Влияние финансовых рисков на эффективность деятельности компаний нефтяного машиностроения (1142308), страница 12
Текст из файла (страница 12)
стали широко применяться статистические моделианализа финансового состояния. В этот период были опубликованы ставшиеклассическими модели, представленные в работах W.H. Beaver (1966) и E.Altman (1968). Активное использование таких моделей было вызваноусилением интереса к максимально корректной оценке рисков инвестиций истала стимулом для дальнейшей волны работ в данной области.Анализ зарубежных и отечественных исследований в части расчетариска дефолта компаний, описанных в научных публикациях, позволилавтору сгруппировать статистические модели, используемые для оценкириска в 2 основные категории, представленные на рисунке 5:✓ Параметрические;✓ Скоринговые.Большое количество параметрических моделей анализа компанийстроится на базе совокупной оценки влияния конкретных факторов наитоговый показатель, в результате чего они могут быть распределены надвухфакторные и многофакторные как показано на рисунке 5.
В обобщенномвиде большинство параметрических моделей оценки вероятности дефолтаописываются математической формулой (2.3): = ∑=1 ,(2.3)где:xi – различные показатели деятельности компании;ci – весовые коэффициенты.В то же время, как изображено на рисунке 5, параметрическиеаналитические модели могут быть классифицированы на основании методових разработки, подразделив дискриминантные методы и SVM-модели.73Известно, например, что в 1966 году W.H.
Beaver разработалпятифакторную модель предсказания банкротства компании. Приращениенаучного знания данной модели состояло в моделировании будущейвероятностинаступлениябанкротстваспомощьюисследованиязависимостей между финансовыми показателями. При этом, применяемые вэтой модели финансовые показатели не предусматривали взвешивания.Данный дискриминантный метод также не дает возможности определитьнепосредственную возможность реализации моделируемого события.Позднеесостояния.сталииспользоватьсяНапример,впроцессесводныеиндексыразработкитакогофинансовогокоэффициентаЭ.
Альтманом, когда на основе нескольких финансовых показателей ивесовых коэффициентов вычисляется результирующий (интегральный)показатель-индекс Альтмана.Такойиндексстроитсясиспользованиеммногофакторногодискриминантного анализа (MDA) и помогает определить потенциальныхбанкротов среди коммерческих предприятий. Затем он сравнивается сэмпирически установленными значениями, превышение которых означаетвысокую либо низкую вероятность наступления дефолта компании.В общем виде индекс Альтмана (Z-score) может быть представлен ввиде уравнения (2.4): = 1.2 × 1 + 1.4 × 2 + 3.3 × 3 + 0.6 × 4 + 5 ,где1 =3 =5 =Оборотный капиталСумма активов; 2 =Операционная прибыльСумма активовВыручкаСумма активов.Нераспределенная прибыль; 4 =Сумма активов;Розничная стоимость акцийЗадолженность;(2.4)74После описанных моделей дискриминантный анализ использовался длясоздания множества моделей оценки вероятности дефолта компаний(например, Г.
Спрингейт (1978), Дж. Фулмер (1984)).А.Д.Вишняков,А.В.КолосовиВ.Л.Шемякин(2000),А.Д. Беликов (1998), О.П. Зайцева (1998) разработали и представили вотечественных научных трудах подходы к использованию статистическихмоделей для оценки компаний конкретной отраслевой принадлежности.ДляанализахолдинговыхкомпанийцветнойпромышленностиВишняковым А. Д., Колосовым А. В., Шемякиным В. Л.
была предложенамодель оценки финансового положения, имеющая вид (2.5) «Отличительнойхарактеристикой этой модели является возможность учета фактора,характеризующего качество менеджмента» [77, с. 78]: = 0.83 × 1 + 5.83 × 2 + 3.83 × 3 + 2.83 × 4 + 4.83 × 5 + 6 ,(2.5)гдеХ1 – показатель достаточности оборотных средств;Х2 – показатель краткосрочной ликвидности;Х3 – доходность капитала;Х4 – показатель капитализации (рассчитывается как отношение рыночной стоимостисобственного капитала к заемным средствам.);Х5 – коэффициент платежеспособности (рассчитывается как отношение рыночнойстоимости активов к сумме обязательств);Х6 – показатель менеджмента (рассчитывается как отношение выручки от реализации ккраткосрочным обязательствам).Если итоговый показатель Z ≤ 10-50, делается вывод, в соответствии скоторым предприятие оценивается как неплатежеспособное.Рассматривая российские модели оценки финансового положениякомпаний необходимо также остановиться на шестифакторной модели,предложенной О.П.
