Прогнозирование будущих денежных потоков корпоративных заемщиков

Содержание

Глава 1. Предпосылки построения моделей прогнозирования денежных потоков заемщиков . 5

1.1 Состояние торговой отрасли 5

1.2 Обзор литературы 6

Глава 2. Методология, используемая для построения прогностической модели 26

Глава 3. Построение модели прогнозирования денежных потоков заемщиков 32

3.1 Определение выборки и сбор данных 32

3.2 Обработка данных 38

3.3 Построение модели 41

Заключение 50

Список литературы 52

Приложения 54

1.1 Состояние торговой отрасли

Для построения эффективной модели прогнозирования, прежде всего, необходимо прояснить причину прогнозирования именно денежных потоков компаний торговой отрасли. Торговая отрасль входит в пятерку наиболее рискованных отраслей для кредитования. По мнению экспертов агентства «РИА Рейтинг» на 1 августа 2019 года значительный рост просрочки наблюдается у отрасли «Производство прочих неметаллических минеральных продуктов» с долей просроченной задолженности в объеме кредитного портфеля составляет 22%, у «Строительства» - 21%, а у отраслей «Торговля и ремонт автотранспортных средств»

• «Торговля оптовая», показатель просрочки составляет 15% и 14% соответственно. У всех остальных показатель колеблется от 9,7% до 0,4%. Как итог, все высоко рискованные отрасли связаны либо со строительством, либо с торговлей.

◦ частности, у выделенных выше отраслей наблюдается сильная отрицательная динамика кредитоспособности.
...

1.2 Обзор литературы

Первый источник, затронувший тему дефолта компаний, появился еще в прошлом веке. В работе Beaver (1966) впервые было рассмотрено использование одномерного параметрического метода. Автор собрал данные финансовых отчетностей компаний, принадлежащих более чем 30 отраслям. Компании рассматривались на временном промежутке с 1954 года по 1964 год. Источником послужило промышленное руководство Moody’s & Industrial, которое хранило данные финансовой отчетности для промышленных государственных корпораций. Крупные корпорации, которые попали в итоге в выборку исследования были не столь интересующими, поскольку вероятность провала у них, намного меньше, чем у небольших компаний. Автор добавил, что желательно было бы проводить анализ в дальнейшем на средних и мелких фирмах. Размер активов у выбранных фирм был неоднородным. В первый год было задействовано 79 публичных компаний состоятельных и

79 публичных компаний-банкротов.
...

3.1 Определение выборки и сбор данных

◦ настоящее время функциональность компании во многом зависит от ее размера. Более мелким и даже средним компаниям приходится во многом намного труднее на рынке, чем крупным участникам. Так же дела обстоят и с получением кредитов в банке или с привлечением инвестиций. К таким компаниям всегда меньше доверия, поскольку они более неустойчивые к различным рыночным колебаниям. К тому же они очень сильно ограничены

• допустимых размерах кредитного долга. Некоторые исследования подтверждают гипотезу, о том, что нельзя проводить сравнительный анализ между компаниями разных размеров и относящихся к разным отраслям (Sirirattanaphonkun, 2012).

Множество различных фирм, как правило, делится на: 1) крупные; 2) средние и малые. Вторая группа между собой так же имеет подразделения на: средние-, малые и микро-компании.
...

3.2 Обработка данных

При проведении регрессионного анализа необходимо привести финансовые показатели в однородную структуру. Обработка данных включает использование в анализе не самих финансовых показателей, а их логистически-трансформированных и нормализованных значений. Такая процедура требуется для снижения выбросов, а также для устойчивости регрессионных коэффициентов модели. Еще одним преимуществом можно назвать усиление дискриминационной способности построенной регрессии. Логистическая трансформация выглядит следующим образом:
=
1
(6)

1+exp{− ( − )} ,

где – трансформированное значение ;

Slope – коэффициент трансформации;

Ratio – значение показателя;

Median – медиана.

Для определения значения коэффициента трансформации Slope была использована следующая формула, заданная для 95% доверительного интервала:
1

= 0.
...

Глава 3. Построение модели прогнозирования денежных потоков заемщиков

3.1 Определение выборки и сбор данных

◦ настоящее время функциональность компании во многом зависит от ее размера. Более мелким и даже средним компаниям приходится во многом намного труднее на рынке, чем крупным участникам. Так же дела обстоят и с получением кредитов в банке или с привлечением инвестиций. К таким компаниям всегда меньше доверия, поскольку они более неустойчивые к различным рыночным колебаниям. К тому же они очень сильно ограничены

• допустимых размерах кредитного долга. Некоторые исследования подтверждают гипотезу, о том, что нельзя проводить сравнительный анализ между компаниями разных размеров и относящихся к разным отраслям (Sirirattanaphonkun, 2012).

Множество различных фирм, как правило, делится на: 1) крупные; 2) средние и малые. Вторая группа между собой так же имеет подразделения на: средние-, малые и микро-компании.
...

Заключение

• работе были рассмотрены компании торговой отрасли с точки зрения кредитоспособности. Способность компании генерировать положительный денежный поток остается важным показателем платежеспособности для кредиторов. Еще до предоставления кредита, лучше быть убежденным в том, что компания будет способна ответить по своим обязательствам. Для того чтобы проверить финансовое состояние заемщика, банку бывает недостаточно только предоставленной отчетности, так как ее информация содержит только исторические данные. Следовательно, требуется создание собственной методики для анализа состояния клиента.

• данном исследовании была построена модель, предсказывающая денежный поток корпоративных заемщиков. Было выяснено какие именно финансовые показатели оказывают большее влияние на прирост доходов, на какие факторы стоит обратить внимание при выдаче кредита компаниям торговых отраслей. В ходе анализа был использовано два инструмента:

регрессионный анализ и дерево решений.
...