66840

ОЦЕНКА ВЕРОЯТНОСТИ БАНКРОТСТВА ОРГАНИЗАЦИИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Контрольная

Информатика, кибернетика и программирование

Вопросы определения вероятности дефолта и оценки кредитоспособности предприятия являются актуальными как для самого предприятия так и для его основных контрагентов в наибольшей степени для кредитных организаций и всех чье будущее финансовое положение...

Русский

2014-08-27

456.5 KB

0 чел.

Министерство экономического развития и торговли Российской Федерации

Г О С У Д А Р С Т В Е Н Н Ы Й  У Н И В Е Р С И Т Е Т

ВЫСШАЯ ШКОЛА ЭКОНОМИКИ

ПЕРМСКИЙ ФИЛИАЛ

Факультет экономики

Кафедра финансового менеджмента

Контрольная работа

на тему

ОЦЕНКА ВЕРОЯТНОСТИ БАНКРОТСТВА ОРГАНИЗАЦИИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

Студентки группы Э-03-1

Царегородцевой Н.Л.

Преподаватель:

Ясницкий Л.Н.

Пермь 2007


ОГЛАВЛЕНИЕ

[0.0.0.1] Преподаватель:

[1]
Описание модели, характеристика входных параметров

[2]
2. Кодирование входных и выходных данных. Представление обучающей и тестирующей выборки.

[3]
3. Конструирование нейронной сети

[3.1] Описание характеристик нейронной сети.

[3.2] Выбор оптимального количества нейронов на внутреннем слое.

[3.3] Выбор значащих входных параметров модели.

[4]
Обучение и тестирование нейронной сети

[5] Анализ и интерпретация полученных результатов

[6]
Список литературы

  1.  
    Описание модели, характеристика входных параметров

Вопросы определения вероятности дефолта и оценки кредитоспособности предприятия являются актуальными как для самого предприятия, так и для его основных контрагентов, в наибольшей степени для кредитных организаций и всех, чье будущее финансовое положение напрямую зависит от финансового положения другого юридического лица.

Объектом анализа будет выступать модель, позволяющая на основе некоторых параметров, в большинстве случаев по балансу рассчитанных коэффициентов, определить вероятность дефолта предприятия. Целью работы является конструирование такой модели на основе нейронной сети, обладающей хорошими свойствами обобщения и высокой способностью прогнозирования.

Входными параметрами модели в теории могут выступать различные как количественные, так и качественные характеристики анализируемого предприятия. В нашем случае в качестве входных параметров будем использовать следующие коэффициенты:

  •  Коэффициент текущей ликвидности, отражающий соотношение текущих активов и текущих обязательств предприятия:

Коэффициент текущей ликвидности характеризует общую обеспеченность предприятия оборотными средствами для ведения хозяйственной деятельности и своевременного погашения его срочных обязательств. Коэффициент текущей ликвидности определяется как отношение фактической стоимости находящихся у предприятия оборотных средств в виде производственных запасов, готовой продукции, денежных средств, дебиторской задолженности и прочих оборотных активов к наиболее срочным обязательствам предприятия в виде краткосрочных кредитов банков, краткосрочных займов и кредиторской задолженности. Формула расчета коэффициента текущей ликвидности выглядит так:

,

где ОбА - оборотные активы, принимаемые в расчет при оценке структуры баланса - это итог второго раздела баланса формы № 1 (строка 290) за вычетом строки 230 (дебиторская задолженность, платежи по которой ожидаются более чем через 12 месяцев после отчетной даты).

КДО - краткосрочные долговые обязательства - это итог четвертого раздела баланса (строка 690) за вычетом строк 640 (доходы будущих периодов) и 650 (резервы предстоящих расходов и платежей).

  •  Коэффициент обеспеченности собственными средствами

Коэффициент обеспеченности собственными средствами характеризует наличие собственных оборотных средств у предприятия, необходимых для обеспечения его финансовой устойчивости. Коэффициент обеспеченности собственными средствами определяется как отношение разности между объемами источников собственных средств и физической стоимостью основных средств и прочих внеоборотных активов к фактической стоимости находящихся в наличии у предприятия оборотных средств в виде производственных запасов, незавершенного производства, готовой продукции, денежных средств, дебиторской задолженности и прочих оборотных активов.

Формула расчета коэффициента обеспеченности собственными средствами следующая:

,

где СКО - сумма источников собственного капитала - это разность между итогом четвертого раздела баланса (строка 490) и итогом первого раздела баланса (строка 190).

  •  Коэффициент восстановления платежеспособности

Коэффициент восстановления платежеспособности определяется как отношение расчетного коэффициента текущей ликвидности к его установленному значению. Расчетный коэффициент текущей ликвидности определяется как сумма фактического значения этого коэффициента на конец отчетного периода и изменение этого коэффициента между окончанием и началом отчетного периода в пересчете на период восстановления платежеспособности (6 месяцев). Формула расчета следующая:

,

где Ктл.к - фактическое значение (на конец отчетного периода) коэффициента текущей ликвидности,

Ктл.н - значение коэффициента текущей ликвидности на начало отчетного периода,

Т - отчетный период, мес.,

2 - нормативное значение коэффициента текущей ликвидности,

6 - нормативный период восстановления платежеспособности в месяцах.

Выходным параметром модели является вероятность дефолта: 1 – если вероятность низкая, 0 – если вероятность высокая.


2. Кодирование входных и выходных данных. Представление обучающей и тестирующей выборки.

Обозначим входные параметры:

  •  коэффициент текущей ликвидности ();
  •  коэффициент обеспеченности собственными средствами ();
  •  коэффициент утраты (восстановления) платежеспособности ().

Значение выходного нейрона обозначим за .

В качестве статистического материала была взята финансовая отчетность 50-ти предприятий с сайта http://cbr.ru/:

Данные финансовой отчетности предприятий

Коэффициент текущей ликвидности

Коэффициент обеспеченности собственными средствами

Коэффициент восстановления платежеспособности

Вероятность банкротства предприятия

1

2,5

0,2

1,1

0

2

3

0,3

1,5

0

3

1,2

0,009

0,68

1

4

0,8

0,005

0,59

1

5

1,3

0,004

0,98

1

6

4,5

0,95

1,9

0

7

5

1,2

2,3

0

8

4,2

1,1

2,9

0

9

0,8

0,004

0,009

1

10

4,1

0,987

1,59

0

11

1,4

0,09

0,65

1

12

2

0,099

0,09

1

13

2,1

0,11

1,3

0

14

2,3

0,15

1

0

15

1,9

0,08

0,8

1

16

5,1

0,98

1,5

0

17

4,2

0,96

1,68

0

18

2,03

0,16

1,2

0

19

1,5

0,06

0,6

1

20

1,8

0,09

0,67

1

21

1,6

0,0025

0,67

1

22

4,6

0,98

1,25

0

23

5,1

1,006

2,9

0

24

2,2

0,15

1,2

0

25

1,6

0,098

0,54

1

26

2,2

0,11

1,1

0

27

2,3

0,12

1,12

0

28

2,5

0,13

1,2

0

29

3,4

0,5

1,6

0

30

5,2

1,02

2,1

0

31

6

1,99

2,3

0

32

2,7

0,19

1,17

0

33

3,6

0,34

1,5

0

34

4,1

0,9

1,8

0

35

5,4

1,2

2,03

0

36

1,2

0,065

0,68

1

37

1,9

0,09

0,62

1

38

1,8

0,089

0,47

1

39

1,5

0,07

0,48

1

40

3,5

0,45

1,29

0

41

3,6

0,54

1,54

0

42

1,6

0,058

0,57

1

43

2,95

0,4

1,35

0

44

1,79

0,095

0,99

1

45

3,45

0,48

1,42

0

46

2,36

0,26

1,14

0

47

1,85

0,08

0,89

1

48

2,09

0,103

1,21

0

49

1,39

0,051

0,91

1

50

2,94

0,3

1,47

0

Представленная выборка далее была разбита на обучающую и тестирующую. Для тестирующей выборки были взяты первые 10 наблюдений.


3. Конструирование нейронной сети

Описание характеристик нейронной сети.

Проектирование сети

Слой

Количество нейронов

Активационная функция

Входной

3 (необходимо оценить значимость каждого фактора)

линейная

Скрытый

Необходимо определить (см. далее)

сигмоида

Выходной

1

сигмоида

Обучение

Алгоритм обучения – обратное распространение ошибки.

Скорость – 0,08.

Количество эпох – 3000.

Инициализация весов – стандартное распределение.

Масштабирование данных – линейное.

Выбор оптимального количества нейронов на внутреннем слое.

Выбор оптимального количества нейронов на внутреннем слое осуществляется с помощью следствия теоремы Арнольда – Колмогорова – Хехт-Нильсена, согласно которому:

Для нашей модели:

Методом перебора и нахождения минимальной погрешности тестирования и обучения определим оптимальное количество нейронов на внутреннем слое:

Из графика видно, что при увеличении числа нейронов на скрытом слое с 3 до 17 происходит рост ошибок обучения и тестирования. Минимальные ошибки наблюдаются при трех нейронах на внутреннем слое.

Выбор значащих входных параметров модели.

Удалим из модели один входной параметр и проанализируем, как изменится погрешность предсказания выходного параметра

Входные параметры

X1, X2, X3

X1, X2

X1, X3

X2, X3

Абсолютная средняя погрешность прогноза

0,000728

0,000532

0,000692

0,020802

Как видно из таблицы, отсутствие первого входного параметра приводит к резкому скачку ошибки прогноза модели, следовательно, данный фактор является значимым для модели, и его нельзя устранять.

При удалении второго и третьего факторов погрешность прогноза уменьшается относительно исходной модели с тремя входными данными. Это значит, что свойства предсказания данной сети улучшаются при отсутствии второго или третьего параметра, особенно при отсутствии третьего. Это легко объясняется с точки зрения экономического смысла факторов модели. Третий параметр рассчитывается на основе второго параметра (см. характеристика факторов модели), а следовательно, он дублирует второй фактор. Поэтому представляется целесообразным оставить в модели два входных параметра: Х1 и Х2.

Слой

Количество нейронов

Активационная функция

Входной

2

линейная

Скрытый

3

сигмоида

Выходной

1

сигмоида

В итоге проведенного анализа в разрезе количества нейронов на скрытом слое и в разрезе значимости входных параметров можно представить конечную структуру нейронной сети:

  1.  
    Обучение и тестирование нейронной сети

Первые 10 наблюдений (выделены желтым цветом) – тестирующая выборка. Столбец D – желаемый выход. Y1 – полученное прогнозное значение. Погрешность рассчитана как абсолютное значение разницы между желаемым и прогнозным значениями.

X1

X2

D

Y1

погрешность

2,5

0,2

0

0

0,000000

3

0,3

0

0

0,000000

1,2

0,009

1

1

0,000000

0,8

0,005

1

1

0,000000

1,3

0,004

1

1

0,000000

4,5

0,95

0

0

0,000000

5

1,2

0

0

0,000000

4,2

1,1

0

0

0,000000

0,8

0,004

1

1

0,000000

4,1

0,987

0

0

0,000000

1,4

0,09

1

1

0,000000

2

0,099

1

0,9866

0,013400

2,1

0,11

0

0

0,000000

2,3

0,15

0

0

0,000000

1,9

0,08

1

1

0,000000

5,1

0,98

0

0

0,000000

4,2

0,96

0

0

0,000000

2,03

0,16

0

0,0132

0,013200

1,5

0,06

1

1

0,000000

1,8

0,09

1

1

0,000000

1,6

0,0025

1

1

0,000000

4,6

0,98

0

0

0,000000

5,1

1006

0

0

0,000000

2,2

0,15

0

0

0,000000

1,6

0,098

1

1

0,000000

2,2

0,11

0

0

0,000000

2,3

0,12

0

0

0,000000

2,5

0,13

0

0

0,000000

3,4

0,5

0

0

0,000000

5,2

1,02

0

0

0,000000

6

1,99

0

0

0,000000

2,7

0,19

0

0

0,000000

3,6

0,34

0

0

0,000000

4,1

0,9

0

0

0,000000

5,4

1,2

0

0

0,000000

1,2

0,065

1

1

0,000000

1,9

0,09

1

1

0,000000

1,8

0,089

1

1

0,000000

1,5

0,07

1

1

0,000000

3,5

0,45

0

0

0,000000

3,6

0,54

0

0

0,000000

1,6

0,058

1

1

0,000000

2,95

0,4

0

0

0,000000

1,79

0,095

1

1

0,000000

3,45

0,48

0

0

0,000000

2,36

0,26

0

0

0,000000

1,85

0,08

1

1

0,000000

2,09

0,103

0

0

0,000000

1,39

0,051

1

1

0,000000

2,94

0,3

0

0

0,000000

  1.  Анализ и интерпретация полученных результатов

Анализ вышеприведенной таблицы показывает, что оптимизированная сеть отличается высокими свойствами прогнозирования как на обучающей, так и на тестирующей выборке. Дальнейший анализ модели и тестирование ее на различных массивах данных позволит с полной уверенностью утверждать, что данная модель может быть использована на практике для определения вероятности банкротства организаций.


Список литературы

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. Пособие для студ.высш.учеб.заведений. – М.: Издательский центр «Академия», 2005, 176 с.
  2.  http://www.finanalis.ru/litra/?leaf=k_plat.htm
  3.  http://www.cbr.ru/


 

А также другие работы, которые могут Вас заинтересовать

3332. Строительные машины. Экскаваторы и башенные краны 1.89 MB
  Машины для земляных работ. Экскаваторы одноковшовые. Любой строительный процесс начинается с производства земляных работ, т. с. разработки грунта, перемещению его или погрузки на транспортные средства. Так, для устройства оснований или фу...
3333. Теория организации. Краткий курс лекций 596 KB
  В учебном пособие представлены основные темы курса, предусмотренные государственным стандартом по специальности 080507 «Менеджмент организации». Представлено краткое содержание основных вопросов изучаемого курса. Учебное пособие дает системное предс...
3334. Дефектація корпусних деталей 106.5 KB
  Дефектація корпусних деталей Обладнання, інструмент. Корпус коробки переключення передач (КПП) трактора Т-170 18-2-156 СБ, стенд для кріплення корпуса, індикаторні нутроміри НИ 100-160, НИ 18-50, мікрометри МК 175-2, МК 150-2, МК 125-2, МК 25-2, шт...
3335. Відновлення деталей вібродуговим наплавленням 1.11 MB
  Відновлення деталей вібродуговим наплавленням Обладнання, інструмент. Наплавочна установка в комплекті: токарний верстат, наплавочна головка ОКС 6569, джерело живлення ВДУ-506, балон з вуглекислим газом, підігрівник, осушувач, редуктор, пульт керува...
3336. Дефектація валів, шестерень, підшипників 521 KB
  Дефектація валів, шестерень, підшипників Обладнання, інструмент. Перший проміжний вал коробки переключення передач трактора Т-170 18-12-132, мікрометри МК 75-2, МЗ 75-2, ролики діаметром 6 мм, ролики зі скосом кромок, різьбові кільця М 52 X 2...
3337. Відновлення деталей газополуменевим напиленням порошків 73.5 KB
  Суть процесу. Порошковий присаджувальний матеріал подається транспортувальним газом у зону полум'я, де обплавляеться і струменем горючих газів вино¬ситься на поверхню деталі. Порошкові суміші можуть подаватися і безпосередньо в полум'я пальника.
3338. Відновлення деталей наплавленням під шаром флюсу 1.02 MB
  Відновлення деталей наплавленням під шаром флюсу Обладнання, інструмент. Установка для наплавлення в комплекті: наплавочна головка А-580М, зварювальний перетворювач ПСО-500, верстат для установки головки, верстат для кріплення котка, щит розподільн...
3339. Оброблення деталей методом пластичного деформування 313.5 KB
  Оброблення деталей методом пластичного деформування. Обладнання, Інструмент. Токарно-гвинторізний верстат, набір накаток: кулькова жорстка, роликова жорстка і пружна, роликова для відновлення пружин, при стрій для кріплення пружин, твердомір Т...
3340. Відновлення деталей електролітичним хромуванням 81 KB
  Відновлення деталей електролітичним хромуванням Обладнання, інструмент. Хромувальна установка, джерело живлення, підвісні пристрої для деталей при хромуванні, ключі ріжкові 10 X 12; 12 X 14; 17 X 19, 22 X 24, мікрометр. МК 25-2, ...