Благодарю за 3-ю главу диплома и множественные оперативные доработки))
Информация о работе
Подробнее о работе
Прогнозирование будущих денежных потоков корпоративных заемщиков
- 55 страниц
- 2020 год
- 1 просмотр
- 0 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Содержание
Глава 1. Предпосылки построения моделей прогнозирования денежных потоков заемщиков . 5
1.1 Состояние торговой отрасли 5
1.2 Обзор литературы 6
Глава 2. Методология, используемая для построения прогностической модели 26
Глава 3. Построение модели прогнозирования денежных потоков заемщиков 32
3.1 Определение выборки и сбор данных 32
3.2 Обработка данных 38
3.3 Построение модели 41
Заключение 50
Список литературы 52
Приложения 54
1.1 Состояние торговой отрасли
Для построения эффективной модели прогнозирования, прежде всего, необходимо прояснить причину прогнозирования именно денежных потоков компаний торговой отрасли. Торговая отрасль входит в пятерку наиболее рискованных отраслей для кредитования. По мнению экспертов агентства «РИА Рейтинг» на 1 августа 2019 года значительный рост просрочки наблюдается у отрасли «Производство прочих неметаллических минеральных продуктов» с долей просроченной задолженности в объеме кредитного портфеля составляет 22%, у «Строительства» - 21%, а у отраслей «Торговля и ремонт автотранспортных средств»
• «Торговля оптовая», показатель просрочки составляет 15% и 14% соответственно. У всех остальных показатель колеблется от 9,7% до 0,4%. Как итог, все высоко рискованные отрасли связаны либо со строительством, либо с торговлей.
◦ частности, у выделенных выше отраслей наблюдается сильная отрицательная динамика кредитоспособности.
...
1.2 Обзор литературы
Первый источник, затронувший тему дефолта компаний, появился еще в прошлом веке. В работе Beaver (1966) впервые было рассмотрено использование одномерного параметрического метода. Автор собрал данные финансовых отчетностей компаний, принадлежащих более чем 30 отраслям. Компании рассматривались на временном промежутке с 1954 года по 1964 год. Источником послужило промышленное руководство Moody’s & Industrial, которое хранило данные финансовой отчетности для промышленных государственных корпораций. Крупные корпорации, которые попали в итоге в выборку исследования были не столь интересующими, поскольку вероятность провала у них, намного меньше, чем у небольших компаний. Автор добавил, что желательно было бы проводить анализ в дальнейшем на средних и мелких фирмах. Размер активов у выбранных фирм был неоднородным. В первый год было задействовано 79 публичных компаний состоятельных и
79 публичных компаний-банкротов.
...
3.1 Определение выборки и сбор данных
◦ настоящее время функциональность компании во многом зависит от ее размера. Более мелким и даже средним компаниям приходится во многом намного труднее на рынке, чем крупным участникам. Так же дела обстоят и с получением кредитов в банке или с привлечением инвестиций. К таким компаниям всегда меньше доверия, поскольку они более неустойчивые к различным рыночным колебаниям. К тому же они очень сильно ограничены
• допустимых размерах кредитного долга. Некоторые исследования подтверждают гипотезу, о том, что нельзя проводить сравнительный анализ между компаниями разных размеров и относящихся к разным отраслям (Sirirattanaphonkun, 2012).
Множество различных фирм, как правило, делится на: 1) крупные; 2) средние и малые. Вторая группа между собой так же имеет подразделения на: средние-, малые и микро-компании.
...
3.2 Обработка данных
При проведении регрессионного анализа необходимо привести финансовые показатели в однородную структуру. Обработка данных включает использование в анализе не самих финансовых показателей, а их логистически-трансформированных и нормализованных значений. Такая процедура требуется для снижения выбросов, а также для устойчивости регрессионных коэффициентов модели. Еще одним преимуществом можно назвать усиление дискриминационной способности построенной регрессии. Логистическая трансформация выглядит следующим образом:
=
1
(6)
1+exp{− ( − )} ,
где – трансформированное значение ;
Slope – коэффициент трансформации;
Ratio – значение показателя;
Median – медиана.
Для определения значения коэффициента трансформации Slope была использована следующая формула, заданная для 95% доверительного интервала:
1
= 0.
...
Глава 3. Построение модели прогнозирования денежных потоков заемщиков
3.1 Определение выборки и сбор данных
◦ настоящее время функциональность компании во многом зависит от ее размера. Более мелким и даже средним компаниям приходится во многом намного труднее на рынке, чем крупным участникам. Так же дела обстоят и с получением кредитов в банке или с привлечением инвестиций. К таким компаниям всегда меньше доверия, поскольку они более неустойчивые к различным рыночным колебаниям. К тому же они очень сильно ограничены
• допустимых размерах кредитного долга. Некоторые исследования подтверждают гипотезу, о том, что нельзя проводить сравнительный анализ между компаниями разных размеров и относящихся к разным отраслям (Sirirattanaphonkun, 2012).
Множество различных фирм, как правило, делится на: 1) крупные; 2) средние и малые. Вторая группа между собой так же имеет подразделения на: средние-, малые и микро-компании.
...
Заключение
• работе были рассмотрены компании торговой отрасли с точки зрения кредитоспособности. Способность компании генерировать положительный денежный поток остается важным показателем платежеспособности для кредиторов. Еще до предоставления кредита, лучше быть убежденным в том, что компания будет способна ответить по своим обязательствам. Для того чтобы проверить финансовое состояние заемщика, банку бывает недостаточно только предоставленной отчетности, так как ее информация содержит только исторические данные. Следовательно, требуется создание собственной методики для анализа состояния клиента.
• данном исследовании была построена модель, предсказывающая денежный поток корпоративных заемщиков. Было выяснено какие именно финансовые показатели оказывают большее влияние на прирост доходов, на какие факторы стоит обратить внимание при выдаче кредита компаниям торговых отраслей. В ходе анализа был использовано два инструмента:
регрессионный анализ и дерево решений.
...
Список литературы
1. Федеральный закон №209-ФЗ «О развитии малого и среднего предпринимательства в Российской Федерации» от 24.07.2007 г.
2. Федеральная служба государственной статистики [Электронный ресурс]. URL: https://www.gks.ru/
3. Altman E. (1968): Financial ratios, discriminant analysis and the prediction of corporate
bankruptcy», The Journal of Finance, 23 (4): 589-609.
4. Altman, E., R. Haldeman and P. Narayanan (1977): Zeta Analysis: A New Model to Identify
Bankruptcy Risk of Corporations, Journal of Banking and Finance 1 (1): 29-54.
5. Back B., Laitinen T., Sere K. (1996): Neural networks and genetic algorithms for bankruptcy
predictions, Expert Systems with Applications 11: 407-413.
6. Beaver W.H. (1966): Financial Ratios as Predictors of Failure, Journal of Accounting
Research, 4(1): 71-111.
7. Breiman L., Friedman J., Stone C.J. (1984): Classification and Regression Trees, Wadsworth International Group.
8. Chen K. and T. Shimerda (1981): An empirical analysis of useful financial ratios, Financial
Management, 10(1): 51-60.
9. Cote J. (2005): Creditors' Use of Operating Cash Flows: An Experimental Study, Journal of
Managerial Issues, 17(2): 198-211.
10. Gombola M.J. (1987): Cash Flow in Bankruptcy Prediction, Financial Management, 16(4): 55-65.
11. Frydman H., Altman E.I., Kao D-L. (1985): Introducing Recursive Partitioning for Financial
Classification: The Case of Financial Distress, Journal of Finance, 269-291.
12. Hamza T. (2017): Financial distress prediction: The case of French small and medium-sized
firms, International Review of Financial Analysis, 50: 67-80.
13. Hunter J. (2001): Failure Risk. A comparative Study of UK and Russian firms, Journal of
Policy Modeling, 23: 511-521.
14. Kolari J.W., Ou C.C., Shin G.H. (2006): Assessing the Profitability and Riskiness of Small
Business Lenders in the Banking Industry, Journal of Entrepreneurial Finance, 11 (2): 1-26.
15. Kapliński O. (2008): Usefulness and credibility of scoring methods in construction industry,
Journal of civil engineering and management, 14 (1): 21-28.
52
16. Lugovskaya L. (2010): Predicting default of Russian SMEs on the basis of financial and non-
financial variables, Journal of Financial Services Marketing, 14(4): 301-313.
17. Martin D. (1977): Early warning of bank failures: A logit regression approach, Journal of
Banking and Finance, 1 (3): 249-276.
18. Mielke D.E. and Giacomino Don E. (1988): Using Statement of Cash Flows to Analyze Corporate Performance, Journal of Management Accounting, 54-57.
19. Ohlson J. (1980): Financial ratios and the probabilistic prediction of bankruptcy, Journal of
Accounting Research, 18(1): 109-131.
20. Pompe P.M. (2005): The prediction of bankruptcy of small and medium-sized industrial
firms, Journal of Business Venturing, 20: 847-868.
21. Quinlan J.R. (1987): Simplifying of decision trees, International Journal of Man-Machine
Studies, 27 (3): 221-234.
22. Rujoub A. (1995): Using Cash Flow Ratios To Predict Business Failures, Journal of
Managerial Issues, 7 (1): 75-90.
23. Sharma N.D. (1980): Early Warning Indicators of Business Failure, Journal of Marketing, 44
(4): 80-89.
24. Sinkey Jr. J. (1975): A multivariate statistical analysis of the characteristics of problem
banks, Journal of Finance, 30 (1): 21-36.
25. Tam K. (1991): Neural network models and the prediction of bankruptcy, Omega, 19 (5): 429-445.
26. Sirirattanaphonkun W., Pattarathammas S. (2012): Default prediction for small-medium
enterprises in emerging market: evidence from Thailand, Seoul Journal of Business, 18(2).
27. Wang Y. (2011): Corporate Default Prediction: Models, Drivers and Measurements
28. Zmijewski M.E. (1984): Methodological Issues Related to the Estimation of Financial
Distress Prediction Models, Journal of Accounting Research, 22: 59-82.
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
