Сравнительная характеристика моделей

РефератПомощь в написанииУзнать стоимостьмоей работы

Невозможно однозначно выбрать наилучший метод. При принятии решения необходимо учесть целый ряд критериев: конкретные условия хозяйствования компании (акционерные риски, степень конкуренции, наличие ресурсного обеспечения и пр.), наличие развитой информационной базы, цели исследования (ретроспективный или перспективный анализ), характер модели, профессионализм команды аналитиков. Точность… Читать ещё >

Сравнительная характеристика моделей (реферат, курсовая, диплом, контрольная)

К сожалению, не существует универсальной модели, способной давать адекватные результаты для любых ситуаций. Как правило, каждой модели присущи свои ограничения, выражаемые в возможности эффективно работать только для определенных данных в определенных условиях или в конкретно определенных целях. В табл. 11.9 приводится описание области применения рассмотренных моделей и подходов.

Таблица 11.9. Область применения прогнозных моделей.

Модель / Подход	Область применения
Z-счет.	Публичные промышленные компании (среднего размера).
Z'-счет.	Частные промышленные компании (среднего размера).
Z" -счет (EMS)	Компании, работающие на развивающихся рынках.
Линейные вероятностные (регрессионные) модели.	Зависит от типа выборки, по которой проводилась калибровка модели.
Logitи Probit-модели.	Зависит от типа выборки, по которой проводилась калибровка модели (например, модель агенства Moody’s RiskCalc можно применять как для публичных, так и для частных компаний среднего размера).
Анализ на основе искусственных нейронных сетей.	Зависит от типа выборки, по которой проводилась калибровка модели.
Анализ временной структуры кредитного риска.	В основном для публичных компаний, прошедших процедуру присвоения кредитного рейтинга (например, имеющих рейтинг агенств Moody’s или Standard & Poor’s).
Актуарный подход.	То же.
Опционный подход.	В основном для публичных компаний, хотя существует версия модели для частных компаний.

Данные на входе модели. Существует информация четырех типов, которую можно использовать в прогнозировании вероятности банкротства:

• информация из официальной финансовой отчетности компании;
• рыночная информация о стоимости (ценах) капитала фирмы;
• субъективная информация о перспективах фирмы и уровне ее риска;
• прочая.

Первый тип информации (официальная финансовая отчетность, такая как баланс фирмы, отчет о прибылях и убытках, отчет о движении денежных средств и т. п.) представляет бухгалтерские данные о финансовом состоянии компании. Они являются ретроспективными по своей природе. Все выше перечисленные отчеты составлены на их основе и отражают исключительно результаты прошлой деятельности фирмы.

Второй источник информации — цены. В противоположность официальной отчетности эта информация считается опережающей (Forward Looking), так как формируется инвесторами на основе их ожиданий и предсказаний будущего фирмы. «При определении рыночных цен инвесторы используют наравне со множеством прочих вещей свою субъективную оценку перспектив фирмы, величину ее риска, информацию из финансовой отчетности компании, исторические данные о прошлых ценах на ее обязательства. В конечном итоге вся эта информация объединяется в единое целое с учетом анализа инвестора и его желания купить или продать акции или облигации данной фирмы»^[1]. Рыночные цены — это агрегированный результат желаний множества инвесторов приобрести или продать некоторый актив. Таким образом, можно говорить о том, что цены олицетворяют собой синтез мнений и прогнозов огромного числа инвесторов.

Третий тип информации — субъективная оценка перспектив и риска фирмы, выраженная, например, в форме рейтинга или некоторого субъективного суждения.

Последний источник информации представляет собой любую другую информацию, не попавшую в предыдущие три категории. Это могут быть информация о рыночной доле фирмы, какие-то макроэкономические данные, которые, по мнению аналитика, способны оказать влияние на финансовое состояние рассматриваемой компании, и пр. (табл. 11.10).

Таблица 11.10. Результат сравнения данных на входе модели.

Модель / Подход	Данные и их источник
Z-счет.	Данные из официальной бухгалтерской отчетности (баланс и отчет о прибылях и убытках). Рыночная цена акций компании.
Z'-счет.	Данные из официальной бухгалтерской отчетности (баланс и отчет о прибылях и убытках).
Z''-счет (EMS)	Данные из официальной бухгалтерской отчетности (баланс и отчет о прибылях и убытках). Рыночная цена акций компании.
Линейные вероятностные (регрессионные) модели.	Как правило, данные из официальной бухгалтерской отчетности. Могут также использовать любую другую доступную информацию.
Logitи Probit-модели.	Любые данные в зависимости от выбранной модели и факторов. Как правило, используются данные из официальной бухгалтерской отчетности.
Анализ на основе искусственных нейронных сетей.	Любые данные в зависимости от построенной нейронной сети.
Анализ временной структуры кредитного риска.	Историческая рыночная информация + рейтинг (например, Moody’s или S&P).
Актуарный подход.	Статистика по дефолтам + рейтинг (например, Moody’s или S&P).
Опционный подход.	Рыночная стоимость активов фирмы и ее волатильность. Номинальная стоимость долга.

Тип модели. Практически все модели можно разделить на два основных класса. Это структурные и неструктурные модели. Как правило, модели первого типа позволяют своим пользователям получить полное представление о том, что происходит внутри них, каким образом увязаны их составляющие элементы. При этом выводы модели могут быть объяснены не только статистическими данными, но и просто исходя из здравого смысла и элементарной логики. Именно поэтому для многих аналитиков предпочтительно иметь модель, построенную на основе какой-то теории, чем просто отражающую некую труднообъяснимую статистическую зависимость.

В табл. 11.11 сравниваются подходы, описанные выше, с точки зрения указанного аспекта.

Данные на выходе модели. Сравним модели по видам результатов, получаемых на их выходе. Во всех описанных методиках было возможно получение выхода двух типов. Первый тип представлял собой точное числовое значение, лежащее.

Таблица 11.11. Результат сравнения подходов.

Модель / Подход	Тип (характер) модели	Лежит ли в основе теоретическая модель
Дискриминантный анализ.	Как правило, ретроспективный характер	Если первоначально мы определяем факторы, объясняем на;
Линейные вероятностные (регрессионные) модели. Logitи Probitмодели.	Зависит от типа данных на входе (если модель построена на основе бухгалтерских данных, то модель однозначно носит ретроспективный характер).	правление их влияния на вероятность дефолта и только потом на фактических данных оцениваем значение коэффициентов регрессии / дискриминантного анализа, то только в этом случае можно говорить о теоретическом обосновании рассматриваемой модели. Если же мы идем от конца, т. е. сначала рассматриваем различные комбинации факторов, оцениваем коэффициенты регрессии и только потом пытаемся объяснить полученные результаты, то вопрос о теоретической основе модели является крайне спорным.
Анализ на основе искусственных нейронных сетей.		Как правило нет.
Анализ временной структуры кредитного риска.	Вперед смотрящий.	Теория ожидания.
Актуарный подход.	Ретроспективный характер	Нет.
Опционный подход.	Вперед смотрящий.	Теория опционного ценообразования.

в интервале между нулем и единицей и характеризующее вероятность дефолта. Второй возможный тип — это категория или класс, например банкрот или небанкрот. В принципе для рейтинговых / скоринговых методик возможно получение третьего вида данных на выходе. Это может быть просто числовое значение, не ограниченное конкретным интервалом, как в первом случае. Неудобство ненормированных данных прежде всего заключается в сложности интерпретации полученных значений без обладания дополнительной информацией о среднем уровне и т. п. (табл. 11.12).

Точность прогнозов. Преимущества использования одной модели вместо другой не могут быть полностью осознаны без получения представления о том, насколько точные прогнозы позволяют получить данные модели. Хотя точность прогнозов — только одна из метрик качества работы модели, данТаблица 11.12. Сравнение моделей по видам результатов на их выходе.

Модель / Подход.	Тин данных на выходе.
Дискриминантный анализ.	Категория.
Линейные вероятностные (регрессионные) модели.	Вероятность дефолта.
Logitи Probitмодели.	То же.
Анализ на основе искусственных нейронных сетей.	Вероятность дефолта или категория.
Анализ временной структуры кредитного риска.	Вероятность дефолта.
Актуарный подход.	То же.
Опционный подход.	-//;

ный показатель — один из наиболее распространенных при проведении оценок работоспособности (табл. 11.13)^[2].

Итоговое сравнение методов. Основная цель — проведение итогового сравнения рассмотренных подходов к прогнозированию банкротства с точки зрения их достоинств и недостатков (табл. 11.14).

Итак, из рассмотренных традиционных моделей с точки зрения соотношения преимуществ и недостатков наилучшим подходом признается Logitи Probit-анализ.

Таблица 11.13. Сопоставление моделей при замене одной модели другой.

Модель / Подход.	Точность на основе AR *
Дискриминантный анализ (Z'-счет).	AR = 0,48.
Анализ временной структуры кредитного риска.	Нестабильные результаты (AR = 0,59).
Опционный подход.	Высокая {AR = 0,73).
Модель / Подход.	Точность на основе процента ошибок I рода**.
Линейные вероятностные (регрессионные) модели.	Низкая.
Logitи Probitмодели.	Как правило, ниже, чем у ANNA
Анализ на основе искусственных нейронных сетей.	Высокая, если сеть натренирована и откалибрована.

* Сравнение моделей проводилось по выборке из 37 случайно отобранных финских компаний.

** То же из более 9000 наблюдений.

Источник: Sobehart J., Keenan S., Stein R. (2000); Back B., LaitinenT., Sere K., Michiel van Wezel (1996).

Таблица 11.14. Сравнительная характеристика моделей.

