В предыдущей главе были изложены результаты классификации ex ante (т.е. наперед) в задаче оценки привлекательности фирм с точки зрения размещения кредитов, которую выполняли несколько польских специалистов в области кредитного дела на материале гипотетических заявок на предоставление кредита также были рассмотрены результаты классификации ex post (т.е. задним числом) на материале реального инвестиционного портфеля Голландского инвестиционного банка. В обеих задачах имеющихся данных было недостаточно для того, чтобы проанализировать цену ошибок классификации. В этой главе мы займемся оценкой ошибок классификации 1-го и 2-го родов в задаче прогнозирования банкротства корпораций и исследуем возможные результаты применения нейронных сетей. Материалом для конкретной задачи послужат данные по ряду британских компаний — производителей комплектующих для автомобилей. В основе конструкции сети лежат семь входных моделей, использующих показатели, которые входят в так называемое дзета Альтмана. [c.201]
Отсюда следует тот вывод, что во всякой классификации банкротства главной является надежность, и что было бы ошибкой оценивать качество модели по выборочным критериям, которые, скорее всего, нельзя использовать для расчетов наперед (ex ante). В частности, в задаче прогнозирования банкротств корпораций нейронная сеть показала на настоящих ех ante-тестах такой же уровень точности, какой дают MDA-модели на гораздо менее требовательных ех post-примерах методом исключения одного наблюдения из выборки. [c.209]
Впоследствии модель Альтмана (5-1) неоднократно видоизменялась и совершенствовалась. Так, Альтман, Хартцель и Пек в 1993 г. модифицировали исходную модель, предназначенную для анализа корпораций, заменив рыночную стоимость на балансовую при расчете коэффициента Х5. При этом они получили следующую модель для прогнозирования банкротства частных предприятий, не имеющих акций в обращении [17] [c.345]
В более общей постановке речь идет о прогнозировании финансового "здоровья" корпорации на основании ее финансовой отчетности. Нетривиальным моментом здесь является количественное определение финансового благополучия. Можно, как и в случае с облигациями, воспользоваться для обучения сети рейтингами, например, упомянутого выше агентства Value Line для воспроизведения этой, в общем-то субъективной оценки компании. Можно попытаться использовать в качестве индикатора благополучия более объективный критерий - рыночный курс акций в ближайшем или более отдаленном будущем (Бэстенс и др., 1997). Однако, рыночный курс может быть подвержен сильным флуктуациям чисто спекулятивного характера. Наконец, можно воспользоваться указаниями самого сурового учителя, исследуя крайнюю форму проявления финансового "недомогания" - банкротство. Анализ банкротств, таким образом, может служить источником объективных оценок устойчивости финансового положения фирм. [c.187]
И все субъекты фондового рынка - как эмитенты, так и инвесторы - в ходе принятия своих рыночных решений сталкиваются с одной общей проблемой - с неизвестностью завтрашнего дня, которая создает расплывчатые условия для инвестиций. Все стремятся сделать этот мир более предсказуемым, что вызывает потребность в планировании, прогнозировании, в оценке рыночного риска. Генерируются сценарии перспективного развития событий, связанных с изменением уровня цен, объемов выпуска и продаж товарной продукции, с изменением макропараметров экономической среды (уровней налогообложения, ставок по краткосрочным кредитам, темпов инфляции и т.д.), а затем проводится анализ реакции корпоративных финансов на реализуемый гипотетический сценарий. Оптимистические сценарии улучшают финансовое состояние корпорации и ее рыночное положение, а пессимистические - ухудшают, в том числе приводя корпорацию на грань банкротства. [c.7]
Смотреть страницы где упоминается термин ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА КОРПОРАЦИЙ
: [c.57]Смотреть главы в:
Нейронные сети и финансовые рынки -> ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА КОРПОРАЦИЙ