Файл: Руденко Л. Міжнар. кред-розрах. операції-2част.doc

П. Берніус спробував розв'язати цю проблему, використовую­чи СОК із дворівневою ієрархією. СОК першого рівня навчалися на даних фінансової звітності за один рік, гак що положення компанії на карті першого рівня могло бути визначене за даними її фінансової звітності тільки за цей рік. Карта другого рівня на­вчалася на даних про положення компанії в карті першого рівня, побудованій для двох чи трьох послідовних років (рис. 5.8).

Таким чином, кожен нейрон карти Кохонена другого рівня відповідає траєкторії на карті Кохонена першого рівня, відбива­ючи ту саму динаміку зміни фінансового стану компанії щорічно.

Для навчання СОК першого рівня були обрані три показники, які широко використовуються для визначення рентабельності і платоспроможності підприємств.

На рис. 5.9 представлені СОК першого рівня. Оскільки ці кар­ти грунтуються на фінансових показниках, їхнє взаємне розташу­вання відбиває відмінності в рівні платоспроможності і рентабе­льності, тобто платоспроможність зростає зверху вниз, а рентабельність — зліва направо. Автори звертають увагу, як об­ласть найбільшої концентрації даних про банкрутство займає різ­не положення залежно від часу його настання. Спочатку зростан­ня ризику банкрутства пов'язане, головним чином, з низькою стабільністю, а потім — також і зі зниженням рентабельності.

З проекції Саммона й ортогональної матриці СО першого рівня (рис. 5.10) видно, що розподіл даних є унімодальним (має єдиний максимум), іншими словами, дані не кластеризу-ються. Це не є наслідком попереднього оброблення даних ви­рівнюванням за гістограмою. Перевірити це можна, розгляну­вши щільності безумовного розподілу вихідних даних. Як видно з проекції Саммона й ортогональної матриці, на карті мається одна особлива ділянка— верхній правий кут. Струк­тура капіталу змушує показники рентабельності (І і II) поводи­тися у верхньому правому куті інакше, ніж на інших ділянках карти.

Проекція Самона Ортогональна матриця

Рис. 5.10. Проекція Саммона та ортогональна матриця СОК першого рівня

На рис. 5.11 наводиться кілька прикладів траєкторій стану компанії. Траєкторії звичайно прагнуть обертатися за годинною стрілкою. Зниження рентабельності (зсув уліво) призводить від­повідно і до зменшення платоспроможності (зсув нагору). Ви­ключення з цього правила вказують на деякі відхилення від нор­ми, такі як зміни в структурі капіталу компанії.

Чотири траєкторії, розташовані лівіше від інших, відповіда­ють динаміці збанкрутілих згодом компаній. Рік банкрутства підприємства зображений на кожній із траєкторій у вигляді точ­ки; ділянки з високим ступенем ризику виділені темнішим (конт­растним) кольором.

Більш уважний аналіз карт другого рівня показує, що вони ві­дображають інформацію, не виявлену картами першого рівня. Наприклад, на СОК першого рівня підприємства-банкрути часто тимчасово виходять за межі ділянки високого ризику банкрутст­ва. На дворічній же карті траєкторій є визначені «поглинаючі стани», чи, що підприємства-банкрути звичайно не залишають. Аналогічне твердження вірне і для компаній, що демонструють високу рентабельність і платоспроможність. Завдяки цим власти­востям карти траєкторій можна вважати перспективним інстру­ментом ранжування підприємств.

Заслуговує на увагу дослідження, проведене Т. Кохеноком і спрямоване на розробку системи інформаційного забезпе­чення прийняття рішень для прогнозування банкрутства кор­порації, що включала б у себе СОК поряд з іншими традицій­ними методами, заснованими на багатомірному статистич­ному аналізі. База даних, використана в цьому дослідженні, містить п'ять фінансових показників, узятих із Промислових довідників агентства «Moody's» (Moody's Industrial Manual), виданих у 3975—1985 pp. для 129 фірм США, 65 з яких є бан­крутами, а інші платоспроможні. Ця база даних уже викорис­товувалася в праці Райміана б 1993 p. (Ranisnian et al., 1993). У цій праці вихідний набір був випадково розділений на дві групи. Перша складалася з 74 фірм і використовувалася для навчання, а друга складалася з 55 фірм і використовувалася для тестування моделей. Використовувані показники збіга­ються з обраними Альтманом у його видатній праці з прогно­зування банкрутств.

