презентация мунерман

Новые скоринговые модели

в СПАРКе

Тел.: +7 (495) 787-43-43 E-mail: [email protected]

Индекс риска неблагонадежности Версия 1.0

1-й этап исследований по предсказанию банкротств (1930 – 1965):

1930 - Bureau of Business Research (BBR) 24 фактора/ 29 фирм

выборка;

1935 - Smith and Winakor 6 факторов/183 фирмы выборка.

Мало данных, мало факторов, простейшие модели.


Предсказание банкротства – история и современность

1966 - Beaver 30 факторов/79*2 фирмы выборка;

1968 - Altman 5 факторов/100 000 фирм выборка.

Первые компьютерные модели, больше выборки, больше факторов, сложнее

модели.

2-й этап исследований по предсказанию банкротств (1965 – наши дни):

3-й этап исследований по предсказанию банкротств:

Использование открытых данных, колоссальные выборки; сложные модели, включая SVM и

нейронные сети.

8 370 000 компаний в базе данных СПАРК (включая ликвидированные)

По 1 170 000 компаний в СПАРК представлена отчетность хотя бы за один год из

последних 4-х лет

Компании, сдающие отчетность в соответствии с МСФО, составляют 0,012% от общего

количества компаний в СПАРКе

В базе данных насчитывается 0,004% системообразующих компаний

В базе данных насчитывается 0,003% стратегических предприятий

Российские компании-эмитенты, представленные в базе СПАРК, составляют 0,053% от

общего количества всех компаний базы

0,007% компаний из базы данных СПАРК - это члены Российского союза

промышленников и предпринимателей


База данных СПАРК на момент моделирования индекса

Неблагонадежные Решения арбитражных судов

Российской Федерации в отношении

ООО


Эмитенты

Компании, состоящие в реестре

Торгово-промышленной палаты РФ

Члены Российского союза

промышленников и

предпринимателей

Системообразующие предприятия

Компании, сдающие отчетность

в соответствии с МСФО

Подписчики СПАРК

Добросовестные плательщики

из базы Трейдейта

Банкроты Информация о банкротстве в СПАРК,

включая ЕФИР

Благонадежные и

Финансово устойчивые

Всего компаний с ФО 1 362 684

Банкротов 33 818

Устойчивых 22 435

Ликвидированных 399 857

Формирование выборки


Предприятие(формы отчетности по РСБУ -

по умолчанию)

Предприятие(формы отчетности по РСБУ -

по умолчанию)

Пересчет отчетности по формам РСБУ в аналитические формы

Пересчет отчетности по формам РСБУ в аналитические формы

Принцип перевода форм отчетности по РСБУ и МСФО/US GAAP в аналитические формы

Наличие отчетности поМСФО/US GAAP

Наличие отчетности поМСФО/US GAAP

Пересчет отчетности по формамМСФО/US GAAP в

аналитические формы

Пересчет отчетности по формамМСФО/US GAAP в

аналитические формы

Аналитические формы Баланса и ОПУАналитические формы Баланса и ОПУ

Нет

Да

Факторное пространство (обновление финансового анализа)


Последовательность проведения FSA

Трендовый анализ (анализ роста)

Трендовый анализ (анализ роста)

Структурный анализСтруктурный анализ

Анализ ликвидностиАнализ ликвидности

Анализ деловой активности

Анализ деловой активности

Анализ платежеспособности

Анализ платежеспособности

Анализ рентабельности

Анализ рентабельности

Горизонтальный анализ

Горизонтальный анализ

Анализ финансовых коэффициентов

Анализ финансовых коэффициентов

Вертикальный анализВертикальный анализ

Сравнительный анализ

Сравнительный анализ

Информация:Финансовая отчетность и

рыночные данные

Информация:Среднеотраслев

ыенормы

Факторное пространство (обновление финансового анализа)

Проанализировав большую часть исследований, были выделены 20 наиболее распространенных факторов:


коэффициент формула расчета'Net Income/Total Assets' 'P21903/P11304'

'Current assets/Current liabilities' 'P12904/P16904''Working capital/Total assets' '(P12904 - P16904)/P11304'

'Retained earnings / Total assets' 'P14704/P11304''Earnings before interest and taxes / Total assets' 'P20503/P11304'

'Sales / Total assets' 'P20103/P11304''Quick ratio' '(P12904 - P12104) / P16904'

'Total debt / Total assets' '(P15904 + P16904)/P11304''Current assets / Total assets' 'P12904/P11304'

'Net income / Net worth' 'P21903/P14904''Cash / Total assets' 'P12604/P11304'

'Quick assets / Total assets' '(P12904 - P12104)/P11304''Current assets / Sales' 'P12904 /P20103'

'Inventory / Sales' 'P12104/P20103''Operating income / Total assets' 'P20293/P11304'

'Net income / Sales' 'P21903/P20103''Long-term debt / Total assets' 'P15904/P11304'

'Net worth / Total assets' 'P14904/P11304''Total liabilities / Net worth' '(P15904 + P16904)/P14904''Cash / Current liabilities' 'P12604/P16904'

