CC BY
22
УДК 004.032.26:336.71
ЗАСТОСУВАННЯ ШТУЧНИХ НЕйРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ РИЗИКУ
БАНКРУТСТВА БАНЮв
©2018 марков м. е.
УДК 004.032.26:336.71
Марков М. €. Застосування штучних нейронних мереж для прогнозування ризику банкрутства 6aHKiB
Метою cmammi е знаходження оптимально/ структуры штучно/ нейронно/ мереж1 для виршення задачi прогнозування банкрутства бант та дотдження ефективностi використання нейромережево/ модел'> для реалш укра/нсько/ банювсько/ сфери. Результаты проведеного дотдження св'дчать, що найкращу точтсть прогнозв на 1-1,5 роки показала модель на основi багатошарового персептрона з 10 та 2 нейронами у при-хованих шарах. Розроблена нейромережева модель може використовуватися як альтернатива статистичним методам, оскшьки вона показуе кращi результати. Перспективою подальших дослджень у даному напрямi е розробка комплексно/' системи тдтримки прийняття ршень для банювських установ, яка б включала прогнозування ризишв для банку, анал'в ф'шансового стану банку та виявлення ф'шансових проблем за допо-могою iнновацiйних 'тструмент'ю та технологй, забезпечення мошторингу та контролю за ризиками баншвсьт установи. Одним з елементв комплексно/ системи може стати розроблена нейромережева модель.
Ключов'! слова: банки, прогнозування, банкрутство, ризик, моделювання, штучт нейронт мереж'>, нейромережева модель. Рис.: 3. Табл.: 6. Формул: 1. Б'бл.: 8.
Марков Михайло Евгенович - магЫрант, Схiдноукра¡нський нацональний ушверситет iм. В. Даля (пр. Центральний, 59a, Северодонецьк, Луган-ська обл., 93400, Укра/на) E-mail: mykh.markov@gmail.com
УДК 004.032.26:336.71 Марков М. Е. Применение искусственных нейронных сетей для прогнозирования риска банкротства банков
Целью статьи является нахождение оптимальной структуры искусственной нейронной сети для решения задачи прогнозирования банкротства банков и исследования эффективности использования нейросетевой модели для реалий украинской банковской сферы. Результаты проведенного исследования свидетельствуют, что лучшую точность прогнозов на 1-1,5 года показала модель на основе многослойного персептрона с 10 и 2 нейронами в скрытых слоях. Разработанная нейросетевая модель может использоваться как альтернатива статистическим методам, так как она показывает лучшие результаты. Перспективой дальнейших исследований в данном направлении является разработка комплексной системы поддержки принятия решений для банковских учреждений, которая бы включала прогнозирование рисков для банка, анализ финансового состояния банка и выявление финансовых проблем с помощью инновационных инструментов и технологий, обеспечение мониторинга и контроля за рисками банковского учреждения. Одним из элементов комплексной системы может стать разработанная нейросетевая модель. Ключевые слова: банки, прогнозирование, банкротство, риск, моделирование, искусственные нейронные сети, нейросетевая модель. Рис.: 3. Табл.: 6. Формул: 1. Библ.: 8.
Марков Михаил Евгеньевич - магистрант, Восточноукраинский национальный университет им. В. Даля (пр. Центральный, 59a, Северо-донецк, Луганская обл., 93400, Украина) E-mail: mykh.markov@gmail.com
UDC 004.032.26:336.71 Markov M. Ye. Using the Artificial Neural Networks for Forecasting the Risk of Bankruptcy of Banks
The article is aimed at finding the optimal structure of artificial neural network to solve the problem of forecasting the bankruptcy of banks and researching the efficiency of use of the neural networks model for the realities of Ukrainian banking sphere. Results of the research testify that the best accuracy of forecasts for 1-1,5 years showed the model on the basis of the multilayer perceptron with 10 and 2 neurons in the hidden layers. The developed neural networks model can be used as an alternative to statistical methods, as it has shown better results. Prospect for further research in this direction is development of a complex system of support for decision-making for banking institutions, which would include forecasting risks for bank, analysis of the bank's financial condition and identification of financial problems using innovation instruments and technologies, ensuring the monitoring and control of risks of banking institution. The developed neural networks model can become one of elements of the complex system. Keywords: banks, forecasting, bankruptcy, risk, modeling, artificial neural networks, neural networks model. Fig.: 3. Tbl.: 6. Formulae: 1. Bibl.: 8.
Markov Mykhailo Ye. - Graduate Student, East-Ukrainian National University named after V. Dahl (59a Tsentralnyi Ave., Sievierodonetsk, Luhansk region, 93400, Ukraine) E-mail: mykh.markov@gmail.com
Усучаснш економщ проблема прогнозування банкрутства банив дуже важлива, осккьки сучасна економiчна система кра!ни не може функцюнувати без стабкьно! баншвсько! системи. А своечасне виявлення ознак наближення банкрутства банку дозволяе менеджерам вжити термшових заходiв щодо змшення фшансового стану та недо-пущення банкрутства. Але на сьогодншнш день не шнуе едино! методики прогнозування банкрутства банюв. У свтовш практищ в рiзнi перюди i для рiз-них економiчних умов сформульовано рiзнотиповi моделi для прогнозно! оцшки загроз та ймовiрностi банкрутства суб'екта господарювання. Але в базо-
ву основу цих моделей покладено дискримшантий аналiз. Досл^женнями та розробкою дискримшант-них моделей прогнозування банкрутства займалися вчеш з рiзних кра!н: Едвард Альтман [1; 2]; Юджин Кочак [3]; Берзен Ейп Ердоган [4]. Серед вичизняних вчених слк вiдмiтити В. П. Мартиненка [5], а також О. М. Тридка та його модель прогнозування фшан-сово! стшкост [6]. Також варто вiдмiтити Г. Джанг [7] та З. Хо [8] - зарубiжних досл^нишв, що займаються проблемою прогнозування банкрутства за допомо-гою штучних нейронних мереж. Вичизняш науковщ придкяють бкьше уваги досл^женню платоспро-можносп шдприемств, i даш моделi не можуть ви-
користовуватись для банивських установ, врахову-ючи специфку !х дiяльностi. На в1дмшу вiд Украши, в iнших крашах широко практикуеться розробка рiзних статистичних моделей прогнозування банкрутства. За-рубiжнi науkOвцi прид1ляють значну увагу прогнозу-ванню банкрутства як пiдприемств, так i банkiвсьkих структур. Але використання рiзних зарубiжних моделей призводить до суперечливих результатiв, оск1льки кожна з них розроблена для одше! краши i не може бути ушверсальним засобом вир1шення проблеми прогнозування банкрутства. Тому шнуе гостра необмдшсть розробки сучасно! моделi прогнозування банкрутства комерцшного банку в умовах невизначеносп та не-достовiрних даних для реалiй украшсько1 банkiвсьkоi сфери, але яка була б простою у використанш.
Для дослiдження були використаш данi квартально! фшансово! звiтностi банkiв зi сайту Нащонального банку Украши з 2014 р. до ^ алу 2016 р., а також перелiк банив з 2015 р. до III кварталу 2017 р., що визнаш неплатоспроможни-ми, в яких введено тимчасову адмшштращю або вони лikвiдованi.
Як вхiднi данi моделi використовувались таki два блоки:
Блок 1 - абсолютш показники:
+ Активи банив (Х1). + Власний каштал (Х2). + Грошовi кошти банив (Х3). + Депозити банkiв (Х4). + Зобов'язання банkiв (Х5). + Кредити банkiв (Х6). + Прибутки (збитки) банkiв (Х7).
Блок 2 - в^дносш показники: + Коефщент участi власного kапiталу в форму-ваннi аkтивiв (Х8).
Коефiцiент сшвв^ношення kредитiв i депо-зитiв (Х9).
Коефiцiент миттево! лikвiдностi (Х10). Коефщент резервування kредитiв банками (х11).
Процентна маржа банив (Х12). Рентабельнiсть активiв банkiв (Х13). Рентабельнiсть kапiталу банив (Х14).
+ + + + + +
Кожна вибiрка вх^дних даних була розбита на 4 кластери. На рис. 1 видно, сккьки векторiв вхiдних даних пов'язано з кожною ^тинкою (нейроном) карти.
Загальний вiдсотоk правильних прогнозiв не може бути об'ективним показником правильно! роботи мережi, осkiльkи обчислюеться в^д за-гально! суми правильних в^днесень банkiв до банкру-тш або небанkрутiв у тестовiй вибiрцi, де велику част-ку складають небанкрути, тому в^дсоток правильних прогнозiв може бути великим i при досить низькому прогнозi банkiв-банkрутiв. Отже, для виршення цiеi проблеми виршено ввести kоефiцiент результатив-ностi модел^ який знаходиться у дiапазонi [0; 1] та обчислюеться таким чином:
kr = (1 - a)
nb nb
-+ a
b
(1)
де kr - kоефiцiент результативност нейр о мереже-во! модели а - ваговий kоефiцiент банив-банкрупв (а = 0,5); пЬ - ильисть правильних прогнозiв банив небанkрутiв; пЬ - загальна ильисть банив-небанkрутiв у вибiрцi; Ь - kiльkiсть правильних про-гнозiв банkiв-банkрутiв; Ь - загальна ильисть банив-банкрупв у вибiрцi.
Було розроблено план експерименпв, який ви-ршуе таki задачi:
1) знаходження оптимальноI структури не-йронног мережи проведення 12 експериментш з кла-сичним персептроном з одним прихованим шаром i 24 еkспериментiв з багатошаровим персептроном з двома прихованими шарами. Використовувались так характеристики мережк
+ kiльkiсть епох: 1000;
+ набiр даних для навчання: в1дносш показники банkiв Украши за 2014 р. - 130 банив, як входять у один кластер, 80,8% - небанкрути, 19,2% - банкрути;
тестова вибiрка: в^дносш показники банив Украши за 2015 р. (113 банив, з них 97 - небанкрути, 16 - банкрути); прогноз на 1 рiк.
2) вибiр кращого блоку показниш для навчання мережи проведення експерименту з вищевказаними
+
+
Hits
Hits
Hits
Hits
1
А А А ж
Абсолюты показники за 2014 p.
Джерело: авторська розробка.
Вщносы показники за 2014 p.
Абсолюты показники за 2015 p.
Вщносы показники за 2015 p.
Рис. 1. Кластерний аналiз вхщних даних
<
CQ 2
о
=Г
о
о
<
о
Ш
характеристиками мережу але використання блоку абсолютних показникiв;
3) дошдження точнот прогнозування ризику банкрутства банш на 1,5 року: проведення 2 експери-ментав; використання визначеного кращого блоку по-казникiв для навчання мережi й таю характеристики: + кiлькiсть епох: 1000;
f набiр даних для навчання для I експеримен-
ту: показники банив Украши за 2014 р.; f набiр даних для навчання для II експеримен-
ту: показники банив Украши за 2015 р.; f тестова вибiрка: показники банив Украши за I квартал 2016 р. (110 банив, з них 88 банив -небанкрути, 22 - банкрути); f прогноз на 1,5 року (до III кварталу 2017 р.).
Результати експерименпв з класичним персеп-троном представлено в табл. 1.
Для знаходження оптимально! структури ме-режi з одним прихованим шаром досл^дили вплив ккькосп нейрошв на коефщент результативносп мережь
На рис. 2 зображено графк регресшно! моделi та дiаграма розсiювання фактичних результатiв екс-перименпв з нейронною мережею.
Результати досл^дження показали, що оптимальна ильисть нейронiв у прихованому шарi - 6. Модель ще! структури правильно виявила 90 небан-kрутiв та 8 банкрутш, kоефiцiент результативностi дорiвнюе 0,7139.
Результати еkспериментiв з багатошаровим пер-септроном представлено в табл. 2.
Для знаходження оптимально! структури ней-ронно! мережi побудували поверхню в^гуку полшо-мiально! регресiйно'! моделi для iнтервалiв змiнних
Таблиця 1
Результати експерименпв
<
CQ 2
о
=Г
I
№ експерименту Кшьккть нейрошв 1-го шару Прогноз -небанкрути Прогноз - банкрути Коефщкнт результативной
1 1 89 5 0,6150
2 2 96 5 0,6511
3 3 90 5 0,6202
4 4 89 5 0,6150
5 5 94 5 0,6408
6 6 90 8 0,7139
7 7 76 9 0,6730
8 8 86 7 0,6620
9 9 78 8 0,6521
10 10 89 4 0,5838
11 11 79 2 0,4697
12 12 97 0 0,5000
Джерело: авторська розробка.
О
О
<
ш
0,75
0,45
2 4 6 8
Кшьккть нейрошв
Рис. 2. Графiк регресшноУ моделi
Джерело: авторська розробка.
0
Результати експерименлв
№ експерименту Кшьккть нейрошв 1-го шару Кшьккть нейрошв 2-го шару Прогноз -небанкрути Прогноз -банкрути Коефщент результативное^
1 1 1 86 7 0,6620
2 2 1 96 5 0,6511
3 3 1 83 8 0,6778
4 4 1 87 7 0,6672
5 5 1 97 0 0,5000
6 4 2 86 6 0,6308
7 5 2 86 6 0,6308
8 6 2 93 5 0,6356
9 7 2 96 3 0,5886
10 8 2 86 6 0,6308
11 9 2 84 8 0,6830
12 10 2 83 10 0,7403
13 3 3 97 3 0,5938
14 4 3 95 5 0,6459
15 6 3 88 4 0,5786
16 8 3 81 7 0,6363
17 10 3 84 6 0,6205
18 6 4 81 9 0,6988
19 8 4 96 3 0,5886
20 10 4 75 8 0,6366
21 8 5 83 7 0,6466
22 10 5 94 5 0,6408
23 10 6 88 6 0,6411
24 12 6 93 3 0,5731
Джерело: авторська розробка.
х = [1; 12] та у = [1; 6]. На рис. 3 змша коефщента ре-зультативностi показана за допомогою градiентно'i заливки поверхнi вiд свило-арого кольору (наймен-ше значення коефщента) до темно-сiрого (найбiльше значення).
Отже, оптимальна ккьшсть нейронiв у прихо-ваних шарах - 10 i 2 вiдповiдно. Модель цiе'i структу-ри правильно виявила 83 небанкрупв i 10 банкрутiв, коефiцiент результативност дорiвнюе 0,7403. Бага-тошаровий персептрон мае коефщент результатив-ностi бкьше, шж класичний персептрон (0,7403 i 0,7139 в1д-повiдно), тому найкраща модель для прогнозування ризику банкрутства банкiв - багатоша-ровий персептрон з двома при-хованими шарами (10 i 2 нейро-нiв вiдповiдно).
Наступний етап дотдження - змiнення показниюв навчально! вибiрки з вiдносних на абсолютна
Рис. 3. Поверхня вщгуку Джерело: авторська розробка.
У табл. 3 наведено результати роботи мережi на тестовш виборщ.
Таблиця 3
Результати експерименту
Результати експерименту
Результат Банмвська система 2015 р. Нейромережева модель V с ио тн нв 5 ГС £ 1 е р
Небанкрути 97 95 0,9794
Банкрути 16 3 0,1875
Усього правильних прогнс^в 113 98 0,5835
<
т 2
о
=Г
I
о
о
<
2 Ш
Результат Банкiвська система 1 квартал 2016 р. Нейромережева модель V с ио тн нв 5 ГС 1 е р
Небанкрути 88 84 0,9545
Банкрути 22 7 0,3182
Усього правильних прогнозiв 110 91 0,6364
Результат Банмвська система 1 квартал 2016 р. Нейромережева модель Коефщенти результативной
Небанкрути 88 78 0,8864
Банкрути 22 14 0,6364
Усього правильних прогнозiв 110 92 0,7614
Джерело: авторська розробка.
Мережа виявила бiльше небанкрутiв, порiвняно з моделлю, яка була навчена на в^носних фiнансових показникiв, але мае досить низький коефщент результативности - 0,5835.
Отже, використання абсолютних фшансових показникiв банкiвськоi дiяльностi дае нижчi показники точностi прогнозiв, шж вiдноснi фiнансовi показники, i не можуть використовуватися для прогнозування ризику банкрутства.
Наступним дослкженням було прогнозування ризику банкрутства банив на 1,5 року для тестовоi вибiрки станом на I квартал 2016 р. Спочатку вико-ристали кластеризовану навчальну вибiрку за 2014 р.
У табл. 4 наведено результати роботи мережi на тестовш виборщ.
Таблиця 4
Результати експерименту
Джерело: авторська розробка.
Мережа виявила майже 96% небанкруйв, але коефщент результативност знизився до 0,6364, по-рiвняно з прогнозом на 1 рш.
Далi використали кластеризовану навчальну вибiрку за 2015 р. Результати роботи мережi на тестовш виборщ наведено в табл. 5.
Джерело: авторська розробка.
Модель, навчена на вибiрцi за 2015 р., демон-струе непогаш та збалансоваш прогнозш показники при прогнозi на 1,5 року. Коефщент результативно-сй даноi мережi значно бiльше, шж у попередньому експериментi, - 0,7614 та 0,6364 вкпов^но.
Загалом результати цих дослiджень показали, що оптимальною мережею прогнозування, з точки зору збалансованого виявлення i банкiв-банкрутiв, i банив-небанкрутiв, е багатошаровий персепторон з двома прихованими шарами з такою ильистю нейрошв: + ккьисть нейронiв на першому шарi - 10; + кiлькiсть нейронiв на другому шарi - 2.
Оптимальна навчальна вибiрка - вiдноснi показники банив, якi попередньо були кластеризована
Модель показала так результати: + данi 2015 р. (прогноз на 1 рк) - коефiцiент результативностi - 0,7403; модель виявила 10 банкрупв iз 16 банив-банкрупв; + данi I кварталу 2016 р. (прогноз на 1,5 року) -коефщент результативност - 0,7614; модель виявила 14 банкрупв iз 22 банкiв-банкрутiв;
Для порiвняльного аналiзу було обрано двi дис-кримiнантнi моделi: перша розроблена украшським ученим, д-ром екон. наук, проф. В. П. Мартиненком у 2006 р., друга - турецьким ученим Берзен Ейп Ердо-ганом у 2008 р. При цьому модель Мартиненка була обрана для експериментального досмдження ефек-тивносп використання моделей для прогнозування ризику банкрутства банив, яи для цього не призна-чеш та б1льш прийнятш для визначення ймовiрностi банкрутства шдприемств.
Тестова вибiрка - фiнансова звггшсть украш-ських банкiв (сайт НБУ) за I квартал 2016 р., прогноз банкрутства банив на 1,5 року (до III кварталу 2017 р.).
У табл. 6 наведено порiвняльний аналiз нейро-мережево'1' моделi зi статистичними моделями про-гнозування Мартиненка та Ердогана.
Порiвняно зi статистичними моделями прогнозування розроблена модель на основi багатошарово-го персептрону показуе кращi результати, яи близькi до показникiв зарубiжних прогнозних моделей.
Порiвняльний аналiз нейромережево! моделi 3i статистичними моделями
Модель Небанкрути Банкрути Усього правильних прогнозiв Коефщieнт результативной
Модель Мартиненка 3 22 25 0,5170
Модель Ердогана 76 7 83 0,5909
Нейромережева модель 78 14 92 0,7614
Джерело: складено автором.
ВИСНОВКИ
Отже, нейромережева модель може використо-вуватися як альтернатива статистичним методам, для прогнозування ризику банкрутства укра!нських банив. Також модель може бути корисною для кл1енйв банив, як бажають виявити банки, як у найближчий перюд (1-1,5 року) можуть стати неплатоспромож-ними та/або лшв^ованими.
Перспективою подальших дослiджень у даному напрямi е розробка комплексно! системи шдтрим-ки прийняття ршень для банкiвських установ, яка б включала прогнозування ризишв для банку, аналiз фiнансового стану банку та виявлення фшансових проблем за допомогою шновацшних iнструментiв та технологш, забезпечення монiторингу та контролю за ризиками баншвсько! установи. Одним з елеменпв комплексно! системи може стати розроблена нейромережева модель. ■
Л1ТЕРАТУРА
1. Altman, E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968. Vol. 23. Issue 4. P. 589-609.
2. Altman, E. I. Corporate Financial Distress: A Complete Guide to Predicting Avoiding, and Dealing with Bankruptcies. New York: John Wiley&Sons, 1983. 368 p.
3. Kaciak, E. Predicting bank failures in a newly emerging free-market economy. Perspectives-Electronic Journal of the American Association of Behavioral and Social Sciences. 2000. Vol. 3. Р. 105-117.
4. Erdogan, B. E. Bankruptcy Prediction of Turkish Commercial Banks Using Financial Ratios. Applied Mathematical Sciences. 2008. Vol. 60. Р. 2973-2982.
5. Мартиненко В. П. Стратепя життездатност про-мислових пщприемств: монографiя. Ки!в: Центр навчально! лгератури, 2006. 328 с.
6. Тридщ О. М., Чанг X. Моделювання дiагностики банкрутства комерцшних банш. Фiнанси Украни. 2002. № 10. С. 147-153.
7. Zhang, G., Hu, M. Y., Patuwo, B. E., Indro D. C. Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research. 1999. Vol. 116. Issue 1. P. 16-32.
8. Cho, S., Kim, J., Bae, J. K. An integrative model with subject weight based on neural network learning for bankruptcy prediction. Expert Systems with Applications. 2009. Vol. 36. Issue 1. P. 403-410.
HayKOBHH KepiBHHK - IcTOMiH fl. O., KaHfluflaT TexHNHux HayK, flоцeнт, flоцeнт Ka^egpu eKOHOMiKu i niflnpueMHu^rBa, CxiflHoyKpaiHCbKUM Ha^oHanbHuw yHiBepcuTeT iMeHi Bo^oguMupa fla™ (M. Сeвepоflонeцbк)
REFERENCES
Altman, E. I. "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy". The Journal of Finance. Vol. 23, no. 4 (1968): 589-609.
Altman, E. I. Corporate Financial Distress: A Complete Guide to Predicting Avoiding, and Dealing with Bankruptcies. New York: John Wiley&Sons, 1983.
Cho, S., Kim, J., and Bae, J. K. "An integrative model with subject weight based on neural network learning for bankruptcy prediction". Expert Systems with Applications. Vol. 36, no. 1 (2009): 403-410.
Erdogan, B. E. "Bankruptcy Prediction of Turkish Commercial Banks Using Financial Ratios". Applied Mathematical Sciences. Vol. 60 (2008): 2973-2982.
Kaciak, E. "Predicting bank failures in a newly emerging free-market economy". Perspectives-Electronic Journal of the American Association of Behavioral and Social Sciences. Vol. 3 (2000): 105-117.
Martynenko, V. P. Stratehiia zhyttiezdatnosti promyslovykh pidpryiemstv [The strategy of viability of industrial enterprises]. Kyiv: Tsentr navchalnoi literatury, 2006.
Trydid, O. M., and Chanh, Kh. "Modeliuvannia diahnos-tyky bankrutstva komertsiinykh bankiv" [Simulation of bankruptcy diagnostics of commercial banks]. Finansy Ukrainy, no. 10 (2002): 147-153.
Zhang, G. et al. "Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis". European Journal of Operational Research. Vol. 116, no. 1 (1999): 16-32.
