Анализ коммерческих банков

Верификация прогноза — оценка достоверности и точности или обоснованности прогноза.

Эксперт — квалифицированный специалист по конкретной проблеме, привлекаемый для вынесения оценки по поставленной задаче прогноза.

При разработке социальных прогнозов в ряде случаев  производится выявление мнения представителей различных групп населения, условно  приравниваемых к экспертам.

Экспертная оценка — суждение эксперта или экспертной группы относительно поставленной задачи прогноза. В первом случае используется термин «индивидуальная экспертная оценка», во втором — «коллективная  экспертная оценка».

Статистические  методы прогнозирования — научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных; развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования; методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей. Научной базой статистических методов прогнозирования является прикладная статистика и теория принятия решений. 

Простейшие методы восстановления используемых для прогнозирования  зависимостей исходят из заданного  временного ряда, т. е. функции, определённой в конечном числе точек на оси времени. Временной ряд при этом часто рассматривается в рамках той или иной вероятностной модели, вводятся другие факторы (независимые переменные), помимо времени, например, объем денежной массы. Временной ряд может быть многомерным. Основные решаемые задачи — интерполяция и экстраполяция. Метод наименьших квадратов в простейшем случае (линейная функция от одного фактора) был разработан К. Гауссом в 1794—1795 гг. Могут оказаться полезными предварительные преобразования переменных, например, логарифмирование. Наиболее часто используется метод наименьших квадратов при нескольких факторах. Метод наименьших модулей, сплайны и другие методы экстраполяции применяются реже, хотя их статистические свойства зачастую лучше.

Оценивание точности прогноза (в частности, с помощью  доверительных интервалов) — необходимая  часть процедуры прогнозирования. Обычно используют вероятностно-статистические модели восстановления зависимости, например, строят наилучший прогноз по методу максимального правдоподобия. Разработаны параметрические (обычно на основе модели нормальных ошибок) и непараметрические оценки точности прогноза и доверительные границы для него (на основе Центральной Предельной Теоремы теории вероятностей). Применяются также эвристические приемы, не основанные на вероятностно-статистической теории: метод скользящих средних, метод экспоненциального сглаживания.

Многомерная регрессия, в том числе с использованием непараметрических оценок плотности  распределения — основной на настоящий момент статистический аппарат прогнозирования. Нереалистическое предположение о нормальности погрешностей измерений и отклонений от линии (поверхности) регрессии использовать не обязательно; однако для отказа от предположения нормальности необходимо опереться на иной математический аппарат, основанный на многомерной Центральной Предельной Теореме теории вероятностей, технологии линеаризации и наследования сходимости .Он позволяет проводить точечное и интервальное оценивание параметров, проверять значимость их отличия от ноля в непараметрической постановке, строить доверительные границы для прогноза.

Весьма важна  проблема проверки адекватности модели, а также проблема отбора факторов. Априорный список факторов, оказывающих  влияние на отклик, обычно весьма обширен, желательно его сократить, и крупное направление современных исследований посвящено методам отбора «информативного множества признаков». Однако эта проблема пока еще окончательно не решена. Проявляются необычные эффекты. Так, установлено, что обычно используемые оценки степени полинома имеют в асимптотике геометрическое распределение. Перспективны непараметрические методы оценивания плотности вероятности и их применения для восстановления регрессионной зависимости произвольного вида. Наиболее общие результаты в этой области получены с помощью подходов статистики нечисловых данных.

К современным  статистическим методам прогнозирования  относятся также модели авторегрессии, модель Бокса-Дженкинса, системы эконометрических уравнений, основанные как на параметрических, так и на непараметрических подходах.

Для установления возможности применения асимптотических  результатов при конечных (т. н. «малых») объемах выборок полезны компьютерные статистические технологии. Они позволяют  также строить различные имитационные модели. Отметим полезность методов размножения данных (бутстреп-методов). Системы прогнозирования с интенсивным использованием компьютеров объединяют различные методы прогнозирования в рамках единого автоматизированного рабочего места прогнозиста.

Прогнозирование на основе данных, имеющих нечисловую природу, в частности, прогнозирование  качественных признаков основано на результатах статистики нечисловых данных. Весьма перспективными для  прогнозирования представляются регрессионный  анализ на основе интервальных данных, включающий, в частности, определение и расчет нотны и рационального объема выборки, а также регрессионный анализ нечетких данных. Общая постановка регрессионного анализа в рамках статистики нечисловых данных и ее частные случаи — дисперсионный анализ и дискриминантный анализ (распознавание образов с учителем), давая единый подход к формально различным методам, полезна при программной реализации современных статистических методов прогнозирования.

Основными процедурами  обработки прогностических экспертных оценок являются проверка согласованности, кластер-анализ и нахождение группового мнения. Проверка согласованности мнений экспертов, выраженных ранжировками, проводится с помощью коэффициентов ранговой корреляции Кендалла и Спирмена, коэффициента ранговой конкордации Кендалла и Бэбингтона Смита. Используются параметрические модели парных сравнений — Терстоуна, Бредли-Терри-Льюса — и непараметрические модели теории люсианов. Полезна процедура согласования ранжировок и классификаций путем построения согласующих бинарных отношений. При отсутствии согласованности разбиение мнений экспертов на группы сходных между собой проводят методом ближайшего соседа или другими методами кластерного анализа (автоматического построения классификаций, распознавания образов без учителя). Классификация люсианов осуществляется на основе вероятностно-статистической модели.

Используют различные  методы построения итогового мнения комиссии экспертов. Своей простотой  выделяются методы средних арифметических и медиан рангов. Компьютерное моделирование позволило установить ряд свойств медианы Кемени, часто рекомендуемой для использования в качестве итогового (обобщенного, среднего) мнения комиссии экспертов. Интерпретация закона больших чисел для нечисловых данных в терминах теории экспертного опроса такова: итоговое мнение устойчиво, то есть мало меняется при изменении состава экспертной комиссии, и при росте числа экспертов приближается к «истине». При этом в соответствии с принятым в подходом предполагается, что ответы экспертов можно рассматривать как результаты измерений с ошибками, все они — независимые одинаково распределенные случайные элементы, вероятность принятия определенного значения убывает по мере удаления от некоторого центра — «истины», а общее число экспертов достаточно велико.

Многочисленны примеры ситуаций, связанных с  социальными, технологическими, экономическими, политическими, экологическими и другими  рисками. Именно в таких ситуациях  обычно и необходимо прогнозирование. Известны различные виды критериев, используемых в теории принятия решений в условиях неопределенности (риска). Из-за противоречивости решений, получаемых по различным критериям, очевидна необходимость применения оценок экспертов.

В конкретных задачах  прогнозирования необходимо провести классификацию рисков, поставить задачу оценивания конкретного риска, провести структуризацию риска, в частности, построить деревья причин (в другой терминологии, деревья отказов) и деревья последствий (деревья событий). Центральной задачей является построение групповых и обобщенных показателей, например, показателей конкурентоспособности и качества. Риски необходимо учитывать при прогнозировании экономических последствий принимаемых решений, поведения потребителей и конкурентного окружения, внешнеэкономических условий и макроэкономического развития России, экологического состояния окружающей среды, безопасности технологий, экологической опасности промышленных и иных объектов.

Современные компьютерные технологии прогнозирования основаны на интерактивных статистических методах прогнозирования с использованием баз эконометрических данных, имитационных (в том числе на основе применения метода статистических испытаний) и экономико-математических динамических моделей, сочетающих экспертные, математико-статистические и моделирующие блоки. 
 

     В 2006 году продолжилась позитивная тенденция  к обеспечению роста национальной экономики страны, повышению благосостояния граждан, улучшению инвестиционного  климата. Высокий уровень цен  на сырьевые ресурсы на мировых рынках, благоприятный политический фон в сочетании со сбалансированной политикой государства способствовали укреплению экономики России.

     Для финансового сектора прошедший  год можно охарактеризовать как  позитивный. Успешное проведение IPO крупных  российских компаний, приток иностранных инвестиций на российские торговые площадки, высокая деловая активность – все это свидетельствует о том, что финансовый сектор находится в фазе интенсивного роста.

     Для банковской системы прошедший год  в целом можно назвать успешным, рост ее основных показателей в 2006 году опережал темпы роста других отраслей экономики. По данным ЦБ России, за 2006 год совокупные активы банков увеличились на 44%, собственные средства (капитал) банков – на 36%. При этом продолжилась тенденция к консолидации банковского сообщества на фоне укрепления позиций банков-нерезидентов и усиления надзорных функций со стороны ЦБ России.

     Банк  «Петрокоммерц» входит в число крупнейших коммерческих банков России. В 2006 году он показал устойчивый рост основных показателей, при этом опережая банки, входящие в TOP-30 крупнейших банков страны.

     В 2006 году Банк продемонстрировал высокие  показатели рентабельности собственного капитала и активов по чистой прибыли (25% и 2,5% соответственно). По уровню рентабельности активов и собственного капитала на 1 января 2007 года Банк превысил показатели ТОР-30 российских банков, что является признаком высокой эффективности развития бизнеса Банка в целом.

     Согласно  данным, опубликованным журналом «Эксперт», на 1 января 2007 года Банк занимал 16-е место по объему активов, 19-е – по величине

собственного  капитала, 15-е по размеру Балансовой прибыли. В таких сегментах банковских услуг, как факторинг и ОФБУ, Банк остается одним из ведущих игроков  на финансовом рынке.

     В 2008 году Банком были разработаны «Основы стратегии развития ОАО Банк «Петрокоммерц» на 2008–2012 годы», которые получили одобрение Совета директоров Банка. Целью стратегии Банка является сохранение и расширение клиентской базы за счет концентрации усилий на развитии ключевых компетенций – индивидуального комплексного обслуживания корпоративных клиентов и состоятельных частных лиц в контексте развития долгосрочных отношений.

     Основными положениями стратегии определены финансовые цели Банка, а именно: рост бизнеса при обеспечении его высокой эффективности и рациональной структуры баланса.

     В рамках реализации указанных финансовых целей были определены основные показатели, а именно:

     1.вхождение в TOP-15 российских банков по размеру активов;

     2.обеспечение рентабельности собственного капитала (ROE) – не ниже 15% годовых в долларах США;

     3.чистая прибыль – более 100 млн. долл. США в год;

     4.рост кредитного портфеля – более чем в 3 раза;

     5.увеличение и поддержание доли кредитного портфеля в активах – не менее 60%.

     В 2006 году Банк достиг результатов по целевым показателям деятельности. В частности, Банк обеспечил величину активов, необходимую для вхождения в TOP-15 российских банков, рентабельность собственного капитала – на уровне 25%, долю кредитного портфеля в совокупных активах Банка –73% при приемлемом для Банка уровне риска. Стратегией Банка определен целевой клиентский сегмент, а именно – корпоративные клиенты как конгломерат участников: корпорации и их контрагенты, VIP-клиенты (владельцы и TOP-менеджеры), органы государственного сектора и сотрудники корпораций. Стратегией также установлены параметры развития продуктового ряда Банка, обеспечивающие создание условий для эффективного привлечения и удержания клиентов.

     Создание  уникальных по комплексности и качеству услуг в интересах целевого клиентского сегмента в рамках партнерских проектов легло в основу выстраивания в 2006 году взаимовыгодных отношений с клиентами Банка.

     Реализация  стратегических задач Банка стала бы невозможна без сохранения компактной, легко управляемой и четко сфокусированной организации внутрибанковских процессов. Политика сдерживания роста штата сотрудников при одновременном увеличении отдачи от использования человеческого капитала, обеспечение высокой прозрачности бизнеса и уровня корпоративного управления в интересах построения долгосрочных отношений с инвесторами стали одними из ключевых аспектов эффективной деятельности Банка в 2006 году.