CC BY
45УДК: 519.862.6
ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРИ ПРОГНОЗИРОВАНИИ
БАНКРОТСТВА ПРЕДПРИЯТИЙ
Клочихин Г.А., студент, Полунин Г.М., студент
Данеев О.В., к.э.н., доцент
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», г. Москва
Аннотация. Вероятностные способы обработки информации служат одним из наиболее эффективных инструментов анализа и разработки информационных систем. Они буквально проникают в современные области знаний, точно описывая практически все технологические процессы. В современных научных исследованиях возникают ситуации, когда «классические» методы анализа информации дают неверные результаты. В подобных случаях аналитики используют Байесовский метод обработки информации (оценка вероятностей), который приводит к конкретным результатам. В статье проанализированы методы математического прогнозирования, рассмотрена система выбора показателей для наиболее точного прогноза банкротства организации.
Ключевые слова: математические методы, прогнозирование, метод прогнозирования банкротства, нейросетевая модель, Байесовский подход, вероятность.
USE OF NEURAL NETWORK MODELS IN PREDICTING BANKRUPTCY OF
ENTERPRISES
Klochikhin G.A., student, Polunin G.M., student Daneev O.V., Ph.D, Associate professor Financial University under the Government of the Russian Federation, Moskva
Abstract. Probabilistic ways of information processing serve one of the most effective tools of the analysis and development of the advanced information systems. They literally penetrate modern fields of knowledge, precisely describing almost all technological processes. In modern scientific researches there are situations when "classical" methods of the analysis of information yield incorrect results. In similar cases analysts use a Bayesian method of information processing (an assessment of probabilities) which leads to the most intelligent results. this paper analyzes the mathematical forecasting methods, considered the construction method of the selection of indicators system for subsequent bankruptcies of construction method offorecasting based on the Bayesian approach.
Key words: mathematical methods, forecasting, bankruptcy prediction method, the neural network model, the Bayesian approach, probability.
Байесовское моделирование - один из основных методов исследования многих областей знаний, а также это научно обоснованный и часто применяемый на практике, в том числе и в социально-экономической сфере, способ оценки сложных информационных систем. Метод вероятностной оценки обработки информации позволяет обеспечить более простое решение конкретных задач. Актуальность работы заключается в том, что современное состояние методов обработки информации находится в промежуточной стадии разработок и, несмотря на большое количество как российских, так и зарубежных исследований, также не теряет своей значимости задача
создания надежных и современных моделей для их осуществления.
В настоящее время в статистической науке приоритетными в использовании являются так называемые байесовские методы, которые показали чрезвычайно стремительное развитие в последние годы. Причина этого заключается в том, что байесовское моделирование имеет свои положительные стороны, что делает его достаточно привлекательным для применения в различных областях. Преимуществом байесовской модели по отношению ко многим другим является то, что она подразумевает наличие вероятностных характеристик.
Математическое моделирование
используется, в том числе, и при
прогнозировании банкротства, особенно востребованными такие модели становятся в период кризиса, так как влияние всех основных факторов, которые приводят к будущей неплатежеспособности, в такое время значительно усиливается. Математические модели по оценке вероятности рисков банкротства актуальны в настоящее время благодаря возможности их применения в финансовом и реальном секторах экономики. Основными сферами применения являются:
1) задачи по оценке банкротств корпораций;
2) возможность оценки предприятий на предмет их инвестиционной привлекательности;
3) возможность оценки контрагентов и их финансово-экономической состоятельности в сделках;
4) обеспечение на предприятиях экономической безопасности через постоянный мониторинг финансового состояния.
На данный момент уже разработаны и применяются на практике многие модели для диагностики банкротств, которые отличаются не только применяемыми в них методами для построения моделей, но и самим наборов выявленных факторов банкротства. Все указанные здесь методы относят, в основном, к 5 группам:
1) статистические классические методы;
2) методы проведения регрессионного анализа;
3) методы проведения дискриминантного анализа;
4) методы проведения ^й-анализа;
5) нейросетевые методы и методы проведения нечетких множеств.
Итак, при помощи моделируемой величины У рассмотрим вероятность факта, что при определенных значениях Х1=(Х11,х2,.. .^п) некоторое предприятие под номером { может оказаться банкротом. После получения значений вероятностей согласно формулам, выведенным для нейросетей, предприятие под номером { классифицируется как банкрот, в ином же случае
предприятие можно считать платежеспособным. На качественное обучение нейросетей влияют так называемые аномальные или противоречивые наблюдения, которые содержатся в данных - при удалении аномальных наблюдений данные становятся более однородными. Решение задач аппроксимации при этом улучшается, однако при построении нейросетевых моделей диагностики банкротств есть своя специфика: нейросети в процессе их обучения «учатся» распознавать образы банкротов или же не банкротов по некоторым наборам значений входящих переменных.
Приведем пример, иллюстрирующий применение данного подхода на практике. Для исследования были взяты данные бухгалтерской отчетности по 136 российским предприятиям строительной отрасли за 2015 год (68 из них -банкроты, 68 - не банкроты), по которым сформированы 4 группы альтернативных показателей, используемых в разных моделях для диагностики банкротства (период для оценки рисков - 5 лет). Каждую выборку случайно разбили на тестовое и обучающее множества, причем в обучающее пошло 100 предприятий, тогда как в тестовое - 36. В каждой из баз данных были выявлены аномальные вектор-строки, далее аномальные наблюдения включили принудительно в тестовые множества, - так сформировали 8 наборов данных. Все данные нормировали по стандарту, затем для выбора лучшей системы данных показателей создали вспомогательную нейросеть, поочередно обучающуюся на каждом из наборов данных.
