интерфакс идо2 22.05.12_сокр

127006, Россия, Москва,

Первая Тверская-Ямская, 2

тел./ факс: +7 (495) 649-80-99

E-mail: [email protected]

МЕЖДУНАРОДНАЯ ИНФОРМАЦИОННАЯ ГРУППА

Индексдолжной осмотрительности2-е поколение


База данных СПАРКна момент моделирования Индекса

7 813 468 компаний в базе данных СПАРК (включая ликвидированные)

По 953 840 компаний в СПАРК представлена отчетность хотя бы за один год из последних четырех лет

Компании, сдающие отчетность в соответствии с МСФО, составляют 0,012% от общего количества компаний в СПАРК

В базе данных насчитывается 0,004% системообразующих компаний

В базе данных насчитывается 0,003% стратегических предприятий

Российские компании-эмитенты, представленные в базе СПАРК, составляют 0,053% от общего количества всех компаний базы

0,007% компаний из базы данных СПАРК - это члены Российского союза промышленников и предпринимателей


Выработка критериев неблагонадежности

Исследованность проблемы неблагонадежности компаний в России низкая

Экспертные оценки критериев неблагонадежности между собой не перекликаются

Зарубежный опыт неприменим (на Западе под неблагонадежностью компании понимается, главным образом, фальсификация отчетности)

Набор доступных параметров для моделирования ограничен

Ясные критерии отнесения компании к «неблагонадежным» отсутствуют


Критерии отбора благонадежных компаний

Количество23 221 компания

1 915 компаний

1 736 компания

447 компании

41 компания

Итого: 27 360 благонадежных компаний

Критерий выбора Эмитенты, раскрывающие отчетность

Клиенты Интерфакса

Участники рейтинга «СПАРК-2000»

Члены Российского Союза

Промышленников и Предпринимателей

Компании-участники проекта

«Мониторинг платежей»

Была произведена выборка 27 360 благонадежных компаний из базы данных СПАРК

Компании, представленные в выборке неблагонадежных, ликвидированы налоговым органом в 2007-2011 гг.

Общее количество таких компаний составило 208 684.


Зарубежные аналоги

№ Авторы Страна Год Алгоритм модели Факторы

1 Loebbecke, Eining & Willingham США 1988 Общий вид (наличие фактора) 36 инд-ов в 3 кат-ях

2 Bell, Szykowny, Willingham США 1991 Каскадная логистическая регрессия Анкетирование

3 Altman et al Италия 1994 Дискриминантный анализ и нейросетевое моделирование

8

4 Fanning, Cogger & Srivastava США 1995 Логистическая регрессия и нейросетевое моделирование

20

5 Hansen, McDonald, Messier, Bell США 1996 EGB2 (Логит и Пробит модели) н/д

6 Green & Choi США 1997 Нейросетевая модель 8

7 Beneish США 1999 Пробит-модель 12

8 Fanning & Cogger США 1998 Нейросетевая модель 8

9 Bell & Carcello США 2000 Логистическая регрессия 7

10 Feroz, Kwon, Pastena & Park США 2000 Логистическая регрессия и нейросетевая модель

7

11 Hwang & Lin США 2003 Интегрированная система: нейросети, нечеткая логика

8

12 Tufan et al Турция 2003 Кластеризация по группам, основанная на нечеткой логике

3 кластера

13 Estévez et al Чили 2005 Нейросетевое моделирование и нечеткая логика

8

14 Patricia Dechow США 2007 Логистическая регрессия 7,9,11

15 Hernandez & Groot Голландия 2007 Логистическая регрессия 5

16 Bay, Yen, Yang Китай 2008 CART 24

17 Lou, Wang Тайвань 2009 Логистическая регрессия 14


Факторное пространство

Типы факторов

Нефинансовые: директор, адрес,

телефон, лицензии, гос. контракты,

дочерние компании

Финансовые: наличие и свежесть

отчетности, выручка, активы, основные фонды, уставный капитал

Типы характеристик

Статические: наличие,

массовость, размер

Динамические: наличие изменений,

частота смены значений

Значимость факторов

От высокой: коэффициент

корреляции 0,765

До низкой: коэффициент

корреляции -0,014


Компании без отчетности

Название модели Общая ошибка 1 род ошибки 2 род ошибки

Протестированные модели

Логистическая нейросеть на 61 нейроне 8,2% 7,0% 9,4%PNN вероятностная нейросеть 8,5% 10,2% 6,8%CART (оптимизация по Туингу) 10,4% 14,2% 6,6%SVM метод опорных векторов 11,6% 10,2% 13,0%

Логистическая регрессия 19,3% 9,4% 29,2%Отобранные модели

CART (оптимизация по Туингу) 10,4% 14,2% 6,6%Логистическая нейросеть на 61 нейроне 8,2% 7,0% 9,4%


