Не отобразилась форма расчета стоимости? Переходи по ссылке

Не отобразилась форма расчета стоимости? Переходи по ссылке

Курсовая работа на тему «Моделирование отзыва лицензии у банка»

Анализ и оценка финансового состояния любой коммерческой организации являются важными и необходимыми с точки зрения кредиторов и собственников бизнеса, однако единичные дефолты основной массы некредитных организаций (исключая естественные монополии) не могу оказать существенного влияния на экономику страны, и повлекут за собой потери лишь для небольшой группы инвесторов и кредиторов.

Курсовая работа с гарантией

Содержание

Введение

1. Отзыв лицензий у коммерческих банков

1.1 Анализ финансовой устойчивости банков

1.2 Оценка финансового состояния в рамках рейтинговых систем

2. Построение модели отзыва лицензий у коммерческих банков

2.1 Выбор модели для построения

2.2 Построенные модели

Заключение

Список литературы

Приложение

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

Введение

Анализ и оценка финансового состояния любой коммерческой организации являются важными и необходимыми с точки зрения кредиторов и собственников бизнеса, однако единичные дефолты основной массы некредитных организаций (исключая естественные монополии) не могу оказать существенного влияния на экономику страны, и повлекут за собой потери лишь для небольшой группы инвесторов и кредиторов. Когда речь идет о кредитных организациях, эффект от их ликвидации (банкротства) оказывается гораздо более масштабным и наносит ущерб большему количеству экономических субъектов, ввиду того, что специфической особенностью деятельности банков является их финансирование главным образом за счет заемных и привлеченных средств. Дефолт отдельного банка может повлечь за собой дефолт и существенные проблемы для его клиентов и вкладчиков, в том числе других кредитных организаций, что в свою очередь оказывает негативное воздействие на их кредиторов. В случае, если речь идет о крупном коммерческом банке, последующая цепная реакция банкротств может быть особенно значительной.

Таким образом, необходимость своевременной и точной оценки финансовой устойчивости коммерческих банков обусловлена высокой системной значимостью кредитных организаций для экономики страны.

Само понятие финансовой устойчивости можно определить, как способность кредитной организации абсорбировать принятые риски без ущерба для ее текущей деятельности. В условиях финансового экономического кризиса, когда риски начинают реализовываться более быстрыми темпами, проблема обеспечения устойчивости банковской системы и ее отдельных элементов обостряется.

Кризис в банковском секторе может проявляться по-разному, охватывая различное число кредитных организаций, а также иметь под собой различные причины. Как правило, банковский кризис напрямую связан с общеэкономической ситуацией в стране и проявляется в периоды сокращения ВПП и роста инфляции, после периода бурного роста. Банковские кризисы 2008-2009 и 2014-2015 годов являются подтверждением указанной тенденции, основными причинами которых можно назвать: сокращение кредитных ресурсов, получаемых из-за рубежа, разрушение доверия между банками и клиентами, как результат сокращение операций на денежном рынке и отток ресурсов.

1.       Отзыв лицензий у коммерческих банков

Потеря банками финансовой устойчивости, как правило, вызвана реализацией и неспособностью нивелировать потери по двум основным видам рисков — кредитному и риску ликвидности. Когда речь идет о кризисе ликвидности, обычно, подразумевается краткосрочный временной отрезок, по результатам которого кредитная организация либо находит источники ресурсов, либо не справляется со своими обязательствами, оттоком средств клиентов и в дальнейшем лишается лицензии (или попадает под меры финансового оздоровления). Реализация кредитного риска в основном носит более долгосрочный характер, постепенно снижается качество активов банков и в конечном итоге кредитная организация оказывается не в состоянии дальше покрывать их за счет собственных средств, норматив достаточности капитала снижается ниже установленного уровня и у кредитной организации отзывается лицензия.

В последние годы количество случаев отзыва банковских лицензий резко увеличилось, данные о количестве отзывов представлены на рисунке 1.

С 2010 по 2015 год 278 кредитных организаций лишились права осуществлять банковскую деятельность, в 2014 году было отозвано 86 банковских лицензий, что на 140% (или на 53 отозванных лицензий) больше, чем в предыдущем 2013 году. За 2015 год 93 банка лишились лицензий, этот год стал рекордным по данному показателю.

При отзыве лицензий ЦБ РФ руководствуется исчерпывающим перечнем оснований, по которым он может или обязан отозвать лицензию на осуществление банковских операций (статья 20 ФЗ «О банках и банковской деятельности»). Перечень основных причин, по которым были случаи отзывов лицензий в период с 2010 по 2015 годы представлен в таблице Приложения 1.

Рисунок 1. Темпы отзыва лицензий в банковском секторе РФ за 2010-2015 годы

На протяжении всего анализируемого периода основная часть отзывов лицензий (91% в 2015 году) была осуществлена по причине «Неисполнение федеральных законов, регулирующих банковскую деятельность, и нормативных актов Банка России». Данная причина представляет собой достаточно широкий перечень возможных нарушений, в том числе вложения в высокорискованные активы, недосоздание резервов в необходимом объеме, нарушения правил ведения бухгалтерской учета и так далее.

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

При отзыве лицензий нарушение банковского законодательства в большинстве случаев сочеталось с другими основаниями, в частности в 34% случаях в 2015 году присутствовала причина нарушения 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем».

Еще одним частым основанием, по которым отзываются лицензии является неспособность удовлетворить требования кредиторов в течение 14 дней. По данной причине в 2015 году было отозвано 13% всех лицензий, в 2014 году 30%. Неисполнение требований кредиторов является основанием отзыва банковской лицензии, если банк, к которому предъявлено данное требование, не исполнил его в двухнедельный срок. Как правило, банки, финансовое положение которых было неустойчивым, начинают испытывать проблемы с ликвидностью, и удовлетворение требований кредиторов (в том числе вкладчиков) становится невозможным. Усугубляет ситуацию информационный фон, когда начинается паническое извлечение ресурсов из кредитной организации. В таких условиях даже относительно устойчивая кредитная организация не сможет справиться с потоком требований, однако при наличии других текущих проблем такой отток средств становится гибельным для банка.

