DOI: 10.32702/2307-2105-2021.1.99
УДК: 336.71:330.46
І. В. Домінова, Т. М. Кисіль
ПРОГНОЗУВАННЯ ОЦІНКИ ЙМОВІРНОСТІ БАНКРУТСТВА БАНКІВСЬКИХ УСТАНОВ НА ОСНОВІ АДАПТОВАНОЇ НОРМАТИВНО-ІНДЕКСНОЇ МОДЕЛІ
Анотація
Банківські установи в процесі ведення власної діяльності постійно наражаються на різного роду ризиків, які безпосередньо впливають на їх фінансову стійкість та стабільність. В умовах сьогодення, коли ринок фінансових послуг характеризується волатильністю та фінансовою нестабільністю, банківські установи повинні не лише забезпечити прибутковість власної діяльності, але й мінімізувати ймовірність власного банкрутства. В свою чергу це зумовлює необхідність пошуку ефективних моделей оцінки та прогнозування ймовірності банкрутства банку.
В даній статті запропоновано адаптовану модель динамічної нормативно-індексної оцінки ймовірності банкрутства банківських установ України з врахуванням додаткових показників, яка забезпечить ефективне та достовірне виявлення загроз банкрутств. Проведене наукове дослідження та отримані результати, за запропонованим авторським методологічним підходом є актуальними для банків різних груп та форм державної власності. Практична апробація адаптованої динамічної нормативно-індексної моделі перевірено на трьох банківських установах України, а саме АТ КБ «ПриватБанк», ПАТ «ПУМБ» та АТ АКБ «АРКАДА».
На основі адаптованої динамічної нормативно-індексної моделі, розроблено нейронну систему прогнозування оцінки ймовірності банкрутств. Запропонована авторська модель нейронної мережі, яка є основою інтелектуальної банківської системи, дозволяє з високою точністю та достовірністю виявити стани банкрутств на майбутні звітні періоди. Побудована модель когнітрона дає можливість об’єктивно проаналізувати фактичні нормативи ризиковості банків в залежності від встановлених еталонних та сприяє, в подальшому, прийнятті запропонованих ситуаційних рішень. З використанням нейронної бібліотеки Keras проведено експериментальні дослідження запропонованої нейронної мережі за три звітних періоди (з 2017 по 2019 роки) та визначення прогнозу на майбутній звітний період з врахуванням ранніх стадій банкрутства. Запропоновану модель прогнозування доречно застосувати для оцінки будь-яких напрямів діяльності банків, встановлення порівняльного аналізу ризиковості та рейтингів їх фінансової стійкості в інтелектуальних банківських системах.
Ключові слова: Прогноз банкрутства банків; динамічна нормативно-індексна модель; інтелектуальна банківська система; нейронна мережа; оцінка фінансового стану банків.
Література
1. Погостинская Н. Н., Погостинский Ю. А. Системный анализ финансовой отчетности. – СПб.: Издательство Михайлова В. А., 1999. – 96 С.
2. Богданова Т.К., Шевгунов Т.Я., Уварова О.М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей // Бизнес-информатика. 2013. №2 (24). C. 40-48.
3. Домінова І. В., Кисіль Т.М., Оцінка та прогнозування ймовірності банкрутства банківських установ України // Моделювання та інформаційні системи в економіці: зб. наук. пр. – Київ: КНЕУ, 2020. – Вип. №99, – С. 75-90
4. Жердецька Л.В., Постирнак І.С., Розвиток моделей прогнозування банкрутства банків// Глобальні та національні проблеми економіки: зб. наук. пр. – Миколаїв: МНУ, 2016 – Вип. №14 – с. 796-801.
5. Кисіль Т. М. Архітектура когнітрона в інтелектуальній банківській системі // Моделювання та інформаційні системи в економіці: зб. наук. пр. – Київ: КНЕУ, 2019. – Вип. №98, – С. 123-134.
6. Кисіль Т. М. Нейросистеми та фінансові ринки: прийняття рішень в торгових операціях // Моделювання та інформаційні системи в економіці: зб. наук. пр. – Київ: КНЕУ, 2010 – Вип. №82 – С. 47-64.
7. Примостка Л. О. Сукупний ризик банку: методика оцінки на основі нормативно-індексної моделі /Л. Примостка, О. Лисенок // Вісник Національного банку України. – 2008. – №5. – С.34–38.
8. Coats P.K., Fant L.F. Recognizing financial distress patterns using a neural network tool // Financial Management. 1993. Vol. 22. P. 142-155.
9. K. Fukushima, Cognitron: A self-organizing multilayered neural network, Biological cybernetics, 20, 3-4, 121-136 (1995).
10. Кисиль Т. Н. Оценка и прогнозирование стрессоустойчивости коммерческих банков // Инновационная экономика и менеджмент: Методы и технологии: Сборник материалов II Международной научно-практической конференции, Москва, 26 октября 2017 г. МГУ имени М.В. Ломоносова / Под ред. О.А. Косорукова, В. В. Печковской, С. А. Красильникова. — М.: Издательство «Аспект Пресс», 2018. — С. 193 – 196.
