Илья Мунерман, Исследовательский центр Интерфакс-ЛАБ, директор
Иван Воронцов, Российская экономическая школа, магистрант
Многие современные исследования на тему прогнозирования дефолта (банкротства) до сих пор придерживаются методологических подходов, сформированных в 60-е годы. Очевидно, что использование больших данных и машинного обучения требует новых подходов. Как прогнозировать неплатежеспособность компаний, которые, используя специальные режимы налогообложения, не сдают отчетность или сдают сокращенную форму? Как разрешить проблему недостоверной статистики по банкротствам?
Недостатки моделей прогнозирования дефолта (банкротства)
Прогнозирование дефолта (банкротства) юридического лица прошло три этапа развития:
1. Ручная обработка финансовой отчетности и прогнозирование на основе динамики небольшого количества финансовых коэффициентов (с 1930 по 1965 гг.). В частности, были популярны модели Bureau of Business Research (BBR) (24 фактора, выборка из 29 фирм) и Smith and Winakor (6 факторов, выборка из 183 фирм).
2. Автоматизированные расчеты, неразрывно связанные с использованием компьютеров. Этот этап начался в 60-е годы, и, к сожалению, многие современные исследования до сих пор придерживаются методологических подходов, сформированных в то время, несмотря на их очевидные недостатки:
- недостатками модели Уильяма Бивера (30 факторов, выборка из 79 × 2 компаний, одна половина из которых обанкротилась, а вторая показала хорошие результаты) являются маленькая выборка компаний и отсутствие результирующей оценки. По этой причине модель Бивера скорее подходит для экспертной, достаточно субъективной, оценки;
- недостатками 5-факторной модели Эдварда Альтмана и 4-факторной модели Ричарда Таффлера, основанных на дискриминантном анализе, являются их невысокая точность и недостаточная гибкость. Обе модели, как известно, используют Z-счет (результирующую оценку). Клив Леннокс сравнил результаты моделей, основанных на дискриминантном анализе с logit- и probit-регрессиями, и нашел подтверждение гипотезе, что результаты дискриминантного анализа менее точные. Он также выдвинул предположение, что факторы денежного потока и кредитного плеча оказывают нелинейное воздействие на вероятность банкротства.
По мнению Джона Вигинтона, главными недостатками моделей, основанных на дискриминантном анализе, являются неспособность адаптироваться к типу доступных данных о компании и ложное предположение, что вычисления основаны на многомерной нормальной популяции. Дж. Вигинтон нашел убедительные доказательства превосходства логистической регрессии над дискриминантным анализом.
3. Использование больших данных и машинного обучения и одновременное расширение факторного пространства, обусловленное появлением новых данных помимо отчетности, к достоверности и оперативности которой есть существенные претензии.
Влияние недостоверной финансовой отчетности на вероятность дефолта (банкротства) описано в работе «False financial statements: Characteristics of China’s listed companies and cart detecting approach», где сделан вывод, что модель деревьев классификации и регрессии (CART) с высокой вероятностью позволяет выявить факт недостоверности отчетности.
Еще одно исследование с использованием модели логистической регрессии было проведено Патрицией Дешоу и соавторами. Они проанализировали 677 фирм, используя как финансовые, так и нефинансовые факторы для обнаружения типичных черт фирм, манипулирующих отчетностью, и разработали логистическую модель, оценивающую вероятность данных манипуляций. Конечно, выборка в этом исследовании крайне мала и нисколько не подходит под определение больших данных, но тенденция поиска недостоверностей в финансовой отчетности статистическими методами в ней уловлена верно.