ПРИМЕНЕНИЕ МОДЕЛЕЙ БИНАРНОГО ВЫБОРА ДЛЯ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА БАНКОВ
ПРИМЕНЕНИЕ МОДЕЛЕЙ БИНАРНОГО ВЫБОРА ДЛЯ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА БАНКОВ
Аннотация
Код статьи
S042473880000616-6-1
Тип публикации
Статья
Статус публикации
Опубликовано
Страницы
106-118
Аннотация

В работе предложена модель прогнозирования банкротства российских банков на основе применения эконометрического аппарата моделей бинарного выбора. Итоговый комплексный показатель состоит из пяти факторов. В работе построены предельные эффекты, которые позволяют оценить изменение вероятности банкротства при разных значениях факторов, влияющих на состояние банкротства банка. В работе по результатам оценивания прогнозной силы разработанной модели получен вывод о достаточно высокой степени точности прогнозирования банкротства банка.

Ключевые слова
пробит-модель, логит-модель, банкротство банков, прогнозирование кризисной ситуации, предельные эффекты
Классификатор
Дата публикации
01.01.2013
Всего подписок
1
Всего просмотров
789
Оценка читателей
0.0 (0 голосов)
Цитировать   Скачать pdf
1

Библиография



Дополнительные источники и материалы

Пересецкий А.А., Карминский А.М., Суст А.Г. (2004). О моделировании рейтингов надежности российских банков // Экономика и мат. методы. Т. 40. № 4.

Федорова Е.А., Лукасевич И.Я., Мухин А.С. (2012). Оценка эффективности денежно-кредитной политики ЦБ РФ в период финансового кризиса // Проблемы прогнозирования. № 1.

Alam P., Booth D., Lee K. et al. (2000). The Use of Fuzzy Clustering Algorithm and Self-organizing Neural

Network for Identifying Potentially Failing Banks: An Experimentstudy // Expert Systems with Applications. Vol. 18.

Bell T. (1997). Neural Nets or the Logit Model? A Comparison of Each Model’s Ability to Predict Commercial Bank Failures // International J. of Intelligent Systems in Accounting, Finance and Management. Vol. 6.

Canbas S., Cabuk A., Kilic S. (2005). Prediction of Commercial Bank Failure Via Multivariate Statistical Analysis of Financial Structure: The Turkish Case // European J. of Operational Research. Vol. 166.

Cielen L., Peeters K. (2004). Bankruptcy Prediction Using a Data Envelopment Analysis // European J. of Operational Research. Vol. 154.

Haslem J., Scheraga A., Bedingfi eld C. et al. (1992). An Analysis of the Foreign and Domestic Balance Sheet Strategies of the U.S. Banks and Their Association to Profi tability Performance // Management International Review. First Quarter.

Kolari J., Glennon D., Shin H. et al. (2002) Predicting Large US Commercial Bank Failures // J. of Econ. And Business. Vol. 54.

Olmeda I., Fernandez E. (1997). Hybrid Classifi ers for Financial Multicriteria Decision Making: The Case of Bankruptcy Prediction // Computational Econ. Vol. 10.

Ravi K.P., Ravi V. (2007). Bankruptcy Prediction in Banks and Firms Via Statistical and Intelligent Techniques –A Review // European J. of Operational Research. Vol. 180.

Swicegood P., Clark J. (2001). Off-Site Monitoring for Predicting Bank under Performance: A Comparison of Neural Networks, Discriminant Analysis and Professional Human Judgement // International J. of Intelligent Systems in Accounting, Finance and Management. Vol. 10.

Tam K. (1991). Neural Network Models and the Prediction of Bank Bankruptcy // Omega. Vol. 19 (5).

West R. (1985). A Factor Analytic Approach to Bank Condition // J. of Banking and Finance. Vol. 9.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести