Экспертные системы. 
Финансовый анализ для менеджеров

В последние годы различные системы искусственного интеллекта или, как их еще называют, экспертные системы стали достаточно популярным средством, используемым для принятия решений в финансовой сфере.

Несмотря на то что многие из таких систем показали свою достаточно высокую эффективность, они обладают рядом недостатков. Во-первых, это достаточно высокая стоимость и сложность разработки и поддержки рабочего состояния систем подобного рода. Во-вторых, требуется много времени для изучения алгоритмов мышления людей-экспертов и трансляцию их в правила, на которых будет построена экспертная система. В-третьих, такие системы в большинстве своем не способны к обучению и автоматической модификации заложенных в них алгоритмов на основе накопленного опыта. Это значит, что любое изменение окружающей среды может привести к существенному снижению качества выводов, получаемых системой.

Количественные модели

Количественные модели используют данные по наблюдаемым характеристикам заемщика и позволяют оценить вероятность наступления дефолта или классифицировать заемщиков в различные группы кредитного риска. Модели этого класса позволяют аналитику количественно оценить, какие факторы важны в объяснении риска неплатежа, сравнить их относительную важность, улучшить процедуру мониторинга кредитного портфеля и процедуру расчета и создания резервов по возможным потерям по ссудам и, наконец, вести более адекватное ценообразование кредитных ресурсов.

Кредитный риск можно рассматривать, например, с точки зрения конкретного кредита или с точки зрения кредитного портфеля в целом. В первом случае речь идет об одиночном риске, во втором — о портфельном.

Одиночный риск — это риск, связанный с определенным заемщиком или определенным долговым инструментов конкретного эмитента, например кредитный риск некой облигации.

Портфельный риск — это риск, присущий портфелю в целом. В качестве примера можно привести портфель, состоящий из двух облигаций. Особенность портфельного риска состоит в том, что входящие в портфель ценные бумаги могут коррелировать между собой. Таким образом, выбор комбинации может оказывать влияние на величину риска и за счет диверсификации можно достичь его уменьшения.

Нами будет рассмотрен исключительно одиночный кредитный риск.

И наконец, риск дефолта можно рассматривать с точки зрения носителя или субъекта это риска. Это может быть физическое или юридическое лицо. В данной книге субъектом кредитного риска выступает юридическое лицо — компания.

Основные требования к количественным моделям

Идеальная модель кредитного риска должна обладать следующими характеристиками:

• 1) быть понятной. Для многих аналитиков гораздо важнее понимание, каким образом работает модель, чем включение в модель каких-либо показателей;
• 2) обладать высокой предсказательной способностью. Это требование вполне очевидно. Модель, не способная различить «здоровые» и «проблемные» компании, не имеет значительной ценности для аналитика;
• 3) быть эмпирически проверенной. Работоспособность модели и стабильность ее выводов должны быть проверены на практике и в идеале на большой репрезентативной выборке.

Формализованные критерии оценки моделей

Рассмотрим способы, позволяющие оценить и сравнить качество работы моделей кредитного риска. К ним относятся:

• o линии кумулятивной точности (Cumulative Accuracy Profiles curves);
• o коэффициенты точности (Accuracy Ratios). Особенность данных метрик, прежде всего, заключается в их универсальности. С их помощью можно сравнивать модели любого типа, даже когда тип результатов на их выходе различен, не поддается прямому сравнению и может носить не числовой, а категориальный характер (например, кредитный рейтинг Moody’s).

Линии кумулятивной точности (CAP curves), или кривые Лоренса, представляют собой графическую иллюстрацию качества работы моделей (рис. 11.1).

Рис. 11.1. Линии кумулятивной точности.

Для построения указанных линий данные сортируются в порядке изменения рейтинга компаний (вероятности дефолта) от самых рисковых до самых надежных. По оси у отображается число дефолтов (процент общего количества дефолтов в генеральной совокупности). Таким образом, линия кумулятивной точности показывает процент у (х) обанкротившихся компаний в общем числе фирм-банкротов, чей рейтинг меньше или равен рейтингу доли х.

На рисунке в качестве примера показаны возможные ситуации: идеальный случай (100% дефолтов содержится в доле наблюдений, равной фактической доле дефолтов в выборке), случай для некой модели и случайность, когда рейтинг присваивается компаниям случайным образом (т.е. х% наблюдений содержат х% дефолтов).

Таким образом, чем выше качество работы модели, тем ближе к идеальному случаю проходит линия кумулятивной точности.

Удобной аналитической мерой работоспособности модели служит коэффициент точности (AR), или коэффициент Джинни, характеризующий отклонение CAP curve оцениваемой модели от идеального случая. Данный показатель рассчитывается как отношение площади фигуры В к суммарной площади фигур А и В. Таким образом, идеальная модель имеет = 1, случайнаяАК = 0.