По всем вопросам звоните:

+7 495 274-22-22

УДК: 330.44 DOI:10.33920/vne-04-2501-06

Оценка устойчивости банковской системы с DL-моделью Rf и матрицей Гурвица в условиях турбулентной экономики

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», Россия, 115054, г. Москва, Стремянный пер., д. 36, E-mail: tutor07@list.ru, ORCID: 0000-0002-1757-5201
Максим Сергеевич Марамыгин доктор экономических наук, 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
Татьяна Геннадьевна Агиевич кандидат экономических наук, доцент, кафедра экономики и предпринимательства, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: agievich@vstu.ru, ORCID:0000-0003-4133-6873
Никита Тимофеевич Шабанов аспирант кафедры менеджмента и финансов производственных систем, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: shabanovnt1999@gmail.com, ORCID: 0000-0002-2240-5725
Ирина Анатольевна Самородова преподаватель, АОЧУ ВО «Московский финансово-юридический университет МФЮА», Россия, 115191, г. Москва, Серпуховской вал, д. 17, к. 1, E-mail: iyurina@inbox.ru, ORCID: 0000-0002-0108-9022
Тарас Васильевич Терехов магистрант, ФГБОУ ВО «Волгоградский государственный технический университет», Россия, 400005, г. Волгоград, просп. В. И. Ленина, д. 28, E-mail: taras.tieriekhov@mail.ru, ORCID: 0009-0000-1124-9758

В статье рассмотрены теоретические вопросы оценки устойчивости, банковской системы с использованием DL-модели «Случайный лес» и матрицы «Гурвица» в условиях турбулентной экономики. Отмечая основные аспекты, определяющие актуальность проведенного исследования, следует отметить два момента: во-первых, что в современных условиях очень часто в научных исследованиях используются системы искусственного интеллекта, а во-вторых, остаются востребованными новые подходы, которые позволяют восполнить имеющиеся пробелы в теоретических вопросах касательно аспектов оценки финансовой устойчивости банковской системы в условиях турбулентной экономики. Научная новизна заключается в том, что в проведенном исследовании выдвинута и доказана гипотеза, что с помощью системы искусственного интеллекта DL-модель «Случайный лес» может быть получен точный прогноз чистой прибыли банковской системы, который может быть использован при оценке ее устойчивости по критерию Гурвица. Практическая значимость заключается в том, что результаты, полученные в ходе исследования, могут быть рекомендованы к внедрению в практику для обеспечения поддержки принятия управленческих решений при разработке стратегии развития российской банковской системы. Точность полученного прогноза DL-модели характеризуется величиной средней ошибки прогноза (MAE). В сформированной DL-модели используется лучшее дерево решений. DL-модель «Случайный лес» была сформирована с использованием оптимальных настроек гиперпараметров.

Литература:

1. Федеральный закон «О Центральном банке Российской Федерации (Банке России)» от 10.07.2002 N 86-ФЗ (последняя редакция) // СПС «Консультант Плюс». [Электронный ресурс]. URL: https://www.consultant.ru/document/cons_doc_LAW_37570/ (дата обращения: 28.08.2024).

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

3. Статистические показатели банковского сектора Российской Федерации // Банк России. [Электронный ресурс]. URL: https://cbr.ru/statistics/bank_sector/review/ (дата обращения: 28.08.2024).

4. Григорьева, С. В. Развитие экономического анализа устойчивости предприятий: методология и практика: Автореф. дис… д-ра экон. наук: 5.2.3. — Моск. область, Мытищи: Российский университет кооперации, 2023. — 46 с.

5. Дернер, Д. Логика неудачи (пер. с нем.) — М.: Смысл, 1997. — 243 с.

6. Масюк, Н. Н., Кирьянов, А. Е., Шакуев, Д. А. Искусственный интеллект как драйвер цифровой экономики // IX Всероссийская научно-практическая конференция «Актуальные вопросы развития современного общества». [Электронный ресурс]. URL: https://portfolio.vvsu.ru/files/4C669B62-1BDE-478CA867-F21B57623EEE.PDF (дата обращения: 23.09.2024).

7. Гантмахер, Ф. Р. Теория матриц. — М.: Физматлит, 2010. — 560 с.