_{©ввввввввввв}

0©0ВВВ0ПВВ0В ©©000000000В ©©©000000000 ©©©©©©000000 000000000000

000000000000

©00000000000

©0000000000В ©0000000В000 ©000000000В0 ©©000000000Н

Рис. 5.12. Трансформація СОК у карту платоспроможності

Можна з достатньою ясністю означити на карті дві ділянки. Одна відповідає платоспроможним фірмам, а інша —- банкрутам. Однак картина, яку можна одержати за допомогою однієї тільки карти платоспроможності, неповна, оскільки ми не знаємо, як проводилось угруповання, які змінні були найбільш важливими в процесі ухвалення рішення і т. д. Дослідження синоптичних вагів допомагають визначити, які змінні домінують у певній ділянці карти. Карта, представлена на рис. 5.13, показує для кожного нейрона, яка змінна особливо важлива при розпізнаванні, тобто, яка позитивна чи негативна ознака найбільше відображає даний нейрон. На основі вивчення синоптичних вагів автори виділяють на карті ряд ділянок: високого прибутку, низької ліквідності і т. д. Права верхня зона карти відповідає коефіцієнтам високого прибутку. Правій нижній зоні на карті відповідають фірми з ви­соким коефіцієнтом г_А, ліва нижня зона на карті відповідає низь­ким значенням усіх чотирьох коефіцієнтів. Коефіцієнти 2 і 3 вно­сять вирішальний вклад у визначення меж ділянки банкрутства. Як і передбачалися, майже всі фірми, що знаходяться в зоні бан­крутства, виявляють стійкий набір ознак, що характеризуються низькими прибутками, тоді як для зони платоспроможних фірм характерні високі прибутки.

344

Після проведення кластерного аналізу дослідники виділяють десять груп. У зоні банкрутства знаходиться п'ять повних груп, а в зоні платоспроможності — три. Група у верхньому лівому куті містить у собі дві компанії: однієї платоспроможну й одну збанк­рутілу, що свідчить про необхідність обережності в роботі з ни­ми. Крім того, існує ще центральна зона, в якій зібрані як плато­спроможні, так і компанії, що розорилися, що є підтвердженням феномена існування невизначеної проміжної зони.

На наступному етапі дослідники залучають додаткову інфор­мацію, що не використовувалася при створенні СОК, щоб переві­рити карти на релевантність. Пропонується сполучити метод СОК з лінійним дискримінаитним аналізом (ЛДА— LDA — Linear Discriminant Analysis), найбільш розповсюдженою матема­тичною моделлю для прогнозування банкрутств. Мета лінійного дискримінантного аналізу — одержати показник Z, що розрізня­ється для двох чи більш груп. Одержавши показник Z для кожної фірми, його наносять на СОК. Це дозволяє обмежити деякі діля­нки, що складаються з фірм із схожою відповідно до нашого ана­лізу, платоспроможністю. Цим ділянки назви діапазонами непла­тоспроможності (діапазони зміни Z). Як видно рис. 5.15, цих ділянок чотири. Помітимо, що два діапазони неплатоспроможно­сті з Z > 7 відносяться до зони платоспроможності. Аналогічно, діапазон неплатоспроможності із Z < 2 цілком попадає в зону ба­нкрутства. Центральна зона поєднує фірми зі значеннями показ­ника Z, що лежать у проміжку від 2 до 5.

Щоб одержати діапазони неплатоспроможності, можна та­кож використовувати іншу нейронную модель — багатошаро­вий перцептрон. Ця модель має загальну з ЛДА, ціль — одержа­ти показник 7. для використання його як міри платоспроможності. Ця модель також здатна розділяти нелінійні паттерни. Фактично ЛДА являє собою окремий випадок бага­тошарового перцептрона.

Використання такої системи інформаційного забезпечення прийняття рішень дозволяє з легкістю оцінювати платоспромож­ність підприємства, у водячи лише значення фінансових показни­ків, незважаючи на складність, пов'язану з комбінуванням різних математичних засобів. Ця модель дозволяє одержати таку інфор­мацію. З'ясувати, знаходиться фірма в зоні платоспроможності чи в зоні банкрутства, і потім (шляхом дослідження карти діля­нок) визначити її найбільш яскраві фінансові ознаки. Крім того, модель показує, до якого кластера відноситься фірма і для яких ще фірм характерні подібні показники. Нарешті, за моделлю мо­жна побачити, чи відноситься фірма до того чи іншого діапазону неплатоспроможності, виявленого застосуванням методу ЛДА або багатошарового перцептрона.

Корисність такого підходу очевидна на прикладі дослідження першої фірми з тестового набору даних. Показники цієї фірми не використовувалися для навчання нейронної мережі, тому припу­стити, що будь-який нейрон вихідного шару представляє саме її, не можна. Однак вихідні нейрони, що пов'язані з фірмами, дуже подібними з тестовою, будуть сильно порушені, тоді як нейрони, пов'язані з фірмами, відмінними від тестової, матимуть низький рівень порушення. Автори ввели коефіцієнти для цієї фірми в СОК і одержали карту, що наведена на рис. 5.16.

Інформація, що дається системою інформаційного забезпе­чення прийняття рішень, досить повна У зв'язку з цим порушу­ється безліч найрізноманітніших нейронів. Інтенсивність, з якою вони збуджуються, показана різними відтінками сірого кольору. Майже всі ці нейрони спеціалізуються на розпізнаванні плато­спроможних фірм.

Як було показано, карта Кохонена є найціннішим інструмен­том для аналізу фінансового стану підприємств. У проведеному дослідженні увагу було направлено на аналіз динаміки банк­рутств компаній, однак використані методи виявилися застосов­ними також і до платоспроможних компаній. Результати свідчать на користь гіпотези, ідо існує кілька видів динаміки банкрутства компаній, причому ознаки деяких із них не можуть бути виявлені на підставі звітності за останні два-три роки. Ми показали, що метод СОК дозволяє розпізнавати різні схеми поведінки компа­ній і визначати відповідні їм ознаки. Це робить СОК перспектив­ним інструментом для ошьш повного аналізу фінансового стану і звітності компаній. Зокрема, СОК можна використовувати для складання рейтингів компаній.

Компанії, що публікують рейтинги облігацій, стверджують, що використовують при їхньому визначенні інформацію як фі­нансового, так і нефінансового змісту. Вони згадують такі факто­ри, як конкурентоспроможність емітентів, їхні перспективи, управлінську стратегію, інвестиційні плани, а також будь-які зо­внішні обставини, здатні позначитися на платоспроможності емі­тентів в майбутньому. Вони відзначають також, що аналіз офі­ційної фінансової звітності відіграє в цьому найважливішу роль, хоча й визнають, що не існує ніяких ясно визначених критеріїв, виходячи з яких її можна було б врахувати. Відомі спроби про­гнозувати рейтинг облігацій на підставі одночасно фінансової і нефінансової інформації. Як приклад можна навести праці Пога і Солдофского, Пінчеса і Мінго, Знга і Пейтела, у чиїх досліджен­нях прогнози робилися на підставі невеликого числа змінних. Із цієї причини в них найчастіше використовувалися такі засоби, як множинна регресія і дискримінантний аналіз. Останніми роками для цього застосовувалися штучні нейронні мережі, наприклад у працях Дутти та ін. Це дає підстави стверджувати, що нейронні мережі, зокрема СОК, акумулюють засади, спираючись на які доцільно обґрунтовувати рівень кредитоспроможності потенцій­ного реципієнта, визначати ступінь загрози банкрутства та роз­робляти відповідні стратегії з боку лендерів.