11. НБУ:АТ АКБ "АРКАДА" віднесено до категорії неплатоспроможних [Електронний ресурс]/ / режим доступу: https://bank.gov.ua/ua/news/all/at-akb-arkada-vidneseno-do-kategoriyi-neplatospromojnih, вільний. – від 25.08.2020 р.
I. Dominova, T. Kysil
FORECASTING THE ASSESSMENT OF THE PROBABILITY OF BANKING INSTITUTIONS BANKRUPTCY BASIS ON AN ADAPTED REGULATORY INDEX MODEL
Summary
Banking institutions in the process of conducting their activities are constantly subjected to various risks that directly get into their financial firmness and stability. In the present settings when the financial services market is characterized by volatility and financial instability, the banking institutions should to ensure not only the profitability of their activities, but also minimize the verge of bankruptcy. Therefore it makes necessary in the search for effective models for assessing and predicting the probability of bank bankruptcy.
Due to this article the adapt model of dynamic normative-index assessment of the probability of bankruptcy of banking institutions of Ukraine, taking into account additional indicators, which will provide effective and reliable detection of bankruptcy threats is proposed. The research was conducted and the results were obtained. According to the proposed author's methodological approach, they are relevant for banks of different groups and forms of state ownership. Practical approbation of the adapted dynamic normative-index model was tested at three banking institutions of Ukraine, namely LC CB PrivatBank, PJSC “PUMB” and LC ACB ARCADA.
On the basis of adapted dynamic normative-index model, a neural prediction system for estimating the probability of bankruptcies has been developed. The author's model of the neural network, which is the basis of the intellective banking system, allows to identify with high accuracy and reliability the state of bankruptcies for future reporting periods is proposed. The constructed model of the cognitron makes it possible to objectively analyze the actual risk standards of banks depending on standard ones and facilitates the adoption of the proposed situational decisions further. Using the Keras neural library, the experimental studies of the proposed neural network for three reporting periods (from 2017 to 2019) and determining the forecast for the future reporting period, taking into account the early stages of bankruptcy were held. The proposed forecasting model should be used to assess any activities of banks, establish a comparative risk analysis and ratings of their financial stability in intellectual banking systems.
Keywords: Bank’s bankruptcy forecast; the dynamic normative-index model; the intellectual banking system; the neural system; the assessment of the financial condition of banks.
References
1. Pogostinskaja, N. N. and Pogostinskij, Ju. A. (1999), Sistemnyj analiz finansovoj otchetnosti [System analysis of financial statements], Mihajlova, V. A., Moskow, Russia.
2. Bogdanova, T. K. Shevgunov, T. Ja. and Uvarova, O. M. (2013), “Application of neural networks to predict the solvency of Russian manufacturing enterprises”, Business Informatics, vol. 2, pp. 40-48.
3. Dominova, I. V. and Kysil, T. M. (2020), “Assessment and forecasting of the probability of bankruptcy of banking institutions of Ukraine”, Modeling and Information System in Economics, vol. 99, pp. 75-90.
4. Zherdets'ka, L. V. and Postyrnak, I. S. (2016), “Development of bank bankruptcy forecasting models”, Global and National Problems of Economy, vol. 14, pp. 796-801.
5. Kysil, T. M. (2019), “Cognitron architecture in intelligent banking system”, Modeling and Information System in Economics, vol. 98, pp. 123-134.
6. Kysil, T. M. (2010), “Neurosystems and financial markets: decision making in trading operations”, Modeling and Information System in Economics, vol. 82, pp. 47-64.
7. Prymostka, L.O. and Lysenok, O. (2008), “Total bank risk: assessment methodology based on the norm-index model”, Visnyk Natsional'noho banku Ukrainy, vol. 5, pp.34–38.
8. Coats, P.K. and Fant, L.F. (1993), “Recognizing financial distress patterns using a neural network tool”, Financial Management, vol. 22. pp. 142-155.
9. Fukushima, K. (1995), “Cognitron: A self-organizing multilayered neural network”, Biological cybernetics, vol. 20, pp. 121-136.
10. Kisil, T. N. (2018), “Assessment and forecasting of stress resistance of commercial banks”, Innovacionnaja jekonomika i menedzhment: Metody i tehnologii [Innovative Economics and Management: Methods and Technologies], II Mezhdunarodnaja nauchno-prakticheskaja konferencija [II International scientific and practical conference], Moscow State University named after M.V. Lomonosov, Moscow, Russia, October 26, 2017, pp. 193-196.
11. NBU (2020), “ARCADA Bank Declared Insolvent”, available at: https://bank.gov.ua/ua/news/all/at-akb-arkada-vidneseno-do-kategoriyi-neplatospromojnih (Accessed 25 Dec 2020).
№ 1 2021
Дата публікації: 2021-02-26
Кількість переглядів: 17799
