, где .

, где .

,

1. Оценка текущего состояния банка

   Для оценки текущего состояния коммерческого банка необходимо провести обучение экспертной системы, что требует первоначальной информации о значениях бинарных характеристик для некоторой совокупности банков, плюс некоторую информацию о том, какие банки являются плохими, а какие – хорошими. Такая информация не обязательно должна быть точной, может быть неполной, то есть доступной только лишь для некоторых банков. Более того, такая информация может быть получена за счет включение в анализируемую выборку банков, представленных значениями бинарных характеристик на предыдущие даты, чье последующее состояние было достоверно хорошим или достоверно плохим.

   После построения логических правил на основе обработки обучающей информации, каждый банк может быть классифицирован как хороший, или как плохой. Вместе с тем при оценки состояния банка важно не только получить итоговую оценку его надежности, но и выявить его слабые и сильные стороны, определить их отдельный вклад в общем показателе благополучия.

   Именно возможность проведения такого анализа является одной из основных достоинств интеллектуальных экспертных систем. Так, тот факт, что состояние анализируемого банка удовлетворяет условиям некоторого логического правила () означает, что комбинация значений признаков в условии этого правила является существенной информацией о его работе. В зависимости от рекомендуемой классификации на основе этого правила выявленная существенная информация расценивается как негативная, или как позитивная. Если правило рекомендует классифицировать банк как неблагополучный, то информация негативная, если как благополучный, то информация позитивная.

   Если состояние банка удовлетворяет одновременно условиям нескольких правил, то соотношения важностей вычлененных информаций определяются соответствующими весами логических правил. Чем выше вес правила, тем важнее (существенней) полученная на его основе информация о значимых негативных или позитивных аспектах деятельности банка.

   Вместе с тем для проведения анализа одного конкретного банка не обязательно первоначально проводить полное обучение экспертной системы, то есть строить полный комплекс логических правил, что вообще говоря, требует относительно значительных временных затрат и что оправдано только при проведении последовательного анализа большого количества банков.

   Для экономии времени, без существенной потери в информативности выводов, можно ограничиться следующей процедурой. Методика построения логических правил позволяет выявить непосредственно для конкретного банка негативное (классифицирующее к группе ) и позитивное (классифицирующее к группе ) правила с максимальными весами. То есть эти правила изначально строятся таким образом, чтобы состояние анализируемого банка удовлетворяло их условиям, и они были бы наиболее приоритетными (весомыми) среди всех других негативных и позитивных правил, которым данный банк может удовлетворять.

   После того, как два таких правила построены, уже можно произвести итоговую классификацию банка. Так, если окажется, что вес позитивного правила выше веса негативного, то банк окончательно классифицируется как хороший, в противном случае, - как плохой. При этом по комбинации значений признаков в условиях негативного и позитивного правил можно определить самую существенную негативную и самую существенную позитивную информацию о состоянии банка.

   Необходимо отметить, что в случае, если анализируемый банк изначально является явно плохим или очевидно хорошим, то веса соответственно получаемых позитивного или негативного правил будут очень маленькими. Следовательно, выявленная “существенная” негативная или позитивная информация будет маловажной и не сказывающейся на общем состоянии банка.

   Таким образом, предлагаемая методика позволяет автоматически просеять из общего массива информации лишние неинформативные показатели на основе быстрого обсчета возможных причинно-следственных связей, непосильного человеческому разуму, и получить итоговый вывод по выявленной значимой информации.

   Важно отметить, что вычислительная процедура построения максимальных негативных и позитивных правил для анализируемого банка при наличии соответствующего программного обеспечения занимает примерно 15-20 минут. При этом автоматически получаются не только итоговая оценка состояния банка, но и четкое обоснование выводов. В этой связи предлагаемый подход можно обоснованно назвать “экспресс-методикой”, использование которой не требует глубоких экономических знаний от лиц ее использующих.

   Описанный метод использования интеллектуальной системы при анализе состояния кредитных организаций не предполагает возможность получения только лишь итоговой классификации банка с указанием ее причин. Как и многие другие методики, экспертная система позволяет получать и числовые итоговые оценки состояния банков. Такую величину можно, например, определить как степень уверенности интеллектуальной экспертной системы в классификации банка к группе (хороших), в этом случае такая величина будет характеризовать общую степень благополучия банка.

   Как отмечалось, для каждого банка можно построить максимальные позитивные и негативные правила, то есть правила, классифицирующие банк как хороший и как плохой с наибольшими приоритетами (весами). Пусть веса этих правил и соответственно. Тогда возможный вариант числовой оценки состояния банка можно задать соотношением

   .

   Рост показателя будет означать рост благополучия банка. Чем выше , тем с большей уверенностью интеллектуальная система относит банк к классу хороших, чем ниже, - тем более уверенно относит к разряду плохих.

   Другой вариант числовой оценки общего благополучия банка может быть получен на основе анализа информации о соответствии состояния банка условиям комплекса логических правил экспертной системы. Так, если состояние конкретного банка удовлетворяет условиям позитивных правил и негативных правил, то общий показатель можно определить по формуле

   .

   Чем выше показатель , тем больше правил “голосуют” за благополучие банка относительно числа правил голосующих “против”.

   Важно отметить, что вычисление показателя предполагает построение полного комплекса логических правил и не возможно при анализе банка по “экспресс” варианту методики. С другой стороны, при использовании показателя существует опасность получить для банка близкие значения и , что при их незначительных изменениях в процессе статистического оценивания будет приводить к кардинально различным значениям показателя . Для ослабления этого негативного эффекта можно использовать показатель , задаемый соотношением

   .

2. Прогнозирование будущего состояния банка

   Прогнозирование будущего состояния банка является основной проблемой пруденциального надзора. Причем наиболее важно уметь прогнозировать на ранней стадии возможные будущие негативные изменения в состоянии банков. Задача прогнозирования на порядок труднее оценки текущего состояния банка. Умозрительно выявить причины ухудшения неизмеримо сложнее, чем определить негативные аспекты деятельности банка. Поэтому использование интеллектуальных экспертных систем может быть востребовано в целях пруденциального надзора. Всесте с тем получение прогнозов, как и оценку текущего состояния банка, можно свести к проблеме получения классификационных правил.

   Принципиально существуют два возможных пути решения прогнозной задачи. Первый предполагает более детальный анализ результатов, полученных при оценке текущего состояния коммерческого банка. Как уже отмечалось, построение логических правил экспертной системой производится исключительно эмпирическим путем, в результате анализа реальных статистических данных. Поэтому есть основания полагать, что полученные логические правила способны выявлять скрытые (латентные) от “классических” методов анализа недостатки в работе банка. При этом скрытые сегодня, они могут приводить к явным негативным изменениям в состоянии банка завтра. Тем самым, факт расхождения классификации банка, полученной на основе системы искусственного интеллекта, с нормативной оценкой его надежности (например, группой проблемности письма ЦБ РФ №457) можно рассматривать как прогноз на ухудшение его состояния. А значения числовых показателей надежности можно расценивать как степень уверенности в таком прогнозе. Чем выше значения этих показателей, тем опаснее выявленные искусственным интеллектом скрытые недостатки в работе банка.

   Другой путь получения прогнозов заключается в непосредственной настройке системы искусственного интеллекта таким образом, что бы полученная на ее основе классификация банков являлась прогнозной. То есть классификация банков производится по группам , , где множество банков, которые на данный момент и в течение некоторого будущего времени будут находиться в благополучном состоянии; а - множество банков, которые или плохие на данный момент или в ближайшем будущем перейдут в разряд неблагополучных.

   Объединение в одну классификационную группу плохих на данный момент банков и хороших сегодня, но плохих завтра обусловлено контекстом пруденциального надзора. Так как банк, который уже сегодня однозначно относится к неблагополучным не представляет особого интереса и, следовательно, их не целесообразно выделять в особую группу, для получения прогноза их будущего состояния. С другой стороны, прогнозирование будущего таких банков представляется мало продуктивным, так как улучшение их состояния, как правило, связано с проведением волевого регулирующего вмешательства.

   Предлагаемый смысловой состав группы заметно упрощает структуру экспертной системы по числу возможных решающих выводов, без особого ущерба их информативности в рамках практических задач. При этом получаемый прогноз будет в определенном смысле включать прогнозные результаты, полученные на основе предыдущего подхода, так как банк классифицированный к группе , то есть неблагополучных на сегодняшний день, автоматически относится к группе , то есть неблагополучных сегодня или в ближайшем будущем.

   В качестве априорной обучающей информации для настройки интеллектуальной экспертной системы разумно взять динамику банков по группам проблемности письма ЦБ РФ №457. Дело в том, что группы прроблемности являются одной из основных частей информации, на основе которой принимается решение о регулирующем вмешательстве в работу банков. При этом наиболее актуальной является задача прогнозирования необходимости будущего вмешательства в работу банка, которую можно свести к прогнозированию будущей негативной группы проблемности.

   Обучение экспертной системы в прогнозном варианте возможно только лишь на ретроспективных данных. Иными словами, необходимо выбрать некую прошлую отчетную дату (), на которую известны группы проблемности всех банков, а также известны их группы проблемности на последующие несколько дат (например, на 2 месяца). Банки, попадавшие на указанные даты в 3 или 4 группы проблемности, относятся к условно плохим, а остальные – к условно хорошим, - это и будет обучающей информацией.

   Рассмотрим на дату значения разных бинарных признаков состояния банков и дадим интеллектуальной системе возможность выявить причинно-следственные связи между их значениями и обучающей классификацией. Тем самым, будут выявлены логические правила, а по сути признаки ухудшения состояния банков. Ценность таких правил весьма высока, так как выявить их умозрительным путем фактически невозможно, но компьютер делает это автоматически.

   Числовые оценки надежности классификации банков на основе выявленных логических правил, как и в предыдущем случае можно рассматривать, как степень уверенности в производимых выводах. Чем ниже показатель для банка, классифицированного к группе неблагополучных, тем больше вероятность ухудшения его состояния, если на анализируемую дату он находился в разряде “официально” стабильных.

   Отметим, что построение прогнозных логических правил целесообразно осуществлять на анализе не только стационарных показателей работы банка, но и динамических, то есть отражающих изменение стационарных показателей во времени. То есть при построении бинарных признаков целесообразно брать числовые характеристики , которые отражают изменение неких дугих характеристик во времени, например по формуле

   

   или

   ,

   где значение показателя на предыдущую дату.

   Такие соображения достаточно естественны и легко могут быть проиллюстрированы физическим аналогом. Например, для того чтобы определить, где будет находиться объект через некоторый промежуток времени, не достаточно знать где он находится сейчас, необходимо знать хотя бы еще и скорость (с направлением) его перемещения, а для того чтобы определить скорость объекта, необходимо знать где он находился раньше, как изменилось его положение (состояние).

3. Адекватность методики экономической задаче

   В арсенале прикладной статистики имеется богатое разнообразие методов, применимых к анализу банков, каждый из которых имеет те или иные преимущества по сравнению с другими. Вместе с тем методы, основанные на системах искусственного интеллекта, выделяются рядом важных достоинств, об этом и пойдет речь в данном параграфе.

   Важнейшей особенностью предлагаемого подхода является возможность проводить максимально индивидуальный анализ банка. Известно, что разные банки имеют различные определяющие показатели деятельности. Так, банки могут иметь принципиально различную клиентуру, разные источники пассивов и способы размещения активов. В этой связи банковское сообщество распадается на довольно обособленные кластеры банков, которые существуют и работают по своим индивидуальным правилам. Поэтому разумно при анализе банков из разных кластеров применять различные критерии оценки. Именно экспертные системы в отличие от большого числа других методов, позволяют это осуществить.

   В основе действия систем искусственного интеллекта лежит набор логических правил. Оказывается, что каждое правило в силу специфики его построения действует только лишь в некотором кластере “близких” банков. Иными словами, условиям логических правил могут удовлетворять признаки банков только из одного кластера. Для разных кластеров система искусственного интеллекта подбирает свои индивидуальные логические правила анализа.

   Одной из основных характеристик, лежащих в основе кластеризации банков, является их размер. Различные по величине банки имеют различные сферы деятельности, что приводит к четкой кластеризации, наглядно подтверждается статистическими методами. Для отражении этого эффекта при построении логических правил целесообразно использовать бинарные признаки, основанные на абсолютных балансовых показателях (то есть измеряемых в тыс. руб.) К сожалению, многие применяемые в практике методики анализа банков используют лишь различного рода относительные показатели, как то нормативы, различные коэффициенты и т.д. Это является их существенным недостатком, не позволяющим учитывать важнейшие особенности работы банков.

   Применение интеллектуальных систем особенно оправдано при анализе наиболее крупных, структурообразующих банков. Эти банки выделяются особыми индивидуальностями, таких банков мало, и каждый из них не похож на другой. Представляется сомнительным возможность построения единых правил анализа даже для общей совокупности крупных банков. Каждый банк требует индивидуального подхода с учетом только ему присущих особенностей. Здесь особенно могут быть востребованы системы искусственного интеллекта.

   Существенным ограничением при использовании многих статистических методик является необходимость “типичности” анализируемых банковских показателей. То есть используемые в анализе показатели должны принимать ненулевые значения для большой совокупности банков. Это прежде всего необходимо для получения устойчивых статистических оценок параметров методик. Вместе с тем многие банковские показатели таким свойством не обладают, например, величина картотеки, которая присутствует лишь у незначительного количества банков. Методы искусственного интеллекта избавлены от таких ограничений, так как позволяет построить логические правила основанные на значениях “редких” показателей, которые будут действовать только лишь для банков, у которых эти показатель ненулевые.

