Прогнозирование финансовых показателей

проблемы и суждения
УДК 338.27
Прогнозирование финансовых показателей
деятельности кредитной организации
В. В. Рудько-Силиванов,
начальник Главного управления Банка России по Приморскому краю, доктор экономических наук
А. А. Наумов,
начальник отдела ценных бумаг, e-mail: naumov2a@yandex.ru
Е. М. Якухный,
ведущий экономист отдела ценных бумаг, e-mail: ev6eniy@mail.ru
В статье обосновывается целесообразность применения нейронных сетей в процессе прогнозирования финансовых показателей деятельности кредитной организации с использованием статистических данных. Целью проведенного исследования
являлась не разработка универсального инструмента прогнозирования финансовых показателей деятельности кредитных организаций, а демонстрация возможностей нейронных сетей как одного из инструментов прогнозирования.
The expediency to apply neural networks (NNs) in forecasting of credit institutions’ financial indicators using statistical data is
substantiated in this paper. The aim of the research was not elaboration of a multipurpose toolkit to predict financial indicators of credit
institutions but demonstration of capabilities of NNs as one of possible forecasting instruments.
Ключевые слова: нейронные сети; прогнозирование; кредитные организации.
Key words: neural networks; forecasting; credit institutions.
В
ажнейшей составляющей успеха любого банка является эффективная система управления. Трудности, с которыми сталкиваются банки в настоящее
время, обусловлены, с одной стороны, сложностями в
интерпретации и применении нормативной и законодательной базы Российской Федерации. С другой стороны,
имеются и внутренние причины, важнейшей из которых
является неспособность самих банков диверсифицировать деятельность и эффективно работать в условиях усиления конкуренции, нестабильности и тем более кризиса.
Финансовый кризис 2008 – 2010 гг. выявил серьезные проблемы в управлении российскими коммерческими банками. Банки, являвшиеся в относительно спокойной ситуации прибыльными и финансово устойчивыми,
не смогли противостоять неблагоприятным внешним воздействиям. Подтверждением тому послужила неспособность ряда банков отвечать по своим обязательствам перед клиентами и партнерами (особенно в период острой
фазы финансового кризиса), повлекшая за собой отзыв
лицензий Банком России. За период 2008 – 2010 гг. были
отозваны лицензии у 144 банков.
Одной из важных причин кризисного состояния банковского сектора России в целом является отсутствие достаточно обоснованной концепции развития. Кроме того, в
банках также нередко отсутствует реальная стратегия развития, не внедряются современные процедуры управления,
недостаточно используются, а иногда и просто не организованы аналитические системы информационного обеспечения процесса управления. Это приводит к тому, что банки
в процессе управления используют информацию, отража-
52
ющую результаты прошлой деятельности, даже не пытаясь
заглянуть в ближайшее и более отдаленное будущее.
Управленческие решения, как оперативного характера, так и перспективные, при сложившейся практике принимаются на основе интуиции и прошлой экономической
ситуации. Это далеко не всегда бывает оправданным, а в
кризисных условиях просто неприемлемо. Все это является
следствием, как правило, некачественного управления банками. А наличие значительного числа проблемных банков
свидетельствует о том, что в эффективной системе управления нуждаются многие российские кредитные организации.
Такая ситуация небезопасна как для конкретных коммерческих банков и всего банковского сектора, так и для
экономики страны и ее социальной стабильности. Следовательно, совершенствование системы управления коммерческими банками является чрезвычайно актуальной задачей.
Эффективный управленческий подход всегда предполагает своевременное предвидение перемен, выработку
разумных альтернатив развития, создание систем контро­
ля в банке на благо его клиентов, акционеров и общества
в целом. Такой подход включает постоянное укрепление
сильных сторон банка, реализацию вновь открывающихся
возможностей, уменьшение рисков, устранение опасных
ситуаций, ликвидацию внутренних слабостей. Он основывается на необходимости прогнозирования возможных
ситуаций, противоречий, проблем и целей развития для
принятия оптимальных решений [1].
Проведение прогнозных исследований по оценке
возможных последствий принятия управленческих решений в настоящее время является необходимым условием
ДЕНЬГИ И КРЕДИТ ● 2/2013
проблемы и суждения
успешного управления любым экономическим объектом.
Коммерческий банк не является исключением.
Задача прогнозного исследования состоит в том,
чтобы на основании максимально возможно обоснованных предположений о качественном развитии ситуации и
других имеющихся данных дать количественную оценку
будущих результатов работы банка. Чем выше обоснованность и качество принимаемых в конкретной ситуации
управленческих решений, тем меньше риск получить в
будущем отрицательные финансовые результаты.
Эффективное управление активами-пассивами является одной из важнейших задач коммерческого банка.
Целью управления является максимизация прибыли при
соответствующих ограничениях банковской деятельности
с учетом банковских и рыночных рисков. Процесс принятия решений относительно рационального управления активно-пассивными операциями коммерческого банка основан не только на анализе результатов работы банка, но и
на анализе макроэкономических показателей. При этом используется бюджетирование или планирование финансовохозяйственной деятельности банка на будущий период. Соответствующие структуры банка подготавливают различные виды планов, таких как: финансовый, маркетинговый,
оперативный, план по труду и заработной плате, план материально-технического обеспечения и т. д. [2].
Процесс прогнозирования может применяться практически во всех сферах банковской деятельности. Ниже
приведены примеры направлений, в которых может быть
применено прогнозирование.
• Прогнозирование деятельности банка. Прогнозирование деятельности современных банков сводится к
построению прогнозных финансовых моделей и расходных бюджетов.
• Принятие инвестиционных решений на финансовом рынке.
• Оценивание кредитоспособности заемщиков. В
простейшем случае принятие решений сводится к классификации заемщиков на два класса: «хороших» и «плохих».
•Управление и анализ операций со срочными и текущими счетами клиентов банка.
•Управление и анализ банковских операций и сделок.
•Управление рисками. Управление и анализ различных банковских рисков.
•Управление лимитами и нормативами.
Вопросы подготовки экономических прогнозов в целом достаточно хорошо разработаны, однако, как правило,
стандартные прогнозные методики используют в качестве
основы статистических методов обработки данных (построение динамических рядов, оценка темпов роста, выявление
трендов и т. д.). Такие подходы обоснованы при наличии хорошо развитых, имеющих длительную историю рынков.
Специфика современного российского финансового
рынка такова, что использование стандартных прогнозных методик не всегда корректно. Ведь в основе использования статистических методов лежит предположение о
том, что историческая изменчивость исследуемых параметров является хорошим ориентиром на будущее. В общем случае, особенно в периоды усиливающейся нестабильности, это допущение не является справедливым.
Необходимо применение более сложных математических моделей прогнозирования, способных учитывать нестандартные ситуации и кризисные явления. Построение
таких экономических моделей – достаточно длительный и
трудоемкий процесс. Первоначальная трудность заключается в определении математического аппарата, на основе
которого будет построена будущая модель. В качестве ядра
нами предлагается использовать нейронные сети. Основными причинами такого выбора являются следующие положительные качества нейросетей. Во-первых, возможность
строить прогнозы на неограниченном количестве входящих
данных. Во-вторых, возможность решения неформализуемых задач. В-третьих, возможность строить прогнозы неограниченного числа интересующих показателей.
Регулярный анализ деятельности коммерческих банков имеет большое значение для них самих, их акционеров и клиентов, а также для Банка России. Центральный
банк на основе такого анализа, проводимого по отдельным регионам и по стране в целом, может изучать ситуацию на финансовом рынке, контролировать выполнение
установленных нормативов и показателей, оценивать эффективность проводимой кредитно-денежной политики
и при необходимости корректировать ее. Коммерческие
банки на основе анализа собственной деятельности, а
также деятельности других банков могут оценивать эффективность и качество своей работы и определять направления ее улучшения. Акционеры и клиенты банка на
основании такого анализа получают возможность оценивать его надежность и доходность для решения вопроса о
целесообразности дальнейших взаимоотношений.
Технология нейронных сетей, одного из видов искусственного интеллекта, возникла на основе подражания процессам обработки информации и принятия решений, происходящим в живых организмах. Целью было моделирование
поведения нервной ткани программно симулируемых нейронов и нейронных связей (синапсов). Исследования нейронных
сетей на теоретическом уровне начались в 1940- х годах. Когда
компьютерная технология стала достаточно мощной для реализации подобных исследований, работа приобрела серьезный характер и практическую направленность.
Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации и прогнозированию. Они особо привлекательны тем, что могут справляться и с оценками
вероятности в неоднозначных ситуациях и с моделями нечеткой логики, т. е. с моделями, легко определимыми на вид,
но с трудом поддающимися алгоритмизации в виде точных
правил. Потенциально, нейронные сети могут обнаруживать
любые присутствующие в исходных данных повторяющиеся
модели. Сети также могут интерпретировать большие объемы информации, не захлебываясь в деталях, и способны
адаптироваться к изменениям рынков и их условий.
По вопросам обучения нейронных сетей и прогнозирования с использованием результатов их работы на
сегодня существует немало научных трудов. В частности,
подробный и систематизированный теоретический материал содержится в базовом учебном пособии Ширяева В. И. «Модели финансовых рынков: нейросетевые методы в анализе финансовых рынков».
ДЕНЬГИ И КРЕДИТ ● 2/2013
53
проблемы и суждения
Основной целью проектируемой модели является
прогнозирование влияний денежно-кредитной политики
Банка России на некоторые показатели финансового состояния конкретного коммерческого банка. Для нашего исследования был выбран реально функционирующий крупный
банк, имеющий филиалы во всех регионах России и оказывающий практически весь спектр банковских услуг. Следовательно, можно предположить, что в его финансовой
отчетности будут наиболее явно отражаться последствия
принятых Банком России решений, чем на результатах деятельности любого другого коммерческого банка.
Основными инструментами, которые Банк России
использует для регулирования банковской деятельности и
которые были выбраны для построения модели, являются:
1) курсы валют. Для нашего исследования выбраны
курсы основных валют – доллара США и евро по отношению к рублю;
2) ставка рефинансирования.
На банковский сектор также оказывают влияние и
рыночные показатели. Для отражения данного фактора
были выбраны ставки MIBOR и MIBID – средние ставки
привлечения и размещения денежных средств крупнейших российских банков.
Кроме того, для анализа выбран такой показатель,
как золотовалютные резервы страны. Их состав определен следующими показателями: международные резервы,
валютные резервы, СДР, золото, взносы в МВФ и другие
резервы. Для нашего исследования золотовалютные резервы выбраны как мера, характеризующая состояние
российской экономики, ее устойчивость и защищенность
от последствий финансового кризиса.
В качестве показателей финансовой деятельности
банка были выбраны:
1) депозиты физических лиц и прочие привлеченные
денежные средства (423 счета формы № 101).
2) кредиты, выданные негосударственным коммерческим организациям (452 счета формы № 101).
3) просроченная задолженность (458 счета формы
№ 101).
Выбор этих показателей обусловлен следующими
соображениями. Депозиты физических лиц выбраны как
мера, характеризующая доверие граждан к банку. Кредиты, выданные негосударственным коммерческим организациям, – как отражение вклада банка в развитие экономики и отражение динамики развития экономики страны.
Просроченная задолженность – как отражение влияния
кризисных явлений и ухудшения экономического развития реального сектора.
Все описанные выше данные опубликованы на официальном сайте Банка России www.cbr.ru и находятся в
свободном доступе.
Итак, первоначальный перечень входящих данных
для построения модели выглядит следующим образом.
1. Ставка рефинансирования, % год.
2. Международные резервы, млн дол. США.
3. Валютные резервы, млн дол. США.
4. СДР, млн дол. США.
5. Вклады в МВФ, млн дол. США.
6. Резервы в золоте, млн дол. США.
54
7. Другие резервы, млн дол. США.
8. MIBID 1 день, % год.
9. MIBID от 2 до 7 дней, % год.
10.MIBID от 8 до 30 дней, % год.
11. MIBID от 31 до 90 дней, % год.
12.MIBID от 91 до 180 дней, % год.
13.MIBID от 181 до 1 года, % год.
14.MIBОR 1 день, % год.
15.MIBОR от 2 до 7 дней, % год.
16.MIBОR от 8 до 30 дней, % год.
17.MIBОR от 31 до 90 дней, % год.
18.MIBОR от 91 до 180 дней, % год.
19.MIBОR от 181 до 1 года, % год.
20.Курс доллара США, руб.
21.Курс евро, руб.
22.Депозиты физических лиц (423), тыс. руб.
23.Кредиты негосударственным коммерческим организациям (452), тыс. руб.
24.Просроченная задолженность (458), тыс. руб.
Существенной проблемой для выбора входящих
данных и их подбора является их доступность, а также
период, за который накапливались данные экономические
показатели. Проведенный анализ показал, что значения
ставки рефинансирования известны начиная с 01.01.1992,
данные по золотовалютным резервам – с 01.01.1997, ставки по межбанковским кредитам – с 01.08.2000, курс доллара США – с 01.07.1997, курс евро – с 01.01.1999, данные
формы отчетности № 101 банка доступны с 01.07.2003.
