В настоящее время развитие и успешное функционирование коммерческих банков невозможно представить без широкого и повсеместного внедрения передовых информационных технологий и средств современной вычислительной техники. Развитие систем компьютерной обработки, накопления и хранения информации создает новую, весьма обширную информационную базу, которая служит толчком к созданию новых, ранее неизвестных математических методов прогнозирования и принятия решений.

Обязательства по депозитам и остаткам на текущих счетах клиентов составляют львиную долю в структуре банковских обязательств. С учетом специфики украинских коммерческих банков (имеется ввиду чрезвычайно низкий уровень их интеграции на международные рынки денежных ресурсов), полностью обоснованным является вывод об определяющем влиянии именно этой группы обязательств на ликвидность банков. Таким образом, возможные стратегии управления ликвидностью должны быть основаны на качественном изучении именно этой категории банковских пассивов, и проблема прогнозирования предполагаемого остатка денежных средств на текущих и депозитных счетах занимает особое место в процессе управления ликвидностью банка. [21]

Владение более совершенными методами прогнозирования размеров условно постоянных остатков поможет банку более эффективно и рационально распределять свои усилия и средства на их привлечение, планировать использование этих средств в качестве стабильного ресурса для кредитования, вложения в ценные бумаги, получать значительную прибыль. Указанные факты требуют от банков поиска и использования наиболее точных и надежных подходов к прогнозированию потенциального остатка средств на текущих счетах клиентов для качественного управления своей ликвидностью. Прогнозирование является, кроме того, сложной экономико-математической задачей. Чтобы эффективно справляться с этой проблемой, банку необходим надежный методологический инструментарий по обработке соответствующей информации.

Ликвидность банка является одним из основных факторов, обуславливающих выбор управленческих решений по проведению финансовых операций и формированию уровня доходности банка. В большинстве случаев чем ниже ликвидность, тем, соответственно, выше уровень доходности банка, и наоборот. Однако возникает вопрос: как точно спрогнозировать ликвидность банка? Решение данной задачи достигается путем создания механизма, отслеживающего качество, срочность, объемы активов и пассивов банка и соотношений между ними (мониторинг коэффициентов ликвидности). Смысл этого механизма в том, чтобы валютно-временная и качественная структура активов обеспечивала способность банка своевременно выполнять свои обязательства перед вкладчиками и кредиторами. [23]

Клиентская база банка разнообразна и состоит из большого количества физических и юридических лиц. Депозиты являются относительно дешевым источником банковских ресурсов, в связи с чем банкам они весьма выгодны. Однако эти средства очень непостоянны, и значительный их объем представляет угрозу ликвидности банка. Таким образом, проблема прогнозирования предполагаемого остатка денежных средств на текущих и депозитных счетах занимает особое место в процессе управления банковской ликвидностью.

Наличие возможностей (необходимой исторической статистической базы) и инструментов для прогнозирования остатков средств на депозитных и текущих счетах клиентов позволит банку более обоснованно планировать свою работу по их привлечению. В условиях повышающейся конкуренции и борьбы за клиентуру данные инструменты позволят банку более рационально и эффективно распределять свои усилия и средства на их привлечение. Известно, что для долгосрочных операций не всегда необходима долгосрочная ресурсная база, а их осуществление возможно и при наличии пусть и краткосрочной, но более стабильной ресурсной базы. В стабильной ресурсной базе скрыт неиспользуемый потенциал получения дополнительных доходов, поддержания достаточной ликвидности и осуществления долгосрочных вложений. Именно стабильная ресурсная база создает необходимые условия для сохранения конкурентоспособности и обеспечения выживаемости отдельно взятого банка в долгосрочной перспективе.

Владение более совершенными методами анализа и прогнозирования остатков на депозитных счетах клиентов поможет банку более эффективно и рационально распределять свои усилия и средства на их привлечение, а так же планировать использование этих средств в качестве стабильного ресурса для кредитования (в том числе межбанковских кредитов), вложения в ценные бумаги и т.д. Указанные факты требуют от банков поиска и использования наиболее точных и надежных подходов к прогнозированию потенциального остатка средств на текущих счетах клиентов для качественного управления своей ликвидностью.