Зайцевой, имеющей вид (2.6), в соответствии с которойпоказатель,характеризующийрискбанкротства,соответствии со следующей формулой [79, с. 14]:рассчитываетсяв75К = 0,25 × Куп + 0,1 × Кз + 0,2 × Кур + 0,1 × Кфр + 0,1 × Кзаг ,(2.6)где:Куп – показатель убыточности компании, определяемый как отношение итоговогоубытка к капиталу;Кз – уровень покрытия задолженности, определяемый как отношение кредиторскойзадолженности к дебиторской;Кс – отношение краткосрочных обязательств к самым ликвидным активам (данныйкоэффициент является обратной величиной показателя абсолютной ликвидности);Кур – показатель убыточности реализации, определяемый как отношение итоговогоубытка к объему реализации производимой продукции;Кфр – отношение заемных средств к собственному капиталу;Кзаг – показатель загрузки активов, определяемый как обратный коэффициент,обратный оборачиваемость активов компании.В целом для разработанных на основе дискриминантного анализамоделей оценки компаний характерна сравнительно высокая достоверность.Опираясьнаопытмножестваисследований,качествопрогнозов,сформированных с использованием таких моделей находится на уровне 7080%.Количественные модели с использованием поддерживающих векторов(Support Vector Machines (SVM-модели)) дают возможность достичьсравнительно невысокого уровня ошибочности прогнозов совместно с малымчислом факторов, используемых в целях анализа финансового состояниякомпании.
Как правило, для построения SVM-модели необходимо создатьфункцию классификации вида (2.7):() = + ,(2.7)где:1 = ∑=1 ; = 2 (+1 + −1 ) × − коэффициенты веса,+1 , −1 − поддерживающие векторы.Для каждой точки графика функции f(x) существует лишь одна оценкавероятностинаступлениябанкротствакомпании.Приэтом,прямая76разделяет классы компаний с высоким и малым риском дефолта,что проиллюстрировано на рисунке 6.Источник: [144].Рисунок 6 - Принцип работы SVM-моделиОтличительным преимуществом SVM-модели служит возможностьпоправки на качественные характеристик анализируемых компаний припомощи включения дополнительных переменных. Примером такой моделиможет служить работа W.
Härdle, R. A. Moro & D. Schäfer (2005) [106].Примечание - Данный коллектив авторов включает в себя представителейЦентра применения статистики и эконометрики (Университет Гумбольта, Берлин,Германия), а также Немецкого института экономических исследований (DIW) (Берлин,Германия).Принциписпользованииотнесенияметодамоделиоценкикскоринговымвероятностизаключаетсякакого-либособытиявнаосновании массива доступных данных.
В результате модели, использующиепринцип расчета и суммирования данных частных показателей с поправкойна заданные весовые коэффициенты с целью приведения к общейинтегральной оценке – score, определяются как скоринговые.77В целях расчёта банковских рисков чаще всего используютсяскоринговые и рейтинговые подходы, что положительно характеризуетреальную применимость и качество подобных подходов. В качестве вариантаскоринговой модели (непараметрической) приведем метод Classificational andRegression Trees - Дерево классификации и регрессии (CART), примерпостроения которого приводится на рисунке 7.Анализ статистических моделей оценки компаний будет не полным,если он не затронет так называемые нейронные сети.Нейронные сети являются вариантом использования математическихметодов построения прогнозов исходя из имеющейся информации о ранеенаблюдаемых состояниях и\или предполагаемых изменениях системы.R1R1 ≤ R1nR1 > R1nR2R2≤ R2nR3R2 > R2nR4R3≤ R3nR5R3 > R3nR6R7…RnВысокий рискНизкий рискИсточник: [72, C.
64].Рисунок 7 - Дерево классификации и регрессии для оценки риска компании78Одним из наиболее актуальных достижений в данной области являетсяметод, получивший название «сетевые кластеры Кохонена» (KCN), которыйпредполагает следующие шаги:• анализинформацииофинансовомсостояниикомпаниисиспользованием системы распознавания, формулировка дискретной оценки(Да/Нет);• оценка вероятности наступления события исходя из функциинелинейной интерполяции, сформированной в рамках нейронной сети.На основании исследования публикаций, посвященных проблемнымаспектам оценки вероятности банкротства компаний, в настоящее времянейросетевое моделирование показывает наибольшую точность результатов.При этом данный подход требует использования внутренней информациикомпании и специально разработанных программных продуктов (иначерезультаты не будут точными), что сильно затрудняет анализ компаний безвыхода «на место».
Таким образом, можно заключить, что нейросетевоемоделирование наиболее удобно применять для целей анализа и оценкикомпании со стороны инсайдеров, в случае получения необходимыхтехнических средств.Кроме того, на практике часто используются различные балльныеметоды оценки. Например, комплексный анализ деятельности компании наосновебалльнойоценкиосновныхбизнес-процессовможетбытьиспользован для получения детальной оценки деятельности компании. Внастоящее время, подобные системы используются в крупнейших холдингахСША и Западной Европы вследствие своей универсальности и высокойэффективности. Помимо этого, модели совокупной оценки риска дефолтакомпаний достаточно часто используют банки. В качестве одного из такихметодов можно привести балльную модель оценки вероятности возвратакредита путем распределения компаний на 5 категорий качества, которая79активно используется в целях оценки необходимой доли резервов подвозможные потери в российской банковской практике.Множествомоделейневозможноклассифицироватьврамкахописанных выше категорий.
Такие модели обычно разрабатываются длярешения специфических задач или представляют собой сложные системы,позволяющие соединить экономико-математические модели с экспертнымиоценками аналитиков.Как пример метода этой группы можно привести метод оценки сиспользованиемтеориинечеткихмножеств,которыйпредложилА.О.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
