презентация мунерман

Новые скоринговые модели
в СПАРКе

Индекс
риска
неблагонадежности Версия
1.0

Тел.: +7 (495) 787-43-43  E-mail: Sales@interfax.ru

Предсказание банкротства – история и современность

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

3-й этап исследований по предсказанию банкротств:

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


База данных СПАРК на момент
моделирования индекса
 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


Формирование выборки
Неблагонадежные
Благонадежные и
 Решения арбитражных судов
Российской Федерации в отношении ООО Финансово устойчивые
 Эмитенты
Банкроты  Компании, состоящие в реестре
 Информация о банкротстве в СПАРК, Торгово-промышленной палаты РФ
включая ЕФИР  Члены Российского союза
промышленников и предпринимателей
 Системообразующие предприятия
Всего компаний с ФО 1 362 684
 Компании, сдающие отчетность
в соответствии с МСФО
Банкротов 33 818
 Подписчики СПАРК
Устойчивых 22 435  Добросовестные плательщики
из базы Трейдейта
Ликвидированных 399 857


Факторное пространство
(обновление финансового анализа)

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

Предприятие
Предприятие
(формы отчетности по РСБУ - -
(формы отчетности по РСБУ
по умолчанию)
по умолчанию)

Наличие отчетности по
Наличие отчетности по
МСФО/US GAAP
МСФО/US GAAP

Да Нет

Пересчет отчетности по формам
Пересчет отчетности по формам Пересчет отчетности по формам РСБУ в в
Пересчет отчетности по формам РСБУ
МСФО/US GAAP в в
МСФО/US GAAP аналитические формы
аналитические формы

Аналитические формы Баланса ииОПУ
Аналитические формы Баланса ОПУ


(обновление финансового анализа)

Последовательность проведения FSA

Трендовый анализ
Трендовый анализ Горизонтальный анализ
Горизонтальный анализ
(анализ роста)
(анализ роста)

Структурный анализ
Структурный анализ
Вертикальный анализ
Вертикальный Информация:
Финансовая отчетность
и рыночные данные
Анализ ликвидности
Анализ ликвидности

Анализ деловой
Анализ деловой Анализ финансовых
активности
активности коэффициентов
коэффициентов

Анализ
Анализ
платежеспособности
платежеспособности

Анализ рентабельности
Анализ рентабельности
Информация:
Среднеотраслевые
Сравнительный анализ
Сравнительный нормы


(коэффициенты для модели)

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'


Выбор 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%


Нейронные сети
Модель нейрона МакКаллока-Питтса

Уоррен Маккаллок Уолтер Питтс
(1898-1969) (1923-1969)


Нейронные сети
 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.


Результаты и школа индекса

В общей сложности индекс можно рассчитать для 280 000 компаний (предварительно)
Значение Уровень Рекомендации Кол-во
индекса риска компаний
1 - 30 Низкий риск 60 000

31 - 70 Средний риск Рекомендуется сбор 80 000
дополнительной
информации

71 - 99 Высокий риск Сбор дополнительной 160 000
информации обязателен


Индекс
должной осмотрительности
Версия 3.0


Результаты и школа индекса

В общей сложности индекс можно рассчитать до 3 800 000 компаний (предварительно)
Значение Уровень Рекомендации Кол-во
индекса риска компаний
1 - 30 Низкий риск 900 000

31 - 70 Средний риск Рекомендуется сбор 1 100 000
дополнительной
информации

71 - 99 Высокий риск Сбор дополнительной 1 800 000
информации обязателен


Тестирование 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.


Использование индексов
 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.


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 товарищества
6. Некоммерческие партнерства: НП, ДНП, СРО
7. Прочие некоммерческие организации: казачьи общества, коллегии адвокатов
8. Экстерриториальные организации
9. Органы общественной самодеятельности
10.Общественные движения
11.Ассоциации и союзы
12.Унитарные предприятия


Перспективы

 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.


СПАСИБО ЗА ВНИМАНИЕ!

презентация мунерман

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (17)

Similar to презентация мунерман

Similar to презентация мунерман (20)

More from Ilya Munerman

More from Ilya Munerman (9)

презентация мунерман