CC BY
23
pISSN 2073-4484 Математический анализ и моделирование в экономике
eISSN 2311-8768
ИССЛЕДОВАНИЕ РЫНОЧНОЙ ДОЛИ КРЕДИТНОГО ПОРТФЕЛЯ БАНКА С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ
Николай Иванович ЛОМАКИН3', Юлия Владимировна ФЕМЕЛИДИЬ
а кандидат экономических наук, доцент кафедры экономики и финансов предприятий, Волгоградский государственный технический университет, Волгоград, Российская Федерация [email protected]
ь студентка группы ВКФ-1,
Волгоградский государственный технический университет, Волгоград, Российская Федерация [email protected]
• Ответственный автор
История статьи:
Получена 17.05.2017 Получена в доработанном виде 30.08.2017 Одобрена 21.09.2017 Доступна онлайн 15.11.2017
УДК 339.13 JEL: С45, С58, С81
Ключевые слова:
рыночная доля, портфель, карта Кохонена, нейросеть, маркетинговая политика
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2017
Аннотация
Тема. Предметом исследования является динамика кредитных портфелей российских банков за анализируемый период с помощью карты Кохонена. Цели. Доказать или опровергнуть гипотезу, что, применяя нейронную сеть - карту Кохонена, можно сделать прогноз динамики рыночной доли кредитного портфеля банка.
Задачи. Провести анализ и выявить тенденции развития банковской системы. Обеспечить визуализацию многомерного пространства факториальных признаков (размера, рыночной доли, прироста, года) в двухмерное пространство с помощью карты Кохонена. Выявить влияние размеров кредитных портфелей десяти кластеров, а также карты Кохонена на статистические параметры, например среднее и стандартное отклонение. Рассчитать прогнозное значение параметра «Изменение доли, %» кредитного портфеля произвольно взятого коммерческого банка при изменении входных параметров модели.
Методология. Использовалась нейросетевая модель - карта Кохонена. Результаты. Сформирована нейросетевая модель, позволяющая прогнозировать рыночную долю кредитного портфеля на меняющемся рынке в условиях экономической неопределенности.
Выводы. Применение карты Кохонена имеет важное значение для получения определенной статистической информации по коммерческим банкам в разрезе кластеров модели, а также для прогнозирования рыночной доли организации в условиях меняющегося рынка.
Применение. Результаты исследования могут быть использованы в сфере банковского маркетинга для формирования прогнозов динамики рыночной доли банка при изменении размера его портфеля.
Для цитирования: Ломакин Н.И., Фемелиди Ю.В. Исследование рыночной доли кредитного портфеля банка с помощью нейронной сети // Финансовая аналитика: проблемы и решения. - 2017. - Т. 10, № 11. - С. 1220 - 1233. https://doi.org/10.24891/fa.10.11.1220
Управление кредитным портфелем банка в современных условиях актуально с точки зрения эффективного стратегического маркетинга касательно кредитных рисков в условиях рыночной неопределенности, а также конкурентоспособности банка, динамики его рыночной доли при изменении размера
портфеля как основополагающей характеристики конкурентоспособности.
Актуальность исследования определена тем, что предпринята попытка сформировать математическую модель - карту Кохонена, позволяющую прогнозировать долю кредитного портфеля коммерческого банка.
Следует отметить недостаточную научную разработанность отдельных аспектов управления кредитным портфелем, что обусловливает практическую значимость затронутой проблемы.
Исследования показывают, что управление кредитным портфелем находится на стыке менеджмента, банковского дела, инвестиций, кредита и маркетинга, что указывает на многогранность затронутой темы в условиях рыночной неопределенности.
Изучению названных аспектов посвящено немало трудов. Вопросы менеджмента, в том числе стратегического, представлены в работах таких ученых, как И. Ансофф, М. Портер, А. Стрикленд, и др. [1-3]. Обзор современной отечественной и зарубежной литературы позволяет выделить ряд исследований российских и зарубежных экономистов.
Рассматривая особенности эффективного управления кредитным портфелем, Т.В. Гребеник сфокусировалась на исследовании вопросов качества этого процесса [4, с. 145]. При этом она опиралась на методологические основы качества, которые выявили Б.А. Райзберг, Л.Ш. Лозовский, Е.Б. Стародубцева1.
Методология портфельного управления инвестициями, к разряду которых относится и кредит, исследована в трудах Г. Марковица, У. Шарпа, Н. Ломакина2.
Банковский портфель как самостоятельный объект управления рассмотрен в работах российских ученых В.К. Силаевой, Д.А. Крыхтиной3. Изучению важнейшего параметра - риска кредитного портфеля -
1 Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б. Современный экономический словарь. М.: ИНФРА-М, 2005. С. 150-151.
2 Ломакин Н.И., Крыхтина Д.А., Ломакина А.Н., Сергиенко В. Критерии формирования облигационного портфеля коммерческого банка / Взаимодействие предприятий и вузов - наука, кадры, новые технологии: м-лы науч.-практ. конф. Волгоград: ВолгГТУ, 2016.
С. 153-158.
3 Крыхтина Д.А., Силаева В.К. и др. Определение риска облигационного портфеля коммерческого банка / Взаимодействие предприятий и вузов - наука, кадры,
новые технологии: м-лы науч.-практ. конф. Волгоград: ВолгГТУ, 2016. С. 163-169.
посвятили свои работы А.И. Гришанкин [5],
B.А. Коротина4 и др.
