СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ РАСПОЗНАВАНИЯ РИСКА

Моисеев Александр Владимирович, кандидат физико-математических наук, заведующий кафедрой прикладной математики и исследования операций в экономике, Пензенский государственный технологический университет
(Россия, г. Пенза, проезд Байдукова, 1а), amoiseev@pgta.ru
Поправко Евгений Александрович, аспирант, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), popravko@prideautomatics.com
Федотов Николай Гаврилович, доктор технических наук, профессор, заведующий кафедрой экономической кибернетики, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), fedotov@pgu.ru

004.67,004.62

Актуальность и цели. Интерес к моделям распознавания риска связан с желанием автоматизировать принятие управленческих решений в условиях риска, в которых учета только осредненного конечного результата не достаточно. На настоящий момент имеется несколько подходов к оценке риска. В каждом конкретном случае требуется сравнение моделей по качеству распознавания. Целью данной работы является рассмотрение процедуры сравнения моделей. В работе процедура сравнения различных моделей распознавания проводится для конкретных результатов, полученных на основе реальной статистики банка с использованием алгоритма, построенного авторами.
Материалы и методы. Построение моделей проведено с применением статистических пакетов прикладных программ SPSS и Statistica. Рассматривается модель дискриминантного анализа, логит-модель и пробит-модель. Для характеристики качества распознавания определяются оценки вероятности ошибок второго и первого рода. Для сравнения моделей привлекается ROC-кривая. Для окончательного вывода о качестве построенных моделей используется экзаменующая выборка.
Результаты. Совокупный анализ построенных моделей и на обучающей, и на экзаменующей выборке показал высокую степень эффективности модели дискриминантного анализа в целях отнесения потенциальных заемщиков к одной из двух групп. Данная модель характеризуется высокой степенью прогнозирования кредитоспособных клиентов, а также высоким качеством распознавания дефолта заемщика. Применение результатов дискриминантного анализа в алгоритме изучения дает возможность прогнозировать некредитоспособность заемщика и может служить критерием для формирования групп высокого риска по определенным клиентам банка.
Выводы. Рассмотренная процедура сравнения качества моделей распознавания позволяет повысить качество информационного обеспечения принятия решений в условиях риска.

Ключевые слова

система распознавания риска, кредитный риск, дискриминантный анализ, логит-модель, пробит-модель.

 Скачать статью в формате PDF

1. Айвазян, С. А. Прикладная статистика. Основы эконометрики : учебник для вузов : в 2 т. / С. А. Айвазян, B. C. Мхитарян. – 2-е изд., испр. – М. : ЮНИТИ, 2001. – 1008 с.
2. Банковские риски : учеб. пособие / под ред. д-ра экон. наук, проф. О. И. Лавруши-на и д-ра экон. наук, проф. Н. И. Валенцевой. – М. : КНОРУС, 2007. – 232 с.
3. Fries, C. Mathematical finance: theory, modeling, implementation / Christian Fries. – New Jersey : Wiley, 2007. – 520 p.