Диссертация (1138316), страница 16

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 16)

Торговая стратегия для прогнозирования американскогофондовогорынка,построеннаясиспользованиемметодаискусственных нейронных сетей, обсуждается в работе [Головачев,2012].22Для определения необходимого числа нейронов скрытого слоя применяют следствие теоремыАрнольда – Колмогорова – Хехт-Нильсена, согласно которому N  N w , где N – количествоNx  N yнейронов скрытого слоя, Nx – размерность входного слоя, Ny – размерность выходного слоя, Nw –необходимоечислосинаптическихвесов,котороеопределяетсяпоформулеNy Q Q N x  N y  1  N y , где Q – число элементов обучающей выборки. В N w  N y 1  log 2 Q Nx практических реализациях количество слоев, так и число нейронов в каждом из них могутотличаться от теоретических [Ясницкий, 2010].95Первыедефолтаэтапыповторяютнейросетевогошагимоделированияэконометрическоговероятностимоделированияи связаны с предварительным сбором и обработкой имеющихсяданных.

В отличие от эконометрического моделирования, на данномшаге производится попытка выделения из массива имеющихсяданных обучающей и тестирующей выборок. Здесь же возникаетвопроскасательнои тестирующегосоотношениямножества.Так,размеровнапример,обучающегобольшийразмеробучающего множества по сравнению с тестирующим множеством,не всегда повышает способность к обучению нейронной сети[Khashman, 2009]. Среди наиболее часто используемого соотношения70:30 [Šušteršiča et al., 2009; Порошина, 2012a]. Возможно такжетестированиемоделированиячувствительностикварьированиюрезультатовсоотношениянейросетевогообучающегои тестирующего множества, также как и к параметрам обучения.На следующем этапе выбирается архитектура и параметрыобучения нейронной сети.

Они различаются в первую очередь типомобучения, механизмом узловых связей и алгоритмом обучения.В оценке кредитного риска широко используются нейронные сетипрямого распространения (feed forward neural network) в классическойтопологии (рис. 2.3.).Рис. 2.3.

Нейронная сеть с прямым распространением96Выход нейронной сети y принимает действительные значенияв промежутке [0;1] и может быть интерпретирован следующим образом: если y>0,5, то выход классифицируется как дефолтныйзаемщик/компания-банкрот; в противном случае, выход классифицируется как недефолтныйзаемщик/компания не банкрот.Среди ключевых аспектов при принятии решения о выбореалгоритма обучения и дизайне нейронной сети стоит особо отметить: достижение требуемой ошибки обучения и сходимости процессаобучения для повышения точности классификации; требование к меньшему количеству итераций для сокращениявычислительных и временных издержек; способность к обучению в короткий промежуток времени, а такжеповышение предсказательной силы модели.Заключительный этап включает в себя сравнительный анализнейросетевых моделей оценки PD на предмет предсказательной силы(расчет погрешности тестирования) с целью выявления оптимальнойархитектуры нейронной сети.В работе [Порошина, 2012c] обсуждаются эмпирическиерезультатынейросетевогомоделированиякредитногорискакоммерческого кредитования.

В выборку вошли 122 российскихпредприятиямалогобизнеса(дефолтныхинедефолтных),кредитовавшихся в одном из крупнейших российских банков в период2006–2010 гг. Высокая прогнозная сила спроектированной нейроннойсети характеризует низкая погрешность тестирования (6,57%).При оценке кредитного риска заемщиков при коммерческомкредитованиипеременнаязаключаетсяи–ИЖКмоделируетсявероятностьвотборедефолтаидентичнаяPD.Основноериск-доминирующих97зависимаяотличиефакторов,обеспечивающих высокую прогнозную силу полученных результатов.Это означает, что концептуально задача моделирования вероятностидефолта предприятий малого бизнеса схожа с оценкой PD при ИЖК.В отличие от эконометрического моделирования, нейросетевойподходсопряженБольшинствос большимиэмпирическихвычислительными издержками.исследованийвобластиоценкикредитного риска, использующие многослойную нейронную сеть,ограничиваются включением двух скрытых слоев, как однойиз наиболее простых архитектурнейронных сетей.

Посколькучем более сложная архитектура нейронной сети, то есть чем большечисло слоев, тем выше вычислительные издержки.Несмотря на высокую предсказательную силу нейронных сетей,по своей природе они являются системами «черных ящиков».Существуютопределенныесложностивэкономическойинтерпретации результатов и в части предварительной настройкипараметровнейроннойсети.Остаетсяактуальнойпроблемаограниченности работ по теоретическим основам дизайна нейронныхсистем, в том числе в области кредитного скоринга. Кроме того,нейронная сеть по большей степени адаптирована для моделированиябыстро протекающих процессов, что не характерно для ипотечногожилищногорезультатыкредитования.Вследствиедиссертационногоэтого,эмпирическиеисследованиябазируютсяна использовании инструментов эконометрического моделирования.982.5.Методика оценки доли потерь в случае ипотечного дефолтаВ академической литературе, а также в банковской практикеширокоиспользуетсяпредпосылкаотом,чтодоляпотерьпри дефолте LGD является постоянной величиной 23 [ЦБ РФ, 2012],поскольку ее расчет является довольно трудоемкой задачей.

ОценкаLGD, наряду с PD и EAD, является неотъемлемой частью расчетаожидаемых финансовых потерь (EL) и RWA, которые в бoльшейстепени чувствительны к изменению LGD, чем PDNNi 1i 1EL p   ELi   PDi  EAD i  LGDi , i  1,, N , (17)где ELp — ожидаемые потери по кредитному портфелю, N — количествоипотечных жилищных кредитов в портфеле ОПИК, i — порядковыйномер ипотечного кредита в кредитном портфеле.Следует также разделять оценку LGD, как и оценку кредитногориска, на индивидуальном и портфельном уровне. Величина потерьпо портфелю равна сумме убытков по отдельным ипотечнымжилищным кредитам (17), при этом, как отмечается в [ЦБ РФ, 2012],рекомендуется разделять пулы однородных кредитных требованийв зависимости от длительности просрочки кредитных требованийили длительности нахождения кредитных требований в состояниидефолта.

Полученная в результате величина ожидаемых потерь можетиспользоватьсявкачествеориентирадлясозданиярезервовна возможные потери по ссудам [ЦБ РФ, 2004].Прогнозирование показателя LGD на индивидуальном уровнеявляетсятакжеважнымсточкизренияпринятиярешенияо предоставлении ипотечного кредита, а также выборе оптимальнойполитики по дальнейшему взысканию ипотечной задолженности.23В рамках фундаментального подхода LGD по ипотечным жилищных кредитам принимаетсяравным 45%.99Ожидаемая величина LGD компенсируется коммерческими банкамипутем включения в стоимость кредитного продукта.Доля потерь в случае дефолта (LGD) рассчитывается как:LGD=1—RR, где RR—уровень возмещения потерь, лежащийв интервале от 0 до 124.Бухгалтерский LGD рассчитывается следующим образом:LGD где R—EAD  R  CR C 1 1  RR ,EADEAD(18)взысканная в судебном порядке сумма ипотечнойзадолженности (сумма платежей по восстановлению), C—общиеиздержки по взысканию платежей, возникающие в ходе работыс просроченной задолженностью, EAD—сумма, подверженная рискудефолта, которая включает в себя средства, предоставленныезаемщику и не погашенные им—текущая остаточная сумма долга,включая комиссии, штрафы и непогашенные проценты [ЦБ РФ, 2012]:EAD  A  (M  t1  3)  P ,(19)где A — размер ежемесячного аннуитетного платежа (при аннуитетнойсхеме погашения ипотечного кредита), M — срок кредитования (мес.),t1—период с даты наступления ипотечного дефолта до окончаниясрока кредитования.

Множитель (M—t1+3)25характеризует периодвремени с момента наступления первой просрочки до окончания срокакредита. Соответственно, величина A(M—t1+3) отражает сумму24Согласно ГК РФ: если вырученной от продажи предмета залога суммы недостаточно для полногопогашения задолженности заемщика перед банком, банк вправе удовлетворить своетребование в непогашенной части за счет иного имущества заемщика; если вырученная сумма превышает размер задолженности заемщика перед банком,разница возвращается залогодателю.25Исходя из определения дефолта, как ситуации, когда должник более чем на 90 дней (3 мес.)просрочил погашение любых существенных кредитных ипотечных обязательств перед банком.Досудебное урегулирование просроченной задолженности, как правило, осуществляется дляпросрочек сроком до 30 дней (телефонный звонок сотрудника банка, отправка смс уведомления) иот 30 до 90 дней (переговоры сотрудников банка с заемщиком при участии отдела безопасности иинформирование о просрочке поручителей).100непогашенных аннуитетных платежей.

P—комиссии и штрафы,определяемые условиями кредитного договора.ПриИЖКвзысканнаясуммаипотечнойзадолженностиформируется, как правило, за счет текущей стоимости реализациизалоговогообеспечения.Онасущественнозависитот макроэкономических условий и ситуации на рынке жилойнедвижимости. В периоды экономического спада может существенноувеличиваться PD и сокращаться стоимость залогового обеспечения,что способствует росту величины LGD. В этой связи анализдостаточности и качества обеспечения является составной частьюоценки базовых рисковых параметровНеобходимостьдополненияPD, LGD и EAD.—базовыхрисковыхпараметровгоризонтом риска (M) также сопряжено с возможным изменениемрыночной стоимости залога в течение жизненного цикла кредита[Петров, Помазанов, 2008]. При этом на разных фазах жизненногоцикла кредита залог несет в себе различные функции [Лукашевич,Пустовалова, 2009].В отличие от бухгалтерского LGD, экономический LGD основанна расчете дисконтированной суммы денежных потоков на дату дефолтаLGD где PV(R)—EAD  PV ( R)  PV (C )PV ( R)  PV (C ) 1 1  RR , (20)EADEADприведенная на дату дефолта стоимость взысканнойв судебном порядке суммы ипотечной задолженности, PV(C)приведеннаянадатудефолтастоимостьобщих—издержек,возникающих в ходе работы с просроченной задолженностью.Денежныепотокипоипотечномупредставлены на рис.

Характеристики

Список файлов диссертации