|
К* 0.55 0.65 «среднего качества» «относительное благополучие» ш3 10(0.65-КО 1 т з = т 4 Ki 0.65 -0.75 «относительное благополучие» 1 К] 0.75 -0.85 «относительное благополучие» «предельное благополучие» ш4 =10(0.85-К 3) 1-ш4 = in 5 Kj 0.851.0 «предельное благополучие» 1 Метод нейронных сетей. Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров является прогнозирование банкротств. Данную задачу можно разбить на два этапа [87,88]: анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата 74% вероятности банкротства) [8 8 ]. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейнную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена. Если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Х[ = работающий капитал, все активы Х2 = сохраняемая прибыль, все активы Х3 = прибыль до капиталовложений и налога, все активы Х4 = рыночная стоимость акций, общий долг Хз = величина продаж, все активы, а в качестве указаний учителя выбрать две группы фирм, одна из которых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать ответ «банкрот» или «не банкрот». После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Вероятность правильного ответа может достигать 80% 97%. 130 |
97 знавания состояния предприятия имеет вид таблицы 23. Одновременно, в соответствии с результатом распознавания по таблице 23, оценивается степень риска банкротства предприятия. Метод нейронных сетей Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров является прогнозирование банкротств. Данную задачу можно разбить на два этапа [44]: анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; 4 анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата 74% вероятности банкротства). [106] Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейнную модель процесса па основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, ( весьма затруднена. Если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Xi = работающий капитал, все активы Х2 = сохраняемая прибыль, все активы Хз прибыль до капиталовложений и налога, все активы Х4 рыночная стоимость акций, общий долг Х5 = величина продаж, вес активы, г а в качестве указаний учителя выбрать две группы фирм, одна из кото* рых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать 98 ответ «банкрот» или «не банкрот». После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Вероятность правильного ответа может достигать 80% 97%. Следует подчеркнуть следующую особенность применения нейросетевых экспертных систем. Исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Анализ применимости методов по прогнозированию банкротства к российским предприятиям Оценка финансового состояния предприятий и установления неудовлетворительной структуры баланса довольно просты в применение и используют информацию доступную для внешнего пользователя. Методические рекомендации по проведению экспертизы о наличии (отсутствии) признаков фиктивного или преднамеренного банкротства так же просты в применении и используют информацию доступную для внешнего пользователя. Но при этом они не решают основной задачи определения банкрот предприятие или нет. Сопоставление данных, полученных для ряда стран, показывает, что веса в Z-свертке и пороговой интервал [Zj Z2] сильно разнятся не только от страны к стране, но и от года к году в рамках одной страны (можно сопоставить выводы Альтмана о положении предприятий США за 10 лет анализа). Получается что Z методы Альтмана не обладают устойчивостью к вариациям в исходных данных. Статистика, на которую опирается Альтман и его последователи, возможно, и репрезентативна, но она не обладает важным свойством статистической однородности выборки событий. Одно дело, когда статистика применяется к выборке радиодеталей из одной произведенной партии, а другое, когда она применяется к фирмам с различной организационно-технической спецификой, со своими уникальными рыночными нишами, стратегиями и целями, фазами жизненного цикла и т.д. Здесь невозможно говорить о статистической однородности событий, и, следовательно, до |