Темы диссертаций по экономике » Математические и инструментальные методы экономики

Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей тема диссертации по экономике, полный текст автореферата

Автореферат

Ученая степень	кандидат экономических наук
Автор	Кузнецов, Александр Владимирович
Место защиты	Самара
Год	2006
Шифр ВАК РФ	08.00.13

Диссертация

Автореферат диссертации по теме "Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей"

На правах рукописи

Кузнецов Александр Владимирович

ФОРМИРОВАНИЕ ОБРАЗА КЛИЕНТА-ЗАЕМЩИКА КОММЕРЧЕСКОГО БАНКА НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

08.00.13 Ч математические и инструментальные методы экономики

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук

Самара-2006

Работа выпонена на кафедре прикладной математики государственного образовательного учреждения высшего профессионального образования Самарский государственный аэрокосмический университет имени академика С.П. Королева.

Научный руководитель - д.ф.-м.н., профессор А.И. Жданов Официальные оппоненты:

доктор экономических наук, профессор В.В.Агафонова

кандидат экономических наук, доцент С.Д. Смирнов

Ведущая организация - ГОУ ВПО Ульяновский государственный университет

Защита состоится л21 декабря 2006 года в л10 часов на заседании диссертационного совета ДМ 212.215.01 при Самарском государственном аэрокосмическом университете имени академика С.П. Королева по адресу: 443086, г. Самара, Московское шоссе, 34.

С диссертацией можно ознакомиться в библиотеке Самарского государственного аэрокосмического университета имени академика С.П. Королева.

Автореферат разослан л8 ноября 2006 г.

Ученый секретарь диссертационного совета, доктор экономических наук, доцент

М.Г. Сорокина

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Российский банковский бизнес в настоящие время стокнуся целым рядом новых проблем, характерных для страны, которая быстрыми темпами стремится к статусу страны с устойчивой и стабильной экономикой. В связи с переходом экономики РФ к фазе стабильного экономического роста наблюдалось систематическое снижение ставки рефинансирования Центробанка, обусловленное умеренным уровнем инфляции и профицитом бюджета, вызванным ростом мировых цен на энергоносители.

Указанные макроэкономические процессы привели к снижению банковских процентных ставок и к уменьшению процентной маржи коммерческих банков. Последние годы также имела место выраженная тенденция к снижению спрэда. Например, за 2002-2003 годы в Повожском банке Сбербанка РФ ставка размещения снизилась с 18% до 13,8%, процентная маржа - с 7,8% до 6,2%, а спрэд изменися с 10,2% до 6,5%, и эта тенденция сохранялась в 2004-2005 годах. В результате доходы банков упали, и при существующей доле просроченной и безнадежной задоженности в структуре активов банков (5,9% в 2005г. для ПБ СБ РФ) возникла необходимость в поиске новых для России путей для покрытия расходов, компенсации прямых убытков и извлечения прибыли.

В рамках общепринятых банковских технологий можно предотвратить снижение доходности кредитных операций двумя способами: 1) путем размещения большего количества кредитов; 2) посредством уменьшения кредитных рисков, в первую очередь и как следствие снижение доли невозвращенных и просроченных кредитов.

Все вышеперечисленное привело к изменению стратегии кредитной политики коммерческих банков. Началась борьба за улучшение конкурентных позиций на рынке судного капитала. Ряд банков включися в программы догосрочного кредитования, включая лизинг и ипотеку. Началась обвальная выдача потребительских кредитов и массовая раздача пластиковых кредитных карт. Однако на практике выдача потребительских кредитов под залог приобретаемой техники и кредитование с использованием банковских карт оказались весьма рискованными операциями. Кроме того, в силу объективных причин, высоко рисковые операции оказались совершенно неприемлемыми для некоторых банков. В первую очередь, это касается Сбербанка России и Внешторгбанка, поскольку одним из основных акционеров этих банков является государство, и которые практикуют осторожную кредитною стратегию и консервативную кредитную политику.

Отличительной особенностью организации работы Сбербанка РФ является его ориентация на массовое обслуживание гражданского населения России. В результате банк располагает разветвленной филиальной сетью, наличие которой вызвано не экономическими интересами банка, а социальной политикой государства. Эта политика, продиктованная внеэкономическими причинами, приводит к тому, что большие догосрочные пассивы (главным образом, вклады от населения) покрываются за счет краткосрочных активов. Но из теории банковскою дела хорошо известно, что такая структура кредитно-депозитного портфеля не является оптимальной и существенно снижает эффективность паботы банка. Очевидно, что в рамках социально-ориентированной политики Сбербанка остается единственный путь для оптимизации депозитно-кредитного портфеля - увеличение доли юридических лиц в структуре клиентов банка.

Но юридические лица, как правило, нуждаются в значительных по величине заемных средствах, и, следовательно, в случае невозврата такого кредита банк несет большие потери. Компенсировать подобные потери можно двумя способами: 1) повышая премию за риск, увеличивая размер годовой процентной ставки клиенту банка; 2) снижая риск невозврата кредита, проводя тщательный анализа бизнеса потенциального заемщика.

Первый способ выглядит весьма привлекательно, но приводит к ухудшению конкурентных позиций банка на рынке ссудного капитала.

Второй способ требует больших трудозатрат кредитного отдела, кредитного комитета и службы безопасности банка, что приводит к увеличению среднего срока прохождения заявки, и к снижению текущей ссудной задоженности. А это, в свою очередь, влечет за собой увеличение доли просроченной задоженности в структуре кредитного портфеля банка.

Единственным способом сокращения срока прохождения заявки без снижения качества работы кредитного отдела является широкое использование средств анализа бизнеса потенциального заемщика с целью определения меры риска невозврата кредита. Наилучшим образом для этих целей подходят нейронные сети, которые используют нечетко-множественные методы и адаптивный математический инструментарий, позволяют распознавать характерные признаки недобросовестного заемщика, и, паралельно, самообучаются в процессе анализа большого количества кредитных заявок.

Все перечисленное выше позволяет сделать вывод об актуальности проблемы формирования образа клиента-заемщика коммерческого банка на основе аппарата нейронных сетей для снижения кредитных рисков.

Состояние изученности проблемы. Многочисленные аспекты деятельности коммерческих банков исследованы российскими экономистами. В их число входят такие известные ученые, как Ачкасов А.И., Гришанов Г.М., Лаврушин О.И., Ковалева Т.М., Новиков А.А., Кошечкин С.А., Човушян Э.О., Сидоров М.А., Протасов В.Ф., Кузьмин И.И., Романов C.B. и др.

Многие особенности функционирования банков описаны в работах зарубежных экономистов. В частности, существенный вклад в теорию банковского дела внесли Синкли Джозеф Ф., Варавен К., Поттер Р., Рид Э., Роуз П. и другие.

Несомненная заслуга в приложении теории нейронных сетей к экономическим и финансовым задачам принадлежит Кохонену Т., Горбаню А.Н., Ежову А.Г., Шуйскому Т.П. и др. Однако на сегодняшний день отсутствуют работы, посвященные приложению теории нейрошшх сетей к практическим проблемам банковского бизнеса.

Таким образом, недостаточная изученность данной проблемы, ее актуальность и положительные примеры применения искусственных нейронных сетей в других науках и областях человеческого знания определила цели и задачи настоящего исследования.

Цель и задачи исследования. Целью диссертационного исследования является решение задачи снижения кредитных рисков посредством разработки методики и инструментов для формирования образа клиента коммерческого банка на основе аппарата искусственных нейронных сетей.

Для достижения этой цели были поставлены следующие задачи:

Х Проанализировать влияние кредитного риска на процентную ставку кредита, характеризующую его доходность.

Х Рассмотреть показатели, характеризующие состояние работы с проблемными и просроченными активами в коммерческом банке.

Х Провести сравнительный анализ методов классификации клиентов применительно к банковской деятельности и выявить среди них наиболее эффективный и надежный;

Х Уточнить границы применимости стандартных методов анализа кредитных проектов;

Х Определить перечень параметров, на основе которых формируется образ заемщика;

Х Рассмотреть теорию искусственных нейронных сетей, базирующуюся на основных положениях и практике использования их в решениях задач различных сфер научно-практической деятельности для определения возможности применения искусственных нейронных сетей для достижения целей исследования.

Х Произвести адаптацию инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах.

Х Разработать усовершенствованную методику синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей;

Объектом исследования являются кредитные отношения коммерческого банка с хозяйствующими субъектами - юридическими лицами.

Предметом исследования является методы, модели и инструменты обеспечения поддержки процедуры анализа и классификации бизнеса клиентов банка, основанные на использовании аппарата искусственных нейронных сетей.

Методологическая и теоретическая основа диссертационного исследования. В диссертации использованы труды отечественных и зарубежных ученых, законодательные акты, методические и нормативные материалы, касающиеся проблемы устойчивого функционирования банков.

Методы исследования основываются на теории банковского дела, теории вероятностей, нечетко-множественных методах, математической статистике, теории нейронных сетей.

Научной новизной обладают следующие результаты работы:

Х установлена совокупность параметров, на основе которых формируется образ заемщика, распознаваемый с помощью искусственных нейронных сетей;

Х введены в практику понятия лобраз, лобучение и ладаптация применительно к задачам распознавания образа заемщика коммерческого банка с помощью аппарата нейронных сетей.

Х произведена адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах.

Х разработана методика синтеза образа недобросовестного заемщика на основе искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона.

Х установлены границы применимости традиционных методов анализа кредитных проектов с контрагентами - юридическими лицами;

Х выявлена предпочтительность использования аппарата нейронных сетей для классификации групп клиентов коммерческого банка по сравнению с множественным дискриминантным анализом и рейтинговыми моделями;

Практическая значимость исследования заключается в ориентации на широкое использование разработанной методики и агоритма в коммерческих банках. Методика распознавания образа заемщика позволяет существенно снизить кредитные риски без ухудшения конкурентных позиций коммерческого банка на рынке ссудного капитала.

Апробация результатов исследования. Основные теоретические и практические положения работы докладывались автором: на II научно-практической конференции Трансформация социально-экономических отношений в современных условиях, Пенза-2004; на VII Всероссийской научно-технической конференции Нейроинформатика-2005, Москва, МИФИ-2005; Седьмом Всероссийском симпозиуме по прикладной и промышленной математике (Кисловодск, 2006); на XII межвузовской научно-практической конференции студентов и аспирантов, (Самара, СИУ, 2006).

Публикации. Основные положения диссертации отражены в 10 опубликованных работах, общим объемом 2,4 п.л.

Объем и структура диссертации. Структура диссертации, ее логика соответствуют цели исследования. Диссертационная работа включает в себя введение, три главы с выводами, заключение и список использованных источников, включающий 157 наименований. Дк^сср iuk излол'.снл h 101 странице Машинописного тсксгз, содержит 24 рисунка, 19 таблиц и 1 приложение с исходными данными исследования.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной темы диссертационного исследования, сформулированы цели и задачи, кратко изложены основные результаты, раскрыта и обоснована научная новизна, указана апробация результатов работы.

В первой главе Сущность банковского кредитного риска и методы его оценки проанализированы окружающая среда банковского менеджмента, которая отличается достаточно высокой динамичностью. Для рыночной экономики характерна определенная нестабильность, порождаемая конкурентной средой, неустойчивыми потребительскими предпочтениями, циклическими перестройками продуктовых рядов и другими факторами. Все это проявляется в сфере банковского предпринимательства в виде многочисленных и разнообразных рисков, прямо или косвенно влияющих на функциональность и устойчивость кредитных организаций. Поэтому

важнее всего определить индивидуальный комплекс потенциально опасных для коммерческого банка рисков и оценить их. В ходе исследования рассмотрены существующие методы определения рисков, их структура и взаимосвязь. Выявлено что основной финансовый риск банка - это кредитный риск. Именно с этим обстоятельством связана необходимость детального рассмотрения кредитного риска, как атрибута банковской деятельности. При выдаче кредита основной опасностью является то, что заемщик может несвоевременно возвратить кредит или возвратить его не в поном объеме, или вообще не вернуть. Кредитный риск связан также с процентным и ликвидным рисками. Это объясняется тем, что кризис ликвидности или угроза неплатежеспособности банка не возникают неожиданно, а причиной их бывает чрезмерно высокий кредитный риск, проявляющийся в непогашении больших сумм кредитов. Кредитный риск влияет и на процентную ставку кредита, характеризующую его доходность, так как банк вынужден использовать методы компенсации данной категории рисков.

Сильная зависимость процентной ставки кредита от величины риска вынуждает банки уделять большое внимание ее определению для каждого заемщика и для каждого кредитного договора. Обозначим через Р вероятность невозврата взятой заемщиком ссуды, а через аД-безрисковую ставку процента, представляющую собой цену кредита при отсутствии риска.

Реальная процентная ставка а вычисляется по формуле:

1-Г 1-Р

и зависит от кредитного риска и назначается банком из условия компенсации возможных потерь. Разность Да между процентной ставкой с учетом риска а и безрисковым процентом а, представляет собой премию за риск непогашения кредита и вычисляется по формуле:

Да = (1 + аД)^ (2)

Также для правильной оценки доходности кредитов банки дожны учитывать необходимость отвлечения части привлеченных ресурсов в резервный фонд (резерв на возможные потери по ссудам). Если у - норматив отчисления привлеченных средств в резервный фонд, то премия за риск невозврата ссуды составляет:

Да = (1+ав)1^:. (3)

При существенном риске невозврата премия за риск банку оказывается настолько большой, что заемщик откажется от кредита. Когда кредитный риск небольшой, банку удается скомпенсировать потери. Таким образом, величина Да 01раничена конкуренцией на рынке ссудного капитала, и не может существенно превосходить, среднестатистического рыночного значения. Именно с этим связана проблема поиска альтернативных методов снижения банковских рисков. Поэтому далее проанализированы способы снижения уровня проблемных активов в кредитных портфелях банков.

Наиболее общим и чаочи применяемым в банковской практике является (клииаигль удельного веса просроченной ссудной задоженности (У), характеризующий состояние вопроса работы с проблемными и просроченными активами. Этот показатель рассчитывается как отношение объема просроченной ссудной задоженности (ПСЗ) к объему общей ссудной задоженности (т.е. сумме просроченной и текущей ссудной задоженности):

ПСЗ ПСЗ

у = =-Ч--100% (4)

ОСЗ пез+тез

Общая постановка задачи прогнозирования и оптимизации показателя У может быть осуществлена в следующем виде: У = Р(11СЗ,ТСЗ)->У)в111 У2ьУ

где У - максимально допустимая величина У, задаваемая экспертным путем.

Удельный вес просроченной ссудной задоженности может быть снижен за счет: 1) возврата догов; 2) увеличения объемов кредитования; 3) аннулирования (списания) догов, признанных безнадежными.

В рамках исследования рассмотрен гибридный путь, связанный с увеличением объема кредитования за счет сокращения сроков прохождения заявки через кредитный комитет при одновременном снижении вероятности невозврата за счет отбраковки высоко рисковых клиентов. В связи с этим возникает задача классификации клиентов коммерческого банка. В последнее время стали использоваться методы, позволяющие учесть непоноту и искаженность информации для задач классификации, а также вероятностную природу получаемых заключений. К ним, в частности, относятся нечетко-множественный и логико-вероятностный методы. К этой группе методов примыкает класс математических моделей, к которым относятся искусственные нейронные сети и генетические агоритмы. Системы искусственного интелекта, ориентированные на задачу распознавания сильно зашумленных образов позволяют справиться с подобными задачами в других сферах и областях человеческого знания.

Во второй главе Применение искусственных нейронных сетей для распознавания образа клиента банка рассмотрены вопросы приложения теории ИНС к задаче классификации клиентов-заемщиков коммерческого банка.

Уточнено понятия лобраз, которое применительно к случаю классификации клиентов банка совпадает с понятием класс.

Применительно к задачам, возникающим в процессе деятельности коммерческого банка, введены понятия:

Обучение - это процесс, в результате которого система поддержки принятия управленческих решений постепенно приобретает способность реагировать на воздействие определенных совокупностей границ финансовых коэффициентов и другой рейтинговой и экспертной информации.

Адаптация - это окончательная настройка параметров и структуры системы поддержки принятия управленческих решений с целью достижения требуемого качества управленческих решений в условиях непрерывных изменений внешних условий.

Для того, чтобы применение нейросетевой модели было оправдано, необходимо: 1) чтобы задача обладала следующими признаками: отсутствовал агоритм ее решения или были бы не известны принципы ее решения, но при этом имелось достаточное количество примеров; 2) проблема изначально характеризуется наличием больших объемов входной информации; 3) данные непоны или избыточны, зашумлены, или частично противоречивы. Именно этим критериям удовлетворяет задача классификации клиентов банка.

Методика применения искусственных нейронных сетей в задачах классификации заемщика базируется на основных положениях и практике использования искусственных нейронных сстсй б решениях задач различных с^срах научной и практической дсятсшсстп. Подход к использованию данной методики предусматривает шесть этапов решения финансово-экономических задач:

I тгяп Ч погтянокк-я чадачи- включает и себя определение лелей и информационного пространства исследования, выработку агоритма его проведения.

II этап Ч сбор данных для обучения: набор репрезентативного материала - примеров для обучения сети, каждый из которых представляет массив входных данных и в, случае использования обучения с учителем соответствующий ему известный ответ.

III этап - создание и обучение нейронной сети с использованием программы-эмулятора на персональном компьютере. Данный этап, в свою очередь, включает: 1) подготовку матрицы данных; 2) отбор наиболее информативной подсистемы признаков; 3) определение архитектуры искусственной нейронной сети; 4) обучение окончательной нейросетевой модели оптимизированной архитектуры; 5) оценку направления и степени влияния признаков, составляющих входной вектор на моделируемый параметр.

IV этап Ч создание интерфейса: разработка средств взаимодействия с пользователем в целях облегчения ввода данных, интерпретации результата, вывода ответа сети.

V этап - адаптация отладка программы.

VI этап - доучивание. В условиях реальной работы накапливаются данные, которые используются для дальнейшего обучения уже имеющейся нейронной сети с целью ее приложения к анализу конкретных объектов.

В процессе нейрокомпьютинга осуществляся прогноз оценки кредитоспособности выборки заемщиков юридических лиц и сравнивася с фактическими результатами возврата и обслуживания дога этими клиентами. В процессе данного нейрокомпьютинга и анализа теории нейронных сетей рассматривались различные разработки ИНС, в частности ИНС Хопфида, Хэмминга, однослойные и многослойные нерсептроны с прямым и двунаправленным распространением, СОК Кохонена, звезда Гроссберга применительно к задачам исследования.

Выяснилось, что нейронные сети Хопфида и Хэмминга относятся к таким нейронным сетям, в которых весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. Сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи не приходится. Сети с подобной логикой работы обычно используются для организации ассоциативной памяти и неприменимы для решения задач данной диссертационной работы. Наиболее эффективный результат распознавания образа заемщика был получен при моделировании многослойным персептроном с прямым распространением (MLP), обученным агоритмом обратного распространения ошибки и при использовании самоорганизующихся карт Кохонена.

Агоритм обучения ИНС с помощью процедуры обратного распространения для решения задачи исследования строися следующим образом:

1. Подать на входы сети одно из возможных состояний и в режиме обычного функционирования ИНС, когда сигналы распространяются от входов к выходам, рассчитать значения последних:

С=1уГ-<> , (6)

где М Ч число нейронов в слое п-1 с учетом нейрона с постоянным выходным состоянием +1, задающего смещение; yi"'^ =Xijn) - i-ый вход нейрона j слоя п.

у<п> =f(sjn>), (7)

где f(s) - сигмоид

<Н> (8)

где 1Ч - q-ая компонента вектора входного образа.

2. Рассчитать ^ для выходного слоя.

5<>=(У Г-d,)-^, (9)

Рассчитать изменения весов Aw(N) слоя N.

д^<|в) = -п-5<").у|("-,> (10)

3. Рассчитать по формулам (9) и (!0) к Aw(n> для ксех остальных слоев, n=N-l,...,l

<п> ds,

4. Скорректировать все веса в НС

<40 = <>(0 (12)

5. Если ошибка сети существенна, то вернутся к началу агоритма.

Другой вариант решения той же задачи дается при помощи моделирования НС агоритмом Кохонена. Этот агоритм предусматривает подстройку синапсов на основании их значений от предыдущей итерации.

1. На стадии инициализации всем весовым коэффициентам присваиваются небольшие случайные значения.

2. На входы сети подается входное состояние, и сигналы возбуждения распространяются по всем слоям согласно принципам классических прямопоточных сетей.

3. На основании полученных выходных значений нейронов по формуле (13) производится изменение весовых коэффициентов. Из всего слоя выбирается нейрон, значения синапсов которого максимально походят на входное состояние, и подстройка весов по формуле (13) проводится только для него. Выбор такого нейрона осуществляется расчетом скалярного произведения вектора весовых коэффициентов с вектором входных значений. Максимальное произведение дает выигравший нейрон.

Wtt(t) = ЛУЦ(1 -1) + а Х [у}-1 - -1)] (13)

Из вышеприведенной формулы видно, что обучение сводится к минимизации разницы между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя и весовыми коэффициентами его синапсов.

4. Продожить цикл с шага 2, пока выходные значения сети не стабилизируются с заданной точностью.

Применение этого способа определения завершения обучения, отличного от использовавшегося для сети обратного распространения, обусловлено тем, что подстраиваемые значения синапсов фактически не ограничены.

В связи с этим в таблице 1 предлагаются этапы анализа кредитоспособности заемщика с помощью данных искусственных нейронных сетей и использованием генетических агоритмов.

Таблица 1

Анализ кредитоспособности заемщика с помощью искусственных нейронных сетей

Вид НС-анализа Действия Допонения

1.СОК Кохонена Проанализировать карту частот обученной СОК - используя коэффициенты и показатели двухфакторной, пятифакторной модели Альтмана, моделей Таффлера, Лиса и Фумера в близкие временные периоды для предприятий с краткосрочными кредитами Сравнить полученные результаты с результатами кластерного анализа по методу Вальда (с вычислением Евклидовой меры)

2. МЬР-сети и генетический агоритм Обучить МЬР-сети (с помощью агоритма обратного распространения ошибки)- используя результаты кластерного анализа (выделенные группы), как показатели классификации Выделить примеры обучающей и контрольной выборок на которых сеть не обучилась в отдельную группу и проанализировать методами дескриптивной статистики

В процессе проведения исследования преследовалось решение двух взаимосвязанных задач: 1) анализа всей совокупности юридических лиц для подтверждения излагаемого подхода; 2) разработка методики и агоритма применения ИНС для достижения цели исследования.

В качестве входных показателей выбраны и использовались: коэффициент текущей ликвидности, удельный вес заемных средств в пассивах; (текущие активы-текущие обязательства)/все активы; нераспределенная прибыль/ все активы; прибыль до уплаты процентов и налогов/все активы; собственный капитал/заемный капитал; объем продаж/все активы; прибыль от реализации/краткосрочные обязательства; оборотные активы/сумма обязательств; краткосрочные обязательства/сумма активов; выручка/сумма активов; оборотный капитал/сумма активов; прибыль от реализации/сумма активов; нераспределенная прибыль/сумма активов; собственный капитал/заемный капитал; нераспределенные прибыли прошлых лет/совокупные активы; объем реализации/совокупные активы; прибыль до уплаты налогов/совокупные активы; денежный поток/поная задоженность; договые

обязательства/совокупные активы; текущие пассивы/ совокупные активы; log (материальные активы).

I этап. Самоорганизующиеся карты Кохонена рассчитаны на неуправляемое обучение. По существу СОК Кохонена предназначены для распознавания кластеров в данных, а также для установления близости классов. В работе СОК Кохонена использовались для оценки финансовых рисков по фактическим результатам возврата кредитов. Выборка предприятий исследования делилась на два подмножества обучающие и контрольное в каждое из которых входили предприятия всех трех классов, классифицированных по факту погашения ссудной задожности. В процессе исследования обучение СОК Кохонена осуществляся методом последовательных приближений. Начиная, со случайным образом выбранного исходного расположения центров, агоритм постепенно улучшает его так, чтобы улавливать кластеризацию обучающих данных. В некотором отношении в результате итеративной процедуры обучения сеть организуется таким образом, что элементы соответствующие центрам, расположенным близко друг от друга в пространстве входов, будут близко располагаться друг от друга на топологической карте. Топологический слой в нашем случае представлен в виде двухмерной решетки, которая преобразуется (отображается) в N-мерное пространство входов. Основой итерационного агоритма обучения является последовательность эпох, на каждой из которых каждый обучающий пример последовательно обрабатывается при выпонении определенного набора операций и происходит выбор выигравшего нейрона, ближе всего по значениям весов расположенного к входному примеру и - последующая, коррекция этого нейрона на входной пример. При этом на каждой новой эпохе используются убывающие коэффициенты скорости обучения, с целью более точной коррекции на каждой эпохе. В результате позиция этого нейрона, представляет те наблюдения, для которых нейрон оказывается выигравшим. Результаты анализа частот выигрышей нейронов, представленных на топографической карте, приведены в таблице 2.

