ДЕРЕВО РЕШЕНИИ ПРИМЕНИТЕЛЬНО К КЛАССИФИКАЦИИ КРЕДИТОВ И ФИНАНСОВОМУ НЕБЛАГОПОЛУЧИЮ

Дерево решений может использоваться для получения бинарных классификаций внутри выделенной группы (например, банкротство — отсутствие банкротства; плохие кредиты —- хорошие кредиты и т.д.). Техника, на базе которой строится дерево решений, известна как «дерево классификации и регрессии» (CART). Она отличается от более широко используемых классификационных моделей (дискриминант, логит и пробит), поскольку это непараметрическая, свободная от распределения техника[1]. Непараметрические техники не связаны с параметрами определенной популяции данных и носят название свободных от распределения тестов. Достоинства таких тестов: использование при любых условиях, легкость понимания и в некоторых случаях легкость вычисления.

Назвав свой метод «рекурсивным разграничением», Мариас, Пателл и Вольф- сон [Marias, Patell, and Wolfson (1984)], а также Фридман, Альтман и Као [Frydman, Altman, and Као (1985)] применили CART к решению проблемы классификации коммерческих банковских кредитов исходя из риска дефолта и предсказываемого финансового кризиса (корпоративного банкротства). На рис. 11.2 представлено дерево классификации, иллюстрирующее случай предсказания банкротства. Статистические методы, позволяющие выстроить подобное дерево, достаточно сложны, однако его интерпретация не требует особых усилий. Попробуем проанализировать результаты построения.

Исходные данные: 200 компаний, 58 из них идентифицируются как потенциальные банкроты, 142 — как устойчивые к банкротству. Первая переменная на нашем дереве — отношение денежного потока к совокупному долгу. (Вспомните материалы предыдущей главы, описывающие значение денежного потока для кредитного анализа.) Эта переменная позволяет провести разграничение между компаниями в выборке; ее выбор обусловлен важностью понятия «денежный поток» для финансовой науки. Компании с отношением больше 0,1309 отходят на правую ветвь дерева, другие — на левую. Слева остается 68 компаний, справа — 132.

Продолжим деление правой ветви и введем переменную — отношение совокупного долга к совокупным активам, т. е. леверидж. Компании с коэффициентом больше 0,6975 переходят направо, другие — налево. В этом случае правая ветвь дает два «терминальных узла» (обозначенных овалами). Их интерпретацию мы дадим позже. Слева, как мы помним, находится 68 компаний; для их разбивки используется отношение нераспределенной прибыли к совокупным активам, т. е. мера долгосрочной прибыльности. Результат деления — группа из 45 компаний и группа из 23 компаний. В качестве критического

Классификационное дерево

Рис. 11.2. Классификационное дерево: идентификация потенциальных компаний-банкротов

значения была выбрана величина 0,1453. Левый отросток демонстрирует терминальные узлы; правый отросток делится снова исходя из величины отношения денежных средств к объему продаж, т. е. меры ликвидности; в качестве критического мы приняли значение 0,025. Построение дерева завершается, когда каждая ветвь оканчивается терминальным узлом.

Точность классификации можно установить путем анализа терминальных узлов. Овалы с «В» — это узлы банкротства; овалы с «NB» символизируют отсутствие банкротств. Дерево демонстрирует три узла банкротства, обозначенные Bl, В2, ВЗ, и два узла отсутствия банкротств NB4 и NB5. В каждом узле для каждой группы мы складываем числа сначала справа, затем слева от двоеточия. Для узлов В слева от двоеточия получаем: 40 + 9 + 4 = 53. Эти компании были верно идентифицированы как банкроты. Числа справа от двоеточия обозначают компании, ошибочно причисленные к потенциальным банкротам (количество таких фирм составит 15 = 5 + 4 + 6). Точность классификации для компаний-банкротов составляет 53/58, т. е. 91,4%; для компаний, не являющихся банкротами, точность классификации 127/142 = 89,4%. Тот же результат мы получим, изучив NB-узлы (советуем читателю проделать операцию самостоятельно). Общий коэффициент точности равен 180/200, или 90%, — значение весьма неплохое.

Привлекательность CART или рекурсивного разграничения связана с присутствием в модели анализа на базе многих переменных, а также простого деления, основанного на использовании одной переменной. Напомним, что статистические методы, которые использует модель, достаточно сложны (но не сложнее методов, применяемых в параметрических техниках), однако использование дерева очень плодотворно.

Мариас, Пателл и Вольфсон применяют CART для классификации кредитов. Банковские регуляторы и большинство внутренних банковских комитетов, составляющих кредитные обзоры, делят кредиты на пять групп исходя из степени существующего риска дефолта, очевидно, что подобная процедура в высокой степени субъективна. Назовем обычные категории риска.

  • 1. Текущие. Кредит, относящийся к «текущим», погашается по графику и имеет приемлемую для банка степень риска. Противоположный ему «не текущий» кредит, т. е. просроченный или не выплачиваемый. (Вспомним приведенный ранее в этой главе обзор типов управления кредитным риском и портфелем кредитов и отметим, что лишь «пассивные консерваторы» удовлетворятся общей категорией кредитов «удовлетворительного качества»; другие менеджеры проведут внутри группы более тонкие градации.)
  • 2. Специально упоминаемые. Кредит этой категории обычно имеет несколько несущественных проблем (например, неполную документацию), за которые его можно «критиковать». В то же время проблемы недостаточно серьезны для того, чтобы отнести кредит к группе «неудовлетворительных».
  • 3. Не полностью соответствующие стандартам. Слабость кредита этой категории делает для него вероятной ситуацию дефолта. Впрочем, отмеченные слабости обычно поддаются исправлению. Согласно мнению банковских регуляторов, кредиты этой группы могут иметь 20%-ную вероятность дефолта.
  • 4. Сомнительные. Кредит этой группы имеет существенные недостатки и весьма вероятно, что банк потерпит убыток (с вероятностью 50%).
  • 5. Убыточные. Кредит этой категории не будет выплачен. Подобные кредиты обычно списываются.

Большинство банков и органов надзора за банковской деятельностью относят кредиты трех последних категорий к группе «активов ненадлежащего качества».

Мариас, Пателл и Вольфсон изучают 921 кредит: 839 текущих, 37 специально упоминаемых, 32 не полностью соответствующих стандартам и 13 сомнительных. В выборке, состоящей из 716 кредитов частным компаниям и 205 кредитов публичным компаниям, нет убыточных кредитов. Авторы, используя 13 стандартных финансовых коэффициентов и 13 других переменных, строят модель. Несмотря на то что модель базируется на CART, результаты не имеют формы дерева. Именно поэтому не представляется возможным кратко изложить выводы исследователей в рамках этой главы. Наиболее важным из достигнутых результатов, с точки зрения сотрудников банковских отделов кредитования, занятых в процессе принятия решений, может стать вывод, согласующийся с заключением Либби [ Libby (1975)]. Материалы исследования позволяют утверждать, что финансовая документация дает ценный материал для принятия кредитных решений, хотя отчеты частных фирм дают менее точные классификационные сведения, чем отчеты общественных компаний.

  • [1] Применение параметрических классификационных моделей в бизнесе, банковскомделе и финансах описано в Altman, Avery, Eisenbeis and Sinkey (1981). В Breiman,Friedman, Olshen and Stone (1984) анализировано RPA или CART. В Holt, Scrapelloand Carroll (1983), Marieas, Patell and Wolfson (1984), Frydman, Altman and Kao (1985),а также Srinivasan and Kim (1987) сравниваются области применения параметрических и непараметрических техник.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >