Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу

Інноваційні методи оцінки банківського капіталу

З метою контролінгу за ефективністю вартісно орієнтованого управління банком як діловим підприємством пропонуємо наступний показник – Вільний грошовий потік (ВГПУ), розрахований укрупненим методом. На нашу думку, цей показник є універсальним, оскільки відображає як внутрішню вартість бізнесу, максимізація якої важлива для акціонерів [28], так і зовнішню вартість, оскільки обчислення і контроль такого показника не являє значних ускладнень для зовнішніх користувачів банківської інформації, зважаючи на низьку транспарентність останньої. Пропонуємо визначати ВГПУ шляхом віднімання від чистого прибутку зміни у власному капіталі банку, а отриманий результат збільшувати на величину амортизації, розрахованої як 5% усіх активів банку. Обчислення показника не вимагає значних витрат часу, проте його величина та динаміка несуть важливий зміст стосовно ефективності використання нагромадженого капіталу та чутливість банку до загроз нестабільного макроекономічного оточення. Крім того, розрахунок даного показника для будь-якого банку нескладно визначити і пересічним особам, що мають економічний інтерес до результатів функціонування банківської організації чи співпраці з нею, проте не мають вільний доступ до банківської звітності. Зокрема це стосується державних службовців, гравців фондового ринку, громадян, що розмірковують над проблемою розміщення депозитів у надійних банках, приватних інвесторів.

Зазначимо, що для порівняння вартісного потенціалу банків, різних за розмірами, діловою активністю, регіоном розташування, структурою капіталу слід, насамперед, забезпечити зіставність показників. З цією метою рекомендуємо використовувати такий відносний показник, як величина вільного грошового потоку, що припадає на кожну грошову одиницю власного капіталу (ВК). Запропонований показник капіталовіддачі за грошовим потоком може бути розраховано за формулою:

Щоб сформувати нормативну базу значень цього показника, подібно до запропонованих раніше моделей, нами було виконано кластерний аналіз за методом k-середніх для 176 банків вітчизняної банківської системи, що працювали у 2008 – 2012 р. Результати аналізу представлено на рис. 3.13, з якого помітно, що можливі три типові варіанти віддачі капіталу банківської системи, що варто враховувати на різних етапах оціночних процедур, здіснюваних в рамках дохідного та порівняльного методичних підходів. Головним чином це стосується етапів прогнозування грошових потоків, обґрунтування дисконтних ставок, а також внесення корегувальних поправок до бази обчислення порівняльних мультиплікаторів.

Результати кластерного аналізу вартісного потенціалу вітчизняних банків за критерієм капіталовіддачі за вільним грошовим потоком (Авторська розробка)

Рис. 3.13. Результати кластерного аналізу вартісного потенціалу вітчизняних банків за критерієм капіталовіддачі за вільним грошовим потоком (Авторська розробка)

Згідно статистичних розрахунків, виокремлення 4-х та більше кластерних групи виявилось недоцільним, адже спостереження які потрапили до "ефективного" кластеру спромоглися заробити близько 27,24 грн. на кожну гривну власного капіталу, "помірний кластер" характеризувавсь слабкою інтенсивністю грошового потоку – близько 41 копійок з кожної гривні власного капіталу ("Помірний" кластер було отримано об'єднанням двох кластерних груп, позначених на рис. 3.13 як Cluster 1 та Cluster 2). На нашу думку, будь-які випадки від'ємного грошового потоку варто характеризувати як "неефективні", а в силу довготривалого періоду виходу вітчизняної фінансової системи з кризи під час статистичного аналізу було виявлено, що типовим для неефективних банків є відтік грошових коштів в сумі 131,19 грн. з кожної гривні власного капіталу.

У зв'язку з цим перед власниками та менеджерами фінансових організацій та іншими особами, зацікавленими у визначенні вартості банківського капіталу, постає ще одна важлива проблема – прогнозування фінансових результатів та грошового потоку на середню та короткострокову перспективу. В силу мінливості напрямів та обсягів грошових потоків національної економіки, прогнозування фінансових результатів і руху грошових коштів банків значно утруднюється. Чимала варіація зазначених показників ускладнює використання економіко- математичних методів прогнозування, хоча певні кількісні залежності між обсягами ресурсів, наявних в банківській системі, та потенціалом їх прибутковості, беззаперечно, існують. Наголосимо на ускладненості таких зв'язків – нагромаджені на певний момент часу обсяг депозитів, кредитно-інвестиційний портфель чи досягнута прибутковість власного капіталу можуть детерміновано впливати не на остаточне значення грошового потоку а лише на певний проміжний фактор. Варто припустити, що решта факторів формується внаслідок варіації цих же трьох показників (обсяг депозитів, кредитно-інвестиційний портфель та прибутковість власного капіталу, досягнута на початок періоду прогнозу), проте в інших пропорціях. Для виявлення таких прихованих детермінант, які можуть складати кількарівневу систему, що в кінцевому підсумку із прийнятним рівнем достовірності дозволить прогнозувати вартісноутворюючий показник банку, якнайкраще дозволяють методи інтелектуального аналізу даних, зокрема нейронні мережі чи гібридні нейро-нечіткі моделі. Щоб зробити результати використання засобів штучного інтелекту придатними для застосування, складні прогностичні моделі, встановлені на підставі статистичного аналізу та математичного опрацювання емпіричної інформації, в подальшому потрібно

перетворити на прикладні методики-алгоритми, що містять перелік операцій, які має здійснити користувач, перед тим, як отримає результат. Тобто, підвищити привабливість технологій дейтамайнінгу для фахівців банківської сфери можливо насамперед шляхом перетворення складних формалізованих залежностей на систему зрозумілих рекомендацій, що несуть конкретний економічний зміст.

Вважаємо за доцільне побудувати засобами штучного інтелекту та адаптувати для практичного застосування два типи моделей прогнозування індикатору ВГПУ:

• 1. На підставі вивчення головних потенціалоутворюючих факторів.

• 2. Шляхом вивчення авторегресійної залежності індикатору змін вартості банківського капіталу.

Модель першого типу розроблялась, виходячи з припущення, що згенерований протягом певного періоду грошовий потік, звичайно, залежить від того, якими були "стартові умови" банківської організації на початку цього періоду: скільки ліквідних ресурсів було залучено, як було використано існуючий фінансовий потенціал, наскільки результативною виявилась процентна політика. Зазначені міркування зумовили наступний набір вхідних змінних:

D – сума строкових депозитів фізичних і юридичних осіб, млн.грн. на початок останнього місяця, що передує даті оцінки;

КІП – кредитно-інвестиційний портфель, млн.грн. на початок останнього місяця, що передує даті оцінки.

Особливістю пропонованої моделі є "лаговий розріз", адже незалежні фактори відображають економічний стан банку на початок періоду, а залежна змінна – ВГПУ розраховується на кінець періоду, тим самим відображаючи здатність фінансової організації використовувати існуючий потенціал створення цінності для акціонерів.

Відзначимо, що кореляційно регресійний аналіз виявив помірну тісноту стохастичного зв'язку між зазначеними факторами та індикатором вартості як результативним показником тільки для "ефективного" кластеру, у той час як для всієї вибірки, "помірного" та "неефективного" кластерів коефіцієнт кореляції для жодного із незалежних факторів за абсолютним значенням не перевищував 0,4. Звичайно, отримані регресійні рівняння вкрай неточно визначатимуть обсяги грошового потоку і не можуть бути рекомендованими для практичного використання, тому й не наводяться в даній роботі. Однак для їх побудови було опрацьовано чималий масив кількісних залежностей між потенціалоутворюючими показниками банків – ретроспективний аналіз охоплював період з січня 2008 по квітень 2012 року в помісячному розрізі для всієї банківської системи. Тому доцільно розглянути інші способи визначення зв'язку між потенціалоутворюючими факторами та змінами індикатору вартості капіталу. З цією метою нами було застосовано інструментарій неро-нечіткого моделювання.

Щодо моделей другого типу – авторегресійних – відзначимо, що багатьом економічним явищам і процесам, як на макро- так і на макрорівнях властива циклічна повторюваність. Це дає підстави для припущення щодо залежності результативного показника вільного грошового потоку в поточному періоді від його ретроспективної динаміки, наприклад протягом попереднього кварталу чи півріччя. Звичайно, розбіжності у масштабах діяльності, специфіці стратегічного управління, ринкової ніші, територіального розташування позначатимуться на тривалості таких приватних ділових циклів. Однак інструментарій штучного інтелекту дозволить "типізувати" форми прояву приватних ділових циклів фінансових організацій, а отже й виробити конкретизовані рекомендації щодо моніторингу їх фінансового стану та управління в залежності від досягнутого рівня ефективності банківського менеджменту. Крім того, у фаховій літературі детально відображені вдалі спроби застосування нейромережевого моделювання для аналізу циклічних економічних процесів й періодичної динаміки фінансових ринків [12]. В залежності від частоти прояву тих чи інших тенденцій зміни ефективності банку можна припустити, що показники варіації результатів попередніх періодів, поєднуючись у різних пропорціях, дозволять передбачити результати фінансової діяльності у перспективі. Звичайно, виявити такі приховані залежності, встановити складність та кількість рівнів проміжних детермінант, якнайкраще вдасться завдяки використанню нейронних мереж. При цьому гібридні моделі додатково дозволять виокремити "типові" сценарії прояву циклічності результатів у банківському секторі. Під час розробки авторегресійних моделей проблема обсягу та суттєвості інформації також не втрачає гостроти. Оскільки результати нейромережевого моделювання необхідно представити у зручній для користувача формі методики-алгоритму, залежностей не повинно бути дуже багато. Оскільки обсяг людської уваги обмежений 7 – 9 одиниць, кількість правил-залежностей не має перевищувати 9. Згідно правил комбінаторики, 9 правил може бути отримано як сукупність різноманітних пар передумов, утворених не більше, ніж трьома змінними. Отже, для цілей розробки рекомендацій по удосконаленню прогнозування та управління вартісноутворюючими фінансовими потоками банків доцільно обмежити глибину ретроспективи 3-ма періодами. Для досліджуваної вибірки, у якій періодичність інформації складає місяць, незалежними вхідними змінними будуть показники грошового потоку за попередній квартал – тобто за 3 місяці. Виявивши сукупність закономірностей, що детермінують мінливість грошових потоків за попередній квартал, і застосовуючи інтелектуальну систему прогнозування на основі авторегресії, користувач зможе оцінювати динаміку ефективності використання капіталу банками у середньостроковій перспективі. У такий спосіб визначаються "контрольні показники", перевищення яких свідчить про поліпшення використання фінансового потенціалу тим чи іншим банком. Натомість недосягнення фактичними значеннями прогнозованих "контрольних цифр" буде ознакою знецінення вартості банківського капіталу. В цьому зв'язку варто наголосити ще на одному аспекті практичного застосування результатів створеної системи штучного інтелекту: у випадку сталої тенденції до заниження розрахункової величини вільного грошового потоку, у порівнянні з фактичною, прогноз грошових потоків, а отже і вартість банківського капіталу, обчислена в рамках дохідного підходу, не матиме необгрунтовано завищеного спекулятивного значення. Безперечно, орієнтація на песимістичний сценарій дозволить більш обґрунтовано керувати поведінкою учасників фондового ринку, уникаючи спекулятивних бульбашок й подальших деструктивних наслідків для банківської системи та національної економіки в цілому. Гібридна нейромережева модель, побудована на підставі вивчення авторегресійної залежності індикатору змін вартості банківського капіталу, містить наступні незалежні вхідні змінні:

ago – значення ВГПУ, млн.грн., на початок останнього кварталу, що передує даті оцінки;

Сторінки


В нашій електронній бібліотеці ви можете безкоштовно і без реєстрації прочитати «Інноваційні методи оцінки банківського капіталу» автора Автор невідомий на телефоні, Android, iPhone, iPads. Зараз ви знаходитесь в розділі „Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу“ на сторінці 1. Приємного читання.

Зміст

  • Вступ

  • Розділ 1. Концептуально-прикладні засади формування вартості капіталу банків

  • Макроекономічні чинники нагромадження капіталу банківською системою

  • Екзогенні тенденції зміни вартості капіталу банків як ділових підприємств

  • Розділ 2. Методологічний інструментарій оцінювання вартості капіталу банків як ділових підприємств

  • Сутність вартісного оцінювання капіталу фінансових організацій

  • Методичні підходи до оцінки ринкової вартості банків

  • Специфіка оцінки банків за витратним підходом

  • Особливості процедури оцінювання банків в рамках доходного підходу

  • Порівняльний підхід до оцінки банківського капіталу, його характеристика

  • Визначення ринкової вартості банку як ділового підприємства на основі порівняльного підходу

  • Розділ 3. Удосконалення процедур обчислення вартості капіталу банків засобами теорії нечітких множин

  • Нечітка система Мамдані-Ларсена як засіб обґрунтування величини дисконтної ставки

  • Оцінювання капіталу банків за допомогою фаззі-алгоритму типу Сутано

  • Гібридні нейро-нечіткі мережі у контексті оцінювання потенціалу нагромадження вартості банківського капіталу
  • Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж

  • Висновки