Актуальной в условиях рыночной неопределенности является оптимизация оценки кредитного портфеля коммерческого банка, этому посвятили свои работы С.Н. Яковенко, А С. Маркелова [6, с. 596-601].
Зарубежные исследователи М.Я. Миранда и
C. Гонсалес-Вега пошли дальше, раскрывая понятия системного риска и страхования индексов при оптимальном управлении портфелями сельскохозяйственного кредита [7, с. 399-406]. На некоторых вопросах эффективного управления кредитным портфелем сфокусировал свои усилия Дж. Маршалл [8, с. 122-124], сформировав подходы эффективного управления на основе системного подхода к оценке риска.
Собственный аналитический подход к кредитному риску больших корпоративных облигаций и кредитных портфелей предложила группа зарубежных авторов во главе с А. Лукасом [9, с. 1635].
К числу отечественных исследователей, развивавших это направление в российской научной школе, следует отнести А.Н. Кадырова, предложившего методику определения категории риска заемщика [10, с. 46-51]. Инновационные подходы к изучению конкуренции и маркетинга учитывают вызовы современности, отмечает О.Н. Максимова [11, с. 184].
Подобные вопросы затрагивали в своих трудах многие ученые. Фундаментальный вклад в развитие теории конкуренции внесли корифеи С.Л. Брю, Дж. Кейнс, Дж. Робинс, А. Смит и др. В частности, Ф. Найт предложил свою классическую концепцию взаимосвязи риска и неопределенности [12].
Отдавая должное значимости упомянутых исследований, следует отметить, что пока слабо изучены вопросы стратегического
4 Коротина В.А., Ломакин Н.И., Разумный А.С., Бирюков А.Р. Управление финансовым риском на основе нейронных сетей и fuzzy-алгоритмов: м-лы науч.-практ. конф. Волгоград: ВолгГТУ, 2016. Ч. 1. С. 225-227.
управления кредитным портфелем с помощью системы искусственного интеллекта.
В работах отдельных авторов затрагиваются вопросы применения нейронных сетей на финансовых рынках. Например, прогноз цены акций, составленный с помощью нейросети, позволял с ошибкой не более 5% получать будущие значения цены актива [13]. Использовались нейронные сети и для анализа волотильной биржевой цены компании IBM5. Однако практика ставит все новые сложные задачи, которые обусловлены возрастанием всех видов риска в условиях рыночной неопределенности.
Проведенные исследования показали, что число российских кредитных организаций значительно сократилось за последние годы, и эта тенденция с течением времени усиливается. Общая численность учреждений за 2001-2017 гг. сократилась с 1 311 до 623, или на 46,5%. Это свидетельствует о серьезных трансформационных процессах, протекающих в банковской системе под действием внутренних и внешних факторов.
Исследование определяющих для российской банковской системы аспектов имеет важное значение не только с точки зрения прогноза на ближайшую и отдаленную перспективу. Можно с большой долей вероятности предположить, что сокращение количества коммерческих банков продолжится.
В результате обработки данных в XL-файле в программе Microsoft Office было получено полиноминальное уравнение зависимости количества банков по годам:
У = -2,0267x2 - 5,762x + 1 346,4,
где х - период, выраженный в годах.
Показатель достоверности аппроксимации
л
R = 0,9825 свидетельствует о том, что связь сильная (R2 > 0,75) и величина результативного признака (число банков) на 98,25% определена факториальным признаком - временем.
5Augustine M.P. An Investigation of Weak Form of the Efficient Market Hypothesis Using Neural Networks: Analyzing IBM Common Stock Price. Nova Southeastern University, 1999.
Использование полученного корреляционного уравнения зависимости позволяет с вполне определенной долей вероятности рассчитать численность банков на перспективу методом экстраполяции. Подставив х = 18 (следующее наблюдение - 18-е по счету), получим:
У = -2,0267 • 324 - 5,762 • 18 + 1 346,4 = 586.
Это очень близко к фактическим значениям, так как на 01.01.2017 количество банков составляло 623, а на 01.03.2017 оно сократилось до 567.
Практика показывает, что Центральный банк РФ использует метод группировки, в результате чего образуется шесть групп, формируемых, например, по величине активов (табл. 1).
В условиях сокращения числа коммерческих банков исследование динамики рыночной доли кредитного портфеля имеет важное значение для совершенствования комплекса маркетинговых коммуникаций.
Исходные сведения получены авторами на сайте Банка России. Представим табличные данные в виде графика (рис. 1).
Проведенный анализ свидетельствует о мощной концентрации активов в пяти банках, вошедших в первую группу (55,8%) и во вторую - 15 банков (21,2%), которая характерна для олигополистического рынка. Весьма любопытными являются результаты анализа динамики по группам банков (рис. 2).
Исследование свидетельствует и о том, что в анализируемом периоде устойчивое развитие наблюдается у банков, вошедших в список 50 крупнейших (первая, вторая и третья группы). Например, банки первой группы показали прирост активов 10,4%, при этом их кредитные портфели возросли на 23,9%.
В зоне неустойчивого развития оказались средние банки, замыкающие топ-200. В этой группе активы снизились на 1,6%, кредитный портфель подрос на 13%. Совсем плохо обстоят дела в пятой и шестой группах, которые представлены множеством (423) мелких банков. Сокращение активов в этих группах соответственно равно 21,1 и 60,3%.
Аналогичная картина наблюдается в динамике их кредитных портфелей - 23,9 и 65% соответственно.
Представляется целесообразным провести аналогичный анализ динамики кредитных портфелей с помощью нейронной сети -карты Кохонена (SOM). В производном порядке возьмем значения по банкам на 01.08.2015 и 01.08.2016. Сформируем файл, в котором будут представлены факториальные признаки нейросетевой модели:
• портфель банка на 01.08.2016, тыс. руб.;
• доля рынка на 01.08.2016, %;
• портфель банка на 01.08.2015, тыс. руб.;
• доля рынка на 01.08.2015, %;
• изменение портфеля, тыс. руб.;
• изменение портфеля, %.
Внесем данные по каждому из 583 банков, включенных в генеральную совокупность (табл. 2).
Обработанные с помощью математического алгоритма нейронной сети в программе Deductor (разработчик - Base Group) табличные данные приняли определенный вид (рис. 3).
Например, для Сбербанка имеем следующие данные, рассчитанные программой:
• номер ячейки - 31;
• расстояние до центра ячейки - 7,029853;
• номер кластера - 0;
• расстояние до центра кластера -0,0877995946116151.
Для анализа статистических параметров по каждому коммерческому банку были использованы возможности программы Deductor, причем входные данные обработаны с помощью нейронной сети.
Самоорганизующиеся карты Кохонена -разновидность нейросетевых алгоритмов. Основным отличием данной технологии является то, что при обучении используется
метод обучения без учителя, то есть результат зависит только от структуры входных данных. Нейронные сети такого типа часто используются для решения широкого круга задач, от анализа данных до поиска закономерностей, например в финансовых задачах6.
Иначе говоря, SOM выступает методом, который позволяет получить проекцию многомерного пространства в другое, которое имеет более низкую размерность. При использовании этого алгоритма схожие в исходном пространстве векторы оказываются рядом и на полученной карте (рис. 4).
Крестом отмечены координаты входного вектора, а координаты узлов карты после модификации выделены серым цветом, причем вид сетки после модификации изображен пунктирными линиями. Максимальная ошибка в обучающем множестве после обучения составляет 0,009%, а в тестовом - 0,018%. Обученная модель выдает данные, которые отражают состав и структуру всей совокупности банков (рис. 5).
При этом для модификации весовых коэффициентов используется формула
Wi (t + 1) = W(t) + hc(t)[x(t) - w(t)]w(t + 1) =
= Wi(t) + hc(t)[x(t) - w(t)],
где t - номер эпохи (дискретное время);
x(t) - вектор, выбираемый случайно из обучающей выборки на итерации t;
h(t) - функция соседства нейронов.
Полученная в ходе обработки входных данных картина кластеров отражает концентрацию крупнейших банков в правой верхней части рисунков-прямоугольников. Среди параметров, рассчитываемых программой нейронной сети, следует отметить профили кластеров.
Основу таблицы составляет группировка кластеров от 0 до 10, в которую включены значения - абсолютные, относительные и в процентах к итогу. По каждому кластеру
6 Lomakin N.I., Orlova E.R. et al. Analysis Order Book with a Card of Kohonen. URL: http://conf.ostis.net/images/ 7/77/50._lomakin-AnalyOBwCoK.pdf
представлены рассчитанные программой параметры: значимость, доверительный интервал, среднее, стандартное отклонение и стандартная ошибка (рис. 6).
Обзор статистики по кластерам позволяет прийти к выводу о том, что наблюдается крайне неравномерное распределение количества банков, а именно: основная их часть - 540 (92,8%) мелких банков - вошла в кластер 5, а кластер 6 составили 17 банков (2,9%), и так далее, вплоть до кластера 0, который занял крупнейший Сбербанк (0,2%) (табл. 3).
Как показывают исследования, наблюдаются различные отклонения в величине кредитных портфелей банков по разным кластерам (рис. 7).
Рассмотрим ситуацию с динамикой кредитного портфеля учреждения «АйМаниБанк», выбранного случайным образом и вошедшего в кластер 6.
В течение 2015-2016 гг. наблюдалось сокращение кредитного портфеля до 3 237 447 тыс. руб., или на 12,26%. Соответственно, имело место снижение рыночной доли портфеля банка с 0,0344 до 0,0314%.
Использование функции «что если» в программе Deductor при работе с картой Кохонена позволяет сделать расчет динамики рыночной доли банка «АйМаниБанк» при условии дальнейшего сокращении портфеля на 452 194 тыс. руб. (или 12,26%), то есть с тем же шагом, что и в прошлом году, а именно: доля банка сократится до 0,0284%.
Расчеты свидетельствуют о том, что для устойчивого развития банкам, вошедшим в кластер 6, необходим кредитный портфель от 800 млрд руб. Подобные прогнозы имеют важное значение в конкурентной борьбе при совершенствовании стратегии развития.
Фактическое снижение стоимости кредитного портфеля «АйМаниБанка» 01.01.2017 составило 25,07%, то есть портфель уменьшился до 2 425 668 тыс. руб., а рыночная доля - до 0,0203%.
Как показывают исследования, применение карты Кохонена предоставляет реальную
возможность прогнозировать динамику рыночной доли кредитного портфеля. Применение инновационных методов оценки этой открывает новые возможности, однако для их реализации требуется включить в модель большее количество факторов, что позволит усовершенствовать предложенную нейросетевую модель [14, с. 197].
Результаты теоретических исследований, в частности выявление тенденций развития кредитного рынка, могут быть использованы коммерческими банками при формировании стратегии его развития в современных условиях. Например, для повышения качества кредитного портфеля банка разработаны алгоритмы, на которые получены свидетельства о госрегистрации программ для ЭВМ7.
Все более важное значение в условиях нарастания рыночной неопределенности имеет совершенствование маркетинговой политики банка, в которой следует предусматривать реакцию на изменения, происходящие в экономике под влиянием современных информационных технологий. При обостряющейся конкуренции в банковской сфере выиграть в борьбе за рыночную долю невозможно без внедрения передовых финансовых продуктов.
На основании изложенного можно сделать следующие выводы:
• применение карты Кохонена имеет важное значение для получения определенной статистической информации о коммерческих банках;
• использование алгоритмов нейронной сети позволяет осуществить прогнозирования рыночной доли в условиях меняющегося рынка;
7 Св-во о гос. регистрации программы для ЭВМ № 2015660126 от 22.09.2015. РФ. Аппарат нейронной сети для оценки риска банкротства предприятия -клиента банка / Н.И. Ломакин, А.Ф. Московцев, С.П. Сазонов. Волгоград: ВолгГТУ, 2015; Св-во о гос. регистрации программы для ЭВМ № 2015619932 от 17.09.2015. РФ. Оценка кредитоспособности клиентов - физических лиц с помощью нейросети / Н.И. Ломакин, А.А. Рыбанов, О.В. Ангел, К.В. Литвинов, Я.А. Попова, Н.И. Толочко, Е.В. Гончарова. Волгоград: ВолгГТУ, 2015.
• исследование кредитного рынка российских банков имеет важное значение в нынешних условиях, поскольку глубокий анализ положения конкретного коммерческого учреждения позволяет оценить возможные перспективы его развития;
• отечественная банковская система развивается по определенным законам под действием
Таблица 1
Группы коммерческих банков, ранжированных Центральным банком РФ по величине активов (по убыванию)
Table 1
Groups of commercial banks ranked by the Central Bank of the Russian Federation by value of assets (in descending order)
Год Показатель, Группа по числу банков Итого...
тыс. руб. 1-5 6-20 21-50 51-200 201-500 501-623
2015 Активы (пассивы) 40 411 253 15 951 580 8 226 817 7 785 677 2 133 048 332 940 74 841 315
Кредитный 24 674 904 8674 414 4 187 901 3 847 660 1 082 698 163 953 42 631 529
портфель
2016 Активы (пассивы) 44 633 141 16 964 047 8 935 107 7 664 417 1 683 255 132 130 80 012 097
Кредитный 30 580 049 9 465 601 5 140 543 4 348 337 823 601 57 396 50 415 529
портфель
Источник: данные Банка России
Source: The Bank of Russia data Таблица 2
Размер кредитных портфелей, их рыночных долей в динамике (фрагмент)
Table 2
Loan portfolio and market share value trends: a fragment
Банк Портфель на 01.08.2016, тыс. руб. Доля рынка, % Портфель на 01.08.2015, тыс. руб. Доля рынка, % Изменение, тыс. руб. Изменение (+, -), %
Абсолют Банк 46 058 877 0,447 33 587 303 0,3129 12 471 574 +37,13
«Авангард» 6 231 216 0,0605 8515 979 0,0793 -2 284 763 -26,83
«Аверс» 3 791 341 0,0368 3 032 991 0,0283 758 350 +25
Автоградбанк 1 283 998 0,0125 1 490 150 0,0139 -206 152 -13,83
Автокредитбанк 105 804 0,001 87 474 0,0008 18 330 +20,95
Автоторгбанк 574 486 0,0056 1 319 126 0,0123 -744 640 -56,45
Агропромкредит 4 666 521 0,0453 6 693 820 0,0624 -2 027 299 -30,29
«Агророс» 394 062 0,0038 394 214 0,0037 -152 -0,04
«Агросоюз» 1 407 510 0,0137 1 685 881 0,0157 -278 371 -16,51
Источник: составлено авторами Source: Authoring
меняющихся факторов, действие которых можно выявить и оценить с помощью карты Кохонена;
• нейросеть позволяет не только получить эффективную визуализацию подробных статистических данных по каждой группе банков, но и рассчитать требуемые прогнозные значения интересующего параметра.
Таблица 3
Параметры значений банковских факторов по кластерам Table 3
Bank factor value parameters by cluster
Показатель Кластер 5 Кластер 6 Кластер 4 Кластер 9 Кластер 7
Число банков 540 17 9 8 3
% к итогу 92,8 2,9 1,5 1,4 0,5
Среднее значение 1 859610 46 945 422 72 445 287 111 562 226 134 200 806
Стандартное отклонение 4 718 922 28 165 987 26 787 343 44 852 583 33 647 592
Стандартная ошибка 230 070,1 6 831 255,2 8929 114,4 15 857 783 19 426 446,3
Минимум 0 1 010 058 38 363 451 21 943 432 111 604 406
Максимум 45 368 176 93 890 221 111 500 127 157 598 722 172 870 752
Сумма 1 004 189 201 798 072 165 652 007 581 892 497 808 402 602 418
% к итогу 9,7 7,7 6,3 8,7 3,9
Окончание таблицы
Показатель Кластер 8 Кластер 2 Кластер 1 Кластер 0 Кластер 3
Число банков 2 1 1 1 0
% к итогу 0,3 0,2 0,2 0,2
Среднее значение 305 928 966 221 480 590 1 492 998 210 4 226 267 488
Стандартное отклонение 8 029 637 0 0 0
Стандартная ошибка 5 677 810,5
Минимум 300 251 155 221 480 590 1 492 998 210 4 226 267 488
Максимум 311 606 776
Сумма 611 857 931
% к итогу 5,9 2,1 14,5 41
Источник: составлено авторами Source: Authoring
Рисунок 1
Группировка банков в 2015-2016 гг. по величине активов и кредитных портфелей, тыс. руб. Figure 1
The grouping of banks by assets and loan portfolio value in 2015-2016, thousand RUB
50 000 000
40 000 000 30 000 000 20 000 000 10 000 000 0
П
Ii ■пП 1пП _
1-5
6-20
21-50
51-200
201-500
501-623
■ 2015 Активы (пассивы) □ 2016 Активы (пассивы)
13 2015 Кредитный портфель □ 2016 Кредитный портфель
Источник: данные Банка России Source: The Bank of Russia data
Рисунок 2
Динамика изменений активов и кредитных портфелей банков за 2015-2016 гг., % Figure 2
Changes in the assets and loan portfolio values of banks for 2015-2016, percent point
¡Активы (пассивы) □ Кредитный портфель
Источник: данные Банка России Source: The Bank of Russia data
Рисунок 3
Математические параметры карты Кохонена по банкам (компьютерное отображение, фрагмент) Figure 3
Self-organizing map mathematical parameters by bank: a fragment, computer visualization
Наименеанме ТортФея1 01/СИЛ 6 Доля pblW<â, У. Портфель 01Л)8Л5т Р. Доля рынка. Изменение M Изменение В) Изменение »LOUT Номер ячейка Расстояние до центра ячейки Номер :ласгер< Расстояние но центра кластера Изменение |3Q_ERR
СБЕРБАНК. РОССИИ 4226267488 41.0183 4069443070 37.9129 156824418 3.65 3.85 31 7.02985357339306Е-7 0.0877395946116151 0
ВТБ 24 1492998210 14.4904 1350117517 12.5783 142880693 10.58 10.58 46 4.59144356642152Е-7 1 0.192517665116362 0
РОССЕДЕХОЗБАНК 311606776 3.0243 269407531 2.5039 42139245 15.66 15,66 93 5,66418554852841 Е-5 8 0,0688397163405672 0
ГАЗПРОМБАНК 300261155 2.9141 285793233 2.6626 14457922 5,06 6,06 79 3.25108268613697Е-5 8 0,0353066004937919 0
ВТБ 221480590 2.1496 180835 0.0017 221239755 122376.62 122376,62 13 4.39574743148136Е-7 2 0,113612135331791 0
РАЙФФАЙЗЕНБАНК 172870752 1.6778 186517033 1.7377 13646281 •7.32 -7.32 111 2.07997287622022Е-5 7 0,0139434669828952 0
РОСБАНК 157598722 1.5296 204753286 1.8076 ■47160564 ■23,03 ■22,735 181 0,00847530674880482 S 0,0584664314603622 5,80146460296017Е -12
ХКФ БАНК 148162254 1.438 191038528 1.7798 -42876274 22.44 ■22.736 191 0,00847644380846961 9 0,0584664914609622 6.8014646(]296004E-12
РУССКИЙ СТАНДАРТ 147738200 1,4339 184298046 1,717 -36553846 ■18,84 ■20,8433333333333 180 0,0154245236541131 3 0,0143074364462381 6,71085144425662Е -11
восточный 125079325 1.214 156737580 1.4602 -31658255 -20.2 20.8433333333333 190 0,00707046786456122 9 0,0149074964462381 2.75908908673321Е-11
ЮНИКРЕПИТ БАНК 118127260 1.1465 133022187 1,2333 ■14884927 ■11.2 ■12,025 126 0,00321481813139415 7 0,0283283404110537 4,53734196540042Е-11
МОСКОВСКИЙ КРЕДИТНЫЙ БАНК 111604406 1.0832 128055286 1.193 16450880 ■12.85 ■12.025 126 0,00321442557541859 7 0,0283283404110597 4.53734195540044Е 11
ДЕЛЬТАКРЕДИТ 111500127 1,0822 98611182 0,8187 12888945 13,07 13,455 82 0.00098988765153867 4 0,0148145206288864 3,88132250242753Е -12
ХАНТЫ-МАНСИЙСКИЙ БАНК ОТКРЫТИЕ 111175085 1.079 143435666 1.3363 -32260581 -22.49 -20.8433333333333 190 0,0035701400773315 9 0.0143074964462381 1,80761111538571Е-10
ТИНЬКОФФ БАНК 108940200 1.087 96576928 0.8888 13383271 13.84 13.455 82 0,000983251382769392 4 0,0148145206288864 9,88132250242753Е-12
ТРАСТ 100515258 0.9756 122201553 1.1385 ■21686295 ■17.75 ■17.75 174 1.24276504731818Е-5 9 0.0354289220990366 0
СЕ ГЕЛЕМ БАНК 93890221 0,9113 95844178 0,8828 -1953957 -2,04 -1,765 124 0,00173868383322274 6 0,0282428576671089 5,04148107266714Е-12
РУСФИНАНС БАНК 31080397 0.884 96994533 0,3036 ■5914136 ■6.1 -6.1 125 9.80819392459958Е-6 6 0,022137670В827766 0
ПРОМСВЯЗЬБАНК 88759579 0,8615 90099823 0,8384 -1340244 -1,49 -1,765 124 0,00174808883578811 6 0,0282428576671089 5,04148107266715Е-12
ПОЧТА БАНК 84429557 0.8194 57634403 0,5363 26735149 46.49 46.49 44 1,51182202479668Е -5 4 0,048414538491537 0
СВЯЗЬ-БАНК 83187967 0,8074 69578306 0,6482 13609661 18,56 19,56 76 1,54285212518875Е-5 4 0.00144681288123071 0
ОТП БАНК 80285532 0,7792 112653257 1,0435 ■32367725 •28.73 ■44,085 159 0,0141688639768122 9 0.0258217926264628 1,57178542173414Е-8
РЕНЕССАНС КРЕДИТ 73226263 0,7689 78756114 0,7337 470149 0.6 -1,765 124 0,0101539239884731 6 0,0282423576671089 3,7286867Э734462Е -10
СКБ-БАНК 63367115 0,6732 63249028 0,5833 6116087 3.67 9,67 91 9.10610866519012Е-6 4 0.0290084384473887 0
СОВКОМБАНК 61213574 0,5941 61890472 0,5766 -676898 -1.09 1.5 123 0,00333233352405201 6 0,0222464302588504 1.12062763545831Е -11
БАНК "САНКТ-ПЕТЕРБУРГ" 53307778 0,5756 52146463 0,4858 71 SI 309 13.73 13,73 75 9,2076265615389Е-6 4 0.0263775278967127 0
АЗИАТСКО-ТИХООКЕАНСКИЙ БАНК 50317596 0.4684 56766344 0,5289 ■6448748 -11.36 -11.36 156 8.3203505715241Е 6 6 0.00259771741580504 0
ВОЗРОЖДЕНИЕ 48852509 0.4838 38256585 0,3564 11585924 30.31 33,72 26 0,00183534561877822 4 0,016814944856318 7,75179В673333Е-10
КРЕДИТ ЕВРОПА БАНК 43114974 0.4767 63054874 0,5874 -13939900 -22.11 -22.11 189 6.61472857773048Е 6 6 0.0272604109839578 0
СИТИБАНК 47152798 0.4576 48068773 0,4478 -316975 -1.91 -1,5 123 0,00340129305186375 6 0.0222464802588504 1.12062763545831Е-11
АБСОЛЮТ БАНК 46058877 0,447 33587303 0,3128 12471574 37.13 33,72 26 0,00192245439955206 4 0,016814944956318 7,75179667333302Е -10
АКБАРС 45388176 0.4403 42571137 0,3866 2786979 6.57 6,57 107 2.782608534885Е-6 5 0.0203341906804771 0
Источник: составлено авторами
Source: Authoring Рисунок 4
Подстройка весов нейрона победителя и его соседей Figure 4
Adjusting the weights of the winner's neuron and its neighbors
О о
о
о
о
о-^о
о о
Источник: составлено авторами Source: Authoring
Рисунок 5
Динамика состава и структуры кредитных портфелей коммерческих банков в нейронной сети карты Кохонена (компьютерное отображение)
Figure 5
Changes in the composition and structure of loan portfolios of commercial banks in the self-organizing map neural network: computer visualization
Источник: составлено авторами Source: Authoring
Рисунок 6
Профили кластеров (компьютерное отображение) Figure 6
Cluster profiles: computer visualization
оО ООЕШЮ ~ ГОязйэпхэшэ f 5 7 s -ч 10 9 3 1 О 2 ИТОГО
20 ( 3,4%) 18 С 3,1%) 9 ( 1,5%) s( иед 7 С 1,2%) 7 ( 1,2%) 3 ( 0.SV.) 2 [ 0.Э-/0 1 ( 0,2%) 0 { 0,0%)
Q 9.0 Изменен! ie i+r) Значимость 57,3* 69,6% 99,9% 96.7Х тол» 41.7* 99,9« IOO.OS 100,0% ода «И
Доверительный интервал :: h -
- _
Среднее 2895857,55 -2880879,167 -14287626,11 10826249,88 -36433905,86 -2387258,429 27817438,67 182090224 156824418 454188,8364
Стандарты, от ten. 1541872,193 1248006,849 3318960,89 2912223.775 6213630,766 2681644,344 13898386.92 55450650.51 0 13731947,98
Стандарты, ошиб. 344773,1036 294158.0352 1106320.297 1 02962G.59 2348531.678 1017345.936 8024526,104 39209531 0 569207.5560
0 9.0 Доля рынка, % Значимость 3.2% 1.5% 75.7? 50.0« 94Ж 60.8« 92,8« юода 100.0% ода II00.1K
Доверительный интервал С I-
Среднее 0.145565 0.1680888889 0.8131444444 0.5601125 1.333435714 0.7032714286 1 303133333 6.29 37.9129 0.1606763041
Стандартн, откл, 0.1056683106 0,1101131605 0,5301724651 0.2521338672 0.4891226378 0,1858602137 1,185653602 8.892998144 0 1.67274391
Стандарты, ошиб. 0.02362815256 0,02595509935 0.176724155 0,06914273361 0,18487088 0.07024355774 0,6345374261 6,2833 0 0.06933746586
В 9.0 Портфель 03/03/15 Т. < П г 1 1 [ 0 1
Источник: составлено авторами Source: Authoring
Рисунок 7
Распределение риска (стандартного отклонения) и величины доли портфеля (правая шкала) по кластерам карты Кохонена
Figure 7
Distribution of risk (standard deviation) and value of portfolio share (right-hand scale) by self-organizing map cluster
Источник: составлено авторами Source: Authoring
Список литературы
1. Беляев В.И., Кротова М.В. Маркетинговые стратегии развития предприятий в сфере услуг: методы формирования и обоснования // Вестник Алтайского государственного аграрного университета. 2015. № 1. С. 156-159. URL: http://www.asau.ru/vestnik/2015/1/156-159.pdf
2. Кухлев Б.Е. Применение анализа пяти сил М. Портера и SWOT-анализа для планирования деятельности аграрного предприятия (на примере ОАО «Дельта-Агро») // Региональная экономика: теория и практика. 2012. № 5. С. 52-56.
URL: https://cyberleninka.ru/article/v/primenenie-analiza-pyati-sil-m-portera-i-swot-analiza-dlya-planirovaniya-deyatelnosti-agrarnogo-predpriyatiya-na-primere-oao-delta-agro
3. Балыбердин В.А., Белевцев А.М., Бендерский Г.П. Прикладные методы оценки и выбора решений в стратегических задачах инновационного менеджмента. М.: Дашков и Ко, 2014. 240 с.
4. Гребеник Т.В. Современные особенности эффективного управления качеством кредитного портфеля // Интернет-журнал Науковедение. 2014. № 5. С. 145.
URL: https ://naukovedenie.ru/PDF/116EVN514.pdf
5. Гришанкин А.И., Ломакин Н.И. Алгоритм управления финансовым риском предприятия на основе fuzzy-метода // В мире научных открытий. 2013. № 12. C. 115-140.
6. Яковенко С.Н., Маркелова А.С. Оптимизация оценки и управления качеством кредитного портфеля коммерческого банка // Экономика и предпринимательство. 2015. № 6-2. С. 596-601.
7. MirandaM.J., Gonzalez-Vega C. Systemic Risk, Index Insurance, and Optimal Management of Agricultural Loan Portfolios in Developing Countries. American Journal of Agricultural Economics, 2010, vol. 93, iss. 2, pp. 399-406. URL: https://doi.org/10.1093/ajae/aaq109
8. Marshall J., Evans N., Currie A. et al. Portfolio Management Shores Up Loan Books. Euromoney, 2002, no. 7, pp. 122-124.
9. Lucas A., Klaassen P., Spreij P., Straetmans S. An Analytic Approach to Credit Risk of Large Corporate Bond and Loan Portfolios. Journal of Banking & Finance, 2001, vol. 25, iss. 9, pp. 1635-1664. URL: https://doi.org/10.1016/S0378-4266(00)00147-3
10. Кадыров А.Н. Методика определения категории риска заемщика для управления уровнем риска кредитного портфеля банка // Финансы и кредит. 2002. № 7. С. 46-51.
URL: https://cyberleninka.ru/article/v/metodika-opredeleniya-kategorii-riska-zaemschika-dlya-upravleniya-urovnem-riska-kreditnogo-portfelya-banka
11. Максимова О.Н., Загорная Т.О. и др. Научные ответы на вызовы современности: экономика. В 2 кн. Кн. 2. Одесса: Куприенко С.В., 2016. 184 с.
12. Найт Ф.Х. Риск, неопределенность и прибыль. М.: Дело, 2003. 360 с.
13. Van Eyden R.J. The Application of Neural Networks in the Forecasting of Share Prices. National Research Foundation: Nexus-Current & Completed Projects. URL: http://nrfnexus.nrf.ac.za/handle/20.500.11892/177210
14. Ломакин Н.И. Инновации в банковской сфере - фактор повышения конкурентоспособности с позиций стейкхолдерской теории фирмы: монография. Saarbrucken, Germany: LAP LAMBERT Academic Publishing, 2015. 197 с.
Информация о конфликте интересов
Мы, авторы данной статьи, со всей ответственностью заявляем о частичном и полном отсутствии фактического или потенциального конфликта интересов с какой бы то ни было третьей стороной, который может возникнуть вследствие публикации данной статьи. Настоящее заявление относится к проведению научной работы, сбору и обработке информации, написанию и подготовке статьи, принятию решения о публикации рукописи.
pISSN 2073-4484 Mathematical Analysis and Modeling in Economics
eISSN 2311-8768
A STUDY OF THE MARKET SHARE OF LOAN PORTFOLIO THROUGH A NEURAL NETWORK Nikolai I. LOMAKIN^, Yuliya V. FEMELIDIb
a Volgograd State Technical University, Volgograd, Russian Federation [email protected]
b Volgograd State Technical University, Volgograd, Russian Federation [email protected]
• Corresponding author
Article history:
Received 17 May 2017 Received in revised form 30 August 2017 Accepted 21 September 2017 Available online 15 November 2017
JEL classification: C45, C58 C81
Keywords: market share, portfolio, Kohonen map, neural network, marketing policy
© Publishing house FINANCE and CREDIT, 2017
Abstract
Subject The article studies the evolution of the credit portfolios of Russian banks during the period under review using the self-organizing map (SOM).
Objectives The article aims to prove or refute the hypothesis that by using a neural network, i.e. self-organizing map, it is possible to predict the changes in the market share of bank's credit portfolio.
Methods For the study, we used the self-organizing map.
Results We have developed and now present a neural network model that helps predict the , market share of an advances portfolio in a changing market under economic uncertainty environment.
Conclusions and Relevance The application of the self-organizing map is important for obtaining some statistical information on commercial banks in the model clusters, as well as for forecasting the market share of the organization in a changing market environment. The results of the study can be used in the area of bank marketing to generate predictions of the market share of the bank when the size of its portfolio changes.
Please cite this article as: Lomakin N.I., Femelidi Yu.V. A Study of the Market Share of Loan Portfolio through a Neural Network. Financial Analytics: Science and Experience, 2017, vol. 10, iss. 11, pp. 1220-1233. https://doi.org/10.24891/fa.10.ll.1220
References
1. Belyaev V.I., Krotova M.V. [Marketing strategies of the development of enterprises in the service sector: Methods of formation and justification]. Vestnik Altaiskogo gosudarstvennogo agrarnogo universiteta = Bulletin of Altai State Agricultural University, 2015, no. 1, pp. 156-159. URL: http://www.asau.ru/vestnik/2015/1A56-159.pdf (In Russ.)
2. Kukhlev B.E. [Application of Porter's Five Forces Framework and SWOT analysis for planning of an agrarian enterprise's activities: Evidence from OAO Del'ta-Agro]. Regional'naya ekonomika: teoriya i praktika = Regional Economics: Theory and Practice, 2012, no. 5, pp. 52-56. URL: https://cyberleninka.ru/article/v/primenenie-analiza-pyati-sil-m-portera-i-swot-analiza-dlya-planirovaniya-deyatelnosti-agrarnogo-predpriyatiya-na-primere-oao-delta-agro (In Russ.)
3. Balyberdin V.A., Belevtsev A.M., Benderskii G.P. Prikladnye metody otsenki i vybora reshenii v strategicheskikh zadachakh innovatsionnogo menedzhmenta [Applied methods of assessment and decision making in strategic problems of innovation management]. Moscow, Dashkov i Ko Publ., 2014, 240 p.
4. Grebenik T.V. [Modern features of effective management of loan portfolio quality]. Naukovedenie, 2014, no. 5, p. 145. (In Russ.) URL: https://naukovedenie.ru/PDF/116EVN514.pdf
5. Grishankin A.I., Lomakin N.I. [Financial risk management algorithm based business method of fuzzy]. V mire nauchnykh otkrytii = In the World of Scientific Discoveries, 2013, no. 12, pp. 115-140. (In Russ.)
6. Yakovenko S.N., Markelova A.S. [Optimization of quality assessment and management of the loan portfolio of commercial bank]. Ekonomika i predprinimatel'stvo = Journal of Economy and Entrepreneurship, 2015, no. 6-2, pp. 596-601. (In Russ.)
7. Miranda M.J., Gonzalez-Vega C. Systemic Risk, Index Insurance, and Optimal Management of Agricultural Loan Portfolios in Developing Countries. American Journal of Agricultural Economics, 2010, vol. 93, iss. 2, pp. 399-406. URL: https://doi.org/10.1093/ajae/aaq109
8. Marshall J., Evans N., Currie A. et al. Portfolio Management Shores Up Loan Books. Euromoney,
2002, no. 7, pp. 122-124.
9. Lucas A., Klaassen P., Spreij P., Straetmans S. An Analytic Approach to Credit Risk of Large Corporate Bond and Loan Portfolios. Journal of Banking & Finance, 2001, vol. 25, iss. 9, pp. 1635-1664. URL: https://doi.org/10.1016/S0378-4266(00)00147-3
10.Kadyrov A.N. [A methodology for determining the risk category of the borrower to manage the risk level of bank's loan portfolio]. Finansy i kredit = Finance and Credit, 2002, no. 7, pp. 46-51. URL: https://cyberleninka.ru/article/v/metodika-opredeleniya-kategorii-riska-zaemschika-dlya-upravleniya-urovnem-riska-kreditnogo-portfelya-banka (In Russ.)
11.Maksimova O.N., Zagornaya T.O. et al. Nauchnye otvety na vyzovy sovremennosti: ekonomika [Scientific answers to the challenges of modernity: economics: a monograph. In 2 volumes]. Odessa, Kuprienko S.V. Publ., 2016, vol. 2, 185 p.
12. Knight F.H. Risk, neopredelennost' i pribyl' [Risk, Uncertainty, and Profit]. Moscow, Delo Publ.,
2003, 360 p.
13. Van Eyden R.J. The Application of Neural Networks in the Forecasting of Share Prices. National Research Foundation: Nexus-Current & Completed Projects. URL: http://nrfnexus.nrf.ac.za/ handle/20.500.11892/177210
14. Lomakin N.I. Innovatsii v bankovskoi sfere - faktor povysheniya konkurentosposobnosti s pozitsii steikkholderskoi teorii firmy: monografiya [Innovation in the banking sector is a factor for increasing the competitiveness from the standpoint of stakeholder theory of firm: a monograph]. Saarbrucken, Germany, LAP LAMBERT Academic Publishing, 2015, 197 p.
Conflict-of-interest notification
We, the authors of this article, bindingly and explicitly declare of the partial and total lack of actual or potential conflict of interest with any other third party whatsoever, which may arise as a result of the publication of this article. This statement relates to the study, data collection and interpretation, writing and preparation of the article, and the decision to submit the manuscript for publication.