Таблица 2

Анализ кредитного риска выбранных предприятий на топографической карте

Выборка Топографическая карта

% (из выборки анализируемых предприятий)

Обучающая 5,12 (30% - невозврат и 70% сомнительные) 41,02 (50% - возврат и 50% сомнительных. 2,56 (100%-возврат)

7,69 (100% -сомнительные) 2,56(100%-сомнительные) 15,38(100%-сомнительные)

5,12 (100% - невозврат) 0 20,51 (100% - возврат)

Контрольная 5,12(100%-сомнительные) 48,71 (100%-возврат) 0

7,69 (100% -сомнительные) 0 2,56 (30% - невозврат и 70% - возврат )

12,89 (100% - невозврат) 2,56 (100% -сомнительные) 20,51 (100%-возврат)

Даже на такой небольшой выборке наблюдений при сравнении обучающего и контрольного множества отмечается совпадение частот выигрышей нейронов. Однако, при этом несколько нейронов, оказались элементами с нулевой частотой, на карте малой размерности, что является показателем не поного использования ресурсов нейронной сети. Но, в связи с

невозможностью увеличить выборку, кластеры были промаркированы. Для этого на построенной топологической карте отмечали предприятия в соответствии с фактическими результатами обслуживания ссуды и ее погашения.

При этом выяснилось, что один из кластеров обучающей выборки включает балансы предприятий, которые не смогли обслуживать заем, вышли на просрочку и для возврата дога были запущены арбитражные процедуры (5,12%-невозврат). Этот же кластер на контрольной выборке включал финансовые показатели (коэффициенты) - 12,89% балансов предприятий, то есть балансов предприятий не только тех возврат ссуды, от которых происходил на основании судебных решений, но и предприятий которые вышли на просрочку, но смогли погасить свои ссуды. Однако они сделали это только с помощью бюджетного дотирования. Вывод из анализа которых позволил их действительно отнести к группе предприятий с невозможностью их кредитования, несмотря на то, что ссуда была возвращена.

II этап. На втором этапе нейросетевого анализа, были обучены две MLP - сети (обучение проводили агоритмом обратного распространения ошибки). Проектирование искусственных нейронных сетей проводили с помощью Мастера сети NNSStatistica

Обработка информации в MLP сети состоит из взаимодействия между слоями нейронов в системе, в результате которой нейроны выходного слоя передают результат взаимодействия во внешнюю срсду. Таким образом, проектирование связей между нейронами эквивалентно программированию системы для обработки входа и создания желаемого выхода.

Для методики разработанной в диссертации использована структура сети, характеризующаяся: поной связью нейронов (каждый нейрон первого слоя связан с каждым нейроном второго слоя); двунаправленной связью, при которой нейроны первого слоя связаны с нейронами второго, которые, в свою очередь, имеют связь с нейронами первого слоя. Нейронная сеть имеет три слоя нейронов с иерархической связью (нейроны нижнего слоя связаны только с нейронами следующего уровня).

Первый слой является входным слоем, который получает внешние данные в виде финансовых коэффициентов характеризующих состояние предприятий. Нейроны входного слоя посылают сигналы всем нейронам следующего слоя. Изначально весовые коэффициенты между первым и вторым слоем фиксированы и равны 1. Нейроны второго слоя отмечают свойства финансовых коэффициентов анализируемых организаций. Третий слой является выходным, и каждый нейрон в нем выдает или не выдает сигнал. Этот слой имеет обратную связь со вторым слоем. В начале работы персептрон не имеет поной связи между вторым и третьим слоями. Она создается в процессе обучения персептрона Нейроны второго и третьего слоя вычисляют их вход, используя уравнение:

NET, = wfiUTj + w0,OUT0 (14)

где OLITj - выходы из нейронов предыдущего слоя Нейроны третьего слоя имеют влияние фактора OUT с фиксированным значением w0rL Вес фактора Woi изменяется в процессе обучения. В этом контексте фактор OUT можно представить как выход нейрона второго слоя, равный 1.

Процесс обучения сети под задачу классификации заемщика заключается в формировании весов связей между вторым и третьим слоями в соответствии со следующим уравнением:

= wЩ"" + a{DESOUT, - OUT,) (15)

где Wji - весовая связь нейрона j второго слоя с нейроном i третьего слоя, DESOUTj - или правильный выход нейрона i третьего слоя и OUTj, - реальный выход нейрона i.

Если нейрон i посылает правильный импульс (выход) во внешнюю среду, тогда веса к нейронам второго слоя не изменяются. Однако, если выход нейрона i равен единице, когда он дожен быть равен нулю, тогда весовые связи с нейронами второго слоя уменьшаются путем умножения на величину а. Если с другой стороны, нейрон i имеет выход 0, когда правильный импульс равен 1, то весовые связи к нейронам второго слоя увеличиваются путем умножения на величину а, где 0<а< 1.

Обучение персептрона происходит следующим образом. На вход персептрона подают множество совокупностей финансовых коэффициентов характеризующих заемщика из обучающего подмножества по одному и подстраивают веса до тех пор, пока не будет достигнут

требуемый выход. За конечное число шагов сеть научилась разделять классы с состояниями предприятий, соответствующим фактам погашения ссудной задожности при условии, что множество линейно разделимо.

Для определения количества состояний предприятий, которое требуется подать на вход персептрона, чтобы его обучить, и выбрать последовательность проведения обучение с тем, чтобы минимизировать данный процесс, вводится величина, которая равна разности между требуемым или целевым выходом DESOUT и реальным выходом OUT:

8 = (.DESOUT -OUT) (16)

В этом случае агоритм обучения персептрона сохраняется, если 5 умножается на величину каждого входа Xi, и это произведение добавляется к соответствующему весу. С целью обобщения вводится коэффициент скорости обучения rj, который умножается на S*Xj что позволяет управлять средней величиной изменения весов. То есть:

А ,=77<&,; (17)

w((n + l) = w,(n) + A(, (18)

где 8, - коррекция, связанная с i-м входом х^ Wi(n) и w,(n+l) - значения весов соответственно до и после коррекции.

Таким образом, для задачи формирования образа заемщиков, изменяет веса в соответствии с требуемым и реальным значениями выхода каждой полярности, как для непрерывных, так и для бинарных входов и выходов.

Для упрощения покажем сущность работы заданного персептрона для задачи исследования в случае двойной размерности. Предположим, используются только два атрибута в каждом применении: коэффициент ликвидности (проходной - 1, непроходной - 0), обозначаемый через xi; коэффициент удельного веса заемных средств в пассивах (проходной -1, непроходной - 0), обозначаемый через хг- Возможные пары значений (0,0), (1,0), (0,1) и (1,1) соответствуют четырем точкам a,b,c,d на плоскости. Теперь изобразим данный аспект с помощью персептронной сети (Рис.1). Видно, что структура сети характеризуется прямой связью из входного слоя ко второму слою с весовыми коэффициентами равными 1. Второй слой имеет два нейрона. Каждый из них получает вход из входного слоя и посылает их выходы на выходной слой.

Выходной слой имеет один нейрон, который означает одобрение (1) или неодобрение (0) кредитной заявки. Весовые связи со второго в третий слой обозначены через wn и W21 для связей нейронов 1 и 2 во втором слое к нейрону 1 в третьем слое. Вход к нейрону в третьем слое (выходном) равен:

Ж, = vv0 + w,,*, + wlxx2 (19)

Вышеприведенное уравнение (19) - уравнение прямой с известными значениями Х| и хг и неизвестными значениями весов.

Рис. 1 Структурное изображение примера для формирования образа заемщика с двумя переменными

Предположим, что желаемый выход в случае одобрения кредита, когда клиент имеет проходной коэффициент ликвидности (хг=1) и коэффициент удельного веса заемных средств в пассивах у клиента либо проходной (х2=1), либо плохой (Х2=0). Обучение сети определяет значение весов в уравнении (19), так что точки d(l,l) и Ь(1,0) располагаются по одну сторону прямой и точки а(0,0) и с(0,1) - по другую сторону.

Веса можно было бы определить так, чтобы точки bud являлись бы выходом из сети со значениями равными I, а другие точки со значениями, равными 0. Таким образом, уравнение (19) относится к прямой, которая разделяет банковские кредиты на "одобренные" и "неодобренные".

Для определения весов требуется решить следующую систему уравнений (20): wo + wn * 1 + Wll * 1 = 1

wo+w!I*0 + wД*0s0 w0 + w,, * 1 + w2I 0 = 1 w0 +wn *0 + w21 *0 = 0

Когда число атрибутов увеличивается до трех, прямая представляется плоскостью в трехмерном пространстве. Когда число атрибутов более трех, линия раздела является гиперплоскостью в n-мерном пространстве. Но идея остается той же. Для функционирования персептрона входные коэффициенты дожны быть такими, чтобы возможные ответы можно было ранжировать на п частей гиперплоскостью в n-мсрном пространстве.

Рассмотренные возможности персептрона применительно к задаче формирования образа заемщика показывают, что нейронные сети способны представлять сложные отношения между входными и выходными данными путем использования простых математических формул. Таким образом, для разработки нейронных сетей применительно к задаче исследования нет необходимости математического описания отношений между входными и выходными данными, а вместо этого возникает необходимость проектирования структуры и решения проблемы обучения нейронной сети. Поэтому в нейронных сетях поиск и программирование математических функций, связанных с получением выходных данных на основе входных, заменяется поиском соответствующей структуры и параметров для системы. Это свидетельствует, что структура и процесс обучения играют решающую роль в надежности н эффективности нейронных сетей.

Ограниченные возможности однослойных сетей и отсутствие теоретически обоснованного агоритма для обучения многослойных искусственных сетей привели к тому, что для эффективного и точного формирования образа заемщика в исследовании использовася агоритм обратного распространения ошибки в сети, состоящей из двух слоев с прямым распространением (Рис.2).

ол"6л' 4-J Ж

ХOwfal -l

Рис.2 Структура трехслойного персепгрона модели В для задачи формирования образа заемщика коммерческого банка, обученная агоритмом обратного распространения ошибки

Перед началом обучения присвоим весам небольшие начальные значения (0,1), чтобы избежать насыщения сети большими значениями весов. Организационно агоритм обучения сети обратного распространения под задачу классификации заемщика, математическая агоритмизация которого приведена выше, включает в себя следующие шаги:

1.Выбрать очередную обучающую пару (X,Y) из обучающего множества и подать входной вектор X на вход сети.

2.Вычислить выход сети.

3.Вычислить разность между реальным (вычисленным) выходом сети и требуемым выходом (целевым вектором обучающей пары).

4.Подкорректировать веса сети так, чтобы минимизировать ошибку.

5.Повторить шаги с 1 по 4 для каждого вектора обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемой величины.

Вычисления в сети выпоняются послойно. На шаге 3 каждый из выходов сети OUT вычитается из соответствующей компоненты целевого вектора с целью получения ошибки. Эта ошибка используется на шаге 4 для коррекции весов сети, причем знак и величина изменений определяются агоритмом обучения.

Шаги 1 и 2 можно рассматривать как "проход вперед", так как сигнал распространяется по сети от входа к выходу. Шаги 3 и 4 составляют "обратный проход", здесь вычисляемый сигнал ошибки распространяется обратно по сети и используется для подстройки весов.

Процесс подстройки одного веса от нейрона р в скрытом слое j к нейрону q в выходном слое происходит следующим образом. Выход OUT слоя к вычитаясь из целевого значения Т, дает ошибку, которая умножается на производную сжимающей, функции [OUT(l-OUT)], вычисленную для этого нейрона слоя к, давая, таким образом, величину

5 = OUT(l-OUT)(T-OUT) (21)

Затем 5 умножается на величину OUT нейрона j, из которого выходит рассматриваемый

где 5ак - величина 8 для нейрона q в выходном слое k; OUTp,q величина выхода для нейрона в скрытом слое j.

Это произведение в свою очередь умножается на коэффициент обучения т|(0,01<т|<1) и результат прибавляется к весу. Такая же процедура выпоняется для каждого веса от нейрона скрытого слоя к нейрону в выходном слое:

+ = + (23)

где Wpq k(n) - величина веса от нейрона в скрытом слое к к нейрону q в выходном слое на шаге п (до коррекции) (индекс относится к слою, в котором заканчивается данный вес, с которым он объединен); Wpq ^n+l) - величина веса на шаге п+1 после коррекции.

Каждый нейрон скрытого слоя, предшествующего выходному, передает свои выходы к

функционируют в обратном направлении, пропуская величину 5 от выходного слоя к скрытому. Каждый из этих весов умножается на величину 8 нейрона, к которому он присоединен в выходном слое.

Величина 8, необходимая для обучения нейрона скрытого слоя, равна сумме всех таких произведений, умноженной на производную сжимающей функции:

=OUT,Al-OUrpJ)(Zt,j.*ЩД*) (24)

После получения величины 8 веса скрытого слоя корректируются с помощью формул (22) и (23).

Для каждого нейрона в данном скрытом слое требуется вычислить 8 и подстроить все веса, связанные с этим слоем. Этот процесс повторяется слой за слоем по направлению к входу, пока все веса не будут подкорректированы.

Данная операция в векторной форме выглядит следующим образом. Пусть Dk -множество величин 5 выходного слоя и Wt, множество величин выходного слоя. Для получения 5 - вектора Dj, выходного слоя необходимо провести следующие операций:

1. Умножить 8-вектор выходного слоя на транспонированную матрицу весов IVJ, соединяющую скрытый слой с выходным.

D,=Dk*Wl (25)

2. Умножить каждую компоненту полученного произведения на производную сжимающей функции соответствующего нейрона в скрытом слое:

$[OUTj([-OUTj)] (26)

где оператор $ обозначает покомпонентное произведение векторов. OUTj - выходной вектор слоя j и I - вектор, все компоненты которого равны 1.

Таким образом, в ходе исследования обучив и проверив различные структуры персептронов получили две MLP - сети эффективно решающих задачу исследования. Характеристика MLP-сетей для оценки кредитоспособности юридического лица представлена в таблицах 3 и 4.

_Таблица 3

Характеристика MLP-сетей для оценки кредитоспособности юридического лица

№ п.п. Модель Количество нейронов Ошибка обучения ИНС Качество ИНС

Входных Выходных Скрытых

1 А 15 3 4 0,35 0,87

2 В 18 3 11 0,34 0,89

Представленные нейросетевые модели, по ошибке обучения и их качеству были оценены положительно. Наибольший эффект достигается при использовании следующих финансовых коэффициентов: коэффициент текущей ликвидности и удельный вес заемных средств в пассивах; (текущие активы-текущие обязательства)/все активы; нераспределенная прибыль/все активы; прибыль до уплаты процентов и налогов/все активы; собственный капитал/заемный капитал; (прибыль от реализации/краткосрочные обязательства, оборотные активы/сумма обязательств; краткосрочные обязательства/сумма активов); оборотный капитал/сумма активов, прибыль от реализации/сумма активов, нераспределенная прибыль/сумма активов; нераспределенные прибыли прошлых лет/совокунные активы, обьем реализации/совокупные активы; прибыль до уплаты налогов/совокупные активы; договые обязательства/совокупные активы; текущие пассивы/совокупныс активы; log (материальные активы); оборотный капитал/поная задоженность. Следог.атепг.пп, данный комплекс финансовых коэффициентов, при использовании в полученной методики позволяют с высокой точностью классифицировать юридических лиц, клиентов кредитного отдела банка.

_Таблица 4

Характеристики нейросетевых моделей

№ Модель Контрольное множество Тестовое множество

п.п. Чувствитель Специфичн Точ- Чувствител Специфичн Точ-

кость ость ность ьность ость ность

1 А 76% 88% 86% 78% 83% 87%

2 В 69% 86% 88% 61% 71% 89,6%

В третьей главе диссертации Анализ наиболее распространенных методов классификации клиентов коммерческого банка для сравнения с методикой полученной в результате исследования выявлено, что всю существующую совокупность методов экономико-математической классификации кредитных рисков можно условно разбить на две группы: классификационные и комплексные.

К классификационные методам относится анализ с использованием финансовых коэффициентов, включающий в себя рейтинговые и скоринговые модели, а также модели, позволяющие прогнозировать банкротство предприятия основанные на множественном дискриминантном анализе.

Комплексные методы предусматривают анализ других факторов, влияющих на кредитный риск.

В основе экономико-математических методов измерения банковского кредитного риска лежат теория игр и теория вероятностей. При этом риск оценивается рядом взаимосвязанных критериев: критерий Вальда; критерий Лапласа, Кофмана, Ходжеса-Лемана; критерий Гурвица; критерий Сэвиджа.

Постановка задачи классификации клиента-заемщика коммерческого банка ставится следующим образом. Необходимо отнести каждого из классифицируемых клиентов банка,

характеризующихся некоторым набором экономических параметров X, = <х(1),х(2),...,х(р~1))Т, | = 1,2,...,п, к одному из трех классов (низко рисковый, средний риск кредитования и высоко рисковый). Под классом будем понимать генеральную совокупность, описываемую одномодальной функцией плотности Г(Х) .

Обозначим через Р(]|0 вероятность отнести объект класса I к классу а через я, вероятность извлечь объект класса I из общей совокупности анализируемых объектов. При построении процедур классификации вероятность неправильной классификации равна:

для задач исследования к = 3.

Далее осуществлено принципиальное решение общей задачи классификации клиентов банка. Процедуру классификации мы обозначим как 6(Х). В случае классификации клиентов банка функция 6(Х) может принимать только целые положительные значения (1,2,3). Те объекты X, для которых она принимает значение, равное ], необходимо относить к классу ]. Т.е. Sj = {Х:5(Х) = j}, = 1,2,3), где - это р - мерные области в пространстве П(Х) возможных значений анализируемого многомерного признака X. Функция 5(Х) строится таким образом, чтобы их сумма 8, + У2 + Ь>3 запоняла все пространство П(Х) и чтобы они попарно не пересекались. Таким образом, решающее правило б(Х) может быть задано разбиением всего пространства П(Х) натри непересекающиеся области:

Б-ф.в^в,). (28)

Процедура классификации 8(Х) (или Б) является оптимальной, если она сопровождается минимальными потерями среди всех других процедур классификации.

Процедура классификации 5(опт) = ^Х"'^Х".в*"'*), при которой потери (27) будут оптимальными, определяется следующим образом:

8р> = |х:Х7С,ГДХ)са|0 = ттЛ|Г|(Х)с(||1)|, (29)

где с0|0- величина потерь, которые несет банк при отнесении одного объекта -го класса к классу ^ Наблюдение (у = 1,2,...,п) будет отнесено к классу ] тогда, когда средние

удельные потери от его отнесения именно в этот класс окажутся минимальными по сравнению с аналогичными потерями, связанными с отнесением этого наблюдения в другой класс.

Далее проведен анализ методик и моделей классификации, используемых в Российских банках и имеющих наибольшую степень распространенности, которыми анализируются клиенты-заемщики коммерческого банка.

В большинстве случаев для оценки кредитоспособности юридических лиц используется метод финансовых коэффициентов с большим или меньшим их числом. Сведение воедино частных финансовых коэффициентов возможно с помощью методик рейтинговых оценок.

Среди различных методов оценки финансовой устойчивости предприятий появившихся в последнее время следует отметить методы бальной оценки финансовой устойчивости JI.B. Донцовой - НА. Никифоровой, позволяющей относить клиентов-заемщиков к одному из предложенных пяти классов. Отмечается, что критериальные оценки, предложенные в данной модели, позволяют получить достоверную оценку финансовой устойчивости, но имеют методический недостаток - разрыв критериальных значений на границах разрядов. Данный недостаток модели устранил В.М. Дуплякин, предложив формализованный агоритм расчетов рейтинга каждого показателя который затем приводятся к общему математическому виду рейтинговой оценки:

S =!>(*), (30)

Для каждого предприятия, из выборки исследования, проведена классификация по вышеуказанной методике. Для примера приведем результаты расчета класса кредитоспособности реальной фирмы А из выборки исследования (таблицы 5, 6), которая получила кредит, но не смогла в дальнейшем обслуживать свой дог что привело к существенным потерям активов одного из отделений Сбербанка РФ.

____________ . _ _Таблица 5

Входные коэффициенты для определения класса кредитоспособности фирмы А за период с 01.01.02 по 01.04.03 методом рейтинговых оценок __

Критерий 01.01.2002 01.04.2002 01.07.2002 01.10.2002 01.01.2003 01.04.2003

К1 0,15 0,39 0,33 0,56 0,54 0,47

К2 0,9 1,1 I 1,25 1,1 1,1

КЗ 1,02 1,02 1,01 1,03 1,04 1,05

К4 0,14 0,28 0,31 0,39 0,37 0,39

К5 0,99 0,99 0,99 0,97 0,93 0,95

Кб 0.63 0,71 0,69 0,85 0.87 0,92

Расчет класса кредитоспособности методике Донцовой-Никифоровой < эирмы Аза период с 01.01.02 no01.04.03 по юрмализованным агоритмом Дуплякина

Критерий 01.01.2002 01.04.2002 01.07.2002 01.10.2002 01.01.2003 01.04.2003

К1 6 15,6 13,2 20 20 18,8

К2 0 6 3 10,5 6 6

КЗ 1,73 1,74 1,65 1,91 2,06 2,28

К4 4,2 8,4 9,3 11,7 11,1 11,7

К5 17 17 17 17 17 17

Кб 5,75 7,75 7,25 11,25 11,75 13

S 34,675 56,49 51,4 72,355 67,905 68,78

4 класс 3 класс 4класс 2 класс 2 класс 2 класс

Данная методика рейтинговой оценки показали невысокую величину риска кредитования данного предприятия на последних трех периодах анализа, фактически же данное предприятия относилось к высокорисковой группе. Также данный анализ других фирм из выборки исследования показал, что точность данной методики не превышает 84%.

Так же в рамках исследования необходимо рассмотреть прогнозные модели классификации клиентов-заемщиков коммерческого банка, базирующиеся на статистических методах, самым распространенным из которых являются модели множественного дискриминантного анализа (МДА). Общий вид дискриминантной функции для оценки кредитоспособности заемщика:

Z = *Д + л,/,, (31)

где а0 и а, - некоторые параметры (коэффициенты регрессии); / - факторы, характеризующие финансовое состояние заемщика (финансовые коэффициенты).

Для каждого предприятия, из выборки, по которой проводилось исследование, также проведена классификация наиболее известными и применяемыми в банковской практике моделями МДА, которыми являются модели Альтмана, Фумера, Таффлера, Лиса, Федотовой и Сайфулина-Кадыкова.

Продемонстрируем на конкретном примере модели Сайфулина-Кадыкова насколько точно данные модели МДА позволяет производил классификацию организаций на основе шторой строится нроп юз риска будущей не кредитоспособности данных предприятий таблица 7. Уравнение P.C. Сайфулина, Г.Г. Кадыкова имеет вид:

Z = 2Х1+0Хг+ 0.08X3 + 0А5Х, + X, (32)

где X, - коэффициент обеспеченности собственными средствами (нормативное значение X, > 0,1); Хг - коэффициент текущей ликвидности (Хг 2); Х3 - интенсивность оборота авансируемого капитала, характеризующая объем реализованной продукции, приходящийся на 1 руб. средств, вложенных в деятельность предприятия (X, > 2,5); ХА - коэффициент менеджмента, рассчитываемый как отношение прибыли от реализации к выручке; Xs -рентабельность собственного капитала (Х5 0,2).

__Таблица 7

Анализ вероятности банкротства фирмы Аза период с 01.01.02 по 01.04.03 моделью Сайфулина

Критерий 01.01.2002 01.04.2002 01.07.2002 01.10.2002 01.01.2003 01.04.2003

XI 0,985 0,985 0,987 0,971 0,926 0,949

Х2 1,015 1,016 1,01 1,027 1,037 1,052

ХЗ 0.221 3.904 3,468 5,807 5.385 4.956

Х4 0.21 0.27 0,26 0,32 0,29 0,28

Х5 0,24 0,29 0,3 0,34 0,31 0,3

Z 2,42 2,80 2,77 2,99 2,83 2,83

При поном соответствии значений финансовых коэффициентов минимальным нормативным уровням индекс Ъ равен 1. Финансовое состояние предприятия с рейтинговым числом менее 1 характеризуется как неудовлетворительное.

Как видно из вышесказанного, не существует идеальных систем финансовых коэффициентов и моделей анализа Все они дают большую или меньшую вероятность ошибки прогноза, таблица 8. Для одного и того же засмщика-юридического лица различные методики дают противоречивые прошозы, чем осложняют принятие решения о выдаче ссуды и, как следствие, приводят к потере части актива банка.