В среднем в 20% случаев отзывов лицензий с 2010 по 2015 год основанием становилось снижение размера собственных средств ниже минимального значения на дату регистрации. Во всех случаях снижение показателя достаточности сочеталось с несоответствием размера собственных средств минимальному значению уставного капитала. В 12% случаев в 2015 году причиной отзыва лицензии становилось установление факта существенной недостоверности отчетности либо нарушение сроков её представления.

Так или иначе, причиной отзыва у коммерческого банка лицензии является потеря им финансовой устойчивости, которая находит проявление в тех или иных нарушениях, ведущих к отзыву лицензии. Организации, регулирующие деятельность кредитных организаций, как за рубежом, так и в России, заинтересованы в как можно более раннем обнаружении проблем в деятельности коммерческих банков. Это позволит регуляторам в дальнейшем применить различные инструменты стабилизации финансового состояния и минимизировать потери в случае дефолта.

Во всем мире, организации, регулирующие деятельность коммерческих банков страны, осуществляют оценку финансового положения кредитных организаций с использованием различных способов и моделей, которые по способу получения информации принято разделять на две категории:

·        методы, применяющие дистанционный анализ;

·        осуществление проверок непосредственно в самой кредитной организации.

На практике большинство регуляторов используют и те, и другие способы получения информации с разной периодичностью, определяя уровень финансовой устойчивости и вероятность дефолта при помощи рейтинговых систем и математических моделей.

Исходя из их основной концепции, большое количество существующих методик оценки финансовой устойчивости коммерческих банков регуляторами, можно разделить на следующие группы:

·        рейтинговые система оценки (PATROL, ORAP, CAMEL), по которым рассчитывает интегральный показатель финансовой устойчивости кредитной организации;

·        комплексные системы оценки банковских рисков (RATE, RAST), ориентированные на всестороннюю оценку банковских рисков;

·        системы коэффициентного анализа (BAKIS);

·        системы раннего предупреждения (EWS) или статистические модели, основанные на применении эконометрических моделей для оценки вероятности дефолта в будущем.

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

1.1 Анализ финансовой устойчивости банков

В целях оценки финансовой устойчивости и актуального анализа финансового положения коммерческих банков Банком России, все кредитные организации на основании соответствующих нормативных актов обязаны составлять и предоставлять отчетность в ЦБ РФ на регулярной основе. Основными формами отчетности, применяемыми для анализа финансовой устойчивости, является оборотно-сальдовая ведомость по счетам бухгалтерского учета (0409101), отчет о финансовых результатах (0409102), сведения о собственных средствах банка (0409134), информация об обязательных нормативах (0409135). Данные формы отчетности подлежат раскрытию, и публикуются на сайте Банка России. Кроме того, существует большое количество иных отчетных форм, не раскрываемым кредитными организациями. Они содержат сведения о крупных кредитах, качестве активов, концентрации риска, ценных бумагах и так далее. Также следует упомянуть, что согласно Письму Банка России №69-Т «О неотложных мерах оперативного надзорного реагирования», кредитные организации, у которых обнаружены признаки ухудшения финансового положения, обязаны сдавать отчетность по формам 101, 134, 135 на ежедневной основе (обычно на ежемесячной).

Вся предоставляемая отчетность служит основой анализа финансового положения кредитных организаций и позволяет своевременно выявить наметившиеся негативные тенденции. С точки зрения оценки финансовой устойчивости важнейшей отчетной формой является форма 135, в которой раскрывается информация об обязательных нормативах кредитной организации в соответствии с Инструкцией Банка России 139-И. Согласно данной инструкции Банком России устанавливаются предельно допустимые значений ликвидности (абсолютной, текущей и долгосрочной), кредитного риска (крупного кредитного риска, кредитного риска на акционеров, инсайдеров, группу связанных лиц), и достаточности капитала. Требования к порядку расчета указанных показателей жестко регламентируются Центральным Банком и соответствуют рекомендациям Базельского комитета по банковскому надзору.

Базельский комитет по банковскому надзору определяет общие стандарты и подходы к регулированию деятельности кредитных организаций надзорными органами. Первый пакет стандартов регулирования банковской деятельности (Базель I) был введен еще в 1988 году, второй пакет стандартов (Базель I I) был принят в 2004 году с целью повышения уровня надежности и прозрачности банковской системы. Согласно Базелю I были введены требования к расчету достаточности капитала с учетом качества активов, достаточность капитала первого (основного) и второго уровня (дополнительного). Базелем II была введена новая, более чувствительная, система оценки рисков при расчете достаточности капитала, которая предполагает использование внутренних кредитных рейтингов банков — IRB подход.

Третий компонент (Базель III), ужесточающий требования к кредитным организациям, был принят в 2010 году, после международного банковского кризиса 2007 года, выявившего серьезные проблемы в банковском регулировании. Основное содержание документа сводится к ужесточению требования к размеру капитала и созданию специальных буферов для поддержания достаточности капитала в случае системного экономического спада. Также были изменены требования к расчету коэффициентов ликвидности.

В России внедрение компонентов Базель III началось с 1 января 2014 года (расчет Н1.1 и Н1.2), к 2019 году ожидается полный переход банковской системы РФ на нормативы данного документа. Вместе с тем переход на Базель II к настоящему моменту еще не закончен, система внутренних рейтингов определения вероятности дефолта находятся в стадии внедрения.

Рекомендации Базельского комитета по надзору в первую очередь служат цели повышения финансовой устойчивости банковской системы и предотвращению банкротств кредитных организаций. В то же время ужесточение требований выявляет банки, неспособные соответствовать, новым требованиям, и способствует росту концентрации активов банковских систем России и других государств. Нарушение отдельно взятым банком пруденциальных требований (особенно нормативов достаточности и ликвидности) явно свидетельствует о наличии проблем в его финансовом положении и повышает вероятность дефолта. Однако, как правило, указанные нарушения не могу своевременно сигнализировать о тенденциях ухудшении финансового положения банка, и свидетельствуют уже о фактических проблемах, которые зачастую трудно обратимы. Именно поэтому регуляторами и потенциальными инвесторами применяются различные группы методик оценки финансовой устойчивости, упомянутые выше. Далее рассмотрим каждую из групп, выявив основные характерные черты и отличия, подробнее.