Основываясь на том, что самыми поздними публикуемыми показателями являются данные формы отчетности
№ 101 и что эти данные являются достаточно существенными для нашего исследования, было решено, что обучение нейронных сетей будет проводиться на наборе данных с 01.07.2003 по 01.11.2009, с периодичностью один
месяц. Таким образом, каждый рассматриваемый показатель имеет по 77 месячных значений.
Можно заметить, что в представленном перечне присутствуют группы показателей, которые дублируются по
смыслу и отражают по сути одни и те же тенденции. В
частности, можно заметить две такие группы – различные
резервы и ставки MIBOR и MIBID. Поэтому было решено провести анализ корреляции наборов данных, для того
чтобы исключить дублирующиеся показатели, а также
снизить количество входящих данных, упростив процесс
обучения нейронных сетей.
Как видно из табл. 1, значения ставок достаточно сильно коррелированны между собой, поэтому использовать все
значения для обучения нейронной сети не имеет смысла.
Проанализировав полученные результаты, было решено
использовать ставку MIBID от 8 до 30 дней, так она имеет
наибольшую корреляцию со всеми остальными значениями.
Анализ показывает, что корреляция между различными показателями резервов (табл. 2) не такая явная, как
между величинами различных ставок (табл. 1). Хотя в
наличии имеется существенная корреляция между резервами в золоте, валюте и суммарными золотовалютными
резервами, было решено отказаться только от суммарных
данных, исключив по сути дублирование информации, и
оставить все составные части.
ДЕНЬГИ И КРЕДИТ ● 2/2013
проблемы и суждения
Таблица 1
Корреляция ставок MIBID и MIBOR
MIBID 1 день
MIBID от 2 до
7 дн.
MIBID от 8 до
30 дн.
MIBID от 31
до 90 дн.
MIBID от 91
до 180 дн.
MIBID от 181
дн. до 1 года
MIBOR 1 день
MIBOR от 2 до
7 дн.
MIBOR от 8 до
30 дн.
MIBOR от 31
до 90 дн.
MIBOR от 91
до 180 дн.
MIBOR от 181
дн. до 1 года
MIBOR
MIBID
MIBOR MIBOR MIBOR MIBOR
MIBID MIBID MIBID
от 181
от 181 MIBOR
от 2 до от 8 до от 31 до от 91 до
от 8 до от 31 до от 91 до
дн. до 1
дн. до 1 1 день
90 дн. 180 дн.
30 дн.
7 дн.
90 дн. 180 дн.
30 дн.
года
года
0,80
0,70
0,66
0,62
0,98
0,88
0,74
0,67
0,63
0,59
MIBID
1 день
MIBID
от 2 до
7 дн.
1,00
0,92
0,92
1,00
0,96
0,90
0,87
0,83
0,91
0,97
0,92
0,87
0,85
0,80
0,80
0,96
1,00
0,98
0,95
0,91
0,80
0,95
0,97
0,95
0,94
0,90
0,70
0,90
0,98
1,00
0,99
0,96
0,73
0,92
0,98
0,98
0,98
0,96
0,66
0,87
0,95
0,99
1,00
0,99
0,70
0,90
0,98
0,97
0,98
0,97
0,62
0,83
0,91
0,96
0,99
1,00
0,67
0,87
0,96
0,96
0,97
0,98
0,98
0,91
0,80
0,73
0,70
0,67
1,00
0,92
0,78
0,71
0,68
0,64
0,88
0,97
0,95
0,92
0,90
0,87
0,92
1,00
0,96
0,91
0,89
0,86
0,74
0,92
0,97
0,98
0,98
0,96
0,78
0,96
1,00
0,98
0,97
0,96
0,67
0,87
0,95
0,98
0,97
0,96
0,71
0,91
0,98
1,00
0,99
0,98
0,63
0,85
0,94
0,98
0,98
0,97
0,68
0,89
0,97
0,99
1,00
0,99
0,59
0,80
0,90
0,96
0,97
0,98
0,64
0,86
0,96
0,98
0,99
1,00
Таблица 2
Корреляция между значениями резервов
Международные резервы
Валюта
СДР
МВФ
Золото
Другие
международные
резервы
валюта
СДР
МВФ
1
0,99
0,17
0,57
0,99
0,17
0,57
0,87
0,75
1
0,23
0,66
0,92
0,62
0,23 0,66
1
0,63
0,63
1
0,44 0,87
-0,17 -0,003
Золо- Друто
гие
0,87
0,75
0,92 0,62
0,44 -0,17
0,87 -0,002
1
0,38
0,38
1
Таким образом, был определен набор входящих данных для построения модели.
1. Ставка рефинансирования.
2. Валютные резервы.
3. СДР.
4. Вклады в МВФ.
5. Резервы в золоте.
6. Другие резервы.
7. MIBID от 8 до 30 дней.
8. Курс доллара США.
9. Курс евро.
10.Депозиты физических лиц (423).
11. Кредиты негосударственным коммерческим организациям (452).
12.Просроченная задолженность (458).
Корреляционная матрица для этих показателей представлена в табл. 3.
Исходящими данными системы будут: депозиты физических лиц, кредиты негосударственным коммерческим
организациям и просроченная задолженность. Таким
образом, целью работы нейронной сети будет прогнозирование именно этих показателей при изменении одного
или нескольких из набора входящих данных.
Итак, для решения поставленной задачи была выбрана
нейронная сеть со следующими основными параметрами:
• четырехслойный перцептрон;
• 12 входящих нейронов;
• 3 выходных нейрона;
• 2 скрытых слоя;
• для обучения использовалось 912 примеров (12
векторов по 76 примеров);
• входящие данные были разделены на два набора
данных, причем 50% было использовано для обучения
сети и 50% для оптимизации;
• отбор данных для обучения – через одну запись;
• оптимизация работы сети заключалась в нахождении таких весов, при которых значение ошибки прогнозных значений на наборе данных, отобранных для оптимизации, было минимальным.
Для того чтобы объективно оценить качество работы модели, а также точно установить допустимое отклонение прогнозов от фактических данных, был проведен
ретроспективный анализ. С этой целью было отобрано
14 дат, что составило 18% от подготовленных входящих
данных, и сделано предположение, что анализируемые
параметры неизвестны, а вектор входящих данных в
точности соответствует рассматриваемым периодам (см.
табл. 4–6).
ДЕНЬГИ И КРЕДИТ ● 2/2013
55
проблемы и суждения
Таблица 3
Корреляционная матрица входящих данных
Ставка
реф.
Ставка
реф.
Валюта
СДР
МВФ
Золото
Другие
MIBIR
от 8 до 30
дн.
Курс $
Курс
евро
Депозиты
физ. лиц
Кредиты
негос.
ком. орг.
Просроч.
задолж.
MIBID
от 8 до
30 дн.
Курс $
Курс
евро
Депози- Кредиты Просроч.
ты физ. негос.
ком. орг. задолж.
лиц
Валюта
СДР
МВФ
Золото
Другие
-0,75
-0,21
-0,41
-0,64
-0,79
1,00
0,23
0,66
0,92
0,62
1,00
0,63
0,44
-0,17
1,00
0,87
0,00
1,00
0,38
1,00
-0,17
0,57
0,21
0,70
0,70
-0,06
1,00
0,53
-0,30
0,18
0,34
0,01
-0,77
0,47
1,00
-0,15
0,48
0,45
0,85
0,71
-0,24
0,70
0,58
1,00
-0,73
0,96
0,35
0,82
0,97
0,49
0,68
-0,08
0,65
1,00
-0,63
0,93
0,35
0,85
0,97
0,37
0,73
0,03
0,73
0,99
1,00
-0,35
0,61
0,69
0,98
0,84
-0,07
0,67
0,39
0,87
0,78
0,82
1,00
Таблица 4
Анализ прогнозов по депозитам
физических лиц, тыс. руб.
Дата
Прогноз
Факт
01.03.2007
01.04.2007
01.05.2007
01.06.2007
01.01.2008
01.02.2008
01.03.2008
01.04.2008
01.11.2008
01.12.2008
01.01.2009
01.02.2009
01.09.2009
01.10.2009
1 907 399 157
1 965 253 311
2 017 332 124
2 071 728 118
2 293 039 910
2 398 485 267
2 410 085 632
2 433 465 921
2 634 811 214
2 550 471 243
2 543 987 955
2 662 555 183
2 999 367 058
3 072 391 467
1 932 858 757
1 978 652 843
2 022 985 522
2 065 113 230
2 377 409 251
2 388 310 450
2 424 351 650
2 473 631 473
2 603 853 399
2 607 667 048
2 713 684 725
2 782 200 190
2 981 804 364
3 001 538 111
Таблица 5
Анализ прогнозов по кредитам коммерческим
организациям, тыс. руб.
Расхождение,
%
1,32
0,68
0,28
0,32
3,55
0,43
0,59
1,62
1,19
2,19
6,25
4,30
0,59
2,36
Согласно проведенному анализу были получены следующие результаты: расхождение прогнозов и реальных
результатов по первым двум изучаемым параметрам не
превышает допустимых отклонений, в то время как по
третьему показателю иногда наступают периоды, в которые точность прогнозов снижается (см. табл. 7).
Кроме того, на протяжении достаточно длительного времени проводилась оценка адекватности системы.
С этой целью было решено проанализировать качество
прогнозов на основе реальных данных из раскрываемой
банком отчетности. Для этого вначале были сделаны прогнозы на ноябрь 2009 г. Затем по мере выхода в ноябре отчетности и публикации других финансовых показателей,
56
1,00
Дата
Прогноз
Факт
01.03.2007
01.04.2007
01.05.2007
01.06.2007
01.01.2008
01.02.2008
01.03.2008
01.04.2008
01.11.2008
01.12.2008
01.01.2009
01.02.2009
01.09.2009
01.10.2009
1 827 627 269
1 835 372 480
1 901 238 977
1 909 907 718
2 703 348 050
2 817 953 225
2 900 941 671
2 938 701 164
3 451 664 515
3 530 509 189
3 564 030 529
3 684 121 580
3 767 693 449
3 751 207 925
1 720 672 063
1 785 353 649
1 786 394 387
1 815 430 364
2 692 057 409
2 783 416 773
2 812 095 158
2 958 255 675
3 458 455 910
3 463 626 630
3 585 628 752
3 722 783 513
3 798 102 150
3 791 464 199
Расхождение,
%
6,22
2,80
6,43
5,20
0,42
1,24
3,16
0,66
0,20
1,93
0,60
1,04
0,80
1,06
включенных в вектор входящих данных, были сделаны
прогнозы на декабрь 2009 г. и так далее вплоть до прогноза на июль 2012 г. Полученные прогнозируемые величины и их точность представлены в табл. 8–10.
Наблюдения за качеством прогнозов, полученных
с использованием нейронной сети, на протяжении длительного периода позволяют сделать следующие выводы. Вплоть до октября 2011 г. эффективность полученных прогнозов не выходила за рамки допустимого
отклонения в 10%. Однако в процессе анализа полученных результатов было отмечено постепенное ухудшение
прогнозов по одному показателю – депозиты физических лиц. Если среднее отклонение в начальных перио-
ДЕНЬГИ И КРЕДИТ ● 2/2013
проблемы и суждения
Таблица 6
Таблица 7
Анализ прогнозов по просроченной
задолженности, тыс. руб.
Дата
Прогноз
Факт
01.03.2007
01.04.2007
01.05.2007
01.06.2007
01.01.2008
01.02.2008
01.03.2008
01.04.2008
01.11.2008
01.12.2008
01.01.2009
01.02.2009
01.09.2009
01.10.2009
32 305 588,95
33 570 024,34
33 013 169,56
33 894 502,91
42 496 395,03
41 920 255,16
42 864 824,40
44 212 640,99
61 158 215,72
74 508 351,14
99 964 716,15
98 653 963,58
185 203 197,50
211 876 724,00
32 164 244
31 814 150
32 759 076
33 892 852
39 552 515
40 445 552
41 345 307
42 430 776
67 588 733
89 626 803
89 193 892
103 814 656
196 608 865
204 327 175
Расхождение,
%
0,44
5,52
0,78
0,00
7,44
3,65
3,68
4,20
9,51
16,87
12,08
4,97
5,80
3,69
Анализ расхождения прогнозов и
фактических данных, %
Дата
Депозиты
Кредиты
01.03.2007
01.04.2007
01.05.2007
01.06.2007
01.01.2008
01.02.2008
01.03.2008
01.04.2008
01.11.2008
01.12.2008
01.01.2009
01.02.2009
01.09.2009
01.10.2009
Среднее
Максимальное
Минимальное
1,32
0,68
0,28
0,32
3,55
0,43
0,59
1,62
1,19
2,19
6,25
4,30
0,59
2,36
1,83
6,25
0,28
6,22
2,80
6,43
5,20
0,42
1,24
3,16
0,66
0,20
1,93
0,60
1,04
0,80
1,06
2,27
6,43
0,20
Просроченная
задолженность
0,44
5,52
0,78
0,00
7,44
3,65
3,68
4,20
9,51
16,87
12,08
4,97
5,80
3,69
5,62
16,87
0,00
Таблица 8
Таблица 9
Результаты работы нейронной сети по прогнозированию
депозитов физических лиц, тыс. руб.
