Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж

Інноваційні методи оцінки банківського капіталу

Критерієм якості побудови системи штучного інтелекту зазвичай слугує значення середньої помилки по вибірці, що визначається за формулою:

де – вихідний сигнал модуля нечіткого керування;

d – етелонний сигнал (тобто значення показника- спостереження вихідної змінної тренувальної вибірки).

Нейромережа вважається навченою, якщо середня помилка тестової вибірки виявляється менша за середню помилку тренувальної вибірки. Під час розробки гібридних нейронечітких моделей тренувальну вибірку було сформовано за даними 2010 – 2011 рр., а тестова – показники банківської системи з січня по квітень 2012 р. Проектуючи та здійснюючи навчання нейромереж, ми віддавали перевагу менш складним моделям, маючи на меті якнайлегшу практичну реалізацію отриманих систем штучного інтелекту в банківському менеджменті. У зв'язку з цим, виконавши численні експерименти з навчання гібридних моделей, для практичної реалізації було відібрано моделі, вхідні змінні яких містять по 2 терм-множини. У подальшій інтерпретації такі терми зіставні з протилежними парами характеристик "високий – низький", "добрий – поганий", "результативний – неефективний". Перевагу подібним моделям було віддано ще й тому, що при порівняно незначному збільшенні середніх помилок отримані системи мали зрозумілу та нескладну для візуального сприйняття структуру – таку, як нарис. 3.16.

Втім, найпростіша структура, подібна до рис. 3.16, виявилась достатньою тільки для моделі прогнозування індикатору ВГП, на підставі вивчення головних потенціалоутворюючих факторів. Система нечіткого висновку, побудована на авторегресійних залежностях, містить 3 входи, як було обґрунтовано вище. Тому її структурна модель складається з більшої кількості нейронів, що відповідає більшій кількості правил та термів вихідної змінної (рис. 3.18). Однак за обраного набору незалежних та залежної змінної це – найпростіша з усіх можливих структур.

Згідно правил комбінаторики, кількість попарних поєднань вхідних термів для системи потенціалоутворюючих факторів складає 22=4, що відповідає 4-м правилам у базі знань і 4-м термам вихідної змінної. У випадку 3-х термів кожної вхідної змінної кількість правил нечітких продукцій і, відповідно, термів вихідної змінної становила б 32=9. Це істотно ускладнило б економічну інтерпретацію моделі: якщо у першому випадку 4 терми вихідної змінної зіставні із лінгвістичними конструкціями типу "дуже низький", "низький", "високий" та дуже "високий", то інтерпретація 9 лінгвістичних термів за допомогою різних "відтінків" міри грошового потоку відповідала б максимальному обсягу людської уваги, чим надзвичайно знизила привабливість системи. Отже, неістотне підвищення точності розрахунків було б зведено на нівець громіздкістю та непрактичністю системи. В створеній структурі типу Сугено терми вихідної змінної являють собою лінійну комбінацію значень вхідних змінних, що дозволяє встановити типові риси фінансових пропорцій вітчизняних банків. Коефіцієнти лінійних регресійних рівнянь програма обчислила методом найменших квадратів, при цьому було реалізовано ітераційну процедуру налаштування параметрів, доки розбіжності між тренувальними даними та виходами мережі не припинили перевищувати поріг, заздалегідь обумовлений користувачем.

Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Конструкція з 3-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 8 термів)

Рис. 3.18. Структура нейро-нечіткої мережі, згенерованої ANFIS- editorom (Конструкція з 3-х вхідних змінних, у кожної з яких 2 терми, та одної вихідної змінної в якої 8 термів)

Натомість структура (рис. 3.18), побудована на авторегресійних залежностях, за своєю складністю досягає "верхньої меха́" людського сприймання: кількість попарних поєднань 3-х вхідних змінних, кожна з яких містить по 2 терм множини становить 2 – 8, що відповідає 8-ми правилам у базі знань і 8-ми термам вихідної змінної. За таких умов чи не єдиним способом уникнути надмірно громіздких розрахунків є використання термів вихідної змінної у вигляді констант. Відтак 8 термів вихідної змінної відповідає таким лінгвістичним конструкціям: "найнижчий", "дуже низький", "низький", "них<че середнього", "вище середнього", "високий", "дуже високий", "найвищий".

Звичайно, програмне середовище MATLAB дозволяє змінювати назви елементів систем штучного інтелекту та проводити додаткове налаштування параметрів моделей. Останнє може здійснюватись як "вручну", так і автоматично, шляхом повторного навчання вже створеної нейронної мережі на основі існуючої (або ж заново створеної) вибірки спостережень.

а) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків за потенціалоутворюючими факторами. (Авторська розробка)

Рис. 3.19. а) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків за потенціалоутворюючими факторами. (Авторська розробка)

б) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей. (Авторська розробка)

Рис. 3.19. б) Структури фаззі-алгоритмів для для прогнозування руху грошових коштів банків на підставі авторегресійних залежностей. (Авторська розробка)

Як відомо [37, 106], легкодоступні для розуміння трикутні чи трапецієподібні функції належності не мають неперевних похідних, а тому існують певні обмеження при налаштуванні параметрів систем нечіткого висновку, сконструйованих на їх основі. Натомість для спрощення процесів оптимізації рекомендують застосовувати диференційовані функції належності, такі як гаусова та квазідзвоноподібна. Раніше ми наголошували на пріоритеті застосування гаусових функцій належності в силу відповідності розподілу економічних показників банківської системи нормальному закону, а тому в обох нечітких системах функції належності всіх термів вхідних змінних є гаусовими.

Нечіткі бази знань гібридних нейро-нечітких моделей, побудованих за допомогою ANFIS-редактору наведено у вигляді табл. 3.12 – 3.16. У загальному вигляді структури фаззі-алгоритмів для прогнозування укрупненого показнику вільного руху грошових коштів наведено на рис. 3.19 (а, б).

Аналізуючи значення коефіцієнтів при вхідних змінних у лінійних рівняннях, отриманих для термів вихідної змінної табл. 3.12., можна зробити висновок, що нагромадження вартості капіталу вітчизняної банківської системи відбувається виключно екстенсивним шляхом. Дуже високий грошовий потік забезпечується шляхом залучення ліквідних активів у вигляді депозитів та низької кредитної активності. Подібна тенденція спостерігається на вітчизняному фінансовому ринку вже тривалий час і, беззаперечно, складає великий бар'єр для прискорення економічного зростання, модернізації реального сектору економіки.

Слабка ресурсна база і обережна кредитна політика, звичайно, є передумовами низьких показників вільного руху грошових коштів, а невиважена кредитна політика, коли при нечисленній депозитній базі утворено чималий за розміром кредитно-інвестиційний портфель, є типовим симптомом фінансової кризи, що спіткала чимало невеликих банків з останніх позицій рейтингових таблиць НБУ.

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 „Методики прогнозування грошових потоків банків за допомогою гібридних нейро-нечітких мереж“ 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