Диссертация (1138729), страница 9

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

Текст из файла (страница 9)

В итоге основная группа банков для исследования включает в себя Сбербанк России и 401 действующий российский банк. Размер собственного капитала банков, вошедших в выборку, по состоянию на 01.10.2006 превышает 100 млн. рублей, по ним в полном объеме доступна информация по месячным балансам за период с 01.02.2004 по 01.10.2006 (33 отчетных периода) и квартальная отчетность о прибылях и убытках. 31 банк из исследуемой группы не входит в систему страхования вкладов.

Крупнейшими банками анализируемой группы являются банки с государственным участием (Сбербанк России, Газпромбанк, Внешторгбанк). Активы Сбербанка России, крупнейшего банка в банковской системе, по состоянию на 1.10.2006 составляют 6,5 трлн. рублей (191 млрд. евро), т.е. 42% суммарных активов исследуемой выборки. Средний же размер оставшихся 401 банка в исследуемой выборке составляет 22 млрд. рублей. Активы только 20 банков, включая Сбербанк, превышают 100 млрд. рублей (3 млрд. евро). Поскольку основная часть банков системы являются «небольшими», то, чтобы не вносить искажений в анализ, такую крупную организацию как Сбербанк России включать в исследуемую выборку представляется нецелесообразным.

Таким образом, наше исследование основывается на использовании информации о 401 кредитной организации, функционирующей на территории Российской Федерации.

Результаты первой главы

1. В первой главе комплексно систематизированы и проанализированы теоретические модели и эмпирические исследования по оценке эффективности функционирования и устойчивости кредитных организаций, выявлены их преимущества и недостатки.

2. На основе научных трудов, посвященных оценке деятельности кредитных организаций, исследованию банкротств и моделированию рейтингов кредитных организаций, а также методик, используемых рейтинговыми агентствами в ходе процедуры присвоения рейтингов, нами составлен набор показателей для определения кредитного качества российских банков.

3. Сформирована база эмпирических данных для исследования на основе регулярно публикуемых на сайте Банка России форм отчетности российских банков (Форма №101 «Оборотная ведомость по счетам бухгалтерского учета», Форма 102 «Отчет о прибылях и убытках»). База включает в себя данные по 401 российскому банку в период с января 2004 года по сентябрь 2006 года.

ГЛАВА 2. Модели для формирования рейтингов российских банков

1. Выявление характерных специализаций российских банков

Устойчивость кредитной организации в первую очередь зависит от умения и способности управлять рисками. Набор специфических рисков, которым подвержена деятельность банков, обусловлен набором предоставляемых услуг и проводимых операций, долевое соотношение которых и определяет (в нашем исследовании) специализацию кредитной организации.

При оценке кредитных организаций важно не только определить значение исследуемых показателей, но выявить их место относительно характерных значений показателей для группы схожих банков (peer groups). Выявление особенностей функционирования банка относительно банков того же типа, испытывающих схожее влияние факторов риска, позволяет снизить степень искажений при оценке устойчивости банка. Как отмечается в большинстве исследований, банки с диверсифицированной структурой активов более устойчивы к локальным шокам, в то время как банки с концентрированной структурой должны создавать дополнительный буфер либо в виде капитала, либо в виде резервов для компенсации потенциальных потерь. Таким образом, надзорным органам следует не допускать излишней концентрации рисков как в отдельных банках, так и в банковской системе в целом [76].

Особую роль в банковской системе играют сберегательные банки, которые специализируются на обеспечении «надежного убежища» для сбережений вкладчиков. Важно подчеркнуть, что сберегательные и коммерческие банки часто по-разному реагируют на изменения в банковском секторе. Как было отмечено в работе Грифелл-Таж и Ловелл (E.Grifell-Tatje, C.Lovell [70]), банки различной специализации выбирают разные стратегии развития в равных рыночных условиях. Грифелл-Таж и Ловелл (E.Grifell-Tatje, C.Lovell [70]) выявили, что коммерческие банки стремятся соответствовать возросшей конкуренции путем совершенствования линейки услуг и эффективности функционирования, в то время как сберегательные банки сохраняют рыночную долю преимущественно за счет увеличения числа отделений. Было бы нерезонно выделять для анализа российской банковской системы группу сберегательных банков, поскольку в РФ только Сбербанк России в полной мере соответствует данной специализации.

Центральный банк РФ не разделяет банки по специализации и устанавливает единые нормативы деятельности кредитных организаций. Отметим, что разделение банков по типу и введение различных нормативов (достаточности капитала, ликвидности и т.п.) для банков различной специализации в нынешних условиях (при значительном числе кредитных организаций в банковской системе) создало бы дополнительные трудности для контроля и мониторинга и является скорее нежелательным.

Однако для целей данного исследования выделение специализации банка является фактором, позволяющим получить важную дополнительную информацию относительно деятельности конкретных российских банков. Для определения видов специализации, характерных для российских банков, нами был проведен кластерный анализ банковской системы на основе метода самоорганизующихся карт Кохонена.

В литературе принято разделять методы кластеризации на два основных типа: иерархические и агломеративные. Внутри каждого из типов существует множество способов и алгоритмов кластеризации, различающихся набором правил формирования групп, а также критериями оценки качества кластеризации.

Иерархическая кластеризация заключается либо в последовательном объединении объектов в кластеры, либо – в разделении кластеров на более мелкие группы. Конечным результатом алгоритма здесь является дендрограмма (дерево кластеров), определяющая взаимосвязи между объектами. «Обрезав» дендрограмму на нужном уровне, можно получить желаемую кластеризацию.

Неиерархическая кластеризация состоит в непосредственном разделении набора данных на множество кластеров (плотных областей в массиве данных). Другой возможный подход включает в себя минимизацию некоторой меры различия внутри каждого кластера при максимизации различия между элементами из разных кластеров. Одним из видов такой кластеризации является метод К-средних. Несмотря на широкое применение этого метода, он не лишен ряда недостатков. Поскольку число кластеров в массиве данных часто неизвестно, то экспертное задание их числа (К) может приводить к нахождению кластеров «там, где их нет». Другой недостаток метода К-средних, равно как и других методов кластеризации, выражается в проблеме интерпретации кластеров. В большинстве алгоритмов кластеризации предпочтение отдается определенной форме кластеров, причем алгоритмы стремятся привести данные в соответствие с кластерами именно этой формы, даже если в рассматриваемом массиве таких кластеров нет.

Традиционные статистические методы способны обнаруживать закономерности и структурные связи в массиве предварительно необработанных многомерных данных, но лишь немногие из них позволяют непосредственно визуализировать связи, существующие между элементами. Среди методов визуализации, стоит выделить метод самоорганизующихся карт Кохонена (СОК), нашедший широкое применение при изучении целевых групп в медицине, бизнесе и особенно в маркетинге [14]. Этот метод, разработанный Тейво Кохоненом (T. Kohonen [14,73]) в начале 1980-х годов, подходит для ситуации, когда нет изначального представления о структуре данных и количестве кластеров.

Для методики СОК, являющейся частным случаем использования теории нейронных сетей, применяется обучение «без учителя», что позволяет эндогенно определять число возникающих кластеров. Из-за применяемого алгоритма обучения такой процесс выглядит как «черный ящик»: на вход подается набор исходных данных, а на выходе исследователь получает набор карт признаков с выделенными на них границами обнаруженных кластеров.

Рассмотрим алгоритм обучения более подробно. Обучение сети осуществляется пошаговым перебором элементов и последующим проецированием их на карту (выходной слой). «Победителем» из числа нейронов выходного слоя становится тот выходной нейрон, веса связей которого оказываются ближайшими в смысле евклидового расстояния к входному образу. Веса связей нейрона-победителя затем корректируются.

Важно отметить, что, когда алгоритм СОК осуществляет топологическое отображение, происходит регулирование не только веса нейрона-победителя (центра кластера), но также и весов целой окрестности выходных нейронов, которые сдвигаются ближе к входному образу. Процесс начинается со случайных значений весов, а по мере обучения размер окрестности вокруг нейрона-победителя постепенно уменьшается. Таким образом, в начале обучения корректируются веса многих нейронов в окрестности победителя, но по затем все меньшее число нейронов реагирует на входные сигналы, и в конце корректируются только веса нейрона-победителя. В результате обучения определяются веса связей между входными векторами и выходными нейронами, каждому из которых соответствует входной образ, типичный для некоторого подмножества входных данных. Исходное пространство большой размерности сжимается в двумерную карту, которая представляет собой прямоугольный дисплей из нейронов выходного слоя.

Изложим данную схему более формально. Пусть множество данных состоит из n-мерных вещественных векторов:

.

Каждому узлу ставится в соответствие модельный вектор, который изменяется в результате отклика на данные ( ), последовательно используемые в алгоритме:

.

Поскольку одной из целей анализа является представление пространства наблюдений на двумерной карте, то необходимо определить взаимосвязи между модельными векторами так, как если бы они были направлены вдоль некоторой гибкой двумерной сети. На каждом шаге в первую очередь всегда определяется индекс узла победителя:

, где характеризует нейрон-победитель на карте (модельный вектор).

В ходе обучения изменение вектора происходит по следующему правилу:

, где

– скорость обучения ( ),

Характеристики

Список файлов диссертации