Результаты данного тестирования приведены в Табл.1. Качество моделей оценивалось по заданным критериям. Лучший результат показала система показателей №1. По анализу таблицы можно сделать вывод о том, что общее количество ошибок наряду с ошибками 1 -го рода становится значительно меньше, если предварительно удалялись все аномальные наблюдения и далее в обучении не участвовали. Полезность аномальных наблюдений для задач классификации исследованиями не
подтвердилось. Выбранная система показателей
проверялась ансамблем 10 основных нейросетевых моделей, результаты данного тестирования приведены в Табл.2.
Таблица 1. Результаты тестирования нейросети для различных систем показателей.
Система Кол-во Доля правильно Всего Ошибок 1- Ошибок 2- К*
показателей правильно распознанных ошибок го рода го рода
распознанных предприятий
предприятий
Противоречивые данные не удалялись и участвовали в обучении нейросети
1 25 69,44% 11 6 5 9,67
2 25 69,44% 11 10 1 9,00
3 30 83,33% 6 5 1 13,17
4 30 83,33% 6 3 3 13,50
Противоречивые данные в обучении не участвовали, а вошли в тестовое множество
1 33 91,67% 3 1 2 15,83%
2 32 88,89% 4 2 2 15,00%
3 27 75,00% 9 3 6 11,50%
4 31 86,11% 5 3 2 14,17%
Таблица 2. Результаты тестирования ансамбля нейросетей.
№ сети Доля верно распознанных предприятий Всего ошибок Кол-во ошибок 1-го рода Кол-во ошибок 2-го рода Кк
1 66,7% 12 6 6 59,00%
2 66,7% 12 6 6 59,00%
3 80,56% 7 2 5 63,00%
4 75,0% 9 3 6 61,50%
5 86,11% 5 1 4 64,50%
6 72,2% 10 4 6 60,67%
7 80,56% 7 3 4 62,83%
8 80,56% 7 3 4 62,83%
9 75,0% 9 4 5 61,33%
10 77,78% 8 3 5 62,17%
Среднее на отфильтрованном ансамбле 83,33% 6 3 3 63,50%
Фильтрация показателей осуществлялась по больше заданного значения N при уровне принципу: критерий качества (Кк) должен быть отбраковки N=62%. Операцию отбраковки
прошли только 5 из 10 моделей (№3, №5, №7, №8, №10). Из Табл.2 можно заметить, что качество идентификации исследуемых предприятий отличается, поэтому для окончательной классификации показателей были использованы весовые коэффициенты, которые учитывали качество каждой модели. Как показывают данные, операция осреднения показателей выявила достаточно большую долю верно распознанных нейросетями предприятий -она составила 83,3%, что составляет 30 предприятий из 36 в тестовом множестве. Данный результат превзошёл все другие показатели. Таким образом, можно сделать вывод о том, что байесовский подход весьма эффективен на практике.
Применение байесовского моделирования всё больше и больше внедряется в социально-экономическую сферу общества. Поэтому разработанные концепции формализации сравнительной оценки для формирования
математической модели банкротств, основанной на байесовском подходе, позволяют сформировать условия создания эффективной нейросетевой модели банкротств.
Список используемых источников
1. Айвазян С.А. Байесовский подход в эконометрическом анализе. Прикладная эконометрика №1(9), Синергия, 2008. С. 93-130.
2. Беннер В.М., Бронникова Л.М. Основы математической обработки информации / учебно-методическое пособие. - Барнаул: Изд-во «АлтГПА», 2012. - 60с.
3 .Звягин Л.С. Математические методы в эконометрике как средства анализа и исследования социально-экономических систем // Вопросы экономики и управления. 2015. №1. С. 1-6.
4. Звягин Л. С., Данеев О. В. Методы финансовых расчетов: Сборник задач для проведения case-study. Учебное пособие - М.: Финуниверситет, 2016.
===================================== v V ====================================
УДК: 004.89
МАШИННОЕ ОБУЧЕНИЕ И НЕЙРОННЫЕ СЕТИ В БИЗНЕСЕ
Корнина А. Е., студент Финансовый университет при Правительстве Российской Федерации, Москва, Россия
Аннотация. В статье рассмотрены понятия «нейронные сети» и «машинное обучение», их сущность, возможности. Приведены примеры применения нейронных сетей и машинного обучения в различных отраслях бизнеса. Приведен российский опыт использования нейронных сетей. Также отмечены некоторые проблемы и перспективы развития машинного обучения и нейронных сетей.
Ключевые слова: бизнес, искусственный интеллект, машинное обучение, модель, нейронные сети, отрасли, применение, примеры.
MACHINE LEARNING AND NEURAL NETWORKS IN BUSINESS
Kornina A.
Financial University under the Government of the Russian Federation, Moscow, Russia
Abstract. The article deals with the concepts of "neural networks" and "machine learning", their essence and capabilities. Examples of application of neural networks and machine learning in various branches of business are given. The Russian experience of using neural networks is given. Some problems and prospects of machine learning and neural networks development are also noted.
Key words: business, artificial intelligence, machine learning, model, neural networks, industries, applications, examples.
