НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДИАГНОСТИКИ СТАДИЙ РАЗВИВАЮЩЕГОСЯ БАНКРОТСТВА КОРПОРАЦИЙ

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. 

1. Галушкин А.И. Нейронные сети: основы теории. М.: Горячая линия-Телеком; 2012. 469 с.

2. Галушкин А.И. Применение нейрокомпьютеров в финансовой деятельности. URL: http://masters.donntu. org/2007/kita/bolkunevich/library/galuwkin.htm (дата обращения: 28.08.2017).

3. 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.

4. Горбатков С.А., Фархиева С.А., Белолипцев И.И. Нейросетевые и нечеткие методы моделирования диагностики и прогнозирования банкротств корпораций. М.: Прометей; 2018. 371 с.

5. 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.

6. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука: Физматлит; 1986. 288 с.

7. Rissanen J. Modeling by shortest data description. Automatica. 1978;14(5):465–471. DOI: 10.1016/0005– 1098(78)90005–5

8. Доленко 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.

9. Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске оптимальных условий. М.: Наука; 1976. 279 с.

10. Горский В.Г., Адлер Ю.П. Планирование промышленных экспериментов. М.: Металлургия; 1974. 112 с.

11. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий. Управление риском. 1999;(3):13–20.

12. 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)90007–8

13. 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;36(1):403–410. DOI: 10.1016/j.eswa.2007.09.060

14. Udo 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-M

15. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18 (1):109–131. DOI: 10.2307/2490395

16. Altman E.I. Corporate financial distress: A complete guide to predicting, avoiding, and dealing with bankruptcy. New York: Wiley-Interscience Publ.; 1983. 368 p.

17. 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).

18. MacKay D. Bayesian interpolation. Neural Computation. 1992;4(3):415–447. DOI: 10.1162/neco.1992.4.3.415

19. 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.

20. 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.