8. Ломакин, Н. И., Кузьмина, Т. И., Марамыгин, М. С., Дергачева, С. Н., Цебекова, Ю. Т., Вималаратхне, К., Ломакин, И. Н. Иерархическая кластеризация и Deep Learning-модель Random Forest устойчивости банков в условиях риска // Наука Красноярья. — 2024. — Т. 13. — № 1. — C. 88–102. doi.org/10.12731/2070-75682024-13-1-235

9. Ломакин, Н. И., Марамыгин, М. С., Московцев, А. Ф., Родионова, Е. А., Шабанов, Н. Т., Качанов, Ю. А., Вималаратхне, К. Когнитивное моделирование устойчивого развития банковской системы в условиях инновационных трансформаций // Международная экономика. — 2023. — Т. 20. — № 10. — 715–733. doi.org/10.33920/vne-04-2310-06

10. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. Classification and Regression Trees (1st ed.). — New York: Chapman and Hall/CRC, 1984. — 368 с. doi.org/10.1201/9781315139470

11. Арыков, Р. И. Система оценки финансовой стабильности банковского сектора на основе показателей финансовой устойчивости // Реформа. — 2016. — № 2 (70). — С. 72–77

12. Таштамиров, М. Р., Вараев, А. А. Методика оценки устойчивости банковской системы с использованием макроэкономических индикативных показателей // Вестник евразийской науки. — 2018. — Т. 10. — № 3. — Ст. 41

13. Bulatova, E. I., Potapova, E. A., Fathutdinova, R. A., Yandiev, R. C. Monitoring and controlling banking system via financial stability assessment // International Transaction Journal of Engineering, Management and Applied Sciences and Technologies. — 2019. — Т. 10. — Вып. 16. — Ст. 10A16B.

14. Qiang, C., Tingting, Z. Wenmei, Yu. ESG investment and bank efficiency: Evidence from China // Energy Economics. — 2024. — Т. 133. — Art. 107516. doi.org/10.1016/j.eneco.2024.107516

15. Kuznyetsova, A., Pogorelenko, N. Assessment of the banking system fi nancial stability based on the differential approach // Banks and Bank Systems. — 2018. — Т. 13. — № 3. — С. 120–133

16. Yushko, I. Assessment of the global banking system financial stability // Economics & Education. — 2016. — № 1 (2). — С. 24–29

17. Chychkan, I. I. Banking system stability assessment // Economics, management, law: problems and prospects. Science editor Drobyazko, S. I. — United Kingdom: Agenda Publishing House, 2015. — С. 364–367

18. Кроливецкая, В. Э., Масловская, Е. О., Конников, Е. А. О финансовой стабильности (устойчивости) банковской системы и ее оценке // Журнал правовых и экономических исследований. — 2023. — № 1. — С. 210–220

19. Рабаданова, Д. А. Оценка устойчивости банковской системы в условиях современных вызовов // Региональная и отраслевая экономика. — 2023. — № S1. — С. 70–79

20. Уварова, Л. Ф. Модель вероятности банкротства банка как элемента устойчивости национальной банковской системы Российской Федерации // Экономика и предпринимательство. — 2013. — № 8 (37). — С. 384–389

21. Kakhkharov, J., Yarashov, S. Banking in times of geopolitical change, post-financial crisis, and pandemic // Reference Module in Social Sciences. — Elsevier, 2024. doi.org/10.1016/B978-0-44-313776-1.00228-2

22. Zeeshan, M. Financial market volatility: Does banking concentration play a role? // Finance Research Letters. — 2024. — Т. 68. — Ст. 105960. doi.org/10.1016/j.frl.2024.105960

23. Doumpos, M., Zopounidis, C., Gounopoulos, D., Platanakis, E., Zhang, W. Operational research and artificial intelligence methods in banking // European Journal of Operational Research. — 2023. — Т. 306. — Вып. 1. — С. 1–16. doi.org/10.1016/j.ejor.2022.04.027

1. Consultant Plus (2024). Federal Law on the Central Bank of the Russian Federation (Bank of Russia) dated 10.07.2002 N 86-FZ (latest revision). — Available at: https://www.consultant.ru/document/cons_doc_ LAW_37570/ (accessed: 28.08.2024). (In Russian)

2. 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)

3. Bank of Russia (2024). Statistical indicators of the banking sector of the Russian Federation. — Available at: https://cbr.ru/statistics/bank_sector/review/ (accessed: 28.08.2024). (In Russian)

4. Grigorieva, S. V. (2023). Development of economic analysis of enterprise sustainability: methodology and practice. — Moscow region, Mytishchi: Russian University of Cooperation, 46 p. (In Russian)

5. Derner, D. (1997). The logic of failure. Moscow: Smysl, 243 p. (In Russian)

6. Masyuk, N. N., Kiryanov, A. E., Shakuev, D. A. (2021). Artificial intelligence as a driver of the digital economy. In: IX All-Russian Scientific and Practical Conference Topical issues of Modern Society Development. — Available at: https://portfolio.vvsu.ru/files/4C669B62-1BDE-478C-A867-F21B57623EEE.PDF (accessed: 23.09.2024). (In Russian)

7. Gantmakher, F. R. (2010). Matrix Theory. — Moscow: Fizmatlit, 560 p. (In Russian)

8. Lomakin, N. I., Kuzmina, T. I., Maramygin, M. S., Dergacheva, S. N., Tsebekova, Yu. T., Vimalarathne, K., Lomakin, I. N. (2024). Ierarkhicheskaia klasterizatsiia i Deep Learning model’ “Random Forest” ustoichivosti bankov v usloviiakh riska [Hierarchical clustering and Deep Learning “Random Forest” model of bank stability under risk conditions]. Nauka Krasnoiar’ia [Science of Krasnoyarsk]. Vol. 13, no. 1, pp. 88–102. doi.org/10.12731/2070-7568-2024-13-1-235. (In Russian)

9. Lomakin, N. I., Maramygin, M. S., Moskovtsev, A. F., Rodionova, E. A., Shabanov, N. T., Kachanov, Yu. A., Vimalarathne, K. (2023). Kognitivnoe modelirovanie ustoichivogo razvitiia bankovskoi sistemy v usloviiakh innovatsionnykh transformatsii [Cognitive modeling of sustainable development of the banking system in the conditions of innovative transformations]. Mezhdunarodnaia ekonomika [The World Economics]. Vol. 20, no. 10, pp. 715–733. doi.org/10.33920/vne-04-2310-06. (In Russian)

10. Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J. (1984). Classifi cation and regression Trees (1st ed.). — New York: Chapman and Hall/CRC. — 368 p. doi.org/10.1201/9781315139470

11. Arykov, R.I. (2016). Sistema otsenki finansovoi stabil’nosti bankovskogo sektora na osnove pokazatelei finansovoi ustoichivosti [System for assessing the fi nancial stability of the banking sector based on indicators of financial stability]. Reforma [Reform]. No. 2 (70), рр. 72–77. (In Russian)

12. Tashtamirov, M. R., Varaev, A. A. (2018). Metodika otsenki ustoichivosti bankovskoi sistemy s ispol’zovaniem makroekonomicheskikh indikativnykh pokazatelei [Methodology for assessing the stability of the banking system using macroeconomic indicative indicators]. Vestnik evraziiskoi nauki [Bulletin of Eurasian Science]. Vol. 10, no. 3, art. 41. (In Russian)

13. Bulatova, E. I., Potapova, E. A., Fathutdinova, R. A., Yandiev, R. C. (2019). Monitoring and controlling banking system via financial stability assessment. International Transaction Journal of Engineering, Management and Applied Sciences and Technologies. Vol. 10, iss. 16, art. 10A16B

14. Qiang, C., Tingting, Z. Wenmei, Yu. (2024). ESG investment and bank efficiency: Evidence from China. Energy Economics. Vol. 133, art. 107516. doi.org/10.1016/j.eneco.2024.107516

15. Kuznyetsova, A., Pogorelenko, N. (2018). Assessment of the banking system financial stability based on the differential approach. Banks and Bank Systems. Vol. 13, no. 3, pp. 120–133

16. Yushko, I. (2016). Assessment of the global banking system fi nancial stability. Economics & Education. No. 1 (2), pp. 24–29

17. Chychkan, I. I. (2015). Banking system stability assessment. In: Economics, management, law: problems and prospects. Science editor Drobyazko, S. I. — United Kingdom: Agenda Publishing House, pp. 364–367

18. Krolivetskaya, V. E., Maslovskaya, E. O., Konnikov, E. A. (2023). O fi nansovoi stabil’nosti (ustoichivosti) bankovskoi sistemy i ee otsenke [On the fi nancial stability (sustainability) of the banking system and its assessment]. Zhurnal pravovykh i ekonomicheskikh issledovanii [Journal of Legal and Economic Research]. No. 1, pp. 210–220. (In Russian)

19. Rabadanova, D. A. (2023). Ocenka ustojchivosti bankovskoj sistemy v uslovijah sovremennyh vyzovov [Assessment of the sustainability of the banking system in the context of modern challenges]. Regional’naja i otraslevaja jekonomika [Regional and Sectoral Economics]. No. S1, pp. 70–79. (In Russian)

20. Uvarova, L. F. (2013). Model’ verojatnosti bankrotstva banka kak jelementa ustojchivosti nacional’noj bankovskoj sistemy Rossijskoj Federacii [Model of the probability of bank bankruptcy as an element of the stability of the national banking system of the Russian Federation]. Jekonomika i predprinimatel’stvo [Economy and Entrepreneurship]. No. 8 (37), pp. 384–389. (In Russian)

21. Kakhkharov, J., Yarashov, S. (2024). Banking in times of geopolitical change, post-financial crisis, and pandemic. In: Reference Module in Social Sciences. — Elsevier. doi.org/10.1016/B978-0-44-3137761.00228-2

22. Zeeshan, M. (2024). Financial market volatility: Does banking concentration play a role? Finance Research Letters. Vol. 68, art. 105960. doi.org/10.1016/j.frl.2024.105960

23. Doumpos, M., Zopounidis, C., Gounopoulos, D., Platanakis, E., Zhang, W. (2023). Operational research and artificial intelligence methods in banking. European Journal of Operational Research. Vol. 306, iss. 1, pp. 1–16. doi.org/10.1016/j.ejor.2022.04.027

Дата поступления рукописи в редакцию: 24.09.2024

Дата принятия рукописи в печать: 22.11.2024

Практика показывает, что в современных условиях одной из важнейших тенденций становится поиск новых методик и нестандартных путей для обеспечения процесса принятия решения на основе искусственного интеллекта касательно повышения устойчивости банковской системы.

Устойчивость банковской системы является частью еще более масштабной задачи — обеспечения финансовой стабильности. Финансовая стабильность представляет устойчивость финансовой системы в целом к шокам, а также ее бесперебойное и эффективное функционирование. Как известно, за обеспечение финансовой стабильности в России отвечает Центральный банк, поскольку эта функция изложена в статье 3 Федерального закона «О Центральном банке Российской Федерации (Банке России)».

В статье 3 указано, что: «Целями деятельности Банка России являются: защита и обеспечение устойчивости рубля; развитие и укрепление банковской системы Российской Федерации; обеспечение стабильности и развитие национальной платежной системы; развитие финансового рынка Российской Федерации; обеспечение стабильности финансового рынка Российской Федерации» [1].

Проблеме устойчивости банковской системы посвящено множество исследований отечественных и зарубежных ученых. Известно, что основным инструментом обеспечения финансовой стабильности с позиций Банка России является макропруденциальная политика, поскольку она представляет собой комплекс мер, направленных на снижение системного риска на финансовом рынке, а также в его отдельных секторах.

Макропруденциальные инструменты призваны достичь две основные цели:

Во-первых, снижение уязвимости финансовой системы, в частности, вызываемой растущей долговой нагрузкой населения, снижением уровня требований стандартов кредитования. Известно, например, что с октября 2019 г. ЦБ России стал использовать показатель долговой нагрузки заемщика, согласно которому банки и финансовые организации должны учитывать уровень общей долговой нагрузки заемщика при выдаче кредита или займа, чтобы исключить появление «пузыря» на рынке потребительского кредитования, поскольку некоторым людям свойственно набирать большое количество кредитов, что приводит к росту долгов, которые они потом не могут погасить.

Для Цитирования:
Николай Иванович Ломакин, Татьяна Ивановна Кузьмина, Максим Сергеевич Марамыгин, Татьяна Геннадьевна Агиевич, Никита Тимофеевич Шабанов, Ирина Анатольевна Самородова, Тарас Васильевич Терехов, Оценка устойчивости банковской системы с DL-моделью Rf и матрицей Гурвица в условиях турбулентной экономики. Международная экономика. 2025;1.
Полная версия статьи доступна подписчикам журнала
Язык статьи:
Действия с выбранными: