Адаптивное трекинг-тестирование кредитоспособности предприятий-заемщиков тема диссертации по экономике, полный текст автореферата

Автореферат диссертации по теме "Адаптивное трекинг-тестирование кредитоспособности предприятий-заемщиков"

На правах рукописи

Бакурова Татьяна Михайловна

АДАПТИВНОЕ ТРЕКИНГ-ТЕСТИРОВАНИЕ КРЕДИТОСПОСОБНОСТИ ПРЕДПРИЯТИЙ-ЗАЕМЩИКОВ

Специальность: 08.00.13 Математические и инструментальные методы экономики

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук

1 7 МАЙ 2012

Воронеж - 2012

005043294

Диссертационная работа выполнена на кафедре «Информационные технологии и математические методы в экономике» ФГБОУ ВПО «Воронежский государственный университет»

Научный руководитель Тинякова Виктория Ивановна

доктор экономических наук, доцент

Официальные оппоненты: Сычев Василий Анатольевич,

доктор экономических наук, доцент, ФГБОУ ВПО «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)», профессор кафедры «Производственный и инновационный менеджмент»;

Хацкевич Владимир Львович, доктор технических наук, профессор филиал ФГБОУ ВПО «Всероссийский заочный финансово-экономический институт» в г. Воронеже, профессор кафедры «Высшая математика»

Ведущая организация ФГБОУ ВПО «Санкт-Петербургский государственный университет экономики и финансов»

Защита состоится 28 мая 2012 г. в 10 час. 00 мин. на заседании объединенного диссертационного совета ДМ 212.038.21 при ФГБОУ ВПО «Воронежский государственный университет» по адресу: 394068, г. Воронеж, ул. Хользунова, 40, ауд. 225.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Воронежский государственный университет».

Автореферат разослан 27 апреля 2012 г.

Ученый секретарь /

диссертационного совета У Тинякова Виктория Ивановна

I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Кредитование, как известно, является наиболее важным направлением активных операций банка. В этой связи управление кредитным риском занимает особое место в практике банковской деятельности, а в центре внимания постоянно находятся исследования, ориентированные на разработку различных способов его снижения. Одним из условий снижения риска является использование банком эффективной методики определения надежных кредитозаемщиков.

К настоящему времени разработано чрезвычайно большое число методик определения кредитоспособности предприятий-заемщиков. Однако само огромное число выполненных и выполняемых исследований и разработок в этой области свидетельствует о нерешенности проблемы идентификации надежного кредитозаемщика. В то же время современные экономические условия возводят эту проблему в ранг наиболее острых, требующих разработку новых подходов к решению. Поэтому исследования, в которых не только развиваются технические приемы, но и выдвигаются новые принципы оценки кредитоспособности заемщика, заслуживают особого внимания. Именно к такому типу исследований относится данная работа.

Степень разработанности проблемы. Проблема оценки кредитоспособности предприятий получила разноаспектное освещение в трудах как зарубежных (Э. Альтмана, Г. Андерсона, У. Бивера, Ж. Депалян, Д. Дюрана, Р. Лиса, К. Мервина, Г. Спрингейта, С. Росса, Р. Тоффлера, X. Тишоу, Дж. Фулмера, Д. Харригана, В. Хикмана, Р. Чессера и др.), так и отечественных (М.С. Абрютиной, А.И. Ачкасова, А.Ю. Беликова, И.В. Бочаровой, Г.В. Давыдовой, JI.B. Донцовой, Д.А. Ендовицкого, О.П. Зайцевой, М.Н. Крейниной, О.И. Лаврушина, Н.П. Любушина, А.И. Ольшаного, Г.В. Савицкой, P.C. Сайфулина, Е.С. Стояновой, М.А. Федотовой, А.Д. Шеремета и др.) ученых.

Такое направление в оценке кредитоспособности как рейтинговое оценивание с помощью эконометрических моделей дискретного выбора получило развитие в работах A.M. Карминского, М.И. Лукина, A.A. Пересецккого, А.Е. Петрова, A.C. Чижова.

Основы другого подхода к решению этой задачи - подхода, реализующего идею формирования упреждающих рейтинговых оценок, - были заложены В.И. Тиняковой и A.B. Долматовой, которые предложили формировать рейтинги предприятий-кредитозаемщиклов, используя данные предельного образа их финансового состояния.

Работа в данном направлении была поддержана В.В. Давнисом и Ю.А. Величко, вклад которых состоял во введении в научный оборот понятия «риск-предикторная рейтинговая оценка» и разработке соответствующего инструментария для получения такой оценки.

Настоящая диссертационная работа выполнена в русле исследований, реализующих идею формирования таких рейтинговых оценок предприятий-кредитозаемщиков, обязательной составляющей которых является упреждающая информация об их финансовом состоянии.

Объект исследования - динамика показателей кредитоспособности предприятий-заемщиков.

Предмет исследования - математический аппарат, обеспечивающий реализацию адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков.

Цели и задачи исследования. Цель исследования - развитие инструментария оценки кредитоспособности предприятий-заемщиков путем разработки специальных моделей, используемых в процедуре трекинг-тестирования.

В соответствии с поставленной целью возникла необходимость в решении следующего комплекса задач:

- проанализировать современные подходы к формированию рейтинговых оценок предприятий-кредитозаемщиков, выявив их преимущества и недостатки и определив наиболее перспективный для развития подход;

- сформулировать ключевые идеи трекинг-тестирования кредитоспособности предприятий-заемщиков и дать точное определение этому понятию;

- разработать комплексную модель, представляющую собой рекурсивную систему и предусматривающую, во-первых, проведение прогнозных расчетов показателей кредитоспособности предприятий-заемщиков, а во-вторых, анализ стабильности многомерной динамики этих показателей;

- предложить процедуру, обеспечивающую реализацию ключевых идей трекинг-тестирования кредитоспособности предприятий-заемщиков на основе авторской рекурсивной системы адаптивных модулей;

- разработать методику адаптивного трекинг-тестирования, естественным образом повышающую обоснованность кредитных решений за счет включения в рейтинговую оценку прогнозной составляющей;

- провести верификацию предлагаемого математического аппарата.

Область исследования. Содержание диссертации соответствует п. 1.4

«Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий ... », п. 1.6 «Математический анализ и моделирование процессов в финансовом секторе экономики, развитие метода финансовой математики и актуарных расчетов» специальности 08.00.13 Математические и инструментальные методы экономики Паспорта специальностей ВАК РФ.

Теоретико-методологической основой исследования послужили современные достижения экономической и математической науки, содержащиеся в трудах отечественных и зарубежных ученых по анализу и оценке кредитоспособности предприятий-заемщиков, эконометрическому моделированию, адаптивному прогнозированию, экспертному оцениванию.

Эмпирическую базу исследования составила отчетность предприятий, предоставленная Территориальным органом Федеральной службы государственной статистики по Орловской области. Экспериментальные расчеты с использованием этих данных проводились в среде MS Excel и Statistica.

Научная новизна исследования состоит в теоретическом обосновании и разработке инструментария реализации авторского подхода к решению задачи повышения надежности кредитных решений за счет адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков.

Научная новизна реализована в следующих результатах, полученных лично автором:

1. Введено понятие «трекинг-тестирование», под которым понимается непрерывный упреждающий контроль за состоянием финансового потенциала предприятия-кредитозаемщика на базе оценки и сравнения его текущего состояния с ожидаемым

2. Разработана модель, представляющая собой рекурсивную систему адаптивных модулей, предназначенных для проведения упреждающих расчетов при оценке финансового состояния предприятий-кредитозаещиков и анализа стабильности многомерной динамики их финансовых показателей.

3. Разработана процедура адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков, выстраивающая в единую логическую схему расчеты, проводимые с помощью рекурсивной системы адаптивных модулей, метода оценки стабильности общей кредитной ситуации банка, эконометрической модели множественного выбора с упорядоченными альтернативами.

4. Предложена методика адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков, реализуемая в два этапа. Первый этап предусматривает построение модели рекурсивной системы адаптивных модулей (для проведения упреждающих расчетов) и модели множественного выбора с упорядоченными альтернативами (для идентификации рейтинговых оценок), а второй этап - практическое использование построенных моделей в трекинг-тестировании финансового состоянии предприятий-кредитозаемщи-ков, повышающем степень обоснованности кредитных решений.

Теоретическая значимость исследования определяется введением в научный оборот нового понятия «адаптивное трекинг-тестирование» и развитие на этой основе теоретико-методологической базы оценки кредитоспособности предприятий-заемщиков.

Практическая значимость исследования заключается в возможности применения коммерческими банками и иными кредитными учреждениями разработанных моделей и методов, предусмотренных авторской методикой трекинг-тестирования, с целью снижения кредитных рисков за счет повышения обоснованности принимаемых решений. Результаты исследования могут быть также использованы рейтинговыми агентствами с целью совершенствования применяемых методик рейтингового оценивания.

Апробация и внедрение результатов исследования. Основные результаты работы прошли апробацию и получили положительную оценку на семинарах и научных сессиях в ФГБОУ ВПО «Воронежский государственный университет» и ФГБОУ ВПО «Орловский государственный университет»,

международной школе-семинаре им. С.С. Шаталина «Системное моделирование социально-экономических процессов» (Калининград, 2011), международных научно-практических конференциях: «Финансовые рынки: модели, риски, решения» (Воронеж, 2011), «Анализ, моделирование и прогнозирование экономических процессов» (Воронеж, 2011).

Работа выполнялась в соответствии с комплексной программой научных исследований кафедры информационных технологий и математических методов в экономике Воронежского государственного университета «Математическое моделирование и информационные технологии в управлении экономическими процессами».

Результаты диссертационного исследования используются в учебном процессе ФГБОУ ВПО «Воронежский государственный университет», ФГБОУ ВПО «Орловский государственный университет».

Публикации. По теме диссертационного исследования было опубликовано 10 работ, общим объемом 6,75 п.л., в том числе 3 статьи в изданиях из Перечня ВАК, общим объемом 2,0 п.л.

Структура и содержание работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы из 146 источников.

Во введении обоснована актуальность темы диссертации, определены предмет и объект исследования, сформулирована цель и поставлены задачи, решение которых необходимо для ее достижения, раскрыта научная новизна, теоретическая и практическая значимость результатов исследования.

В первой главе «Рейтинговые оценки в задачах обоснования кредитных решений» обсуждаются проблемы информационной поддержки кредитных решений и современные подходы к их обоснованию. Достаточно подробно излагаются существующие модели и методы формирования кредитных рейтингов; особое внимание уделяется тем из них, в которых присутствует прогнозная составляющая.

Во второй главе «Модели и методы рейтингового трекинг-тестирования кредитозаемщиков» вводится понятие «трекинг-тестирование», рассматриваются вопросы использования этого понятия в практике обоснования кредитных решений. Обсуждается аппарат, который необходим для построения процедуры трекинг-тестирования. Обосновывается необходимость использования в трекинг-тестировании адаптивного подхода и рейтингового оценивания.

В третьей главе «Вопросы построения процедуры адаптивного трекинг-тестирования и ее практического использования» представлен финальный результат диссертационного исследования - методика адаптивного трекинг-тестирования. В предлагаемой методике два раздела. Первый этап предусматривает реализацию методов построения рекурсивной системы адаптивных модулей и модели множественного выбора с упорядоченными альтеран-тивами, а второй - непосредственное рейтинговое оценивание кредитоспоб-ности предприятий-заемшиков на основе результатов моделирования первого этапа.

В заключении сформулированы основные выводы диссертационного исследования.

Н. ОСНОВНЫЕ ПО ,'СЖЕШШ II РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Понятие «трекннг-тестирование кредитоспособности предприятий-заемщиков»

В некотором смысле термин «трекинг-тестирование» можно рассматривать как аналог известного в адаптивном прогнозировании понятия «трекинг-сигнал». С его помощью осуществляется функция следящего контроля за точностью прогнозных расчетов, которые обеспечивает адаптивная модель. Как только уровень точности становится ниже допустимого предела, принимается решение о перенастройке параметров модели.

Роль трекинг-тестирования, по сути, та же самая. По замыслу, с его помощью должен осуществляться непрерывный контроль за финансовыми возможностями кредитозаемшика. Регулярный контроль позволяет уловить наметившиеся тенденции в финансовом состоянии и в случае необходимости принимать упреждающие меры по снижению рисков, связанных с конкретным клиентом кредитной организации.

Общий смысл трекинг-тестирования понятен, но механизм и средства, с помощью которых его можно реализовать на практике, требуют специальных разъяснений. Прежде всего, рассмотрим вопрос, связанный с критерием, используемым в трекинг-тестировании для определения финансового состояния кредитозаемщика. В последнее время заметен интерес к использованию для определения финансового состояния внутренних рейтинговых оценок. Рейтинги представляют собой особый класс комплексных оценок. Они зарекомендовали себя как надежный инструмент при оценке надежности деловых и партнерских отношений в бизнесе.

Таким образом, критериальной составляющей трекинг-тестирования кредитозаемщиков является рейтинг. Но сама рейтинговая оценка редко используется в чистом виде. Как правило, она имеет дополнительную уточняющую оценку, в виде прогнозной составляющей, которая играет важную роль в общей оценке надежности кредитозаемщика. В некоторых ситуациях прогнозная составляющая оказывает даже доминирующее влияние на кредитное решение. Благодаря этой составляющей удается на протяжении всего кредитного срока иметь объективное представление об изменяющихся возможностях кредитозаемщика.

