Содержание к диссертации
Введение
Глава 1. Методы сбора и анализа банковской информации и банковский надзор 12
1.1. Аналитические методы анализа информации о клиентах на базе платформы «Deducnjr 4»
1.2. Использование деревьев решений для оценки кредитоспособности физических лиц с применением 1R технологии интеллектуального анализа данных «Data Mining»
1.3. Риски в банковской деятельности 25
1.4. Основы методологии «Value-at-Risk» 32
1.5. Применение специального ПО в банковской деятельности 38
1.6. Перспективы применения нейронных сетей для решения аналитических задач
1.7. Центральные и коммерческие банки 42
Выводы 46
Глава 2. Экономико-математические модели и алгоритмы оптимизации кредитования и устойчивости 48
2.1. Модель и алгоритм для маркетинговых исследований рынка банковских услуг
2.2. Алгоритм оптимизации плана привлекаемых заемных средств
2.3. Модель и алгоритмы оценки емкости сегментов рынка банковских услуг
2.4. Алгоритм оценки емкости сегментов рынка банковских услуг 59
2.5. Модель и алгоритмы устойчивости банка и задача формирования оптимального кредитного портфеля банка 65
2.6. Алгоритм формирования оптимального кредитного портфеля банка
2.7. Процедуры построения имитаторов 66
Выводы 76
Глава 3 Экспериментальные расчеты по решению задач аналитического маркетинга в банковской деятельности
3.1. Маркетинг рынка банковских услуг 77
3.2. Исследование емкости сегмента рынка 84
3.3. Формирование оптимального кредитного портфеля банка 90
Выводы 99
Литература
- Использование деревьев решений для оценки кредитоспособности физических лиц с применением 1R технологии интеллектуального анализа данных «Data Mining»
- Перспективы применения нейронных сетей для решения аналитических задач
- Алгоритм оптимизации плана привлекаемых заемных средств
- Исследование емкости сегмента рынка
Введение к работе
Актуальность темы исследования. Банковская деятельность оказывает существенное влияние на развитие различных отраслей народного хозяйства. В настоящее время в работе банков широкое применение получили различные аналитические методы и специальное программное обеспечение для решения задач управления. В качестве примеров можно упомянуть получившую большее распространение так называемую «клиентно-ориентированную стратегию» CRM -Customer Relationship Management и платформу «Deductor 4». На рынке существует большое разнообразие CRM систем. Почти все эти системы предназначены для автоматизации работ по сбору и систематизации данных о клиентах, но не обладают развитыми средствами анализа. Платформа «Deductor 4» отчасти восполняет этот пробел. Она создана для аналитических исследований, включая анализ воздействия рекламы, сегментацию клиентов, установление признаков клиентов, приносящих наибольшую прибыль, определение предпочтений товаров, прогнозирования успеха сделки и объемов продаж.
Несмотря на совершенствование аналитических методов, сами по себе они не достаточны не только для полного исключения, но и для радикального снижения банковских рисков. Более того, виды рисков увеличиваются по мере усложнения банковских продуктов, используемых компьютерных систем хранения и обработки данных, вовлечения российских банков в международную банковскую систему.
Существует система управления рисками, которая включает устанавливаемые Центральным банком России стандартные требования, а также внутрибанковские схемы управления рисками.
Оценка рыночных рисков является одной из основных задач финансовых институтов. Рыночные риски (в отличие от политических, технических, организационных и других) обладают существенной спецификой. Они являются следствием флуктуации цен акций, сырьевых товаров, обменных курсов, процентных ставок и т.д. Простейшей мерой, выражающей зависимость инвестора от рыночных рисков, является величина изменения капитала портфеля, иначе говоря, прибыли или убытки, возникающие вследствие движения цен активов.
В последние годы достаточно большое внимание в публикациях об инвестициях уделяется вопросам их финансирования, в частности кредитования инвестиционных программ, что непосредственно увязывается с вопросами оценки кредитных рисков. Существенный вклад в разработку этих проблем внесли Л.Г. Батракова, А.В. Беляков, Г.Н. Белоглазова, А.В. Брыкин, Л.Т. Гиляровская, О.И. Лаврушин, И.В. Ларионова, Ю.С. Мясличенков, И.Д. Момонова, А.Ю. Петров, К.К. Садвакасов, Л.Р. Смирнова и ряд других ученых.
В этих работах достаточно детально раскрыта сущность кредитных рисков, факторы их определяющие; особое внимание уделяется оценке кредитоспособности заемщиков, методикам оценки финансового риска кредитной организации.
Обзор литературных источников по аналитическим методам банковских исследований и рыночным рискам дает основание заключить, что математическое обеспечение маркетинговых исследований рынка кредитования, рынков иных банковских услуг, а так же управление устойчивостью банка остаются актуальными и недостаточно разработанными.
В этой связи выработка системного подхода на базе экономико-математического моделирования кредитных рисков становится остро необходимой и оказывает влияние на эффективность системы управления банковской деятельности в условиях неопределенности. Этим и определяется актуальность темы диссертационного исследования.
Целью диссертационного исследования является разработка экономико-математических моделей и инструментальных средств управления банковской деятельностью в условиях неопределенности.
Для реализации цели диссертационного исследования поставлены и решены следующие задачи:
- проведен обзор существующих аналитических методов анализа информации о клиентах на базе платформы «Deducnjr 4» и технологии интеллектуального анализа данных;
сформулированы научно-методические проблемы по повышению эффективности аналитических исследований банков и управления банковской деятельностью в условиях неопределенности;
- проведен анализ программного обеспечения и определены современные инструментальные программные средства для решения задачи управления банковской деятельностью с учетом возможных коммерческих рисков;
- разработан комплекс взаимосвязанных экономико-математических моделей таких как модель анализа маркетинговых исследований рынка банковских услуг; модель оценки емкости сегмента рынка банковских услуг; модель исследования устойчивости банка; формирования кредитного портфеля банка;
-разработаны алгоритмы, реализующие комплекс взаимосвязанных моделей анализа банковской деятельности в условиях неопределенности;
- организованы процедуры диалогового взаимодействия пользователя с инструментальной системой и сформировано документационное обеспечение по реализации методики анализа банковской деятельности в условиях неопределенности.
Объектом исследования является банк и система его управления в условиях неопределенности.
Предметом исследования являются модели и методы анализа системы управления банковской деятельности.
Методология исследования. Теоретическую и методологическую базу исследования составляет системный подход к моделированию сложных социально-экономических систем, основу которого составили ключевые положения микроэкономики, кибернетики, общей теории систем экономико-математического моделирования.
В ходе проведения исследований использовались труды отечественных и зарубежных ученых в области банковской деятельности. При решении конкретных задач были использованы научные работы в области теории вероятностей, математической статистики, дискретной математики, а также материалы научной периодики, конференций и семинаров.
Решение поставленных в диссертации задач потребовало разработки экономико-математических моделей и алгоритмов поиска их решения.
Диссертационная работа по своему содержанию соответствует пункту 1.4 и 2.4 Паспорта специальностей ВАК по специальности 08.00.13 - Математические и инструментальные методы экономики.
Научная новизна заключается в разработке комплексной методики поиска эффективных стратегий управления банковской деятельности в условиях неопределенности.
Научную новизну содержат следующие положения.
1. Выявлены и сформулированы научно-методические проблемы по повышению эффективности аналитических исследований системы управления банковской деятельности, при прогнозировании спроса, предложения и равновесия на кредитном рынке; спроса на банковские услуги на различных секторах рынка; устойчивости банка.
2. Определены основные задачи, которые существенно влияют на эффективность системы управления банковской деятельности. К ним относятся: задача маркетинговых исследований рынка банковских услуг, задача определения оценки емкости сегмента рынка банковских услуг и задача исследования устойчивости банка.
3. Разработана стохастическая модель анализа кредитного рынка, в которой реализуется механизм рыночного формирования равновесных цены, спроса и предложения банковских услуг.
Повышение эффективности алгоритмов для модели достигается за счет того, что на каждой итерации область возможных значений плана дихотомируется.
4. Разработана стохастическая модель оценки емкости сегментов рынка банковских услуг, учитывающая ожидаемый платежеспособный спрос на услуги банка скорректированный с учетом качества услуги и уменьшенный на величину невозвращенных кредитов
Повышение эффективности алгоритмов для этой модели достигается за счет совместного расчета ожидаемого платежеспособный спрос на услуги банка с учетом качества услуги и уменьшенный на величину невозвращенных кредитов
5. Разработана обобщенная модель анализа устойчивости банка в виде модели булевого программирования, которая позволяет выделить такие частные модели, как модель задачи достижения максимума краткосрочной или долгосрочной прибыли банка; модель задачи перемещения минимально возможного объема средств между счетами; модель задачи, при котором банк стремится сделать переводы средств, затронув при этом минимальное количество счетов.
Повышение эффективности алгоритмов для этой модели достигается за счет использования методов линейного программирования при оценки ветвления в схеме ветвей и границ.
6. На основе проведенных экспериментальных расчетов, показана применимость и эффективность предложенной методики поиска эффективных стратегий функционирования банковской деятельности в условиях неопределенности.
Практическая ценность работы заключается в том, что основные положения, выводы и рекомендации диссертации ориентированы на широкое применение математических и инструментальных программных средств для разработки и применения новых моделей и методов кредитными рисками в банках.
Проведенные исследования и полученные результаты составляют теоретическую основу экономико-математического моделирования управления кредитами и устойчивостью банков. Разработанные модели и методы направлены на решение практической задачи - повышения эффективности кредитования и устойчивости банка. Результаты исследований доведены до конкретных методик, алгоритмов и рекомендаций по использованию стандартных инструментальных средств.
К основным результатам исследования, имеющим практическое значение относятся модели и алгоритмы решения задач маркетинга банковских услуг, управления кредитным портфелем банка, управления устойчивостью банка.
Апробация и внедрение результатов исследования. Проведенные в диссертации исследования непосредственно связаны с реализацией планов научно-исследовательских работ ВНИИПВТИ по информатизации финансово-кредитных организаций.
Результаты исследований прошли апробацию в КБ «Инвестсбербанк» при планировании его кредитно-финансовой деятельности в рамках планового баланса на 2006-2007 годы. Проанализированы возможные риски, возникающие в результате нецелесообразности выдачи кредитов, с целью усиления позиций банка в конкурентной среде. Разработанные автором методические положения использованы на этапе формирования планов инвестиционных вложений, направленных на модернизацию и расширение различных предприятий. Результаты расчетов обсуждались руководством банка и использовались при выборе стратегии кредитно-финансовой деятельности банка. Предложенные автором методики показали их практическую значимость, работоспособность и эффективность.
Теоретические и практические результаты диссертации были использованы при чтении на экономическом факультете курсов «Управленческий анализ деятельности коммерческого банка» для студентов экономического факультета РГГУ.
Основные положения диссертации докладывались и получили одобрение на следующих конференциях и семинарах;
- Международной НТК «Информатизация и глобализация экономических процессов в XXI веке: теория и практика»(Москва, ВЗФЭИ, 2006);
- XVII-й Международной НТК «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, Пензенская государственная технологическая академия, 2006), а также кафедрах: «Автоматизированной обработки экономической информации» ВЗФЭИ, «Математического моделирования экономических процессов» ФА при Правительстве РФ, «Финансы и кредит» РГГУ.
Публикации. По теме диссертации опубликовано 4 работы общим авторским объемом 2.5. п.л.
Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы и приложения, содержащего акты о внедрении результатов работы. Общий объем диссертационной работы 107 страниц, содержащих машинописный текст, 27 таблиц и 24 рисунка.
Использование деревьев решений для оценки кредитоспособности физических лиц с применением 1R технологии интеллектуального анализа данных «Data Mining»
К настоящему времени большее распространение получила так называемая клиентно-ориентированная стратегия, которая во главу угла ставит клиента и механизмы взаимодействия с ним. Эта стратегия получила название CRM-Customer Relationship Management. На рынке существует большое разнообразие CRM систем . Почти все эти системы предназначены для автоматизации работ по сбору и систематизации данных о клиентах и практически не обладают развитыми средствами анализа.
Одним из исключений является платформа Deductor 4, которая имеет средства для аналитических исследований, включая анализ воздействия рекламы, сегментация клиентов, установление признаков клиентов, приносящих наибольшую прибыль, определение предпочтения товаров, прогнозирование успеха сделки и объемов продаж.
Система имеет единое «Централизованное хранилище данных» по клиентам (Customer Data Warehouse), в котором содержаться наиболее полная информация о клиентах, истории взаимоотношений, открытых или завершенных сделках с клиентом. В хранилище данных информация хранится в виде измерений и процессов. «Измерение» - это объект анализа, который может характеризоваться «свойствами», присущими только ему и имеет уникальный идентификатор. «Процесс» представляет собой набор фактов и соответствующих измерений. Хранилище данных может содержать следующую информацию о клиентах: название, вид (юридическое или физическое лицо), сфера деятельности, географический регион расположения клиента, тип клиента (по различным классификациям), признак того, что клиент является потенциальным или реальным.
Процесс отображает сделку с клиентом, в частности, покупку им некоторого товара. Фактом процесса будет сумма сделки и количество закупаемого товара. Измерения - это клиент, менеджер организации, курирующий сделку, дата совершения сделки, состояние сделки (открыта, отказ, успех), причина отказа в случае неуспешной сделки, источник информации о приобретаемом товаре, товар.
Наиболее удобным инструментом для получения аналитической отчетности являются OLAP-кубы (On Line Analytical Processing- оперативная аналитическая обработка данных). OLAP дает возможность в реальном времени генерировать описательные и сравнительные сводки данных и получать ответы на различные другие аналитические запросы. OLAP-кубы представляют собой проекцию исходного гиперкуба данных на гиперкуб данных меньшей размерности. При этом значения ячеек объединяются. Такие проекции или срезы исходного гиперкуба представляются на плоскости в виде кросс-таблицы, пример которой показан на рисунке 1. По кросс-таблице легко определить наиболее успешных менеджеров.
В Deductor 4 в OLAP-кубе с помощью инструмента селектор1 можно агрегировать факты по какому-либо измерению, оставляя только те объекты, которые соответствуют указанному условию. Например, можно объединить сумму сделок по клиентам, оставив только тех, которые в сумме приносят 50% прибыли. Таким образом, можно анализировать любую информацию о клиентах, имеющуюся в хранилище в произвольных разрезах.
Достаточно универсальным инструментом анализа данных являются так называемые самоорганизующимися карты Кохонена, иначе говоря, преобразуемые с помощью алгоритма, управляемого нейросетью. Обратимся к примеру данных о заемщиках. Создание аналитической системы на основе самоорганизующихся карт Кохонена начинается уже при создании хранилища данных. Каждый заемщик обладает определенным набором атрибутов (факторов). Целью анализа является получение ответов на такие вопросы о заемщиках, как: - Кто берет кредиты? - С какой целью? - Какие существуют причины отказов в выдаче кредитов? - Каковы причины несостоятельности заемщиков и др.
Карты Кохонена позволяют представить эту задачу в наглядной форме и дают инструмент для ее решения. На рис. 3 представлены некоторые из таких карт, показывающие распределение заемщиков по характеристикам «Сумма кредита», «Срок кредита», «Цель кредитования», «Среднемесячный доход», «Количество иждивенцев» и «Возраст». Для иллюстрации проведем анализ представленных на рисунке 3 данных.
Перспективы применения нейронных сетей для решения аналитических задач
В 1998 году издательством «ХАМТЕК ПАБЛИШЕР» был выпущен каталог: «СТО КОМПЬЮТЕРНЫХ ПРОГРАММ ДЛЯ БИЗНЕСА», который включает обзор отечественных разработок, начиная от офисных приложений до наиболее сложных систем искусственного интеллекта. При составлении сборника было рассмотрено около 1000 программ более, чем 300 разработчиков и отобраны наилучшие.
Среди зарубежных разработок следует отметить Microsoft Project, РЗ от Primavera программный комплекс «R» созданный американо-германской фирмой для крупных корпораций, имеющих многочисленные, территориально разобщенные филиалы. Комплекс «R» позволяет собирать экономическую информацию, обрабатывать ее, контролировать документооборот и может, в частности, применяться в банковской деятельности.
Широкое распространение получил программный комплекс Lotus Notes/Domino, который выполняет 4 основные функции в корпорации: - корпоративная электронная почта; - автоматизация задач документоориентированного типа; - транспортная информационная система; - Web-портал корпорации.
Системы, построенные на базе Lotus, легко и успешно интегрируется с промышленными реляционными СУБД, такими как Oracle, DB2, MS SQL Server.
Отслеживая публикации, касающиеся программного обеспечения, можно видеть, что несмотря на огромное разнообразие программного обеспечения (по целям, методам и сферам приложения), оно все-таки остается односторонним и явно не достаточным. Чтобы пояснить эту мысль обратимся к примеру программ для обоснования инвестиционных проектов.
В этой области создано ряд компьютерных программ, в частности: - COMFAR (Computer Model for Feasibility Analysis and Reporting); - PROPSPIN (PROject Profile Screening and Pre-appraisal INformation);3 - PROJECT-EXPERT; - АЛЬТ-ИНВЕСТ (фирмы "АЛЬТ", Санкт-Петербург); - INVESTOR и др.
Эти программы нашли достаточно широкое применение. Вместе с тем они ориентированы в основном на разработку, а вернее, на оформление ТЭО. На первых же двух стадиях разработки экономического обоснования инвестиционного проекта, являющихся наиболее важными для принятия решения о целесообразности инвестиций (Opportunity Study и Feasibility Study), их применение затруднительно или даже нецелесообразно так как: - во-первых, "Все эти системы имеют ограниченную возможность учета влияния конкретных рисков. ... - во-вторых, все указанные продукты являются расчетными моделями, не представляя ни одного алгоритма оптимизации. ... - в-третьих, рассмотренные продукты не имеют ни визуальных (графических), ни аналитических средств сравнения различных проектов". _» « Программы для принятия решений, такие как: «БЫСТРЫЙ РЕЙТИНГ», «ВЫБОР ПРОЕКТА», «ПРИОРИТЕТНОСТЬ ФИНАНСИРОВАНИЯ», «ОЦЕНКА И ВЫБОР» ориентированы главным образом на обработку экспертной информации и формирование приоритетов.
Оптимизационные математические методы, такие как дискретная и статистическая оптимизация, искусственный интеллект и нейронные сети в программах, ориентированных на экономику и бизнес и доведенных до уровня коммерческого продукта практически не используются.
Такое положение дел далеко не случайно. Его возникновение имеет ряд объективных причин. Одной из таких причин является сложность математического аппарата и его не достаточная эффективность. В частности, универсальные методы дискретной оптимизации (метод отсечения, метод ветвей и границ) оказываются мало эффективными при решении наиболее важных для экономики задач, а именно задач с логическими ограничениями (булевых задач). Комбинаторные методы дискретной оптимизации обычно узко специализированы и пригодны только к специфическим инженерно-экономическим ситуациям. Что же касается задач статистической оптимизации, то, насколько известно, для их решения вообще отсутствует программное обеспечение, имеющее сколько-нибудь широкое распространение. Это же относится к искусственному интеллекту и нейронным сетям.
Другой, не менее важной причиной отсутствия или, во всяком случае, не достаточного распространения оптимизационных компьютерных технологий в экономике и менеджменте, является не достаточная подготовленность большинства управляющих, исследователей и аналитиков для их применения.
Наконец третьей, и, по-видимому, главной причиной является недостаточное соответствие экономико-математических методов насущным практическим потребностям оптимизации решений в условиях неопределенности, которая, с одной стороны, является объективным, принципиально не устранимым фактором, и которая, с другой стороны, создает риски, формирующие предпочтения и решения в конкретной ситуации.
Алгоритм оптимизации плана привлекаемых заемных средств
Кроме того, для выполнения требований ЦБ, банк должен осуществлять перевод средств только внутри некоторых групп счетов, суммарный объем средств, имеющихся в банке и в каждой из групп счетов должен оставаться неизменным. Эти требования выражаются условиями (15)-(16). \і9счет і принадлежит группе j [ 0,в ином случае YtXfa constyj (16) teGj где: - Xf - объем средств на счете /; -М- количество групп счетов; - Gj— множество номеров счетов, принадлежащих группе/ Если учесть то, что формула для вычислений каждого из нормативов выглядит Т Т к следующим образом "к = — 9 а Ак и Вк являются линейными функциями вк относительно множества остатков счетов второго порядка, причем Ak 0nBk 0, то неравенство (14) примет вид: Ck Ak + Bfc Dk20, к = 1,...,К (17)
Рассмотрим возможные целевые функции, которые моїут ставиться банком перед собой при условии наличия указанных ограничений:
1) Обеспечить достижение максимума (минимума) некоторой функции, линейно зависящей от остатков на счетах второго порядка. В частности, может быть поставлена задача достижения максимума краткосрочной или долгосрочной прибыли банка. С учетом условия (17), задача сведется в этом случае к задаче линейного программирования. Если же банк не выполняет требования ЦБ, то это приводит к постановке нескольких задач с другими целевыми функциями.
2) Если банку необходимо для выполнения ограничений обеспечить перемещение минимально возможного объема средств между счетами, то это приводит к следующей целевой функции: /Jxicm xi min, где х,- ш - объем w перемещаемых средств со счета и Эту целевую функцию можно преобразовать к следующему виду; Х(х/»»-д:// т п, что приведёт к некоторой потере точности, Vi но позволяет найти решение задачи с применением метода кусочно-линейной аппроксимации. В данном случае нелинейной является только целевая функция. Следовательно, кусочно-линейной функцией следует заменить только её. Точнее, целевая функция будет заменена суммой N кусочно-линейных функций, каждая из которых будет зависеть только от одной неизвестной.
3) Возможен такой вариант, при котором банк стремится сделать переводы средств, затронув при этом минимальное количество счетов. В этом случае целевую функцию можно представить следующим образом: g(xi)- max, где g(x,) = - m. Эта целевая функция не может быть представлена через I, Xj — xt т элементарные функции от множества счетов, поэтому невозможно решение такой задачи средствами линейного программирования.
Решение такой задачи можно произвести путём совмещения методов линейного программирования и метода ветвей и границ.9 На этой основе можно построить итерационную процедуру решения задачи, которая, однако, приводит к необходимости решения последовательности задач большой размерности. Это создает трудно преодолимые вычислительные трудности.
Обратимся теперь к задаче формирования оптимального кредитного портфеля банка. Эта задача связана, в свою очередь, с задачей управления рисками и задачей трансформации активов. Для некоторого момента времени задачу формирования оптимального кредитного портфеля банка можно сформулировать следующим образом: проект исключен из плана V/,0 7?; 1,Z.= 1,проект включен в план . twz.sR.. (19) /-1 tv. Z, ±Vm (20) (-Д,) (1+W Z,- max (21) /=1 Где: - JV- число проектов кредитования; - Ri - риск вложения средств в і-й проект, иначе говоря, вероятность того, что вложенные средства не удастся вернуть; - Vt - сумма, которую необходимо вложить в і-й проект; - Pt - прибыль, получаемая от і-го проекта (в процентах от Vt); - Rmax " максимально допустимая сумма средств, которыми можно рисковать; - У max- объем средств, которыми в настоящий момент располагает банк.
Величина (і -Л,)в(і+ /})Vit - выражает математическое ожидание прибыли, получаемой от і-го проекта. Z, - булева переменная, определяющая будут ли вкладываться средства в і-й проект (Z/ = 1) или нет (Z, = 0).
Для максимального приближения модели (18) - (21) к реальности необходимо для каждого проекта учесть функции ликвидности, т.е. зависимости от момента прерывания проекта объема средств, которые можно получить и среднего квадратического отклонения прибыли от реализации проекта. Кроме этого необходимо учесть наличие диапазона времени в течение которого возможно начать выполнение проекта.
Модель (18)-(21) позволяет в диалоге исследовать экономическую ситуацию в банке с учетом всех этих особенностей соответствующим образом изменяя исходную информацию или внося в нее коррективы и выполняя расчеты по модели (см. параграф 3.3.).
Исследование емкости сегмента рынка
Существенно влияет на положение банка так же максимальное значение фактора «Средний объем вклада» (0,64) и максимальное значение фактора «Число клиентов». Это значит, что эти, наиболее значимые факторы, следует обратить особое внимание, в частности, следует уточнить исходную информацию и по возможности проводить политику банка таким образом, чтобы эти величины удерживать в желаемых пределах.
На рисунке 19 показаны зависимость объема депозитов от минимального значения ставки процента у конкурирующих банков, а на рисунке 20 показана зависимость дохода от этого же параметра закона распределения вероятностей значений этого же фактора.
Из рисунка 19 можно видеть, что график является достаточно пологим. Изменение ставки процента по депозитам у конкурирующих банков от 2,5% до 7% приводит к снижению объема депозитов от 4200 тыс. руб. до 3000 тыс. руб.
Влияние ставки процента конкурирующих банков на доход Таким образом, изменение параметра фактора на ((7-2,5)/7) 100 = 64% приводит к изменению оптимума на ((4200-3000)/4200) 100 = 29%. Поскольку 29%/64% существенно меньше единицы, в то время как в таблице 23 указано значение 1,09. Это несоответствие позволяет заключить, что в окрестности оптимума или же слева и справа от оптимума характер влияния данного параметра фактора на оптимум существенно отличается от изменения на столь большом интервале, который показан на рисунке 19. На рисунке 21 показано влияние данного параметра фактора на левом интервале, а на рисунке 22 - на правом интервале относительно исходного значения.
Из сопоставления рисунков 19 и 20 можно видеть, что влияние на правом интервале гораздо более существенно, чем влияние на левом интервале (график на рисунке 20 существенно более крутой, чем на рисунке 19). Это значит, что для банка наибольшую опасность представляет повышение минимального уровня ставки процента по депозитам, в то время как снижение этого предела, хотя и имеет негативные последствия, но существенно меньшие.
Это означает, что банку целесообразно разработать меры по снижению негативных последствий на случай повышения конкурентами нижнего предела процентных ставок по депозитам.
В таблице 25 представлены оптимальные наборы вариантов проектов отвечающих условиям (18), (20), (21) (см. параграф 3.3.). Условие (19), иначе говоря, ограничение на совокупный размер рискового капитала игнорируется.
Расчет при одном ограниченном ресурсе позволяет получить полный список оптимальных решений, что дает дополнительную информацию для анализа вариантов вложений. Таблица 25 содержит все оптимальные решения для любого ЦП ОР выражает объема вложений, не превосходящих 9000 тыс. руб. Показатель
отношение ожидаемой прибыли от реализации проекта (целевого показателя) к сумме вложений (ограниченному ресурсу), иначе говоря, является рентабельностью вложений. Решения, требующие совокупных рисковых вложений больше, чем 1650 тыс. руб. и поэтому не допустимые, выделены красным шрифтом.
1. Проанализированы существующие научно-методические подходы к управлению в банковской деятельностью и выявлены основные актуальные, не достаточно разработанные и не тривиальные в научном отношении проблемы, а именно вопросы прогнозирования: - спроса, предложения и равновесия на кредитном рынке; - спроса на банковские услуги на различных секторах рынка; - устойчивости банка.
2. Показана актуальность и не достаточная разработанность проблемы формирования оптимального кредитного портфеля банка, обеспечивающая его устойчивость.
3. Разработаны алгоритмы имитационных моделей: - объема привлекаемых банком заемных средств. - платежеспособного спроса на услуги банка на различных сегментах рынка.
4. Разработаны модели: - модель стохастического программирования маркетинговых исследований рынка банковских услуг; - модель стохастического программирования оценки емкости сегмента рынка банковских услуг; - модель булевого программирования устойчивости банка; - модель булевого программирования кредитного портфеля банка.
5. Разработаны алгоритмы позволяющие решать сформулированные задачи, в частности: алгоритм оптимизации плана привлекаемых заемных средств; алгоритм оценки емкости сегментов рынка банковских услуг алгоритм формирования оптимального кредитного портфеля банка.
6. Определены источники информации и формы представления исходной информации.
7. Разработаны алгоритмы решения задач: - прогнозирования спроса на банковские услуги; - прогнозирования устойчивости банка; - управления кредитным портфелем банка..
8. Разработаны способы интерпретации результатов оптимизационных расчетов.
9. Выполнены практические расчеты, показавшие практическую применимость предлагаемых методов, их работоспособность и эффективность. На основе сопоставления вариантов решений, принимаемых традиционными методами и решений, которые можно получить с применением оптимизационных расчетов с помощью предложенной в диссертации методологии позволяет заключить, что ожидаемое повышение эффективности управления может
