Аналитические методы оценки и прогнозирования финансового состояния кредитных организаций

Цель статьи — предложить новый подход к оценке и прогнозированию финансового состояния кредитных организаций и раннему выявлению тех из них, которые имеют высокие риски отзыва лицензии. Методом главных компонент факторного анализа найден интегральный показатель благонадежности кредитных организаций. Проведена кластеризация кредитных организаций методом к-средних. Установлено, что действующие кредитные организации, находящиеся на относительно малом евклидовом расстоянии от математического ожидания кредитных организаций, ликвидированных в заданный момент времени, несут потенциальные риски вовлечения в противоправную деятельность, отмывание денег и финансирование терроризма. Построены регрессионные модели, позволяющие по характеру изменения интегрального показателя благонадежности прогнозировать ухудшение состояния кредитных организаций. Автор делает вывод, что приведенный подход позволяет выявлять потенциально проблемные кредитные организации, требующие принятия соответствующих мер со стороны Центрального банка Российской Федерации при осуществлении им функций пруденциального надзора.

1. Глотов В.И., Короткий Ю.Ф., Гобрусенко К.И. Введение в курс «Финансовые расследования в государственном финансовом мониторинге» (на примере Росфинмониторинга). М.: Изд-во МФЮА; 2015. 88 с.

2. Пересецкий А.А. Модели причин отзыва лицензий российских банков. М.: Российская экономическая школа; 2010:26–27.

3. Бекетнова Ю.М., Крылов Г.О., Фомин Я.А. Применение теории распознавания образов в задачах оценки рисков нарушения финансовой и информационной безопасности. Безопасность информационных технологий. 2013;20(2):23–26.

4. Крылов Г.О., Селезнёв В.М. Сравнение учебных подразделений Военного Университета на основании интегральных оценок, полученных методом главных компонент. Тез. докл. конф. «Фундаментальные технологии образования». 2000:25–28.

5. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. 3-е изд. Пер. с англ. М.: Диалектика; 2007:76–79.

6. Мещеряков В. В. Задачи по статистике и регрессионному анализу с MATLAB. М.: Диалог-МИФИ; 2009:11–15.

7. Phelps Bondaroff T.N., van der Werf W., Reitano T. The illegal fshing and organized crime nexus: Illegal fshing as transnational organized crime. Geneva: The Global Initiative against Transnational Organized Crime; 2015. 84 p. URL: https://globalinitiative.net/wp-content/uploads/2015/04/the-illegal-fshing-and-organised-crimenexus-1.pdf (дата обращения: 31.01.2019).

8. Денисенко А.С., Крылов Г.О. Генерация информации о девиантной деятельности объектов финансового мониторинга на естественном языке. Информатизация и связь. 2017;(4):81–87.

9. Бекетнова Ю.М., Крылов Г.О., Фомин Я.А. Диагностика организаций на предмет выявления рисков нарушения финансовой и информационной безопасности. Информатизация и связь. 2012;(8):56–59.

10. Мильман И. Е., Пахомов А. П., Пилюгин В. В., Писарчик Е. Е., Степанов А.А., Бекетнова Ю. М., Денисенко А. С., Фомин Я. А. Анализ данных о деятельности кредитных организаций с использованием программы интерактивного визуального анализа многомерных данных. Научная визуализация. 2015;7(1):45–64.

11. Бекетнова Ю.М., Крылов Г.О., Приказчикова А.С. Аспекты применения многомерного статистического анализа в задачах прогнозирования угроз финансовой безопасности на примере кредитных организаций. Информационные системы и технологии. 2016;(5):33–38.

12. Бекетнова Ю.М., Крылов Г.О., Ларионова С.Л., Приказчикова А.С. Районирование рисков нарушения информационной и финансовой безопасности методом главных компонент. Информатизация и связь. 2016;(3):141–145.

13. Бекетнова Ю.М. Экспертные оценки субъектов финансовой деятельности. Дискуссия. 2013;(8):52–54.

14. Abdi H. Partial least squares regression and projection on latent structure regression (PLS Regression). Wiley Interdisciplinary Reviews: Computational Statistics. 2010;2(1):97–106.

15. Geiger B., Kubin G. Relative information loss in the PCA. IEEE Information Theory Workshop. 2012:562–566. DOI: 10.1109/ITW.2012.6404738

16. Denisenko A.S., Krylov G.O. Application of principal components analysis results in visual network analysis. Biosciences Biotechnology Research Asia. 2015;12(1):609–617.

17. Howard M.C. A review of exploratory factor analysis decisions and overview of current practices: What we are doing and how can we improve? International Journal of Human-Computer Interaction. 2016;32(1):51–62. DOI: 10.1080/10447318.2015.1087664

18. Amerioun A., Alidadi A., Zaboli R., Sepandi M. The data on exploratory factor analysis of factors influencing employees effectiveness for responding to crisis in Iran military hospitals. Data in Brief. 2018;19:1522–1529. DOI: 10.1016/j.dib.2018.05.117

19. Izquierdo I., Olea J., Abad F. Exploratory factor analysis in validation studies: Uses and recommendations. Psicothema. 2014;26(3):395–400. DOI: 10.7334/psicothema2013.349

20. Constantin C. Principal component analysis — a powerful tool in computing marketing information. Bulletin of the Transilvania University of Braşov. Series V: Economic Sciences. 2014;7(2):25–30.