Статистический анализ банковской деятельности

Автор: Пользователь скрыл имя, 15 Апреля 2012 в 15:38, дипломная работа

Описание работы

Невозможно гарантировать полное предупреждение всех кризисов, так как это форма проявления противоречий процесса развития и следствие множества факторов, часто находящихся вне финансовых рынков. Поэтому механизмы предупреждения кризисов должны служить не только для информирования, надзора и применения надлежащей практики по укреплению стабильности и предупреждению кризисов, но и рассмотрению различных вариантов развития кризисных ситуаций.

Содержание

Введение 3
Подходы к оценке кредитного риска 6
Недостатки методик Базеля II 8
Глава 1. Обзор моделей оценки кредитного риска 10
1.1.Понятие качества и прозрачности методик 10
1.2.Характеристики физического лица. Структура данных 13
Глава 2. Статистические и эконометрические методы оценки риска 15
2.1. Скоринговые методики 15
2.2. Кластерный анализ 17
2.3. Дискриминантный анализ 21
2.4. Дерево классификаций 25
2.5. Нейронные сети 26
2.6. Технологии Data mining 27
2.7. Линейная вероятностная регрессионная модель 28
2.8. Логистическая регрессия 33
Заключение 37
Литература 41

Работа содержит 1 файл

Статистический анализ банковской деятельности..doc

— 1.26 Мб (Скачать)

 

a 73,0% of original grouped cases correctly classified.

В таблице 9 приведены коэффициенты дискриминантной функции

 

Таблица 9. Canonical Discriminant Function Coefficients

 

Function

 

1

Z1

,503

Z2

-,127

Z3

,338

Z4

,024

Z5

-,150

Z6

,174

Z7

,134

Z8

-,242

Z9

,225

Z10

,314

Z11

-,006

Z12

-,172

Z13

,035

Z14

,242

Z15

,272

Z16

-,210

Z17

,023

Z18

-,135

Z19

,271

Z20

,611

(Constant)

-3,977


 

Лямбда Уилкса показывает на значимое различие групп (p < 0,001).

Таблица 10. Wilks' Lambda

Test of Function(s)

Wilks' Lambda

Chi-square

df

Sig.

1

,760

271,399

20

,000


 

2. Пошаговый метод. При выполнении дискриминантного анализа можно применить пошаговый образ действий, который рекомендуется при наличии большого количества независимых переменных.

 

Таблица 11. Classification Results(a)

 

 

Y

Predicted Group Membership

Total

0

1

Original

Count

0

219

81

300

1

203

497

700

%

0

73,0

27,0

100,0

1

29,0

71,0

100,0


 

a 71,6% of original grouped cases correctly classified.

Лямбда Уилкса показывает на значимое различие групп (p < 0,001).

 

Таблица 12. Wilks' Lambda

Test of Function(s)

Wilks' Lambda

Chi-square

df

Sig.

1

,774

254,126

10

,000


 

В таблице 13 приведены коэффициенты дискриминантной функции

 


Таблица 13. Canonical Discriminant Function Coefficients

 

Function

 

1

SCHET

,528

SROK

-,140

HISTOR

,315

ZAIM

-,145

CHARES

,186

TIMRAB

,133

VZNOS

-,240

FAMIL

,248

PORUCHIT

,372

INIZAIMI

,262

(Constant)

-3,288

Информация о работе Статистический анализ банковской деятельности