Факторное пространство (коэффициенты для модели)

Были протестированы следующие модели:


Модель Общая ошибка

Логистическая регрессия (logit); 11,9%

Логистическая нейронная сеть (Nnlog) 7,3%

Модель на опорных векторах (SVM) 7,3%

Дерево классификации и регрессии (CART) 7,5%

Вероятностная нейронная сеть на радиальных базисных функциях активации (PNN) 5,4%

Выбор модели

Уоррен Маккаллок (1898-1969)

Модель нейрона МакКаллока-Питтса


Нейронные сети

Уолтер Питтс (1923-1969)

Сеть с радиальными базисными функциями (RBF) – двухслойная сеть, которая содержит

скрытый слой радиально симметричных скрытых нейронов. Такие сети моделируют

произвольную нелинейную функцию с помощью одного промежуточного слоя.

Вероятностная нейронная сеть (PNN) – многослойная сеть, которая содержит несколько

скрытых радиальных слоев. В данной сети наблюдение соответствует радиальному

элементу, имеющему гауссову функцию распределения. Выходной элемент представляет

отдельный класс и формируется из откликов соответствующих ему радиальных элементов.

Основное преимущество данных сетей связано с высокой скоростью обучения.

Обобщенно-регрессионная нейронная сеть (GRNN) построена по аналогии с вероятностной

сети, но используется для решения задач не классификации, а регрессии. Такая сеть

копирует внутрь обучающую выборку. Итоговая оценка рассчитывается как взвешенное

среднее значение выходов, при этом веса представляют собой расстояния от наблюдений до

оцениваемой точки. Существуют модификации GRNN-сети, в которых радиальные элементы

соответствуют не отдельным обучающим наблюдениям, а их кластерам.


Нейронные сети

В общей сложности индекс можно рассчитать для 280 000 компаний (предварительно)


Значение индекса

Уровень риска Рекомендации

Кол-во компаний

1 - 30 Низкий риск 60 000

31 - 70 Средний рискРекомендуется сбор

дополнительной

информации

80 000

71 - 99 Высокий рискСбор дополнительной

информации обязателен 160 000

Результаты и школа индекса


Индекс должной осмотрительности Версия 3.0


Факторное пространство

В общей сложности индекс можно рассчитать до 3 800 000 компаний (предварительно)


Значение индекса

Уровень риска Рекомендации

Кол-во компаний

1 - 30 Низкий риск 900 000

31 - 70 Средний рискРекомендуется сбор

дополнительной

информации

1 100 000

71 - 99 Высокий рискСбор дополнительной

информации обязателен 1 800 000

Результаты и школа индекса

Для тестирования индекса анализировались следующие группы:

Компании с максимальным расхождением версий индекса;

Компании, по которым были обращения клиентов в службу поддержки;

Компании из валидационных выборок (ненайденные должники, выборка

для

построения первой версии ИДО, известные банкроты, списки банкротов

СРО арбитражных управляющих);

Компании с максимальным расхождением индекса по различным моделям;

Выборка «плацебо» – компании, по которым тестерам не сообщался ее

идентификатор.


Тестирование индекса

ИДО - эффективный инструмент экспресс-диагностики контрагентов;

Применение ИДО соответствует критериям должной осмотрительности,

рекомендованным ФНС;

ИДО – важный элемент анализа кредитных рисков;

Внедрение ИДО позволяет выявить неблагонадежные компании с целью адекватно

рассчитывать

среднеотраслевые коэффициенты и другие аналитические показатели;

ИРН уточняет финансовое состояние компании и дополняет ИДО при наличии

непрерывной и ненулевой финансовой отчетности;

ИРН является эффективным инструментов экспресс-диагностики финансового

состояния компании;

Формирование адекватного информационного обеспечения для использования в

построении

финансовых моделей (среднеотраслевые уровни рентабельности, собственного

оборотного капитала и др.);

Оба индекса не заменяют полноценной проверки компании и не позволяют выявить

скрытые факторы.Тел.: +7 (495) 787-43-43 E-mail: [email protected]

Использование индексов


Ограничения в использовании по ОКОПФ

1. Бюджетные учреждения 2. Общественные и религиозные организации: приходы храмов,

СОРОО, МОНОО 3. Автономные некоммерческие организации 4. Товарищества собственников жилья 5. Садоводческие, огороднические или дачные некоммерческие

товарищества6. Некоммерческие партнерства: НП, ДНП, СРО7. Прочие некоммерческие организации: казачьи общества,

коллегии адвокатов8. Экстерриториальные организации9. Органы общественной самодеятельности10.Общественные движения11.Ассоциации и союзы12.Унитарные предприятия

Ежеквартальная калибровка моделей с учетом новых данных;

Ежегодная актуализация моделей с возможной сменой алгоритма и изменением факторов;

Учет динамики финансовых показателей;

Учет связей между юридическими лицами;

Построение комплексных скорингов компаний;

Разработка дополнительных инструментов для анализа малого бизнеса и стартапов.


Перспективы

СПАСИБО ЗА ВНИМАНИЕ!

Documents

презентация мунерман