_Таблица 8

Точность моделей множественного дискримирантного анализа и рейтинговых моделей применяемых для классификации клиентов-заемщиков коммерческого банка

№ п.п. Наименование модели Полученная точность модели Погрешность

1 Двуфакторная Альтмана 0,6667 0,333

2 Пятифакторная Альтмана 0,8333 0,166

3 Таффлера 0,7778 0,222

4 Лиса 0,7778 0,222

5 Фумера 0,8333 0,166

6 Федотовой 0,7222 0,278

7 Сайфулина 0,8333 0,166

8 Донцовой-Никифоровой 0,8333 0,166

Средняя точность моделей 0,78

Таким образом, наиболее распространенные методики классификации объектов в рамках проводимого исследования оказываются недостаточно точными и малопригодными для отбраковки неочевидных высоко рисковых клиентов коммерческого банка. Основная причина этого состоит в том, что проблемные клиенты, как правило, работают в различных областях бизнеса, и их сопоставление крайне затруднено из-за различий как микроэкономического, так и макроэкономического плана, которые выше приведенные модели не учитывают.

В заключении сформулированы результаты, выносимые на защиту, а также выводы по диссертации в целом и практические рекомендации.

ОСНОВНЫЕ ВЫВОДЫ

На основе проведенных исследований установлено:

Х улучшить позиции современного коммерческого банка на рынке ссудного капитала можно только на основе существенного увеличения юридических лиц в структуре клиентской базы банка. Для увеличения сегмента юридических лиц в структуре клиентской базы банка необходимо усилить его конкурентные позиции, для чего следует уменьшить премию за риск. В свою очередь, это влечет за собой снижение процентной маржи и прибыли в связи с банковскими ри.сками из-за потери активов, во избежание чего и следует использовать аппарат ИНС для отбраковки высокорисковых и ненадежных заемщиков;

Х для классификации клиентов-заемщиков коммерческого банка иейроегтевое моделирование способно обеспечить более высокий уровень точности (до 90%, таблица 3), по сравнению с наиболее часто используемыми методиками классификации, в частности дискримннантным анализом и рейтинговыми моделями, точность которых в среднем не превышает 78% (таблица 8). Разработанная методика использует адаптивный математический инструментарий и обучается в процессе анализа большего количества кредитных заявок, что позволяет ей настраиваться на макроэкономическую среду, в которой осуществляют свою деятельность потенциальные заемщики, через изменение финансовых индикаторов их внутрихозяйственной деятельности и учитывать изменчивость данной среды, что позволяет получить стабильную точность разработанной методики в динамике.

Сравнение полученных результатов проведенного нейросетевого анализа и фактического результата погашения кредитов и обслуживания дога той же выборкой клиентов банка, позволяет сделать заключение о возможности дальнейшего использования нейросетевого анализа, с учетом комплексной оценки заемщика.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Х Сформулирован набор характеристик, определяющих реальный образ заемщика;

Х Сделан вывод о предпочтительности использования аппарата нейронных сетей для распознавания реального образа заемщика;

Х Сделан вывод об ограниченности области применимости дискриминантного анализа и рейтинговых моделей применительно к заемщикам - юридическим лицам в условиях отсутствия допонительной априорной информации о клиенте банка;

Х Произведена адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах.

Х Разработана методика синтеза образа недобросовестного заемщика с использованием аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона;

СПИСОК РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Кузнецов A.B. Проблема безналичных расчетов населения Повожского региона в связи с развитием торгового эквайринга/Яезисы докладов Всероссийской молодежной научной конференции лVII Королевские чтения. - Т.2. - Самара: СГАУ, 2003. - С. 117-118.

2. Кузнецов A.B. Принятие управленческих решений при оптимизации депозитно-кредитных операций методом согласования платежных потоков//Сборник статей Всероссийской научно-методической конференции Современный российский менеджмент: состояние, проблемы, развитие. - Пенза, 2003. - С. 188-190.

3. Кузнецов A.B., Иванов А.И., Кисляев С.Е. Нейросетевой анализ кредитных рисков//Сборник статей И научно-практической конференции Трансформация социально экономических отношений в современных экономических условиях. - Пенза. 2004. - С. 100-101.

4. Иванов А.И., Кузнецов A.B., Цунина Н.М., Кисляев С.Е., Гелашвили П.А. Электронный паспорт здоровья гражданина РФ (информационная безопасность, экономические аспекты)// Информационные системы безопасности. - Т.5. - Пенза: ФГУВО ПГУ, ПНИЭИ, 2004. - С. 8-9.

5. Кузнецов A.B. Особенности формирования кредитного портфеля коммерческого банка.// Актуальные проблемы экономики межвузовский сборник научных работ, посвященный памяти Александра Ивановича Федосова. - №4. - Том 2. - Самара, 2004. - С. 186-189.

6. Жданов А.И., Кузнецов A.B., Кузнецова O.A. Применение искусственных нейронных сетей для анализа кредитоспособности организации.// Нейроинформатика-2005 Сборник научных трудов. - Часть 2. Москва: МИФИ, 2005. - С.215-220.

7. Кузнецов A.B. Вычислительный эксперимент в экономике и нейронные сети // Обозрение прикладной и промышленной математики. - Том 13. - Вып.З. - Москва, 2006. - С.509.

8. Кузнецов A.B. Особенности применение нейронных сетей для решения задач экономического характера на примере задачи оценки кредитоспособности заемщика Ч юридического лица.// Актуальные проблемы и перспективы менеджмента организаций в России. Сборник статей. - Выпуск 2. - Самара: СГАУ, 2006. - С.41-44.

9. Кузнецов A.B. Методы классификации клиентов коммерческого банка. /7 Труды научно-технической конференции с международным участием Г1ИТ-2006. - ТОМ 2. - Самара,. 2006. -С.34-38.

10. Кузнецов Л.3. Оценка крсдгггоспосо&гостк з&емхцика с помощью езтетем искусственного интелекта. // О научных проблемах, которые предстоит решать молодым. Сборник статей. -Выпуск 2. - Самара: СИУ, 2006. - С.31-38.

Кузнецов Александр Владимирович

ФОРМИРОВАНИЕ ОБРАЗА КЛИЕНТА-ЗАЕМЩИКА КОММЕРЧЕСКОГО БАНКА НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Автореферат

Подписано в печать л3 ноября 2006г. - Печать офсетная, бумага офсетная. Тираж 100 экз.

Отпечатано с готовых оригинал-макетов. ИПО СГАУ,443086, Самара, Московское шоссе, 34

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Кузнецов, Александр Владимирович

ВВЕДЕНИЕ.

ГЛАВА 1. СУЩНОСТЬ БАНКОВСКОГО КРЕДИТНОГО РИСКА И МЕТОДЫ ЕГО ОЦЕНКИ.

1.1. риск как атрибут панковской деятельности.

1.2. Мьтоды компенсации кредитных рисков.

1.3. Анализ проблемных кредитов.

ГЛАВА 2. ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

ДЛЯ РАСПОЗНАВАНИЯ ОБРАЗА КЛИЕНТА БАНКА.

2.1. Понятие образа и обучение распознаванию образов

2.2. Модели искусственных нейронных сетей ii их применение в банковской деятельности.

2.3. Формирование оьраза заемщика - юридическо! о лица аппаратом искусственных нейронных сетей.

ГЛАВА 3. АНАЛИЗ НАИБОЛЕЕ РАСПРОСТРАНЕННЫХ МЕТОДОВ КЛАССИФИКАЦИИ КЛИЕНТОВ КОММЕРЧЕСКОГО БАНКА ДЛЯ СРАВНЕНИЯ С МЕТОДИКОЙ ПОЛУЧЕННОЙ

В РЕЗУЛЬТАТЕ ИССЛЕДОВАНИЯ.

3.1. вероятностно-статистические методы классификации.

3.2. Рейтинговые оценки кредитоспособности.

3.3. дискримииаптиын анализ кредитных заявок.

Диссертация: введение по экономике, на тему "Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей"

Российский банковский бизнес в настоящие время стокнуся целым рядом новых проблем, характерных для страны, которая быстрыми темпами стремится к статусу страны с устойчивой и стабильной экономикой. В связи с переходом экономики РФ к фазе стабильного экономического роста наблюдалось систематическое снижение ставки рефинансирования Центробанка, обусловленное умеренным уровнем инфляции и профицитом бюджета, вызванным ростом мировых цен на энергоносители.

Указанные макроэкономические процессы привели к снижению банковских процентных ставок и к уменьшению процентной маржи коммерческих банков. Последние годы также имела место выраженная тенденция к снижению спрэда. Например, за 2002-2003 годы в Повожском банке Сбербанка РФ ставка размещения снизилась с 18% до 13,8%, процентная маржа -с 7,8%) до 6,2%, а спрэд изменися с 10,2% до 6,5%, и эта тенденция сохранялась в 2004-2005 годах. В результате доходы банков упали, и при существующей доле просроченной и безнадежной задоженности в структуре активов банков (5,9% в 2005г. для ПБ СБ РФ) возникла необходимость в поиске новых для России путей для покрытия расходов, компенсации прямых убытков и извлечения прибыли.

В рамках общепринятых банковских технологий можно предотвратить снижение доходности кредитных операций двумя способами: 1) путем размещения большего количества кредитов; 2) посредством уменьшения кредитных рисков, в первую очередь и как следствие снижение доли невозвра-щенных и просроченных кредитов.

Все вышеперечисленное привело к изменению стратегии кредитной политики коммерческих банков. Началась борьба за улучшение конкурентных позиций на рынке судного капитала. Ряд банков включися в программы догосрочного кредитования, включая лизинг и ипотеку. Началась обвальная выдача потребительских кредитов и массовая раздача пластиковых кредитных карт. Однако на практике выдача потребительских кредитов под залог приобретаемой техники и кредитование с использованием банковских карт оказались весьма рискованными операциями. Кроме того, в силу объективных причин, высоко рисковые операции оказались совершенно неприемлемыми для некоторых банков. В первую очередь, это касается Сбербанка России и Внешторгбанка, поскольку одним из основных акционеров этих банков является государство, и которые практикуют осторожную кредитною стратегию и консервативную кредитную политику.

Отличительной особенностью организации работы Сбербанка РФ является его ориентация на массовое обслуживание гражданского населения России. В результате банк располагает разветвленной филиальной сетью, наличие которой вызвано не экономическими интересами банка, а социальной политикой государства. Эта политика, продиктованная внеэкономическими причинами, приводит к тому, что большие догосрочные пассивы (главным образом, вклады от населения) покрываются за счет краткосрочных активов. Но из теории банковского дела хорошо известно, что такая структура кре-дитно-депозитного портфеля не является оптимальной и существенно снижает эффективность работы банка. Очевидно, что в рамках социально-ориентированной политики Сбербанка остается единственный путь для оптимизации депозитно-кредитного портфеля - увеличение доли юридических лиц в структуре клиентов банка.

Но юридические лица, как правило, нуждаются в значительных по величине заемных средствах, и, следовательно, в случае невозврата такого кредита банк несет большие потери. Компенсировать подобные потери можно двумя способами: 1) повышая премию за риск, увеличивая размер годовой процентной ставки клиенту банка; 2) снижая риск>невозврата кредита, проводя тщательный анализа бизнеса потенциального заемщика.

Первый способ выглядит весьма привлекательно, но приводит к ухудшению конкурентных позиций банка на рынке ссудного капитала.

Второй способ требует больших трудозатрат кредитного отдела, кредитного комитета и службы безопасности банка, что приводит к увеличению среднего срока прохождения заявки, и к снижению текущей ссудной задоженности. Л это, в свою очередь, влечет за собой увеличение доли просроченной задоженности в структуре кредитного портфеля банка.

Единственным способом сокращения срока прохождения заявки без снижения качества работы кредитного отдела является широкое использование средств анализа бизнеса потенциального заемщика с целью определения меры риска невозврата кредита. Наилучшим образом для этих целей подходят нейронные сети, которые используют нечетко-множественные методы и адаптивный математический инструментарий, позволяют распознавать характерные признаки недобросовестного заемщика, и, паралельно, самообучаются в процессе анализа большого количества кредитных заявок.

Все перечисленное выше позволяет сделать вывод об актуальности проблемы формирования образа клиента-заемщика коммерческого банка на основе аппарата нейронных сетей для снижения кредитных рисков.

Состояние изучепиости проблемы. Многочисленные аспекты деятельности коммерческих банков исследованы российскими экономистами. В их число входят такие известные ученые, как чкасов А.И., Гришанов Г.М., Лаврушин О.И., Ковалева Т.М., Новиков A.A., Кошечкин С.А., Човушян Э.О., Сидоров М.А., Протасов В.Ф., Кузьмин И.И., Романов C.B. и др.

