Прогнозирование финансовых показателей деятельности кредитной организации

"Прогнозирование финансовых  показателей деятельности кредитной  организации"

Прочитав и проанализировав данную статью, можно выявить следующие проблемы. Одной из важных причин кризисного состояния банковского сектора России в целом является отсутствие достаточно обоснованной концепции развития. Кроме того, в банках также нередко отсутствует реальная стратегия развития, не внедряются современные процедуры управления, недостаточно используются, а иногда и просто не организованы аналитические системы информационного обеспечения процесса управления. Это приводит к тому, что банки в процессе управления используют информацию, отражающую результаты прошлой деятельности, даже не пытаясь заглянуть в ближайшее и более отдаленное будущее. Управленческие решения, как оперативного характера, так и перспективные, при сложившейся практике принимаются на основе интуиции и прошлой экономической ситуации. Это далеко не всегда бывает оправданным, а в кризисных условиях просто неприемлемо. Все это является следствием, как правило, некачественного управления банками. А наличие значительного числа проблемных банков свидетельствует о том, что в эффективной системе управления нуждаются многие российские кредитные организации. Такая ситуация небезопасна как для конкретных коммерческих банков и всего банковского сектора, так и для экономики страны и ее социальной стабильности.

Следовательно, решением этой актуальной проблемы является, совершенствование системы управления коммерческими банками.

Актуальность данной статьи обусловлена той ролью, которую играет денежно-кредитная политика в обеспечении развития государства и потребностью в совершенствовании правил и процедур разработки и реализации денежно-кредитной политики в России и приведении их в соответствие с текущим развитием мировых экономических процессов, изменением роли отечественной экономики в мире и внутренней экономической ситуации в стране.

Важнейшей составляющей успеха любого банка является эффективная система управления.

Финансовый кризис 2008 – 2010 гг. выявил серьезные проблемы в управлении российскими коммерческими банками. банки, являвшиеся в относительно спокойной ситуации прибыльными и финансово устойчивыми, не смогли противостоять неблагоприятным внешним воздействиям. Подтверждением тому послужила неспособность ряда банков отвечать по своим обязательствам перед клиентами и партнерами (особенно в период острой фазы финансового кризиса), повлекшая за собой отзыв лицензий банком России. За период 2008 – 2010 гг. были отозваны лицензии у 144 банков.

Цель заключается в том, что необходимо применение более сложных математических моделей прогнозирования, способных учитывать нестандартные ситуации и кризисные явления.

 Построение таких экономических моделей - достаточно длительный и трудоемкий процесс. Первоначальная трудность заключается в определении математического аппарата, на основе которого будет построена будущая модель. В качестве ядра нами предлагается использовать нейронные сети. Технология нейронных сетей, одного из видов искусственного интеллекта, возникла на основе подражания процессам обработки информации и принятия решений, происходящим в живых организмах.

Задача прогнозного исследования состоит в том, чтобы на основании максимально возможно обоснованных предположений о качественном развитии ситуации и других имеющихся данных дать количественную оценку будущих результатов работы банка. Чем выше обоснованность и качество принимаемых в конкретной ситуации управленческих решений, тем меньше риск получить в будущем отрицательные финансовые результаты.

Регулярный анализ деятельности коммерческих банков имеет большое значение для них самих, их акционеров и клиентов, а также для банка России.

Нейронные сети представляют собой, в сущности, некие блоки со способностью к самообучению и распознаванию образов, классификации и прогнозированию. Они особо привлекательны тем, что могут справляться и с оценками вероятности в неоднозначных ситуациях и с моделями нечеткой логики, т. е. с моделями, легко определимыми на вид, но с трудом поддающимися алгоритмизации в виде точных правил. Потенциально, нейронные сети могут обнаруживать любые присутствующие в исходных данных повторяющиеся модели. Сети также могут интерпретировать большие объемы информации, не захлебываясь в деталях, и способны адаптироваться к изменениям рынков и их условий.

В данном разделе выполним анализ прогнозов по депозитам

физических лиц (Таблица 2.1).

 

Дата прогноз	прогноз	Факт	Расхождение, %
01.03.2007	1 907 399 157	1 932 858 757	1,32
01.04.2007	1 965 253 311	1 978 652 843	0,68
01.05.2007	2 017 332 124	2 022 985 522	0,28
01.06.2007	2 071 728 118	2 065 113 230	0,32
01.01.2008	2 293 039 910	2 377 409 251	3,55
01.02.2008	2 398 485 267	2 388 310 450	0,43
01.03.2008	2 410 085 632	2 424 351 650	0,59
01.04.2008	2 433 465 921	2 473 631 473	1,62
01.11.2008	2 634 811 214	2 603 853 399	1,19
01.12.2008	2 550 471 243	2 607 667 048	2,19
01.01.2009	2 543 987 955	2 713 684 725	6,25
01.02.2009	2 662 555 183	2 782 200 190	4,30
01.09.2009	2 999 367 058	2 981 804 364	0,59
01.10.2009	3 072 391 467	3 001 538 111	2,36

 

Таблица 2.1 - Анализ прогнозов по депозитам физ-х лиц, тыс. руб.

Данная статистические показатели используются для анализа динамики исполнения прогнозов по депозитам физических лиц.

Для того, чтоб выполнить этот анализ в курсовой работе, в методических указаниях сформирована таблица с исходной информацией необходимой для статистической обработки показателей (Таблица 2.2)

 

 

Показатели	Период исследования
	1	2	3	4	5	6	7	8	9	10	11	12	13	14
Прогноз
Факт
Расхождение, %