Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования

 

Федеральное агентство по образованию

Государственное образовательное учреждение

высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра прикладной информатики

Выпускная квалификационная работа

Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования

Работу выполнил:

студентка 1253 группы

Карелина Мария Владиславовна

Пермь 2012

Введение

Предоставление кредитов является основной экономической функцией банков, осуществляемой для финансирования как физических, так и юридических лиц. От подбора и применения методов оценки кредитоспособности в последующем во многом зависит финансовое состояние и жизнеспособность самого банка.

В настоящее время, в связи с последствиями финансово-экономического кризиса, для многих банков целью является уже не максимизация прибыли, а минимизация рисков. Кризис ликвидности, платежеспособности привел к тому, что многие ссуды не были возвращены, что привело к ухудшению финансового положения самих кредитных учреждений. Финансово - экономический кризис показал низкую работоспособность действующих методик банков по оценке кредитоспособности заемщиков. Текущие модели уже не способны в полной мере спрогнозировать наступление кредитного риска.

Кредитный риск является основным финансовым риском, с которыми сталкиваются банки в своей работе. В связи с возросшим масштабом кредитных рисков связана проблема поиска альтернативных методов снижения банковских рисков за счет эффективной классификации потенциального заемщика. Вопросы, касающиеся необходимости применения новых методов в оценке кредитного риска активно обсуждались и на Всемирном экономическом форуме в Давосе в феврале 2010 г.[21]

Таким образом, в настоящее время возник вопрос о разработке работающей методики оценки кредитоспособности заемщика, применив новый аппарат для прогнозирования кредитного риска. Желательно, чтобы такая модель могла предсказать кризисную ситуацию коммерческой организации еще до появления ее очевидных признаков.

Учитывая актуальность данной проблемы, целью выпускной квалификационной работы является разработка модели оценки кредитоспособности заемщиков - индивидуальных предпринимателей с использованием нейросетевых технологий, для их дальнейшей классификации в зависимости от уровня кредитного риска. При этом построенная модель должна обладать высокой степенью прогнозирования возникновения проблем у заемщиков с возвратом кредита. Для достижения поставленной цели необходимо решить ряд задач:

Дать определение кредитоспособности и оценки кредитоспособности;

Определить цели и задачи анализа кредитоспособности заемщика;

Описать работу нейросимулятора;

Рассмотреть различные подходы оценки кредитоспособности;

Проверить работоспособность нейросети на основе существующей модели оценки кредитоспособности;

Собрать необходимую информацию для создания нейросетевой модели;

Разработать демонстрационный прототип нейросетевой системы оценки кредитоспособности заемщика;

Внедрить информационную систему в кредитной организации для опытной эксплуатации;

Определить экономическую эффективность применения нейросетевой модели оценки кредитоспособности заемщика.

В первой главе представлен теоретический материал, описывающий понятие кредитоспособности, кредитный риск, описаны методики оценки кредитоспособности заемщика, способны борьбы с кредитным риском. Здесь же даны определение и характеристика нейросетевых технологий, возможность их применения для определения кредитоспособности заемщика.

Во второй главе работы проводится демонстрация разработки методики оценки кредитоспособности индивидуальных предпринимателей, основанной на нейросетевых технологиях, для проведения классификации потенциальных заемщиков. Для построения нейросетевой модели используется программный продукт «Нейросимулятор NSim3» [16-17], в качестве базы данных используется информация из кредитных историй ОАО БИНБАНК Пермского филиала.

В третьей главе работы проводится анализ экономической эффективности применения нейросетевой модели оценки кредитоспособности заемщика.

При написании работы использованы монографии отечественных авторов, учебная литература, электронные ресурсы и нормативные документы. В работе также использована зарубежная литература по банковскому финансовому и риск-менеджменту, основам систем искусственного интеллекта и, в частности, теории нейронных сетей.

Материалы для исследований и обучения нейронной сети были предоставлены профессором Ясницким Л.Н. и ОАО БИНБАНК Пермский филиал.

Глава 1. Теоретические аспекты оценки кредитоспособности заемщика

1.1 Понятие, цели и задачи оценки кредитоспособности

Современный коммерческий банк является универсальной кредитной организацией, которая предоставляет клиентам широкий спектр услуг. При этом, хотя и возрастает привлекательность отдельных банковских операций, главной функцией банков остается осуществление операций по кредитованию.

Согласно Федеральному закону №395-1 «О банках и банковской деятельности» от 2 декабря 1990 года, банк - кредитная организация, которая имеет исключительное право осуществлять в совокупности, следующие банковские операции: привлечение во вклады денежных средств физических и юридических лиц, размещение указанных средств от своего имени и за свой счет на условиях возвратности, платности, срочности, открытие и ведение банковских счетов физических и юридических лиц. При этом, согласно этому же федеральному закону, кредитная организация - юридическое лицо, которое основной целью своей деятельности преследует извлечение прибыли, и для достижения данной цели может осуществлять банковские операции [1].

Система кредитования основывается на базовых принципах. В общем, в современной литературе выделены основные и дополнительные принципы. Это - возвратность, срочность, платность, обеспеченность и дифференцированность.

Однако с кредитными операциями связан риск невозврата ссуды. Наиболее распространенным видом финансового риска является кредитный риск, который представляет собой элемент неопределенности при выполнении контрагентом своих договорных обязательств, связанных с возвратом заемных средств (Лобанов, 2003). Иными словами, кредитный риск - это вероятность потерь вследствие неспособности заемщика выполнить свои обязательства перед кредитором. В связи с чем, потери кредитора могут достигать сумм невыплаченной основной задолженности и неуплаченных процентов по обязательствам. Или, согласно нормативно-правовым документам, а именно Письму ЦБ РФ «О типичных банковских рисках» № 70-Т от 23.06.2004г., «кредитный риск - риск возникновения у кредитной организации убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств перед кредитной организацией в соответствии с условиями договора» [4].

При решении задачи проведения оценки кредитоспособности предприятия - потенциального заемщика, специалисты сталкиваются с двумя схожими понятиями: кредитоспособность и платежеспособность, однако между ними существует ряд существенных отличий[22].

Во-первых, платежеспособность понятие несколько шире и характеризует возможности заемщика, его способность своевременно и полностью погасить все виды обязательств по платежам и задолженности. «Платежеспособность - это способность своевременно и полно выполнять свои платежные обязательства, вытекающие из торговых, кредитных и иных операций денежного характера; кредитоспособность - наличие предпосылок для получения кредита, способность возвратить его» [24].

«Кредитоспособность - это лишь возможность заемщика погасить ссудную задолженность и проценты по ней банку» [5].

Во-вторых, долговые обязательства погашаются за счет свободных денежных средств на счетах предприятия, а погашение ссудной (кредитной) задолженности возможно за счет других источников, например, выручки от реализации заложенного имущества или денежных средств общества, депозитных вкладов и т. п.

Более того, кредитоспособность, в отличие от платежеспособности, не фиксирует неплатежи за истекший период или на какую-то дату, а прогнозирует способность к погашению долга на ближайшую перспективу.

Таким образом, кредитоспособность представляет собой такое реально сложившееся правовое и финансово-хозяйственное состояние заемщика, исходя из оценки которого, банк принимает решение о начале, продолжении или сокращении кредитных отношений с заемщиком. При формулировании определения кредитоспособности заемщика, как правило, в качестве предмета рассматривают кредиты, а субъектов кредитного процесса - банк и организацию, запрашивающую кредит.

В целом, оценка кредитоспособности заемщика заключается в отборе и анализе показателей, оказывающих влияние на величину кредитного риска, их анализ и систематизацию в виде присвоения кредитного рейтинга. Основные группы факторов, влияющих на величину кредитного риска, отражены в Приложении 2. Кредитный рейтинг заемщика должен не только отражать текущее финансовое состояние предприятия, но и давать прогноз на перспективу.

В большинстве случаев, анализ кредитоспособности заемщика включает в себя следующие основные этапы:

Анализ обоснования потребности в кредите, предоставленного потенциальным заемщиком.

Анализ финансовой отчетности предприятия.

Анализ прогнозной финансовой отчетности предприятия.

Рассмотрение плана движения денежных средств в целях планирования поступления платежей и определения вероятности их отсрочки, оценка возможности заемщика своевременно погасить кредит.

Сценарный анализ и оценка устойчивости заемщика к непредвиденным изменениям экономической среды.

Анализ рыночного положения потенциального заемщика относительно конкурентов.

Оценка высшего управленческого звена предприятия, его стратегий, методов управления и эффективности деятельности на основе достигнутых результатов.

Анализ достаточности обеспечения по кредиту.

Анализ возможности предоставления гарантий и поручительств» [13].

Общая структура комплексного анализа кредитоспособности представлена в Приложении 1.

«Управление кредитным риском включает в себя процесс принятия решения о выдаче кредита и процесс мониторинга возврата кредита и выплаты процентов. Процесс принятия решения заключается в типичных процедурах анализа потенциального заемщика, таких как анализ финансовых документов, учредительных и прочих юридических договоров, анализа рыночного положения заемщика и т.д. Анализ всевозможных сторон деятельности заемщика позволяет увидеть те факторы, которые в будущем могут оказать существенное влияние на уровень кредитного риска» [26].

.2 Подходы к оценке кредитоспособности заемщиков

Изложенные критерии оценки кредитоспособности клиента банка определяют содержание ее оценки. Можно выделить следующие параметры оценки:

Качественная оценка (текущая и прогнозная)

Оценка правоспособности и кредитной истории;

Оценка обеспечения;

Оценка качества управления;

Оценка внешних условий;

Количественная оценка (текущая и прогнозная)

Оценка финансового состояния предприятия.

Стоит отметить, что в большинстве случаев, количественная оценка включает в себя расчет таких показателей как коэффициенты ликвидности, коэффициенты финансовой устойчивости и платежеспособности, коэффициенты деловой активности и коэффициенты рентабельности. При этом, оценку кредитоспособности проводят в комплексе, рассчитывая как количественные показатели, так и проводя качественную оценку заемщика.

Теперь перейдем непосредственно к методам оценки кредитоспособности. При этом согласно многим авторам, принято выделять следующие методы оценки кредитоспособности [8]:

Эконометрические модели оценки

Модель Альтмана;

Модель Чессера;

Модель Банка Франции;

Модель Бивера.

Экспертные модели (рейтинги);

Нейронные сети;

Оптимизационные модели;

Гибридные (комплексные) системы.

Рассмотрим некоторые из них.

Рейтинговая оценка рассчитывается путем умножения значения показателя на коэффициент значимости данного показателя в интегральном показателе. В мировой практике при оценке кредитоспособности на основе системы финансовых коэффициентов применяются в основном следующие группы коэффициентов: показатели ликвидности, финансовой устойчивости, эффективности производства и показатели деловой активности. При этом происходит пересчет качественной оценки в количественную. Происходит расчет комплексного результата уровня риска. Также, расчет рейтинговой оценки помимо финансового состояния направлен на кредитную историю, менеджмент предприятия, предлагаемое обеспечение и анализ рынка. Однако расчет некоторых коэффициентов сложен и требует применения специальных методов. На практике каждый коммерческий банк выбирает для себя определенные коэффициенты и решает вопросы, связанные с методикой их расчета. Этот подход позволяет охарактеризовать финансовое состояние заемщика на основе показателя-рейтинга, рассчитываемого в баллах. После расчета, банк определяет класс заемщика, который принимается банком во внимание при разработке шкалы процентных ставок, определении условий кредитования, установлении режима кредитования.

Модификацией рейтинга является скоринг. Данный тип оценки был придуман для отбора заемщиков по потребительскому кредиту. В формуле рейтинговой оценки вместо значения показателя используется его частная балльная оценка. Далее, для каждого показателя определяется несколько интервалов значений, каждому интервалу приписывается определенное количество баллов. Если рассчитанный рейтинг ниже значения, заранее установленного банком, то такому заемщику будет отказано в кредите.

Следующий рассматриваемый способ оценки - эконометрические модели. Данные модели строились на основе линейного и многомерного дискриминантного анализа, регрессионного анализа. В большинстве случаев, это - логит и пробит-модели, которые применялись для определения вероятности дефолта и были построены от нескольких независимых переменных. Таким образом, данные модели предполагали получение вероятности наступления какого-либо события, чаще всего - дефолта заемщика. Наиболее типичными эконометрическими моделями являются модели Альтмана и Чессера, которые включают следующие показатели: отношение собственных оборотных средств к сумме активов; отношение реинвестируемой прибыли к сумме активов; отношение рыночной стоимости акций к заемному капиталу; отношение выручки от реализации к сумме активов (Шеремет, 2001).

В данных моделях используется дискриминантная функция, учитывающая факторы, которые характеризуют финансовое состояние заемщика. Также данная функция учитывает коэффициенты регрессии, которые рассчитываются в результате статистической обработки данных по выборке фирм, которые либо обанкротились, либо выжили в течение некоторого определенного времени. В результате, оценка, рассчитанная с помощью данного метода, является сигналом для предупреждения банкротства фирмы.

Модель Альтмана позволяет дать достаточно точный прогноз банкротства на два-три года вперед. Модель Чессера позволяет прогнозировать невыполнение клиентом своих обязательств по кредитному договору, включающие уплату процентов, возврат основной суммы кредита, сроки погашения и др. Однако, построение в российских условиях подобных моделей достаточно сложно из-за отсутствия статистических данных о банкротстве организаций и постоянного изменения нормативной базы в области банкротства. Более того, рассчитывая таким образом кредитоспособность, банк не учитывает индивидуальных особенностей предприятия, поскольку расчет происходит по статистической выборке.

Следующий способ оценки кредитоспособности - комплексные модели, в рамках анализа которых возможно сочетание количественных и качественных характеристик заемщика. Их сутью является статистическое оценивание и имитационное моделирование, при этом они могут быть основаны на причинно-следственных отношениях. К примеру, в практике банков США применяется правило «шести Си», в основе которого лежит использование шести базовых принципов кредитования: Character, Capacity, Cash, Collateral, Conditions, Control. То есть, характер заемщика, способность заимствовать средства, денежные средства, обеспечение, условия, контроль.

Также, существует методика «CAMPARI», которая заключается в поочередном выделении из кредитной заявки и прилагаемых финансовых документов наиболее существенных факторов, определяющих деятельность клиента. К таким факторам относятся: Character (репутация клиента), Ability (способность к возврату кредита), Margin (доходность), Purpose (цель кредита), Amount (размер кредита), Repayment (условия погашения кредита), Insurance (обеспечение по кредиту).

Оптимизационные модели, основанные на методах математического программирования, позволяют минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. Нейронные сети представляют собой системы, имитирующие работу человеческого мозга, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп.

Конечно, многие модели, такие как модели Альтмана, Чессера, Фулмера, «Шести Си» прошли проверку временем и можно говорить, что они являются универсальными. Но, также, они обладают некоторыми недостатками, которые будут выявлены при оценке кредитоспособности российских компаний в существующих экономических условиях.

Во-первых, большинство моделей являются эмпирическими, и их базой является истории компаний на американском рынке в прошлом веке. Таким образом, совсем не факт, что данные модели покажут свою работоспособность на российском рынке, и тем более в условиях текущего финансово-экономического кризиса.

Во-вторых, модели являются линейными. И более того, очень большой вес составляют количественные факторы. При этом, в каждой модели применяются свои количественные факторы, не говоря, какие из факторов наиболее значимы для определения итогового класса.

