Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА
Для анализа деятельности банков Украины предложен кластерно-регрессионный подход, который основан на принципах метода группового учёта аргументов. Подход может быть использован для прогнозирования состояния банков. Для аналізу діяльності банків України запропоновано кластерно-регресійний підхід, що...
Gespeichert in:
| Veröffentlicht in: | Індуктивне моделювання складних систем |
|---|---|
| Datum: | 2013 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2013
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/83680 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА / Л.В. Сарычева, А.П. Сарычев // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2013. — Вип. 5. — С. 270-277. — Бібліогр.: 7 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859592142125531136 |
|---|---|
| author | Сарычева, Л.В. Сарычев, А.П. |
| author_facet | Сарычева, Л.В. Сарычев, А.П. |
| citation_txt | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА / Л.В. Сарычева, А.П. Сарычев // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2013. — Вип. 5. — С. 270-277. — Бібліогр.: 7 назв. — рос. |
| collection | DSpace DC |
| container_title | Індуктивне моделювання складних систем |
| description | Для анализа деятельности банков Украины предложен кластерно-регрессионный подход, который основан на принципах метода группового учёта аргументов. Подход может быть использован для прогнозирования состояния банков.
Для аналізу діяльності банків України запропоновано кластерно-регресійний підхід, що засновано на принципах методу групового урахування аргументів. Підхід може бути використано для прогнозування стану банків.
For the analysis of activity of banks of Ukraine it is offered the claster-regression approach which is based on principles of the Group Method of Data Handling. The approach can be used for forecasting a state of banks.
|
| first_indexed | 2025-11-27T16:40:10Z |
| format | Article |
| fulltext |
Кластерно-регрессионные анализ финансовых показателей банков
Індуктивне моделювання складних систем, випуск 5, 2013 270
УДК 519.681
КЛАСТЕРНО-РЕГРЕССИОННЫЙ АНАЛИЗ ФИНАНСОВЫХ
ПОКАЗАТЕЛЕЙ БАНКОВ УКРАИНЫ НА ОСНОВЕ МГУА
Л.В. Сарычева P
1
P, А.П. Сарычев P
2
P
1
PНациональный горный университет,
P
2
PИнститут технической механики НАН Украины и ГКА Украины
THsarycheval@nmu.org.uaH, Hsarychev@prognoz.dp.ua H,
Для аналізу діяльності банків України запропоновано кластерно-регресійний підхід, що
засновано на принципах методу групового урахування аргументів. Підхід може бути
використано для прогнозування стану банків.
Ключові слова: показники фінансової діяльності банків, кластерізація, регресія.
For the analysis of activity of banks of Ukraine it is offered the claster-regression approach
which is based on principles of the Group Method of Data Handling. The approach can be used for
forecasting a state of banks.
Key words: parameters of financial activity of banks, clasterization, regression.
Для анализа деятельности банков Украины предложен кластерно-регрессионный
подход, который основан на принципах метода группового учёта аргументов. Подход может
быть использован для прогнозирования состояния банков.
Ключевые слова: показатели финансовой деятельности банков, кластеризация,
регрессия.
1. Постановка задачи
К банкам предъявляются требования по обеспечению экономической
стабильности и финансовой устойчивости. Поэтому моделирование
показателей банковской финансовой деятельности, анализ их взаимосвязей,
установление закономерностей с целью прогнозирования состояния банков
является актуальной задачей.
Банки характеризуются различными показателями: 1) форма
собственности (унитарные и коллективные, акционерные и кооперативные);
2) происхождение капитала (с отечественным капиталом, с участием
иностранного капитала, со 100% иностранным капиталом); 3) территориальный
признак (международные, национальные, региональные); 4) размер активов
(крупнейшие, крупные, средние и малые); 5) финансовое положение
(стабильные, проблемные, кризисные и банкроты); 6) наличие филиалов (много
филиалов, мало филиалов, без филиалов); 7) диапазон операций, сектор рынка
функционирования и др.
Национальный Банк Украины (НБУ) группирует банки в четыре группы
по размеру активов. От того, в какой группе находятся те или иные банки,
зависит степень банковского надзора, уровень развития и функционирования
банковской системы.
Сарычева Л.В., Сарычев А.П.
Індуктивне моделювання складних систем, випуск 5, 2013 271
В силу разнообразия украинских банков по многим приведенным
характеристикам их финансовая деятельность не поддается общим
закономерностям. Установление закономерностей для каждой из четырех
групп, выделенных по классификации НБУ, является трудной задачей в силу
неоднородности этих групп. Выделение же однородных групп возможно только
по совокупности показателей финансовой деятельности, причем в
фиксированном временном диапазоне, с учетом динамики изменения
показателей.