Многие особенности функционирования банков описаны в работах зарубежных экономистов. В частности, существенный вклад в теорию банковского дела внесли Синкли Джозеф Ф., Варавен К., Поттер Р., Рид Э., Роуз П. и другие.

Несомненная заслуга в приложении теории нейронных сетей к экономическим и финансовым задачам принадлежит Кохонену Т., Горбато А.Н., Ежову А.Г., Шумскому Т.П. и др. Однако на сегодняшний день отсутствуют работы, посвященные приложению теории нейронных сетей к практическим проблемам банковского бизнеса.

Таким образом, недостаточная изученность данной проблемы, ее актуальность и положительные примеры применения искусственных нейронных сетей в других науках и областях человеческого знания определила цели и задачи настоящего исследования.

Цель и задачи исследования. Целыо диссертационного исследования является решение задачи снижения кредитных рисков посредством разработки методики и инструментов для формирования образа клиента коммерческого банка на основе аппарата искусственных нейронных сетей.

Для достижения этой цели были поставлены следующие задачи:

Х Проанализировать влияние кредитного риска на процентную ставку кредита, характеризующую его доходность.

Х Рассмотреть показатели, характеризующие состояние работы с проблемными и просроченными активами в коммерческом банке.

Х Провести сравнительный анализ различных методов классификации клиентов применительно к банковской деятельности и выявить среди них наиболее эффективный и надежный;

Х Уточнить границы применимости стандартных методов анализа кредитных проектов;

Х Определить перечень параметров, на основе которых формируется образ заемщика;

Х Рассмотреть теорию искусственных нейронных сетей, базирующуюся на основных положениях и практике использования их в решениях задач различных сфер научно-практической деятельности для определения возможности применения искусственных нейронных сетей для достижения целей исследования.

Х Разработать усовершенствованную методику синтеза образа недобросовестного заемщика на основе аппарата нейронных сетей;

Х Создать методику реализации процедуры анализа образа заемщика, позволяющую существенно сократить сроки прохождения заявок на кредит.

Объектом исследования являются кредитные отношения коммерческого банка с хозяйствующими субъектами - юридическими лицами.

Предметом исследования является методы, модели и инструмента обеспечения поддержки процедуры анализа и классификации бизнеса клиентов банка, основанные на использовании аппарата искусственных нейронных сетей.

Методологическая и теоретическая основа диссертационного исследования. В диссертации использованы труды отечественных и зарубежных ученых, законодательные акты, методические и нормативные материалы, касающиеся проблемы устойчивого функционирования банков.

Методы исследования основываются на теории банковского дела, теории вероятностей, математической статистике, теории нейронных сетей.

Научной новизной обладают следующие результаты работы:

Х установлена совокупность параметров, на основе которых формируется образ заемщика, распознаваемый с помощью нейронной сети;

Х выявлена предпочтительность использования аппарата нейронных сетей для классификации групп клиентов коммерческого банка по сравнению с множественным дискриминантным анализом и рейтинговыми моделями;

Х разработана методика синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона;

Х произведена адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах;

Х установлены границы применимости традиционных методов анализа кредитных проектов с контрагентами - юридическими лицами;

Х введены в практику понятия лобраз, лобучение и ладаптация применительно к задачам распознавания образа заемщика коммерческого банка с помощью аппарата нейронных сетей.

Практическая значимость исследования заключается в ориентации на широкое использование разработанной методики и агоритма в коммерческих банках. Методика распознавания образа заемщика позволяет существенно снизить кредитные риски без ухудшения конкурентных позиций коммерческого банка на рынке ссудного капитала.

Апробация результатов исследования. Основные теоретические и практические положения работы докладывались автором на II научно-практической конференции Трансформация социально-экономических отношений в современных условиях, Пенза-2004, на VII Всероссийской научно-технической конференции Нейроинформатика-2005, Москва, МИФИ-2005, Седьмом Всероссийском симпозиуме по прикладной и промышленной математике (Кисловодск, 2006) и на XII межвузовской научно-практической конференции студентов и аспирантов, (Самара, СИУ, 2006).

Публикации. Основные положения диссертации отражены в 10 опубликованных работах, общим объемом 2,4 п.л.

Объем и структура диссертации. Структура диссертации, ее логика соответствуют цели исследования. Диссертационная работа включает в себя введение, три главы, заключение и список использованных источников, включающий 157 наименований. Диссертация изложена на 161 странице машинописного текста, содержит 24 рисунка, 19 таблиц и 1 приложение с исходными данными исследования.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Кузнецов, Александр Владимирович

Выводы по третьей главе:

Общая постановка задачи классификации клиентов банка в условиях отсутствия обучающих выборок (т.е. задачи автоматической классификации) состоит в требовании разбиения этой совокупности на заранее известное однородных в определенном смысле классов (заемщик: а)добросовестный; б)недобросовестный; в)сомнительный). При этом априорные сведения об анализируемых классах могут давать основания для того, чтобы интерпретировать каждый класс как параметрически заданную одномодальную генеральную совокупность. Тогда для построения правила классификации может быть использована рейтинговая модель или множественный дискриминант-ный анализ. В обоих случаях исходная статистическая информация (наблюдения, подлежащие классификации) представлены матрицами вида лобъект-свойство.

Решить задачу классификации (в выборочном варианте) - это значит по имеющейся выборке классифицируемых наблюдений, извлеченной из генеральной совокупности, являющейся смесью генеральных одномодальных совокупностей известного параметрического вида, построить статистические оценки для удельных весов компонетов модели и параметров, их определяющих.

Базовая идея, лежащая в основе принятия решения, к какой из 3 анализируемых генеральных совокупностей следует отнести классифицируемое наблюдение, является одной и той же, как для модели дискриминантного анализа (классификация при наличии обучения), так для рейтинговой модели. Однако главное отличие схемы параметрического МДА от рейтинговой модели - в способе оценивания параметров, от которых зависят функции, описывающие классы.

Выбор метрики (или меры близости) между объектами, каждый из которых представлен значениями характеризующего его многомерного признака, является узловым моментом исследования, от которого решающим образом зависит окончательный вариант разбиения объектов на классы при любом используемом для этого агоритме разбиения. В каждой конкретной задаче этот выбор дожен производиться по-своему, в зависимости от главных целей исследования и статистической природы анализируемого многомерного признака, априорных сведений о его вероятностной природе и т.д.

Важное место в построении классификационных процедур занимает проблема выбора способа вычисления расстояния между подмножествами объектов. Полезное обобщение большинства используемых в статистической практике вариантов выделения расстояний между двумя группами объектов дает расстояние, подсчитываемое как обобщенное степенное среднее всевозможных попарных расстояний между представителями рассматриваемых двух групп. Но даже при самом лучшем варианте ДА анализа или рейтинговых моделей вероятность неправильной классификации составляет не менее 15%, что неприемлемо для коммерческого банка.

Нейросетевое моделирование способно обеспечить более высокий уровень точности (до 90%), по сравнению с дискриминантным и кластерным анализами, средняя точность которых не превышает 80% таблица 19.

Заключение

Окружающая среда банковского менеджмента отличается достаточно высокой подвижностью. Динамичны и рыночны ее условия и параметры. Для рыночной экономики вообще характерна определенная нестабильность, порождаемая конкурентной средой, неустойчивыми потребительскими предпочтениями, циклическими перестройками продуктовых рядов и другими факторами. Все это проявляется в сфере кредитного предпринимательства в виде многочисленных и разнообразных рисков, прямо или косвенно влияющих на функциональность и устойчивость кредитных организаций. Основной финансовый риск банка - это кредитный риск. При выдаче кредита основной опасностью является то, что заемщик может несвоевременно возвратить кредит или возвратить его не в поном объеме, или вообще вернуть. Кредитный риск связан также с процентным и ликвидным рисками. Это объясняется тем, что кризис ликвидности или угроза неплатежеспособности банка не возникают неожиданно, а причиной их бывает чрезмерно высокий кредитный риск, проявляющийся в непогашении больших сумм кредитов. Кредитный риск влияет и на процентную ставку кредита, характеризующую его доходность. Когда кредитный риск небольшой, банку удается скомпенсировать потери. Таким образом, сильная зависимость процентной ставки кредита от величины риска вынуждает банки уделять большое внимание ее определению для каждого заемщика и для каждого кредитного договора. При существенном риске невозврата премия за риск банку оказывается настолько большой, что заемщик откажется от кредита. Поэтому необходимо снижать риски и вести работу по уменьшению удельного веса просроченной ссудной задоженности, характеризующий состояние вопроса с проблемными и просроченными активами. Этот финансово-экономический индикатор выступает одним из центральных при анализе результатов реализации кредитно-инвестиционной стратегии банка вообще и кредитования реального сектора экономики. Удельный вес просроченной ссудной задоженности может быть традиционно снижен различными путями за счет: 1) возврата догов; 2) увеличения объемов кредитования; 3) аннулирования (списания) догов, признанных безнадежными к взысканию. Суть данной задачи состоит в том, что лицо, осуществляющее планирование, дожно не только качественно оценить эти пути, но и охарактеризовать их количественно. Эффективным уменьшением удельного веса просроченной ссудной задоженности может быть путь увеличения объема кредитования за счет сокращения сроков прохождения заявки через кредитный комитет при одновременном снижении вероятности невозврата за счет отбраковки высоко рисковых клиентов банка. В связи с этим возникает задача классификации клиентов банка.

В настоящее время разработано множество методов классификации объектов на основе векторных совокупностей количественных показателей. Поэтому для решения поставленной задачи следует произвести анализ различных подходов, и выбрать адекватный математический аппарат.

Общая постановка задачи классификации клиентов банка в условиях отсутствия обучающих выборок (т.е. задачи автоматической классификации) состоит в требовании разбиения этой совокупности на заранее известное однородных в определенном смысле классов (заемщик: а)добросовестный; б)недобросовестный; в)сомнительный). При этом априорные сведения об анализируемых классах могут давать основания для того, чтобы интерпретировать каждый класс как параметрически заданную одномодальную генеральную совокупность. Тогда для построения правила классификации может быть использована рейтинговая модель или множественный дискриминант-ный анализ. В обоих случаях исходная статистическая информация (наблюдения, подлежащие классификации) представлены матрицами вида лобъект-свойство. Базовая идея, лежащая в основе принятия решения, к какой из 3 анализируемых генеральных совокупностей следует отнести классифицируемое наблюдение, является одной и той же, как для модели дискриминант-ного анализа (классификация при наличии обучения), так для рейтинговой модели. Однако главное отличие схемы параметрического МДА от рейтинговой модели - в способе оценивания параметров, от которых зависят функции, описывающие классы.

При анализе кредитоспособности выборки предприятий восьмью различными моделями множественного дискриминантного анализа выявлена что средняя точность моделей для Российских предприятий не превышает 80%, а точность одной из лучших отечественных рейтинговых моделей (Донцовой-Никифоровой) не превышает 85%, что неприемлемо для коммерческого банка. Па основании вышесказанного можно сделать вывод о том, что не существует идеальных систем финансовых коэффициентов и моделей анализа. Все они дают большую или меньшую вероятность ошибки прогноза. Даже для одного и того же заемщика - юридического лица различные методики дают противоречивые прогнозы, чем осложняют принятие решения о выдаче ссуды и как следствие приводят к потере части активов банка.

Отсюда вытекает задача создания более совершенных методов классификации клиентов коммерческого банка. Решением данной проблемы может быть применение новых методов экономико-математического моделирования -аппарата искусственных нейронных сетей.

Для того, чтобы ИНС могла выявить потенциально непригодных заемщиков, надо создать образ высокорискового клиента банка, и обучить ИНС распознавать его, постоянно адаптируясь к внешним условиям.

Для того чтобы применение нейросетевой модели было оправдано, необходимо: 1) чтобы задача обладала следующими признаками: отсутствовал агоритм ее решения или были бы не известны принципы ее решения, но при этом имелось достаточное количество примеров; 2) проблема изначально характеризуется наличием больших объемов входной информации; 3) данные непоны или избыточны, зашумлены, или частично противоречивы. Именно этим критериям удовлетворяет задача классификации клиентов банка. Методика применения искусственных нейронных сетей в задачах оценки кредитоспособности заемщика базируется на основных положениях и практике использования искусственных нейронных сетей в решениях задач различных сфер научно-практической деятельности и предусматривает шесть этапов решения данной финансово-экономической задачи. Таким образом, банкротства можно уверенно, с очень высокой точностью, предсказывать за период от одного года до нескольких лет, до их фактического наступления. Точность предсказания за два года практически не отличается от точности предсказания за год (т.е. неявные признаки неблагополучия присутствуют в финансовой отчетности фирмы задого до ее краха и нейронные сети позволяют ее почувствовать). Данную задачу впоне успешно способны решать многослойные нейронные сети (перцептроны). Использование же самоорганизующихся карт (СОК) Кохонена позволяет решать задачу оптимального сжатия информации о финансовом состоянии фирмы, т.е. отобразить некоторое количество информации минимальным числом параметров при заданном уровне огрубления. Точнее минимизировать потери информации при заданном числе обобщенных координат.

Экспертная система, построенная на основе искусственных нейронных сетей, обобщая предыдущий опыт выдачи кредитов банком, может позволить принимать эффективные решения, базирующиеся на точной объективной и оперативной оценке. Таким образом, комплекс финансовых коэффициентов моделей (Алътмана и др.), при использовании в нейрокомпыотинге оценки кредитоспособности заемщика позволяют получить достаточно надежное заключение, о юридическом лице, клиенте кредитного отдела банка. Нейросетевое моделирование способно обеспечить более высокий уровень точности до 90%, по сравнению с дискриминантным анализом и рейтинговыми моделями, средняя точность которых не превышает 80%.

В результате сравнения различных способов классификации клиентов банка было установлено, что в современных условиях в РФ наилучшим образом для этого подходят искусственные нейронные сети. Использование нейросетевого анализа позволяет сущеественно повысить надежность распознавания образа недобросовестного заемщика, и, таким образом, снизить кредитные риски коммерческого банка при работе с заемщиками - юридическими лицами.

На основе проведенных исследований установлено, что улучшить позиции современного коммерческого банка на рынке ссудного капитала можно только на основе существенного увеличения юридических лиц в структуре клиентской базы банка. Для увеличения сегмента юридических лиц в структуре клиентской базы банка необходимо усилить его конкурентные позиции, для чего следует уменьшить премию за риск. В свою очередь, это влечет за собой увеличение потери активов в связи с банковскими рисками, во избежание чего и следует использовать аппарат ИНС для отбраковки высокорисковых и ненадежных заемщиков.

На защиту выносятся следующие основные результаты:

Х Сформулированный набор характеристик, определяющих реальный образ заемщика;

Х Вывод о предпочтительности использования аппарата нейронных сетей для распознавания реального образа заемщика;

Х Вывод об ограниченности области применимости дискриминантного анализа и рейтинговых моделей применительно к заемщикам - юридическим лицам в условиях отсутствия допонительной априорной информации о клиенте банка;

Х Методика синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона;

Х Произведенная адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах.

Диссертация: библиография по экономике, кандидат экономических наук , Кузнецов, Александр Владимирович, Самара

1. Абчук В.А. Предприимчивость и риск. СПб: ИПК РП, 1994.

2. Аверин А.Н. и др. Нечеткие множества в моделях управления и искусственного интелекта. Под ред. Д.А.Постелова. М.: Наука, 1986.

3. Актуальные проблемы финансов и банковского дела: Сборник научных трудов/ Под ред. А.И. Михайлушкина, H.A. Савинской. СПб., 2001. -Вып.4- 583 с.

4. Апатова Э.С. Банковское кредитование предпринимательской деятельности в трансформационной экономике. Казань: Таглимат, 2001. - 143 с.

5. Альгин А.П. Грани экономического риска. М: Знание, 1991.

6. Арутюнян А. Б. Опыт применения моделей Фумера и Спрингейта в оценке венгерских предприятий сельского хозяйства и пищевой промышленности// Корпоративный менеджмент.

7. Асанов A.A., Борисенков П.В., Ларичев О.И. и др. Метод многокритериальной классификации цикла и его применение для анализа кредитного риска// Экономика и мат. методы. М., 2001. - Т.37, вып.2. - С. 14-21.

8. Айвазян С. А., Бухштабер В.М., Енюков И.С., Мешакин Д.Д. Прикладная статистика. Классификация и снижение размерности. Ч М.: Финансы и статистика, 1989.

9. Айвазян С.А., Мхитарян B.C., Прикладная статистика и основы эконометрики. М., ЮНИТИ, 1998, 1022 с.

10. Банковское дело: Учебник/Под ред. О.И. Лавру шина. М.:1998

11. Банковское дело: стратегическое руководство. Ч М.: Издательство АО Консатбанкир, 1998. Ч 432 с.

12. Банки и банковское дело / Под ред. И. Т. Балабонова. Ч СПб.: Питер, 2001. Ч 304 с. (Серия Учебники для вузов).

13. Базовые принципы эффективного надзора за банковской деятельностью. Консультативное письмо Базельского комитета по банковскому надзору: Сборник документов и материалов, М., 1997.

14. Балабанов И. Т. Риск-менеджмент. М.: ФиС, 1996.

15. Белых Л.П. Устойчивость коммерческих банков. М.: ЮНИТИ,1996.

16. Беляков A.B. Банковские риски: проблемы учета, управления и регулирования. М.: БДП-Прёсс, 2003.

17. Бор М.З., Пятенко В.В. Менеджмент банков: организация, стратегия, планирование. М.: ДИС, 1997.

18. Боровков A.A. Математическая статистика. Новосибирск: Наука, 1997.

19. Боровков A.A. Теория вероятностей. М.: УРСС, 2003.

20. Бочаров П.П., Печинкин A.B. Теория вероятностей и математическая статистика. М.: Гардарика, 1998.

21. Брычкин A.B. Оценка кредитоспособности контрагентов и создание резервов под возможные потери по дебиторской задоженности на предприятии// Финансы и кредит.-2003. -№1.-С.З-21.

22. Вагапова Д.З. Сорокина М.Г. Кредитные риски и методы их компенсации при реализации депозитно-кредитных операций. Рыночная экономика: состояние, проблемы, перспективы. Сб. науч. Тр. Выпуск 3.- Самара: НПО СГАУ. 199-683 с.

23. Вагапова Д.З., Гречников Ф.В. Проблемы финансово-экономического анализа и оценки деятельности коммерческих банков. Материалы регион. Науч.-пр. конф. Социально-экономическое развитие Самарской области. Самара: СамВен. 1996. С. 100-102.

24. Вагапова, Д.З. Совершенствование организации депозитно-кредитных операций с учетом банковских рисков Автореф. дис. .к.э.н. Саранск, 1999. 22 с.

25. Вагин В.Н. Дедукция и общение в системах принятия решений. М.: Наука, 1988,384 с.

26. Варьяш И.О. Банковская социология. Экспертные оценки в банковском деле. СПб.: Альфа, 1999.

27. Василишен Э.Н., Маршавина Л.Я. Механизм регулирования деятельности коммерческих банков России на макро- и микроуровне. М.: Экономика, 1999.

28. Витлинский В.В., Наконечный С.И. Риск в менеджменте. Киев: TOB Бо-ричфен-М, 1996.

29. Вишняков И.В. Методы и модели оценки кредитоспособности заемщиков. СПб: Изд-во СПбГИЭА, 1998.

30. Гамза В.А. Рисковый сектор коммерческих организаций. М.: Экономика, 2002.

31. Герасимов Б.И., Лаута Ю.С., Герасимова Е.Б. Качество методов оценки кредитоспособности заемщика коммерческого банка. Тамбов: Из-во ТГТУ, 2001.- 127с.

32. Герасимов Б.И., Филатьева О.И., Герасимова Е.Б. Качество финансово-кредитной деятельности коммерческого банка. Тамбов: Изд-во ТГТУ, 2001. -99с.

33. Герман О.В. Введение в теорию экспертных систем и обработку знаний. Мн.: ДизайнПРО, 1995,255 с.

34. Грабовый П.Г., Петрова С.Н., Романова К.Г. Риски в современном бизнесе. М: Алане, 1994.

35. Гранатуров В.М. Экономический риск: сущность, методы измерения, пути снижения. М.: ДиС, 2002.

36. Гришанов Г.М., Лотин В.В., Сорокина М.Г. Балансовые модели депозит-но-кредитных операций коммерческого банка. Учебное пособие. Самара: СГАУ. 1995. - 84 с.

37. Гришанов Г.М., Лотин В.В., Чумак В.Г. Модели и агоритмы выбора коммерческим банком оптимальных оперативных стратегий на депозитном рынке. Учебное пособие. Самара: СГАУ. 1995. - 124 с.

38. Гришкин С.Г., Мусаева P.A. Харисов К.Г. Некоторые вопросы оценки кредитного портфеля банка// Деньги и кредит. 2002. - №1. - С.36-40.

39. ГрюнингХ. ван, Брайович Братанович С. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском. М: Весь Мир, 2003.

40. Грязнова А.Г. Реструктурирование кредитных организаций в зарубежных странах. М.: ФиС, 2000.

41. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт /Пер. с англ. М.: Издательский дом л Альпина, 2001.230 с.

42. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

43. Джонстон Дж. Эконометрические методы. М.: Статистика, 1980.

44. Дихтяр В.И. Банковские услуги предприятию. Базовые операции: Учебное пособие. М.: РУДН, 2001. - 111 с.

45. Долан Э., Кэмпбел К.Д., Кэмпбел Р.Дж. Деньги, банковское дело и денежно-кредитная политика / пер. с англ. M-JI: JIO СП "Автокомп". - 1991-446с.

46. Донцова JI.B., Никифорова H.A. Комплексный анализ бухгатерской отчётности -М.: "Дело и Сервис", 1999.

47. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973.

48. Дуплякин В.М., Дуплякин Д.В. Агоритмизация бальной оценки финансовой устойчивости. Сборник статей 2-ой Всероссийской научно-практической конференции Актуальные проблемы и перспективы менеджмента организаций в России. Самара 2006.

49. Егоров C.B. О концептуальных основах развития банковской системы России//Финансист, 2000, №8, с. 8-10.

50. Едронова В.Н., Хасянова С,Ю. Модели анализа кредитоспособности заемщика// Финансы и кредит.-2002. №6,-С.9-15.

51. Едронова В.Н., Хасянова С.Ю. Зарубежные и отечественные подходы к определению кредитоспособности заемщика// Финансы и кредит. 2002. -№10. - С.3-8.

52. Едронова В.Н., Хасянова С.Ю. Классификация банковских кредитов и методов кредитования// Финансы и кредит. 2002. - №1. - С.2-5.

53. Едронова В.Н., Хасянова С.Ю. Принципы системной методологии оценки показателей для определения кредитоспособности заемщика// Финансы и кредит. 2002. -№11.- С.2-9.

54. Едронова В.Н., Хасянова С.Ю. Современная стратегия и тактика российских коммерческих банков в области кредитования// Финансы и кредит. -2002.-№3. -С.3-10.

55. Ежов A.A., Шумский С.А., Искусственные нейронные сети в экономике и бизнесе./М.:, 1998.-222 с.

56. Жаманов А.Б. Об этапах развития и реформе банковской системы в России (к истории и теории вопроса)//Бухгатерия и банки, 2001, № 11, с.2-4.

57. Жданов А.И., Кузнецов A.B., Кузнецова O.A. Применение искусственных нейронных сетей для анализа кредитоспособности организации/VII Всероссийская научно-техническая конференция Нейроинформатика-2005 26-28 января 2005 г. г. Москва, МИФИ

58. Закс J1. Статистическое оценивание. М.: Статистика, 1976.

59. Захаров B.C. О путях развития банковской системы России// Деньги и кредит, 2000, №10, с. 3-7.

60. Змитрович А.И. Интелектуальные информационные системы. Минск: ТетраСистемс, 1997, 367с.

61. Зубанов Н.В., Пестриков C.B., Быков В.М., Математическая модель выбора оптимальной стратегии кредитования кредитных проектов в регионе. Материалы Всероссийской межвузовской научной конференции: Наука, Бизнес, Образование' 99, Самара, 1999.

62. Ивасенко А.Г. Банковские риски. М.: Вузовская книга, 1998.

63. Инструкция Банка России № 62-а от 30 июня 1997 г. "О порядке формирования и использования резерва на возможные потери по ссудам".

64. Инструкция Банка России № 1 от 01 октября 1997 г. " О порядке регулирования деятельности кредитных организаций".

65. Инструкция Банка России № 17 от 01 октября 1997 г. " О составлении финансовой отчётности".

66. Искусственный интелект. -В 3-х кн. Справочное издание. Под ред. Д.А. Постелова. М.: Радио и связь, 1990.

67. Кабушкин С.Н. Управление банковским кредитным риском./ М.: Новое знание, 2004.-306 с.

68. Кади Дж. Количественные методы в экономике. М.: Прогресс, 1977.

69. Кадыров Л.Н. Методика определения категории риска заемщика для управления уровнем риска кредитного портфеля банка// Финансы и кредит. -2002. №7. - С.46-51.

70. Калан Р., Основные концепции нейронных сетей./Пер. с англ. М.: Издательский дом Вильяме, 2001. - 288 с.

71. Камионский С.А. Менеджмент в российском банке. Опыт системного анализа и управления. М.: ИНФРА-М, 2003.

72. Клейнер Г.Б. Предприятия в нестабильной экономической среде: риски, стратегии, безопасность. М: Экономика, 1997.

73. Ковалев В.В. Введение в финансовый менеджмент. М: Финансы и статистика, 1999.

74. Кокс Д., Снел Э. Прикладная статистика. М.: Мир, 1984.

75. Колесников В. И., Криволецкая JI. П. Банковское дело: Финансы и статистика, 2000,464 с.

76. Коновалова Ю.В. Шевченко И.В. Новый механизм банковского кредитования реального сектора экономики// Финансы и кредит. 2002. - №10. -С.9-14.

77. Кофман А., Алуха X. Хил. Введение теории нечетких множеств в управление предприятием. Мн.: Выш.шк., 1992, 223с.

78. Кузьмин И.И., Романов С.В. Риск и безопасность с точки зрения системной динамики.//Радиационная безопасность и защита АЭС. М: Энергоатом-издат, 1991.

79. Кузнецов A.B. Особенности формирования кредитного портфеля коммерческого банка./Межвузовский сборник научных работ №4 посвященный памяти Александра Ивановича Федосеева, Том 2, Специальный выпуск: Актуальные проблемы экономики. Самара, 2004. с. 186-189.

80. Кузнецов A.B. Оценка кредитоспособности заемщика с помощью систем искусственного интелекта. Материалы XII межвузовской научно-практической конференции студентов и аспирантов, Самара, СИУ, 2006.

81. Купчинский В.А. и др. Система управления ресурсами банков. М.: Экзамен, 2000.

82. Куштуев A.A. Использование показателей финансовой устойчивости при анализе кредитоспособности клиентов банка//Деньги и кредит. 1998. -№1. -С.30-34.

83. Ларичев В.Д. Злоупотребления в сфере банковского кредитования. Методика их предупреждения. М.: ЮрИнфоР, 1997.

84. Лорьер Ж.-Л. Системы искусственного интелекта. М.: Мир, 1991, 568с.

85. Медведев H.H. Сергин A.M. О кредитной деятельности банков// Деньги и кредит. 2001. - №7. - С.57-59.

86. Меньшиков И.С. и др. Рыночные риски: модели и методы. М.: ВЦРАН, 2000.

87. Минский М.Л., Пайперт С. Персептроны. М.: Мир, 1971.

88. Москвин В.А. Кредитование кредитных проектов: рекомендации для предприятий и коммерческих банков. М.: Финансы и статистика, 2001. -238с., схем.

89. Найт Ф.Х. Риск, неопределенность и прибыль. М: Дело, 2003.

90. Никитина Т.В. Банковский менеджмент. СПб.: Питер, 2001.

91. Нитецкий В.В., Гаврилов A.A. Финансовый анализ в аудите. М.: "Дело", 2002.

92. Нейронные сети для обработки информации/ Пер. с польск. И.Д. Рудин-ского. М.: Финансы и статистика, 2004. - 344 с.

93. Нечеткие множества в моделях управления и искусственного интелекта. Под ред. Поспелова Д.А. М.: Наука, 1986,312 с.

94. Нильсон H. Принципы искусственного интелекта. М.: Радио и связь, 1985,373с.

95. Огарков C.B., Модели оценки кредитоспособности заемщиков, Всероссийская молодежная научная конференция лVII Королевские чтения, том II, Самара 2003

96. Олыианый А.И. Банковское кредитование: российский и зарубежный опыт. М.: Русская деловая литература, 1998.

97. ЮЮсновы банковской деятельности (банковское дело) / Под ред.К.Р. Тагирбе-кова. М.: ИНФРА-М, 2001

98. Панова Г.С. Кредитная политика коммерческого банка. М.: ДИС, 1997. ЮЗ.Первозванский А.Н. Финансовый рынок: расчет и риск. М: ИНФРА-М, 1994.

99. Пещанская И.В. Краткосрочный кредит: теория и практика/М.: Издательство Экзамен, 2003. 320 с.

100. Положение Банка России № 9-П, 1997 О порядке формирования и использования резервного фонда кредитной организации..

101. Прикладные нечеткие системы. Под ред. Т. Тэрано, К.Асаи, М. Су-тэно. М.: Мир, 1993,368с.

102. Раушенбах Г.В. Проблемы измерения близости в задачах анализа данных (сборник Программно-агоритмическое обеспечение анализа данных в медико-биологических исследованиях. М.: Наука, 1987, с. 41-54).

103. Рэдхэд К., Хыос С. Управление финансовыми рисками. М.: ИНФРА-М, 1998.

104. Роуз Питер С. Банковский менеджмент: предоставление финансовых услуг/ Пер. с англ. М.: Дело, 1997. - 768 с.

105. Сигел Э.Ф. Практическая бизнес-статистика. М: Вильяме, 2002.

106. Севрук М.А. Банковские риски. М.: Дело, 1995.

107. Севрук М.А. Риски финансового сектора РФ. М.: Финстатпром, 2001.

108. Селезнева H.H., Ионова А.Ф. Финансовый анализ/М.: Юнити, 2002. 479 с.

109. Синкли Джозеф Ф. Управление финансами в коммерческих банках/ Пер. с англ. М.: Catalloxy, 1994, -820 с.

110. Соколинская Н.Э. Экономический риск в деятельности коммерческого банка (методы оценки и практика регулирования). М.: Знание, 1991.

111. Сотник C.JI. Конспект лекций по курсу "основы проектирования систем искусственного интелекта", 1997-1998.

112. Стоянова Е.С. Финансовый менеджмент: теория и практика. М.: Перспектива. 1997, 574с.

113. Тей А. и др. Логический подход к искусственному интелекту: от классической логики к логическому программированию. М.: Мир, 1990, 240с.

114. Тэпман JI.H. Риски в экономике./Под ред. Проф. В.А. Швандера. М.: ЮНИТИ-ДАНА, 2003. - 380 с.

115. Уосерман Ф, Нейрокомпыотерная техника. Теория и практика. М.: Мир, 1992, 237 с.

116. Уткин Э.А. Стратегический менеджмент: способы выживания российских банков. М.: ФЭП, 1996.

117. Уткин Э.А. Риск-менеджмент. М.: ЭКСМО, 1998.

118. Хорн Д.К. Основы управления финансами. М: Финансы и статистика, 1996, 800 с.

119. Хохлов Н.В. Управление риском. М.: ЮНИТИ; 1999.

120. Чистяков В.П. Курс теории вероятностей. М.: Агар, 2000.

121. Човушян Э.О., Сидоров М.А. Управление риском и устойчивое развитие. М.: Издательство РЭА имени Г.В. Плеханова, 1999.- 528 с.

122. Шапкин A.C. Экономические и финансовые риски. Оценка, управление, портфель инвестиций. 2-е изд. -/ М.: Издательско-торговая корпорация Дашков и К, 2003-544 с.

123. Шведов А.С. Теория вероятностей и математическая статистика. 2-е изд. -/ М.: Издательский дом ГУ ВШЭ 2005 -253 с.

124. Шеремет А.Д., Сайфулин Р.С. Методика финансового анализа. М: Ин-фра-М. 1996, 172 с.

125. Экономический анализ в торговле. Под ред. Баканова М.И. М: Финансы и статистика, 2004,397с.

126. Эти Дж., Кумбе М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987, 192с.

127. Andersson, М. R., and Sandholm, Т. W. (2001). Leveled commitment contracts with myopic and strategic agents. Journal of Economic Dynamics and Control 25,615-640.

128. Arifovic, J. (1994). Genetic algorithm learning and the cobweb model. Journal of Economic dynamics and Control 18, 3-28.

129. Arifovic, J. (1996). The behavior of the exchange rate in the genetic algorithm and experimental economics. Journal of Political Economy 104,510-541.

130. Arifovic, J., and Eaton, C. (1995). Coordination via genetic learning. Computational Economics 8,181-203.

131. Chan, N. Т., LeBaron, В., Lo, A., and Poggio, T. (1999). Agent-based models of financial markets: A comparison with experimental markets. MIT Artificial Markets Project, Paper No. 124, September.

132. Dawid, H. (1999). Adaptive learning by genetic algorithms: Analytical results and applications to economic models, Revised Second Edition, Berlin: Springer-Verlag.

133. Fanner, J. D., and Lo, A. W. (1999). Frontiers of finance: Evolution and efficient markets. Proceedings of the National Academy of Sciences 96, 9991-9992.

134. Gilbert, N., and Banks, S. (2002). Platforms and methods for agent-basedmodeling. Proceedings of the National Academy of Sciences U.S.A., Volume 99, Supplement 3,7197-7198.

135. Hommes, C. H. (2001). Modeling the stylized facts in finance through simple nonlinear adaptive systems. Proceedings of the National Academy of Sciences U.S.A., Volume 99, Supplement 3, to appear.

136. Kandori, M., Mailath, G., and Rob, R. (1993). Learning, mutation, and long-run equilibria in games. Econometrica 61,29-56.

137. Kirman, A., and Vriend, N. J. (2001). Evolving market structure: An ACE model of price dispersion and loyalty. Journal of Economic Dynamics and Control 25,459-502.

138. Koza, John R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, MA: The MIT Press, 26

139. LeBaron, B. (2000). Agent-based computational finance: Suggested readings and early research. Journal of Economic Dynamics and Control 24, 679-702.

140. Marimon, R., McGrattan, E., and Sargent, T. J. (1990). Money as a medium of exchange in an economy with artificially intelligent agents. Journal of Economic Dynamics and Control 14,329-373.

141. Picton, P. (2001). Neural Networks. New York: St. Martin's Press.

142. Pryor, R. J., Basu, N., and Quint, T. (1996). Development of Aspen: A mi-croanalytic simulation model of the U.S. Economy. Working Paper SAND96-0434, Sandia National Laboratories, Albuquerque, NM.

143. Rauch, J. E., and Casella, A. (2001). Networks and Markets. New York, NY: Russell Sage Foundation.

144. Terna, P. (2000), Economic experiments with Swarm: A neural network approach to the self-development of consistency in agents' behavior. In F. Luna and

145. B. Stefansson (eds.), Economic simulations in Swarm: Agent-based learning and object oriented programming. Dordrecht: Kluwer Academic Publishers.

146. Tesfatsion, L. (2001a). Structure, behavior, and market power in an evolutionary labor market with adaptive search. Journal of Economic Dynamics and Control 25,419-457.

147. Tesfatsion, L. (200Id). Guest Editor, Special Issue on the Agent-Based Modeling of Evolutionary Economic Systems, IEEE Transactions on Evolutionary Computation, Vol. 5, No. 5, October.

148. Tesfatsion, L. (2002). Agent-Based Computational Economics: Growing Economies from the Bottom Up, Artificial Life, Vol. 8, No. 1,55-82.

149. Wilhite, A. (2001). Bilateral trade and 'small-world' networks. Computational Economics 18,49-64.

150. Williamson, O. E., and Masten, S. E., eds., (1999). The economics of transaction costs. Northhampton, MA: Edward Elgar Publishing.

151. Расшифровка финансовых коэффициентов приведенных в Приложении №1

152. Ъх=-0,3877- 1,0736кй + 0,579Щ

153. М коэффициент текущей ликвидности;и\УБ удельный вес заемных средств в пассивах;

154. Т. прибыль от реализации / краткосрочные обязательства;

155. Т2 оборотные активы / сумма обязательств;

156. Т3 краткосрочные обязательства / сумма активов;

157. Т4 выручка / сумма активов.

158. Ъь = 0,063Х, + 0,092Хг + 0,057Х3 + 0,001X4 I! оборотный капитал / сумма активов;12 прибыль от реализации / сумма активов;13 нераспределенная прибыль / сумма активов;14 собственный капитал / заемный капитал.

Похожие диссертации

• Оценка кредитоспособности заемщика в процессе управления кредитным риском
• Оценка банками кредитоспособности юридических лиц в условиях развития нейросетевых экспертных систем
• Формирование системы финансового мониторинга в кредитных организациях
• Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей
• Формирование информационной инфраструктуры рынка ценных бумаг