В связи с необходимостью в процедурах трекинг-тестирования предусматривать получение прогнозной составляющей рейтинга, возникает вопрос об аппарате моделирования, который сможет обеспечить многофункциональность этой процедуры. Понятно, что нужны эконометрические модели. Эта точка зрения основана на том, что только с помощью эконометрических моделей удается адекватно воспроизводить процессы, генерируемые реальными объектами. Однако найти модели с необходимым набором свойств в общепринятом стандартном списке эконометрических моделей вряд ли удастся.

Проблема, возникающая при реализации эконометрического подхода, заключается в специальном подборе данных, в которых отражена история работы кредитной организации. Причем в этой истории должны быть как данные, в которых отражено финансово-экономическое состояние клиентов, получивших кредиты и полностью выполнивших условия кредитного договора, так и тех, которые нарушили условия кредитного договора или полностью его не выполнили. Только в случае, когда данные выборочной совокупности удовлетворяют этим требованиям, можно на их основе построить эко-нометрическая модель, которая сможет правильно отражать ситуации, возникающие в практической деятельности кредитной организации. Фактически обсуждается вопрос о формировании репрезентативной выборочной совокупности, данные которой отражают факт того, что они сгенерированы в соответствии с номинальной составляющей рейтинговой шкалы и в них содержится информация об этой составляющей. В некотором смысле задача построения рейтинговой шкалы эквивалентна задаче классификации с учителем, в обучающей выборке которой должны присутствовать случаи «хороших» и «плохих» кредитозаемщиков.

В простейшем случае, когда предполагается, что номинальная составляющая состоит всего из двух классов, мы имеем задачу, решение которой обычно осуществлялось с использованием дискриминантного анализа.

В современном аппарате эконометрики есть модели, с помощью которых можно получать решение подобных задач в более удобной форме для практического использования. Успех в формировании рейтинговой шкалы на основе этих моделей практически на сто процентов зависит от того набора данных, которые используются для построения эконометрических моделей. В данных исторического периода не всегда можно обнаружить все ситуации, необходимые для построения полномасштабной рейтинговой шкалы, отражающие и номинальные, и ранговые ее возможности. В связи с этим возникает проблема искусственного формирования выборочной совокупности, в которой отражена необходимая для этих целей информация. При таком формировании в явном виде нарушается принцип случайного отбора, поэтому искусственно сформированную выборку принято называть псевдовыборочной совокупностью.

Для формирования псевдовыборочных совокупностей, как правило, привлекаются эксперты. Смысл основной задачи, стоящей перед экспертами, в том чтобы на данные выборочного множества перенести собственные представления о механизмах предполагаемых закономерностей между объясняющими переменными и ожидаемыми событиями. Тогда, если псевдовыборка сформирована успешно, то по замыслу построенная на данных этой псевдовыборки модель должна отражать ту закономерность, руководствуясь которой эксперт оценивал степень воздействия выборочных значений на возможные проявления интересующего нас события. Таким образом, главное отличие псевдовыборки от выборки в том, что в ее данных наряду с объективной информацией содержится субъективная, которую эксперты, располагая определенными знаниями, сумели обнаружить и связать своими субъек-

тивными оценками со значениями той переменной, которая измеряется в номинальной шкале.

Способы формирования псевдовыборки, как правило, тесно связаны со смысловым содержанием решаемой задачи. В нашем случае это задачи по формированию номинальной составляющей рейтинговой шкалы. Для этой цели, как правило, используются не строго формализованные процедуры и поэтому для их успешного применения в каждом конкретном случае должна отражаться специфика этого конкретного случая.

Также как и сами рейтинговые оценки, номинальная составляющая рейтинговой шкалы должна формироваться на основе многомерного описания финансового состояния кредитозаемщиков. Для этого все показатели, с помощью которых описывается финансовое состояние, приводятся к сопоставимому виду. После приведения показатели используются для построения эконометрической модели, учитывающей их взаимосвязь и обеспечивающей проведение упреждающих расчетов. Упреждающие оценки принимаются за ожидаемые величины, которые сравниваются с наступившей реальностью. Предполагается, что кредитное решение принималось с ориентацией на ожидаемое финансовое состояние. Поэтому, если реальность окажется лучше ожидаемого результата, то это фиксируется как положительный факт сравнения, хуже - как отрицательный факт сравнения. Сравнение осуществляется по всем показателям, описывающим финансовое состояние кредитозаемщи-ка. В результате для каждого момента времени исторического периода мы будем иметь оценку финансового состояния кредитозаемщика в номинальной составляющей рейтинговой шкалы.

Чтобы понять хорошая, это оценка или плохая, необходимо провести упорядочение полученных описаний финансового состояния. Логика упорядочения очень простая. Самую высокую оценку должно получить описание, которое по всем показателям имеет положительный результат сравнения. А самую низкую оценку, естественно, должно получить описание, имеющее по всем показателям отрицательный результат сравнения. Ранговая конструкция остальных описаний сложнее. Для ее реализации нужно иметь представление о сравнительной степени важности показателей, используемых в описании финансового состояния. Это позволит решить вопрос о присвоении ранга описанию, в котором есть и положительные, и отрицательные результаты сравнения. Скажем, если отрицательный результат сравнения получен только по одному показателю, степень важности которого самая высокая, то такое описание должно получить самый низкий ранг среди описаний с одним отрицательным результатом сравнения. Другими словами, среди описаний с одним отрицательным результатом сравнения ранжирование осуществляется в соответствии со степенью важности показателей, Степень важности показателей учитывается также при ранжировании описаний с любым другим числом отрицательных результатов сравнения. Поэтому решение этого вопроса требует привлечение экспертов, с помощью которых для показателей, описывающих финансовое состояние кредитозаемщика, определяются весовые коэффициенты значимости.

Последний вопрос, который необходимо решить в рамках формализованного подхода, касается модели, с помощью которой будут рассчитываться упреждающие оценки показателей. Если учесть, что эта модель, по сути, должна стать частью процедуры трекинг-тестирования, то наиболее подходящей для этих целей является модель с адаптивным механизмом. С ее помощью рассчитываются адаптивные ожидания, в которых концентрируется экспоненциально распределенная информация, позволяющая актуализировать представление о финансовом состоянии кредитозаемщика. Естественно, актуализация повышает надежность трекинг-тестирования.

2. Рекурсивная система адаптивных модулей.

Процедура адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков

Введенный термин «трекинг-тестирование» предназначен для определения момента, когда надежность кредитозаемщика снижается до уровня потери платежеспособности. Для практической реализации этой идеи необходима разработка специального математического аппарата, позволяющего осуществлять упреждающую оценку финансовой надежности кредитозаемшика. Без сомнения, существуют различные варианты решения этой задачи. Один из возможных вариантов будет изложен ниже. В этом варианте предусматривается решение двух задач: формирование ожидаемого финансового состояния предприятий в виде прогнозных оценок и определения на их основе по некоторому критерию уровня финансовой надежности.