Компании с отчетностью

Название модели Общая ошибка 1 род ошибки 2 род ошибки

Протестированные модели

CART (оптимизация по Туингу) 1,50% 0,39% 5,15%Логистическая нейросеть на 100 нейронах 1,60% 0,78% 4,29%

PNN вероятностная нейросеть 2,40% 1,56% 5,15%

SVM метод опорных векторов 3,20% 0,26% 12,88%

логистическая регрессия 3,30% 1,83% 8,15%

ДА дискриминантный анализ 4,90% 14,62% 1,49%

Отобранные моделиCART (оптимизация по Туингу)

1,50% 0,39% 5,15%Логистическая нейросеть на 100 нейронах 1,60% 0,78% 4,29%


Многофакторная модель на основе бинарных деревьев классификации и регрессии (CART)

Факторное пространство разбивается на n-мерные подобласти с помощью условий в узлах дерева

Оптимизация дерева производилсь с помощью метода кросс-валидации (V-fold cross-validation)

Метод CART прост в обучении и использовании. Включает в себя построение понятной на интуитивном уровне классификационной модели с правилами на естественном языке

Особенности:

Чувствительность к исходным данным


Нейронные сети

Модель нейрона МакКаллока-Питтса

Уоррен Маккаллок (1898-1969)

Уолтер Питтс (1923-1969)


Логистическая нейросеть LNN

Модель представляет собой 2-слойную нейросеть с логистическими нейронами на 1 слое и сумматором на 2 слое

Отличается высокой гибкостью и хорошо адаптируется к изменяющимся условиям

Особенности:

Сложность в алгоритмировании

x

x

e

exF

1

)(

Функция активации на 1 слое:

Функция активации на 2 слое:

i

iiFwY


Частотное распределение значений индекса


Шкала индекса

Значение индекса Уровень риска Рекомендации

0 - 30 Низкий риск

31 - 49 Умеренный риск

Рекомендуется сбор дополнительной

информации

50 - 69 Средний риск

Сбор дополнительной информации

обязателен

70 - 89 Высокий риск

Ограничить деловые отношения до

получения достоверной информации о

надежности компании

90 - 99 Крайне высокий риск

Рекомендуется приостановить

деловые отношения


Тестирование индекса

Компании с максимальным расхождением версий индекса;

Компании, по которым были обращения клиентов в службу поддержки;

Компании из валидационных выборок (ненайденные должники, выборка для построения предыдущей версии индекса);

Компании с максимальным расхождением индекса по моделям CART и логистической нейросети;

Выборка «плацебо» – компании по которым тестерам не сообщался ее идентификатор.

Для тестирования индекса анализировались следующие группы:


Сравнение версий

Показатели ИДО 1.0 ИДО 2.0

Выборка 2 000 вручную отобранных компаний (по 1 000 благонадежных и неблагонадежных)

236 044 автоматизировано компаний (208 684 – неблагонадежных, 27 360 – благонадежных)

Факторы 9 (4 для компаний без финансовой отчетности)

20 (10 для компаний без финансовой отчетности)

Модель Декомпозиция трех моделей (CART, Логистическая регрессия, Гибридная нейронечеткая сеть)

Логистическая нейросеть на 61 или 100 нейронах

Точность 12 %-19% 5 %-7%


Применение Индексадолжной осмотрительности

ИДО - эффективный инструмент экспресс-диагностики контрагентов;

Применение ИДО соответствует критериям должной осмотрительности, рекомендованным ФНС;

ИДО – важный элемент анализа кредитных рисков;

Внедрение ИДО позволяет выявить неблагонадежные компании с целью адекватно рассчитывать среднеотраслевые коэффициенты и другие аналитические показатели;

Формирование адекватного информационного обеспечения для использования в построении финансовых моделей (среднеотраслевые уровни рентабельности, собственного оборотного капитала и др.)


Пример применения Индекса Анализ в отрасли «Розничная торговля»


Ограничения в использовании по ОКОПФ

1. Бюджетные учреждения

2. Общественные и религиозные организации: приходы храмов, СОРОО, МОНОО

3. Автономные некоммерческие организации

4. Товарищества собственников жилья

5. Садоводческие, огороднические или дачные некоммерческие товарищества

6. Некоммерческие партнерства: НП, ДНП, СРО

7. Прочие некоммерческие организации: казачьи общества, коллегии адвокатов

8. Экстерриториальные организации

9. Органы общественной самодеятельности

10. Общественные движения

11. Ассоциации и союзы

12. Унитарные предприятия

13. И другие


Перспективы

Ежеквартальная калибровка модели с учетом новых данных;

Ежегодная актуализация модели, с возможной сменой алгоритма и изменением факторов;

Построение модели определения вероятности банкротства компании;

Построение комплексных скорингов компаний;

Разработка дополнительных инструментов для анализа малого бизнеса и стартапов.


СПАСИБО ЗА ВНИМАНИЕ!

интерфакс идо2 22.05.12_сокр

Documents