Меню
Головна
 
Головна arrow Фінанси arrow Фінансовий аналіз для менеджерів
< Попередня   ЗМІСТ   Наступна >

Експертні системи

В останні роки різні системи штучного інтелекту або, як їх ще називають, експертні системи стали досить популярним засобом, що використовується для прийняття рішень у фінансовій сфері.

Незважаючи на те що багато з таких систем показали свою досить високу ефективність, вони мають ряд недоліків. По-перше, це досить висока вартість і складність розробки і підтримки робочого стану систем подібного роду. По-друге, потрібно багато часу для вивчення алгоритмів мислення людей-експертів і трансляцію їх у правила, на яких буде побудована експертна система. По-третє, такі системи в більшості своїй не здатні до навчання і автоматичної модифікації закладених у них алгоритмів на основі накопиченого досвіду. Це означає, що будь-яка зміна оточуючого середовища може призвести до істотного зниження якості висновків, одержуваних системою.

Кількісні моделі

Кількісні моделі використовують дані за спостережуваними характеристиками позичальника і дозволяють оцінити ймовірність настання дефолту або класифікувати позичальників на різні групи кредитного ризику. Моделі цього класу дозволяють аналітику кількісно оцінити, які фактори важливі в поясненні ризику неплатежу, порівняти їх відносну важливість, поліпшити процедуру моніторингу кредитного портфеля та процедуру розрахунку і створення резервів по можливих втрат за позиками і, нарешті, вести більш адекватне ціноутворення кредитних ресурсів.

Кредитний ризик можна розглядати, наприклад, з точки зору конкретного кредиту або з точки зору кредитного портфеля в цілому. У першому випадку мова йде про окремий ризик, у другому - про портфельні.

Одиночний ризик - це ризик, пов'язаний з певним позичальником або певним боргових інструментів конкретного емітента, наприклад кредитний ризик якоїсь облігації.

Портфельний ризик - це ризик, властивий портфелю в цілому. В якості прикладу можна навести портфель, що складається з двох облігацій. Особливість портфельного ризику складається в тому, що входять в портфель цінні папери можуть корелювати між собою. Таким чином, вибір комбінації може впливати на величину ризику за рахунок диверсифікації можна досягти його зменшення.

Нами буде розглянуто виключно одиночний кредитний ризик.

І нарешті, ризик дефолту можна розглядати з точки зору носія або суб'єкта це ризику. Це може бути фізична або юридична особа. У даній книзі суб'єктом кредитного ризику виступає юридична особа - компанія.

Основні вимоги до кількісних моделей

Ідеальна модель кредитного ризику повинна володіти наступними характеристиками:

1) бути зрозумілою. Для багатьох аналітиків набагато важливіше розуміння, яким чином працює модель, ніж включення в модель будь-яких показників;

2) володіти високою предсказательная здатністю. Ця вимога цілком очевидно. Модель, не здатна розрізнити "здорові" і "проблемні" компанії, не має значної цінності для аналітика;

3) бути емпірично перевірену. Працездатність моделі та стабільність її висновків повинні бути перевірені на практиці і в ідеалі на великий репрезентативною вибіркою.

Формалізовані критерії оцінки моделей

Розглянемо способи, що дозволяють оцінити і порівняти якість роботи моделей кредитного ризику. До них відносяться:

o лінії кумулятивної точності (Cumulative Accuracy Profiles curves);

o коефіцієнти точності (Accuracy Ratios). Особливість даних метрик, насамперед, полягає в їх універсальності. З їх допомогою можна порівнювати моделі будь-якого типу, навіть коли тип результатів на виході різний, не піддається прямому порівнянні і може носити не числовий, а категоріальний характер (наприклад, кредитний рейтинг Moody's).

Лінії кумулятивної точності (CAP curves), або криві Лоренса, являють собою графічну ілюстрацію якості роботи моделей (рис. 11.1).

Лінії кумулятивної точності

Рис. 11.1. Лінії кумулятивної точності

Для побудови зазначених ліній дані сортуються в порядку зміни рейтингу компаній (вірогідності дефолту) від найризикованіших до самих надійних. По осі відображається у число дефолтів (відсоток загальної кількості дефолтів в генеральній сукупності). Таким чином, лінія кумулятивної точності показує відсоток у(х) збанкрутілих компаній у загальному числі фірм-банкрутів, чий рейтинг менше або дорівнює рейтингу частки х.

На малюнку в якості прикладу показані можливі ситуації: ідеальний випадок (100% дефолтів міститься в частці спостережень, дорівнює фактичній частці дефолтів у вибірці), випадок для якоїсь моделі і випадковість, коли рейтинг присвоюється компаніям випадковим чином (тобто х% спостережень містять х% дефолтів).

Таким чином, чим вище якість роботи моделі, тим ближче до ідеального нагоди проходить лінія кумулятивної точності.

Зручної аналітичної мірою працездатності моделі служить коефіцієнт точності (AR), або коефіцієнт Джині, що характеризує відхилення CAP curve оцінюваної моделі від ідеального випадку. Даний показник розраховується як відношення площі фігури В до сумарної площі фігур А і В. Таким чином, ідеальна модель має = 1, випадкова-АК = 0.

 
< Попередня   ЗМІСТ   Наступна >

Схожі тими

Система судово-експертних установ
Експертні методи
Економічні основи проектування послуг експертного консультування
Реабілітація кількісної теорії грошей і модель перманентного доходу
Якісні і кількісні моделі оцінки ймовірності банкрутства
Кількісні характеристики і схеми оцінки ризиків в умовах невизначеності
Реабілітація кількісної теорії грошей і модель перманентного доходу
Якісні і кількісні моделі оцінки ймовірності банкрутства
Основні моделі теорії ігор: партнерська, полемічна і раціональна
Методика формалізованої оцінки якості консультаційних послуг
Реалізація методики формалізованої оцінки якості консультаційних послуг
Критерії відбору моделі поведінки
 
Предмети
-->
Банківська справа
БЖД
Бухоблік і аудит
Документознавство
Екологія
Економіка
Етика і естетика
Інвестування
Інформатика
Історія
Культурологія
Література
Логістика
Маркетинг
Медицина
Менеджмент
Політологія
Політекономія
Право
Психологія
Соціологія
Страхова справа
Товарознавство
Філософія
Фінанси
Пошук