1.2 Оценка финансового состояния в рамках рейтинговых систем
CAMELS

Рейтинговые системы строятся на расчёте интегрального итогового показателя, на основании которого оценивается уровень финансовой устойчивости кредитной организации. Рейтинговая система CAMELS  — одна из самых популярных систем оценки финансовой устойчивости, используемая в большом количестве стран. Система CAMELS существует с 1979 г. и используется в США как основная система банковского надзора. Рейтинг CAMELS используется только для внутренних целей, и не публикуется в открытых источниках, чтобы не вызвать оттока капитала из, имеющих худшие показатели.

Аббревиатура CAMELS представляет собой сочетание первых букв основных анализируемых компонентов финансовой устойчивости и расшифровывается следующим образом:

·        C — capital adequacy — достаточность капитала;

·        A — asset quality — качество активов;

·        M — management — качество управления;

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

·        E — earnings — доходность (прибыльность);

·        L — liquidity — ликвидность;

·        S — sensitivity to risk — чувствительность к риску;

По результатам оценки каждого из приведенных элементов рассчитывается комплексная оценка надежности банка по пятибалльной шкале.

OKAP и прочие рейтинговые системы

Рейтинговая система ОКАР (используется во Франции) в отличие от CAMELS применяет более широкий спектр исходной информации — базы данных Банковской комиссии и Банка Франции, результаты инспекционных проверок, отчеты внешних аудиторов, других органов надзора, а также информацию, доступную в рамках двусторонних соглашений с надзорными органами других европейских стран. Система оценивает 14 компонентов финансовой устойчивости, в том числе индикаторы, связанные с пруденциальными нормами, индикаторы качества активов, компоненты, связанные с рыночным риском, доходностью и качественные компоненты. Каждый компонент получает рейтинг по шкале от 1 до 5 и затем с помощью весовых коэффициентов трансформируется в сводное рейтинговое значение, при этом каждый компонент и его вес могут быть подвергнут корректировке со стороны специалистов надзорных органов.

Рейтинговая система PATROL используется в Италии. При анализе рассчитывают пять компонентов: достаточность капитала, прибыльность, качество кредитов, организация, ликвидность.

Основное отличие систем PATROL от CAMELS в том, что при расчете рейтинга учитываются не только показатели головной кредитной организации, но и дочерних компаний.

Оценка финансовой устойчивости коммерческих банков рейтинговым методом проводится также рядом российских организаций и международных рейтинговых агентств (Эксперт РА, РБК, Рус-Рейтинг, НАУФОР, S&P, Fitch и другими). Большинство систем применяют большое количество различных показателей, которые формируются в интегральный показатель устойчивости по средствам применения различных весов для разных коэффициентов. Главное проблемой является достоверное определение этих весов, которые кардинальным образом влияют на итоговые результаты. По моему мнению веса должны быть, как минимум, различными для разных групп кредитных организаций в зависимости от размера, основных видов деятельности и так далее.

Комплексные системы

Комплексные системы банковских рисков используют принципиально иной подход оценки банковской устойчивости, в отличие от рейтинговых. Данные методики предполагают разбивку кредитной организации или банковской группы на отдельные бизнес-единицы, и последующую оценку рисков по каждой выделенной бизнес-единице.

Система RATE является примером такой системы, применяется Банком Англии для оценки финансовой устойчивости кредитных организаций страны с 1997 года, включает 3 взаимосвязанных блока: оценку риска, инструменты надзора и оценку эффективности применения инструментов надзора. В рамках данной системы в первую очередь определяются значимые бизнес-единицы, являющиеся источников возникновения рисков. После чего осуществляется сбор внутренней и внешней информации, проводятся встречи с руководителями. В результате проводится детальная оценка рисков на основе количественной и качественной оценки, разрабатывается надзорная программа. Оценка текущих рисков дополняется оценками возможных изменений на следующий период с учетом прогноза экономической конъюнктуры.

Похожая система оценки финансовой устойчивости банков применяется в Нидерландах — система RAST. Система включает в себя первичный общий финансовый анализ по отчетным данным, выделение крупных подразделений и основных видов деятельности, оценку рисков по выделенным единицам анализа и агрегирование расчётных показателей. Согласно данной методике выделяется десять видов рисков: кредитный, риск потери ликвидности, риск процентных ставок, ценовой риск, риск обменных операций, операционный риск, информационный риск, риск стратегии, законодательный риск, риск потери репутации и три категории контроля за рисками — внутренний контроль, организационный фактор, менеджмент.

Системы коэффициентного анализа основываются в первой очереди на анализе финансовых показателей деятельности кредитной организации. В качестве исходной информации может использоваться официальная отчетность. Подобные методики позволяют оценить различные коэффициенты в динамике, а также сравнить со средними показателями группы банков.

Примером такой системы является BAKIS, применяемая в Германии. Данная методика предполагает расчет 47 показателей, связанных с риском и доходностью (19 показателей оценки кредитного риска, 16 показателей оценки рыночного риска, 2 показателя оценки ликвидности, 10 показателей оценки рентабельности). Все показатели считаются равнозначимыми, коэффициенты рассчитываются на ежедневной основе.

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

Статистические модели оценки финансовой устойчивости в наибольшей степени отличаются от других систем, рассмотренных выше. Основой таких моделей является выявление рисков, которые могут привести к неблагоприятным последствиям в будущем, а не на оценку текущего состояния. Суть модели в установке статистических зависимостей между отдельными параметрами банковской деятельности и банковской системы в целом. На основании выявленных статистических моделей предсказывается, как отдельные факторы отразятся на финансовой устойчивости кредитной организации. Выделяют статистические модели ожидаемых потерь, прогнозы неплатежеспособности, изменения рейтинга и так далее.

Примерами таких систем являются система FIMS и SAABA. Согласно методике, FIMS оценка финансовой устойчивости состоит из двух этапов. На первом этапе рассчитывается более 30-ти коэффициентов и оценивается текущее состояние банка. На втором этапе проводится долгосрочная оценка прогнозируемого состояния банка, в основе которой лежит определение вероятности провала банка на протяжении последующих двух лет.

Система SAABA состоит из трех этапов. Первый — количественный анализа кредитного портфеля банка с расчетом вероятности невозвращения различных типов кредитов. Второй этап — исследование качества владельцев акций банка и уровня поддержки. И наконец, третий этап на основе рейтинговых данных, результатов исследований на местах и сведений по рынкам диагностирует качество управления банком, внутренний контроль и ликвидность. Используя всю полученную информацию, вырабатывается синтетический диагноз банка и дается оценка его надежности (по пятибалльной шкале).

Сравнение систем оценки банков

Каждая из описанных методик оценки финансовой устойчивости кредитных организаций имеет свои плюсы и минусы, которые представлены в таблице1.

Таблица 1. Преимущества и недостатки действующих систем оценки финансовой устойчивости

 

По таблице видно, что чем более комплексно методика оценивает степень финансовой устойчивости, тем более она трудоемка. Кроме того, методики, предполагающие оценку качественных характеристик и весовые коэффициенты, всегда предполагают некоторый субъективизм. Также сложно объективно спрогнозировать финансовую устойчивость на будущее, которое всегда характеризуется неопределенностью. Именно поэтому, не смотря на развитие технологий, все указанные методики находят свое применение в различных обстоятельствах — в зависимости от цели, наличию информации применяется та или иная система.

Оценка финансовой устойчивости в РФ

Оценка финансовой устойчивости в современной российской практике проводится в соответствии с Указаниями Банка России 2005-У и 3277-У. В качестве основных критериев оценки выделяются:

·        — финансовое положение кредитной организации (доходность, ликвидность, качество активов и капитала);

·        — соблюдение пруденциальных нормативов, рыночного риска и риска концентрации;

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

·        — качество управления и прозрачность структуры собственности.

Оценка экономического положения банков согласно 2005-У осуществляется путем отнесения банка к одной из классификационных групп (подгрупп), представленных на рисунке 2.

Критерии отнесения кредитных организаций в группы представлены в Приложении 2. Банк относится в группу при наличии хотя бы одного из критериев соответствующих данной группе или ниже.

Рисунок 2. Классификация банков согласно 2005-У

Для целей признания устойчивости кредитной организации достаточной для участия в системе страхования вкладов Банком России проводится оценка финансовой устойчивости в соответствии с 3277-У. Оценка проводится по тем же критериям с теми же условиями расчёта, что и в предыдущем нормативно-правовом акте, с той лишь разницей, что не производится группировка кредитных организаций. Для признания финансовой устойчивости достаточной интегральный коэффициент по каждой группе показателей, должен подходить под критерий «удовлетворительно».

По большей части состав показателей для оценки финансовой устойчивости соответствует мировой практике, принципы Банка России близки к системе оценки финансовой устойчивости банков CAMELS. Достоинство системы, то что методика не является статичной и постоянно обновляется и актуализируется, так были добавлены новые критерии прозрачности системы собственности и управления рисками, организации службы внутреннего контроля. Кроме того, констатируется не только выполнение отдельных коэффициентов, но и определяется обобщающий результат, характеризующий степень надежности банка в целом.

Однако система имеет и недостатки, присущие системе CAMELS, основным из которых является отсутствие учета динамики показателей. Кроме того, не предусмотрен расчет прогнозных показателей, включающий элементы стресс-тестирования, не исключен субъективный подход Банка России в оценке качественных показателей.

Рассмотрев различные подходы к оценке финансовой устойчивости кредитных организаций, можно подтвердить отсутствие идеальной модели оценки. На наш взгляд оптимальная система должна использовать точечный подход к оценке рисков банка, на основе выделения наиболее существенных сторон деятельности, в обязательном порядке оценивать динамику основных показателей и коэффициентов, а также применять прогнозирование с использованием сложных математических моделей. Все эти подходы целесообразно использовать не только при внешней оценке кредитной организации, но и внутри банка. Это позволит менеджменту и руководству получить достоверную информацию и вовремя скорректировать политику банка.

Международные рейтинги

Рейтинги международных и российских рейтинговых агентств занимают особое место в оценке финансовой устойчивости кредитных организаций, поскольку оценка проводится не регулятором, а независимой компанией, которой кредитная организация предоставляет доступ к внутренней информации. Итоговые рейтинги агентств являются публичной информацией и могу помочь независимым инвесторам и клиентам, не имеющим доступ к внутренней отчетности банка, получить информацию о состоянии кредитной организации.

Однако, учитывая, что каждый банк сам принимает решение о рейтинговании и соответственно платит за него, в основном лишь крупные банки имеют рейтинги. Кроме того, как показывает практика, рейтинговые действа зачастую опаздывают с понижением, либо отзывом рейтинга. Так было в ситуации с Внешпромбанком, когда Standard & Poor’s менее чем за год до отзыва лицензии подтвердили долгосрочный международный рейтинг Внешпромбанка на уровне «В+». Fitch в январе 2015 понизило рейтинг Внешпромбанка с ВВВ до ВВВ-, однако такие же рейтинговые действия были проведены в отношении Сбербанка и Газпромбанка, и были связаны не столько с финансовым положением самого банка, сколько со снижением рейтинга РФ.

Аналогичная ситуация с Пробизнесбанком, который в августе 2015 года лишился лицензии, и лишь за неделю до отзыва лицензии «Рус-Рейтинг» опустило рейтинг Пробизнесбанка с уровня ВВ+ до ССС. Рейтинг Moody’s Пробизнесбанка был пересмотрен в мае c Baa2 до Baa3, за два месяца до отзыва лицензии.

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

Таблица 4. Связь между понижением рейтингов и отзывом лицензии

В таблице 1 приведены даты отзыва лицензии и понижения рейтингов различными агентствами по нескольким банкам.

Данные приведенные в таблице подтверждают, что в большинстве своем рейтинги изменялись незадолго до отзыва лицензии. Исключением является лишь Банк Связной, о проблемах которого было известно достаточно давно.

Кроме того, из приведённых примеров видно, что, не смотря на снижение, рейтинги банков находились на приемлемом уровне, не предсказывая высокую угрозу дефолта.

Таким образом, снижение международных рейтингов банков, безусловно следует принимать во внимание при оценке финансовой устойчивости банка, но данный показатель не может является безусловным индикатором, ввиду ограниченного круга рейтингующихся банков и частых задержек рейтинговых действий во времени.

2.       Построение модели отзыва лицензий у коммерческих банков

Для модели были взяты данные с 2012 по 2016 года по квартально из открытых источников. Данные были собраны в панель, где каждый банк может быть идентифицирован по регистрационному номеру, названию, имеет год основания, статус участия в АСВ, статус наличия филиальной сети и дату отзыва лицензии/санации, если подобная происходила.

В число собранных в панель данных вошли:

·        Агрегированный баланс по методике ЦБ

·        Форма отчетности 135 — информация об обязательных нормативах

·        Форма отчетности 134 — расчет собственных средств

·        Форма отчетности 123 — расчет собственных средств «Базель III»

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

Всего из отчетности в модель входит 418 различных показателей. Как покажет дальнейший анализ, основная трудность в построении модели заключается в получении необходимых данных. Из всех показателей, наиболее информативными оказались:

·        Фонды

·        Всего активов очищенных

·        Всего пассивов очищенных

·        АСВ — участие в программе страхования вкладов

Целевой переменной являлось состояние банка в каждый момент времени. При использовании мною выбранных данных, далее в работе будет рассматриваться моделирование отзыва лицензии по следующим причинам:

·        если достаточность капитала кредитной организации становится ниже 2%;

·        если размер собственных средств меньше минимального значения уставного капитала, установленного на дату государственной регистрации (норма не применяется к кредитным организациям в течение первых двух лет со дня выдачи лицензии);

·        если кредитная организация неспособна удовлетворить требования кредиторов по денежным обязательствам или исполнить обязанность по исполнению платежей в течение 14 дней с даты наступления их срока. При этом указанные требования в совокупности должны составлять не менее тысячекратного размера минимального размера оплаты труда.

Так в отчетности ЦБ вряд ли будет содержаться информации по прочим причинам отзыва лицензии.

.1 Выбор модели для построения

Мною были построены две модели для анализа данных. Расчеты были выполнены на языке R. Для построения моделей были использованы пакеты REEM и rPart:

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

1.       CART (пакет rPart)- предполагает процедуру рекурсивного разбиения для решения задач классификации, регрессии и анализа выживаемости, основанных на идеях классической работы (Breiman, et al., 1984) ;

.         RE-EM -метод менее чувствителен к параметрическим предпосылкам и, как утверждают авторы (Sela, Simonoff, 2012), учитывает систематические различия между объектами, и обеспечивает более высокую прогностическую силу по сравнению с моделью rpart.

Далее я вкратце опишу алгоритм построения RE-EM модели так как она имеет ряд отличий от модели CART, которая часто встречается в обычных статистических пакетах.

Работа с панельными данными, где повторяющиеся наблюдения присущи одному объекту, во многом напоминает кластеризованные данные, когда наблюдения находятся внутри одного кластера. Методики анализа, которые учитывают подобную структуру исследуемых данных дают возможность выявить систематические отличия между объектами, которые нельзя приписать исследуемым признакам и автокорреляции внутри объектов во времени. Обычно для анализа таких данных используется модель со смешанными эффектами (mixed effect model), в которой отличия между объектами представлены случайными эффектами, оцениваемыми по исследуемым данным. В этой работе будет построена модель, сочетающая структуры моделей со смешанными эффектами и моделей оценки на основе решающих деревьев.

Одной из основных задач модели отзыва лицензий банков — предсказание подобного решения ЦБ. Ясно, что предсказание отзыва лицензии на спрогнозированных показателях, для банка должно строиться, учитывая историческую информацию, когда банк показывал себя хуже или лучше остальных некоторый период времени. Методы анализа, которые рассматривают состояние банка в каждый момент времени отдельно не подходят. Аналогично, предсказание отзыва лицензии для нового банка (например, не попавшего в выборку) о состоянии которого можно получить исторические данные должно строиться с учетом систематических эффектов в разрезе других банков.

Построение модели начинается с обобщенной модели со смешанными эффектами:

В этом случае полагаем ошибки независимыми по объектам и некоррелированными с эффектами . Дополнительное условия на структуру автокорреляции ошибок для конкретного объекта не накладываются. Если  известная функция, линейная по параметрам а  принимаются за фиксированные или потенциально коррелированные с признаками, тогда полученная модель — модель с фиксированными эффектами. При таких же условиях, но если  не фиксированы и не коррелированы с признаками — модель со случайными эффектами.

Нижеприведенный алгоритм оценки RE-EM дерева был предложен независимо двумя авторами . Он использует структуру дерева для оценки , а так же учитывает случайный эффект определенный для каждого объекта. При использовании этого метода, разделение ветвей дерева может происходить по любому признаку, так что разные наблюдения одного и того же объекта могут быть в разных узлах дерева. Тем не менее, алгоритм сохраняет панельную структуру данных.

Если случайные эффекты  известны, значит возможно подогнать регрессионное дерево для того чтобы через . Так как неизвестны ни случайные ни фиксированные эффекты, придется переходить между оценкой регрессионного дерева, полагая что наши оценки случайных эффектов корректны, и оценкой случайных эффектов полагая что регрессионное дерево корректно. Такая смена в оценке параметров дает название всей модели — Random Effects/EM Tree.

Алгоритм оценки RE-EM дерева:

Задать оценённые случайные эффекты  равными нолю.

Проводя итерацию по следующим шагам пока оценка случайных эффектов  не сойдётся (основываясь на изменении функции правдоподобия ниже заданного уровня).

Оценить регрессионное дерево, аппроксимирующее , основываясь на целевой переменной

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

 

и показателях xit = (xit1, … , xitk) для i = 1, … , I и t = 1, …, Ti. Используя регрессионное дерево для создания набора переменных индикаторов,

 

где  учитывает все конечные ветви дерева.

