ПРОГНОЗИРОВАНИЕ ФИНАНСОВОГО СОСТОЯНИЯ КРЕДИТНЫХ ОРГАНИЗАЦИЙ НА ОСНОВЕ СИНГУЛЯРНО-СПЕКТРАЛЬНОГО АНАЛИЗА

Сингулярно-спектральный анализ успешно применяется во многих практических задачах математического моделирования, в том числе экономического характера. Целью настоящей работы является развитие нового математического подхода для прогнозирования значений ключевых показателей деятельности кредитных организаций (“Прибыль”, “Счета в Банке России”, “Ценные бумаги”), представленных в виде временных рядов с шагом наблюдения один месяц. Анализ и прогнозирование ключевых показателей осуществлялось с использованием сингулярно-спектрального анализа методом “Гусеница”-SSA в программе CaterpillarSSA. Актуальность исследования обуславливается необходимостью внедрения новых эффективных вычислительных технологий для систем раннего предупреждения Банка России и Росфинмониторинга. В статье представлена реализация метода “Гусеница”-SSA для оценки финансового состояния кредитных организаций двух типов: банк с отозванной лицензией (АО банк “ККБ”) и благонадежный банк (АО “ТБанк”). Авторам удалось реализовать декомпозицию временных рядов ключевых показателей на тренд, гармонические и шумовые составляющие. На основе главных компонент, отвечающих за тренд и периодики, с высокой точностью выполнены реконструкция и прогнозирование рассмотренных временных рядов на 6 месяцев вперед

1. Вохмянин С.В., Сенашов С.И. Метод «Гусеница»-SSA как инструмент прогнозирования состояния финансового рынка // Актуальные проблемы авиации и космонавтики, 2010 Т. 1. № 6. C. 409 - 410.

2. Зиненко А.В. Прогнозирование финансовых временных рядов с использованием сингулярного спектрального анализа // Бизнес-информатика, 2023. Т. 17. № 3. С. 87-100. DOI: 10.17323/2587-814X.2023.3.87.100.

3. Савин А.С., Хохлов А.А., Четов А.И. Анализ временных рядов в приложении к изучению поведения покупателей // Интернет-журнал «Науковедение», 2015. Т.7, № 3. http://naukovedenie.ru /PDF/41TVN315.pdf (доступ свободный). DOI: 10.15862/41TVN315.

4. Акишина Е.П., Иванов В.В., Крянев А.В., Приказчикова А.С. Многомерный анализ данных в задаче прогнозирования попадания кредитных организаций в зону риска // Вестник НИЯУ МИФИ, 2024. Т.13. №1. С.22-29. https://doi.org/10.26583/vestnik.2024.302. EDN: HUDHFW.

5. Акишина Е.П., Иванов В.В., Крянев А.В., Приказчикова А.С. Разработка математических моделей классификации кредитных организаций с использованием деревьев решений и их ансамблей // Вестник НИЯУ МИФИ, 2024. Т.13. №4. С.242-250. https://doi.org/10.26583/vestnik.2024.350. EDN: LGWWEH.

6. Голяндина Н.Э. Метод «Гусеница»-SSA: анализ временных рядов. СПб.: Издательский Центр «Академия», 2004. 52 с.

7. Главные компоненты временных рядов: метод Гусеница /Под ред. Д.Л. Данилова и А.А. Жиглявского. СПб.: СПбГУ, 1997. 307 с.

8. GistaT Group. Caterpillar-SSA, version 3.40. Professional M Edition. [Электронный ресурс]. URL: http://www.gistatgroup.com/cat/. (дата обращения 10.12.2024).

9. Gibbons J. D., Chakraborti S. Nonparametric statistical inference, 4th Edition. CRC Press, 2003, 682 p. ISBN 978-0-8247-4052-8.

10. Турунцева М.Ю. Оценка качества прогнозов: простейшие методы // Российское предпринимательство, 2011. Т. 12, № 8 (1). С. 50-56