Слава Україні!
Адмін сайту, який є громадянином України та безвиїзно перебуває в Україні на протязі всього часу повномасштабної російської агресії, зичить щастя та мирного неба всім українським хлопцям та дівчатам! Також він рекомендує українським трейдерам кращих біржових та бінарних брокерів, що мають приємні торгові умови та не співпрацюють з російською федерацією. А саме:
Exness – для доступу до валютного ринку;
RoboForex – для роботи з CFD-контрактами на акції;
Deriv – для опціонної торгівлі.
Ну, і звичайно ж, заборонену в росії компанію Альпарі, через яку Ви маєте можливість долучитися як до валютного ринку, так і до торгівлі акціями та бінарними опціонами (Fix-Contracts). Крім того, Альпарі ще цікава своїми інвестиційними можливостями. Дивіться, наприклад:
рейтинг ПАММ-рахунків;
рейтинг ПАММ-портфелів.
Все буде Україна!
|
|
Высокая точность модели на выборочных данных, соответствующих компаниям, о которых уже известно, обанкротились они или нет, никак не поможет пользователю систем финансовой классификации делать деньги. Поэтому более правильным способом оценить предполагаемую точность модели представляется такой, где на притяжении определенного отрезка времени исследуются показатели ряда компаний, о которых неизвестно заранее, ждет ли их банкротство.
Поскольку новые данные ДМ тестов берутся из той же совокупности, что и образцы, и имеют то же среднее значение, функцию распределения и частоту того или иного исхода, начинает вызывать сомнения надежность модели при использовании се в реальном времени. Особенно плохо все становится в тех случаях, когда целевое состояние — банкротство корпорации, тяжелое состояние больною или обнаружение при проверке багажа спрятанного оружия — является весьма редким событием. Для банкротств корпораций это — порядка одного процента случаев. В такой ситуации даже очень точные модели при использовании в реальном времени выдают огромное количество ложных тревог. Так, например, доли ошибок в 10% при условии, что 99% компаний выживут, означает, что на каждую правильную идентификацию будет выдаваться примерно 10 ложных тревог (ошибок 2-го рода). Более того, редко происходящие события имеют большой разброс (дисперсию). Поэтому доля компаний, обанкротившихся в течение года, сильно меняется от года к году, а для небольших выборок, которые обычно являются основой базы данных банка или финансовой компании, этот эффект выражен еще сильнее.
Таким образом, для того чтобы получить хороший тест, нужно, прежде всего, учитывать все эти свойства, а уже потом - известные итоги работы компаний или среднюю предрасположенность фирм к банкротству. В эксперименте, о котором говорилось выше, тестовая база данных включала в себя информацию за 1973-86 гг. по всем компаниям-производителям комплектующих для автомобилей, акции которых котируются на финансовом рынке Великобритании. Из 24 компаний, действовавших в течение первого гола этою временного отрезка, до самого его конца просуществовали 17. Четыре из оставшихся семи компаний подверглись слиянию, будучи вполне платежеспособными. Еще две компании попали под процедуру формальной ликвидации, а последняя была подвергнута реорганизации и реструктуризации под правительственным контролем, что эквивалентно банкротству. Таким образом, требовалось объяснить 258 «событий», из которых банкротств было три.
Три банкрота из 24 составляют 12.5%, что очень близко к предложенной Таффлером [256], а также Альтманом и др. [12] априорной доле банкротств и 10%.
В то же время три факта банкротства на 258 событий дают интенсивность банкротств примерно на уровне одного процента, и это согласуется с годовой интенсивностью банкротств, зафиксированной по результатам наблюдений Дуна и Брэдстрита (1982).
|
