CC BY
30
УДК 004.8:336.7
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ПОКАЗАТЕЛЕЙ ЛИКВИДНОСТИ КРЕДИТНОЙ ОРГАНИЗАЦИИ
Т.Н. Беляева, Т.В. Лабутина
Ивановский государственный химико-технологический университет
С.Р. Гринева
Ивановская государственная текстильная академия
К области сложно алгоритмизуемых задач относятся вопросы банковского менеджмента. Управление ликвидностью определяет прежде всего финансовую безопасность кредитной организации. Универсальные возможности моделей искусственного интеллекта позволяют успешно использовать их в прогнозировании финансовых результатов деятельности субъектов экономики. В рамках исследования получена настроенная нейронная сеть, позволяющая оперативно устанавливать сложные зависимости между показателями финансовой отчетности и нормативом мгновенной ликвидности Н2, отражающим уровень риска потери банком ликвидности.
Современные методические рекомендации относительно анализа финансового состояния кредитной организации представлены достаточно широким спектром инструментов, способов и методов. Сложной проблемой остается формирование оперативной системы измерений и расчета ожидаемых значений финансовых показателей как результата уже принятого и реализуемого в текущее время управленческого решения. Авторами [2, 3] предлагается система анализа устойчивости и развития российских банков, в основу разработки которой положена методология корпоративного управления, выработанная Базельским комитетом. Основной принцип ее заключается в утверждении, что анализ финансового состояния, в первую очередь, актуален для совершенствования стратегического управления банком.
К фундаментальным системным принципам относятся вопросы формирования критериев оценки, их измеримости и меры в диагностике банка. Практика банковской деятельности показывает, что одной из значимых характеристик является ликвидность. Решение проблемы
оценки, управления и контроля риска ликвидности кредитной организации при высоком уровне неопределенности достаточно сложная задача. Традиционный метод контроля ликвидности с использованием анализа активов и пассивов по срокам погашения дает большие погрешности при оценке сбалансированности операций на основе публикуемых форм финансовой отчетности. Одной из причин тому является неустойчивость ресурсной базы кредитной организации, свойственная ей по своей финансовой природе и крайне негативно проявляющаяся в периоды финансовых кризисов. Эта неустойчивость связана с тем, что в пассивы банка входят клиентские средства до востребования, списание и поступление которых являются случайными событиями. Текущее управление активами и пассивами связано не со всей ресурсной базой, а только с ее частью, представленной свободными ресурсами. Последние также являются неустойчивыми по своему характеру. Таким образом, в прогнозе ликвидности можно выделить два аспекта: объем привлеченных ресурсов и
текущие обязательства, которые банк должен исполнить.
Регулирование банковских рисков кредитных организаций, включая и риск потери ликвидности, осуществляется посредством установления Центральным Банком России специфических ограничений на их деятельность, выражающихся в требованиях поддержания определенных соотношений показателей деятельности, т. е. обязательных нормативов. Ограничение деятельности кредитной организации выражается в том, что она должна совершать банковские операции и сделки с учетом требования о соблюдении значений нормативов ликвидности, которые регулируют риски потери банком ликвидности и определяются как отношение между активами и пассивами с учетом сроков, сумм и групп активов и пассивов, а также других факторов.
Норматив мгновенной ликвидности банка (Н2) ограничивает риск потери банком ликвидности в течение одного операционного дня [1].
Риск потери ликвидности наиболее разрушителен и непредсказуем по возможным фатальным последствиям для банка. Поэтому неслучайно, что выполнение норм ликвидности является одной из важнейших задач, стоящих перед менеджерами коммерческих банков, и в настоящий момент вызывает повышенный интерес к проблеме ликвидности банка.
Таким образом, представляется актуальным исследование возможности формирования оперативной системы расчета и анализа ожидаемых значений обязательных нормативов и финансовых показателей деятельности банка как для оценки результата уже принятого и реализуемого в текущее время управленческого решения, так и для принятия срочных мер, обеспечивающих выполнение обязательных нормативов, на основе создания модели, описывающей влияние волатильности активов и пассивов банка, как совокупности факторов, на измене-
ние значения норматива мгновенной ликвидности.
Решение проблемы повышения эффективности управления риском потери ликвидности банком сопряжено с разработкой моделей и программных инст-рументариев для обеспечения поддержки принятия решений в ходе управления, что в свою очередь обусловлено широким распространением и доступностью компьютерной техники и соответствующих программных продуктов. Взаимосвязь процедур анализа и прогнозирования в рамках управления устойчивостью кредитной организации в условиях неопределенности информации и слабой алгоритмизации самих процессов управления предполагает построение моделей исследования поведения сложной системы на основе использования методов искусственного интеллекта. Нейронные сети в настоящее время широко применяются в областях, где формулируются плохо алгоритмизуемые задачи. Большинство вариантов применения нейронных сетей в менеджменте касаются задач, которые можно классифицировать по следующим категориям: распознавание образа, аппроксимация, анализ временных рядов, кластеризация и оптимизация. Возможность нейронной сети в прогнозировании напрямую следует из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными.
Любая искусственная нейронная сеть в общем случае может рассматриваться как некоторый преобразователь, который способен для определенной комбинации входных сигналов х выдавать соответствующие выходные сигналы у, реализуя некоторую функцию у=Дх). Конкретный вид преобразования определяется как архитектурой нейросети, так и характеристиками нейронных элементов, средствами управления и синхронизацией информационных потоков между нейронами [4, 7].
К числу основных свойств и вытекающих из них преимуществ нейронных сетей [4, 5, 7] можно отнести следующие.
1. Способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и зависимости между входными и выходными данными.
Под обучением понимается процесс адаптации сети к предъявляемой обучающей выборке путем модификации в соответствии с тем или иным алгоритмом ее параметров (весовых коэффициентов связей между нейронами, пороговых уровней и др.) для эффективного выполнения специальной задачи.
В таких случаях (а к ним можно отнести до 80% задач финансового анализа) дают неудовлетворительные результаты как традиционные математические методы, так и экспертные системы.
2. Способность самообучаться, т.е. создавать обобщения. Под термином обобщение понимается способность получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют нейронным сетям решать сложные (масштабные) задачи, которые на сегодняшний день считаются трудноразрешимыми. Однако на практике при автономной работе нейронные сети не могут обеспечить готовые решения. Комплексную задачу можно разбить на последовательность относительно простых, часть из которых может решаться нейронными сетями.
3. Адаптивность нейронных сетей заключается в их способности успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию. Так, нейронные сети обладают способностью адаптироваться к изменениям окружающей среды. В частности, нейронные сети, обученные действовать в определенной среде, могут быть легко переучены для работы в условиях незначи-
тельных колебаний параметров среды. Более того, для работы в нестационарной среде (где статистика изменяется с течением времени) могут быть созданы нейронные сети, изменяющиеся в реальном времени.
4. Универсальная обработка информации. Перечислим некоторые особенности ИНС, которые играют важную роль при обработке информации:
- способность к обобщению: после обучения сеть может вырабатывать требуемые выходные реакции не только на входные образы из обучающей выборки, но и на все остальные. Система становится нечувствительной к малым изменениям входных сигналов (шуму или вариациям входных образов) и дает правильный результат на выходе;
- способность к абстрагированию: если предъявить несколько искаженных вариантов входного образа, то сеть самостоятельно может создать на выходе идеальный образ, с которым она никогда не встречалась;
- способность к ассоциациям: способность извлекать и воспроизводить взаимосвязи между входными образами и их выходными изображениями, например, восстанавливать на выходе запомненный образ по частичному указанию его содержания.
5. Параллельная обработка информации. Так же как и их биологические прототипы, ИНС обеспечивают параллельную обработку информации. По сути, такие сети являются вычислительными системами с огромным числом параллельно функционирующих простейших процессоров (нейронов) и множеством связей между ними. Параллельная работа большого количества нейронов позволяет достичь высокой скорости обработки информации. Во многих ситуациях становится возможной обработка информации в реальном масштабе времени.
6. Из предыдущего свойства вытекает свойство надежности (отказоустойчивости). Это значит, что при неблагоприятных условиях производительность нейронных сетей падает незначительно, например, если поврежден какой-то нейрон или его связи, извлечение запомненной информации затрудняется, но сеть в целом остается работоспособной. Однако, принимая в расчет распределенный характер хранения информации в нейронной сети, можно утверждать, что только серьезные повреждения структуры нейронной сети существенно повлияют на ее работоспособность. Поэтому снижение качества работы нейронной сети происходит медленно. Незначительное повреждение структуры никогда не вызывает катастрофических последствий. Это - очевидное преимущество робаст-ных вычислений, однако его часто не принимают в расчет. Чтобы гарантировать отказоустойчивость работы нейронной сети, в алгоритмы обучения нужно закладывать соответствующие поправки.
7. Контекстная информация -знания представляются в самой структуре нейронной сети с помощью ее состояния активации. Каждый нейрон сети потенциально может быть подвержен влиянию всех остальных ее нейронов. Как следствие, существование нейронной сети непосредственно связано с контекстной информацией.
8. Единообразие анализа и проектирования. Нейронные сети являются универсальным механизмом обработки информации. Это означает, что одно и то же проектное решение нейронной сети может использоваться во многих областях. Это свойство проявляется несколькими способами:
- нейроны в той или иной форме являются стандартными составными частями любой нейронной сети;
- эта общность позволяет использовать одни и те же теории и алгоритмы обу-
чения в различных нейросетевых приложениях.
9. Несомненным преимуществом является то, что нейросетевые пакеты позволяют исключительно легко подключаться к базам данных и автоматизировать процесс ввода и первичной обработки данных.
Таким образом, применение нейросетевых технологий для решения задач прогнозирования результатов деятельности коммерческого банка целесообразно, так как нейронные сети - исключительно мощный метод моделирования. В задачах, где линейная аппроксимация неудовлетворительна (т.е. в случаях, когда неизвестны закономерности развития ситуации и зависимости между входными и выходными данными, а к ним можно отнести до 80% задач финансового анализа), линейные модели работают плохо. Нейронные сети нелинейны по своей природе и позволяют воспроизводить чрезвычайно сложные зависимости. Кроме того, нейронные сети справляются с так называемым «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа входных переменных (как и в случае с расчетом норматива мгновенной ликвидности Н2).
В рамках настоящего исследования реализовано построение нейросете-вой модели прогнозирования показателя моментной ликвидности коммерческого банка на базе ППП STATISTICA Neural Networks (SNN) [6]. Обучающий набор данных представляет собой набор наблюдений, для которых указаны значения входных и выходных переменных. В качестве исходной информации использовались данные сайта Национального Рейтингового Агентства (НРА) [8] по тридцати коммерческим банкам, имеющим наибольшие значения показателя мо-ментной ликвидности (за исключением тех кредитных организаций, которые получили государственную финансовую
поддержку в рамках антикризисных мер). Временной ряд содержит п=17 дискретных отсчетов для каждого банка {у(и), у02), ... y(tn)} в последовательные моменты времени за период «сентябрь 2007г. - февраль 2009г.». Это позволяет сформулированную задачу (рис.1) классифицировать как задачу регрессии, которую в пакете можно решить с помощью сетей следующих типов: много-
слойный персептрон, радиальная базисная функция, обобщенная регрессионная сеть и линейная сеть.
В процессе построения модели конструктор выбрал как оптимальную архитектуру многослойный персептрон с шестью входными и четырьмя скрытыми слоями. Ошибка этой сети минимальна из всех 50 автоматически сконструированных сетей.
Рис. 1. Формулировка задачи построения нейронной сети с целью прогнозирования показателя
мгновенной ликвидности Н2
Качество работы сети в задаче регрессии проверялось с помощью итоговых статистик регрессии по показателю Н2, которые вычислялись для контрольного (Уе.) и обучающего (Те.) множеств (рис.2).
К итоговым статистикам относятся: среднее значение, стандартное отклонение и отношение стандартного отклонения ошибки прогноза к стандартному отклонению обучающих данных, вычисленные для обучающих данных и для ошибки прогноза.
Проверка работы сети осуществлялась тестированием, в результате которого для выбранной кредитной организации было получено значение показателя моментной ликвидности 1,44 при фактическом его уровне 1,12. Ошибка аппроксимации составила 4,38%, т.е. меньше 5%, и является допустимой.
Программа БКК - наиболее современная по технологии и лучшая по рабочим характеристикам среди нейросе-тевых пакетов, представленных сейчас на рынке программного обеспечения.
Рис. 2. Построение и определение эф
Среди ее преимуществ: такие не имеющие аналогов в других системах возможности, как «Мастер решения задач» (основанная на методах искусственного интеллекта система построения архитектуры и настройки сети) и «Генетический алгоритм отбора входных признаков» (средство выявления наиболее значимых переменных);
БМК является лучшим по количеству и эффективности реализованных аналитических методов. При этом БМК -не только самый мощный и универсальный, но и самый простой в освоении нейросетевой пакет. Пользователь должен знать всего две вещи: что он хочет прогнозировать, и какие данные могут быть для этого полезны;
ти работы нейросетевой модели
пакет уникален в том отношении, что он автоматически отбирает наилучшие среди всех возможных предсказывающих переменных и автоматически строит сеть оптимальной архитектуры. Тем самым пользователь избавлен от самой нудной (иногда она кажется бесконечной) части работы с нейронными сетями - поиска наилучшей архитектуры сети методом проб и ошибок;
БМК - единственный из существующих пакетов, который органично встраивается в единую систему статистического анализа и визуализации данных и порождает мощную интегрированную аналитическую среду; полная интеграция с системой STATISTICA; все результаты, графи-
ки, отчеты и т.д. могут быть в дальнейшем модифицированы с помощью мощных графических и аналитических инструментов STATISTICA (например, для проведения анализа предсказанных остатков, создания подробного отчета и т.п.); мощные методы разведочные и аналитические технологии, в том числе «Анализ главных компонент» и «Понижение размерности» для выбора нужных входных переменных в разведочном (нейросетевом) анализе данных (выбор нужных входных переменных для нейронных сетей часто занимает длительное время; система БМК может выполнять эту работу за пользователя).
В результате проведенного исследования получена настроенная нейронная сеть, позволяющая оперативно устанавливать сложные зависимости между показателями финансовой отчетности и нормативом мгновенной ликвидности Н2, отражающим уровень риска потери банком ликвидности.
ЛИТЕРАТУРА
1. Ерицян, А. В.. Нормативы ликвидности кредитной организации: правовые аспекты [Электронный ресурс] // Режим доступа: http://www.klerk.ru/print.php71401.
2. Котенков В., Сазыкин Б. Устойчивое развитие банков России //Аналитический банковский журнал. 2000, №2(57).
3. Котенков В., Сазыкин Б. Диагностика развития и финансовой устойчивости банков // Аналитический банковский журнал. 2001, №8 (78).
4. Матвеев, М.Г. Модели и методы искусственного интеллекта. Применение в экономике [Текст] / М.Г. Матвеев, А.С.Свиридов, Н.А. Алейникова; М.: Финансы и статистика; ИНФРА-М, 2008.
5. Масалович А. Нейронная сеть-оружие финансиста [Электронный ресурс] // Режим доступа: http://www.pcweek.ru/themes/detail.php?ID=77372.
6. Нейронные сети. STATISTICA Neural Networks [Текст]; М.: Горячая линия-Телеком, 2000.
7. Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин; М.: Издательский дом «Вильямс», 2006.
8. Барометр банковской ликвидности Национального Рейтингового Агентства [Электронный ресурс]; Режим доступа: www.ra-national.ru/bank.php.
NEURONET MODELLING OF CREDIT ORGANIZATION LIQUIDITY PARAMETERS
T. Beljaeva, T. Laboutina, S. Grineva
The questions of bank management belong to the area of difficultly analyzable problems. Management of liquidity defines first of all financial safety of the credit organization. Universal opportunities of artificial intellect models allow using them successfully in forecasting financial results of economic unit. . Within the limits of research was received the adjusted neural network that allow operatively establish complex dependences between parameters of the financial statements and the standard of instant liquidity N2, reflecting a risk level of loss liquidity of bank.