Результаты работы нейронной сети по прогнозированию
кредитов коммерческим организациям, тыс. руб.
Дата
Прогноз
Факт
01.01.2011
01.02.2011
01.03.2011
01.04.2011
01.05.2011
01.06.2011
01.07.2011
01.08.2011
01.09.2011
01.10.2011
01.11.2011
01.12.2011
01.01.2012
01.02.2012
01.03.2012
01.04.2012
01.05.2012
01.06.2012
01.07.2012
3 706 699 114
3 763 313 892
3 758 552 192
3 801 632 933
3 818 662 871
3 846 202 092
3 855 166 935
3 876 967 802
3 915 178 622
3 919 820 929
3 930 880 872
3 958 520 713
4 020 922 298
4 034 140 501
4 064 563 439
4 084 807 992
4 111 831 893
4 123 996 056
4 140 243 550
4 012 409 719
4 020 711 545
4 095 887 373
4 130 042 647
4 159 394 865
4 177 857 280
4 213 038 407
4 249 250 238
4 298 478 392
4 292 630 244
4 368 417 951
4 556 005 859
4 552 583 919
4 608 479 483
4 672 996 801
4 737 867 419
4 794 080 100
4 841 342 140
4 836 996 572
Расхождение,
%
7,62
6,40
8,24
7,95
8,19
7,94
8,49
8,76
8,92
8,68
10,02
13,11
11,68
12,46
13,02
13,78
14,23
14,82
14,40
дах тестирования системы (01.01.2010 – 01.12.2010) составляло около 3%, то за период 01.01.2011 – 01.10.2011
данный показатель вырос до 8%, но все еще находится в допустимых критериях отклонения, далее, после
01.10.2011, отклонение превысило критическое значение в 10%. Качество прогнозирования двух других
показателей – «выданные кредиты негосударственным
коммерческим организациям» и «просроченная задолженность» – с течением времени не ухудшилось и находится на высоком уровне.
Дата
01.01.2011
01.02.2011
01.03.2011
01.04.2011
01.05.2011
01.06.2011
01.07.2011
01.08.2011
01.09.2011
01.10.2011
01.11.2011
01.12.2011
01.01.2012
01.02.2012
01.03.2012
01.04.2012
01.05.2012
01.06.2012
01.07.2012
Прогноз
Факт
3 807 983 022
3 879 664 084
3 886 677 270
3 939 708 191
4 003 853 856
4 076 412 887
4 144 599 081
4 206 507 639
4 333 284 252
4 392 121 504
4 523 459 647
4 700 722 612
4 844 431 784
4 905 029 969
4 897 000 853
4 869 286 226
4 899 426 638
4 921 764 072
5 058 740 237
3 736 532 976
3 801 083 392
3 817 378 173
3 843 712 155
3 887 075 305
3 992 115 606
4 004 138 790
4 147 189 537
4 291 541 046
4 413 956 277
4 656 743 887
4 853 055 202
4 890 025 840
4 856 254 629
4 868 478 173
4 948 801 434
5 047 550 187
5 143 565 268
5 226 035 836
Расхождение,
%
1,91
2,07
1,82
2,50
3,00
2,11
3,51
1,43
0,97
0,49
2,86
3,14
0,93
1,00
0,59
1,61
2,93
4,31
3,20
Итак, в результате проделанной работы можно сделать неоднозначные выводы, в частности, о зависимости
качества работы сети от количества исходящих данных.
Так, количество одновременно прогнозируемых показателей более одного приводит к тому, что отдельные показатели имеют более качественные прогнозы, чем другие.
И в дальнейшем, если качество прогнозов по одному из
показателей не будет удовлетворять, невозможно будет
внести корректировки в работу анализируемой сети и потребуется обучение всей нейронной сети заново.
