|
Так как в реальной ситуации нельзя знать заранее, какая часть из компаний, представленных в случайной выборке, потерпит банкротство в течение года и поскольку авторы двух рассматриваемых моделей, как можно предположить, устанавливали разделяющие уровни, исходя из каких-то конкретных предположений об априорных вероятностях банкротства и цене ошибок, мы упростили процедуру сравнения и ввели относительные разделяющие уровни. Иначе говоря, для каждой модели мы считали сигналами о банкротстве нижние 10% сигналов, выдаваемых моделью за очередной год.
|
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!
|
|
На деле такой подход означает общую 10-процентную априорную вероятность банкротства и такое отношение числа сигналов о банкротстве к реальным банкротствам в предыдущем тесте, которое определяется с помощью оптимизирующего порога. Кроме того, этот способ имеет то преимущество, что при этом минимизируются искажения, возникающие из-за большого разрыва во времени между публикацией "Z-счета" Альтмана и проведением эксперимента. Средние показатели за это время могли измениться, и поэтому разделение компаний на сильные и слабые, исходя из определенной пропорции, представляется более надежным. В табл. 9.2 приведены результаты эксперимента по прогнозированию банкротств на год вперед с указанием погрешности для каждой модели.
Результаты говорят о том, что предсказание банкротства — сложная задача. Из-за того, что нормы отчетности весьма растяжимы, вполне может получиться так, что в какой-то год фирма рапортует о прибылях, а в следующем году она банкротится. Компании также могут потерпеть банкротство из-за мошенничества или банкротства основного потребителя, и поэтому добиться высокою уровня точности непросто. При всем этом нейронная сеть показала лучшие результаты, чем другие модели: она обнаружила два из трех надвигающихся банкротств и неправильно классифицировала жизнеспособные компании в пропорции 12 на один правильный прогноз банкротства. В количественном выражении это в дна раза лучше, чем аналоги моделей Таффлера и Datastteam, a Z Альтмана, вообще, оказалась не в состоянии выявить ни одного банкротства.
Отсюда следует тот вывод, что во всякой классификации банкротства главной является надежность, и что было бы ошибкой оценивать качество модели по выборочным критериям, которые, скорее всего» нельзя использовать для расчетов наперед (ex ante).
В частности, в задаче прогнозирования банкротств корпораций нейронная сеть показала на настоящих ех ante-тестах такой же уровень точности, какой дают MDA-модели на гораздо менее требовательных ех post-примерах методом исключения одного наблюдения из выборки.
|
