Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
ционной 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, iитается 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 iитается 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 функци?/p>