The 6 reference contexts in paper Boris Fedorov M., Борис Федоров Максимович (2016) “ОЦЕНКА РИСКА ОТТОКА ОТДЕЛЬНЫХ ГРУПП ПРИВЛЕЧЕННЫХ СРЕДСТВ БАНКА // A RISK ASSESSMENT OF RUNOFF OF SOME EXTERNAL FUNDS OF A BANK” / spz:neicon:statecon:y:2013:i:5:p:112-116

  1. Start
    2837
    Prefix
    Из них основную долю формируют депозиты, а меньшую — недепозитные источники. Совокупный объем привлеченных ресурсов коммерческих банков России, на начало 2013 года составил 36 473,8 млрд. рублей. Структура привлеченных средств представлена на диаграмме.
    Exact
    [1]
    Suffix
    Рис. 1 Структура привлеченных средств Как видно, в привлеченных ресурсах ведущее место занимают депозитные источники (71%). Структура привлеченных ресурсов по отдельным коммерческим банкам может отличаться от общей, так как учитывает индивидуальные особенности их деятельности, однако для большинства российских банков характерна общая тенденция, и размер депозитных средств среди привлеченных мо
    (check this in PDF content)

  2. Start
    4232
    Prefix
    Для построения модели предлагается использовать многоэтапный процесс, который включает в себя формирование обучающей выборки, отбор факторных признаков, оценку параметров модели и оценку точности ее построения (рисунок 2).
    Exact
    [2]
    Suffix
    Под факторным признаком будем понимать показатель, свидетельствующий о потенциальном оттоке средств (например, закрытии депозитарного счета). Выполнение этапов происходит итерационно, с возможностью возврата на предыдущий.
    (check this in PDF content)

  3. Start
    6356
    Prefix
    следующих методов: ● анализ таблиц сопряженности для признаков в номинальной шкале; ● методы ранговой корреляции (коэффициенты ранговой корреляции Спирмена и Кендалла, коэффициент конкордации) для признаков в порядковой шкале; ● корреляционный анализ для нормально распределенных признаков в количественной шкале. Схема выбора адекватного метода анализа представлена на рисунке 3.
    Exact
    [3]
    Suffix
    Выбор метода определения связи между «обучающим» признаком и характеристиками счетов зависит также от того, одинаковые ли у них шкалы измерения. В рассматриваемом случае «обучающий» признак и характеристики счетов имеют одинаковые шкалы измерения и относятся к качественной шкале, в следствие чего для проверки наличия связи между признаком Y и Xi используется критерий «хи-квадрат», которы
    (check this in PDF content)

  4. Start
    8224
    Prefix
    Целью анализа соответствий является графическое представление строк и столбцов таблиц сопряженности в совместном координатном пространстве латентных переменных малой размерности («карты соответствия») с целью получения хорошо интерпретируемой конфигурации, на основе которой рассчитывается критерий «хи-квадрат»
    Exact
    [3]
    Suffix
    . В таблице 1 представлен пример расчета таблицы сопряженности для признаков «закрытие счета» и «наличие досрочного погашения», в которой указано, что наличие пункта о возможности досрочного погашения улучшает прогноз рисковой ситуации.
    (check this in PDF content)

  5. Start
    10089
    Prefix
    При наличии обучающей информации в виде k обучающих выборок (например, класс объектов, характеризующихся отсутствием риска, и класс объектов, характеризующихся риском, k = 2) такая модель может строиться, например, в виде линейных дискриминантных функций Фишера вида:
    Exact
    [4]
    Suffix
    011 2 2 ( ) ... jijj jjnn f XX XX ββ ββ =++ +++ (3) 1 (1, ...,ˆ), Tj ββjjjnxβ ==−Σ 1 0 1ˆ ln ,ˆ 2 jj βjxxπ =−−Σ+ jm1..,= (4) x̅ j – вектор средних арифметических в каждом классе, рассчитанный по j-ой обучающей выборке; β = β1 = β2 = ... = βk – оценка ковариационной матрицы в j-ом классе.
    (check this in PDF content)

  6. Start
    13312
    Prefix
    В силу указанных свойств случайных ошибок вероятность наступления рискового события в i-ом случае есть: {}()1() T P yiiiiiXMy XG Xβ===. Используя конкретные законы распределения случайной ошибки, можно получить различные вариации модели бинарного выбора: пробит-, логит- и гомпит-модели.
    Exact
    [5,6]
    Suffix
    Для выбора между несколькими моделями (например, между моделями с разными наборами объясняющих переменных или между пробит-, логит- и гомпит-моделью) ориентируются на информационные критерии Акаике, Шварца и ХеннанаКуинна.
    (check this in PDF content)