Por

1
Porównanie skutecznosci metod klasycznych oraz
nieklasycznych w szacowaniu zdolnosci kredytowej
i kondycji finansowej przedsiebiorstw

• Dariusz Kieszkowski, Marcin Wudarczyk

2
Plan prezentacji

• Wstep
• Dane wejsciowe
• Pozyskane dane
• Zestawy wskazników
• Badania
• Porównanie analizy dyskryminacyjnej i sieci
  neuronowych
• Porównanie róznych typów sieci
• Wnioski
• Wyniki badan
• Próba oceny wyników pod wzgledem kosztów bledów
  predykcji dla instytucji bankowych
• Zakonczenie

3
Wstep

• Predykcja bankructw w kontekscie
• zdolnosci kredytowej
• kondycji finansowej
• Cele badan
• Porównanie metod klasycznych (analiza
  dyskryminacyjna, genetyczny dobór wspólczynników
  liniowej kombinacji) z sieciami neuronowymi
• Porównanie osiaganych wyników przez rózne sieci
  neuronowe

4
Dane wejsciowe

• Spólki akcyjne Warszawskiej GPW
• 23 bankrutów oraz 45 niebankrutów
• Dane pochodzace z Komitetu Badan Naukowych
• 23 bankrutów oraz 23 niebankrutów
• Dane amerykanskiek Komisji Papierów Wartosciowych
  (SEC)
• 58 bankrutów oraz 59 niebankrutów

5
Dane wejsciowe Wskazniki

• Wskazniki Altmana 1968
• X1 -(biezace aktywa - biezace zobowiazania)/suma
  aktywów
• X2 - zysk zatrzymany/suma aktywów
• X3 - Zysk przed opodatkowaniem i splata odsetek /
  suma aktywów
• X4 - wartosc rynkowa kapitalu wlasnego/wartosc
  ksiegowa zobowiazan
• X5 - przychody ze sprzedazy / suma aktywów
• Wskazniki ogólnie stosowane (14)
• plynnosc
• rentownosc (zyskownosc)
• zadluzenie
• aktywnosc (obrotowosc)
• efektywnosc rynkowa
• Podstawowe pozycje raportów finansowych

6
Dane wejscioweWskazniki

• Porównanie kilku systemów wczesnego ostrzegania
• Altman (68r i 77r)
• Springate
• Baetge
• Gajdki, Stoda
• Holda

  Kraj l. wsk. I rdz II rdz razem
Altman USA 5 3 6 9
Springate Kanada 4     12-17
Baetge Niemcy 3     bd
Gajdka, Stod Polska 5     bd
Holda Polska 5     7,50
7
BadaniaAnaliza dyskryminacyjna KBN
  LDA I rdz II rdz LDA I rdz II rdz
Altman 14,13 11,30 2,82 15,22 15,22 0,00
Springate 39,78 23,26 16,52 33,92 18,92 15,00
Baetge 5,22 2,82 2,39 32,17 32,17 0,00
Gajdka 26,96 13,26 13,70 26,74 12,39 14,35
Holda 15,22 9,35 5,87 10,87 4,35 6,52
8
BadaniaAnaliza dyskryminacyjna SEC
  LDA I rdz II rdz LDA I rdz II rdz
Altman 45,00 23,79 21,21 44,92 24,23 20,691
Springate 40,43 24,57 15,86 42,42 22,24 20,174
Baetge 50,09 13,36 36,73 52,59 46,81 5,776
Gajdka 42,84 17,414 25,43 46,29 23,88 22,414
Holda 41,47 26,21 15,26 43,29 12,76 30,526
9
BadaniaGenetyczny dobór wspólczynników

• Osiagnieto blad 0,00 na danych KBN (wskazniki
  Altmana)
• Optymalizacja blad MSE czy CFE?
• Brak mozliwosci weryfikacji wyniku

10
BadaniaSieci neuronowe KBN
  MLP MLP MLP Kohonen Kohonen Kohonen
  razem I rdz II rdz razem I rdz II rdz
Altman 4,35 4,35 0,00 8,70 2,17 6,52
Springate 17,17 13,69 3,47 25,65 16,09 9,57
Baetge 3,04 3,04 0,00 2,39 0,00 2,39
Gajdka 13,91 13,26 0,65 12,83 4,35 8,48
Holda 8,91 8,91 0,00 12,83 4,35 8,48

  Fuzzy Fuzzy Fuzzy LDA LDA LDA
  razem I rdz II rdz razem I rdz II rdz
Altman 8,70 4,35 4,35 14,13 11,30 2,82
Springate 12,39 10,44 2,17 33,92 18,92 15,00
Baetge 3,69 2,39 1,30 5,22 2,82 2,39
Gajdka 6,74 5,22 1,52 26,74 12,39 14,35
Holda 7,38 2,61 4,77 10,87 4,35 6,52
11
BadaniaSieci neuronowe SEC
  MLP MLP MLP Kohonen Kohonen Kohonen
  razem I rdz II rdz razem I rdz II rdz
Altman 37,42 15,86 21,55 45,43 25,43 20,00
Springate 36,80 19,14 17,66 48,31 22,50 25,81
Baetge 34,40 9,22 25,17 38,19 3,62 34,57
Gajdka 34,65 15,43 19,22 51,89 22,32 29,57
Holda 32,85 14,31 18,54 47,07 26,72 20,35

  Fuzzy Fuzzy Fuzzy LDA LDA LDA
  razem I rdz II rdz razem I rdz II rdz
Altman 41,64 21,55 20,09 44,92 24,23 20,691
Springate 55,78 32,76 23,02 40,43 24,57 15,86
Baetge 43,71 12,76 30,95 50,09 13,36 36,73
Gajdka 40,81 15,14 25,67 42,844 17,414 25,43
Holda 34,01 17,34 16,67 41,47 26,21 15,26
12
Badaniaporównanie sieci neuronowych

• Metodyka
• Badane sieci MLP, SOM (Kohonen, gaz neuronowy),
  RBF
• Badany wplyw parametrów uczenia (rodzaj bledu,
  wagi poczatkowe, ilosc warstw, neuronów,
  wspólczynnik uczenia, momentum, warunki stopu
• Badanie wielokrotnych trenowan (cross validation,
  100 powtórzen)
• Kryterium ostateczne blad klasyfikacji

13
Badaniaporównanie sieci neuronowych
14
Badaniaporównanie sieci neuronowych
15
WnioskiBadania

• Najlepsze wyniki uzyskuja sieci uzywajace
  optymalizacji genetycznej wyniki moga byc lepsze
  nawet kilka razy.
• Zgodnie z oczekiwaniami, sieci dzialajace na
  starszych danych uzyskiwaly gorsze wyniki
• Oprócz jednego przypadku, sieci MLP górowaly nad
  pozostalymi typami sieci przyczyna tego moga byc
  zakrojone na mniejsza skale próby dobierania
  optymalnych parametrów dla sieci SOM i RBF
• Wsród sieci SOM i RBF, a takze wsród metod
  nauczania nie mozna wskazac jednoznacznego
  zwyciezcy, generalnie jednak sieci RBF
  zachowywaly sie lepiej niz sieci SOM. Zwykle
  lepsze efekty przynosilo zastosowanie uczenia
  gazu neuronowego niz standardowego uczenia
  Kohonena
• Uzycie wszystkich wskazników ogólnych, jak
  równiez wskazników do oceny zdolnosci kredytowej
  prowadzilo do jednych z najgorszych wyników.
  Niespodziewanie dobrze wypadly wskazniki
  opracowane przez Altmana, które byly opracowane w
  zupelnie innych warunkach ekonomicznych i dla
  innego systemu ksiegowosci.
• Okazuje sie, ze bardzo duze znaczenie ma dobór
  wejsc. Dodatkowe, nadmiarowe wejscia bardzo
  pogarszaja uzyskane wyniki, co dobrze widac na
  przykladzie wskazników Altmana, które uzyskaly
  dobre wyniki same, ale w polaczeniu z innymi
  wskaznikami duzo gorsze.
• Nie zawsze podawanie danych z dwóch lat poprawia
  jakosc predykcji. Jednak wszystkie zestawy
  wskazników optymalizowane genetycznie zawieraja
  wskazniki takze z poprzedniego okresu.

16
WnioskiOcena kosztów bankowych KBN
MLP Kohonen Fuzzy LDA
Altman 3,05 1,52 3,05 7,91
Springate 9,58 11,26 7,31 13,24
Baetge 2,13 0,00 1,67 1,97
Gajdka 9,28 3,05 3,65 8,67
Holda 6,24 3,05 1,82 3,05
17
WnioskiOcena kosztów bankowych SEC
MLP Kohonen Fuzzy LDA
Altman 11,10 17,80 15,09 16,96
Springate 13,40 15,75 22,93 17,20
Baetge 6,46 2,54 8,93 9,35
Gajdka 10,80 15,63 10,60 12,19
Holda 10,02 18,70 12,14 18,34
18
Wnioski

• LDA znacznie gorsze niz sieci neuronowe
• Systemy wczesnego ostrzegania maja charakter
  preselekcji. (blad I rodzaju)
• W MLP
• BackProp i RProp najlepsze
• QuickProp slabiej
• Sieci neuronowo-rozmyte
• Bardzo dobre wyniki lepsze od MLP
• Sieci Kohonena
• generalnie slabsze
• dla zastosowan bankowych dla dobrych danych b.
  skuteczne

19
Zakonczenie

• Najwazniejszym czynnikiem jakosc danych
• Ilosc próbek w zestawie danych KBN jest skrajnie
  mala w sumie 46 przedsiebiorstw choc uzyskane
  wyniki sa bardzo dobre, nie ma mozliwosci
  doglebnego ich sprawdzenia.
• Przy optymalizacji genetycznej istnieje
  niebezpieczenstwo, iz wejscia sieci zostaly
  dopasowane do danych
• Dla zestawu danych ze 117 próbkami wyniki nie sa
  zadawalajace. Przyczyny niejednorodnosc danych,
  duza rozpietosc badanych firm, dane z róznych
  lat, definicja bankructwa (chapter 11)
• Duza zaleznosc od danych wejsciowych
• Dobór w toku analizy teoretycznej lub
  optymalizacji genetycznej