ДЕНЬГИ И КРЕДИТ ● 2/2013
57
проблемы и суждения
Таблица 10
Результаты работы нейронной сети по прогнозированию
просроченной задолженности, тыс. руб.
Дата
Прогноз
Факт
01.01.2011
01.02.2011
01.03.2011
01.04.2011
01.05.2011
01.06.2011
01.07.2011
01.08.2011
01.09.2011
01.10.2011
01.11.2011
01.12.2011
01.01.2012
01.02.2012
01.03.2012
01.04.2012
01.05.2012
01.06.2012
01.07.2012
313 586 558
309 584 358
309 616 756
308 758 428
302 198 599
301 584 202
299 723 517
298 312 030
296 752 296
291 517 645
286 636 640
276 691 616
264 394 002
264 447 268
266 451 951
269 171 481
271 485 861
271 490 289
257 518 075
305 521 038
306 129 965
306 533 092
299 400 143
300 418 512
299 981 407
296 794 047
301 599 356
296 774 088
293 609 501
285 764 337
274 749 883
276 202 631
279 296 665
283 446 219
288 863 370
290 789 230
274 334 638
275 843 110
Расхождение,
%
2,64
1,13
1,01
3,13
0,59
0,53
0,99
1,09
0,01
0,71
0,31
0,71
4,28
5,32
6,00
6,82
6,64
1,04
6,64
В целом исследование применения нейронных сетей
для прогнозирования некоторых финансовых показателей деятельности реально функционирующего банка показало высокий потенциал использования рассматриваемого инструмента, даже несмотря на ухудшение качества
прогнозов по одному из анализируемых показателей с
течением длительного периода времени. Полученные результаты работы модели прогнозирования свидетельствуют о высокой точности двух других показателей. Анализ
актуальности модели на основе реальной отчетности за
19 месяцев – с декабря 2009 г. по июль 2012 г. включительно – показал, что прогнозируемые значения этих показателей редко отличаются от реальных более чем на десять
процентов.
Однако следует отметить, что использование в качестве ядра модели нейронной сети накладывает определенные требования к выборке входящих данных, подобранных для обучения. Основная трудность заключается
в наличии статистической информации. Для качественного обучения нейросетей необходим существенный объем
58
входящих данных. Увеличение временного периода накопленных данных, используемых для обучения нейронной
сети и включающей как периоды роста экономики, так и
периоды кризисных явлений, только улучшает качество
полученных результатов.
Следовательно, полагаем, что, несмотря на
имеющиеся трудности, нейросети являются достаточно
серьезным инструментом прогнозирования и вполне могут быть использованы банками для финансового планирования, оценки различных видов рисков и повышения
качества принимаемых управленческих решений. Разработка приложений на основе нейросетевых прогнозов является достаточно актуальным и своевременным направлением исследования. Как показал опыт, другие модели,
основанные, например, на математической статистике, не
смогли вовремя предугадать приближение финансового
кризиса и способствовать принятию правильных управленческих решений.
■
Список литературы
1. Пономарева Н. А. Прогнозирование результатов
финансовой деятельности коммерческого банка: Дис.
канд. экон. наук: 08.00.10: Москва, 1999 152 c. РГБ ОД,
61:00-8/1427-5.
2. Домрачев В.Н., Норкин В.И. Принятие решений
по управлению активами-пассивами коммерческого банка на основе статистического анализа временных рядов
показателей рынка банковских услуг; www.intsys.msu.ru/
magazine/archive/v6(1-4)/domrach.pdf [Дата обращения
15.01.2011].
3. Рассел С., Норвиг П. Искусственный интеллект:
современный подход (Artificial Intelligence: A Modern
Approach). 2-е издание. М.: Вильямс, 2006. 1424 с.
4. Хайкин С. Нейронные сети: полный курс. 2-е издание. М.: Вильямс, 2006. 1104 с.
5. Тархов Д.А. Нейронные сети. Модели и алгоритмы. М.: Радиотехника, 2005. 256 с.
6. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и
нечеткая логика. М.: Горячая линия – Телеком, 2004. 143 с.
7. Оборотные ведомости по счетам бухгалтерского учета Сбербанка России (форма отчетности
№ 101); данные, финансовые показатели денежно-кредитной политики Банка России; http://cbr.ru/credit/coinfo.
asp?id=350000004 [Дата обращения 15.01.2011].
ДЕНЬГИ И КРЕДИТ ● 2/2013