Скрыть
Раскрыть

ISSN 1998-0663 (print),
ISSN 2587-8166 (online)

English version: ISSN 2587-814X (print),
ISSN 2587-8158 (online)

Ясницкий Л. Н. 1, Иванов Д. В. 2, Липатова Е. В. 3
  • 1 НИУ ВШЭ, 614070, Россия, Пермь, ул. Студенческая, д.38
  • 2 Пермский государственный национальный исследовательский университет, 614990, г. Пермь, ул. Букирева, д. 15
  • 3 Национальный исследовательский университет «Высшая школа экономики» (Пермский филиал) , 614046, г. Пермь, ул. Студенческая, д. 38

Нейросетевая система оценки вероятности банкротства банков

2014. № 3 (29). С. 49–56 [содержание номера]

Ясницкий Леонид Нахимович - доктор технических наук, профессор кафедры информационных технологий в бизнесе, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики» (Пермский филиал); Председатель Пермского отделения Научного Совета РАН по методологии искусственного интеллекта
Адрес: 614046, г. Пермь, ул. Студенческая, д. 38.
E-mail: yasn@psu.ru

Иванов Дмитрий Вячеславович - аспирант кафедры информационных систем и математических методов в экономике, экономический факультет, Пермский государственный национальный исследовательский университет,
Адрес: 614990, г. Пермь, ул. Букирева, д. 15.
E-mail: idv_1988@mail.ru

Липатова Екатерина Викторовна - студент факультета экономики, Национальный исследовательский университет «Высшая школа экономики» (Пермский филиал)
Адрес: 614046, г. Пермь, ул. Студенческая, д. 38.
E-mail: Lipatova_katya@mail.ru

      Предметом исследования является банковская система России. Цель работы – создание математической модели, предназначенной для оценки вероятности банкротств банков по причине отзыва лицензии. Инструмент создания модели – аппарат нейронных сетей, обучаемых на материалах финансовой отчетности Центрального банка Российской федерации. Погрешность тестирования (обобщения) обученной и оптимизированной нейронной сети составила 6,3%. Исследования моделируемой области, – банковской сферы РФ, – выполнены путем проведения виртуальных компьютерных экспериментов, в ходе которых вычисления с помощью нейронной сети производились при изменении одного из пятнадцати входных параметров, характеризующих банки, в то время как остальные параметры сохранялись неизменными. В частности, исследовалось влияние на вероятность банкротства банка коэффициента долгосрочной ликвидности, вида организационно-правовой формы, показателя размера крупных кредитных рисков, места регистрации банка. В результате сделан вывод о том, что повышение коэффициента долгосрочной ликвидности снижает вероятность банкротства банка, однако, начиная с определенного уровня, зависящего от других параметров конкретного банка, повышение данного показателя увеличивает вероятность его банкротства. Существенное влияние на успешность функционирования банка оказывает организационно-правовая форма банка, а также место его регистрации. Однако это влияние неоднозначно и в каждом конкретном случае может проявляться по-разному, в зависимости от множества других параметров банка и его деятельности. Приведен пример применения математической модели для разработки рекомендаций по снижению вероятности банкротства одного из банков. 

BiBTeX
RIS
 
 
Rambler's Top100 rss