Апробация и построение динамической модели банкротств на реальных данных

(использовались данные из [22, с. 50-62])

Этап 1 (итерация 0). Был обучен ансамбль из десяти сетей на выборке из 136 наблюдений для t= 5 (последний год). Результаты тестирования и структура сетей представлены в табл. 5.9 и 5.10.

После фильтрации обученным сетям были предъявлены данные за предшествующие 4 года. Получены осредненные оценки величины Yдля всех временных срезов t = 1,..., 4.

Была сформирована общая выборка, состоящая из 680 наблюдений (136-5 = 680).

Структура байесовского ансамбля

Таблица 5.9

№ сети

Количество

скрытых

слоев

Оптимальное количество нейронов в скрытых слоях

Вид активационной функции в скрытых слоях

НСМ1

1

7

Гиперболический тангенс

НСМ2

1

6

Сигмоид

НСМЗ

2

14,9

Гиперболический тангенс в обоих слоях

НСМ4

2

14, 11

Гиперболический тангенс в первом слое, сигмоид — во втором

НСМ5

2

8, 13

Сигмоид в первом слое, гиперболический тангенс — во втором

НСМ6

2

13, 12

Сигмоид в обоих слоях

НСМ7

3

14, 13, 14

Гиперболический тангенс в первом и третьем слоях, сигмоид — во втором

НСМ8

3

8, 14, 12

Гиперболический тангенс во всех слоях

НСМ9

3

12, 14,10

То же

НСМ10

3

14, 13, 15

»

Таблица 5.10

Результаты тестирования нейросетей, обучавшихся на данных за последний год

(t= 5)

№ сети

Доля верно распознанных предприятий

Всего

ошибок

Количество ошибок 11 рода

Количество ошибок I рода

Кик

НСМ1

65,85%

14

5

9

10,33

НСМ2

80,49%

8

5

3

14,33

НСМЗ

80,49%

8

3

5

14,66

НСМ4

78,05%

9

5

4

13,66

НСМ5

78,05%

9

5

4

13,66

НСМ6

85,37%

6

3

3

16,00

НСМ7

75,61%

10

6

4

12,83

НСМ8

82,93%

7

3

4

15,33

НСМ9

80,49%

8

3

5

14,66

НСМ К)

78,05%

9

3

6

14,00

Среднее на отфильтрованном ансамбле

85,37%

6

3

3

16,00

Этап 2 (итерация 1). В общую выборку был добавлен фактор времени (относительное время). Данные были разбиты на обучающее и тестовое множества следующим образом: 610 наблюдений в обучающем множестве и 70 — в тестовом. На этих данных был переобучен ансамбль нейросетей (количество нейронов в скрытых слоях подбиралось заново). Результаты тестирования показаны в табл. 5.11.

Таблица 5.11

Результаты тестирования байесовского ансамбля нейросетей, обучавшихся на

данных за все 5 лет

№ сети

Доля верно распознанных предприятий

Количество ошибок 11 рода

Количество ошибок 1 рода

К«*

5

НСМ1

84,29%

5

6

26,83

163%

НСМ2

85,71%

1

9

28,16

173%

НСМЗ

84,29%

6

5

26,66

170%

НСМ4

88,57%

4

4

29

172%

НСМ5

85,71%

1

9

28,16

177%

НСМ6

71,43%

0

20

21,66

171%

НСМ7

87,14

4

5

28,33

179%

НСМ8

80,0%

3

11

25,16

191%

НСМ9

81,43%

6

7

25,33

174%

НСМ10

85,71%

3

7

27,83

178%

Среднее на отфильтрованном ансамбле

87,14%

3

6

28,5

Критерий фильтрации КН/, > 26 .

Оставшимся после фильтрации сетям (№ 1, 2, 3, 4, 5, 7, 10) были предъявлены данные и получены значения Y.

Дополнительно для каждой нейросети была рассчитана средняя относительная погрешность аппроксимации по формуле

где Nlearn количество наблюдений в обучающем множестве.

Этап 3 (итерация 2). В данных значения Y (показатель экспоненты) были заменены на значения Y, полученные на предыдущей итерации. Цикл обучения повторяется заново. Результаты показаны в табл. 5.12.

Результат: практически все сети (кроме № 10) показали одну и ту же эффективность распознавания объектов («банкрот» — «небанкрот»). При этом ошибки идентификации наблюдаются в одних и тех же точках тестового множества. Другими словами, прошли процедуру фильтрации все нейросети ансамбля.

Таблица 5.12

Результаты тестирования байесовского ансамбля нейросетей, обучавшихся на данных за все 5 лет (итерация 2)

№ сети

Доля верно распознанных предприятий

Количество ошибок 11 рода

Количество ошибок I рода

Кик

5

НСМ1

85,71%

85,71%

85,71%

28,16

68,37%

НСМ2

85,71%

85,71%

85,71%

28,16

65,98%

немз

85,71%

85,71%

85,71%

28,16

78,92%

НСМ4

85,71%

85,71%

85,71%

28,16

69,61%

НСМ5

85,71%

85,71%

85,71%

28,16

66,38%

НСМ7

85,71%

85,71%

85,71%

28,16

70,84%

НСМ10

87,14%

87,14%

87,14%

28,83

70,03%

Среднее на отфильтрованном ансамбле

85,91%

1

9

28

Можно выдвинуть гипотезу, что при переходе к следующей итерации нейросеетвое отображение «сжимает» невязку, что и следовало ожидать. При этом относительная погрешность уменьшилась примерно в 2,5 раза.

Полученная динамическая модель с непрерывным временем позволяет достаточно точно отслеживать характерную динамику вероятности банкротства и своевременно принимать соответствующие управляющие воздействия. Для иллюстрации на рис. 5.6 приведены графики динамики вероятности банкротств трех предприятий из выборки 136 предприятий строительных организаций из 122, с. 50—61 ].

в)

Рис. 5.6. Динамика вероятности банкротства: позиции а, 6, в соответствуют трем различным предприятиям строительной отрасли различных регионов России (данные бухгалтерской отчетности из международной базы

данных Вигена Van Dijk [22, с. 13])

На рис. 5.7 показан пример алгоритма поддержки принятия решения по управлению кредитным процессом в банках, где может быть использована описанная выше динамическая нейросетевая модель банкротств.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >