Нейрокомпьютинг и его применения в экономике и бизнесе


Рейтинг корпоративных облигаций - часть 3


Несмотря на наличие неформальной компоненты, представляется вероятным, что алгоритмическая составляющая этих рейтингов довольно велика. В конце концов, общая численность аналитиков в обоих ведущих агентствах вместе взятых не превышает 100 человек. Так что справиться с обработкой постоянно обновляемых данных о 2000 эмитентах они могут лишь используя в основном автоматизированные процедуры.

Попытки смоделировать алгоритм рейтингования облигаций предпринимались с 60-х годов (Horrigan, 1966) и базировались на методе линейной регрессии. Типичный процент угадывания рейтинга в этих моделях составляет примерно 60%. Поскольку возможности нелинейного нейросетевого моделирования шире, неудивительно, что первые же попытки применить нейросети показали существенно лучшие результаты - на уровне 88% для воспроизведения отдельной градации рейтинга (Dutta, Shekhar,

1988). 2)

Более сложные нейросетевые модели способны с приемлемой точностью воспроизводить широкий диапазон рейтингов облигаций по набору ключевых финансовых индикаторов фирм-имитентов. Например, в работе (Moody, Utans, 1993) 97% предсказаний нейросети расходятся не более чем на один пункт с классификацией Standard & Poor's в интервале [AAA+AA, A, BBB, BB, B] .

Заметим, что несмотря на неплохие, в общем-то, результаты, подобные нейросетевые модели весьма компактны. В качестве входных переменных обычно используется от 6 до 10 финансовых индикаторов, являющихся отношением наиболее значимых статей балансов и отчетов о прибылях и убытках корпораций. Например, в последней из упомянутых выше работ первоначально использовались 10 финансовых индикаторов, отобранных аналитиками одного из крупных американских банков. Однако по результатам анализа чувствительности нейросетевых предсказаний к входным переменным два из этих индикаторов оказались незначимыми и не использовались в окончательной модели (8-3-1 персептрон с 3 нейронами на скрытом слое и 1 выходным линейным нейроном, дающим численный эквивалент рейтинга).Качество воспроизведения "тонких" градаций (с учетом субкатегорий, например AA+, AA-) рейтинга агентства Standard & Poor's, достигнутое этой моделью, иллюстрирует рисунок 10.1.

Воспроизведение 15-ти градаций рейтинга Standard & Poor's (штриховая линия) в работе (Moody, Utans, 1993)

Рис. 10.1.  Воспроизведение 15-ти градаций рейтинга Standard & Poor's (штриховая линия) в работе (Moody, Utans, 1993)




Начало  Назад  Вперед



Книжный магазин