Подогнать линейную модель со смешанными эффектами,

 

Из модели получить оценку

Заменить предсказанное значение в каждой конечной ветви дерева оценённым значением  из модели со смешанными эффектами с шага 2.2.

Подгонка дерева на шаге 2.1. может быть выполнена на основе любого алгоритма построения решающих деревьев и обрезки их веток.

.2 Построенные модели
CART и REEM. При анализе необработанных данных с пропусками, обе модели показали примерно одинаковые, не достаточно хорошие результаты.

Были получены практически аналогичные деревья (для примера рассмотрим классическую модель CART).

Рисунок 3. Дерево решений для модели rpart

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

В качестве показателей, по которым моделировалось состояние банка оказались:

Фонды и прибыль кредитных организаций — всего

Фонды

В качестве метода оценки прогностической способности моделей был использован ROC-анализ. Кривая ROC содержит в себе все возможные пороговые значения:

Рисунок 4. ROC-кривая для модели rpart.

Одно из возможных объяснений результатов тестирования обоих моделей заключается в самих данных по российским банкам. В качестве исходных данных были взяты данные агрегированного баланса и ряда форм отчетности, в связи с чем имело место большое количество пропущенных наблюдений. Большое количество пропущенных наблюдений, в свою очередь, привело к соответствующему сокращению выборки (первоначальная размерность — 19710х360, размерность тестируемой выборки — 14924х8).

Рисунок 5. ROC-кривая для модели RE-EM.

Кроме того, модели показали и одинаковые прогнозные значения (0 — банк выживет, 1 — отзыв лицензии).

Рисунок 6. Прогнозы для модели rpart

Рисунок 7. Прогнозы для модели RE-EM

CART на восстановленных данных

Для решения проблемы пропущенные значения были восстановлены по модальным значениям, а алгоритм CARTбыл применен повторно. В результате был получен результат намного лучше:

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

Рисунок 8. ROC кривая для модели CART по восстановленным данным.

Само дерево получило следующий вид:

Рисунок 9. Дерево CART по восстановленным данным.

Основные показатели, по которым строится модель:

прочие пассивы

прибыль (убыток) c учетом финансовых результатов прошлого года.

CART на логарифмированных данных

При использовании логарифмированных значений показателей вид дерева, правила классификации и ROC кривая не сильно меняются:

Рисунок 10. ROC кривая для модели CART по восстановленным и логарифмированным данным.

Рисунок 11. Дерево CART по восстановленным и логарифмированным данным

Основные объясняющие переменные на этот раз были:

— Прибыль (убыток) текущего года (до налогообложения);

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

5135 — Всего активов очищенных.

Заключение

Основные проблемы возникающие при моделировании состояния банков были заключены в данных, на основе которых строится модель:

Данные взятые из материалов опубликованных на сайте ЦБ могут иметь признаки самоотбора, так как выбор о публикации некоторых видов отчетности делает сам анализируемый банк. В такой ситуации возникает конфликт интересов: желание полно раскрыть отчетность согласно требованию регулятора и желание скрыть негативную информацию о финансовом положении банка.

Данные публикуемые ЦБ направлены на информирование о достаточности собственных средств, рекомендация Базеля и не несут в себе необходимую информацию о деятельности банка подпадающую под причину отзыва не связанную с собственными средствами и диспропорцией пассивов и активов.

Для целей моделирования отзыва лицензий не только в части недостатка собственных средств, но и прочих причин отзыва, в формате, представленном в ФЗ «О банках и банковской деятельности» мне видится необходимость в источнике данных, который будет содержать информацию не только о структуре активов и пассивов банка, но и о составе активов и пассивов, ряде показателей взаимодействия с ЦБ (например, количество проверок, жалоб на банк, предупреждений и т.д.) и информацию о руководителях банка. Косвенно получить информацию о состоянии банка на данный момент, без лага опубликования квартальной отчетности на сайте ЦБ, можно используя сбор данных об открытых условиях размещения средств и кредитования, публикуемых банком. Информация о юридических тонкостях в деятельности банка, его руководстве и владельцах, а также связанных предприятиях, увы лежит вне открытого доступа, поэтому ее сбор является крайне трудоемким. Работа в этом направлении будет более походить на повторение работы известных рейтинговых агентств, с увеличением доли экспертного мнения в оценке, как единственного способа описать деятельность банка, связанную с «непорядочным» по мнению ЦБ поведением банка.

Модели построенные в ходе работы, выявили возможность улучшения своей прогностической ценности путем разбиения анализируемых банков на группы, используя информацию отличную от официально публикуемой. Работа в этом направлении будет оставаться актуальной, покуда регулятор будет настроен на количественное сокращение банков в России.

лицензия банк моделирование отзыв

Список литературы

1.     Федеральный закон № 395-1 от 02.12.1990 «О банках и банковской деятельности»

2.       Федеральный закон от 10.07.2002 N 86-ФЗ (ред. от 30.12.2015) «О Центральном банке Российской Федерации (Банке России)»

.         Федеральный закон от 07.08.2001 N 115-ФЗ (ред. от 30.12.2015) «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма»

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

.         Инструкция Банка России от 03.12.2012 г. N 139-И «Об обязательных нормативах банков»

.         Положение Банка России от 28 декабря 2012 г. N 395-П «О методике определения величины собственных средств (капитала) кредитных организаций («Базель III»)»

.         Указание Банка России от 11.06.2014 N 3277-У (ред. от 11.03.2015) «О методиках оценки финансовой устойчивости банка в целях признания ее достаточной для участия в системе страхования вкладов» (Зарегистрировано в Минюсте России 31.07.2014 N 33367)

7.     Указание Банка России от 30 апреля 2008 г. N 2005-У «Об оценке экономического положения банков» — определяет методику оценки финансового состояния банков для целей разделения кредитных организаций по группам надежности. Во многом пересекается с 3277-У

8.     Письмо Банка России от 15 апреля 2013 г. №69-Т «О неотложных мерах оперативного надзорного реагирования»

9.       Белоглазова Г. Н. Банковское дело. Организация деятельности коммерческого банка: учеб. / Г. Н. Белоглазова, Л. П. Кроливецкая. — М.: Юрайт, 2010.

.         А.М. Карминский, А.В. Костров, Т.Н. Мурзенков Моделирование вероятности дефолта российских банков с использованием эконометрических методов/ А.М. Карминский. Высшая школа экономика.-М:2012

.         Лаврушин О.И. Деньги. Кредит. Банки: учеб. / О. И. Лаврушин [и др.]. — 9-е изд., стер. — М.: КноРус, 2010.

.         Лаврушин О.И., Мамонова И.Д. Оценка финансовой устойчивости кредитной организации./ Лаврушин О.И., Мамонова И.Д. Москва -КноРус, 2013

13.   Афанасьева О.Н. Методика определения устойчивости банковской системы // Банковское дело. 2016. №1, 11

14.   Борисяк Д. Итоги-2014: Государство готово спасать банки//Ведомости, 2014 № 3746.- [Электронный ресурс].- http://www.vedomosti.ru/finance/articles/2014/12/26/spasennye-gosudarstvom

15.     Буздалин А. Риски банкротств российских банков недооценены примерно в три раза // Банковское обозрение, 24.07.2014.- [Электронный ресурс].- http://bosfera.ru/bo/riski-bankrotstv-rossiyskih-bankov

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

.         Егорова О.Ю. Классификация подходов, моделей и методов диагностики банкротства банков// «Глобальные рынки и финансовый инжиниринг» Том 2, Номер 3 (Июль-Сентябрь 2015)

.         Лаврушин О. И., Т. Н. Ветрова. Эффективность банковской деятельности:методология, критерии, показатели, процедуры // Банковское дело. 2015. №5, 38

.         Киюцевская А. Чем грозит кризис 2015 года российским банкам: пять главных рисков// РБК, 23.03.2015. -[Электронный ресурс].- http://www.rbc.ru/opinions/finances/23/03/2015/55100ef99a7947579e4c316f

.         Пухов В.И. Факторы, влияющие на финансовую устойчивость коммер- ческого банка //Вестник Института экономики РАН. — 2012. — № 4

.         Фетисов Г. Г. Устойчивость коммерческого банка и рейтинговые системы ее оценки / Г. Г. Фетисов. — М. : Финансы и статистика, 2009.

.         Базель III и российская действительность // Банкир.ру, 03.08.2014. -[Электронный ресурс].- http://bankir.ru/publikacii/20140803/bazel-iii-i-rossiiskaya-deistvitelnost-10005314

.         Общее руководство по раннему выявлению проблемных банков и своевременному вмешательству в их деятельность для систем страхования депозитов/ БАНК МЕЖДУНАРОДНЫХ РАСЧЕТОВ. -Базель: 2013

23.   Официальный сайт Сбербанка России. [Электронный ресурс] — Режим доступа: http://www.sberbank.ru/moscowoblast/ru/person/

24.     Сайт финансового анализа банков КУАП. [Электронный ресурс] — Режим доступа: http://kuap.ru/

.         Официальный сайт Банка России. [Электронный ресурс] — Режим доступа: www.cbr.ru

.         Рейтинги банков. Информационный портал БанкиРу. -[Электронный ресурс] — Режим доступа: http://www.banki.ru/banks/ratings/

Приложение 1

Основания для отзыва лицензии согласно ст.20 ФЗ «О банках и банковской деятельности»

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

 

Приложение 2

Условия отнесения кредитной организации в группу финансовой устойчивости в соответствии с 2005-У

 

Приложение 3

Код построения моделей моделей.

# Загрузка пакетов(«plm»)(«rpart»)(«REEMtree»)(«ROCR»)(«ggplot2»)(«partykit»)(«rattle»)(scipen=999)

# Загрузка данных<- read.csv(«final1.csv»)

# Обработка таблицы с данными(df)[1] <- «REG»

df$DATE <- as.Date(df$DATE, format=»%d/%m/%Y»)<- df[,1:360]<- df$OTZ<- df$DATE<- df$REG_df <- df[,3:359]_na <- vector(length = ncol(x_df))(i in 1:ncol(x_df)){_na[i] <- sum(is.na(x_df[,i]))

}_df_1 <- x_df[,which(is_na<4757)]_n <- cbind(y,t,id,x_df_1)_n <- df_n[complete.cases(df_n),]

# Итоговая выборка_new <- subset(df_n, !is.na(y))

### Тестирование моделей

#### rpart_result <- rpart(y~t+id+X.5135+X.5136+X.5139+X.5164+ASV,=’class’, data=df_new)(rpart_result)(rpart_result)(rpart_result)

# прогноз_rpart <- predict(rpart_result, type = «class»)(predict_rpart, df_new$y)_rpart <- as.numeric(as.character(predict_rpart))

# roc_rpart <- prediction(pred_rpart, df_new$y)(performance(rocrpred_rpart, «tpr», «fpr»), colorize = TRUE)

# графики(rpart_result, faclen = 0, cex = 0.8, extra = 1)_count <- function(x, labs, digits, varlen){(labs, «nnn =», x$frame$n)

}(rpart_result, node.fun=tot_count)

### REEM_result <- REEMtree(y~X.5135+X.5136+X.5139+X.5164+ASV, data=df_new, random=~1+t|id)

# прогноз_REEM <- round(predict(REEM_result, df_new, EstimateRandomEffects=FALSE), digits = 0)(predict_REEM, df_new$y)_REEM <- as.numeric(as.character(predict_REEM))

# roc_REEM <- prediction(pred_REEM, df_new$y)(performance(rocrpred_REEM, «tpr», «fpr»), colorize = TRUE)

# графики(REEM_result)

### Сравнение прогнозов rpart и REEM<- unique(data.frame(df_new$id,pred_rpart, pred_REEM))(pred) <- c(«id»,»pred_rpart», «pred_REEM»)(pred) <- seq(from = 1, to = nrow(pred))

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

# графики(id,pred_rpart, data=pred)(id,pred_REEM, data=pred)

Отчет по модели CART и REEM

Summary of the Decision Tree model for Classification (built using ‘rpart’):= 10446), split, n, loss, yval, (yprob)

* denotes terminal node

) root 10446 255 0 (0.975588742 0.024411258)

) t< 15713.5 4636 18 0 (0.996117343 0.003882657) *

) t>=15713.5 5810 237 0 (0.959208262 0.040791738)

) X.5136>=-6227 5788 215 0 (0.962854181 0.037145819)

) X.5135< 2.108929e+07 4543 133 0 (0.970724191 0.029275809) *

) X.5135>=2.108929e+07 1245 82 0 (0.934136546 0.065863454)

) X.5136>=1777356 1210 61 0 (0.949586777 0.050413223)

) id>=3283 200 1 0 (0.995000000 0.005000000) *

) id< 3283 1010 60 0 (0.940594059 0.059405941)

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Цена курсовой

) X.5139< 1.951823e+08 986 52 0 (0.947261663 0.052738337)

) X.5136>=2.171668e+07 203 0 0 (1.000000000 0.000000000) *

) X.5136< 2.171668e+07 783 52 0 (0.933588761 0.066411239)

) X.5139< 1.978892e+07 774 47 0 (0.939276486 0.060723514)

) X.5136>=2801340 613 27 0 (0.955954323 0.044045677) *

) X.5136< 2801340 161 20 0 (0.875776398 0.124223602)

) X.5139< 2667143 150 9 0 (0.940000000 0.060000000) *

) X.5139>=2667143 11 0 1 (0.000000000 1.000000000) *

) X.5139>=1.978892e+07 9 4 1 (0.444444444 0.555555556) *

) X.5139>=1.951823e+08 24 8 0 (0.666666667 0.333333333)

) id< 2114.5 16 0 0 (1.000000000 0.000000000) *

) id>=2114.5 8 0 1 (0.000000000 1.000000000) *

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

) X.5136< 1777356 35 14 1 (0.400000000 0.600000000)

) X.5136>=1178331 24 10 0 (0.583333333 0.416666667)

) X.5139< 1121435 9 1 0 (0.888888889 0.111111111) *

) X.5139>=1121435 15 6 1 (0.400000000 0.600000000) *

) X.5136< 1178331 11 0 1 (0.000000000 1.000000000) *

) X.5136< -6227 22 0 1 (0.000000000 1.000000000) *tree:(formula = y ~ ., data = crs$dataset[crs$train, c(crs$input,$target)], method = «class», parms = list(split = «information»),= rpart.control(usesurrogate = 0, maxsurrogate = 0))actually used in tree construction:

[1] id t X.5135 X.5136 X.5139node error: 255/10446 = 0.024411= 10446nsplit rel error xerror xstd

1 0.043137 0 1.00000 1.00000 0.061853

0.013725 2 0.91373 0.92157 0.059436

0.011765 5 0.87059 0.92941 0.059683

0.010458 6 0.85882 0.92941 0.059683

0.010000 13 0.78039 0.92549 0.059560

Time taken: 0.72 secs

Отчет по модели CART на восстановленных данных

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Подробнее

Summary of the Decision Tree model for Classification (built using ‘rpart’):=13771 (26 observations deleted due to missingness)), split, n, loss, yval, (yprob)

* denotes terminal node

) root 13771 2541 0 (0.81548181 0.18451819)

) IMD_X.5157< 250952.5 5195 60 0 (0.98845043 0.01154957) *

) IMD_X.5157>=251253 5264 202 0 (0.96162614 0.03837386)

) IMD_X.5140>=-1488152 5179 143 0 (0.97238849 0.02761151) *

) IMD_X.5140< -1488152 85 26 1 (0.30588235 0.69411765) *

) IMD_X.5157< 251253 3312 1033 1 (0.31189614 0.68810386) *tree:(formula = y ~ ., data = crs$dataset[crs$train, c(crs$input,$target)], method = «class», parms = list(split = «information»),= rpart.control(usesurrogate = 0, maxsurrogate = 0))actually used in tree construction:

[1] IMD_X.5140 IMD_X.5157node error: 2541/13771 = 0.18452=13771 (26 observations deleted due to missingness)nsplit rel error xerror xstd

1 0.245179 0 1.00000 1.00000 0.017915

0.012987 2 0.50964 0.51043 0.013489

0.010000 3 0.49665 0.50374 0.013410

Отчет по модели CART на восстановленных данных

Summary of the Decision Tree model for Classification (built using ‘rpart’):=13771 (26 observations deleted due to missingness)), split, n, loss, yval, (yprob)

* denotes terminal node

) root 13771 2541 0 (0.81548181 0.18451819)

Нужна помощь в написании курсовой?

Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Наша система гарантирует сдачу работы к сроку без плагиата. Правки вносим бесплатно.

Заказать курсовую

) RLG_IMD_X.5141>=9.957573 5563 144 0 (0.97411469 0.02588531) *

) RLG_IMD_X.5141< 9.957573 8208 2397 0 (0.70796784 0.29203216)

) RLG_IMD_X.5141< 9.957218 4481 67 0 (0.98504798 0.01495202) *

) RLG_IMD_X.5141>=9.957218 3727 1397 1 (0.37483230 0.62516770)

) RLG_IMD_X.5135>=15.12855 420 52 0 (0.87619048 0.12380952) *

) RLG_IMD_X.5135< 15.12855 3307 1029 1 (0.31115815 0.68884185) *tree:(formula = y ~ ., data = crs$dataset[crs$train, c(crs$input,$target)], method = «class», parms = list(split = «information»))actually used in tree construction:

[1] RLG_IMD_X.5135 RLG_IMD_X.5141node error: 2541/13771 = 0.18452=13771 (26 observations deleted due to missingness)nsplit rel error xerror xstd

1 0.18359 0 1.00000 1.00000 0.017915

0.12436 2 0.63282 0.63479 0.014851

0.01000 3 0.50846 0.51004 0.013485

Средняя оценка 0 / 5. Количество оценок: 0

Поставьте оценку первым.

Сожалеем, что вы поставили низкую оценку!

Позвольте нам стать лучше!

Расскажите, как нам стать лучше?

397

Закажите такую же работу

Не отобразилась форма расчета стоимости? Переходи по ссылке

Не отобразилась форма расчета стоимости? Переходи по ссылке