Министерство образования и науки рф
Московский государственный университет экономики, статистики и информатики
Кафедра математической статистики и эконометрики
Работа
по дисциплине «Математическая статистика»
Руководитель: Зехин В.А.
Выполнила студентка
группы ДЭК-301
Царькова Наталья
Москва – 2013
Кластерный анализ
Для кластерного анализа были отобраны 7 ключевых показателей за ноябрь 2013 года, характеризующих банковскую деятельность в Москве: Х1 (Нетто-активы), Х2 (капитал), Х3 (величина чистой прибыли), Х4 (объем кредитного портфеля), Х5 (просроченная задолженность в кредитном портфеле), Х6 (вклады физических лиц), Х7 (средства предприятий и организаций). Целью кластерного и дискриминантного анализа является выделение однородных по размерам групп банков. Анализ данных был произведен с использованием ППП “SPSS”.
Исходные данные для анализа:
|
Х1 |
Х2 |
Х3 |
Х4 |
Х5 |
Х6 |
Х7 |
Агросоюз |
8 441 439 |
1058619 |
30527 |
4 542 454 |
8 802 |
3 014 819 |
2 004 684 |
Альфа-Банк |
1 434 118 334 |
2854357 |
23 223 906 |
1 066 193 766 |
39 598 461 |
342 381 391 |
433 356 491 |
Банк БФА |
83 531 656 |
10 220 655 |
1 114 787 |
30 896 741 |
250 903 |
8 620 424 |
29 374 769 |
РосБанк |
760 425 346 |
91 359 698 |
5 084 565 |
448 902 375 |
32 198 592 |
144 068 220 |
238 395 082 |
Банк Москвы |
1 746 376 661 |
176 907 503 |
4 168 764 |
896 371 751 |
234 000 769 |
205 938 786 |
552 199 673 |
Райффайзен |
761 931 790 |
90 205 653 |
19 137 652 |
441 673 843 |
13 486 041 |
235 687 548 |
183 895 160 |
Глобэкс |
268 881 461 |
37 110 737 |
710 558 |
159 187 408 |
4 266 609 |
43 955 193 |
72 610 662 |
ДельтаКредит |
98 095 201 |
13287362 |
1 958 192 |
70 338 764 |
104 952 |
1 224 743 |
2 798 029 |
Евромет |
8 928 498 |
1602615 |
203 480 |
7 730 377 |
124 370 |
3 425 720 |
1 870 646 |
Зенит |
255 561 523 |
33631618 |
1 261 867 |
165 476 978 |
4 183 855 |
45 387 017 |
78 985 669 |
Интеркоммерц Банк |
51 700 163 |
5392173 |
522 380 |
39 805 785 |
517 719 |
18 824 674 |
16 089 748 |
Клиентский |
12 548 533 |
1177859 |
78 091 |
9 119 499 |
115 239 |
7 412 718 |
1 953 012 |
Россельхоз Банк |
1 854 247 768 |
196 625 504 |
3 033 436 |
1 221 523 786 |
111 727 222 |
219 413 023 |
658 478 297 |
Милбанк |
3 967 243 |
523276 |
19 556 |
2 755 754 |
324 |
1 713 640 |
1 239 587 |
Московский Индустриальный Банк |
191 415 203 |
22207834 |
790 264 |
144 960 178 |
1 845 603 |
106 011 263 |
50 845 359 |
Московский Кредитный Банк |
417 258 753 |
57 695 398 |
3 708 362 |
318 095 046 |
2 960 082 |
131 808 618 |
133 382 561 |
НОМОС-Банк |
781 000 308 |
123 029 416 |
3 753 419 |
477 949 433 |
15 407 731 |
109 304 215 |
326 304 641 |
Огни Москвы |
20 413 143 |
2 308 593 |
341 279 |
18 690 342 |
761 990 |
12 496 884 |
3 975 188 |
Промсвязьбанк |
746 703 805 |
93 112 313 |
5 814 928 |
458 423 868 |
16 807 865 |
190 322 850 |
284 834 917 |
Ренессанс Кредит |
114 728 393 |
14 774 939 |
−237855 |
84 191 200 |
9 487 042 |
59 623 979 |
20 163 731 |
Росинтербанк |
39 184 574 |
5 628 501 |
81 888 |
21 862 169 |
395 488 |
19 651 551 |
13 046 528 |
Русский Стандарт |
14 727 042 |
1 417 335 |
7 565 075 |
7 565 075 |
413 313 |
7 764 652 |
3 113 512 |
Русстройбанк |
25 820 578 |
2 856 610 |
21 729 |
20 781 068 |
256 406 |
15 379 414 |
566528 |
Ситибанк |
353 659 688 |
57 105 873 |
6 270 023 |
126 377 720 |
192 474 |
65 490 504 |
181 020 735 |
Связь-банк |
277 092 957 |
40 209 718 |
1 064 095 |
154 735 071 |
5 188 487 |
25 429 533 |
131 308 257 |
Тинькофф Кредитные Системы |
116 082 187 |
16 267 767 |
3 588 866 |
80 548 049 |
4 529 033 |
38 103 975 |
37 663 507 |
Уралсиб |
421 666 646 |
50 818 844 |
620 035 |
262 499 920 |
20 059 952 |
157 864 126 |
132 844 953 |
Финансовый Стандарт |
7 723 024 |
1 066 407 |
27 788 |
4 880 671 |
1 238 |
2 765 679 |
2 126 451 |
Хоум Кредит Банк |
386 123 330 |
58 242 826 |
8 925 533 |
309 887 260 |
40 340 851 |
220 767 855 |
48 615 423 |
ЮниКредит Банк |
791 869 516 |
128 046 435 |
13 600 854 |
540 680 216 |
16 585 095 |
66 862 993 |
275 840 065 |
Иерархические методы кластерного анализа. В качестве меры расстояния между объектами взято обычное евклидово расстояние.
Данные не нормализованы
Анализ производится по принципу «ближнего соседа»
Анализ по методу «дальнего соседа»
Анализ по центрам тяжести групп
Анализ по методу средней связи
Анализ по нормализованным данным
Анализ по методу «ближнего соседа»
Анализ по методу «дальнего соседа»
Анализ по центрам тяжести групп
Анализ по методу средней связи
Вывод: исходя из полученных дендрограмм, можно заключить, что наилучшим является разбиение по центрам тяжести групп без нормализации данных (пункт 1.1.3.).
Кластеризация k-средними
Было выбрано количество кластеров k=3.
Число наблюдений в каждом кластере | ||
Кластер |
1 |
19,000 |
2 |
3,000 | |
3 |
8,000 |