Встает вопрос о построении модели, которая бы основывалась на российской кредитной истории, и уделяла бы внимание качественным факторам, по мере возможности была нелинейная. Возможным выходом станет построение нейронной сети, которая не содержит данные недостатки.

Также, при рассмотрении вопроса определения кредитоспособности, стоит обратиться к российскому законодательству.

Определение качества ссуды, предоставляемой заемщику, регламентируется Положением ЦБ РФ №254-П «О формировании резервов на возможные потери по ссудам (РВПС)». Согласно пункту 3.2. данного Положения финансовое положение заемщика оценивается в соответствии с методикой, утвержденной внутренними документами кредитной организации. При этом, также говорится, что эти методики должны соответствовать требованиям Положения ЦБ РФ №254-П.

В соответствии с данным нормативно-правовым документом, кредиты должны быть классифицированы согласно двум критериям. Это - финансовое положение заемщика и качество обслуживание долга.

Финансовой состояния заемщика может быть оценено как хорошее, среднее или плохое. Кратко обобщая Положение ЦБ РФ №254-П, к заемщикам с хорошем финансовым положением можно отнести предприятия со стабильным функционированием, достаточными показателями рентабельности и платежеспособности, и отсутствием различных негативных факторов. Финансовое положение может быть оценено как среднее, если существует наличие негативных факторов, но отсутствуют прямые угрозы текущему финансовому положению. При банкротстве, прямых угрозах бизнесу, устойчивой неплатежеспособности финансовое состояние характеризуется как плохое.

Качество обслуживания долга также оценивается как хорошее, среднее или плохое. При хорошем должно быть отсутствие просрочек до 5 дней по юридическим лицам или до 30 дней по физическим лицам. При среднем качестве обслуживания долга существуют такие моменты как перекредитование, реструктуризация ссуды, просрочка от 6 до 30 дней по юридическим лицам. Для физических лиц просрочка составляет от 31 до 60 дней. Для признания качества обслуживания долга плохим, необходимо наличие следующих фактов: перекредитование, реструктуризация ссуды, просрочка более 30 дней по юридическим лицам. Для физических лиц просрочка составляет более 60 дней [4-5].

Далее происходит определение категории качества ссуды. Отметим еще раз, что в отсутствии иных существенных факторов принимаемых во внимание при классификации ссуды, определение категории качества происходит с применением профессионального суждения на основе комбинации двух вышеприведенных классификационных критериев. Вывод происходит в соответствии с Таблицей 1 [3].

Таблица 1

Определение категории качества ссуды

Обслуживание долга/ финансовое положениеХорошееСреднееПлохоеХорошееСтандартные I категория качестваНестандартные II категория качестваСомнительные III категория качестваСреднееНестандартные II категория качестваСомнительные III категория качестваПроблемные IV категория качестваПлохоеСомнительные III категория качестваПроблемные IV категория качестваБезнадежные V категория качества

В большинстве случаев российские банки на практике применяют методы оценки кредитоспособности на основе совокупности финансовых коэффициентов, характеризующих финансовое состояние заемщика. Главной проблемой является разброс значений, вызванный отраслевой спецификой хозяйствующих субъектов. В связи с этим, трудно говорить о единых нормативных значений коэффициентов. Стоит обратиться к опыту западных аналитиков, которые основываются именно на отраслевой информации.

1.3 Информационная база для анализа и оценки кредитоспособности заемщика и направления ее использования

Одним из важнейших элементов методики анализа кредитоспособности заемщика является его информационная база. Без формирования и использования базы данных для анализа кредитоспособности не представляется возможности оценить риски финансовых вложений кредитных ресурсов.

При этом, используемая в анализе кредитоспособности информация должна обладать следующими основными характеристиками: полнота, достоверность, доступность и оперативность.

Ни один из источников информации не является полным, поскольку только на основе комплексного изучения и оценки всех данных разных источников информации аналитик может делать обоснованные выводы о возможности предоставления кредитных ресурсов. Не стоит игнорировать некоторые, даже малозначимые, источники информации, так как это сказывается на увеличении степени риска. Также, все источники информации должны быть доступны для кредитора в ходе проведения им анализа кредитоспособности, более того, данные источники должны быть проверены и завизированы контролирующими органами.

Далее перейдем непосредственно к перечню документов, предоставляемых в банк [23].

Первым предоставляемым документов является заявка на получение кредита. Заявка должна содержать краткую информацию о потенциальном Заемщике и о финансируемом проекте. В заявке обычно излагается суть обращения в банк, указывается сумма, срок использования и другие желаемые условия финансирования. Дается перечень предлагаемого обеспечения по кредиту.

Следующим набором документов, предоставляемых в банк, являются правоустанавливающие документы заемщика. В их число входит копия Устава или Положения, зарегистрированного в установленном законодательном порядке, копия учредительного договора, копия свидетельства о внесении записи в Единый государственный реестр юридических лиц, копия разрешения или лицензии на занятие отдельными видами деятельности. Также, для более подробного анализа управленческих рисков, необходима информация о составе акционеров, персональном составе коллегиальных органов управления (Наблюдательного совета, Совета Директоров, Правления) и высшего руководящего состава, перечень дочерних и зависимых организаций с указанием долей участия.

Также, в перечне документов предоставляется нотариально удостоверенная копия Свидетельства Федеральной налоговой службы о постановке на учет в налоговом органе.

Что касается непосредственно документов финансовой отчетности, то банкам, проводящим оценку кредитоспособности, предоставляется следующая информация. Бухгалтерская отчетность предоставляется в полном объеме. Отчетность составляется в соответствии с требованиями Минфина России, с приложением пояснительной записки и аудиторского заключения по результатам обязательного по законодательству Российской Федерации аудита годовой бухгалтерской отчетности. К отчетности должны прилагаться расшифровки: краткосрочных и долгосрочных финансовых вложений, кредиторской и дебиторской задолженностей, долгосрочных и краткосрочных кредитов и займов с графиком погашения и уплаты процентов. Также необходима справка из подразделения ФНС о состоянии расчетов с бюджетом.

Стандартные документы по кредитуемому проекту. К таковым будет относиться бизнес-план или технико-экономическое обоснование проекта, доказывающие экономическую эффективность и окупаемость затрат в течение периода, на который испрашивается кредит. Маркетинговое исследование и план сбыта готовой продукции, если такая информация будет отсутствовать в бизнес-плане. Также, здесь должны присутствовать предложения по структуре финансирования проекта. Также, если такие есть в наличии, материалы в поддержку проекта (постановления Правительства Российской Федерации, письма о поддержке местной администрации, документы о предоставлении льгот и т.п.).

Если по кредиту планируется поручительство различных компаний, то к документации должны прилагаться учредительные и финансовые документы поручителей. Также необходимы правоустанавливающие документы на предмет залога.

Вышеприведенная информация, предоставляемая в банк, позволяет сделать выводы о востребованности продукции, работ или услуг, под которую привлекаются кредитные ресурсы, а это в свою очередь сигнализирует о том, будет ли достаточен объем потребления продукции и принесет ли она денежные ресурсы в объеме, необходимом для погашения кредита.

На основе данных, содержащихся в технической документации, аналитик может провести оценку обеспеченности активами, и каково их техническое состояние, определить их влияние на объем производства, качество продукции и другие показатели. Также возможно выявления резервов повышения эффективности. Итогом может стать вывод о достаточности и конкурентоспособности продукции.

На этапе кредитного анализа в обязательном порядке определяется необходимость обеспечения или гарантий третьих лиц, что непосредственным образом влияет на уровень кредитного риска.

Наконец, проводя комплексную оценку всей представленной документации, и формируя все релевантные документы прогнозной финансовой информации, к которым относятся бизнес-план, бюджеты, проекты денежных потоков, технико-экономическое обоснование и др. анализируя всю предоставленную документацию, можно сделать вывод, что прогнозная финансовая информация дает наилучшую базу для анализа оценки кредитоспособности заемщика, а остальная документация позволяет производить анализ текущего финансового состояния заемщика. В связи с этим, разные коммерческие банки разрабатывают собственные специальные требования к формату и содержанию прилагаемых к кредитной заявке документов, которые относятся к прогнозируемым периодам. К тому же, в каждом кредитном учреждении существуют и модернизируются специальные процедуры мониторинга достоверности данных документов финансовой информации заемщика, необходимой для предоставления кредитных ресурсов.

Процесс кредитования связан с разнообразным набором факторов риска, которые влекут за собой не только непогашение кредита в установленный срок, но и несоблюдение обязательств по кредитному договору. Поэтому, объективная оценка финансового состояния заемщика и его кредитоспособности, позволяют банку эффективно управлять кредитными ресурсами и получать прибыль.

В связи с последствиями финансового кризиса, банки ужесточили условия выдачи кредитов. В связи с этим, многим компаниям было отказано в получении кредита. Но с другой стороны, кредитные учреждения, являясь посредниками в финансовой системе страны, тем самым затормаживают развитие экономики. В конечном итоге, для развития экономики кредиты должны выдаваться, поэтому заемщиков стоит оценивать не только с количественной, но и с качественной стороны. Таким образом, необходима модель, которая бы учитывала как количественные, так и качественные факторы. Одной из таких моделей может стать модель на основе нейросетевых технологий.

.4 Оценка кредитоспособности на основе нейросетевых технологий

Основным показателем кредитоспособности заемщика является его кредитный рейтинг, выставляемый кредитующей организацией. Суть присвоения рейтинга состоит в переходе от группы различных показателей, в основном финансовых, к единственному интегрированному показателю, так называемому рейтингу. Инструментами показателей, которые участвуют в расчете, устанавливаются банками на субъективной основе. Но данный метод может искажать результаты и является рискованным[5].

В последнее время все чаще начинают использоваться методы, которые позволяют учитывать неполноту и искаженность информации для задач классификации, а также вероятностную природу получаемых заключений. К таким можно отнести нечетко-множественный и логико-вероятностный методы. В данную группу входит класс математических моделей, к которым и относятся искусственные нейронные сети (НС). (Hopfield J., 2005)

Нейронные сети широко используют для прогноза финансового кризиса такие известные фирмы, как General Electric, American Airlines, Coca Cola, Philip Morris, Procter&Gamble и многие другие.

Искусственные нейронные сети представляют собой математические модели, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Стоит сказать, что основу каждой нейронной сети составляют относительно простые элементы (ячейки), которые имитируют работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка нейронной сети. Таким образом, чтобы понять суть нейрона рассмотрим его прототип - биологический нейрон.

«Мозг человека состоит из белого и серого вещества: белое - это тела нейронов, а серое - соединяющие их нервные волокна. Каждый нейрон состоит из трех частей: тела клетки, дендритов и аксона. Нейрон получает информацию через свои дендриты, а передает ее дальше через аксон, разветвляющийся на конце на тысячи синапсов - нервных нитей, соединяющих нейроны между собой» [15].

Рисунок 1. Структура пары типичных биологических нейронов

Дендриты идут от тела нервной клетки к другим нейронам, где они принимают сигналы в точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся к телу нейрона. Здесь они суммируются, причем одни входы стремятся возбудить нейрон, другие - воспрепятствовать его возбуждению. «Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая по аксону сигнал другим нейронам. У этой основной функциональной схемы много усложнений и исключений, тем не менее, большинство искусственных нейронных сетей моделируют лишь эти простые свойства» [18].

Теперь перейдем к рассмотрению искусственного нейрона. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Также, нейрон имеет несколько входов (синапсов) и один выход (аксон). Группа синапсов - однонаправленные входные связи, соединенные с выходами других нейронов; аксон - выходная связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Через входы, число которых составляет i, нейрон принимает входные сигналы xi, которые суммирует, умножая каждый входной сигнал на некоторый весовой коэффициент wi. Таким образом определяется текущее состояния нейрона [15]:

«C каждым нейроном связано определенное пороговое значение. Текущее состояние нейрона сравнивается с порогом активации и в результате получается величина активации нейрона. Сигнал активации преобразуется с помощью функции активации и в результате получается выходной сигнал нейрона: y=f(s)» [9].

Рисунок 2. Искусственный нейрон

Нелинейная функция называется активационной и может выглядеть по-разному. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция, или сигмоид (т.е. s-образная кривая):

В общем случае входной сигнал, весовые коэффициенты и значения смещения могут принимать действительные значения. Выход определяется видом функции активации и может быть как действительным, так и целым. Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими. Таким образом, нейрон полностью описывается своими весами wi и передаточной функцией f(s). Получив набор чисел в качестве входов xi, нейрон выдает некоторое число y на выходе. Примеры активационных функций представлены в таблице 2 и на рисунке 3 [18].

Таблица 2

Определение категории качества ссуды

Что еще касается общих черт нейронных сетей, то им характерен принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно [18].

«В качестве примера простейшей НС рассмотрим трехнейронный перcептрон (рис.4), то есть такую сеть, нейроны которой имеют активационную функцию в виде единичного скачка (бинарная сеть). Стоит сказать, что иногда персептроном называют любую НС слоистой структуры, однако здесь и далее под персептроном понимается только сеть, состоящая из нейронов с активационными функциями единичного скачка (бинарная сеть).» [18]. На n входов поступают некие сигналы, проходящие по синапсам на 3 нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала: j=1...3

Рисунок 3. Однослойный перcептрон

Совокупность нейронов, соединенных таким образом, что выходной сигнал одного нейрона служит входной информацией другого нейрона, представляет собой многослойную НС.

Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется НС.

Стоит сказать, что разработчик нейронной сети, первоначально определившись со структурой сети, должен найти оптимальные значения всех переменных весовых коэффициентов, поскольку сущность действий выполняемых нейронной сетью зависит от величин синаптических связей.

Этот этап называется обучением нейронной сети, и от того, насколько качественно он будет выполнен, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. На этапе обучения кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью и их приходится выбирать на основе компромисса.

Обычно НС используется тогда, когда между известными входными значениями и неизвестными выходами существует связь, но не известен точный тип связи. Особенность НС состоит в том, что зависимость между входом и выходом находится в процессе обучения сети.

Существует множество различных алгоритмов обучения, которые однако делятся на два больших класса: детерминистские и стохастические. В первом из них подстройка весов представляет собой жесткую последовательность действий, во втором - производится на основе действий, подчиняющихся некоторому случайному процессу. (Лаврушин, 2007).

Построение нейронной сети проходит в два этапа: выбор типа нейронной сети и ее обучение. На первом этапе нам необходимо определить число нейронов, передаточные функции, каким образом соединить их между собой, и определить входы и выходы нейронной сети. Далее происходит обучение нейронных сетей.

Непосредственно обучение нейронной сети происходит с помощью наблюдений. «В процессе первого наблюдения НС, обладая способностью обнаруживать зависимости, самостоятельно устанавливает первоначальные значения wi. Эти значения подставляются в формулу f() и полученная в результате функция определяет величину результирующего показателя Y. Рассчитанная величина Y сравнивается с реальной величиной показателя выхода из обучающего набора данных, и вычисляется отклонение между этими показателями. Если отклонение велико, то проводится еще одно аналогичное наблюдение, т.е. сначала корректировка веса wi потом расчет функции f(), затем определение нового значения Y и его сравнение с реальным показателем. Наблюдения повторяются до тех пор, пока ошибка расчета Y не станет близка к нулю. Считается, что по мере проведения наблюдений НС все ближе и ближе приближается к нахождению нужного типа связи» [14]. Графически это представлено на рис. 4.

Рисунок 4. Процесс обучения нейросети

Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.

Выбор оптимального количества нейронов на внутреннем слое осуществляется с помощью следствия теоремы Арнольда - Колмогорова - Хехт-Нильсена, согласно которому [15]:

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. «Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке» [14].

Что касается анализа кредитоспособности заемщика, то в данном случае обучение нейронной сети происходит по следующему принципу. Имеется какая-то совокупность предприятий, которым уже были присвоены рейтинги. Также имеется информация о том, является ли данный заемщик проблемным.

Стоит сказать, что данным рейтингам соответствуют значения количественных и качественных показателей, которые рассчитываются на первом этапе и находятся уже в кредитном досье заемщика. Далее, нейронная сеть вычисляет вес каждого показателя, которые учитываются при расчете кредитоспособности. После этого происходит коррекция весов до тех пор, пока их рассчитываемые значения всей исходной совокупности не совпадут с заданными значениями. «В таком случае ошибка обучения будет стремиться к нулю, а нейронная сеть воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом» [14].

Необходимо отметить следующие факты. «Во-первых, при решении реальных задач часто неизвестно, как прогнозируемый показатель связан с имеющимися данными. Поэтому собираются разнообразные данные в больших объемах. Во-вторых, в задачах нелинейной природы среди параметров могут быть взаимозависимые и избыточные. Например, каждый из двух параметров может сам по себе ничего не значить, но вместе они несут чрезвычайно важную информацию. Поэтому попытки ранжировать параметры по степени значимости могут оказаться неправильными. И наконец, иногда лучше просто убрать некоторые переменные, в том числе несущие значимую информацию, чтобы уменьшить число входных переменных, а значит, и сложность задачи, и размеры сети» [14].

Также стоит сказать, что количество наблюдений определяется для каждой нейронной сети индивидуально, и опирается на значение величины ошибки рассчитанного и заданного выходящего показателя.

В конце процесса обучения сети можно сделать вывод о том, что нейронная сеть установила существующие зависимости между переменными. Тогда на вход сети подаются данные наблюдения, сущность которого нужно оценить. В задаче классификации сеть относит каждое новое наблюдение к одному из нескольких классов кредитоспособности либо определяет заемщика как проблемного или благонадежного.

Многие эксперты высокие результаты работы НС объясняют следующими свойствами нейросети [14]:

способностью к полной обработке информации. Это достигается за счет ассоциативности сети, способности к классификации, обобщению и абстрагированию;

самоорганизацией. Нейросеть формирует алгоритм своей деятельности, уточняя и усложняя его в течение времени;

обучаемостью. В процессе обучения НС выявляет нелинейные зависимости между переменными, и на основе такого знания строит свой прогноз;

параллельностью обработки информации. Каждый нейрон формирует свой выход только на основе своих входов и собственного внутреннего состояния под воздействием некоторой функции активации.

Для определения класса кредитоспособности заемщика воспользуемся многослойной нейронной сетью. В качестве входных данных на этапе обучения будет предоставляться информация, которая характеризуется финансово-экономической деятельностью заемщика. В качестве выходной информации воспользуемся уже рассчитанными кредитными рейтингами. В процессе обучения построенная нейронная сеть обнаружит нелинейные зависимости между входными показателями и итоговым рейтингом. Стоит отметить, что обучение нейронной сети происходит по методу обратного распространения ошибки. При этом обучение будет происходить до тех пор, пока сеть не будет выдавать на выходе правильный класс кредитоспособности, то есть пока рассчитанные ею рейтинги не будут совпадать с теми, которые были заданы. Также отметим, что целью обучения служит минимизация ошибок при присвоении кредитного рейтинга. После завершения обучения можно проверить правильность работу сети с помощью тестирующей выборки, в которой нейронная сеть должна сама определить итоговый класс кредитоспособности заемщика. Если нейронная сеть и на тестирующей выборке показала свою работоспособность, то в дальнейшем можно начинать применять данную нейронную сеть и к новым заемщикам.

Глава 2. Разработка методики оценки кредитоспособности индивидуальных предпринимателей с использованием нейросетевых технологий

2.1 Описание модели, выбор ключевых параметров

В предыдущей главе был сделан вывод о необходимости создания системы оценки кредитоспособности заемщиков, позволяющей преодолеть недостатки существующих моделей. Как было отмечено ранее, появление нейросетевого моделирования является возможным решением данной проблемы, благодаря его основным преимуществам относительно традиционных методов. Таким образом, в рамках данной главы выпускной квалификационной работы основной целью являлась разработка системы оценки кредитоспособности юридических лиц при помощи нейросетевых технологий.

Оптимальное проектирование, обучение, тестирование и исследование нейросетевых моделей проводилось по алгоритму, сложившемуся при выполнении нейропроектов в Пермской научной школе искусственного интеллекта [13, 28]. В качестве инструментария для создания многослойной нейронной сети, позволяющей производить анализ качества заемщика, была использована программа-нейроиммитатор «Нейросимулятор NSim 3» [8]. Следует отметить, что данная программа включает в себя набор основных операций по созданию, обучению и управлению нейронными сетями и содержит все свойства нейросетей. Более того, рутинные действия, такие как определение оптимальных настроек сети, автоматизированы. Причиной выбора именно этого программного инструментария послужила простота интерфейса, универсальность программы, а также возможность расширения функциональности для построения нейронных сетей различного уровня сложности (Черепанов, 2007).

Традиционный алгоритм реализации нейросети состоит из шести основных этапов (Ясницкий, 2010):

Определение цели и задач;

Подбор обучающего множества;

Определение оптимальной структуры нейронной сети;

Обучение нейронной сети;

Тестирование и оптимизация нейронной сети;

Анализ полученных результатов моделирования.

Для реализации данного алгоритма были приняты следующие основные предпосылки модели:

Рассматривается коммерческое кредитование на цели пополнения оборотных (т.е. не рассматривается овердрафтное кредитование, инвестиционное кредитование и другие типы кредитов);

Кредитополучателями являются юридические лица, организационно-правовая форма которых ИП, ООО, ОАО, ЗАО;

Ссуды выдаются в рублях на срок не более 5 лет;

Тип обеспечения кредита не установлен;

Любой кредит, который не был возвращен в установленные кредитным договором сроки, считается рискованным;

Основываясь на имеющейся информационной базе данных, в качестве входных параметров модели были выбраны восемь факторов. Каждый из выбранных параметров тем или иным способом характеризует кредитную сделку:

Ключевые параметры нейросетевой модели приведены в табл. 3.

Таблица 3

Ключевые параметры модели

Наименование параметра ОбозначениеСрок кредита (месяцы)Х1Сумма кредитаХ2Год заключения кредитного договораХ3Год погашения кредитаХ4Возраст компании (месяцы)Х5Цель кредитованияХ6Объем годовой выручки по клиентуХ7Тип обеспечения Х8Тип потенциального заемщикаY

Среди входных параметров модели имеются качественные показатели. Данные переменные были закодированы согласно табл. 4.

Таблица 4

Кодировка качественных параметров модели

Год заключения договора(Х3)КодГод погашения кредита(Х4)КодЦель кредитования(Х6)Код2009020110пополнение внеоборотных активов02010120121пополнение оборотных средств12011220132пополнение оборотных и внеоборотных средств22012320143Поручительство и залог3

Количественные параметры и параметр категории качества заемщика не требуют кодировки, поэтому они заносятся в обучающее множество в том виде, в каком они указаны в кредитном портфеле.

