ведь Н2, Н3 и Н4 - это те нормативы, выполнение которых в данный момент предписывается регулятором (Центральным Банком), а Н1.2 - норматив, указывающий на достаточность общего капитала банка.
Рисунок 3.18 Значимость параметров третьей модели
Вполне логично, что сеть обратила на них внимание, ведь нарушение первого из этих четырёх параметров может привести к нестабильному положению кредитной организации, а нарушение трёх последующих - к прямому отзыву лицензии.
Впрочем, высокий уровень погрешности, выдаваемой сетью, несмотря на то, что она в целом приводит верные предположения, требует того, чтобы результат прогнозирования учитывался только частично.
3.12 Объединение результатов действия моделей
После проведения всех экспериментов, совершения выводов и изменения сетей соответственно этим выводам, настало время подвести итоги и вынести решение о том, каким образом можно интерпретировать результаты прогнозирования, совершённого моделями.
3.13 Обоснование использования результатов моделей
Очевидно, что нельзя руководствоваться исключительно результатами прогнозирования первой, второй или третьей модели. В первом случае модель выводила данные с высокой погрешностью, а между обучающей и тестирующей выборками (рис 3.1) существовал разрыв, сократить который удалось только с помощью ряда экспериментов, совершённых в третьей модели, таких как исключение параметров и перестроение нейронной сети.
Также нельзя обратиться и исключительно к данным второй сети.
Во-первых, её результат абсолютный, а не относительный, и указывает на предполагаемое количество банкротов в следующем месяце, но не на риск для банковского сектора. Во-вторых, этот результат нельзя применить к конкретным банкам - в его вычислении не учитывается состояние какого-то определённого банка, только состояние экономики страны.
Только третью модель нельзя использовать из-за высокой погрешности выводимого ей результата прогнозирования.
Однако, зная риски для конкретного банка с известной погрешностью, можно предположить диапазон этих рисков для него, а после сдвинуть его в зависимости от того, каково предполагаемое количество банков обанкротится в следующем месяце. Так как максимальное и минимальное количества известны - это 11 и 0 - можно преобразовать это число, выводимое второй моделью, в относительное значение от минус единицы до единицы, в зависимости от того, выше или ниже оно среднего значения банкротов в месяц.
3.14 Применение результатов прогнозирования моделей
Так как искомый прогноз риска банкротства кредитной организации N будет являться не числом, но диапазоном, в первую очередь интересовать должны границы этого диапазона. Чтобы выяснить границы, которые предоставляет третья модель, можно обратиться к простой формуле.
В формуле (3) представляет результат прогнозирования третьей модели, символ е относится к погрешности модели, составляющей 0,4293. Таким образом, результат R окажется в диапазоне шириной и с центром в точке, предсказанной моделью. Следующим шагом будет движение этого диапазона в зависимости от рисков, с которыми рынок кредитования столкнётся в следующем месяце, основанное на результате прогнозирования второй модели.
Вторая модель в качестве результата выдаёт дробное число, соответствующее предполагаемому количеству банков-банкротов в следующем месяце. Разделим это число на количество банков, сдавших отчётность в этом месяце (4) и назовём частное . Эта модель также обладает погрешностью в 0,0721, поэтому искомая величина R также будет являться диапазоном (5).
Теперь остаётся узнать ширину диапазона для конечного результата (6).
Таким образом, результат R для каждого отдельного банка будет находиться в диапазоне чисел, ограниченном снизу наименьшим возможным риском для этого банка в следующем месяце, определённым третьей моделью, с учётом наименьшего риска для всех банков, а сверху - наибольшим риском как для банка, так и для всего рынка кредитования. А в качестве наиболее вероятного исхода событий можно привести среднее значение верхней и нижней границы.
Заключение
Несмотря на широкое освещение проблемы в научной литературе, специфические проблемы банковской системы в России по-прежнему остаются насущными и до сих пор не решены. Методы, используемые для прогнозирования финансовой устойчивости и рисков банкротства, в большинстве своём глобализированы и не могут быть использованы для исследования причин провала определённых банков.
Проблема банкротства сохраняется и с каждым днём становится всё более серьёзной, и на её фоне необходимы новые исследования и новые модели прогнозирования.
В данный момент получены ценные сведения касательно функционирования банковского сектора в целом, отдельных банков в частности, а также внешних факторов, влияющих на риск банкротства.
Можно с достоверной точностью судить в количественном выражении о риске банкротства, с которым сталкивается организация на протяжении всего временного периода её существования, основываясь на нормативах ликвидности, данных ей в отчётах Центральному Банку, и на макроэкономических показателях, демонстрирующих экономическую ситуацию страны в разные периоды существования кредитной организации.
Так как риск определяется не только внутренними параметрами касательно функционирования банка, а внешние параметры различны в разных временных периодах, необходимо либо построение отдельной нейросети для каждого рассматриваемого периода, либо нахождение способа охвата всей известной информации.
На данном этапе проведено проектирование системы, действующей на основании оценок отдельных временных периодов и, по запросу пользователя, определяющий риски интересующей пользователя кредитной организации в конкретный момент времени. Для поддержания актуальности информации, система обновляет её из открытых источников.
Библиографический список
1. О внесении изменений в отдельные законодательные акты российской федерации: федеральный закон Российской Федерации от 29 июня 2015 г.
2. Beaver W. Financial Ratios as Predictors of Failure. - Journal of Accounting Research, vol.4, 1966. - 71-111 c.
3. Altman E. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. - The Journal of Finance, vol.23 (4), 1968. - 589-609 c.
4. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов. - Прикладная эконометрика, ч.30 (2), 2013. - 49-64 c.
5. Charnes A. Data envelopment analysis: theory, methodology and application. - Kluwer academic publishers, 1994.
6. Кошелюк Ю.М. Граничный анализ эффективности функционирования российских банков в период 2004-2005 годов. - Сборник докладов VIII Международной научной конференции "Модернизация экономики и общественное развитие". - М: ГУ-ВШЭ, 2006. - 113-121 c.
7. Kolari J. Looking for trouble: Early detection of inadequate capitalization of U. S.commercial banks. - International Company and Commercial Law Review, vol.13 (7), 2002. - 269-279 с.
8. Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. - Psychological Review Vol.65 No.6, 1958. - 386 c.
9. Хайкин С. Нейронные сети: полный курс. - М.: Издательский дом "Вильямс", 2006. - 198-204 с.
10. Hopfield J. J. Neural networks and physical systems with emergent collective computational abilities. - Proceedings of National Academy of Sciences, 1982, vol.79 no.8. - 2554-2558 c.
11. Нормативы ликвидности. [Электронный ресурс] - URL: http://www.banki.ru/wikibank/normativyi_likvidnosti/ (дата обращения: 08.12.2016)
12. Единый архив экономических и социологических данных. Динамические ряды макроэкономической статистики РФ. [Электронный ресурс] - URL: http://sophist. hse.ru/hse/nindex. shtml (дата обращения: 12.02.2017)
13. RTS Index (RTSI) [Электронный ресурс] - URL: http://www.wikinvest.com/wiki/RTS_Index (дата обращения: 08.12.2016)
14. Справочник по кредитным организациям [Электронный ресурс] - URL: http://www.cbr.ru/credit/forms. asp (дата обращения: 08.12.2016)
15. Карпов А.Е. Шахматы: энциклопедический словарь. - М.: Советская энциклопедия, 1990.
16. Free themes for Bootstrap. [Электронный ресурс] - URL: http://bootswatch.com/ (дата обращения: 22.03.2017)
Приложение А. Макроэкономические параметры
Приложение Б. Пример собранной отчётности
Приложение В. Техническое задание
Введение
Настоящее техническое задание распространяется на разработку web-сайта прогнозирования вероятности банкротства банков.
1. Общие сведения
1.1 Наименование системы
1.1.1 Полное наименование системы: "Интеллектуальная система прогнозирования вероятности банкротства банков"
1.2 Заказчик
1.2.1 Кафедра информационных технологий в бизнесе НИУ ВШЭ - Пермь
1.3 Исполнитель работ
1.3.1 Исполнитель работ студент факультета экономики, менеджмента и бизнес-информатики "НИУ ВШЭ - Пермь" Гребнев Никита Антонович
2. Основание для разработки
Программа разрабатывается на основании положения НИУ ВШЭ - Пермь "О государственной итоговой аттестации студентов образовательных программ высшего образования - программ бакалавриата, специалитета и магистратуры Национального исследовательского университета "Высшая школа экономики"" № 6.18.1-01/2004-08 от 20.04.2017.
3. Назначение
Программа предназначена для работы системы прогнозирования банкротства банков.
4. Требования к программе или программному изделию
4.1Требования к функциональным характеристикам
4.1.1 Программа должна обеспечивать возможность выполнения следующих функций:
1. Ввод названия или регистрационного номера банка.
2. Прогнозирование вероятности банкротства на основе собранных о банке параметров.
3. Предоставление справочной информации о необходимых показателях.
4. Предоставление исторической информации о макроэкономических показателях.
5. Просмотр контактов создателя сайта.
4.1.2 Исходные данные
Функции, полученные после обучения и тестирования нейронной сети прогнозирования банкротства на основании нормативов ликвидности, и на основании общей экономической ситуации.
4.1.3 Организация входных и выходных данных
Входные данные поступают от с помощью заполнения полей поиска на странице сайта.
Выходные данные отображаются на странице сайта.
4.2Требования к надежности
Предусмотреть блокировку некорректных действий пользователя при работе с системой.
4.3Требования к составу и параметрам технических средств.
Наличие веб-браузера на пользовательском компьютере.
Минимальная конфигурация:
тип процессора Pentium и выше;
объем оперативного запоминающего устройства 32 Мб и более;
объем свободного места на жестком диске 40 Мб.
Рекомендуемая конфигурация:
Intel Pentium-IV 2400 MHz;
объем оперативного запоминающего устройства 512 Mb;
объем свободного места на жестком диске 60 Мб.
4.4 Требования к программной совместимости.
Веб-сайт должен работать под управлением всех популярных операционных систем, при наличии установленного браузера
5. Требования к программной документации
5.1 Разрабатываемые программные модули должны быть самодокументированы, т.е. тексты программ должны содержать все необходимые комментарии.
5.2 Разрабатываемая программа должна включать справочную информацию о работе программы, описания методов.
6. Стадии и этапы разработки
1. Разработка и тестирование нейронной сети.
2. Генерация функции для расчета вероятности банкротства.
3. Проектирование веб-сайта.
4. Разработка интерфейса.
5. Детальная разработка.
6. Тестирование.
7. Сдача в эксплуатацию.
7. Порядок контроля и приемки
Приемка программы осуществляется руководителем курсовой работы, а также комиссией на защите выпускных квалификационных работ.
Приложение Г. Формула второй модели
Y2 =(Math. Tanh
(
(-0.410535745432846) *
Math. Tanh
(
(-0.753993827125983) * (0.001118443127167 * X1 - (-0.367520411587071)) +
5.57541248142059 * (0.010582010582011 * X2 - 4.76719576719577) -
4.98898600391785 * (0.010598834128246 * X3 - 4.26126126126126) -
1.72881473557489 * (0.001543865066193 * X4 - 2.0698984908719) -
4.09940750926392 * (0.000318636844051 * X5 - 6.41051737758997) -
2.2909705769552 * (0.00037568831641 * X6 - 7.32799205482326) +
13.7684024383798 * (0.488997555012225 * X7 - 0.882640586797066) +
13.108523380234 * (0.000145399722886 * X8 - 3.69140092371281) + 11.4316011842742
) +
0.459556838003578 *
Math. Tanh
(
(-6.61634385048516) * (0.001118443127167 * X1 - (-0.367520411587071)) -
3.97753541147134 * (0.010582010582011 * X2 - 4.76719576719577) +
2.99222041051853 * (0.010598834128246 * X3 - 4.26126126126126) -
4.84728824744538 * (0.001543865066193 * X4 - 2.0698984908719) +
12.6169773855694 * (0.000318636844051 * X5 - 6.41051737758997) -
5.18922315612881 * (0.00037568831641 * X6 - 7.32799205482326) +
2.29776077527238 * (0.488997555012225 * X7 - 0.882640586797066) -
0.793282335318324 * (0.000145399722886 * X8 - 3.69140092371281) - 1.08476157470122
) - 0.564179095598791
) + 1
) / 0.181818181818182;
Приложение Д. Формула третьей модели
Y3 =
(Math. Tanh
(
8.11015521711839 *
Math. Tanh
(
(-0.501470977762706) * (0.061448651970197 * X1 - 0.978800215070282) -
0.778943076335783 * (0.034567521892764 * X2 - 0.978952220003073) -
0.750481452315044 * (0.046090029190352 * X3 - 0.978952220003073) +
0.375229570462166 * (0.014300559628567 * X4 - 1.00038134825676) +
0.218321910816093 * (0.00839284842029 * X5 - 1.00056232084416) +
0.403068045487486 * (0.000333380261861 * X6 - 1.00028157116711) +
0.77353357297607 * (0.016085715445834 * X7 - 0.995127497157707) +
0.502838233121193 * (0.006296296296296 * X8 - 0.888888888888889) -
0.144261062229623
) -
1.85483031817679 *
Math. Tanh
(
30.2651111076382 * (0.061448651970197 * X1 - 0.978800215070282) -
13.4830407334928 * (0.034567521892764 * X2 - 0.978952220003073) -
22.0313616848902 * (0.046090029190352 * X3 - 0.978952220003073) -
1.68647281220141 * (0.014300559628567 * X4 - 1.00038134825676) +
0.576712528087854 * (0.00839284842029 * X5 - 1.00056232084416) +
0.183174043425955 * (0.000333380261861 * X6 - 1.00028157116711) -
1.34212512673077 * (0.016085715445834 * X7 - 0.995127497157707) +
16.1994189741987 * (0.006296296296296 * X8 - 0.888888888888889) -
8.25411282675237
) +
9.81364881452648 *
Math. Tanh
(
1.80909233673298 * (0.061448651970197 * X1 - 0.978800215070282) +
0.189511369971027 * (0.034567521892764 * X2 - 0.978952220003073) -
0.996057235954168 * (0.046090029190352 * X3 - 0.978952220003073) -
2.89299487039896 * (0.014300559628567 * X4 - 1.00038134825676) -
0.371143381215108 * (0.00839284842029 * X5 - 1.00056232084416) +
2.42238000155479 * (0.000333380261861 * X6 - 1.00028157116711) +
0.62486750845002 * (0.016085715445834 * X7 - 0.995127497157707) -
0.411447042087672 * (0.006296296296296 * X8 - 0.888888888888889) +
0.344278768242371
) -
6.13159848563647 *
Math. Tanh
(
1.00266897807028 * (0.061448651970197 * X1 - 0.978800215070282) -
0.075045336444157 * (0.034567521892764 * X2 - 0.978952220003073) +
0.333500370067636 * (0.046090029190352 * X3 - 0.978952220003073) -
5.68292177124973 * (0.014300559628567 * X4 - 1.00038134825676) +
0.359026648126369 * (0.00839284842029 * X5 - 1.00056232084416) +
1.29905271774295 * (0.000333380261861 * X6 - 1.00028157116711) +
1.72582249823967 * (0.016085715445834 * X7 - 0.995127497157707) -
0.081116315231472 * (0.006296296296296 * X8 - 0.888888888888889) -
0.196821501079183
) +
16.7116258929272 *
Math. Tanh
(
0.114799691970129 * (0.061448651970197 * X1 - 0.978800215070282) +
0.201162952519735 * (0.034567521892764 * X2 - 0.978952220003073) -
0.148258898360457 * (0.046090029190352 * X3 - 0.978952220003073) -
0.07723696682859 * (0.014300559628567 * X4 - 1.00038134825676) -
0.420155114714008 * (0.00839284842029 * X5 - 1.00056232084416) +
0.234855109834512 * (0.000333380261861 * X6 - 1.00028157116711) -
0.129687402035756 * (0.016085715445834 * X7 - 0.995127497157707) +
0.136989283594989 * (0.006296296296296 * X8 - 0.888888888888889) +
0.001477622977292
) +
1.24741524961086 *
Math. Tanh
(
(-0.112700656526394) * (0.061448651970197 * X1 - 0.978800215070282) -
20.8506190973417 * (0.034567521892764 * X2 - 0.978952220003073) -
59.801029481462 * (0.046090029190352 * X3 - 0.978952220003073) -
6.74703088588443 * (0.014300559628567 * X4 - 1.00038134825676) -
5.09774979394308 * (0.00839284842029 * X5 - 1.00056232084416) -
0.131880017940985 * (0.000333380261861 * X6 - 1.00028157116711) -
16.1045555410116 * (0.016085715445834 * X7 - 0.995127497157707) -
0.992611312096357 * (0.006296296296296 * X8 - 0.888888888888889) +
0.189585731515306
) +
0.419633134679638
) + 1
) / 2;
Приложение Е. Листинг программы
Класс Bank.
public class Bank
{
public int Id { get; set; }
public string Name { get; set; }
public bool Bankrupt { get; set; }
public int year { get; set; }
public int month { get; set; }
public double otkl { get; set; }
public double risk { get; set; }
private DataTable liquidytyDataTable = new DataTable ();
public void PullLiquidity ()
{
string connS = @"Data Source=ROOT-PC\SQL2016;
Initial Catalog=bankruptcy; Integrated Security=True";
string query = "select * from liquidity where bank_id=@val1";
SqlConnection conn = new SqlConnection (connS);
SqlCommand comm = new SqlCommand (query, conn);
comm. Parameters. AddWithValue ("@val1", Id);
conn. Open ();
SqlDataAdapter da = new SqlDataAdapter (comm);
da. Fill (liquidytyDataTable);
conn. Close ();
da. Dispose ();
}
}
Контроллер Banks.
public class BanksController: Controller
{
// GET: Banks
public ActionResult Index (int? page)
{
var entities = new bankruptcyEntities ();
int pageSize = 15;
int pageNumber = (page?? 1);
return View (entities. list. ToList (). ToPagedList (pageNumber, pageSize));
}
public ActionResult Details (int id, int pagenumber)
{
var entities = new bankruptcyEntities ();
Bank bank = new Bank ();
bank. Id = id;
bank. Bankrupt = entities. list. Find (id). bankrupt;
bank. Name = entities. list. Find (id). name;
bank. otkl = Math. Round (Convert. ToDouble (entities. liquidity. SqlQuery ("select top 1 * from liquidity where bank_id = @id order by month_id desc", new SqlParameter ("@id", id. ToString ())). First (). Otklon), 0);
bank. risk = Math. Round (Math. Abs (100 - bank. otkl) * Convert. ToDouble (entities. macro. ToList (). Last (). Progn) /25, 0);
double control = Convert. ToDouble (entities. macro. ToList (). Last (). Progn);
if (bank. Bankrupt)
{
bank. month = entities. list. Find (id). liquidity. LastOrDefault (). months. month;
bank. year = entities. list. Find (id). liquidity. LastOrDefault (). months. year;
}
var viewModel = new DetailsViewModel () { bankdetails = bank, listpage = pagenumber };
return View (viewModel);
}
public ActionResult ShowLiquidity (int id, int pagenumber)
{
var entities = new bankruptcyEntities ();
var viewModel = new LiquidityViewModel () { liqlist = entities. liquidity. SqlQuery ("select * from liquidity as string where bank_id = @id", new SqlParameter ("@id", id. ToString ())). ToList (), listpage = pagenumber };
return View (viewModel);
}
}
Контроллер Macros.
public class MacrosController: Controller
{
// GET: Macros
public ActionResult Index (int? page)
{
var entities = new bankruptcyEntities ();
int pageSize = 12;
int pageNumber = (page?? 1);
return View (entities. macro. ToList (). ToPagedList (pageNumber, pageSize));
}
}
Контроллер Search
public class SearchController: Controller
{
// GET: Search
public ActionResult Index (string search)
{
var entities = new bankruptcyEntities ();
Bank bank = new Bank ();
int id = 0;
int found = 0;
List<list> liqlist = entities. list. SqlQuery ("select * from list"). ToList ();
if (! (search == ""))
{
try
{
if (Int32. TryParse (search, out id))
{
bank. Id = id;
bank. Bankrupt = entities. list. Find (id). bankrupt;
bank. Name = entities. list. Find (id). name;
bank. risk = Math. Round (Convert. ToDouble (entities. liquidity. SqlQuery ("select top 1 * from liquidity where bank_id = @id order by month_id desc", new SqlParameter ("@id", id. ToString ())). First (). Otklon),
2);
if (bank. Bankrupt)
{
bank. month = entities. list. Find (id). liquidity. LastOrDefault (). months. month;
bank. year = entities. list. Find (id). liquidity. LastOrDefault (). months. year;
}
found = 1;
}
else
{
bank. Id = entities. list. ToList (). Find (x => x. name == search). id;
bank. Bankrupt = entities. list. Find (bank. Id). bankrupt;
bank. Name = entities. list. Find (bank. Id). name;
bank. risk = Math. Round (Convert. ToDouble (entities. liquidity. SqlQuery ("select top 1 * from liquidity where bank_id = @id order by month_id desc", new SqlParameter ("@id", id. ToString ())). First (). Otklon),
2);
if (bank. Bankrupt)
{
bank. month = entities. list. Find (id). liquidity. LastOrDefault (). months. month;
bank. year = entities. list. Find (id). liquidity. LastOrDefault (). months. year;
}
found = 1;
}
}
catch { found = 0; }
}
var viewModel = new DetailsViewModel () { bankdetails = bank, listpage = found };
return View (viewModel);
}
public ActionResult CharterColumn (int bid)
{
var _context = new bankruptcyEntities ();
ArrayList xValue = new ArrayList ();
ArrayList yValueLow = new ArrayList ();
ArrayList yValueHigh = new ArrayList ();
string temp = "<Chart Palette=\"SemiTransparent\" BorderColor=\"#000\" BorderWidth=\"2\" BorderlineDashStyle=\"Solid\">\r\n<ChartAreas>\r\n <ChartArea _Template_=\"All\" Name=\"Default\">\r\n <AxisX Interval = \"365\">\r\n <LabelStyle Format=\"yyyy\"></LabelStyle> <MinorGrid Enabled=\"False\" />\r\n <MajorGrid Enabled=\"False\" />\r\n </AxisX>\r\n <AxisY>\r\n <MajorGrid Enabled=\"False\" />\r\n <MinorGrid Enabled=\"False\" />\r\n </AxisY>\r\n </ChartArea>\r\n</ChartAreas>\r\n</Chart>";
var results = (from c in _context. liquidity. Where (x => x. bank_id == bid) select c);
results. ToList (). ForEach (rs => xValue. Add (new DateTime (rs. months. year + 1, rs. months. month, 1)));
results. ToList (). ForEach (rs => yValueLow. Add ( (rs. Otklon - 0.2507) * 100));
results. ToList (). ForEach (rs => yValueHigh. Add ( (rs. Otklon + 0.2507) * 100));
var myChart = new Chart (width: 1000, height: 200, theme: temp)
. AddTitle ("Риск банкротства за период полученной отчётности, выраженный в процентах")
. AddSeries (
name: "Максимальный риск",
chartType: "Range",
xValue: xValue,
yValues: Cut (yValueHigh))
. AddSeries (
name: "Минимальный риск",
chartType: "Range",
xValue: xValue,
yValues: Cut (yValueLow))
. AddLegend ()
. GetBytes ("png");
return File (myChart, "image/png");
}
public ArrayList Cut (ArrayList patient)
{
double high = 100;
double low = 0;
ArrayList newpatient = new ArrayList ();
for (int i = 0; i < patient. Count; i++)
{
if (Convert. ToDouble (patient [i]) > 100) newpatient. Add (high);
else if (Convert. ToDouble (patient [i]) < 0) newpatient. Add (low);
else newpatient. Add (patient [i]);
}
return newpatient;
}
}
Представление Banks/Index
@model PagedList. IPagedList<Bankruptcy11. Models. list>
@using PagedList. Mvc;
@{
ViewBag. Title = "IndexList";
Layout = "~/Views/Shared/_Layout. cshtml";
}
<h2>Список банков</h2>
<table class="table">
@foreach (var item in Model)
{
if (item. bankrupt)
{
<tr class="danger">
<td>
@Html. DisplayFor (modelItem => item. id)
</td>
<td>
@if (item. name == "")
{
<p>Неизвестный банк</p>
}
else
{
@Html. DisplayFor (modelItem => item. name)
}
</td>
<td>
<p>Банкрот</p>
</td>
<td>
@Html. ActionLink ("Общая информация", "Details", new { id = item. id, pagenumber = Model. PageNumber }) |
@Html. ActionLink ("Ликвидность", "ShowLiquidity", new { id = item. id, pagenumber = Model. PageNumber })
</td>
</tr>
}
else
{
<tr>
<td>
@Html. DisplayFor (modelItem => item. id)
</td>
<td>
@if (item. name == "")
{
<p>Неизвестный банк</p>
}
else
{
@Html. DisplayFor (modelItem => item. name)
}
</td>
<td>
<p>Действует</p>
</td>
<td>
@Html. ActionLink ("Общая информация", "Details", new { id = item. id, pagenumber = Model. PageNumber }) |
@Html. ActionLink ("Ликвидность", "ShowLiquidity", new { id = item. id, pagenumber = Model. PageNumber })
</td>
</tr>
}
}
</table>
<br />
Страница @ (Model. PageCount < Model. PageNumber? 0: Model. PageNumber) из @Model. PageCount
@Html. PagedListPager (Model, page => Url. Action ("Index", new { page }))
Представление Banks/Details
@model Bankruptcy11. ViewNodels. DetailsViewModel
@{
ViewBag. Title = "Details";
Layout = "~/Views/Shared/_Layout. cshtml";
}
<h2>Информация о банке @Model. bankdetails. Name</h2>
<div>
<h4></h4>
<hr />
<dl class="dl-horizontal">
<dt>
Регистрационный номер
</dt>
<dd>
@Html. DisplayFor (model => model. bankdetails. Id)
</dd>
<dt>
Банкротство
</dt>
<dd>
@Html. DisplayFor (model => model. bankdetails. Bankrupt)
</dd>
@if (Model. bankdetails. Bankrupt)
{
<dt>
Лишён лицензии
</dt>
<dd>
@Html. DisplayFor (model => model. bankdetails. month) /@Html. DisplayFor (model => model. bankdetails. year)
</dd>
}
else
{
<dt>
Текущий риск
</dt>
<dd>
@Html. DisplayFor (model => model. bankdetails. risk) %
</dd>
<img src="@Url. Action ("CharterColumn", "Banks", new { bid = Model. bankdetails. Id})" alt="Chart" />
}
</dl>
</div>
<p>
@Html. ActionLink ("Посмотреть ликвидность", "ShowLiquidity", new { id = Model. bankdetails. Id, pagenumber = Model. listpage })
</p>
<p>
@Html. ActionLink ("К списку банков", "Index", new { page = Model. listpage })
</p>
Представление Banks/ShowLiquidity
@model Bankruptcy11. ViewNodels. LiquidityViewModel
@{
ViewBag. Title = "ShowLiquidity";
Layout = "~/Views/Shared/_Layout. cshtml";
}
<h2>@Html. DisplayFor (modelItem => Model. liqlist. First (). list. name) </h2>
<table class="table">
<tr>
<th>
Год
</th>
<th>
Месяц
</th>
<th>
Н1.0
</th>
<th>
Н1.1
</th>
<th>
Н1.2
</th>
<th>
Н2
</th>
<th>
Н3
</th>
<th>
Н4
</th>
<th>
Н7
</th>
<th>
Н9
</th>
<th>
Н10
</th>
<th>
Н12
</th>
<th>
Н18
</th>
<th>
Отклонение от нормы
</th>
<th></th>
</tr>
@foreach (var item in Model. liqlist)
{
<tr>
<td>
@Html. DisplayFor (modelItem => item. months. year)
</td>
<th>
@Html. DisplayFor (modelItem => item. months. month)
</th>
<td>
@Html. DisplayFor (modelItem => item. N100)
</td>
<td>
@Html. DisplayFor (modelItem => item. N101)
</td>
<td>
@Html. DisplayFor (modelItem => item. N102)
</td>
<td>
@Html. DisplayFor (modelItem => item. N2)
</td>
<td>
@Html. DisplayFor (modelItem => item. N3)
</td>
<td>
@Html. DisplayFor (modelItem => item. N4)
</td>
<td>
@Html. DisplayFor (modelItem => item. N7)
</td>
<td>
@Html. DisplayFor (modelItem => item. N9)
</td>
<td>
@Html. DisplayFor (modelItem => item. N10)
</td>
<td>
@Html. DisplayFor (modelItem => item. N12)
</td>
<td>
@Html. DisplayFor (modelItem => item. N18)
</td>
<td>
@Html. DisplayFor (modelItem => item. Otklon)
</td>
</tr>
}
</table>
<p>
@Html. ActionLink ("К списку банков", "Index", new { page = Model. listpage })
</p>
<div class="jumbotron">
<h1>Справочная информация</h1>
<p class="lead"><em>Н1.0</em></p>
<p>
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.
</p>
<p class="text-info">
Минимальное значение 8%
</p>
<p class="lead"><em>Н2</em></p>
<p>
Н2 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.
</p>
<p class="text-info">
Минимальное значение 15%
</p>
<p class="lead"><em>Н3</em></p>
<p>
Н3 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.
</p>
<p class="text-info">
Минимальное значение 50%
</p>
<p class="text-danger">
Нарушение Н2 и Н3 говорит о недостаточном запасе ликвидности банка.
</p>
<p class="lead"><em>Н4</em></p>
<p>
Н4 регулирует (ограничивает) риск потери банком ликвидности в результате размещения средств в долгосрочные активы и определяет максимально допустимое отношение кредитных требований банка с оставшимся сроком до даты погашения свыше 365 или 366 календарных дней, 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 лиц (кроме банков-клиентов).
</p>
<p class="text-info">
Максимальное значение 120%
</p>
<p class="text-danger">
Несоблюдение Н4 говорит о том, что банк злоупотребляет размещением в долгосрочные активы краткосрочных пассивов (например банк выдает ипотеку сроком на 25 лет, при этом деньги на эти кредиты он заимствует у банков-контрагентов на 30 дней).
</p>
<p class="lead"><em>Н7</em></p>
<p>
Н7 регулирует (ограничивает) совокупную величину крупных кредитных рисков банка и определяет максимальное отношение совокупной величины крупных кредитных рисков и размера собственных средств (капитала) банка.
</p>
<p class="text-info">
Максимальное значение 800%
Подобные документы
Основы прогнозирования банкротства предприятия с помощью индекса Альтмана. Создание программы для расчета коэффициента "Z" с помощью языка программирования Delphi. Расчет показателя эффективности активов по балансовой прибыли и доли оборотных средств.
курсовая работа [881,8 K], добавлен 30.01.2012Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015"Наивная" модель прогнозирования. Прогнозирование методом среднего и скользящего среднего. Метод опорных векторов, деревьев решений, ассоциативных правил, системы рассуждений на основе аналогичных случаев, декомпозиции временного ряда и кластеризации.
курсовая работа [2,6 M], добавлен 02.12.2014Понятие компьютерной и информационной модели. Задачи компьютерного моделирования. Дедуктивный и индуктивный принципы построения моделей, технология их построения. Этапы разработки и исследования моделей на компьютере. Метод имитационного моделирования.
реферат [29,6 K], добавлен 23.03.2010Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Применение процедур кластеризации, классификации и формирования оценок рисков.
курсовая работа [822,3 K], добавлен 09.06.2012Проектирование и реализация модели, которая будет имитировать автозаправочную станцию с постоплатой. Подбор оптимальных параметров модели с учетом требований к сети массового обслуживания. Разработка модели в среде имитационного моделирования GPSS World.
контрольная работа [279,5 K], добавлен 16.03.2014Изучение непараметрических моделей коллективного типа в задаче прогнозирования временных зависимостей. Анализ исследования и восстановления показателей преступности от следственных мероприятий. Описания руководства программиста информационной системы.
дипломная работа [3,6 M], добавлен 25.09.2011Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015
