Навігація


Головна
ПОСЛУГИ
Авторизація/Реєстрація
Реклама на сайті
Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу...Удосконалення процедур обчислення вартості капіталу банків засобами...Обґрунтування цільових показників ефективності державного регулювання...Задача визначення найкоротших шляхів в транспортних мережахДжерела даних та методика складання форми звітності "Звіт про суми...Методика оцінювання безпеки об'єкта на основі методів теорії нечітких...Центральний банк у банківський системі країниМетодика прогнозування надходжень плати за землюПрогнозування максимального збитку від природних катастроф за...КОНЦЕПТУАЛЬНІ ЗАСАДИ ДЕРЖАВНОГО РЕГУЛЮВАННЯ МЕХАНІЗМОМ ВПЛИВУ БАНКІВ...
 
Головна arrow Банківська справа arrow Інноваційні методи оцінки банківського капіталу
< Попередня   ЗМІСТ   Наступна >

Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж

Критерієм якості побудови системи штучного інтелекту зазвичай слугує значення середньої помилки по вибірці, що визначається за формулою:

де – вихідний сигнал модуля нечіткого керування;

d – етелонний сигнал (тобто значення показника- спостереження вихідної змінної тренувальної вибірки).

Нейромережа вважається навченою, якщо середня помилка тестової вибірки виявляється менша за середню помилку тренувальної вибірки. Під час розробки гібридних нейронечітких моделей тренувальну вибірку було сформовано за даними 2010 – 2011 рр., а тестова – показники банківської системи з січня по квітень 2012 р. Проектуючи та здійснюючи навчання нейромереж, ми віддавали перевагу менш складним моделям, маючи на меті якнайлегшу практичну реалізацію отриманих систем штучного інтелекту в банківському менеджменті. У зв'язку з цим, виконавши численні експерименти з навчання гібридних моделей, для практичної реалізації було відібрано моделі, вхідні змінні яких містять по 2 терм-множини. У подальшій інтерпретації такі терми зіставні з протилежними парами характеристик "високий – низький", "добрий – поганий", "результативний – неефективний". Перевагу подібним моделям було віддано ще й тому, що при порівняно незначному збільшенні середніх помилок отримані системи мали зрозумілу та нескладну для візуального сприйняття структуру – таку, як нарис. 3.16.

Втім, найпростіша структура, подібна до рис. 3.16, виявилась достатньою тільки для моделі прогнозування індикатору ВГП, на підставі вивчення головних потенціалоутворюючих факторів. Система нечіткого висновку, побудована на авторегресійних залежностях, містить 3 входи, як було обґрунтовано вище. Тому її структурна модель складається з більшої кількості нейронів, що відповідає більшій кількості правил та термів вихідної змінної (рис. 3.18). Однак за обраного набору незалежних та залежної змінної це – найпростіша з усіх можливих структур.

Згідно правил комбінаторики, кількість попарних поєднань вхідних термів для системи потенціалоутворюючих факторів складає 22=4, що відповідає 4-м правилам у базі знань і 4-м термам вихідної змінної. У випадку 3-х термів кожної вхідної змінної кількість правил нечітких продукцій і, відповідно, термів вихідної змінної становила б 32=9. Це істотно ускладнило б економічну інтерпретацію моделі: якщо у першому випадку 4 терми вихідної змінної зіставні із лінгвістичними конструкціями типу "дуже низький", "низький", "високий" та дуже "високий", то інтерпретація 9 лінгвістичних термів за допомогою різних "відтінків" міри грошового потоку відповідала б максимальному обсягу людської уваги, чим надзвичайно знизила привабливість системи. Отже, неістотне підвищення точності розрахунків було б зведено на нівець громіздкістю та непрактичністю системи. В створеній структурі типу Сугено терми вихідної змінної являють собою лінійну комбінацію значень вхідних змінних, що дозволяє встановити типові риси фінансових пропорцій вітчизняних банків. Коефіцієнти лінійних регресійних рівнянь програма обчислила методом найменших квадратів, при цьому було реалізовано ітераційну процедуру налаштування параметрів, доки розбіжності між тренувальними даними та виходами мережі не припинили перевищувати поріг, заздалегідь обумовлений користувачем.

Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Конструкція з 3-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 8 термів)

Рис. 3.18. Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Конструкція з 3-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 8 термів)

Натомість структура (рис. 3.18), побудована на авторегресійних залежностях, за своєю складністю досягає "верхньої меха́" людського сприймання: кількість попарних поєднань 3-х вхідних змінних, кожна з яких містить по 2 терм множини становить 2 – 8, що відповідає 8-ми правилам у базі знань і 8-ми термам вихідної змінної. За таких умов чи не єдиним способом уникнути надмірно громіздких розрахунків є використання термів вихідної змінної у вигляді констант. Відтак 8 термів вихідної змінної відповідає таким лінгвістичним конструкціям: "найнижчий", "дуже низький", "низький", "них<че середнього", "вище середнього", "високий", "дуже високий", "найвищий".