В данной работе предлагается кластерно-регрессионный анализ
финансовых показателей банков Украины, идея которого состоит в
эмержентном сочетании итеративных процедур объективной кластеризации
банков и построения регрессионных моделей для каждого кластера.
Цель работы – по ежемесячным банковским данным статистической
отчетности о финансовой деятельности за годовой промежуток времени создать
модель объективной кластеризации [1, 2] и регрессионные модели зависимости
финансового результата банков для отдельных кластеров.
2. Исходные данные
Данные для расчетов получены на официальном сайте Ассоциации
Украинских Банков и НБУ.
Объекты анализа – банки Украины.
Показатели деятельности банков представляют собой:
– ежеквартальные характеристики [3] (100 показателей VB1B,VB2, B…,VB100 Bдля
175-ти банков на 01.10.2012 г. и 01.01.2013 г., состав банков отличен);
– ежемесячные характеристики банковской деятельности (из шести
основных групп) за 2012 год [4] (22 показателя, число банков в разные месяцы
различно – 140 банков на 01.02.2012 г., 138 банков на 01.05.2012 г. и т. д.).
Показатели объектов могут быть разделены на такие группы:
А – Активы и обязательства: ХB1 B– «Активи», ХB2 B– «Балансовий капітал»,
ХB3B – «Зобов'язання» (млн.грн);
КИП – Кредитно-инвестиционный портфель: ХB4B – «КІП», ХB5B –
«Міжбанківські кредити», ХB6B – «Резерв під заборгованість банків», ХB7B –
«Кредити юридичним особам», ХB8B – «Кредити фізичним особам», ХB9B – «Резерв
під кредити та заборгованість клієнтів», ХB10B – «Цінні папери» (млн.грн)»;
К – капитал: ХB11B – «Капітал» (млн.грн), ХB12B – «Капітал» (млн.евро), ХB13B –
«Статутний капітал» (млн.грн);
ДФ – Депозиты физических лиц: ХB14B – «Сума депозитів фізичних осіб»,
ХB15B – «Кошти до запитання», ХB16B – «Строкові депозити» (млн.грн);
ДЮ – Депозиты юридических лиц: ХB17B – «Сума депозитів юридичних
осіб», ХB18B – «Кошти до запитання», ХB19B – «Строкові депозити» (млн.грн);
Ф – финансовый результат: ХB20B – «Фінансовий результат» (млн.грн), ХB21B –
«Прибутковість статутного капіталу» (%), ХB22B – «Прибутковість активів (%)».
Кластерно-регрессионные анализ финансовых показателей банков
Індуктивне моделювання складних систем, випуск 5, 2013 272
3. Разведочный анализ данных
Проводится анализ главных компонент, корреляционный, факторный,
дисперсионный анализ показателей; попарно показатели анализируются с
помощью диаграмм рассеяния. Выбираются показатели для дальнейшего
анализа. Анализ первых трех главных компонент (рис. 1) показал наличие таких
кластеров: Приватбанк (пять точек в правом верхнем углу на рис. 1а, 1б, 1в;
одна точка в левом верхнем на рис. 1г, 1д) и Ощадбанк образуют отдельные
далеко отстоящие кластеры, а основная масса малых банков группируется в
один кластер. Предварительная оценка числа кластеров – от 5-ти до 11-ти,
существуют как малочисленные, так и крупные кластеры.
Анализ коэффициентов парной корреляции (рис. 2а) показал, что
показатели группы Ф (финансовый результат) ХB20B, ХB21B, ХB22 Bслабо коррелируют
с показателями ХB1B, ХB2B,…, ХB19B.
Рис. 1. Банки в пространстве главных компонент
(а, г – 1-2-я; б, д – 1-3-я; в, е – 2-3-я компоненты):
а, б, в – по показателям ХB1B, ХB2B,…, ХB22 Bза 5 месяцев
(период 01.01.2012-01.06.2012);
г, д, е – по показателям VB1B, VB 2 B,…, VB100 B(на 01.10.2012)
Корреляционный (рис. 2б) и дисперсионный анализ показателей VB1B, VB2B,
…, VB100B свидетельствуют о том, что более 60% показателей можно не
использовать при кластеризации.
Сарычева Л.В., Сарычев А.П.
Індуктивне моделювання складних систем, випуск 5, 2013 273
Рис.2. Коэффициенты парной корреляции между показателями
ХB1B, ХB2B,…, ХB22 B(а) и показателями VB1B, VB2B ,…, VB100 B(б)
4. Методика кластерно-регрессионного анализа финансовых
показателей банков Украины
Исходное пространство признаков ХB1B, ХB2B,…, ХB22B используем для
объективной кластеризации [1, 2], выделив в нем функцию цели – финансовый
результат банка Y=ХB20B.
Задача состоит в том, чтобы разделить оба пространства на некоторые
подпространства (кластеры) и установить соответствие кластеров пространства
признаков и кластеров пространства функции цели [5]:
YX ⇔ .
Объективная кластеризация (ОК) основана на переборе вариантов
ансамблей признаков и числа кластеров по критерию непротиворечивости при
заданной таблице данных. В результате перебора находится число признаков и
число кластеров для всех непротиворечивых кластеризаций, а все имеющиеся
объекты распределяются по кластерам.
Новые измерения, не участвующие в кластеризации, также относятся к
тому или иному кластеру по правилу «ближнего соседа» или по минимуму
расстояния до центра кластера.
Алгоритм объективной кластеризации изложен в работе [1].
Пусть xBij B(t BsB) – измерения признаков, характеризующих заданное
множество объектов в момент времени t Bs B(i=1, 2,…, n – номер объекта, j=1, 2,…,
m – номер признака, s=1, 2,…, L – номер момента времени). Исходные данные
представляют собой блочную матрицу ])()()([ 21 LtXtXtX L .
Предположим (для ежемесячных данных), что объекты (банки), близкие
по своим свойствам (входящие в один кластер) в момент времени t, могут быть
близки и в момент времени (t+1). Пусть K(t BsB)={KB1B(t BsB), KB2B(t BsB),…,KBk B
(t BsB)} –
Кластерно-регрессионные анализ финансовых показателей банков
Індуктивне моделювання складних систем, випуск 5, 2013 274
кластеризация объектов в момент времени t=t BsB, s=1,2,…,L, где k – число
кластеров, 1<k<n :
)t(X)t(K s
k
1i
siU
=
= , KBi B(t BsB)≠∅, KBi B(t BsB)∩KBj B(tBsB) = ∅, при i ≠ j; i, j=1, 2,…, k.
Каждому i-му объекту (отождествленному с точкой (xBi1B(tBsB), xBi2B(t BsB),…,
xBimB(t BsB)), i=1,2,…,n, евклидова пространства RP
m
P) кластеризация K(t BsB) ставит в
соответствие номер кластера, к которому он принадлежит в момент времени t Bs B.
По результатам K(t BsB) и K(tBs+1B) определяется кластеризация K(t BsB, t Bs+1B) (рис. 3) [2].
Номер кластера является не более чем меткой, то есть можно поменять
нумерацию кластеров, сохранив при этом состав входящих в них элементов.
Рис. 3. Преемственность кластеризаций
Выделенные ядра кластеров расширяют путем доклассификации
оставшихся объектов. Кластеризация оценивается с двух точек зрения: удачно
ли она разделила представленные данные (точность) и сохраняется ли она и для
других множеств данных, полученных на том же объекте наблюдений
(непротиворечивость).
Перебор вариантов ансамблей признаков и числа кластеров приводит к
множественному решению: на плоскости «ансамбль признаков – число
кластеров» находится несколько вариантов, дающих непротиворечивые
кластеризации. Расчет критерия непротиворечивости ведется только при
равном числе кластеров на двух подвыборках А и В.
В качестве А и В для ежемесячных данных Х используются выборки по
соседним месяцам. Для ежеквартальных данных V выборка разбивается на
подвыборки А и В по диполям [5].
Для сокращения объема вычислений сравнение вариантов кластеризации
проводится, начиная с k=4 кластеров (НБУ выделяет 4 группы банков) до k=11
кластеров.
Однозначный выбор единственной кластеризации определяется
критерием точности прогноза величины Y (финансового результата для
объектов заданного кластера).
Сарычева Л.В., Сарычев А.П.
Індуктивне моделювання складних систем, випуск 5, 2013 275
Для такого прогноза строится регрессионная модель по принципам
метода группового учета аргументов [6, 7]. Класс синтезируемых моделей
имеет вид
∑ ∏
= =
α⋅θ=
s
q j
j
m
qjxy
1 1
q
)
,
где y) – выходная переменная; s – число членов в модели; qθ ,
sq ,...,2,1= – коэффициенты; jx , mj ,...,2,1= – входные переменные; m – число
входных переменных; qjα – показатель степени, в которой переменная x Bj B
входит в q-й член.
Поиск модели ведётся как в классе линейных, так и в классе нелинейных
по входным переменным моделей; коэффициенты в моделях оцениваются по
методу наименьших квадратов.
5. Модели кластеризации и регрессии для анализа банков Украины
Экспериментальные исследования проведены для ежемесячных (выборка
Х) и ежеквартальных данных (выборка V).
В таблице 1 представлены результаты трех объективных кластеризаций:
выборки V с числом кластеров k=11 и выборки Х с числом кластеров k=4 и
k=11. Из-за громоздкости представлены не все группы (I, II, III, IV) - 175
банков, а только лучшие по финансовым результатам за рассматриваемый
период - группа I (15 банков) и группа II (20 банков).
Объективная кластеризация (табл. 1, правая колонка) для числа кластеров
k=4 не совпадает с классификацией НБУ по финансовым результатам банков
(группа I, II, III, IV), но близка к ней.
В отдельный кластер выделяются Приватбанк и Ощадбанк. Но построить
приемлемые прогнозные модели в случае k=4 удается только для 1-го и 2-го
кластера. Кластеризация для k=5 почти не отличается от случая k=4. Только
Приватбанк и Ощадбанк образуют здесь отдельные кластеры.
Хорошие модели в смысле соответствия кластеров пространства
признаков и кластеров пространства функции цели YX ⇔ дает результат при
k=11 (табл. 1, левая колонка для выборки V, четвертая колонка для выборки Х).
Здесь в отдельный кластер (кроме Приватбанка и Ощадбанка) выделяется
Родовид банк.
В качестве примера полученных моделей приведем наименее сложную
модель для кластера {Дельта банк, Перший Український міжнародний банк,
Альфа банк, Сбербанк Росії}: «Чистий процентний дохід» (VB3B) как функция от
трех показателей «Усього активів» (VB68B), «Статутний капітал» (VB70B), «Усього
зобов’язань» (VB99B):
VB3B = 0,479138 VB68 B+ 0,00702 VB70 B – 0,50654 VB99 B,
для которой множественный коэффициент корреляции составляет R=0,99.
Кластерно-регрессионные анализ финансовых показателей банков
Індуктивне моделювання складних систем, випуск 5, 2013 276
Таблица 1
Выборка V Выборка Х
№ кластера
k =11
Банк «Процентні
доходи» № кластера
k =11
№ кластера
k =4
Група I
1 ПРИВАТБАНК 18153983 1 1
2 УКРЕКСІМБАНК 7535962 нет данных нет данных
2 ОЩАДБАНК 9735742 2 1
3 РАЙФФАЙЗЕН БАНК АВАЛЬ 6335415 нет данных нет данных
3 ПРОМІНВЕСТБАНК 4222253 3 2
3 УКРСОЦБАНК 4559268 3 2
3 ВТБ БАНК 4080458 3 2
4 ДЕЛЬТА БАНК 3218491 4 2
4 ПУМБ 3104469 4 2
4 "НАДРА" 1686251 нет данных нет данных
4 СБЕРБАНК РОСІЇ 2447669 4 2
4 УКРСИББАНК 3124883 нет данных нет данных
4 АЛЬФА-БАНК 3823231 4 2
4 БАНК ФІНАНСИ ТА КРЕДИТ 2045512 4 2
5 УКРГАЗБАНК 2165829 5 3
Група II
4 ОТП БАНК 2659907 4 2
5 БРОКБІЗНЕСБАНК 1321166 4 2
5 ВIEЙБI БАНК 1243756 6 3
5 КРЕДІ АГРІКОЛЬ БАНК 1520061 6 3
5 КРЕДИТПРОМБАНК 1231124 5 3
5 IHГ БАНК УКРАЇНА 884773 5 3
6 "ФІНАНСОВА ІНІЦІАТИВА" 1419327 5 3
6 "ПІВДЕННИЙ" 1037894 5 3
6 IМЕКСБАНК 1281608 6 3
6 РОДОВІД БАНК 255596 11 3
6 "ХРЕЩАТИК" 828884 6 3
6 БАНК ФОРУМ 766221 нет данных нет данных
6 БАНК КРЕДИТ ДНІПРО 805696 6
6 ЕРСТЕ БАНК 897579 нет данных нет данных
6 УНІВЕРСАЛ БАНК 805244 6 3
7 УНIКРЕДИТ БАНК 500393 7 3
7 БТА БАНК 308969 7 3
7 БАНК КИЇВСЬКА РУСЬ 623075 7 3
7 БАНК 3/4 240205 8 4
7 ПРАВЕКС-БАНК 569091 7 3
Сарычева Л.В., Сарычев А.П.
Індуктивне моделювання складних систем, випуск 5, 2013 277
На основе регрессионных моделей, построенных по принципам МГУА
для прогнозирования финансового результата для объектов заданного кластера,
выделены объекты с наибольшими (по модулю) остатками регрессии.
Они образуют множество банков, показатели которых не подчиняются
«общей тенденции» соответствующего кластера: {Укрсоцбанк, Райффайзен
банк Аваль, Брокбізнесбанк, Родовід банк, Сітібанк, КІБ КРЕДІ АГРІКОЛЬ,
Платинум банк, Експобанк, Банк Меркурий, Акцент-банк, Iнтербанк}.
Выводы
В работе предложен новый подход к анализу показателей финансовой
деятельности банков Украины, основанный на совместном применении
итерационных процедур объективной кластеризации и регрессионного анализа,
реализованных по принципам метода группового учета аргументов. Результаты
экспериментов на реальных статистических данных финансовой деятельности
банков за 2012 год показали адекватность моделей.
Литература
1. Сарычева Л. В. Объективный кластерный анализ данных на основе
МГУА / Л. В. Сарычева // Проблемы управления и информатики. – 2008. – № 2.
– C. 86–104.
2. Sarycheva L. The spatial-temporary approach in problems of clusterization
/ L. Sarycheva // II International Workshop on Inductive Modelling “IWIM–2007” :
22–26 September 2007, Prague : Proc. – Prague : Czech Technical University, 2007.
– P. 180–187. Эл. ресурс. URL: http://www.iwim2007.org/Proceedings.
3. Основні показники діяльності банків України [Електронний ресурс]. –
Режим доступу: http://www.bank.gov.ua/Bank_Supervision/dynamics.htm
4. Офіційний сайт Української асоціації банків [Електронний ресурс]. –
Режим доступу: http://aub.org.ua/
5. Ивахненко А. Г. Объективная компьютерная кластеризация. Ч. 1.
Теоретические вопросы / А. Г. Ивахненко, С. А. Петухова, Н. А. Ивахненко
// Автоматика. – 1986. – №3. – С. 3–11.
6. Сарычева Л. В. Прогнозирование в задачах эколого-социально-
экономического мониторинга регионов / Л. В. Сарычева // Моделювання та
інформатизація соціально-економічного розвитку України. Зб. наук. пр. – К. :
ДНДІІМЕ, 2003. – №3. – С. 147–165.
7. Сарычев А. П. Усредненный критерий регулярности метода группового
учета аргументов в задаче поиска наилучшей регрессии / А. П. Сарычев
// Автоматика. – 1990. №5. – С. 28–33.
|
| id | nasplib_isofts_kiev_ua-123456789-83680 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0044 |
| language | Russian |
| last_indexed | 2025-11-27T16:40:10Z |
| publishDate | 2013 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Сарычева, Л.В. Сарычев, А.П. 2015-06-21T17:59:25Z 2015-06-21T17:59:25Z 2013 Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА / Л.В. Сарычева, А.П. Сарычев // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2013. — Вип. 5. — С. 270-277. — Бібліогр.: 7 назв. — рос. XXXX-0044 https://nasplib.isofts.kiev.ua/handle/123456789/83680 519.681 Для анализа деятельности банков Украины предложен кластерно-регрессионный подход, который основан на принципах метода группового учёта аргументов. Подход может быть использован для прогнозирования состояния банков. Для аналізу діяльності банків України запропоновано кластерно-регресійний підхід, що засновано на принципах методу групового урахування аргументів. Підхід може бути використано для прогнозування стану банків. For the analysis of activity of banks of Ukraine it is offered the claster-regression approach which is based on principles of the Group Method of Data Handling. The approach can be used for forecasting a state of banks. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Індуктивне моделювання складних систем Наукові статті Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА Article published earlier |
| spellingShingle | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА Сарычева, Л.В. Сарычев, А.П. Наукові статті |
| title | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА |
| title_full | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА |
| title_fullStr | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА |
| title_full_unstemmed | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА |
| title_short | Кластерно-регрессионный анализ финансовых показателей банков Украины на основе МГУА |
| title_sort | кластерно-регрессионный анализ финансовых показателей банков украины на основе мгуа |
| topic | Наукові статті |
| topic_facet | Наукові статті |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83680 |
| work_keys_str_mv | AT saryčevalv klasternoregressionnyianalizfinansovyhpokazateleibankovukrainynaosnovemgua AT saryčevap klasternoregressionnyianalizfinansovyhpokazateleibankovukrainynaosnovemgua |