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

45948. Конструкционные стали: классификация, маркировка, химический состав, механические и технологические свойства, применение 50.2 KB
  Конструкционные стали: классификация маркировка химический состав механические и технологические свойства применение. Широкое использование стали в промышленности обусловлено сочетанием комплекса механических физикохимических и технологических свойств. Сталью называются сплавы железа с углеродом и некоторыми другими элементами причем углерода в стали должно содержаться меньше 214 . Постоянными примесями в стали являются: кремний до 04 марганец до 08 сера до 005 фосфор до 005 и газы NOH и др.
45949. Инструментальные стали: классификация, маркировка, свойства, применение 24.34 KB
  Инструментальные стали: классификация маркировка свойства применение. ИНСТРУМЕНТАЛЬНЫЕ СТАЛИ. Инструментальные стали предназначены для изготовления режущего измерительного инструмента и штампов холодного и горячего деформирования. Основные свойства которыми должны обладать инструментальны стали: износостойкость прочность при удовлетворительной вязкости теплостойкость прокаливаемость и хорошая обрабатываемость давлением и резанием.
45950. Статические и динамические испытания металлов: основные механические свойства и их определение 186.98 KB
  В этих испытаниях создаётся однородное напряжённое состояние по сечению образца причём доля нормальных напряжений является преобладающей поэтому эти испытания считаются жёсткими. Машины автоматически фиксируют величины приложенной нагрузки и изменение длины образца в виде диаграммы растяжения по которой производятся все необходимые расчеты. длинные образцы где F0 –площадь сечения рабочей части образца. При этом необходимо соблюдать важное условие: заготовки не должны нагреваться до температуры 150С иначе изменится структура и свойства...
45951. Сплавы на основе меди: классификация, маркировка, свойства, применение 21.83 KB
  По техническим свойствам медные сплавы делятся на деформируемыеГОСТ1817578 и литейные ГОСТ61383; по способности к закалке – термоупрочняемые и нетермоупрочняемые; по химическому составу на бронзы Cu другие элементы кроме Zn и латуни СuZn и другие элементы. Бронзы маркируются буквами Бр бронза и буквами и цифрами: буквы означают название элемента а цифры – его количество в сплаве в процентах. Бронзы имеют более высокие по сравнению с латунями прочностные антифрикционные коррозионостойкие свойства но являются более...
45952. Сплавы на основе алюминия: классификация, маркировка, свойства, применение 16.94 KB
  Сплавы на основе алюминия: классификация маркировка свойства применение. Единой цифровой маркировки алюминиевых сплавов не существует деформируемые литейные и спеченные сплавы маркируются поразному. Деформируемые сплавы имеют буквенную и буквенноцифровую маркировку причем выбор букв и цифр производится случайным образом: сплав lSiCuMg обозначается АВ авиаль сплав lMn обозначается АМц а сплав LMg обозначается АМг. Для группы сплавов первые цифры после букв обозначают соответственно: 1сплавы упрочняемые Сu и Mg...
45953. Теория и технология термической обработки стали: виды, применение 13.64 KB
  Основными видами термической обработки являются: отжиг закалка и отпуск. Отжиг бывает полный неполный диффузионый рекристаллизационный и нормализа Закалка. Закалкавид термической обработки заключающийся в нагреве изделий с контролируемой скоростью1000С час до температуры АС330500С выше линии окончания фазовых переходов GS диаграммы железо углерод выдержке при этойтемпературе для выравнивания температуры по сечению и осуществления фазовых переходов Fe3C Feα Feγ и быстром охлаждении в воде или масле. Закалка бывает обычная...
45954. Пластмассы: состав, структура, классификация, свойства, применение 13.75 KB
  Полиэтилен со степенью полимеризации 20 предет собой жидкость обладающая смазывающими сввами. Полиэтилен со степенью полимеризации 2000 предет собой твердый пластичныйупругий металл испмый для изгния пленок. К не полярным относятся: полиэтилен второпласты орг. Полиэтилен.
45955. Каучук и резина: строение, состав, свойства, методы получения, применение 14.01 KB
  Особенно важным и спецким сввом каучука явлся его эластть упругость – способть каучука восстанавливать свою первоначую форму после прекращения действия сил вызвавших деформацию. Резинами наз высоко молекулярный матл редко сетчатые стрры которые получают в резте вулканизации каучука с наполнителями. В состав входят: связующие в виде каучука естеств. сера в колве 13 которая служит для смешивания каучука наполнители в виде порошковой сожи материала ткани или другие волокнакапронмягчители – парафин стеориновая кислота...
45956. Химико-термическая обработка стали: виды, технология, оборудование, свойства, применение 187.39 KB
  ХТО –- процесс насыщения поверхности детали различными легирующими элементами с целью изменения состава структуры и свойств поверхностного слоя детали. Поверхность детали может насыщаться следующими элементами: углерод азотом хромом кремний алюминий бром. Цель: получить на поверхности детали высокую тв. достаточной вязкости и пластичности сердцевины деталикулачки эксцентрики.