Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Altman

Corporate Distress diagnosis: Comparison using linear discriminant analysis and neural networks (the Italian experience)
by

Mark Szendrodi

on 14 May 2010

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Altman

Corporate Distress diagnosis Edvard I. Altman Született: 1941
Házas, egy gyermek apja

Tanulmányok:
B. A. Economics, City College of New York, 1963
MBA, Business Finance, University of California, Los Angeles, 1965
Ph.D. Finance, University of California, Los Angeles, 1967

Tanít:
Stern School of Business,New York University

Főbb kutatási területei :
csődelemzés és előrejelzés, banki kockázat elemzés és vállalati pénzügyek
Egységes csőd elemzés A lineáris diskriminancia analízis (LDA) és a neurális háló (NN) összehasonlítása Nagyjából kiegyensúlyozott az LDA és a NN hitelessége, de az NN problémait fogjuk kihangsúlyozni Centrale dei Bilanci (CB) 1983-ban alapították
a Banca d'Italia,
az Associazione Bancaria Italiana
és negyven másik vezető bank
és hitelintézettel karonöltve Olaszországban Mivel foglalkozik? 1988 óta foglalkozik olyan rendszer kifejlesztésével, amely segít gyorsan felismerni azokat a cégeket, akik financiális nehézségekkel küzdenek lineáris diskrimináns funkciópárral dolgozik
213 nem egészséges és ugyanannyi egészséges vállalat alapján
egy évvel a baj előtt felismeri 87,6 %-át az egészséges és 92,6 %-át a nem egészséges vállalatoknak A tesztelések tapasztalatai és a kibővített adatbázis alapján a CB létre hozott egy második diagnosztikai rendszert.
1991-ben a bankok rendelkezésére bocsájtották a rendszert és további tesztelések után, még ebben az évben használatba vették a neurális hálózatokat a gazdaságilag és financiálisan nem egészséges rendszerek felismerésére.

Azt ajánljuk, hogy a két modell párhuzamosan használják.
A neurális hálók képesek a diszkriminancia analízis által adott értékeket megközelítő számértéket adni. A neurális hálók képesek pontos üzleti csoportokat létrehozni a működési és a financiális egészségük alapján, melyek eredményei akár még jobbak is lehetnek, mint a diszkriminancia analízisnél. Az egyszerű hálók integrált családja majdnem mindig felsőbbrendű teljesítményt mutatott az egyedülálló hálózatok komplex felépítésénél. Az NN-ek edző fázisban való hosszú futási ideje, az NN struktúra megalkotásához szükséges tesztek magas száma és a túlértékelés csapdája behatárolja az NN használhatóságát. Ezenkívül az eredmény súlyozása átláthatatlanná teszi a rendszert és érzékennyé a struktúrális változásokra. A pénzügyi elemzők szempontjából komoly problémát jelent, hogy logikátlan hálózati működéshez és válaszokhoz vezet a beviteli értékek különböző variálása. Az NN-hez képest az LDA-nak komoly előnyei vannak a könnyű interpretálhatóság és a transzparencia miatt. A Rendszer a tradicionális diszkriminancia analízisre alapoz és két alapesettel dolgozik: egészséges és nem egészséges vállalatok. A legfontosabb pontok:
A diagnosztikai rendszer a kis és középvállalkozásokkal dolgozik Olaszországon belül, 1985 és 1992 között.
Kiegyensúlyozott mennyiségű egészséges és nem egészséges vállalatot elemeztek (évente 37e vállalat)
Az egészséges vállalatokat 3 részre osztották (kitűnő, normális és sebezhető)
Mivel nehéz megkülönböztetni a nem egészségest a sebezhetőtől két fázist hoztak létre Első fázisban (F1) szétválasztásra kerülnek az egészségesek és a nem egészségesek vagy sebezhetők A második fázisban (F2) szétválasztásra kerülnek a sebezhetők és a nem egészségesek
F1-ből és F2-ből is eltávolították a zavaró, nem megbízható tényezőket és csak azokat hagyták meg, amelyek segítenek felismerni az egészséges és nem egészséges vállalatokat Eredmények F1 fázisban: Az ellenőrző időszakban felismerték 92,8%-át az egészséges és 96,5%-át a nem egészséges cégeknek F2 fázis ellenőrző időszakában felismerték 97,8%-át a sebezhető cégeknek és 82,7% a nem egészséges cégeknek Később az F1-et tovább tördelték 5 részre (a1) magas biztonság (b1) biztonság (c1) bizonytalanság biztonság és sebezhtőség között (d1) sebezhetőség (e1) fokozott sebezhetőség Az F2-őt pedig c1, d1 vagy e1 esetében számoltak és ezt is szétosztották 5 részre (a2) magas sebezhetőség (b2) sebezhetőség (c2) bizonytalanság sebezhetőség és veszély között (d2) veszély (e2) a csőd erős veszélye Neurális hálózatok Lineáris diszkriminancia Kapcsolódásra építő termelői modellek (neurális hálózatok)
potenciálisan nagyszámú elsődlegesen termelő vállalati egységek
minden egyes egység belső összeköttetésben áll más egységekkel és
mindegyik végezhet relatív egyszerű számításokat A hálózat termelési eredménye inkább az egységes teljesítményen alapul, mint az egy különálló egység specifikus teljesítményén! Az összeköttetések nem merevek, tanulási folyamattal lehet a külvilággal együttműködést generálni. Az ábrán jól látható, hogy minden egyes egységre több neuron (xi) hat a külvilágból (i számú), melyek különböző mértékben vannak súlyozva (wji). Minden input, amit a neuron kap összességében kialakítja teljes potenciált. Si reprezentálja azt a küszöbértéket, ami alatt a neuron nem válaszol az érkező ingerre. Az egyszerűbb rendszerek egyedülálló neuron rétegből állnak, mindegyik direkt kapcsolatban áll a külvilág ingereivel és egyenesen a hálózatból genereálják az outputot. Kicsit komplikáltabb rendszerek már két rétegből állnak:
Egy közbülső, rejtett réteggel, amely ingereket fogad a külvilágból és
egy output réteg, amely a hálózat válaszait generálja A hálózat úgy viselkedik, mint egy alkalmazkodó dinamikus rendszer, amelyik reagál a válasz különbségekre tanulómechanizmusán keresztül, mely felvet néhány problémát: Lassú lehet a tanulási fázis A rendszer lehet, hogy nem ér el abszolút minimum konfigurációt A rendszer lehet, hogy rezgően viselkedik a tanuló fázisban Ha az aktuális szituáció nagyban eltér az edző példáktól, akkor újra kell indítani a tanuló fázist. A súlyozás analízise komplex és bonyolult az értelmezés A neuron hálózat használatának ára a transzparencia hiánya! A neuron válasza (Yi) függ az output funkcói potencia (Pi) közvetítésétől. Amiről szó lesz:
a hagyományos diszkriminancia elemzés módszere
a neurális hálózatok megközelítés
a neurális hálózatok módszerrel elért eredmények A NN használatának konklúziója

Megközelítőleg ugyanazokat a számszerű értékeket generálni, mint a diszkrimináns funkciók
Vállalatok kategorizálása a pénzügyi és működési egészségük alapján
A memóriával rendelkező hálózatok az egyszerűbb hálózatoknál erősebbek és flexibilisebbek
Hosszú feldolgozási és tesztelési időszak, a súlyozás nem elég átlátható
Illogikus hálózat létrejöttének veszély
A diszkrimináns elemzés egyszerűbben értelmezhető, átlátható modell
A két rendszert jobb együtt használni
AZ NN ELEMZÉS NEM DOMINÁNS MATEMATIKAI MÓDSZER
Neurális hálózatok
-biológiai
-mesterséges: biológiai indíttatású program, ami a biológiai hálózat néhány tulajdonságát veszi alapul, de más tudományterületek (pl. matematika) eredményeit is felhasználják
a számolásokat egymással összekapcsolt kis feldolgozóegységek, mesterséges neuronok végzik,
kiemelt szerepe van a neuronok közötti kapcsolatrendszernek


Már tudjuk, hogy a vállalatok hogyan kerülnek válságba, csőd helyzetbe, de még az elmélet nem teljes Megoldás: a vállalatok osztályozása statisztikai módszerekkel, pl. többszörös diszkriminancia elemzés A lineáris diszkriminancia elemzés megfelel egy egy neuronból álló hálózatnak, ezért:
A neurális hálózat előnyeinek kihasználása érdekében a kísérletben háromszintes neurális hálózatot használtak! A kísérleti program négy részből tevődött össze: 1. rész: A neurális hálózatok kapacitásának vizsgálata - a lineáris diszkriminancia elemzés eredményeinek reprodukálása érdekében
Ebben az esetben az input más lesz, mint a diszkriminancia elemzésnél 2. rész: A hálózatok kapacitásának újabb ellenőrzése- a csődbement és az egészséges vállalatok szétválasztására való képességet teszteljük 3. rész: Azt vizsgálja, hogy hogyan lehet a modellbe illeszteni az idő múlását, illetve az üzletmenet változását
memóriával rendelkező hálók (a változók különböző értékeinek tárolása) 4. rész: Újabb kapacitás ellenőrzés- a három vállalattípus elkülönítésére: egészséges, sebezhtő, beteg - ugyanúgy működik, mint az F1 és F2 funkciók Eredmények Egészséges és beteg vállalatok

Azt vizsgálták, hogy a NN modell megközelíti -e a diszkrimináns funkciók eredményeit, tud-e kisebb számú inputtal megközelítőleg ugyanolyan eredményt adni -> képes-e a modell alkalmazkodásra vagy egyszerűsítésekre
Háromszintes hálózatok használata (10, 4, 1), az inputok: pézügyi struktúra - eladósodottság, likviditás, profitabilitás, belső finanszírozás
1000 tanulási ciklus, 808 vállalat, súlyozás állandó igazítása
A kívánatos szinthez közeli eredmény, ami arra enged következtetni, hogy több tanulási ciklussal a hiba csökkenthető lehet

Több szintes hálózatok

A legbiztatóbb eredményeket itt is három szintes hálózatok produkálták (15, 6, 1) és 15 üzleti mutatószám inputként - szélesebb az inputok köre az előző esethez képest! -> összetettebb rendszer
2000 tanulási ciklus
Remek eredmény: 97,7%-ban ismeri fel az egészséges, 97,0%-ban a beteg vállalatokat (F1-nél ez 90,3% és 86,4% volt)
Erre az eredményre a kisebb komplexitású, de több tanulási ciklussal rendelkező hálózatok sem voltak képesek
Probléma: szeszélyes viselkedés, a ciklusok számának emelkedésével egy idő után a felismerési teljesítmény romlik - a hibaarány magasabb, mint a diszkriminancia elemzésnél volt
Gyengébb általánosítási képesség

Az egyszerűbb hálózatoknak szerényebb a felismerési képessége, mint a hagyományos diszkrimináns elemzésnek, de általánosító képességük jobb, mint az összetettebb hálózatoké! Több szintes hálózatok a diszkrimináns funkciók rátáival

Az előző tesztnél a diszkrimináns funkció inputjaitól különböző inputokat használtak, most 11 F1-es indikátorból 9-et használtak fel különböző komplexitású több szintes hálózatokban.
A legjobb eredményt egy olyan hálózat adta, melynek szintenkénti neuron száma: 9, 5, 1 volt
4030 tanulási ciklus után
Az eredmény nem sokban különbözik a diszkrimináns elemzésétől, de annál kicsit gyengébb.
A hálózat nem mindig viselkedett konzisztens módon az inputok változásakor. Egyszerű hálózati kapcsolatok

A neurális hálózatok használata nehézkes túl komplex problémák megoldásakor
Ha nagyon heterogén minta adott, akkor ezek a hálózatok jobban tudják besorolni a vállalatokat,azonban használatuk IDŐ- ÉS KÖLTSÉGIGÉNYES és szeszélyesek, így sokszor elvetik.
A probléma megoldása esetleg az lehet, hogy egyszerűbb hálózatokat kötnek össze egymással több szintesek alkalmazása helyett
Először elemi szinten vizsgálják a teljesítményt, aztán összeköttetésben: utóbbi eset nagyobb pontossággal dolgozott, mint a diszkriminancia elemzés és jobban tudott általánosítani is.
További előnye, hogy éves beszámoló nem túl bonyolult mutatóit kellett felhasználni, az elemzőnek pedig kevesebb erőfeszítésébe került az eredmények létrehozása.

Egyszerű hálózati rendszerek elemzése-néhány probléma

Érthetetlen, hogy a beérkező inputok hogyan terjednek szét a hálózatban és hogyan alakul ki a súlyozás.
Vizsgálható a neuronok szignifikanciája, vagy az input változás hatására bekövetkezett változások


súlyozási mátrix egyedi neuronok szerepe
A hálózat viselkedésének változásának vizsgálata: az inputok és az outputok összehasonlításával lehetséges.
A viselkedés leginkább a kiindulási ponttól függ, de a reakció nem lesz állandó az input érték konfigurációs vektora miatt.--> BIZONYTALANSÁG
A második szintű hálózat viselkedése komoly ellentmondásokat alakít ki


Kapcsolatok a memóriával rendelkező egyszerű hálózatok között

Memória: 3 év historikus adatainak sora
Elemi szinten 99%-os hatékonysággal különítette el az egészséges és beteg vállalatokat
Összeköttetésben ugyanolyan ellentmondás lépett fel, mint az előző esetben, ami nem elfogadható
Több csoportos elemzés

Két output
Szimultán szeparáció (nem egymás utáni)
A legjobb eredményt egyolyan hálózat adta, amelynek memóriája háromszintű volt: 15-12-1
Konklúzió Komoly lehetőségeket tartogatnak a neutális hálózatok
Láthattuk bizonyos esetben közel olyan pontos eredményekkel dolgoznak, mint a diszkriminancia elemzés, más esetekben pedig még jobbakkal is
Érdekes a szimultán felismerés lehetősége is
De az időigénye a diszkriminancia elemzésnek kisebb
A legnagyobb probléma a kiszámíthatatlan viselkedés, ami a hálózatok nem lineáris voltából és a változók nagy számából fakad
Minél bonyolultabb a rendszer, annál kiszámíthatatlanabbá válik a viselkedése
De nem az egyszerűbb rendszerek használata oldaná meg a problémát
A diszkriminancia elemzés jobb összehasonlításra képes, bár finom hangolására több idő kell, de nagyobb értékelési sebessége ezt lehetővé teszi
Míg a NN modell nem képes a legmeghatározóbb változó meghatározására (vagy csak ex-post kiértékelés során), addig a diszkriminancia elemzés igen
Amit a modell kitalálói javasolnak: a két modell integrálása: a NN modellt a bonyolultabb eseteknél alkalmaznák
Hogy a két modell együttes alkalmazása megvalósul -e, attól kell függővé tenni, hogy a NN-beli folyamatok mennyire pontosak, logikusak, érthetőek



Köszönjük a figyelmet! Schleisz Nóra
Szendrődi Márk
Full transcript