Система мониторинга банкротств на основе анализа выживаемости

Темой работы является прогнозирование банкротств юридических лиц на основании анализа выживаемости. Актуальность выбранной темы обоснована тем, что для юридических лиц критически важно уметь оценивать риски при взаимодействии с контрагентами. Банкротства также оказывают сильное воздействие на экономику в целом, так как банкротство одной компании, в силу ее интегрированности в экономику, скажется на целом ряде других. Умение отслеживать подобные случаи позволит улучшить экономическую ситуацию, так как появится возможность минимизировать или даже полностью предотвращать пагубные последствия разорения юридических лиц. На данный момент существует целый ряд публикаций, касающихся подобной темы, однако подавляющее большинство ориентировано именно на применение классических методов машинного обучения. Говоря о классических методах, я подразумеваю модели, которые позволяют отнести желаемый объект (компанию) к одному из двух классов (обанкротится/не обанкротится). Главная проблема заключается в том, что данные методы не покрывают весь спектр вопросов, порожденных проблемой исследования банкротств компаний. Анализ выживаемости примечателен тем, что позволяет не просто отнести целевой объект к одному из двух целевых классов, но также позволяет оценивать риски во времени. То есть появляется возможность выделять вероятность банкротства на определенном промежутке времени, что позволяет более гибко оценивать риски. Цели исследования: • исследовать национальную специфику стран, используя survival analysis; • сравнить важные предикторы страны между собой на основании выделенных сильных финансовых отношений. Задачи исследования: • собрать данные за 2011–2019 годы о юридических лицах каждой из трех стран; • подготовить данные для обработки алгоритмами машинного обучения; • построить несколько моделей, основанных на идее анализа выживаемости; • выделить наиболее значимые предикторы для каждой страны (на основании результатов моделей); • произвести сравнение значимых предикторов для разных стран и попытаться найти социально-экономические причины этих различий. Результатом работы являются построенные для каждой страны модели Gradient Boosting Machine (GBM) и Random Survival Forest (RSF), с помощью которых выделяются наборы сильнейших признаков.