financeФинансы: теория и практика/Finance: Theory and PracticeFinance: Theory and Practice2587-56712587-7089Financial University under The Government of Russian Federation10.26794/2587-5671-2018-22-3-112-123finance-662Research ArticleФИНАНСОВАЯ БЕЗОПАСНОСТЬFINANCIAL SECURITYНЕЙРОСЕТЕВАЯ МОДЕЛЬ ДИАГНОСТИКИ СТАДИЙ РАЗВИВАЮЩЕГОСЯ БАНКРОТСТВА КОРПОРАЦИЙNEURAL NETWORK MODEL OF DIAGNOSTICS OF STAGES OF DEVELOPING CORPORATE BANKRUPTCYhttps://orcid.org/0000-0002-7752-8431 ГорбатковС. А.GorbatkovS. A.

доктор технических наук, профессор, заслуженный деятель науки Республики Башкортостан, профессор кафедры «Математика и информатика», 

Уфа

Dr. Sci. (Engin.), Professor, Honored worker of science of the Republic of Bashkortostan, Professor of the Department of “Mathematics and Informatics”, 

Ufa

SAGorbatkov@fa.ruhttps://orcid.org/0000-0002-2556-2785 ФархиеваС. А.FarkhievaS. A.

кандидат технических наук, заведующая кафедрой «Математика и информатика», 

Уфа

Cand. Sci. (Engin.), Head of the Department of “Mathematics and Informatics”, 

Ufa

SAFarhieva@fa.ruУфимский филиал Финансового университетаРоссияUfa branch of the Financial UniversityRussian Federation201810062018223112123Copyright ©  Горбатков С.А.,  Фархиева С.А., 20182018 Горбатков С.А.,  Фархиева С.А.Gorbatkov S.A., Farkhieva S.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://financetp.fa.ru/jour/article/view/662

В статье исследуется проблема разработки информационно-математической модели для поддержки принятия решений по реструктуризации кредитной задолженности корпораций в банковских технологиях финансового менеджмента.

Цель статьи — создание модели, позволяющей диагностировать стадии развивающегося кризиса корпораций в сложных условиях неполноты и зашумленности данных. Модель должна служить инструментом повышения объективности и качества принимаемых решений по реструктуризации кредитной задолженности корпораций. Исследование проводилось на основе нейросетевых методов моделирования и системного анализа, методов теории принятия решений, решения обратных задач интерпретации, т.е. извлечения новых знаний из данных. Разработан оригинальный метод построения нейросетевой логистической модели банкротств (НЛМБ) в сложных условиях моделирования. Новыми признаками метода, увеличивающими прогностическую силу модели, являются: 1) оптимальный отбор факторов с помощью байесовского ансамбля вспомогательных нейросетей, осуществляющих компрессию факторного пространства; 2) ступенчатая компрессия факторов на основе обобщенной функции желательности Харрингтона; 3) регуляризация основной (рабочей) нейросетевой модели на байесовском ансамбле нейросетей. НЛМБ апробирована на реальных данных корпораций строительной отрасли. Число верно идентифицированных объектов на тестовом множестве составило более 90% на всех нейросетях ансамбля.

В НЛМБ достаточно высокое прогностическое качество нейросетевой модели обеспечивается новыми признаками метода и порождает эмерджентный эффект, проверенный в вычислительных экспериментах: улучшение качества нейросетевой модели по критерию правильно идентифицированных объектов Θ составляет 3,336 раза при компрессии факторов в 1,35 раза. НЛМБ может быть распространен на широкий круг задач финансового менеджмента. 

The article deals with the problem of developing an information and mathematical model to support decisionmaking on the restructuring of corporate debt in the banking technologies of financial management. The purpose of the article is to create a model that allows diagnostic of the stages of developing corporate crisis in difficult conditions of incomplete and noisy data. The model should serve as a tool for improving the objectivity and quality of decisions on the restructuring of corporate debt. The study was conducted on the basis of neural network modelling and system analysis methods, methods of decision-making theory, a solution of inverse problems of interpretation, i.e. extraction of new knowledge from data. We developed an original method of constructing neural network logistic model of bankruptcies (NNLMB) in the difficult conditions of the simulation. New features of the method, increasing the predictive power of the model, are: 1) optimal selection of factors using Bayesian ensemble of auxiliary neural networks, performing compression of factor space; 2) step compression of factors based on the generalized Harrington desirability function; 3) regularization of the main (working) neural network model on Bayesian ensemble of neural networks. NNLMB is tested on real data from corporations of the construction industry. The number of correctly identified objects on the test set was more than 90% on all neural networks of the ensemble. In NNLMB, a sufficiently high prognostic quality of the neural network model is provided by new features of the method and generates an emergent effect, which was proven in computational experiments: the improvement of the quality of the neural network model by the criterion of correctly identified objects Θ is 3.336 times with the compression of factors by 1.35 times. NNLMB can be applied to a wide range of financial management tasks.

нейросетевая модельстадии развития банкротства корпорацийподдержка решений реструктуризации кредитной задолженностиneural network modelstages of development of corporate bankruptcysupport of decisions on credit debt restructuringReferencesГалушкин А.И. Нейронные сети: основы теории. М.: Горячая линия-Телеком; 2012. 469 с.Galushkin A.I. Neural networks: theory bases. Moscow: Goryachaya liniya-Telekom; 2012. 469 p. (In Russ.).Галушкин А.И. Применение нейрокомпьютеров в финансовой деятельности. URL: http://masters.donntu. org/2007/kita/bolkunevich/library/galuwkin.htm (дата обращения: 28.08.2017).Galushkin A.I. The use of neurocomputers in financial activity. URL: http://masters.donntu.org/2007/kita/ bolkunevich/library/galuwkin.htm (accessed 28.08.2017). (In Russ.).Горбатков С.А., Полупанов Д.В., Макеева Е.Ю., Бирюков А.Н. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности. М.: Изд. дом «Экономическая газета»; 2012. 494 с.Gorbatkov S.A., Polupanov D.V., Makeeva E. Yu., Biryukov A.N. Methodological bases of development of neural network models of economic objects in the conditions of uncertainty. Moscow: Publ. House of “Ekonomicheskaya gazeta”; 2012. 494 p. (In Russ.).Горбатков С.А., Фархиева С.А., Белолипцев И.И. Нейросетевые и нечеткие методы моделирования диагностики и прогнозирования банкротств корпораций. М.: Прометей; 2018. 371 с.Gorbatkov S.A., Farkhieva S.A., Beloliptsev I.I. Neural network and fuzzy methods for modeling corporate bankruptcy diagnostics and forecasting. Moscow: Prometheus; 2018. 371 p. (In Russ.).Белолипцев И.И., Горбатков С.А., Романов А.Н., Фархиева С.А. Моделирование управленческих решений в сфере экономики в условиях неопределенности. М.: Инфра-М; 2015. 299 с.Beloliptsev I.I., Gorbatkov S.A., Romanov A.N., Farkhieva S.A. Modeling of managerial decisions in the sphere of economy in the conditions of uncertainty. Moscow: Infra-M; 2015. 299 p. (In Russ.).Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука: Физматлит; 1986. 288 с.Tikhonov A.N., Arsenin V. Ya. Methods for solving incorrect problems. Moscow: Nauka: Fizmatlit; 1986. 288 p. (In Russ.).Rissanen J. Modeling by shortest data description. Automatica. 1978;14(5):465–471. DOI: 10.1016/0005– 1098(78)90005–5Rissanen J. Modeling by shortest data description. Automatica. 1978;14(5):465–471. DOI: 10.1016/0005– 1098(78)90005–5Доленко С.А.Нейросетевые методы решения обратных задач. XVВсеросс. науч.-техн. конф. «Нейроинформатика 2013»: Лекции по нейроинформатике (г.Москва, 21–25 января 2013 г.). М.: НИЯУ МИФИ; 2013:214–269.Dolenko S.A. Neural network methods for solving inverse problems. In: 15th All-Russ. sci.-techn. conf. “Neuroinformatics –2013”: Lectures on neuroinformatics (Moscow, 21–25 Jan. 2013). Moscow: NRNU MEPhI; 2013:214–269. (In Russ.).Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. М.: Наука; 1976. 279 с.Adler Yu.P., Markova E.V., Granovskii Yu.V. Planning an experiment in the search for optimal conditions. Moscow: Nauka; 1976. 279 p. (In Russ.).Горский В.Г., Адлер Ю.П. Планирование промышленных экспериментов. М.: Металлургия; 1974. 112 с.Gorskii V.G., Adler Yu.P. Planning of industrial experiments. Moscow: Metallurgiya; 1974. 112 p. (In Russ.).Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий. Управление риском. 1999;(3):13–20.Davydova G.V., Belikov A. Yu. Technique of quantitative assessment of the risk of bankruptcy of enterprises. Upravlenie riskom. 1999;(3):13–20. (In Russ.).Altman E.I., Marco G., Varetto F.Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural network (the Italian experience). Journal of Banking and Finance. 1994;18(3):505–529. DOI: 10.1016/0378– 4266(94)90007–8Altman E.I., Marco G., Varetto F.Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural network (the Italian experience). Journal of Banking and Finance. 1994;18(3):505–529. DOI: 10.1016/0378– 4266(94)90007–8Cho 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;36(1):403–410. DOI: 10.1016/j.eswa.2007.09.060Cho 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;36(1):403–410. DOI: 10.1016/j.eswa.2007.09.060Udo G. Neural network performance on the bankruptcy classification problem. Computers and Industrial Engineering. 1993;25(1–4):377–380. DOI: 10.1016/0360–8352(93)90300-MUdo G. Neural network performance on the bankruptcy classification problem. Computers and Industrial Engineering. 1993;25(1–4):377–380. DOI: 10.1016/0360–8352(93)90300-MOhlson J.A. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18 (1):109–131. DOI: 10.2307/2490395Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18 (1):109–131. DOI: 10.2307/2490395Altman E.I. Corporate financial distress: A complete guide to predicting, avoiding, and dealing with bankruptcy. New York: Wiley-Interscience Publ.; 1983. 368 p.Altman E.I. Corporate financial distress: A complete guide to predicting, avoiding, and dealing with bankruptcy. New York: Wiley-Interscience Publ.; 1983. 368 p.Шумский С.А. Байесова регуляризация обучения. Науч. сессия МИФИ 2002. IV Всеросс. науч.-техн. конф. «Нейроинформатика 2002»: Лекции по нейроинформатике (г. Москва, 23–25 января 2002 г.). Ч. 2. М.: НИЯУ МИФИ; 2002:30–93. URL: http://neurolectures.narod.ru/2002/Shumsky 2002.pdf (дата обращения: 18.05.2018).Shumsky S.A. Bayesian regularization of learning. In: Sci. session of MEPhI 2002. 4th All-Russ. sci.-techn. conf. “Neuroinformatics — 2002”: Lectures on neuroinformatics (Moscow, 23–25 Jan. 2002). Pt. 2. Moscow: NRNU MEPhI; 2002:30–93. URL: http://neurolectures.narod.ru/2002/Shumsky 2002.pdf (accessed 18.05.2018). (In Russ.).MacKay D. Bayesian interpolation. Neural Computation. 1992;4(3):415–447. DOI: 10.1162/neco.1992.4.3.415MacKay D. Bayesian interpolation. Neural Computation. 1992;4(3):415–447. DOI: 10.1162/neco.1992.4.3.415Makeeva E.U., Neretina E.A. Binary model versus discriminant analysis relating to corporate bankruptcies: The case of Russian construction industry. Journal of Accounting, Finance and Economics. 2013;3(1):65–76.Makeeva E.U., Neretina E.A. Binary model versus discriminant analysis relating to corporate bankruptcies: The case of Russian construction industry. Journal of Accounting, Finance and Economics. 2013;3(1):65–76.Шевченко И.В., Халафян А.А., Васильева Е.Ю. Создание виртуальной клиентской базы для анализа кредитоспособности российских предприятий. Финансы и кредит. 2010;(1):13–18.Shevchenko I.V., Khalafyan A.A., Vasil’eva E.Yu. Development of virtual client base for the analysis of solvency of Russian enterprises. Finansy i kredit = Finance and Credit. 2010;(1):13–18. (In Russ.).

The authors declare that there are no conflicts of interest present.