Выходным параметром нейросетевой математической модели является переменная, характеризующая вероятность своевременной выплаты по кредиту. Выходная переменная Y, являющаяся бинарной номинальной переменной, предназначена для присвоения заемщикам определенного класса, характеризующего их кредитоспособность. При этом переменная Y принимает значение, равное 1, если компания кредитоспособна. Это означает, что вероятность своевременной выплаты кредита заемщиком высокая, а кредитный риск данной компании минимален. В противном случае, если переменная Y принимает значение, равное 0, заемщик считается некредитоспособным и кредитный риск в данном случае высокий. Следовательно, банку рекомендуется отказать в предоставлении заемщику ссуды. Следует также отметить, что в рамках данной методики предусматривается округление выходного параметра по основным правилам округления.

.2 Проектирование нейронной сети

На этапе проектирования нейронной сети определим активационные функции для каждого из слоев (входной, скрытый, выходной), необходимое количество нейронов скрытого слоя. В качестве исходной информации для применения метода нейросетевого моделирования используется статистическая выборка заемщиков ОАО БИНБАНК Пермский филиал за период с 2010 - 2012 гг. Из данных наблюдений были выделены обучающее множество (Приложение 11) и тестирующее множество (Приложение 12).

Для определения необходимого числа нейронов скрытого слоя воспользуемся следствием теоремы Арнольда - Колмогорова - Хехт-Нильсена:

Моделируемое значение количества исходов решения равно размерности выходного сигнала Ny = 1. Число элементов обучающей выборки Q=60. Количество входных параметров определяется размерностью входных параметров Nx = 8, тогда 9 ? Nw? 86. Следовательно, число нейронов на скрытом слое 1 ? N? 10.

Таким образом, получаем, что оптимальное количество нейронов на внутреннем слое находится в интервале от одного до десяти. Следующим этапом станет оптимизация количества нейронов на скрытом слое. Для этого, необходимо методом перебора найти то количество нейронов, при котором ошибка обучения и тестирования будут минимальными. Стоит отметить, что выходной активационной функцией выходного слоя могут служить линейная, сигмоида, Ле-Кана. Данные функции имеют следующий вид:

сигмоида ;

линейная

Таким образом, используя все возможности нейросимулятора, попытаемся оптимизировать количество нейронов на внутреннем слое [21]. Для этого найдем сначала ошибку обучения для количества нейронов на скрытом слое в интервале от 1 до 10.

Таблица 5

Ошибка обучения при активационной функции сигмоида

Кол-во нейронов12345Ошибка обучения4,02 %3,63 %3,58 %3,06 %3,12 %Кол-во нейронов678910Ошибка обучения5,63 %4,58 %4,17 %3,75 %4,37 %

Видим, что наименьшие ошибки обучения достигнуты при активационной функции сигмоида при 3, 4 и 5 нейронах на внутреннем слое. Чтобы понять, в каком случае сеть обучилась лучше необходимо найти ошибку выборки тестирования. Для этого была взята выборка из 12 заемщиков (Приложение 12).

С помощью тестирующей выборки определим, какая обученная сеть и с каким количеством нейронов на скрытом слое будет обладать наименьшей ошибкой определения кредитного риска.

Таблица 6

Ошибки обучения и тестирования для различного числа нейронов на скрытом слое

Количество нейронов345Ошибка обучения3,58%3,06 %3,12 %Ошибка тестирования1,48 %0,85 %1,57 %

Таким образом, как видим из таблицы, минимальная ошибка обучения и тестирования при 8 входных параметрах и одном выходном параметре наблюдается при четырех нейронах на скрытом слое. При этом активационной функцией выходного параметра должна быть сигмоида. Более того, если мы посмотрим на результаты, которые показала обученная нейронная сеть при данных условиях, то можно сказать, что ошибок практически не наблюдалось. А если произвести округление прогнозируемого значения (Y1) и сравнить с исходными данными (D1), то можно увидеть, что обученный персептрон полностью правильно спрогнозировал кредитный риск.

Рисунок 5. Проверка нейросети с 4 нейронами на скрытом слое на тестирующей выборке

Можно сделать вывод, что обученная нейронная сеть показала высокие результаты прогнозирования кредитного риска. Более того, ошибки обучения и тестирования, которые стремятся к нулю, свидетельствуют нам о том, что риск неправильного определения проблемного заемщика является минимальным. График обучения (нейросеть с 4 нейронами на скрытом слое) отражен на рис.7.

Рисунок 8. График обучения нейросети

Итак, наша программируемая нейронная сеть выглядит следующим образом.

Рисунок 8. Схема обученной нейронной сети

Таблица 7

Характеристики нейронной сети

СлойКоличество нейроновАктивационная функцияВходной8ЛинейнаяСкрытый4СигмоидаВыходной1Сигмоида

При этом получаем, что общее число нейронов составляет 13.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10 000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное

2.3 Оптимизация и упрощение нейронной сети

Одним из недостатков построенной нами модели является ее громоздкость. Поскольку, считается, чем проще модель - тем лучше. При этом необходимо, чтобы более простая модель не теряла своих свойств прогнозирования кредитного риска. Таким образом, следующей задачей, стоящей перед нами будет оптимизация модели. Необходимо исключить те факторы, которые не оказывают значительного влияния на конечный результат. Будем несколько видоизменять построенную нейронную сеть за счет сокращения входных параметров. Однако при этом необходимо проследить, чтобы не возрастала ошибка обучения и тестирования. Другими словами, необходимо упростить модель так, чтобы она содержала минимально возможное число входных параметров, но при этом не потеряла своих свойств и не выросла погрешность при прогнозировании кредитоспособности заемщика [21].

Следующим шагом оптимизации построенной нейронной сети будет определение значимости параметров. Для этого воспользуемся опцией программы Нейросимулятор NSim 3, носящей название «Значимость входов сети». При этом стоит отметить, что будет проанализирована не только значимость обучения, но и значимость обобщения.

Рисунок 9. Оценка значимости входящих параметров

Максимально возможное значение данного показателя может равняться 1. То есть, чем ближе значение к 1, тем значимее показатель для построенной нейронной сети. Если же показатель значимости входящего параметра составляет 0, то данный финансовый коэффициент не играет никакой роли в определении кредитного риска заемщика. Итак, получаем следующие показатели значимости входящих параметров, отсортированные в порядке убывания (таблица 8).

Таблица 8

Значимость входящих параметров нейросети

параметрыПоказатель значимостиX11X80.682X30,512X60,498X40,379X20,366X50,226X70,045

Анализируя таблицу 13 можно сделать вывод, что показатели, расположенные ниже Х5 значительно уступают в значимости остальным показателям. Таким образом, исключим эти показатели из построенной нейронной сети. В итоге, оставив наиболее значимые показатели, получаем следующие входящие параметры модели (Таблица 9).

Таблица 9

Входные параметры оптимизированной нейросети

Наименование параметра ОбозначениеСрок кредита (месяцы)Х1Сумма кредитаХ2Год заключения кредитного договораХ3Год погашения кредитаХ4Возраст компании (месяцы)Х5Цель кредитованияХ6Тип обеспечения Х8Тип потенциального заемщикаY

Получаем, что количество входящих параметров сократилось с 8 до 7. Теперь необходимо проверить построенную модель на работоспособность с новыми входящими показателями. Если ошибка обучения и тестирования не увеличатся по сравнению с первоначальной моделью, то можно будет говорить о том, что оптимизация нейронной сети прошла успешна.

Итак, необходимо проверить, чтобы наше количество нейронов на внутреннем слое, равное 4 удовлетворяли следствию теоремы Арнольда - Колмогорова - Хехт-Нильсена [16]. Количество входящих параметров равно 7, выходных параметров - 1, обучающая выборка составляет 60 примеров. N попадает в промежуток от 1 до 11.

Таким образом, как мы видим, условие оптимальности нейронов на внутреннем слое соблюдается. Следовательно, наша модель будет выглядеть следующим образом.

Таблица 10

Характеристики нейронной сети

СлойКоличество нейроновАктивационная функцияВходной7ЛинейнаяСкрытый4СигмоидаВыходной1Сигмоида

При этом получаем, что общее число нейронов составляет 12.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное.

Чем сильнее возрастает погрешность прогнозов при отсутствии какого-либо входного параметра модели, тем больше значимость этого параметра для точности прогнозов модели. Если фактор незначимый, его можно исключить из нейросети. И, если в новой сети ошибки обучения и тестирования будут ниже или примерно соответствовать ошибкам первоначальной модели, то можно будет сказать что данная построенная модель оптимальнее первоначальная. Стоит отметить, что обучающая и тестирующая выборки аналогичны первоначальным. Ошибка обучения и ошибка тестирования неоптимизированной нейросети (Приложение 1, Приложение 2 соответственно). Ошибка обучения и ошибка тестирования оптимизированной нейросети (Приложение 3, Приложение 4 соответственно).

Таблица 11

Сравнение моделей

Кол-во входовОшибка обученияОшибка тестирования83,06 %0,85 %76,39 %1,31 %

Можно отметить, что при сокращении количества входных параметров модель ухудшается и ошибки увеличиваются. Но, стоит сказать, что рост ошибок был незначительным при значительном сокращении количества показателей. При этом даже при полученных погрешностях нейронная сеть смогла обучиться и на тестирующей выборке, с учетом округления, полностью предсказала проблемных заемщиков.

Новая полученная модель также является работоспособной. И при этом, за счет меньшего количества параметров она является более оптимальной. Попробуем в новой построенной модели определить значимость параметров, и возможно, еще упростить нейронную сеть. График значимости выглядит следующим образом (рис 10).

Рисунок 10. Оценка значимости входящих параметров

Подведем итоги. Первоначально, построив модель с 8 параметрами на входе, мы получили неплохие результаты. Но модель выглядела несколько громоздкой. Поэтому, следующим шагом стала оптимизация модели - сокращение незначимых факторов модели.

Получили модель с 7 параметрами на входе. Стоит отметить, что ошибка обучения и тестирования новой модели увеличилась, но не критически. Модель также смогла разделить заемщиков на благонадежных и неблагонадежных. Таким образом, новая нейронная сеть выглядела также работоспособной и уже более простой.

В итоге, получаем, что по нашим расчетам, наиболее простой, оптимальной и работоспособной моделью для определения кредитного риска заемщика будет первоначальная неоптимизированная нейронная сеть со следующими параметрами.

Таблица 12

Характеристики итоговой нейронной сети

СлойКоличество нейроновАктивационная функцияВходной8ЛинейнаяСкрытый4СигмоидаВыходной1Сигмоида

При этом получаем, что общее число нейронов составляет 12.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10 000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное.

Глава 3. Экономическая эффективность инвестиций в интеллектуальную информационную систему оценки кредитоспособности клиента

информационная нейронная сеть моделирование

3.1 Общие положения

Оценка экономической эффективности проекта является ключевой при принятии решений о целесообразности инвестирования в него средств. По крайней мере, такое предположение кажется правильным с точки зрения, как здравого смысла, так и с точки зрения общих принципов экономики. Несмотря на это, оценка эффективности вложений в информационные технологии зачастую происходит либо на уровне интуиции, либо вообще не производится. С одной стороны, это вызвано нежеланием поставщиков тратить значительные усилия на проведение подробного предварительного анализа, с другой стороны, вероятно, присутствует значительная доля недоверия потребителей к получаемым результатам таких исследований. Однако, обе эти проблемы проистекают из одного источника, а именно - отсутствия понятных и надежных методик оценки экономической эффективности ИТ проектов.

Экономичность или эффективность (результативность) подразумевает получение больших результатов из доступных ограниченных ресурсов. Показателем эффективности различного рода является отношение результата к затратам:

Е=Р/З,

где Р - результат, тыс. руб.;

З - затраты, обеспечивающие получение результата, тыс. руб.

Показатель эффекта, тыс. руб., отражает разность между результатами и затратами:

Э=Р-З.

В методических рекомендациях по оценке эффективности инвестиционных проектов и их отбору для финансирования отражена международная практика ЮНИДО и предложена система показателей применительно к интересам участников. Эффективность инвестиций рассчитывается по показателям, сведенным в систему. К ним относятся:

Показатели коммерческой (финансовой) эффективности, отражающие финансовые последствия реализации проекта для его непосредственных участников.

Показатели бюджетной эффективности, отражающие финансовые последствия для федерального, регионального и местного бюджетов.

Показатели экономической эффективности, учитывающие затраты и результаты.

Данная система показателей опирается на основные принципы, сложившиеся в мировой практике, и оценку эффективности инвестиционных проектов применительно к переходному этапу рыночной экономики.

Основными из этих принципов являются:

моделирование потоков продукции, ресурсов и денежных средств;

учет результатов анализа рынка, финансового состояния предприятия, влияния результатов реализации инвестиционного проекта на окружающую среду и т.д.;

определение эффекта посредством сопоставления предстоящих обобщенных результатов и затрат с ориентацией эффекта на достижение необходимой нормы дохода на капитал или иных показателей;

приведение предстоящих разновременных расходов и доходов к условиям их соизмеримости по экономической ценности в начальном периоде;

учет инфляции и др. факторов, влияющих на ценность используемых денежных средств;

учет неопределенности и риска, связанных с осуществлением проекта.

3.2 Технико-экономическое обоснование применения ИИС оценки кредитоспособности заемщика

Итак, данный программный продукт, предназначенный для быстрой и качественной оценки кредитоспособности заемщика - индивидуального предпринимателя.

Для реализации данного предложения требуется его экономическое обоснование. Таким обоснованием является оценка экономической эффективности использования данного программного продукта. Для проведения такой оценки необходимо сопоставить средства, требующиеся для разработки, и эффект, ожидаемый от внедрения соответствующего проекта. В данном случае необходимо оценить экономическую эффективность программного обеспечения (ПО). Критерием экономической эффективности у разработчика выступает чистая прибыль, остающаяся в распоряжении предприятия от реализации программного средства.

Внедрение ИИС оценки кредитоспособности заемщика во многом способствует увеличению прибыли организации за счет сокращения времени принятия решения о выдаче кредита.

В свою очередь, это значительно снижает степень загруженности кредитного инспектора, что приводит к сокращению временных затрат на выполнение работ по каждому клиенту, что позволяет увеличить количество принятых клиентов и количество обработанных заявок в день.

Основной задачей проведения экономического исследования является определение величины экономического эффекта от внедрения ИИС.

Целью проводимых расчетов является определение сроков окупаемости внедряемой системы.

3.3 Расчет экономической эффективности интеллектуальной информационной системы оценки кредитоспособности клиента ОАО БИНБАНК Пермский филиал

Определение экономической эффективности разработки ИИС оценки кредитоспособности клиента включает:

определение количества затраченного времени на проектирование и разработку нейросети;

расчет экономических затрат на разработку нейросети;

определение приблизительной стоимости разработанной нейросети.

.3.1 Определение объема затраченного времени на разработку нейросети

При реализации нейросети тратится большое количество времени на сбор данных для ее проектирования. Объем затраченного времени для проектирования данной нейросети составил 30 дней по 5 часов в день.

На этапе проектирования и разработки решались следующие задачи:

Сбор данных из кредитных историй клиентов, ранее получивших кредиты или отказ по кредиту за 2009-2012 года.

Подготовка собранных данных в программе Excel (формирование в сводные таблицы, перемешивание данных, выборка для обучения сети, выборка для тестирования сети), для ввода в программу "Нейросимулятор 3".

