НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДИАГНОСТИКИ СТАДИЙ РАЗВИВАЮЩЕГОСЯ БАНКРОТСТВА КОРПОРАЦИЙ


https://doi.org/10.26794/2587-5671-2018-22-3-112-123

Полный текст:


Аннотация

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. 


Об авторах

С. А.  Горбатков
Уфимский филиал Финансового университета
Россия

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

Уфа



С. А.  Фархиева
Уфимский филиал Финансового университета
Россия

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

Уфа



Список литературы

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.


Дополнительные файлы

Для цитирования:  Горбатков С.А.,  Фархиева С.А. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДИАГНОСТИКИ СТАДИЙ РАЗВИВАЮЩЕГОСЯ БАНКРОТСТВА КОРПОРАЦИЙ. Финансы: теория и практика/Finance: Theory and Practice. 2018;22(3):112-123. https://doi.org/10.26794/2587-5671-2018-22-3-112-123

For citation: Gorbatkov S.A., Farkhieva S.A. NEURAL NETWORK MODEL OF DIAGNOSTICS OF STAGES OF DEVELOPING CORPORATE BANKRUPTCY. Finance: Theory and Practice. 2018;22(3):112-123. (In Russ.) https://doi.org/10.26794/2587-5671-2018-22-3-112-123

Просмотров: 99

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2587-5671 (Print)
ISSN 2587-7089 (Online)