Оценка кредитного риска на основании данных нефинйнсШого характера

Многие модели предсказания банкротств убедительно демонстри-руют свои способности к прогнозированию в задачах классификации задним числом (ex post). В ситуации же ex ante, когда права при банкротстве, резервы выживания и кредитные резервы взаимосвязаны, эти модели работают плохо.
С другой стороны, как заметил Арженти, при том, что нейронные сети могут работать и с числовыми, и с нечисловыми данными, было предпринято очень мало попыток включить в рассмотрение данные качественного характера.
В описанном далее исследовании мы ставили перед собой цель построить нейронно-сетевые классификаторы для двух задач. Первая задача состояла в оценке финансовых трудностей компаний в ситуации ex ante на основе информации, которой располагали 12 финансовых чиновников в Польше. В восьми ведущих польских банках была собрана база данных по 59 (анонимным) компаниям, включающая 21 качественный и 5 количественных показателей. Наличие двух типов данных не позволяет применить обычные дискриминантные модели типа Logit или MDA, поэтому данные были преобразованы с помощью нелинейного анализа главных компонент. Такое преобразование дало нам возможность сравнивать результаты нейронно-сетевой модели, полученные при перекрестном подтверждении (кроссвалидации), с результатами линейного метода MDA.
Сравнение (в смысле ошибок 1-го и 2-го рода) результатов ех ante— прогнозирования с помощью нейронной сети и на основе традиционных методов MDA— свидетельствует о том, что применение нейронных классификаторов оправданно в условиях постоянно меняющейся ситуации, что характерно для польского рынка капиталовложений.
Вторая прикладная задача, которая рассматривается в этой главе, связана с ex post оценкой кредитного риска по фрагменту портфеля займов, выданных корпоративным клиентам Голландского Инвести-ционного банка (NIB). Этот частный торговый банк с преобладающей долей государственной собственности специализируется на пре-доставлении среднеи долгосрочных займов корпорациям. Для опи-сания компаний-заемщиков банка в модели использовалось 44 каче
ственных и 5 количественных переменных. Сведения о компаниях, которые обращались с просьбой о предоставлении займа и которым было отказано, не сохранялись, поэтому проведение ex post анализа ошибок 2-го рода было невозможно.
<< | >>
Источник: Бэстенс Д.-Э.. Финансовая и страховая математика. Нейронные сети и финансовые рынки. 1997

Еще по теме Оценка кредитного риска на основании данных нефинйнсШого характера:

  1. Опыт оценки кредитного риска в голландском инвестиционном банке
  2. Основания признания кредитной организации банкротом
  3. Анализ и оценка риска инвестиционных проектов. Общие понятия неопределенности и риска
  4. Уменьшение кредитного риска
  5. Основания отказа в государственной регистрации кредитной организации и выдаче ей лицензии на осуществление банковских операций
  6. Понятие аудиторского риска и его компоненты. Оценка аудиторского риска
  7. 7.3. Оценка бухгалтерского риска
  8. 1. Количественные методы оценки риска.
  9. Оценка риска
  10. Количественная оценка данных об ожиданиях