Прогнозирование размеров условно постоянных остатков является не только важным элементом процесса оценки ликвидности банка, но и сложной экономико-математической задачей. Для того, чтобы эффективно справляться с этой проблемой, банку необходим надежный методологический инструментарий по обработке соответствующей информации.

Эффективное управление ресурсами является важной задачей для любого банка, а своевременное и точное определение величины средств, приравниваемых к собственным, позволит банкам рационально использовать этот наиболее дешевый источник привлеченных средств и получать значительную прибыль.[32]

В данной работе производится анализ существующих и выбор наиболее подходящего метода для прогнозирования сумм остатков на текущих и депозитных счетах клиентов банка.

Сегодня вопросы моделирования и оценки банковских показателей на будущий отрезок времени становятся особенно актуальными. Для разрабатываемой оригинальной программной системы прогнозирования остатков на текущих и депозитных счетах клиентов по сравнению с иными видами временных рядов необходимо обосновать и выбрать метод прогнозирования.

Рассмотрим постановку задачи. Наблюдаются величины Y=Y(t) средних остатков на счетах клиентов в дискретные моменты времени t_i= t₀+iΔt, i=1...T , где t₀ - некоторый начальный момент времени, Δt - промежуток времени между наблюдениями, Т - горизонт прогнозирования. Задача прогнозирования заключается в том, чтобы по его известному участку оценить будущие значения величины Y.

Основными целями осуществления планирования и прогнозирования остатков на депозитных и текущих счетах клиентов являются:

• планирование работы по привлечению этого вида ресурсов, более рациональное и эффективное распределение усилий и средств банка на их привлечение;

• планирование использования этих средств в качестве стабильного ресурса для кредитования (в том числе межбанковских кредитов), вложения в ценные бумаги и т.д.;

• формирование значений для депозитного бюджетного портфеля банка на расчетный период и достижение намеченных стратегических целей;

• оценка экономических и финансовых перспектив, а также предполагаемого финансового состояния Банка на планируемый период;

• формирование на этой основе обоснованных выводов и рекомендаций относительно выбора рациональной стратегии и тактики действий высшего руководства Банка.

При прогнозировании остатков на текущих и депозитных счетах клиентов могут быть использованы многие методы, обзор которых будет представлен в данной раюоте. Естественно, возникает вопрос об оптимальном методе прогнозирования в данной ситуации. Необходимо отметить, что мерой качества прогноза может служить коэффициент, характеризующий отношение числа подтвердившихся прогнозов к общему числу сделанных прогнозов. Очень важно осуществлять расчет этого коэффициента не по окончании прогнозируемого срока, а при составлении самого прогноза. Для этого можно использовать метод инверсной верификации путем ретроспективного прогнозирования. Это означает, что правильность прогнозной модели проверяется ее способностью воспроизводить фактические данные в прошлом. Других формальных критериев, знание которых позволило бы априорно заявить об аппроксимирующей способности прогнозной модели, не существует.

Предполагаемая научная новизна состоит в используемом методе прогнозирования. В качестве основного метода планирования и прогнозирования остатков по депозитным и текущим счетам я считаю целесообразным использование компонентного и регрессионного анализа временных рядов через коэффициенты роста “методом сезонных колебаний”, в котором в качестве базы прогнозирования используется технический анализ в сочетании с экстраполяционными и адаптивными методами прогнозирования, а также методом сезонных колебаний. Для повышения объективности прогнозирования используются технические индикаторы, представляющие собой математические модели анализа временных рядов различного уровня сложности (индикаторы тренда; осцилляторы). Разумеется, существуют методы прогноза, основанные на использовании более изощренных математических теорий. Но они не нашли своего широкого применения, и не в силу трудности понимания, а потому, что не дали на практике заметного выигрыша по сравнению со значительно более простыми и ставшими уже традиционными методами. Очень многие практики утверждают, что основа успеха - в четком и правильном использовании немногих простых методов, а усложнение прогноза ведет к ложной уверенности и, в результате, к убыткам. Выбранная методика позволит объединить достоинства всех входящих в неё методов и построить наиболее точную и эффективную прогнозную модель с наименьшей ошибкой прогноза данных.

• исследование и систематизация теоретических сведений, касающихся вопросов прогнозирования финансовых временных рядов;

• отбор и анализ наиболее популярных методов прогнозирования;

• исследование современных методов прогнозирования, основанных на нейронных сетях;

• исследование существующего программного пакета Statistica;

• практическая значимость работы заключается в разработке программы, осуществляющей прогноз суммы остатка на текущих и депозитных счетах клиентов банка с помощью статистических методов прогнозирования.

Метод экстраполяции на основе кривых роста

Основная цель создания трендовых моделей экономической динамики — на их основе сделать прогноз о развитии изучаемого процесса на предстоящий промежуток времени. Прогнозирование на основе временого ряда экономических показателей относится к одномерным методам прогнозирования, базирующимся на экстраполяции, т.е. на продлении на будущее тенденции, наблюдавшейся в прошлом. При таком подходе предполагается, что прогнозируемый показатель формируется под воздействием большого количества факторов, выделить которые либо невозможно, либо по которым отсутствует информация. В этом случае ход изменения данного показателя связывают не с факторами, а с течением времени, что проявляется в образовании одномерных временных рядов. [13]

Прогноз на основании трендовых моделей (кривых роста) содержит два элемента: точечный и интервальный прогнозы.

При экстраполяционном прогнозировании экономической динамики с использованием трендовых моделей весьма важным является заключительный этап — верификация прогноза. Верификация прогнозной модели представляет собой совокупность критериев, способов и процедур, позволяющих на основе многостороннего анализа оценивать качество получаемого прогноза.

На практике не всегда удается сразу построить достаточно хорошую модель прогнозирования, поэтому описанные этапы построения трендовых моделей экономической динамики выполняются неоднократно.

Для оценки прогнозных свойств модели целесообразно использовать ретроспективный прогноз. Более подробное описание метода можно посмотреть в библиотеке

Адаптивные методы прогнозирования

Адаптивные модели прогнозирования — это модели дисконтирования данных, способные быстро приспосабливать свою структуру и параметры к изменению условий.

При оценке параметров адаптивных моделей наблюдениям (уровням ряда) присваиваются различные веса в зависимости от того, насколько сильным признается их влия¬ние на текущий уровень. Это позволяет учитывать изме¬нения в тенденции, а также любые колебания, в которых прослеживается закономерность. [10] Все адаптивные модели базируются на двух схемах:

• скользящего среднего (СС-модели)

• авторегрессии (АР-модели)

Общая схема построения адаптивных моделей может быть представлена следующим образом. По нескольким первым уровням ряда оцениваются значения параметров модели. По имеющейся модели строится прогноз на один шаг вперед, причем его отклонение от фактических уровней ряда расценивается как ошибка прогнозирования, которая учитывается в соответствии с принятой схемой корректировки модели. Далее по модели со скорректированными параметрами рассчитывается прогнозная оценка на следующий момент времени и т.д. Таким образом, модель постоянно «впитывает» новую информацию и к концу периода обучения отра¬жает тенденцию развития процесса, существующую в данный момент.

Кусочное прогнозирование финансовых временных рядов

Идея подхода, основанного на кусочном моделировании временного ряда состоит в следующем. Исследования показывают, что один и тот же предиктор (Предиктор №1) с разной точностью моделирует разные участки временного ряда. В то время как существует другой предиктор (Предиктор №2), который на одних участках временного ряда предсказывает лучше, чем Предиктор №1, а на других — хуже (или также). Так можно задать целый набор предикторов, которые будут иметь свои особенности. Для прогнозирования выбирается тот предиктор, который лучше остальных спрогнозировал некоторый участок временного ряда. (Чаще всего он состоит из последних нескольких значений этого ряда.) При правильной настройке такой системы можно добиться лучшего качества прогнозирования по сравнению с каждым предиктором из заданного набора в отдельности.[18]

Две основные проблемы, которые необходимо решить при кусочном моделировании, заключаются в определении набора предикторов и правила выбора одного из них для прогнозирования некоторого участка временного ряда. Обычно эти проблемы для реальных временных рядов решаются эмпирически, но можно предложить некоторые приемы. Более подробное описание метода можно посмотреть в библиотеке.

Методы прогнозирования, основанные на нейронных сетях

Нейронные сети находят широкое применение в банковской практике. Общеизвестно, что нейросети хорошо справляются с двумя типами задач: с задачами классификации и предсказания на временных рядах. Располагая историческими данными обо всех клиентах, можно натренировать нейросеть таким образом, что на ее входе будут показатели остатков на счетах, а на выходе — прогнозируемая сумма средств. Данные каждого вновь поступившего клиента обрабатываются с целью сбора информации и подаются на вход без перенастройки нейросети. Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой требований, предъявляемых банком к своим потенциальным вкладчикам. Хорошим может считаться прогноз, сбывшийся на 80—90%. [18]

Упрощая, технику применения нейронных сетей для прогнозов на рынке можно условно разбить на следующие этапы:

Технический анализ

Технический анализ (technical analysis) - один из самых мощных инструментов для прогнозирования состояния финансовых рынков. Он применяется для прогнозирования на основе информации, полученной за предыдущее время и изучает только состояния анализируемого процесса (колебаний), а не внешних факторов, влияющих на определенные значения.

Технический анализ - это общепринятый подход к изучению “рынка”, имеющий целью прогнозирование движения определенных показателей и предполагающий, что “рынок” обладает памятью, а потому на будущее движение анализируемых значений оказывают большое влияние наблюдаемые закономерности его прошлого поведения. Основные принципиальные предпосылки, на которых основан технический анализ включают следующие три постулата (теории Доу):

1. Движение рынка учитывает все.

2. Движение показателей подчинено тенденциям.

3. История повторяется.

Основная цель составления графиков динамики показателей и заключается в том, чтобы выявлять тенденции на ранних стадиях их развития в соответствии с их направлением. Тенденция действует до тех пор, пока не подаст явных сигналов о том, что она изменилась. Это положение, по сути дела, лежит в основе аналитического метода следования за тенденцией.

Оно означает, что тенденция, начавшая движение, будет стремиться его продолжать. Но анализ уровней поддержки и сопротивления, временных моделей, линии тренда, скользящих средних значений - все это, в числе прочих технических инструментов, позволяют определить наметившийся перелом.

Самым важными инструментами технического анализа, точно определяющими моменты переломов, являются индикаторы: скользящие средние и осцилляторы.

Компонентный и регрессионный анализ временных рядов через коэффициенты роста “методом сезонных колебаний”

Основная цель составления графиков динамики показателей и заключается в том, чтобы выявлять тенденции на ранних стадиях их развития в соответствии с их направлением. Тенденция действует до тех пор, пока не подаст явных сигналов о том, что она изменилась. Это положение, по сути дела, лежит в основе аналитического метода следования за тенденцией. Оно означает, что тенденция, начавшая движение, будет стремиться его продолжать. Но анализ уровней поддержки и сопротивления, временных моделей, линии тренда, скользящих средних значений - все это, в числе прочих технических инструментов, позволяют определить наметившийся перелом.

В данной методике при исследовании экономического временного ряда будем анализировать влияние сезонных колебаний. Понятие “сезон” в настоящей методике применим к циклам в один год. Кроме того, цикл колебаний может существенно отличаться (как в большую, так и в меньшую сторону) от величины один год. Определив величину цикла этих колебаний, такой временной ряд можно использовать для прогнозирования с использованием аддитивных и мультипликативных моделей. В настоящей методике, при исследовании экономического временного ряда модель прогнозирования принимается в виде аддитивной формулы с учетом нескольких составляющих:

Y_t=T_t+S_t+C_t+E_t+Q_t, где

Y_t – прогнозируемое значение;

T_t – тренд, плавно меняющаяся компонента, описывающая чистое влияние долговременных факторов, т.е. длительную тенденцию изменения признака;

S_t – сезонная компонента, отражающая повторяемость экономических процессов в течение не очень длительного периода (года, месяца, недели и т.д.);

C_t – циклическая компонента, отражающая повторяемость экономических процессов в течение длительных периодов (для прогнозирования более 1 года). Учитывая, что банковская система на Украине только проходит этап становления, то в целях достоверности данных компонент цикличности мы не будем принимать во внимание;

E_t – ошибка прогноза, отражает величину ошибки между фактическим данными и значениями модели;

Q_t – случайная компонента, отражающая влияние не поддающихся учету и регистрации случайных факторов.

В отличие от Q_t первые четыре составляющие (компоненты) являются закономерными, т.е. неслучайными.

Важнейшей классической задачей при исследовании экономических временных рядов является выявление и статистическая оценка основной тенденции развития изучаемого процесса и отклонений от нее с целью последующего планирования и прогнозирования расчетных данных.

Основные этапы анализа временного ряда при прогнозировании:

Направлением дальнейших исследований является:

• дальнейшее исследование литературы по вопросам, связанным с темой магистерской работы;

• разработка на основе выбранного метода модели прогнозирования остатков денежных средств на текущих и депозитных счетах клиентов банка;

• проверка правильности прогнозной модели на основе инверсной верификации путем ретроспективного прогнозирования, т.е. способности воспроизводить фактические данные в прошлом, для чего предполагается использовать реальную динамику остатков денежных средств на счетах клиентов, и на основании неё прогнозировать суммы остатков средств, на период, в котором известны фактические данные;

• выбор инструментальных средств разработки программного обеспечения;

• программная реализация разработанной модели прогнозирования.

В процессе выполнения НИРС были изучены основные методы, применяющиеся в прогнозировании остатков на текущих и депозитных счетах клиентов. В качестве основного метода планирования и прогнозирования остатков я считаю целесообразным использование компонентного и регрессионного анализа временных рядов через коэффициенты роста “методом сезонных колебаний”, в котором в качестве базы прогнозирования используется технический анализ в сочетании с экстраполяционными и адаптивными методами прогнозирования, а также методом сезонных колебаний. Для повышения объективности прогнозирования используются технические индикаторы, представляющие собой математические модели анализа временных рядов различного уровня сложности (индикаторы тренда, осцилляторы). Разумеется, существуют методы прогноза, основанные на использовании более изощренных математических теорий, однако они не нашли своего широкого применения, и не в силу трудности понимания, а потому, что не дали на практике заметного выигрыша по сравнению со значительно более простыми и ставшими уже традиционными методами. Очень многие практики утверждают, что основа успеха - в четком и правильном использовании немногих простых методов, а усложнение прогноза ведет к ложной уверенности и, в результате, к убыткам.

Выбранная методика позволит объединить достоинства всех входящих в неё методов и построить наиболее точную и эффективную прогнозную модель с наименьшей ошибкой прогноза данных.

Направлением дальнейшей работы является составление алгоритма метода прогнозирования остатков на текущих и депозитных счетах клиентов банка и его реализация.

Примечание:
данный автореферат не является окончательной версией автореферата магистерской работы, т.к. завершение исследований по теме магистерского проекта планируется до 31.12.2006. За окончательной версией диссертации обращайтесь, пожалуйста, к автору: Elena-MT07@yandex.ru