|
Участвовавшие в сравнении MDA-методы были рассчитаны и оптимизированы» исходя из доли ложных сигналов 10:1 при некоторых априорных вероятностях и цене ошибок. Хотелось бы использовать в качестве ex ante критерия меньшее, чем 10-процентное, число потенциальных банкротов в популяции, но это плохо согласуется с параметрами моделей. Это также противоречит практике, когда снижение порога ниже 10-процентного уровня не приводило к банкротству. Так, когда доля ложных сигналов урезалась до 7%, Z-шкала Таффлера вообще переставала идентифицировать банкротства, а модель Datastream наталкивалась на это препятствие на отметке 8%. В противоположность этому нейронная сеть распознала два случая банкротства ниже разделяющего уровня в 4.5%, т.е. сеть способна работать в условиях, когда на одну правильную идентификацию банкротства приходится всего пять ложных сигналов.
|
|
Этот показатель сравним с наилучшими результатами, которые получаются у MDA-моделей на гораздо менее требовательных тестах задним числом (ех post). Отсюда следуют два вывода: во-первых, нейронные модели представляют собой надежный метод классификации в кредитной сфере, и, во-вторых, использование при обучении в качестве целевой переменной цены акции может оказаться более выгодным, чем собственно показатели банкротство/выживание. В цене акций отражается «эффективная» реакция на публикацию отчета о состоянии дел компании, тогда как банкротство/выживание, на самом деле, связано с решениями банка в вопросах кредитования, которые часто основаны на конфиденциальной информации, не отраженной в отчетах.
Это приводит к довольно неопределенной и неустойчивой ситуации в принятии решения, поскольку получается, что банки фактически решают, что им делать в будущем, опираясь на свои прошлые решения!
|
