Сравнение статистических методов классификации для предсказания банкротства российских банков

Костров Александр Владимирович


	1		Банковские риски: теория, практика, методология Введение. Тенденции российского банковского сектора
	2		Рис. 1. Количество банков, закрывшихся с 2011 г. по первую половину 2015 г.
	3		Рис. 2. Объем отрицательного капитала банков, закрывшихся с 2011 г. по первую половину 2015 г. Обзор литературы Определение фальсификации финансовой отчетности в компаниях
	4		Данные для анализа Финансовые сведения, предоставляемые банками, и нефинансовая информация Отзыв лицензий у российских банков Таблица. Финансовая отчетность, предоставляемая российскими банками ЦБ
	5		Проблема несбалансированности классов наблюдений Очистка данных Описательная статистика
	6		Рис. 3. Матрица различных исходов прогнозирования Методы классификации и эффективность прогнозирования Наивный байесовский классификатор
	7		Линейный дискриминантный анализ Логистическая регрессия
	8		Рис. 4. Использование перекрестной проверки для выбора размера штрафа ? (критерий — минимизация ошибки классификации) Нейронная сеть
	9		Заключение. Комментарии к результатам классификации Деревья решений Рис. 5. Взаимосвязь размера дерева и ошибки при перекрестной проверке
	10		Литература
			ПРИЛОЖЕНИЕ 1. Описательная статистика объясняющих переменных по выборке для обучения модели (с 2010 г.
	11		по первую половину 2014 г. включительно)
			ПРИЛОЖЕНИЕ 2. Описательная статистика объясняющих переменных по выборке для прогнозирования (со второй
	14		половины 2014 г. по первую половину 2015 г. включительно)
	17		ПРИЛОЖЕНИЕ 3. Сравнение прогнозной силы моделей внутри и вне выборки (на выборке для обучения и прогнозирования)

Оценка рисков Методы оценки

Банковские риски Риск дефолта

Финансы Банковское дело

Ключевые слова: вероятность дефолта, банковский сектор, классификация банков

Аннотация

В последнее время тема стабильности российских банков вызывает большой интерес. Данная статья посвящена сравнению способности различных статистических методов предсказывать банкротство банка с горизонтом прогнозирования в шесть месяцев. Авторы рассматривают наивный байесовский классификатор, линейный дискриминантный анализ, логистическую регрессию (в сочетании с алгоритмом пошагового отбора переменных, методами LASSO, PCA и PLS), нейронную сеть и деревья решений.

Журнал: «Управление финансовыми рисками» — №3, 2016 (© Издательский дом Гребенников)

Объем в страницах: 19

Кол-во знаков: около 17,119

Библиографическая ссылка: печать / интернет

* Деятельность Meta (соцсети Facebook и Instagram) запрещена в России как экстремистская.

1. Вестник Банка России. — Подробнее .

2. Письмо Центрального банка Российской Федерации от 21 декабря 2006 г. №165-Т «О раскрытии информации кредитными организа-циями». — Подробнее .

3. Письмо Центрального банка Российской Федерации от 25 мая 2010 г. №72-Т «О раскрытии информации кредитными организациями по формам 0409134 и 0409135». — Подробнее .

4. Письмо Центрального банка Российской Федерации от 26 января 2005 г. №17-Т «Об усилении контроля за операциями с наличными денежными средствами». — Подробнее .

5. Fungacova Z., Solanko L. (2009). «Risk-taking by Russian banks: do location, ownership and size matter?». The HSE Economic Journal, Vol. 13, No. 1, pp. 101–129.

6. Garcia V., Sanchez J., Mollineda R. (2012). «On the effectiveness of preprocessing methods when dealing with different levels of class imba-lance». Knowledge-Based Systems, Vol. 25, No. 1, pp. 13–21.

7. Karminsky A.M., Kostrov A. (2014). «The probability of default in Russian banking». Eurasian Economic Review, Vol. 4, No. 1, pp. 81–98.

8. Kaminski K.A., Wetzel T.S., Guan L. (2004). «Can financial ratios detect fraudulent financial reporting?» Managerial Auditing Journal, Vol. 19, No. 1, pp. 15–28.

9. Lin J.W., Hwang M.I., Becker J.D. (2003). «A fuzzy neural network for assessing the risk of fraudulent financial reporting». Managerial Auditing Journal, Vol. 18, No. 8, pp. 657–665.

10. Liou F.-M. (2008). «Fraudulent financial reporting detection and business failure prediction models: a comparison». Managerial Auditing Jour-nal, Vol. 23, No. 7, pp. 650–662.

11. Menon A.K., Narasimhan H., Agarwal S., Chawla S. (2010). «On the statistical consistency of algorithms for binary classification under class im-balance». JMLR Workshop and Conference Proceedings, Vol. 28, No. 1, pp. 187–195.

12. Nor J.M., Ahmad N., Saleh N.M. (2010). «Fraudulent financial reporting and company characteristics: tax audit evidence». Journal of Financial Reporting and Accounting, Vol. 8, No. 2, pp. 128–142.

13. Peresetsky A., Karminsky A.M., Golovan S.V. (2011). «Probability of default models of Russian banks». Economic Change and Restructuring, Vol. 44, No. 4, pp. 297–334.

Костров Александр Владимирович

Аспирант НИУ ВШЭ, стажер-исследователь Международной научно-учебной лаборатории анализа и выбора решений (МЛАВР) НИУ ВШЭ, автор восьми научных работ.

г. Москва

Сфера профессиональных интересов: экономическая теория, банковское дело, моделирование вероятности дефолта.

Электронная библиотека