Нейрокомпьютинг и его применения в экономике и бизнесе

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»


Алгоритм составления описанных выше рейтингов неизвестен, более того, агентства утверждают, что он не основан в чистом виде на статистическом анализе финансовой информации, а содержит еще оценки экспертов, например для таких трудно формализуемых параметров, как «качество менеджмента». Такая ситуация вполне устраивает сами рейтинговые агентства, превращая их продукцию в уникальный товар. Однако многие инвесторы заинтересованы в обладании своими собственными алгоритмами рейтингования, «эмулирующими» рейтинги большой двойки — по крайней мере по трем причинам.


■    Во-первых, не для каждой облигации имеется официальный рейтинг. Многие бумаги, обойденные вниманием крупных рейтинговых агентств, могут в итоге оказаться весьма привлекательными для инвестиций, если суметь грамотно оценить степень их рискованности.


■    Во-вторых, обновление официальных рейтингов происходит не столь часто, как хотелось бы. Умение загодя, до того как это станет общедоступной информацией, предугадать изменение рейтингов, очевидно, дает инвесторам дополнительные конкурентные преимущества.


■    Наконец, разгадав стратегию «официального» рейтингования, инвесторы могут надеяться улучшить качество оценки финансового состояния эмитентов путем более интенсивного статистического анализа, получив, таким образом, преимущество над теми, кто пользуется официальными рейтингами.


Приведенные выше доводы обосновывают следующую постановку задачи для нейро-анализа: на основе общедоступной финансовой отчетности компаний-эмитентов постараться воспроизвести рейтинги Standard & Poor’s и/или Moody’s. Несмотря на наличие неформальной компоненты, представляется вероятным, что алгоритмическая составляющая этих рейтингов довольно велика. В конце концов, общая численность аналитиков в обоих ведущих агентствах вместе взятых не превышает 100 человек. Так что справиться с обработкой постоянно обновляемых данных о 2000 эмитентах они могут лишь используя в основном автоматизированные процедуры.


Попытки смоделировать алгоритм рейтингования облигаций предпринимались с 60-х годов (Horrigan, 1966) и базировались на методе линейной регрессии. Типичный процент угадывания рейтинга в этих моделях составляет примерно 60%. Поскольку возможности нелинейного нейросетевого моделирования шире, неудивительно, что первые же попытки применить нейросети показали существенно лучшие результаты — на уровне 88% для воспроизведения отдельной градации рейтинга (Dutta, Shekhar, 1988)42. Более сложные нейросетевые модели способны с приемлемой точностью воспроизводить широкий диапазон рейтингов облигаций по набору ключевых финансовых индикаторов фирм-имитентов. Например, в работе (Moody, Utans, 1993) 97% предсказаний нейросети расходятся не более чем на один пункт с классификацией Standard & Poor’s в интервале [ААА+АА, А, ВВВ, ВВ, В].

Скачать в pdf «Нейрокомпьютинг и его применения в экономике и бизнесе»