Для расчета прогнозных оценок, которые в силу специфики решаемой задачи должны систематически уточняться, удобным инструментом являются адаптивные модели. Известно, что это те модели, которые целесообразно использовать в случае, когда моделируемый процесс с течением времени изменяет свои характеристики по неизвестному закону. Наблюдаемая динамика финансового состояния предприятия, как правило, характеризуется эффектами подобного рода. Динамику с изменяющимися характеристиками практически невозможно воспроизводить с помощью неизменной модели. Следовательно, чтобы поддерживать уровень адекватности модели, используемой в трекинг-тестировании, необходимо осуществлять ее систематическую корректировку. Другими словами, эта модель должна быть адаптивной. Только адаптивный механизм способен обеспечить актуализацию текущего финансового состояния предприятия. Но есть вопросы к устройству адаптивного механизма, так как финансовую организацию интересует изменение ситуации с платежеспособностью в целом по всем кредитозаемщикам, а также изменение платежеспособности в среднем по каждому отдельно взятому кре-дитозаемщику с учетом изменения общей ситуации.

Решение вопроса об оценке общей ситуации и ситуаций, связанных с оценкой финансового состояния отдельных кредитозаемщиков, в рамках адаптивного подхода требует разработки моделей с двойным механизмом расчетов. Основная идея двойного механизма расчетов в том, что корректи-

ровки по общей ситуации и по индивидуальным ситуациям осуществляются на основе различных подходов, что естественно приводит к расчетному механизму, когда в степени воздействия на модель учитывается либо воздействие, усредненное по всем предприятиям, либо воздействие индивидуального характера. Очевидно, что если расчет носит индивидуальный характер, то не имеет смысла вносить изменения в модель, описывающую общую тенденцию финансового состояния всех кредитозаемщиков. При корректировке общей тенденции адаптивный механизм должен изменять модель с ориентацией не на каждое отдельное вновь появившееся наблюдение, а с ориентацией на группу последних наблюдений по всем предприятиям, данные о которых используются в процедуре трекинг-тестирования. Это общие идеи устройства адаптивной модели с двойным механизмом расчетов. Естественно, все это требует детализации и подробного пояснения реализующих их процедур.

Вторая проблема, которая возникает при реализации процедуры трекинг-тестирования, связана с многомерностью описания финансового состояния кредитозаемщика. Фактически требуется адаптивная модель многомерного процесса. В арсенале адаптивных методов и моделей практически нет модели, которую можно было бы применить для трекинг-тестирования многомерных процессов. Адаптивный варнант матричного мультипликатора, к сожалению, не подходит на роль базовой модели, на основе которой можно реализовать идею двойного адаптивного механизма. Поэтому необходима разработка адаптивной модели многомерного процесса. Вопрос только в том, какая из эконометрических или математических моделей может служить основой для разработки адаптивной модели многомерных процессов. Выбор весьма ограничен. Теоретически, кроме матричного мультипликатора, можно было бы использовать модели векторной авторегрессии или структурные эконометрические модели. Известны примеры практического использования этих моделей. Но проблемы с оцениванием параметров и той и другой модели столь сложны, что не позволяют превратить их в адаптивные, не говоря уж о двойном адаптивном механизме. Единственной моделью, которая может стать основой для построения адаптивной модели с необходимым набором свойств, по нашему мнению, является рекурсивная система регрессионных уравнений.

Предпочтительность рекурсивной системы перед другими моделями в том, что каждое ее уравнение оценивается как обычное регрессионное уравнение с помощью хорошо известного метода наименьших квадратов. А это значит, что каждое уравнение рекурсивной системы можно превратить в адаптивное. Для понимания логики построения адаптивной модели имеет смысл рассмотреть структуру данных, которые предположительно будут использованы в тренинг-тестировании.

Как правило, данные, используемые для построения модели трекинг-тестирования, имеют панельную структуру. Использование данных с панельной структурой в адаптивном моделировании требует специального подхода к формированию процедуры обработки вновь поступивших наблюдений. В адаптивных моделях, которые строятся на экспоненциально взвешенном ме-

тоде наименьших квадратов, используется два способа обработки вновь поступивших данных: одношаговый и многошаговый. В одношаговой процедуре на каждом шаге обрабатывается одно наблюдение, в многошаговой процедуре на каждом шаге обрабатываются наблюдения за несколько периодов. В случае панельной структуры данных получается смешанный случай. Возникает необходимость применения одношаговой процедуры в режиме многошаговой. Модели, в которых используется комбинированный подход к обработке вновь поступивших наблюдений, по нашему мнению целесообразно называть, адаптивными регрессионными моделями панельных данных.

С помощью модели панельных данных в процедуре трекинг-тестирования контролируется усредненный уровень финансового состояния всех кредитозаемщиков. Помня, что в процедуре трекинг-тестирования используется рекурсивная система регрессионных уравнений, запишем адап-

тивный вариант рекурсивной системы:

(1)

ьдо = ьд^-1)+сг;.1(¥1;у(¥!;с-',(¥1;)Ча11)-12г,, (2)

с,-; =-[с-'ч-ъитчу&мг+«11г1вд',], о»

а

(4)

*£=у£-*2мЬ2С-1). (5)

МО=ь2(/ -1)+с-;ч(у2отВД^у+«12гЧ. (6) с-; = - с2;_, (у/, уа^с-1., (.пу+«12 >вд,1-, ], (?)

а

(8).

<„=У:-У:чЬи(/-1), (9)

ь„( 0 = + + (10)

а

У«+1 =¥>»(0. (")

где ЬДг) = (')»••-А* (0)'~ вектор коэффициентов к-й адаптив-

ной модели рекурсивной системы, оцененной в момент времени V,

У к/ ~ О^'.Ул >•••>}'£)'- вектоР зависимой переменной со значениями, которые в момент времени I имел соответствующий показатель в группе из р предприятий;

гк> "(^й'2**'"-'^)'- векТ0Р столбец отклонений фактических значений от расчетных, полученных для р предприятий;

С])- матрица, обратная к матрице системы нормальных уравнений, по-

лученная с учетом экспоненциального взвешивания и используемая при оценке коэффициентов к -го уравнения рекурсивной системы;

шаг адаптивного алгоритма в момент времени 1 при корректировке коэффициентов к -го уравнения регрессии рекурсивной системы.

Система уравнений (1) - (12) представляет собой адаптивную рекурсивную систему, для построения которой используются данные, имеющие панельную структуру. Каждое уравнение рекурсивной системы, по сути, было преобразовано в адаптивную модель, записанную специальным образом. В результате получаем адаптивную рекурсивную систему, состоящую не из уравнений, а из модулей, включающих регрессионное уравнение, рекуррентную формулу пересчета коэффициентов регрессии и рекуррентную формулу обновления ковариационных взаимосвязей (пересчет обратной матрицы). Связь между модулями построена на тех же принципах, что и связь между уравнениями рекурсивной системы. Поэтому логика расчетов остается практически без изменений.