Модель Бивера	Дискриминантный анализ	Линейные вероятностные (регрессионные) модели	Logitи Probitанализ
	Преиму	щества
? Легкость в применении ? Не требуется большого объема данных на входе, так как исследуется влияние только одного фактора на возникновение дефолта.	• Акцентирует внимание аналитика на наиболее важных (ключевых) факторах • Модели, основанные на дискриминантном анализе, позволяют учесть влияние различных факторов на возникновение дефолта / банкротства • Легкость в применении • Модели, разработанные на основе дискриминантного анализа, могут носить структурный характер	• Позволяют оценить вероятность дефолта • Акцентирует внимание аналитика на наиболее важных (ключевых) факторах • Позволяют учесть влияние раз личных факторов на возникновение дефолта / банкротства • Могут носить структурный характер • Легкость в применении	? Позволяют оценить вероятность дефолта ? Акцентирует внимание аналитика на наиболее важных (ключевых) факторах ? Позволяют учесть влияние раз личных факторов на возникновение дефолта / банкротства ? Могут носить структурный характер ? Легкость в применении
	Недосг	патки
? Метод только классифицирует фирмы в категорию здоровых или проблемных фирм, не позволяя получить вероятность банкротства на выходе ? Не позволяет учесть влияние отраслевого признака и размера компаний на возникновение дефолта ? При параллельном исследования влияния различных факторов есть вероятность получения противоречивых результатов ? Сложность учета качественных характистик ? Ретроспективный характер модели	• Метод только классифицирует фирмы в категорию здоровых или проблемных фирм, не позволяя получить вероятность банкротства на выходе. • Не позволяет учесть влияние отраслевого признака и размера компаний на возникновение дефолта • Сложность учета качественных харакгистик • Зависимость результатов от выборки • Ретроспективный характер моделей	? Нахождение коэффициентов регрессии методом МНК некорректно ? Возможны случаи «вылета» вероятности дефолта за границы интервала [0,1] ? Сложность учета качественных характеристик ? Зависимость результатов от выборки ? Ретроспективный характер моделей	? Сложность учета качественных характеристик ? Зависимость результатов от выборки ? Ретроспективный характер моделей

В табл. 11.15 приведены результаты сравнения современных (теоретических) методов анализа вероятности банкротства.

Таблица 11.15. Сравнительная характеристика теоретических моделей.

Анализ на основе искусственных нейронных сетей	Анализ временной структуры процентных ставок	Актуарный подход	Опционный подход
	Преимущества
? Позволяет находить скрытые нелинейные зависимости между различными данными ? Обладает высокой устойчивостью к сбоям. ? Обладает способностью к обобщению при работе с неполными или сильно «зашумленными» данными. ? Быстрая адаптация к изменяющимся условиям за счет способности к обучению.	? На выходе вероятность дефолта ? «Вперед смотрящий» характер модели ? Учет рыночных ожиданий ? Легкость в применении ? Незначительное число параметров на входе ? Структурный характер модели	? На выходе вероятность дефолта ? Чрезмерная легкость в использовании ? Практические не требуются никакие данные на входе, кроме рейтинга ? Аналитик может не проводить собственное исследование, а воспользоваться готовой статистикой рейтинговых агентств ? Позволяет оценить коэффициенты потерь и восстановления в случае дефолта	• На выходе вероятность дефолта • «Вперед смотрящий» характер модели • Структурный характер модели • Позволяет отслеживать изменение кредитного риска на с более высокой периодичностью, чем прочие методы • Учет как бухгалтерских, так и рыночных данных
	Недостатки
? Модели не являются структурными ? Метод не позволяет объяснит природу найденных скрытых зависимостей, которые могут не поддаваться логическому объяснению ? Модели на основе нейросети, как правило, представляют собой «черный ящик» ? Сложность контроля правильности работы системы со стороны конечных пользователей ? С усложнением архитектуры сети	? Спорность предпосылок модели ? Характер выводов неустойчив во времени ? Применимость модели только к долговым инструментам, имеющим ликвидный рынок обращения.	? Сложность применения метода при оценке кредитов изза отсутствия достаточной статистики ? Оцениваемые компании должны иметь рейтинг соответствующего рейтингового агентства ? Не структурная, а статистическая природа модели ? Характер выводов неустойчив во времени и чувствителен к выборке ? Ретроспективный характер моделей	? Ориентированность метода на публичные компании ? Для получения более точных результатов необходимо проводить сложные математические расчеты

Окончание табл. 11.15

Анализ на основе искусственных нейронных сетей.

Анализ временной структуры процентных ставок.

Актуарный подход.

Опционный подход.

возрастает вероятность возникновения типов нелогичного поведения.

• Для получения эффективно работающей сети требуется большая обучающая выборка
? Метод достаточно дорогостоящий

Спектр моделей прогнозирования финансовой несостоятельности (неплатежеспособности) компаний достаточно широк. Следовательно, традиционно возникает проблема выбора того или иного метода применительно к условиям функционирования анализируемой компании.

[1] Nyberg М., Sellers М., Zhang Jing. Private Firm Models®: Introduction to theModeling Methodology. P. 1.
[2] For other validation methodologies and model benchmarking please refer toJ. Sobehart, S. Keenan, R. Stein (2000).

Показать весь текст

Заполнить форму текущей работой