По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2406-06

Анализ устойчивости банковской системы c критерием Гурвица и прогнозирование моделью глубокого обучения Random Forest

Николай Иванович Ломакин кандидат экономических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: tel9033176642@yahoo.com, ORCID: 0000-0001-6597-7195
Татьяна Ивановна Кузьмина доктор экономических наук, профессор кафедры мировой экономики, ФГБОУ ВО «Российский экономический университет им. Г. В. Плеханова» (г. Москва), Россия, 400005, г. Волгоград, Волгодонская ул., д. 13, E-mail: tutor07@list.ru, ORCID: 0000-0002-1757-5201
Максим Сергеевич Марамыгин доктор экономических наук, профессор, директор Института финансов и права, профессор кафедры финансов, денежного обращения и кредита, ФГБОУ ВО «Уральский государственный экономический университет», Россия, 620144, г. Екатеринбург, ул. 8 Марта, д. 62, E-mail: maram_m_s@mail.ru, ORCID: 0000-0003-3416-775X
Оксана Александровна Минаева кандидат экономических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: o_mina@mail.ru, ORCID: 0000-0001-8579-4038
Ольга Витальевна Юрова кандидат социологических наук, доцент, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: yurova@vstu.ru, ORCID: 0000-0002-7628-4471
Мария Анатольевна Петрова бакалавр, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: iskorka2002@mail.ru, ORCID: 0009-0001-0166-690X

В статье проведено исследование теоретических подходов оценки устойчивости отечественной банковской системы и формирования модели, позволяющей прогнозировать ее развитие в современных условиях. Актуальность исследования в том, что в условиях рыночной неопределенности все более широко используются подходы с тем, чтобы обеспечить устойчивое развитие банковской системы с применением систем искусственного интеллекта. В ходе исследования выявлены коэффициенты парной корреляции между 11 факториальными признаками и результативным признаком «прирост прибыли» (%), сформирована матрица Гурвица. Проведен расчет определителя матрицы устойчивости банковской системы по критерию Гурвица. А также сформирована DL-модель RF Regression (DL-модель «Случайный лес»), позволяющая прогнозировать прирост прибыли банковской системы. DL-модель была сформирована на сервисе Collab c применением библиотек pandas, GridSearchCV, sklearn с использованием результатов работы 144 коммерческих банков по итогам 2023 г. Для расчета определителя квадратной матрицы размерностью 11х11 была написана специальная программа с использованием языка Python. Рассчитанные параметры DL-модели позволили, опираясь на значения коэффициентов уравнения регрессии, сформировать полином и оценить устойчивость банковской системы по критерию Гурвица. Полученная расчетная величина определителя матрицы Гурвица оказалась больше нуля, это означает, что банковская система в 2023 г. устойчива. Новизна заключается в том, что авторами предложены подходы, которые позволяют выявить сложившиеся закономерности в развитии банковской системы, получить прогноз динамики ее прибыли и оценить ее устойчивость с использованием критерия Гурвица. В работе выдвинута и доказана гипотеза, что с помощью DL-модели «Случайный лес» может быть получен прогноз прироста чистой прибыли коммерческих банков, что предопределяет устойчивость и динамику их развития. Выводы сводятся к тому, что полученные результаты могут быть успешно использованы на практике для прогнозирования и обеспечения устойчивого развития отечественной банковской системы.

Литература:

1. Ломакин, Н. И., Марамыгин, М. С., Московцев, А. Ф., Кузьмина, Т. И., Бестужева, Л. И., Радионова, Е. А., Федоровская, Э. О. Инновационная цифровая модель влияния ключевой ставки на прибыльность банковской системы России // Международная экономика. — 2024. — Т. 21. — № 1. — С. 64–80. doi.org/:10.33920/vne-04-2401-06

2. Ломакин, Н. И., Кузьмина, Т. И., Пескова, О. С., Муратова, Е. В., Курасов, А. Н., Соломахин, М. С., Черная, Е. Г. Модель искусственного интеллекта для формирования федерального резерва как драйвер цифровизации экономики // Международная экономика. — 2024. — Т. 21. — № 2. — С. 130–143. doi.org/10.33920/vne-042402-05

3. Lomakin, N., Kulachinskaya, A., Tsygankova, V., Kosobokova, E., Minaeva, O., Trunina, V. Forecast of Stability of the Economy of the Russian Federation with the AI-System "Decision Tree" in a Cognitive Model // International Journal of Technology. — 2023. — Т. 14. — № 8. — C. 1800–1809. doi.org/10.14716/ijtech.v14i8.6848

4. Lomakin, N., Maramygin, M. Kataev, A., Kraschenko, S., Yurova, O., Lomakin, I. Cognitive Model of Financial Stability of the Domestic Economy Based on Artificial Intelligence in Conditions of Uncertainty and Risk // International Journal of Technology (IJTech). — 2022. — Т. 13. — № 7. — С. 1588–1597. doi.org/10.14716/ijtech. v13i7.6185

5. Урлапов, П. С., Марамыгин, М. С. Современные тенденции развития банковского сектора Российской Федерации в условиях экономической неопределенности // Современные тенденции развития финансово-банковского сектора в условиях экономической неопределенности: сборник ст.: Материалы международной научно-практической конференции. — Нур-Султан, 2022. — С. 202–206

6. Котляров, М. А. Рыночная капитализация как инструмент повышения устойчивости российских банков // Финансы и кредит. — 2006. — № 28 (232). — С. 6–9

7. Велиева, И. С., Комардина, О. Н., Самиев, П. А. Финансовая устойчивость российских банков // Аудитор. — 2008. — № 3 (157). — С. 38–45

8. Хорошев, С. Моделирование переломных ситуаций в российской экономике и устойчивость банков // Банковское дело. — 2008. — № 4. — С. 53–56

9. Комогорцев, С. Н. Приемы анализа и методики оценки финансовой устойчивости банков в современной российской и мировой практике // Мир современной науки. — 2012. — № 3 (12). — С. 37–40

10. Вишняков, И. П. Методология анализа устойчивости региональной банковской системы в императиве устойчивости банковской системы в целом // Финансовые исследования. — 2017. — № 3 (56). — С. 46–53

11. Мокеева, Н. Н. Финансовые механизмы системы страхования вкладов в рамках обеспечения устойчивости банковской системы России и инновационного развития // Урал — драйвер неоиндустриального и инновационного развития России: Материалы II Уральского экономического форума, в 2 т. — Екатеринбург, 2020. — С. 152–158

12. Дзюбан, С. В. Система мониторинга финансовой устойчивости банковского сектора // Взаимодействие реального и финансового секторов в трансформационной экономике: Материалы Международной научной конференции. — Оренбург, 2008. — С. 215–217

13. Скорлупина, Ю. О. Использование агрегированного индекса устойчивости для оценки состояния банковской системы страны // Новая наука: современное состояние и пути развития. — 2016. — №2-1. — С. 198–200

14. Антонюк, О. А. Применение математической модели Гурвица для определения устойчивости банковской системы // Вектор науки ТГУ. — 2012. — № 2 (20). — С. 202–206

15. Bank rating 144. [Электронный ресурс]. URL: https://docs.google.com/spreadsheets/d/1MvoJVYiFJLPDZ ddkUrCqutwWrEnQpIjgKHymlyGDlxo/edit#gid=0 (дата обращения: 07.04.2024)

16. Рейтинги банков // Финуслуги. [Электронный ресурс] URL: https://finuslugi.ru/finansovyj_rejting_bankov (дата обращения: 07.04.2024)

17. Критерии устойчивости (Лекция). [Электронный ресурс]. URL: http://mc-plc.ru/asu/kriteriiustoychivosti.htm (дата обращения: 09.04.2024)

18. Гантмахер, Ф. Р. Теория матриц. — М.: Физматлит, 2010. — 560 с. ISBN 978-5-9221-0524-8

19. Определитель Матрицы — Способ Рекурсивного Поиска на Python 3. [Электронный ресурс]. URL: https://www.youtube.com/watch?v=qkHELf2yaps (дата обращения: 07.04.2024)

20. Holscher, J. Central banking and financial stability in transition economies // In: Karmann, A. (eds) Financial Structure and Stability. Contributions to Economics. — Heidelberg: Physica, 2000. — С. 186–200. doi.org/10.1007/978-3-642-57674-4_16

21. Scherf, G. Trading off financial stability: A political economy perspective on European banking regulation // In: Financial Stability Policy in the Euro Zone. — Wiesbaden: Springer Gabler, 2014. — С. 47–87. doi.org/10.1007/978-3-658-00983-0_3

22. Gortsos, C. V. The European Banking Regulation Handbook, Volume I. — Palgrave Macmillan Cham, 2023. — 567 с. doi.org/10.1007/978-3-031-32859-6

23. She, Jf., Li, Mx. Research on the Mechanism and Conditions of the System Stability of the Banking Under the Competition Effect // In: International Asia Conference on Industrial Engineering and Management Innovation (IEMI2012) Proceedings. — Berlin, Heidelberg: Springer, 2013. — С. 1717–1725. doi.org/10.1007/9783-642-38445-5_181

24. Frame, W.S. Anjan V. Thakor. The purpose of banking: transforming banking for stability and economic growth // Bus Econ. — 2021. — Т. 56. — С. 54–56. doi.org/10.1057/s11369-020-00196-y

25. Hoggarth, G., Milne, A., Wood, G. E. Alternative Routes to Banking Stability: A Comparison of UK and German Banking Systems // In: Financial Competition, Risk and Accountability. Anglo-German Foundation for the Study of Industrial Society. — London: Palgrave Macmillan, 2001. — С. 11–32. doi.org/10.1007/978-1-349-65236-5_2

26. Breiman, L. Random Forests // Machine Learning. — 2001. — Т. 45. — С. 5–32. doi.org/10.1023/A:1010933404324

27. Rodgers, W., Cardenas, J. A., Gemoets, L. A., Sarfi, R. J. A smart grids knowledge transfer paradigm supported by experts’ throughput modeling artificial intelligence algorithmic processes // Technological Forecasting and Social Change. — 2023. — Т. 190. — Ст. 122373. doi.org/10.1016/j.techfore.2023.122373

1. Lomakin, N. I., Maramygin, M. S., Moskovtsev, A. F., Kuzmina, T. I., Bestuzheva, L. I., Radionova, E. A., Fedorovskaya, E. O. (2024). Innovatsionnaia tsifrovaia model’ vliianiia kliuchevoi stavki na pribyl’nost’ bankovskoi sistemy Rossii [An Innovative Digital Model of The Influence of The Key Rate on The Profitability of The Russian Banking System]. Mezhdunarodnaia ekonomika [The World Economics]. Vol. 21, no. 1, pp. 64–80. doi.org/10.33920/ vne-04-2401-06. (In Russian)

2. Lomakin, N. I., Kuzmina, T. I., Peskova, O. S., Muratova, E. V., Kurasov, A. N., Solomakhin, M. S., Chernaya, E. G. (2024). Model’ iskusstvennogo intellekta dlia formirovaniia federal’nogo rezerva kak draiver tsifrovizatsii ekonomiki [An artificial intelligence model for the formation of the federal reserve as a driver of digitalization of the economy. International Economics]. Mezhdunarodnaia ekonomika [The World Economics]. Vol. 21, no. 2, pp. 130–143. doi.org/10.33920/vne-04-2402-05. (In Russian)

3. Lomakin, N., Kulachinskaya, A., Tsygankova, V., Kosobokova, E., Minaeva, O., Trunina, V. (2023). Forecast of Stability of the Economy of the Russian Federation with the AI-System “Decision Tree” in a Cognitive Model. International Journal of Technology. Vol. 14, no. 8, pp. 1800–1809. doi.org/10.14716/ijtech.v14i8.6848 (In Russian)

4. Lomakin, N., Maramygin, M. Kataev, A., Kraschenko, S., Yurova, O., Lomakin, I. (2022). Cognitive Model of Financial Stability of the Domestic Economy Based on Artificial Intelligence in Conditions of Uncertainty and Risk. International Journal of Technology. Vol. 13, no. 7, pp. 1588–1597. doi.og/10.14716/ijtech.v13i7.6185

5. Urlapov, P. S., Maramygin, M. S. (2022). Current trends in the development of the banking sector of the Russian Federation in conditions of economic uncertainty. In: Modern trends in the development of the financial and banking sector in conditions of economic uncertainty. Collection of proceedings of the international scientific and practical conference. — Nur-Sultan, pp. 202–206. (In Russian)

6. Kotlyarov, M. A. (2006). Rynochnaia kapitalizatsiia kak instrument povysheniia ustoichivosti rossiiskikh bankov [Market capitalization as a tool for increasing the stability of Russian banks]. Finansy i kredit [Finance and Credit]. No. 28 (232), pp. 6–9. (In Russian)

7. Velieva, I. S., Komardina, O. N., Samiev, P. A. (2008). Finansovaia ustoichivost’ rossiiskikh bankov [Financial stability of Russian banks]. Auditor. No. 3 (157), pp. 38–45. (In Russian)

8. Khoroshev, S. (2008). Modelirovanie perelomnykh situatsii v rossiiskoi ekonomike i ustoichivost’ bankov [Modeling turning points in the Russian economy and the stability of banks]. Bankovskoe delo [Banking]. No. 4, pp. 53–56. (In Russian)

9. Komogortsev, S. N. (2012). Priemy analiza i metodiki otsenki fi nansovoi ustoichivosti bankov v sovremennoi rossiiskoi i mirovoi praktike [Techniques of analysis and methods for assessing the financial stability of banks in modern Russian and world practice]. Mir sovremennoi nauki [The world of modern science]. No. 3 (12), pp. 37–40. (In Russian)

10. Vishnyakov, I. P. (2017). Metodologiia analiza ustoichivosti regional’noi bankovskoi sistemy v imperative ustoichivosti bankovskoi sistemy v tselom [Methodology for analyzing the sustainability of the regional banking system in the imperative of sustainability of the banking system as a whole]. Finansovye issledovaniia [Financial research]. No. 3 (56), pp. 46–53. (In Russian)

11. Mokeeva, N. N. (2020). Financial mechanisms of the deposit insurance system as part of ensuring the stability of the Russian banking system and innovative development. In: The Urals are the driver of neoindustrial and innovative development of Russia. Materials of the II Ural Economic Forum, 2 volumes. — Ekaterinburg, pp. 152–158. (In Russian)

12. Dzyuban, S. V. (2008). System for monitoring the fi nancial stability of the banking sector. In: Interaction of the real and fi nancial sectors in a transformational economy. Materials of the International Scientifi c Conference. — Orenburg, pp. 215–217. (In Russian)

13. Skorlupina, Yu. O. (2016). Ispol’zovanie agregirovannogo indeksa ustoichivosti dlia otsenki sostoianiia bankovskoi sistemy strany [Using an aggregate sustainability index to assess the state of the country’s banking system]. Novaia nauka: sovremennoe sostoianie i puti razvitiia [New Science: Current State and Ways of Development]. No. 2-1, pp. 198–200. (In Russian)

14. Antonyuk, O. A. (2012). Primenenie matematicheskoi modeli Gurvitsa dlia opredeleniia ustoichivosti bankovskoi sistemy [Application of the Hurwitz mathematical model to determine the stability of the banking system]. Vektor nauki TGU [TSU Science Vector]. No. 2 (20), pp. 202–206. (In Russian)

15. Bank rating 144. — Available at: https://docs.google.com/spreadsheets/d/1MvoJVYiFJLPDZddkUrCqutwW rEnQpIjgKHymlyGDlxo/edit#gid=0 (accessed: 07.04.2024). (In Russian)

16. Finuslugi (2024). Bank ratings. — Available at: https://finuslugi.ru/finansovyj_rejting_bankov (accessed: 07.04.2024)

17. Criteria for sustainability (Lecture). — Available at: http://mc-plc.ru/asu/kriterii-ustoychivosti.htm (accessed: 09.04.2024)

18. Gantmakher, F. R. (2010). Theory of Matrices. Moscow: Fizmatlit, 560 p. ISBN 978-5-9221-0524-8. (In Russian)

19. Matrix Determinant — Recursive Search Method in Python 3. — Available at: https://www.youtube.com/ watch?v=qkHELf2yaps (accessed: 07.04.2024). (In Russian)

20. Holscher, J. (2000). Central banking and fi nancial stability in transition economies. In: Karmann, A. (eds) Financial Structure and Stability. Contributions to Economics. Heidelberg: Physica, pp. 186–200. doi.org/10.1007/978-3-642-57674-4_16

21. Scherf, G. (2014). Trading off financial stability: A political economy perspective on European banking regulation. In: Financial Stability Policy in the Euro Zone. Wiesbaden: Springer Gabler, pp. 47–87. doi.org/10.1007/978-3-658-00983-0_3

22. Gortsos, C. V. (2023). The European Banking Regulation Handbook, Volume I. Palgrave Macmillan Cham, 567 p. doi.org/10.1007/978-3-031-32859-6

23. She, Jf., Li, Mx. (2013). Research on the Mechanism and Conditions of the System Stability of the Banking Under the Competition Effect. In: International Asia Conference on Industrial Engineering and Management Innovation (IEMI2012) Proceedings. Berlin, Heidelberg: Springer, pp. 1717–1725. doi.org/10.1007/978-3-64238445-5_181

24. Frame, W. S. Anjan V. Thakor. (2021). The purpose of banking: transforming banking for stability and economic growth. Bus Econ. Vol. 56, pp. 54–56. doi.org/10.1057/s11369-020-00196-y

25. Hoggarth, G., Milne, A., Wood, G. E. (2001). Alternative Routes to Banking Stability: A Comparison of UK and German Banking Systems. In: Financial Competition, Risk and Accountability. Anglo-German Foundation for the Study of Industrial Society. London: Palgrave Macmillan, pp. 11–32. doi.org/10.1007/978-1-349-65236-5_2

26. Breiman, L. (2001). Random Forests. Machine Learning. Vol. 45, pp. 5–32. doi.org/10.1023/A:1010933404324

27. Rodgers, W., Cardenas, J. A., Gemoets, L. A., Sarfi , R. J. (2023). A smart grids knowledge transfer paradigm supported by experts’ throughput modeling artificial intelligence algorithmic processes. Technological Forecasting and Social Change. Vol. 190, art. 122373. doi.org/10.1016/j.techfore.2023.122373

Дата поступления рукописи в редакцию: 11.04.2024

Дата принятия рукописи в печать: 16.05.2024

В современных условиях важное значение имеет формирование подходов для обеспечения устойчивого развития отечественной банковской системы. Исследование теоретических основ оценки устойчивости развития банковской системы России и его прогнозирования в условиях рыночной неопределенности с использованием моделей, использующих преимущества искусственного интеллекта, имеет важное значение.

Цель исследования заключается в том, чтобы: 1) рассчитать коэффициенты многофакторной линейной регрессии; 2) используя их, сформировать матрицу Гурвица; 3) получить оценку устойчивости банковской системы по критерию Гурвица; 4) сформировать DL-модель «Случайный лес»; 5) получить прогноз прироста прибыли в процентах.

Актуальность исследования в том, что все более широко используются подходы с применением систем искусственного интеллекта с тем, чтобы обеспечить устойчивое развитие банковской системы в условиях рыночной неопределенности. В работе выдвинута и доказана гипотеза, что с помощью DL-модели «Случайный лес» может быть получен прогноз прироста чистой прибыли коммерческих банков.

Новизна исследования в том, что с помощью DL-модели рассчитаны коэффициенты многофакторной линейной регрессии, описывающие поведение банковской системы под действием факторов, включенных в модель, которые затем были использованы в математической матрице Гурвица с целью выявления устойчивости банковской системы, и в конечном счете был получен прогноз прироста чистой прибыли.

Практическая значимость состоит в том, что результаты, полученные в ходе исследования, могут быть успешно использованы на практике для прогнозирования динамики чистой прибыли отечественной банковской системы.

Системы искусственного интеллекта находят все более широкое применение в сфере экономики и финансов, банковской сфере [1, с. 64–80; 2, с. 130–143; 3, c. 1800–1809; 4, c. 1588–1597]. Исследованию проблемы устойчивого развития банковской системы посвящено огромное количество работ. Так, например, Урлапов П. С. и Марамыгин М. С. исследовали современные тенденции развития банковского сектора Российской Федерации в условиях экономической неопределенности [5, с. 202–206]. Кроме того, вопросам финансовой устойчивости коммерческих банков посвящены исследования таких ученых, как: Котляров М. А. [6, с. 6–9]; Хорошев С. [8, с. 53–56]; Велиева И. С., Комардина О. Н., Самиев П. А. [7, с. 38–45]. Решению проблемы устойчивости и управления риском банковской деятельности посвящены исследования Комогорцева С. Н. [9, с. 37–40].

Для Цитирования:
Николай Иванович Ломакин, Татьяна Ивановна Кузьмина, Максим Сергеевич Марамыгин, Оксана Александровна Минаева, Ольга Витальевна Юрова, Мария Анатольевна Петрова, Анализ устойчивости банковской системы c критерием Гурвица и прогнозирование моделью глубокого обучения Random Forest. Международная экономика. 2024;6.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: