Рассмотрена проблема анализа финансового состояния и прогнозирования риска банкротства банков на примере банковской системы Украины. Для исследования были выбраны финансовые показатели 170 банков Украины, из которых 120 банков составляли обучающую выборку, а 50 банков — проверочную. Использованы данные за год и два года до кризиса банковской системы 2008-2009 гг. Учитывая недостоверность ряда исходных данных по финансовым показателям для решения данной проблемы предложено использовать нечеткие методы: нечеткие нейронные сети ANFIS и TSK, а также нечеткий МГУА. Проведены экспериментальные исследования предложенных методов, выполнена оценка их эффективности и проведен сравнительнсй анализ с классическими четкими методами оценки риска банкротства. В результате экспериментов установлено, что среди нейронных сетей сеть TSK дает более точные результаты, чем сеть ANFIS. Изменение количества правил в обучающей выборке не оказывает значительного влияния на результаты прогнозирования. При сравнении нечетких методов было установлено, что нечеткие нейронные сети дают лучшие результаты при использовании данных за год до прогноза, то есть при краткосрочном прогнозировании, а нечеткий МГУА дает лучшие результаты при использовании данных за год до прогноза, то есть при долгосрочном прогнозировании на два и более лет.
Розглянуто проблему аналізу фінансового стану й прогнозування ризику банкрутства банків на прикладі банківської системи України. Для дослідження було обрано фінансові показники 170 банків України, з яких 120 банків становили навчальну вибірку, а 50 банків — перевірочну. Використано дані за рік та два роки до кризи банківської системи 2008–2009 рр. Враховуючи недостовірність низки вихідних даних за фінансовими показниками для розв’язку цієї проблеми запропоновано використовувати нечіткі методи: нечіткі нейронні мережі ANFIS та TSK, а також нечіткий МГУА. Проведено експериментальні дослідження запропонованих методів, виконано оцінку їх ефективності й проведено порівняльний аналіз із класичними чіткими методами оцінки ризику банкрутства. У результаті експериментів встановлено, що серед нейронних мереж мережа TSK дає більш точні результати, ніж мережа ANFIS. Зміна кількості правил у навчальній вибірці не виявляє значного впливу на результати прогнозування. Порівнюючи нечіткі методи було встановлено, що нечіткі нейронні мережі дають кращі результати при використанні за рік до прогнозу, тобто при короткостроковому прогнозуванні, а нечіткий МГУА дає кращі результаті при використанні даних за два і більше років до прогнозу, тобто при довгостроковому прогнозуванні на два й більш років.
The problem of banks financial state analysis and bankruptcy risk forecasting is considered. In this study, financial indices of 170 Ukrainian banks were chosen, the training sample included 120 banks, and the test sample included 50 banks. Financial indices were taken one and two years before the 2008-2009 crisis of the bank system in Ukraine. Taking into account the uncertainty of the input data, the following fuzzy methods for solving this problem are suggested: fuzzy neural networks (FNN) ANFIS, TSK and fuzzy GMDH. The experimental investigations of the suggested methods were performed and their efficiency was estimated for the bank system of Ukraine. The comparative analysis of the suggested fuzzy methods with conventional classical methods was performed. The results of experiments showed that FNN TSK gave a better forecast than ANFIS. Also, the increase in the number of rules in FNN does not improve the forecasting accuracy. While comparing different fuzzy methods, it was found that FNN TSK gives a more accurate forecast at the short-term forecast (one year), while fuzzy GMDH gives a better forecast at the middle and long-term intervals (two and more years). In a whole, the fuzzy methods give a better forecast than classical methods in the problem of Ukrainian banks bankruptcy risk forecasting. The most essential financial indices for bankruptcy risk forecasting were determined.
