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

10754. Использование различных алгоритмов обучения нейронной сети в задаче прогнозирования букмекерских коэффициентов 217.5 KB
  Курсовая работа Нейросетевые технологии и их применение Использование различных алгоритмов обучения нейронной сети в задаче прогнозирования букмекерских коэффициентов...
10755. Нейросетевой детектор лжи 280.5 KB
  Нейросетевой детектор лжи Курсовая работа Содержание Введение История детектора лжи в России Детектор лжи в аэропортах Правовое применение полиграфа детектора лжи в России Отношение россиян к детектору лжи Разработка нейросетевого де...
10756. Распознавание речи при помощи нейронных сетей 657 KB
  Метод фильтрации шума Построение русских акустических моделей Требования при построении аудиокорпусов [Фонетические алфавиты Формирование базового русского фонетического словаря Словарь для распознавания ре...
10757. Практикум по многослойным нейронным сетям 115 KB
  Чтобы заинтересовать учеников, поставлена конкретная часто встречающаяся проблема, знакомая каждому школьнику. Учащийся знаком с этой областью на требуемом уровне. Ведь практически каждый из нас болел простудой и знает как это бывает..
10758. Системы синтеза речи с использованием нейронных сетей 403.5 KB
  Теоретическая часть Синтаксический анализатор Фундамент синтаксического анализа. Морфологический и предсинтаксический анализ Заключение Список литературы: Введение Первые говорящие машины пы...
10759. Распознавание автомобильных номеров с помощью нейронных сетей 171.5 KB
  Курсовая работа на тему: Распознавание автомобильных номеров с помощью нейронных сетей. Содержание Введение. 3 Постановка задачи 4 Глава 1. Существующие системы и методы распознавания 4 Глава 2. Шаблоннонейросетевой метод распознавания 8 Ито
10760. Определение АИС. Теория системного анализа 57.5 KB
  Определение АИС. Теория системного анализа Определение АИС организационная совокупность программнотехнических средств технологических процессов и функциональноопределенных групп работников обеспечивающих сбор представление и накопление информационных ресу...
10761. Метафизика и онтология 159.5 KB
  Метафизика и онтология В современной европейской философии проблема бытия попрежнему остается фундаментальной как и во всей предшествующей истории философии. Занимаясь ею философия как и прежде отстаивает свое отличие от науки религии искусства обнаруживая уни
10762. Онтология ПРОБЛЕМА БЫТИЯ В ИСТОРИИ ФИЛОСОФИИ 181 KB
  Онтология ПРОБЛЕМА БЫТИЯ В ИСТОРИИ ФИЛОСОФИИ. Онтология выделилась из учений о бытии природы натурфилософии как учение о самом бытии еще в древнегреческой философии. Хотя специального терминологического обозначения у него не было. Бытие это чистое существова...