Наделение системы регрессионных уравнений адаптивными свойствами, приводит к возникновению ряда вопросов, требующих решения. Первый вопрос, на который необходимо получить ответ, заключается в следующем. Каждое уравнение адаптивной системы строится локально, вне зависимости от построения других уравнений системы. В каждом адаптивном уравнении есть параметр экспоненциального сглаживания. Обычно этот параметр настраивается на данных обучающей выборки. В случае адаптивной рекурсивной системы можно данный параметр настраивать отдельно для каждого уравнения, а можно настраивать как единый параметр для всех уравнений адаптивной рекурсивной системы. Какой способ настройки параметра сглаживания следует предпочесть? Однозначного ответа нет. Скорее всего, получить модель с высокими экстраполяционными возможностями можно в случае, когда для каждого уравнения параметр настраивается отдельно. Но в этом случае теряется смысл единой модели, формирующей представление о финансовом состоянии кредитозаемщиков. В расчетах, которые проводились в рамках диссертационного исследования, был принят вариант единого настраиваемого параметра для всех уравнений адаптивной рекурсивной системы.

Естественно, возникает вопрос и о критерии, который оптимизируется при настройке единого параметра адаптации. Наиболее популярным является критерий, предусматривающий минимизацию максимальной прогнозной ошибки, получаемой на данных обучающей выборочной совокупности.

\

Уь

- матрица данных, обрабатываемая за один

1 - у?,

Второй вопрос, требующий решения, состоит в определении механизма, с помощью которого данные, полученные как результат расчетов по предшествующему уравнению системы, передаются в виде информационного потока, используемого при построении последующего уравнения регрессии. В обычной рекурсивной системе такой информационный поток в каждый момент времени передает одно расчетное значение. В предлагаемой модели при формировании этого информационного потока учитывается панельная структура данных, в соответствии с которой информационный поток устроен таким образом, что передает группу расчетных значений.

Третий вопрос касается оценки адекватности построенной модели. Процедура построения рекурсивной системы не исключает случай, когда какое либо уравнение системы окажется неадекватным. В случае построения обычной рекурсивной системы соответствующую переменную вместе с уравнением исключают из системы. При построении адаптивной рекурсивной системы тестирование на адекватность возможно только на этапе построения начальных значений, в качестве которых обычно используются оценки метода наименьших квадратов. Поэтому вопрос о составе показателей моделируемых рекурсивной системой решается на этапе определения начальных приближений. Для этого, как известно, используется часть данных выборочной совокупности. Если все уравнения рекурсивной системы окажутся адекватными, то скорее всего адаптивный механизм будет способствовать повышению точности уравнений системы и модели будут оставаться адекватными. Если же у одного или нескольких уравнений начальные приближения окажутся не адекватными, то нужно пересмотреть спецификацию рекурсивной системы. Надежда на то, что адаптивный механизм повысит точность неадекватных уравнений, вполне реальна, но наличие в рекурсивной системе таких уравнений приводит к снижению общей точности модели.

Еще один вопрос, на который хотелось бы получить ответ в рамках данного исследования. Этот вопрос касается способов формирования группы вновь поступающих наблюдений. В рассматриваемой модели использовался способ, в соответствии с которым в каждый момент времени обрабатывалась группа наблюдений, относящихся к одному и тому же моменту времени. Это позволяло применять модель только для краткосрочных прогнозных расчетов. В принципе, никто не запрещает одновременно обрабатывать не одну, а несколько групп наблюдений, относящихся к нескольким последовательным моментам времени. Если использовать такой способ формирования группы одновременно обрабатываемых наблюдений, то рекурсивную систему адаптивных модулей можно будет использовать для получения среднесрочных прогнозных оценок. Проблема только в размерах матрицы, которую необходимо будет обращать на каждом шаге обработки данных.

Рекурсивная система адаптивных модулей обеспечивает получение многомерной текущей оценки финансового состояния кредитозаемщика. Именно по этой оценке принимается решение о степени надежности кредитозаемщика. Поэтому рекурсивная система адаптивных модулей является главной составляющей процедуры трекинг-тестирования.

Рекурсивная система адаптивных модулей предназначена для осуществления упреждающих расчетов ожидаемого финансового состояния кредито-заемщиков. Само финансовое состояние предполагается оценивать с помощью рейтингов. Обязательной составляющей рейтинговой оценки является прогноз. Поэтому в процедуре рейтингового трекинг-тестирования должно предусматриваться получение прогнозной составляющей. Использование рекурсивной системы адаптивных модулей позволяет решить эту проблему, так как предоставляет возможность получать рейтинговые оценки для данных, характеризующих текущее финансовое состояние кредитозаемщика, так и для данных, характеризующих ожидаемое финансовое состояние. Но рассмотренный вопрос относится к ситуации, когда все модели процедуры тре-кинг-тестирования уже построены.

Процедура трекинг-тестирования предусматривает проведение взаимосвязанных расчетов по трем моделям. Один шаг действия процедуры тре-кинг-тестирования иллюстрирует рис. 1.

Рисунок 1 - Фрагмент одного шага процедуры трекинг-тестирования (авт.)

В соответствии со схемой, сначала по вновь поступившим данным пере-считываются коэффициенты моделей рекурсивной системы адаптивных модулей. Обновленные модели рекурсивной системы используются для прогнозирования финансового состояния и для оценки стабильности многомерной динамики финансовых показателей. Вопрос нестабильной динамики рассматривается как особый случай. И только после анализа многомерной динамики формируются рейтинговые оценки и прогнозная составляющая рейтинговых

оценок. В соответствии с обозначенной последовательностью расчетов сначала рассмотрим процедуру анализа стабильности многомерного процесса.

После проверки динамики финансовых показателей на стабильность строится модель множественного выбора с упорядоченными альтернативами, которая является той моделью, с помощью которой в трекинг-тестировании определяется рейтинговая оценка. Механизм определения рейтинга состоит в следующем. В модель множественного выбора подставляются значения финансовых показателей кредитозаемщика и рассчитываются вероятности, с которыми данный кредитозаемщик может быть отнесен к классам номинальной составляющей рейтинговой шкалы. Рейтинг кредитозаемщика - это номер класса, вероятность принадлежности которому максимальна. Но наиболее полной характеристикой рейтинговой оценки является все же вероятностное распределение. Именно оно играет важную роль в анализе результатов трекинг-тестирования, позволяя уловить даже незначительные изменения в рейтинговой оценке.

Таким образом, можно констатировать, что модуль трекинг-тестирования состоит из двух моделей и процедуры, логика взаимодействия между которыми определяется целью конечного результата. А цель конечного результата состоит в том, чтобы кредитная организация в каждый конкретный момент времени имела объективное представление о текущем и ожидаемом финансовом потенциале кредитозаемщика. Объективное представление можно получать только с помощью модели, которая в каждый момент времени адекватно отражает ситуацию. Понятно, что модель, которая с течением времени сама не изменяется, не сможет обеспечить такую адекватность. Поэтому вопрос о выборе модели для трекинг-тестирования был решен однозначно в пользу адаптивной.

С помощью модели (1)-(12) решаются две задачи: традиционная, связанная с расчетом прогнозных оценок финансового состояния предприятий, и нетрадиционная, связанная с оценкой характера динамики финансовых показателей. Прогнозные оценки используются для формирования ожидаемой величины рейтинга. А по характеру динамики финансовых показателей определяется стабильность рейтинга при условии, что модель будет оставаться адекватной.

Процедура анализа стабильности применяется сразу, после очередной корректировки коэффициентов рекурсивной системы. Если расчеты позволяют сделать вывод о том, что динамика финансовых показателей стабильна, то этот вывод переносится и на рейтинговую оценку. Рейтинговые оценки формируются для текущего периода и упреждающего момента времени. Между собой текущая рейтинговая оценка и прогнозная сравниваются. Результаты сравнения используются в прогнозной составляющей рейтинга. Детали всех расчетов освещаются в методике построения и использования процедуры адаптивного трекинг-тестирования.

Ранжированием завершается формированием рейтинговой ¡укалы, а точнее данных, сгенерированных рейтинговой шкалой. Возникает естественный вопрос, как использовать эти данные, чтобы определить, какую рейтинговую

оценку заслуживает клиент, обратившийся в банк за кредитом. Понятно, что непосредственно с помощью этих данных определить рейтинговую оценку нельзя. Но можно построить модель, с помощью которой будет определяться рейтинговая оценка. Эта проблема решается с помощью эконометрического подхода.

Аппарат эконометрического моделирования риск-предикторных рейтинговых оценок, на наш взгляд, должен, по крайней мере, решать две задачи: идентифицировать рейтинговую шкалу, в соответствии с которой субъектам присваиваются рейтинги, и формировать прогнозную составляющую рейтинга каждого субъекта. Рассмотрим возможности эконометрического моделирования, ориентированного на решение первой задачи. Прежде всего отметим, что применение аппарата эконометрического моделирования риск-предикторных рейтинговых оценок предполагает наличие в данных исторического периода наблюдений, которые характерны для разного типа заемщиков. Если данные о некоторых типах заемщиков отсутствуют, то их можно создать искусственно, используя вышеописанные принципы формирования псевдовыборочных совокупностей, а также бутстреп-технологии размножения выборок, которые хотя и не упоминались, но являются обязательной составляющей искусственного формирования эмпирического набора данных.

По сути, от данных требуется, чтобы они отражали и номинальную, и ранговую составляющие рейтинговой шкалы. Причем это отражение позволяет выделить, хотя возможно и с нечетко очерченными границами, классы однотипных кредитозаемщиков. Понятно, что нечеткость в описании составляющих требует определенной корректировки этого описания. Уточнение номинальной составляющей рейтинговой шкалы целесообразно проводить с помощью эконометрической модели множественного выбора с упорядоченными альтернативами. При помощи этой модели рассчитываются вероятности, с которыми субъекты могут принадлежать тому или иному классу с уже присвоенным рангом. Смысл корректировки заключается в перемещении субъектов из класса в класс в соответствии с оцененными по модели вероятностями.

Модель строится в двух вариантах: с нормальной функцией распределения вероятностей и с логистической функцией распределения вероятностей. Принципиального различия между моделями нет и поэтому нет рекомендаций по поводу того, в каких случаях, какая из них является наиболее предпочтительной. Рекомендация единственная. Модель имеет смысл строить в тех ситуациях, когда моделируемую переменную можно измерить в ранговой шкале. Это именно тот случай, когда хорошо подогнанная к подобного рода эмпирическим данным модель, по сути, является «линейкой» с делениями рейтинговой шкалы.

3. Методика адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков

Рейтинговое оценивание кредитоспособности заемщиков не только по форме, но и по сути является комплексным подходом к обоснованию кредит-

ных решений, в рамках которого осуществляется построение, а затем практическое использование моделей специального вида. Логика взаимодействия этих моделей и порядок построения описывается методикой, основные положения которой изображены на рис. 2.

- ч

' I этап. ПОСТРОЕНИЕ МОДЕЛЕЙ

1. Спецификация рекурсивной системы

1.1. Отбор финансовых показателей

1.2. Разработка логической схемы рекурсивной системы

1.3. Эмпирическая проверка логической схемы

2. Построение начального приближения адаптивной рекурсивной системы

2.1. Отбор данных для построения начальных приближетй

2.2. Построение ковариационных матриц, соответствующих логике рекурсивной системы

2.3. Нахождение обратных матриц

2.4. Оценка коэффициентов регрессионных уравнений рекурсивной системы

3. Построение адаптивных моделей рекурсивной системы

3.1. Отбор данных для настройки параметра адаптации

3.2. Определение критерия настройки параметра адаптации

3.3. Расчет текущих коэффициентов рекурсивной системы по рекуррентным формулам

3.4. Определение оптимального параметра адаптации

4. Определение весовых коэффициентов финансовых показателей

4.1. Определение индивидуальных экспертных оценок

4.2. Проверка согласованности экспертных оценок

4.3. Определение групповой экспертной оценки

5. Формирование номинальной составляющей рейтинговой шкалы

5.1. Расчет прогнозных оценок финансовых показателей кредитозаемщиков

5.2. Формирование дискретной переменной в соответствии с гипотезой альтернативных ожиданий

5.3. Формирование значений номинальной составляющей рейтинговой шкалы

6. Корректирующие уточнения номинальной составляющей рейтинговой шкалы

б. 1. Построение модели множественного выбора с упорядоченными альтернативами

6.2. Уточнение номинальной составляющей в соответствии с условным вероятностным распределением

7. Построение модели рейтингового оценивания

7.1. Формирование данных для построения модели с применением бутстреп-технологии

7.2. Построение модели множественного выбора с упорядоченными альтернативами

^II этап. РЕЙТИНГОВОЕ ОЦЕНИВАНИЕ

V

1. Расчет прогнозных оценок

1.1. Формирование данных для прогнозных расчетов

1.2. Корректировка коэффициентов рекурсивной системы адаптивных модулей.

1.3. Расчет прогнозных оценок финансовых показателей

2. Анализ стабильности многомерной динамики

2.1. Формирование векторного неоднородного конечно-разностного уравнения

2.2. Реализация итерационной процедуры степенного метода

по определению максимального по модулю собственного значения

2.3. Выводы по стабильности многомерной динамики финансовых показателей

3. Построение адаптивных моделей рекурсивной системы

3.1. Формирование данных для расчетов

3.2. Идентификация распределения рейтинговой оценки текущего финансового состояния кредитозаемщнка

3.3. Идентификация распределения рейтинговой оценки ожидаемого финансового состояния кредитозаемщнка

3.4. Формирование прогнозной составляющей рейтинговой оценки

Рисунок 2 - Методика адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков (авт.)

Верификация методики была проведена с использованием реальных данных о финансовом состоянии предприятий Орловской области. В табл. 1 приведена динамика условного вероятностного распределения рейтинговых оценок по четырем предприятиям. Табл. 2 отражает динамику условного вероятностного распределения рейтинговых оценок, полученных на основе прогнозных расчетов. Табл. 3 содержит результаты сравнения текущего рейтинга и прогнозного. По результатам сравнения сделан вывод о прогнозной составляющей рейтинговой оценки.

Таблица I - Рейтинговые оценки текущего состояния предприятий

Предприятие Год Уи Уи ■Уз, Вероятности номинальной составляющей

0 1 2 3

1 2 3 4 5 6 7 8 9

ГМС Насосы 2004 0,28 0,19 0,14 0,000 0,000 1,000 0.000

ГМС Насосы 2005 0,23 0,22 0,20 0,000 0,000 1,000 0,000

ГМС Насосы 2006 0,11 0,24 0,24 0,000 0,017 0,983 0.000

ГМС Насосы 2007 0,24 0,27 0,48 0,000 0.000 1,000 0.000

ГМС Насосы 2008 0,56 0,29 0,73 0,000 0,000 0,179 0,821

ГМС Насосы 2009 1,00 0,74 1,00 0,000 0,000 0.000 1.000

Автоагрегат 2004 0,67 0,45 0,46 0,000 0,000 0,003 0,997

Автоагрегат 2005 0,53 0,48 0,41 0,000 0,000 0.377 0.623

Окончание табл. 1

1 2 3 4 5 6 7 8 9

Автоагрегат 2006 0.56 0.48 0.52 0,000 0.000 0.179 0,821

Автоагрегат 2007 0.89 1,00 1.00 0,000 0.000 0,000 1,000

Автоагрегат 2008 0.84 0,64 0.68 0,000 0,000 0,000 1,000

Автоагрегат 2009 0,85 0,56 0,46 0.000 0,000 0,000 1,000

Орелоблгаз 2004 0.01 0.01 0,03 0,000 0,332 0,668 0.000

Орелоблгаз 2005 0.03 0.00 0.00 0,000 0,203 0,797 0,000

Орелоблгаз 2006 0.04 0,04 0,07 0,000 0,162 0,838 0,000

Орелоблгаз 2007 0,00 0.09 0,11 0,000 0,439 0,561 0,000

Орелоблгаз 2008 0.04 0.10 0.16 0,000 0.170 0,830 0,000

Орелоблгаз 2009 0.08 0.05 0.08 0,000 0.047 0,953 0,000

Орелоблэнерго 2004 0.38 0.30 0.23 0,000 0,000 0,991 0.009

Орелоблэнерго 2005 0,26 0,07 0.00 0,000 0,000 1,000 0,000

Орелоблэнерго 2006 0.56 0.00 0.34 0,000 0,000 0,171 0,829

Орелоблэнерго 2007 0,95 0,44 0.67 0,000 0,000 ■ 0,000 1,000

Орелоблэнерго 2008 0.69 0.66 0.68' 0,000 0,000 0,002 0,998

Орелоблэнерго 2009 0.80 0.54 0.61 0,000 0,000 0,000 1,000

Таблица 2 - Ожидаемые рейтинговые оценки

Предприятие Год Уи У* Уз, Вероятности номинальной составляющей

0 1 2 3

ГМС Насосы 2005 0,28 0,18 0,21 0,000 0,000 1,000 0,000

ГМС Насосы 2006 0.26 0,17 0.23 0,000 0,000 1,000 0.000

ГМС Насосы 2007 0.21 0,25 0,30 0,000 0,000 1,000 0,000

ГМС Насосы 2008 0.33 0,39 0.43 0,000 0,000 0,999 0.001

ГМС Насосы 2009 0,61 0,61 0,91 0,000 0,000 0,027 0,973

ГМС Насосы 2010 1.03 0,87 0.97 0,000 0,000 0,000 1.000

Авто агрегат 2005 0.48 0.44 0.45 0,000 0,000 0,784 0.216

Автоагрегат 2006 0.43 0,45 0.49 0,000 0,000 0,959 0.041

Автоагрегат 2007 0,70 1,03 0,000 0,000 0,178 0.822

Автоагрегат 2008 0.78 0,85 0,71 0,000 0,000 _ 0,000 1,000

Автоагрегат 2009 0,85 0,66 0,64 0,000 0,000 0,000 1,000

Автоагрегат 2010 0.89 0,82 0,84 0.000 0,000 0.000 1.000

Орелоблгаз 2005 0,15 0,00 -0,01 0,000 0,003 0,997 0,000

Орелоблгаз 2006 0.16 0,00 0.06 0,000 0,003 0,997 0.000

Орелоблгаз 2007 0,16 0,01 0,13 0,000 0.002 0,998 0,000

Орелоблгаз 2008 0.15 0,09 0.16 0,000 0.003 0,997 0,000

Орелоблгаз 2009 0.18 0,10 0.12 0.000 0,001 0,999 0.000

Орелоблгаз 2010 0.19 0,10 0.21 0,000 0,001 0,999 0.000

Орелоблэнерго 2005 0.34 0.26 0.05 0,000 0,000 0,998 0,002

Орелоблэнерго 2006 0,28 0,16 0.11 0,000 0,000 1,000 0.000

Орелоблэнерго 2007 0,56 0,43 0.61 0,000 0,000 0,172 0,828

Орелоблэнерго 2008 0.83 0,52 0.72 0,000 0,000 0,000 1.000

Орелоблэнерго 2009 0,72 0,65 0,60 0,000 0,000 0,001 0,999

Орелоблэнерго 2010 0,85 0,77 1,00 0,000 0.000 0,000 1,000

Таблица 3 - Прогнозная составляющая рейтинга

Предприятие Год Ожидаемые изменения вероятностей номинальной составляющей Прогноз

0 1 2 3

ГМС Насосы 2005 0,00 0,00 0,00 0,00 стабильный

ГМС Насосы 2006 0,00 0,00 0,00 0,00 стабильный

ГМС Насосы 2007 0,00 -0,02 0,02 0,00 позитивный

ГМС Насосы 2008 0,00 0,00 0.00 0,00 стабильный

ГМС Насосы 2009 0,00 0,00 -0,15 0,15 позитивный

ГМС Насосы 2010 0,00 0,00 0,00 0,00 стабильный

Автоагрегат 2005 0,00 0,00 0,78 -0,78 негативный

Автоагрегат 2006 0.00 0.00 0,58 -0.58 негативный

Автоагрегат 2007 0,00 0,00 0,00 0,00 стабильный

Автоагрегат 2008 0,00 0,00 _0.00 0,00 стабильный

Автоагрегат 2009 0,00 0,00 0,00 0,00 стабильный

Автоагрегат 2010 0,00 0,00 0,00 0,00 стабильный

Орелоблгаз 2005 0,00 -0,33 0,33 0,00 позитивный

Орелоблгаз 2006 0.00 -0,20 0,20 0,00 позитивный

Орелоблгаз 2007 0,00 -0.16 0.16 0,00 позитивный

Орелоблгаз 2008 0,00 -0,44 0,44 0,00 позитивный

Орелоблгаз 2009 0,00 -0,17 0,17 0,00 позитивный

Орелоблгаз 2010 0,00 -0,05 0,05 0,00 позитивный

Орелоблэнерго 2005 0,00 0,00 0.01 -0.01 негативный

Орелоблэнерго 2006 0,00 0,00 0,00 0,00 стабильный

Орелоблэнерго 2007 0,00 0,00 0,00 0,00 стабильный

Орелоблэнерго 2008 0,00 0,00 0,00 0,00 стабильный

Орелоблэнерго 2009 0,00 0,00 0,00 0,00 стабильный

Орелоблэнерго 2010 0,00 0,00 0.00 0,00 стабильный

Таким образом, методика позволяет выполнить расчеты по определению текущего рейтинга и его прогнозной составляющей.

III. ОСНОВНЫЕ ВЫВОДЫ

В диссертационной работе на основе выполненных теоретических и прикладных исследований в области адаптивного трекинг-тестирования кредитоспособности предприятий-заемщиков, сформулированы выводы, заключающиеся в следующем:

1. Понятие «трекинг-тестирование» с позиции семантики связано с понятиями «трекинг-сигнап» и «стресс-тестирование», но имеет только ему присущий содержательный смысл, отличающий его и от мониторинга, и от сравнения с предельными или граничными значениями. Практическая реализация идеи, заложенной в этой понятие, потребовала разработки специальных моделей и процедур анализа стабильности многомерных процессов и формирования рейтинговых оценок текущего и ожидаемого финансового потенциала кредитозаемщика в режиме мониторинга. Использование результатов трекинг-тестирования в обосновании кредитных решений повышает их надежность.

2. По замыслу, трекинг-тестирование должно обеспечивать кредитную организацию информацией о текущем и ожидаемом финансовом состоянии кредитозаемщиков, а это значит, что в механизме трекинг-тестирования необходимо предусмотреть прогнозные расчеты. Для проведения таких расчетов необходимо подобрать адекватную модель. Сделанный в диссертационной работе выбор в пользу адаптивного подхода, несмотря на то, что возникла необходимость в разработке специального вида, оказался абсолютно правильным. Благодаря реализации идеи трекинг-тестирования в рамках адаптивного подхода удается актуализировать оценки и об устойчивости текущего финансового состояния, и об ожидаемых изменениях. Вряд ли такие преимущества удалось бы достигнуть в рамках какого-либо другого подхода.

3. Модель рекурсивной системы адаптивных моделей в рамках трекинг-тестирования решает проблемы только информационного характера. Для получения из этой информации соответствующих оценок необходимы другие модели и методы. Поэтому практическая реализация идеи трекинг-тестирова-ния потребовала привлечения дополнительного математического аппарата, что позволяет говорить о комплексном подходе к обоснованию кредитных решений с помощью разработанной процедуры трекинг-тестирования.

4. Замысел трекинг-тестирования реализуется в основном с помощью эконометрического подхода, который, как известно, требует построения моделей, адекватно отражающих реальность оцениваемых процессов и состояний. Проблема их построения связана с тем, что одна из моделей разработана в рамках диссертационного исследования, а вторая является малоизвестной в практике эконометрического моделирования, поэтому создание методики построения этих моделей и логика практического использования процедуры адаптивного трекинг-тестирования стала обязательным элементом диссертационного исследования.

IV. ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в гаданиях из перечня ВАК РФ

1. Бакурова Т.М. Теоретические основы и прикладные аспекты адаптивного трекинг-тестирования кредитозаемщиков / Т.М. Бакурова // Современная экономика: проблемы и решения. - 2012. -№ 3 (27). - С. 168-178.

2. Бакурова Т.М. Моделирование упреждающих оценок финансового состояния кредитозаемщика в процедуре трекинг-тестирования / Т.М. Бакурова // Современная экономика: проблемы и решения. - 2012. - № 1(25). -С. 179-186.

3. Бакурова Т.М. Адаптивно-рациональный подход к прогнозированию доходности финансовых активов / Т.М. Бакурова, В.И. Тинякова // Ученые записки Орловского государственного университета. Серия: Гуманитарные и социальные науки. - 2011. - № 4(42). - С. 10-14.

Публикации в других изданиях ,

4. Бакурова Т.М. Прогностическая функция диагностического анализа финансово-экономического состояния предприятия: методы реализации /

Т.М. Бакурова //Вестник Московского экономического института. - М.: ИИЦ МЭИ, 2009,-№2.-С. 116-125.

5. Бакурова Т.М. Адаптивно-рациональные модели формирования прогнозных траекторий развития социально-экономических систем / Т.М. Бакурова, В.И. Тинякова // Вестник Московского экономического института. -М.: ИИЦ МЭИ, 2010. - №1. - С. 112-123.

6. Тинякова В.И. Трекинг-тестирование в задачах оценки надежности кредитозаемщика / В.И. Тинякова, Т.М. Бакурова // Системное моделирование социально-экономических процессов: труды 34-й международной школы-семинара им. С.С. Шаталина. - Воронеж: ИПЦ Воронеж, гос. ун-та, 2011. -Ч.2.-С. 152-155.

7. Тинякова В.И. Современные подходы к оценке кредитоспособности предприятий-заемщиков: критический анализ и перспективы развития / В.И. Тинякова, Т.М. Бакурова // Современная экономика: проблемы и решения. -2011. -№ 4 (16). - С. 122-136.

8. Тинякова В.И. Эконометрическое моделирование прогнозной составляющей рейтинговых оценок / В.И. Тинякова, Т.М. Бакурова // Глобальная экономика: коллективная монография / под науч. ред. проф. E.H. Камышан-ченко, доц. Ю.Л. Растопчиной. - Белгород: ИПК НИУ «БелГУ», 2011. - С. 113-125.

9. Бакурова Т.М. Специфика адаптивных моделей трекинг-тестирования предприятий-кредитозаемщиков / Т.М. Бакурова // Финансовые рынки: модели, риски, решения: материалы I Международной научно-практической Интернет-конференции / под ред. В.И. Тиняковой. - Воронеж: ЦНТИ, 2011. - С. 5-7.

10.Бакурова Т.М. Адаптивно-имитационное моделирование прогнозной составляющей рейтинговой оценки кредитозаемщиков / Т.М. Бакурова, В.И. Тинякова // Анализ, моделирование и прогнозирование экономических процессов: материалы III международной научно-практической интернет-конференции / под ред. Л.Ю. Богачковой, В.В. Давниса. - Воронеж: Изд-во ЦНТИ, 2011.-С. 24-27.

Подписано в печать 26.04.2012. Формат 60 х 84/16. Бумага офсетная. Усл. печ. л. 1,3 Тираж 100 экз. Заказ №1124

Отпечатано в типографии Воронежского ЦНТИ - филиала ФГБУ «РЭА» Минэнерго России 394036, г. Воронеж, пр. Революции, 30.