   История существования и работы каждого банка индивидуальна. Банки сталкиваются с индивидуальными проблемами, совершают индивидуальные ошибки, принимают индивидуальные решения по индивидуальным проблемам. Каждый банк несет свою индивидуальную важную информацию об особенностях банковской системы в целом. Такая информация очень ценна, но может быть потеряна при процедурах статистического усреднения или агрегирования. Однако обучение системы искусственного интеллекта производится на основе индивидуальных особенностей банков, а следовательно, каждая существенная частная информация будет адекватно представлена в общих правилах анализа банков.

   Методы прикладной статистики используются в самых разнообразных предметных областях, при этом каждой области более адекватны те или иные методы. Выбор статистических методов прежде всего определяется теми априорными предположениями, которые можно сделать относительно характера данных, исходя из общих представлений о предмете исследований. Так, физические явления обладают высокой степенью предсказуемости и жесткостью связей, поэтому для их описания чаще всего используются методы, основанные на знании вероятностных распределений данных. Обычно предполагают соответствие данных нормальному закону распределений (нормальной кривой).

   Однако, применение таких методов в общественных, гуманитарных науках невозможно, так как статистические данные, получаемые в этих областях, обычно имеют очень сложную, неопределенную, природу, не укладывающуюся в шаблонные схемы, с нечеткими, нестандартными взаимосвязями. В такой ситуации целесообразно использовать так называемые непараметрические методы, применение которых не требует выяснения точной природы данных. Конечно, использование непараметрических методов, связанное с отказом от априорных предположений, необратимо приводит к потере информативности выводов. Вместе с тем, такой недостаток компенсируется повышенной надежностью, обоснованностью выводов. Так, лучше получить меньше выводов, но надежных, чем много, но ненадежных. Особенно это важно при принятии решения регулирующего вмешательства в работу банка. Именно поэтому в экономике целесообразно использовать непараметрические методы статистики, к которым можно отнести и методы искусственного интеллекта.

   Другим нюансом при выборе статистических методик является возможный объем доступных выборок. Так, в физике многие эксперименты можно проводить сколь угодно большое число раз, так что недостаточно большой объем выборок не является проблемой. В экономике, особенно в макроэкономике, выборки данных обычно очень маленькие, поэтому применение на них “физических” методов абсурдно. В частности, к сожалению, часто приходится встречать в экономической литературе выводы, основанные на соотнесении средних величин, оцененных по малым выборкам (порядка 10 наблюдений) из данных неопределенной вероятностной природы. Однако, методы искусственного интеллекта, в силу возможного индивидуального анализа каждого наблюдения, лишены названных недостатков.

   Важным достоинством системы искусственного интеллекта применимо к анализу банков является возможность получения не только обоснованных заключений по состоянию конкретных банков, но и выявление для них совокупности других банков с эквивалентным состоянием. А получив список таких эквивалентных банков, эксперт может выявить новые важные особенности в их работе, которые не вошли в систему искусственного интеллекта. Например, подметить общие особенности в “неформальных” показателях положения банков.

   Тот факт, что определение логических правил интеллектуальных систем основано на эмпирической процедуре, дает основания полагать, что полученные соотношения отражают реальное положение дел в экономике. Экономическое положение в стране может меняться, причем меняться кардинально, как это произошло в результате кризиса 17 августа 1998г. То, что было хорошо для банков вчера, может стать опасным или даже невыполнимым сегодня. Все это требует постоянной корректировки в критериях оценки надежности банков, в том числе и в нормативно закрепленных.

   Прежний вариант официальных критериев является попыткой пересадки западных банковских стандартов на российскую почву, в частности требований Базельского комитета. Вместе с тем, их сегодняшняя адекватность состоянию российской банковской системы представляется проблематичной.

   В этой связи важно отметить, что логические правила интеллектуальных экспертных систем напоминают нормативно закрепленные критерии. Это подводит к мысли о возможности их использования в нормативотворческой работе, по крайней мере на этапе определения общих принципов и показателей выводов. Особенно полезным такой подход может оказаться при разработке норм пруденциального надзора, требующего особой аккуратности в выводах и адекватности реальной экономической ситуации. Здесь без эмпирических методов не обойтись. Причем временные затраты на проведение такого плана исследований сравнительно небольшие.

   Важным способом применения систем искусственного интеллекта может стать дополнение других статистических методов анализа банков. В частности, методика классификации банков на основе факторного анализа агрегированных балансовых отчетов и БКБР “экспресс-метод” при получении итогового заключения обоснованно используют большие предположения о вероятностной природе данных, что повышает точность их выводов, по крайней мере для типичных банков. Вместе с тем их недостатком является слабое экономическое объяснение тех или иных классификаций. Система искусственного интеллекта может помочь избавиться от этих проблем, сопоставив каждой итоговой оценке “основных” методик логические объяснения с указанием существенных недостатков и достоинств в работе банков.

    

4. Показатели качества методики