Звичайно, програмне середовище MATLAB дозволяє змінювати назви елементів систем штучного інтелекту та проводити додаткове налаштування параметрів моделей. Останнє може здійснюватись як "вручну", так і автоматично, шляхом повторного навчання вже створеної нейронної мережі на основі існуючої (або ж заново створеної) вибірки спостережень.

а) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків за потенціалоутворюючими факторами. (Авторська розробка)

Рис. 3.19. а) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків за потенціалоутворюючими факторами. (Авторська розробка)

б) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей. (Авторська розробка)

Рис. 3.19. б) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей. (Авторська розробка)

Як відомо [37, 106], легкодоступні для розуміння трикутні чи трапецієподібні функції належності не мають неперевних похідних, а тому існують певні обмеження при налаштуванні параметрів систем нечіткого висновку, сконструйованих на їх основі. Натомість для спрощення процесів оптимізації рекомендують застосовувати диференційовані функції належності, такі як гаусова та квазідзвоноподібна. Раніше ми наголошували на пріоритеті застосування гаусових функцій належності в силу відповідності розподілу економічних показників банківської системи нормальному закону, а тому в обох нечітких системах функції належності всіх термів вхідних змінних є гаусовими.

Нечіткі бази знань гібридних нейро-нечітких моделей, побудованих за допомогою ANFIS-редактору наведено у вигляді табл. 3.12 – 3.16. У загальному вигляді структури фаззі-алгоритмів для прогнозування укрупненого показнику вільного руху грошових коштів наведено на рис. 3.19 (а, б).

Аналізуючи значення коефіцієнтів при вхідних змінних у лінійних рівняннях, отриманих для термів вихідної змінної табл. 3.12., можна зробити висновок, що нагромадження вартості капіталу вітчизняної банківської системи відбувається виключно екстенсивним шляхом. Дуже високий грошовий потік забезпечується шляхом залучення ліквідних активів у вигляді депозитів та низької кредитної активності. Подібна тенденція спостерігається на вітчизняному фінансовому ринку вже тривалий час і, беззаперечно, складає великий бар'єр для прискорення економічного зростання, модернізації реального сектору економіки.

Слабка ресурсна база і обережна кредитна політика, звичайно, є передумовами низьких показників вільного руху грошових коштів, а невиважена кредитна політика, коли при нечисленній депозитній базі утворено чималий за розміром кредитно-інвестиційний портфель, є типовим симптомом фінансової кризи, що спіткала чимало невеликих банків з останніх позицій рейтингових таблиць НБУ.

Таблиця 3.12

Функції належності, використані при побудові гібридної нейронечіткої моделі для прогнозування руху грошових коштів вітчизняних банків на підставі потенціалоутворюючих чинників. (Авторська розробка. Курсивом наведені позначення термів змінних, автоматично присвоєні редактором ANFIS)

Назва терму

Тип

функції

належності

Аналітичний вираз функції належності

ВХІДНІ ЗМІННІ

Змінна "Депозити" (сума строкових депозитів фізичних і юридичних осіб, Dinput1)

Чималі,

in1mf2

Нелінійна,

гаусова

Нечисленні,

in1mf1

Нелінійна,

гаусова

Змінна "КІП" (Кредитно-інвестиційний портфель, КІПinput2)

Чималий,

in2mf2

Нелінійна,

гауссова

Нечисленний,

in2mf1

Нелінійна,

гауссова

ВИХІДНА ЗМІННА

Змінна "Грошовий потік", (укрупнений показник вільного руху гршових коштів, ВГПy– outputl

Дуже високий, out1mf3

Лінійна

–1.65210 + 0.4472•КІП + 47685.44

Високий, out1mf11

Лінійна

0.49850 – 0.1782•КІП – 10108.9877

Низький, out1mf2

Лінійна

–0.32250 + 0.0391•КІП – 2302.1991

Дуже низький, out1mf4

Лінійна

0.1460 + 0.1107•КІП –10123.2877

На цьому несприятливому тлі певного оптимізму додає позитивна тенденція ефективно працюючих фінансових організацій. Вони отримують відносно високий показник вільного руху грошових коштів завдяки великому обсягові депозитів та чималому кредитно- інвестиційному портфелю.

Таблиця 3.13

Нечітка база правил для прогнозування руху грошових коштів вітчизняних банків на підставі потенціалоутворюючих чинників

Якщо

ТО

D

Θ

КІП

ВГПу

α

"сума строкових депозитів фізичних і юридичних осіб"

логічна зв'язка

"Кредитно- інвестиційний портфель"

"укрупнений показник вільного руху грошових коштів"

вага правила

1

Нечисленні

ТА

Нечисленний

Низький

1

2

Нечисленні

ТА

Чималий

Дуже низький

1

3

Чималі

ТА

Нечисленний

Дуже високий

1

4

Чималі

ТА

Чималий

Високий

1

Втім, дана система ґрунтується лише на кількісних, а не на структурних характеристиках ділової активності банків, що зумовлено обмеженим доступом до фінансової інформації зовнішніх користувачів. Аналіз поверхонь нечіткого висновку (в 2-мірному представленні) на рис. 3.20 свідчить, що максимальні показники руху грошових коштів досягаються за умов бази строкових депозитів близько 30млн.грн. та кредитно-інвестиційного портфелю в межах 55 – 60 млн. грн. Вищі суми призводять до стрімкого скорочення грошових потоків, причому швидше цьому сприяє ріст депозитів.

Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі двох потенціалоутворюючих чинників (Авторська розробка)

Рис. 3.20. Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі двох потенціалоутворюючих чинників (Авторська розробка)

Навпаки, зростання кредитно-інвестиційного портфелю до 55 млн. грн. спричиняє стрімке підвищення вільного руху грошових коштів у той час, коли зростання депозитної бази до максимального ефективного порогу чинить вельми помірний позитивний вплив на рух грошових коштів – про це свідчить різний нахил кривих на рис 3.20 для відповідних змінних.

В результаті аналізу конфігурації графіків та області значень результативної змінної, нами встановлено, що головним чинником формування додатного руху грошових коштів виявляється розширення кредитно-інвестиційного портфелю – збільшення його суми до 30 млн. грн. супроводжується скороченням від'ємних значень вільного грошового потоку аж до досягнення позитивних значень, причому зв'язок між факторним і результативним показниками майже лінійний.

Варто наголосити і на справедливості зворотного твердження – згортання кредитного портфелю, в тому числі і внаслідок неактивного кредитування підприємств реального сектору економіки, негативно впливає на якість, а отже і вартість капіталу, нагромадженого банківською системою.

Запорукою збереження цінності банківського капіталу є усталені щомісячні обсяги вільного руху грошових коштів: у відповідності із 2- мірними графіками залежності вихідної змінної від значення входів (рис. 3.21) виявляється, що позитивний вплив на грошовий потік наступного місяця чинять показники поточного й минулого, натомість існує обернена залежність між значеннями показника 3-місячної давності та прогнозованим. При цьому на підставі фінансового результату трьохмісячної давності модель передбачає збитки в обсязі від 1,45 до 1,1 млн. грн. у наступному місяці. У відповідності із фінансовим результатом 2-місячної давності модель передбачає збитки від 1,35 до 1,15 млн.грн. Згідно з результатами останнього місяця, що передує прогнозному періоду, модель передбачає прибуток в діапазоні від 2,5 млн. збитку до 0,5 млн. прибутку.

Таблиця 3.14

Функції належності вхідних змінних, використані при побудові гібридної нейро-нечіткої моделі для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей

Назва терму

Тип функції належності

Аналітичний вираз функції належності

ВХІДНІ ЗМІННІ

Змінна "Позаминулий період" (укрупнений показник вільного руху грошових коштів за позаминулий місяць, аро)

Високий

Нелінійна, гаусова

Низький

Нелінійна, гаусова

Змінна "Минулий період" (укрупнений показник вільного руху грошових коштів за минулий місяць, before)

Високий

Нелінійна, гаусова

Низький

Нелінійна, гаусова

Змінна "Поточний період" (укрупнений показник вільного руху грошових коштів за звітний місяць, now)

Високий

Нелінійна, гаусова

Низький

Нелінійна, гаусова

Таблиця 3.15

Константи вихідної змінної – прогнозу руху грошових коштів банків (Авторська розробка)

Змінна "Наступний період", ( укрупнений показник вільного руху грошових коштів у місяці, наступному після звітного, ΒΓΠν– output 1)

Назва терму

Значення

константи

Назва терму

Значення

константи

Найнижчий, out1mf7

–4478.4

Вище середнього, out1mf6

727.2

Дуже низький, оиt1тf11

–4233

Високий, out1mf3

1434

Низький, out1mf5

–3646

Дуже високий, out1mf2

1646.9

Нижче середнього, out1mf4

–3247.9

Найвищий, out1mf8

1695

Таблиця 3.16

Нечітка база правил для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей (Автолська розробка)

Якщо вільний рух грошових коштів за останні 3 місяці

то

ago

Θ

before

Θ

now

after

"вільний рух грошових коштів 2 місяці тому"

логічна зв'язка

"ВІЛЬНИЙ '

рух

грошових коштів 1 місяць тому"

логічна зв'язка

"вільний рух грошових коштів у звітному місяці"

"вільний рух грошових коштів у наступному місяці"

1

високий

ТА

високий

ТА

низький

Найнижчий

2

низький

ТА

низький

ТА

низький

Дуже низький

3

високий

ТА

низький

ТА

низький

Низький

4

низький

ТА

високий

ТА

високий

Нижче

середнього

5

високий

ТА

низький

ТА

високий

Вище середнього

6

низький

ТА

високий

ТА

низький

Високий

7

низький

ТА

низький

ТА

високий

Дуже високий

8

високий

ТА

високий

ТА

високий

Найвищий

Узагальнення часткових показників визначається як середньозважена сума, причому вагами слугують показники міри впевненості щодо того, чи було ретроспективні фінансові результати визнано низькими чи високими. Результуюче значення виходу знаходять як суперпозицію лінійних законів чи констант шляхом обчислення зваженого середнього:

(3.34)

де afterj – чітке значення вихідної змінної (after) у відповідності із j-м правилом, встановлене згідно табл. 3.15, 3.16;

Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі авторегресійної залежності за 3 останніх місяці (Авторська розробка)

Рис. 3.21. Поверхні нечіткого висновку, одержані за допомогою системи штучного інтелекту для прогнозування руху грошових коштів банків на базі авторегресійної залежності за 3 останніх місяці (Авторська розробка)

а) Результати розрахунків вільного грошового потоку банків за допомогою нейро-нечітких мереж на основі потенціалоутворюючих факторів. (Авторська розробка)

Рис. 3.22. а) Результати розрахунків вільного грошового потоку банків за допомогою нейро-нечітких мереж на основі потенціалоутворюючих факторів. (Авторська розробка)

– міра істинності j-го правила, визначена як мінімальна міра впевненості в істинності k-го терму і-ї вхідної змінної, що входить до j-го правила:

т – кількість правил нечіткої бази знань, m=8 згідно з табл. 4.5.4, 4.5.5;

– міра істинності k-го терму і-ї вхідної змінної, визначена у відповідності з даними табл. 3.14.

Отже коливання руху грошових коштів відбуваються щокварталу, і цей факт, беззаперечно, слід враховувати не лише під час оцінювання капіталу фінорганізацій, але й на різних етапах контролінгу їх бізнес- процесів. При цьому важливо таким чином керувати грошовими потоками, щоб тривалість періодів їх послаблення не перевищувала 2 місяці.

На користь достовірності зроблених висновків та доцільності практичного застосування побудованих систем штучного інтелекту в практиці менеджменту вартості банків свідчить близьке до нуля значення середньої помилки по тестовій вибірці (рис. 3.22 а, б).

Зокрема позначки на діаграмах (у вигляді хрестиків для фактичних значень відповідно тестової 3.22) свідчать, що у переважній більшості випадків обидві гібридні мережі не видають надмірно завищених даних, а отже вони є придатним для практичного використання в оціночній, прогнозувальній та планувальній практиці.

 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >

Схожі теми

Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу
Удосконалення процедур обчислення вартості капіталу банків засобами теорії нечітких множин
Обґрунтування цільових показників ефективності державного регулювання зниженням тіньової грошової маси засобами теорії нечітких множин
Задача визначення найкоротших шляхів в транспортних мережах
Джерела даних та методика складання форми звітності "Звіт про суми нарахованої заробітної плати (доходу, грошового забезпечення, допомоги, компенсації) застрахованих осіб та суми нарахованого єдиного внеску на загальнообов'язкове державне соціальне страхування до органів доходів і зборів"
Методика оцінювання безпеки об'єкта на основі методів теорії нечітких множин та нечіткої логіки
Центральний банк у банківський системі країни
Методика прогнозування надходжень плати за землю
Прогнозування максимального збитку від природних катастроф за допомогою розподілу Парето
КОНЦЕПТУАЛЬНІ ЗАСАДИ ДЕРЖАВНОГО РЕГУЛЮВАННЯ МЕХАНІЗМОМ ВПЛИВУ БАНКІВ І СТРАХОВИКІВ НА ЗМЕНШЕННЯ ОБСЯГІВ ТІНЬОВИХ ГРОШОВИХ ПОТОКІВ
 
Дисципліни
Агропромисловість
Банківська справа
БЖД
Бухоблік та Аудит
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Менеджмент
Нерухомість
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
РПС
Соціологія
Статистика
Страхова справа
Техніка
Товарознавство
Туризм
Філософія
Фінанси