Диссертация (1138178), страница 6
Текст из файла (страница 6)
Между тем, данные модели являются приемлемыми сточки зрения анализа системных рисков. Последние исследованияпоказали, что транзакционные матрицы, публикуемыеведущимирейтинговыми агентствами, изменяются вместе с изменениямиэкономической конъектуры и сменой фаз деловых циклов.Вчастности, вероятность снижения рейтинга увеличивается в периодыспада и падает в периоды подъема экономики.36Современные подходы к оценке вероятности дефолтазаемщикаОтносительно новым направлением в рамках моделированиявероятности дефолта являются модели на основе продвинутыхподходов (advanced models), к которым, прежде всего, можно отнестимодели на основе нечеткой логики и модели нейронных сетей.Свое развитие модели нечеткой логики начали с выхода в 1965г.
работы Л. Заде «Fuzzy sets». В дальнейшем теория нечеткихмножеств получила достаточно широкой практическое применение,каквсферепромышленногопроизводства,такивсфереэкономического моделирования [Zadeh, 1965]. В общем виде,нечеткое множество есть множество без четких границ, котороеможет содержать в себе элементы только с частичной степеньюпринадлежности. [Кричевский, 2012]. В случае использованиямоделей нечеткой логики для целей оценки финансового состояниязаемщика, первоначально происходит выбор показателей, которыебудут заложены на «вход» модели нечеткой логики. Как правило,выборпоказателяосуществляетсяинституциональныххарактеристиксредиколичественныхзаемщика,наиосновепрофессионального суждения или однофакторного анализа.Примером применения данного подхода в рамках оценки рискаявляется работа [Mahant, Narendr, 2004] .При помощи моделейнечеткой логики, авторы оценили риск выброса хлора в результатеоперационнойдеятельностизавода.Входнымипараметрамивыступали показатели надежности системы безопасности завода истепень последствий от утечки хлора.
Функция принадлежности икритерии для каждого входного элемента задавались экспертно.Принимая в расчет совокупность задаваемых правил, на основе37алгоритма нечеткого множества, авторы получили выходную оценкуриска выброса хлора, как «средняя».Достоинством данного класса моделей является их способностьвключать в анализ множество институциональных переменных,которые сложно однозначно математически определить; более тогомодель на основе нечетких множеств может быть построена безналичия каких-либо количественных показателей, задаваемых навход. Недостатком подхода, является наличие субъективности приопределении вида функции принадлежности и формировании базыправил.Искусственные нейронные сети используются при решениизадач,которыенемогутбытьоднозначноопределеныисформулированы.
В общем виде нейронные сети – структураобработки информации, Основоположниками теории искусственныхнейронных сетей стали В. Питтс и В. Маккаллох, которые в 1943 г.представили следующую схему искусственного нейрона (см. рис. 1.4),где Wij вес, определяющий величину связи между нейронами i и j,совокупность которых формирует взвешенную сумму [Кричевский,2012].Нейрон становиться активным, если данная взвешенная суммавоздействия других нейронов на данный нейрон превосходитнекоторую пороговую величину. При этом существует функция F(h),которая является функцией, определяющей совокупность данныхпороговых значений для каждого i-го нейрона («функция активации»).Принципиальное различие данной сети, в том, что шаги выполняютсяне последовательно, а параллельно [Кричевский, 2012].38Рис. 1.4 Модель искусственного нейрона Маккалоха - ПиттсаОрганизация нейронов и их связей оказывает значительноевлияние на качество и предсказательную силу нейронной сети, в этомплане значительную роль играет «функция активации».
Существуетнесколько правил, которые используются в теории искусственныхнейронных сетей, для целей настройки весов:1)коррекцияраспространенияпоошибкеошибкиилиесть(ошибкаметодобратногонесовпадениерезультирующего выхода с требуемым; адаптация весов происходиттак, чтобы усредненная ошибка стремилась к минимуму);2)правило Хебба (изменение веса зависит только отактивности нейронов, при этом нейроны изменяются одновременно);3)правило Больцмена (настройка весов происходит всоответствии с желаемой функцией распределения вероятности);4)правило конкуренции (нейроны «соревнуются» за статус«активного», адаптация весов происходит только у нейрона весовойвектор которого ближе всего к выходному).В случае если модели нейронных сетей применяются вотношении оценки вероятности дефолта, то постановка задачивыглядит следующим образом:различныхфинансовыхина основе исторического рядадругиххарактеристик,заемщиканеобходимо классифицировать в одну из возможных категорийкачества и надежности.
Таким образом, вектор входных данных39определяется числом финансовых и других институциональных иколичественных характеристик заемщика, вектор выходных нейроновопределяется числом категорий (например,дефолт/не дефолт), накоторых необходимо классифицировать весь кредитный портфель.Обучение нейронной сети для решения данной задачи можнопровестиразличнымиметодами:супервизноеобучение,несупервизное обучение, усиленное обучение [Кричевский, 2012].В работе [Кричевский,2012] авторы использовали методобучения на основе трехслойного персептрона: входной слой состоялиз числа нейронов равного количеству признаков заемщика, выходнойслой определялся числом требуемых классов качества заемщикакредитоспособные),(кредитоспособные/непромежуточногослояопределялосьчислонейроновметодомобратногораспространения ошибки.
В результате авторы обучили модель ИНСпозволяющую классифицировать некредитоспособных заемщиков сошибкой в 0.6%. В табл.1.2 ниже представлен сравнительный анализмоделей нечеткой логики и моделей нейронных сетей, в том числе сточки зрения основных достоинств и недостатков данных классовмоделей.Таблица 1.2Сравнительный анализ не параметрических моделей оценкивероятности дефолтаХарактеристикиМодели нейронных сетейМетод нечеткой логикиСубъективностьВ части выбора типологии сетии алгоритма связей и методаобучения сетиВ части выбора функциипринадлежностиАвтоматизацияТребуется в связи снеобходимостью обучения сетина большом объёме данныхНе требуется, так какфункция принадлежностизадаетсяТочностьЗависит от количества исходныхЗависит от вида и точности40ХарактеристикиМодели нейронных сетейМетод нечеткой логикиданных, типологии и алгоритмаобучения сетиопределения функциипринадлежностиГибкостьОграниченная, только в рамахвыбранной типологии иструктуры сетиЕсть возможностьизменения критериевнечётких классификаторови возможность добавленияновых факторовСложностьВысокая, в части обучения сетиВысокая, в части выборафункции принадлежности1.3Учет эффекта процикличности при моделированиикредитного рискаВопросыцикличностифинансовых и экономическихэкономикииподверженностисистем циклическим колебаниямобсуждается в научном сообществе достаточно давно, в том числе сточки зрения цикличности российской экономики.
Между тем,кризисы, наблюдавшиеся в российской экономике в 1992-1998 гг.,неустойчивость роста после дефолта 1998 г., международныйфинансовый кризис 2007-2009 гг. и неустойчивость экономическойситуации в начале 2014 г. делают вопросы изучения цикличностироссийскойэкономики,всеболееактуальными.Наиболеефундаментальными работами, посвященные вопросам цикличности,являются работы таких авторов как [Ильин, 2010]: С. Кузнеца, Н.
Д.Кондратьева (теории длинных волн), М. Фридмен (монетарная теорияэкономическихвоспроизводствацикловикризисов),экономическойК.системы),МарксаИ.(законыШумпетера(инновационная теория экономического цикла), П. Самуэльсоном иДж. Р. Хиксом (модель Самуэльсопа-Хикса) и др. Среди работ,посвященных изучению природы и особенностей циклическогоповедения российской экономики можно выделить работы А.41Бергсона, У. Наттера, Я. Корнай (концепция «экономика дефицита»),Л.И. Абалкин, B.C.
Автономов. В данных работах изучены основныепричины и характеристики различных экономических циклов,предложены различные модели циклического поведения систем.Глобальный финансовый экономический кризис 2007-2009 гг.также обострил актуальность проблемы проциклического поведенияфинансовойсистемы.Одноиз первыхопределений эффектапроцикличности было дано в отчете 2009г. Форума по финансовойстабильности, в котором эффект процикличности определяется как:«…динамические взаимодействия (механизмы обратной связи) междуфинансовым и реальным секторами экономики, которые взаимнодополняютдругдруга,вызываютусиленияколебанийэкономического цикла и ухудшение финансовый стабильности…»[Report of the Financial Stability Forum, 2009].В современной научной литературе встречаются различныеобъяснения природы эффекта процикличности, которые ссылаются наразные источники данного явления и присваивают наличие данногоэффекта, как разным процессам, так и поведению различныхэкономических агентов.
Далее мы рассмотрим основные возможныеисточники данного эффекта.В своей статье [Симановский, 2012], автор разделяет несколькотипов эффекта процикличности: «процикличность регулирования» и«процикличность поведения финансовых посредников».Авторговорит, что «процикличность поведения финансовых посредников»является естественной и неизбежной формой экономической жизни, ициклическое поведение участников рынка не представляет собойсистемногоисключения,втовремякак«процикличностьрегулирования» определяемая автором как «усиливающий амплитудуцикла характер регулятивных воздействий» является стратегическим42дефектом,которыйспособствуетусугублениюдисбалансоввэкономике, так как, в конечном счете именно регулирование должноспособствовать более осторожному и взвешенному поведениюэкономических агентов.
Также автор подчеркивает тот факт, что самапо себе процикличность регулирования не являлась причинойфинансового кризиса 2007-2009гг., прежде всего по причине того, чторегулирование является проциклическим только в части отдельныхсвоих элементов. Однако, автор подчеркивает, что при разработкеантикризисных мер, регулятору стоило учесть наличие эффектапроцикличности, что во многом могло способствовать болеебыстрому и эффективному выходу из кризиса.Ряд зарубежных работ [Repullo, Saurina, Trucharte, 2009],[Pederzoli,Torricelli,Tsomocos,2010],[Caprio,2009]такжеподтверждают факт процикличности пруденциального регулирования,авторыприходятквыводуобизбыточнойпроцикличноститребований регуляторов: в частности, требования к достаточностикапитала растут в периоды кризиса, и падают в периоды подъемаэкономики.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
