Анализ финансового состояния и прогнозирование риска банкротства банков

• Дата: 2015
• Автори: Ови Нафас Агаи аг Гамиш, Зайченко, Ю.П., Войтенко, О.C.
• Формат: Стаття
• Мова: Russian
• Опубліковано: Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2015
• Назва видання: Системні дослідження та інформаційні технології
• Теми: Проблеми прийняття рішень і управління в економічних, технічних, екологічних і соціальних системах
• Онлайн доступ: http://dspace.nbuv.gov.ua/handle/123456789/116054
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Анализ финансового состояния и прогнозирование риска банкротства банков / Ови Нафас Агаи аг Гамиш, Ю.П. Зайченко, О.C. Войтенко // Системні дослідження та інформаційні технології. — 2015. — № 2. — С. 59-74 . — Бібліогр.: 4 назв. — рос.

Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для исследования были выбраны финансовые показатели 170 банков Украины, из которых 120 банков составляли обучающую выборку, а 50 банков — проверочную. Использованы данные за год и два года до кризиса банковской системы 2008-2009 гг. Учитывая недостоверность ряда исходных данных по финансовым показателям для решения данной проблемы предложено использовать нечеткие методы: нечеткие нейронные сети ANFIS и TSK, а также нечеткий МГУА. Проведены экспериментальные исследования предложенных методов, выполнена оценка их эффективности и проведен сравнительнсй анализ с классическими четкими методами оценки риска банкротства. В результате экспериментов установлено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей выборке не оказывает значительного влияния на результаты прогнозирования. При сравнении нечетких методов было установлено, что нечеткие нейронные сети дают лучшие результаты при использовании данных за год до прогноза, то есть при краткосрочном прогнозировании, а нечеткий МГУА дает лучшие результаты при использовании данных за год до прогноза, то есть при долгосрочном прогнозировании на два и более лет.