Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
?ы 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 расiитываются на первом этапе и находятся уже в кредитном досье заемщика. Далее, нейронная сеть вычисляет вес каждого показателя, которые учитываются при раiете кредитоспособности. После этого происходит коррекция весов до тех пор, пока их расiитываемые 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 расiитанного 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 iет 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 расiитанными 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 расiитанные 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 квалифика