В целом разработка нейросети заняла 40 рабочих дней по 5 часов в день:

сбор данных: 20 дней *5ч. = 100 ч.

разработка: 10 дней *5 ч. = 50 ч.

обучение: 5 дней *5 ч. = 25 ч.

тестирование: 5 дней *5ч. = 25 ч.

Итого в сумме объем затраченного времени на разработку нейросети прогнозирования косвенных затрат на предприятии составил 200 часов.

.3.2. Расчет экономических затрат на разработку нейросети

Затраты на разработку нейросети включают в себя:

затраты на оплату труда;

отчисления на социальное страхование;

затраты на электроэнергию;

иные затраты.

Затраты на оплату труда;

Общая сумма затрат на оплату труда (Зтр) рассчитывается по следующей формуле:

ЧСi - часовая ставка i-го работника (руб./ч.);

Тi - время разработки проекта (ч);- категория работника;- количество работников, занятых разработкой проекта.

Общее время работы разработчика нейросети Ti определили ранее,

часов.

Среднечасовая заработная плата разработчика рассчитывается по формуле:

ЗПi - среднемесячная заработная плата разработчика проекта.

ФРВi - среднемесячный фонд рабочего времени.

Среднемесячная заработная плата начинающего программиста составляет 15 000 рублей.

Среднемесячный фонд рабочего времени берется = 100 часов.

Таким образом, стоимость одного часа работы программиста, равна:

ЧС = 15 000руб./100ч.=150руб.

Затраты на оплату труда каждого работника приведены в таблице 21.

Таблица 13

Затраты на оплату труда

Категория работникаКвалификация работникаВремя разработки нейросети (час)Часовая ставка (руб/ч.)Сумма (руб.)Разработчик нейросетиПрограммист200150.030 000Итого30 000

Таким образом, общая сумма затрат на оплату труда, рассчитанная по формуле, равна: Зтр = 30 000 рублей.

Отчисления на социальное страхование

В статью «Отчисления на социальное страхование» включается общая сумма страховых взносов в ПФР, ФСС, федеральный и территориальные ФОМСы, согласно закону №212-ФЗ (ред. от 28.11.2011г.) Ставка налога рассчитывается исходя из зарплаты сотрудника. Общий размер ставки 34% включает отчисления:

Таблица 14

Ставки взносов на социальное страхование.

Наименование фондаСтавка взносов в % при общей системе налогообложения2009-20102011-2012ПФР20,026,0ФСС2,92,9ФФОМС1,12,1ТФОМС2,03,0Итого:26,0 34,0

Таким образом, отчисления на социальные нужды составляют

Зсн = 30 000 *0,34 = 10 200 рубля

Затраты на электроэнергию

Таблица 15

Затраты на электроэнергию.

Наименование оборудованияПаспортная мощность, кВтКоличество, штВремя работы оборудования на разработку нейросети, чЦена электроэнергии, руб./кВт*чСумма, руб.Компьютер0,612002,45294Принтер0,3112,450,735Итого:294,74

Таблица 16

Итоговая таблица статей затрат.

Статья затратСумма, руб.затраты на оплату труда30 000отчисления на социальное страхование10 200затраты на электроэнергию294,74Итого:40 494,74

Затраты на разработку нейросетевой системы составили 40 494,74 рублей.

.3.3 Определение приблизительной стоимости разработанной нейросети

Себестоимость разработки нейросети составляет 40 494,74 рублей.

Если продать продукт по цене, равной себестоимости, мы не получим прибыли, а это значит, что разработка программы является экономически неэффективной. Следовательно, продавать будем по более высокой цене. Также при определении цены следует учитывать цены подобных программных продуктов, ведь если цена будет слишком велика, его никто не купит. Предположим, средний уровень рентабельности составит 23 % себестоимости. Тогда мы получаем Р (Price):

Р=40 494,74 *23%+40 494,74 =49 808,53 рублей.

Нейросеть разработана с минимально возможными затратами. Любой кредитной организации важно число и сумма выданных кредитов, так как доход кредитной организации зависит от уплаченных процентов. Важно как можно скорее принять решение и предоставить кредит клиенту. Причем важно достаточно точно оценить кредитоспособность клиента, поскольку от точности прогноза зависит доходность банка. Если кредитоспособность будет оценена неправильно, появляется риск банкротства организации.

Принятие решения по одной кредитной заявке длится примерно 2 недели, для сбора полного пакета документов клиенту приходится неоднократно приходить в отделение банка. И после такого огромного количества потраченного времени клиент может получить отрицательное решение. И для увлечения продуктивности работы кредитного инспектора важно как можно раньше определить кредитоспособность клиента.

Таким образом, спроектированная нейросеть даст возможность банку сократить время работы с одним клиентом, за счет чего увеличится число клиентов в день, следовательно, и число решений по кредиту.

Кредитный инспектор принимает документы, проверяет на соответствие критериям банка, что занимает от 3 до 7 дней. После этого дело выносится на комитет, принятие решения которым может продлиться до 5 дней.

Данная программа же может оценить кредитоспособность клиента уже при первом обращении. Таким образом, если уже при первом обращении будет выявлена низкая кредитоспособность клиента, кредитный инспектор сэкономит время на данном клиенте.

При анализе кредитных историй за 2009 - 2012 года, были обнаружены случаи, когда клиенту был одобрен кредит, но в дальнейшем возникли проблемы с данным клиентом. А это стоит банку потери процентов и выданных средств.

Данная ИИС позволяет вовремя определить категорию клиента, что позволит как минимум не понести убытки, увеличить число клиентов за счет сокращения времени работы с неблагонадежными клиентами.

Заключение

Одна из важнейших задач кредитной политики банка - эффективная оценка кредитоспособности заемщика. В настоящее время существуют различные методы оценки кредитоспособности заемщика, которые включают как плюсы, так и недостатки. К таким относятся: эконометрические модели, экспертные модели или рейтинги, нейронные сети, оптимизационные модели и гибридные или комплексные системы. Но в условиях экономического кризиса все они показали свою несостоятельность. В связи с этим возникает необходимость совершенствования методик оценки кредитоспособности и управления рисками, поскольку повышение доходности кредитных операций непосредственно связано с качеством оценки кредитного риска.

В рамках работы были рассмотрены возможности использования нейросетевых технологий в качестве практического инструментария определения кредитоспособности заемщика. В целях совершенствования методик оценки кредитоспособности для снижения кредитных рисков автором работы была сконструирована модель с использованием нейропакета - нейросимулятора NSim3.

В качестве ключевых параметров в модель были включены как количественные, так и качественные переменные, отражающие финансовое состояние заемщика (объем годовой выручки, класс кредитоспособности), параметры кредитной сделки (год выдачи и погашения кредита, срок, сумма кредита, тип обеспечения). Базой данных для конструирования модели служила статистическая выборка заемщиков, кредитовавшихся в ОАО БИНБАНК Пермский филиал за период с 2010 - 2012 гг. Задача построения нейросетевой модели сводилась к необходимости определения кредитоспособности заемщика, т.е. классификации заемщиков (индивидуальных предпринимателей) на «благонадежных» и «неблагонадежных».

В результате, была получена нейронная сеть, которая содержит 8 параметров на входе и 4 нейронов на скрытом слое и 1 нейрон на выходе. При этом персептрон показывал неплохие результаты прогнозирования наступления кредитного риска. Но также и был громоздким, и требовалось подсчитывать большое количество коэффициентов. В связи с этим, была упрощена нейронная сеть, за счет удаления наименее значимых параметров. При этом своих свойств прогнозирования данная модель не потеряла. В итоге была получена нейронная сеть с 7 параметрами на входе, 4 нейронов на скрытом слое, и 1 нейрон на выходе.

Приложение 1

Приложение 2

Приложение 3

Приложение 4

Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования «ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕ

Больше работ по теме: