Темы диссертаций по экономике » Математические и инструментальные методы экономики

Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей тема диссертации по экономике, полный текст автореферата



Автореферат



Ученая степень кандидат экономических наук
Автор Селянин, Владимир Евгеньевич
Место защиты Вогоград
Год 2007
Шифр ВАК РФ 08.00.13
Диссертация

Автореферат диссертации по теме "Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей"

На правах рукописи

Селянин Владимир Евгеньевич

РАЗРАБОТКА МОДЕЛЕЙ И ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ АНАЛИЗА КРЕДИТНОГО РИСКА НА ОСНОВЕ ТЕХНОЛОГИИ НЕЧЁТКИХ НЕЙРОННЫХ СЕТЕЙ

08 00 13 - Математические и инструментальные методы экономики

Автореферат диссертации на соискание ученой степени кандидата экономических наук

Вогоград - 2007

003070984

Работа выпонена в Вогоградском государственном техническом университете

Научный руководитель

доктор технических наук, профессор Андрейчиков Александр Валентинович доктор технических наук, профессор Рогачев Алексей Фруминович кандидат экономических наук, доцент Макарова Елена Анатольевна Саратовский государственный социально-экономический университет

Официальные оппоненты

Ведущая организация

Защита состоится "26" мая 2007 г в 9 00 на заседании диссертационного совета КМ 212 028 03 при Вогоградском государственном техническом университете по адресу 400131, г Вогоград, проспект Ленина, 28, ауд 209

С диссертацией можно ознакомиться в библиотеке Вогоградского государственного технического университета

Автореферат разослан "25" апреля 2007 г

Ученый секретарь

диссертационного совета

ПопковаЕ Г

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ. Актуальность темы диссертационного исследования. Банковская деятельность по своей сути является чрезвычайно рисковой, но грамотное управление рисками помогает банкам получать прибыль При этом важно понимать, что рискованность банковского бизнеса является объективным фактором, который не может быть поностью устранён в процессе совершенствования банковских технологий

Между тем, сегодня, по мере усложнения банковских продуктов, использования систем хранения и обработки данных, а также вовлечения российских банков в международную банковскую систему, происходит постоянное увеличение разновидностей рисков Например, в связи с улучшением характеристик компьютерной техники, появились новые разновидности операционного риска Следовательно, единственно правильное решение для уменьшения уровня банковских рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки рисков

В своей деятельности банки регулярно выявляют значимые риски и постоянно проводят их оценку К наиболее значимым рискам относят кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации Согласно проведенному в конце 2005 года Банком России анкетированию крупнейших банков основное место по уровню значимости среди всех банковских рисков занял кредитный риск или риск неплатежа по ссуде, в процессе взаимодействия банка и клиента Этот факт можно объяснить тем, что кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций Непогашение кредитов, особенно крупных, может привести банк к банкротству, а иногда, из-за его положения в банковском секторе и к системного кризису банковской системы, с возможными банкротствами, связанными с ним предприятиями, банками и частными лицами Таким образом, управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка

Необходимость идентификации и измерения уровня рисков вызвала в последнее время к жизни множество методик анализа, в большинстве своем

основанных на составлении кредитного рейтинга, со всеми присущими этому методу достоинствами и недостатками Помимо указанного метода анализа существует и ряд других методов, способных более качественно измерить уровень кредитного риска. Например, методы нечёткой логики, нейронных сетей, дерева решений и генетические агоритмы

Современные экономические условия ставягг перед банками новые проблемы Активно развивающийся рынок потребительского кредитования требует от банка, для поддержания конкурентоспособности своего бизнеса, перехода к быстрому и качественному анализу кредитного риска Развитие же экономики (в том числе и из-за развития потребительского кредитования) побуждает всё больше предпринимателей брать кредит для развития своего бизнеса, что приводит к увеличению нагрузки на специалистов банка, занимающихся оценкой рисков или увеличению их числа Применение современных автоматизированных систем может помочь решить банкам многие проблемы Такая автоматизированная система позволит не только увеличить скорость анализа, а значит, и сократить время на принятие решения по кредиту, но и в определённой степени повысить качество этого решения (конечно, если система создавалась опытным специалистом) и немного уменьшить вероятность злоупотребления служебным положение сотрудниками банка Именно на разработку такой системы и направленно исследование в данной диссертации

Степень разработанности проблемы. Во времена плановой экономики проблема оценки уровня риска не была столь актуальна для отечественных исследователей Множество исследований в этом направлении началось лишь с приходом в экономику рыночных отношений Исследования, посвященные анализу риска в банковской сфере с использованием различных методик, связывают с именами следующих отечественных и зарубежных исследователей Батраковой Л Г, Беляева МК, Белякова А В, Буздалина А В., Бухтина М А, Воробьёва Л И, Жованикова В Н, Иванова В В, Ильясова С М, Козлова А А, Косована К С, Лаврухпина О И, Ли О В, Масленченкова Ю.С., Недосекина А О > Потоцкой Е Г, , Строева А А , Субботина А В , Супруновича Е Б, ФарраховаИТ и многих др

Большой вклад в развитие теории нечетких множеств, теорию и практику построения интелектуальных моделей, а также теорию нечетких нейронных сетей, внесли следующие отечественные и зарубежные ученые Атунин А Е, Андрейчиков А В , Андрейчикова О Н, Асаи К, Гольдберг Д, Заде Л, Ковалёв С М, Коско Б, Кофман А, Круглое В В , Мамдани Е , Мелихов А Н, Минаев Ю Н, Пилиньский М, Рутковский Л, Семухин М В , Сугэно М, Тэрано Т, Филимонова О Ю, Холанд Дж., Ягер Р и многие др

Вместе с тем, несмотря на большое внимание отечественных и зарубежных ученых к проблеме анализа кредитного риска, работ опирающихся на стык упомянутых областей науки достаточно мало и степень разработанности данной темы остается низкой Применение нечётких нейронных сетей в целях анализа банковских рисков представляет большой интерес вследствие возможности увеличения качества оценок рисков и частичной автоматизации процесса анализа риска

Цель и задача исследования. Целью настоящей работы является разработка и исследование методик, а также основанных на них инструментальных средств анализа кредитного риска коммерческого банка на рынках потребительского и межбанковского кредитования, кредитования организаций и предприятий

Исходя из цели, были поставлены следующие задачи, определившие логику диссертационного исследования и его структуру

- показать важность качественной оценки кредитного риска,

- определить факторы, оказывающие воздействие на уровень кредитного риска,

- провести анализ действующей практики выявления и оценки кредитного риска,

- разработать методику автоматизации кредитного процесса,

- разработать модель кредитного риска на основе технологии нечётких нейронных сетей,

- исследовать возможность улучшения стандартного агоритма для нечётких нейронных сетей,

- решить прикладные задачи оценки кредитного риска банка на рынках потребительского и межбанковского кредитования, а также кредитования предприятий и организаций.

Объектом исследования выступают коммерческие банки, обеспечивающие процесс кредитования юридических и физических лиц

Предметом исследования является процесс анализа банковского кредитного риска с применением метода нечетких нейронных сетей

Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки банковских рисков, а также методические и аналитические материалы Центрального банка РФ, коммерческих банков, международных финансово-кредитных институтов и рейтинговых агентств В основу диссертационной работы положены основные научные положения и математический аппарат теории нечётких нейронных сетей, генетических агоритмов, экономического анализа и риск-менеджмента.

Информационной базой исследования явились законодательные и нормативные акты Российской Федерации, положения и инструкции банков, бухгатерские формы отчетности банков и промышленных предприятий, материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов

Научная новизна результатов, полученных в диссертации, заключается в следующем

разработана методика автоматизации кредитного процесса коммерческого банка с применение байесовского и метода нечетких нейронных сетей, позволяющая улучшить его качество и сократить время на принятие решения по кредитной заявке,

- предложена многофакторная модель кредитного риска коммерческого банка на основе нечёткой нейронной сети с генетическим агоритмом обучения, позволяющая увеличить качество принимаемых решений сотрудниками кредитного отдела коммерческого банка,

- предложен метод оптимизации структуры нейронной сети и метод её обучения на основе генетического агоритма,

- предложено инструментальное средство с нечёткой нейронной сетью в своей основе (как с обычной, так и модифицированной структурой), позволяющее решать задачу определения уровня кредитного риска, делать промежуточные и заключительные выводы, выделять сильные и слабые стороны клиента, а также давать предложения (с подсчетом уровня необходимых резервов) о целесообразности выдачи кредита

На защиту выносятся

- модель автоматизированного кредитного процесса,

- структура программного обеспечения, используемого для автоматизации процесса анализа кредитного риска,

- модель оценки кредитного риска на основе модифицированной нечеткой нейронной сети, обучающейся также модифицированным генетическим агоритмом

Теоретическая и практическая значимость работы состоит в возможности использования предложенных моделей, методик и инструментальных средств для оптимизации процесса анализа кредитного риска путём частичной его автоматизации (в условиях высокой степени уверенности в решении, вмешательство специалиста ограничивается проверкой исходных данных на достоверность) Представленная модель анализа кредитного риска позволяет эффективно оценивать уровень кредитного риска, а возможность создание собственной модели оценки на базе разработанной автоматизированной системы оценки предоставляет банкам возможность повысить качество выдаваемых заключений о надёжности клиента, а значить и снизить уровень кредитного риска для банка

Научная апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на научных конференциях, проводимых в ВГСХА и ВогГТУ По теме диссертационных исследований опубликовано шесть научных работ общим объёмом в 3,8 печатных листа.

Предложенное автором инструментальное средство прошло успешную апробацию в одном из банков города Вогограда.

Структура и объём днссертацнн. Работа состоит из введения, трёх глав, заключения, библиографического списка литературы и приложений

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Первая глава диссертации, посвящена описанию предметной области исследования, определению основных подходов к анализу кредитного риска, выявлению факторов, влияющих на его уровень

Изложение диссертации начинается развёрнутыми определениями, раскрывающими понятие риска как предмета исследование Из нескольких определений автор формулирует одно - интегральное риск - это вероятность (опасность, возможность) наступления события (или неопределенность), в результате которого банк понесет потери или не дополучит доход по сравнению с запланированным

Дальнейший анализ риска был бы невозможен без правильного понимания сущности риска и механизма его исследования - по своей сути, рыночная среда неотделима от понятия риска, поэтому приоритетной целью банка является не поиск заведомо безрискового варианта, а поиск решения альтернативного, нестандартного Такой поиск в значительной степени определяется умением сотрудников банка правильно оценить уровень риска и не перейти его допустимые пределы

Описание рисков было бы непоным без приведения их классификации и краткой характеристики в интерпретации регулятора банковского рынка Согласно письму ЦБ РФ от 23 июня 2004 г №70-Т "О типичных банковских рисках" среди банковских рисков можно выделить кредитный риск, страновой риск (включая риск невозврата средств), рыночный риск (включая фондовый, валютный и процентный риски), риск ликвидности, операционный риск, правовой риск, риск потери деловой репутации и стратегический риск

Выбор кредитного риска в качестве предмета исследования обусловлен очевидной важностью (у 76% банков по уровню значимости он занял первое место1) именно этого вида риска для банка, поскольку основную часть прибыли банк обычно получает именно от своих ссудных операций Анализ нескольких определений понятия кредитный риск позволил автору дать следующее обобщённое определение для кредитного риска Кредитный риск - это риск банка-кредитора, связанный с непогашением заёмщиком основного дога и

1 Информация Центрального Ьанка России "О практике стресс тестирования в кредитных организациях" [Информация из Internet] -http //www cbr ni/analytics/bank_system/stress_tnf htm

(или) процентов по выданным кредитам, а также с неспособностью (либо нежеланием) партнера действовать в соответствии с условиями договора

Анализ существующих методик определения уровня кредитного риска выявил преобладающую роль методик кредитного рейтинга со всеми присущими этому методу преимуществами и недостатками (в основном речь идет соответственно о простоте использования и статичности критериев оценки) В большинстве своем эти методики (CAMEL, 5С, 6С, CAMPARI, PARTS, PARSER) представляют собой совокупность оценочных параметров кредитоспособности (факторов риска), сведённых воедино в кредитном рейтинге

В отечественной практике кроме широко применяющегося метода кредитного рейтинга, можно встретить и использование коэффициентно-экспертного (комбинированного) метода оценки кредитного риска Метод кредитного рейтинга сочетает рейтинговую оценку с расчетами показателей, характеризующих финансовое состояние предприятия-заемщика Как правило, его формализуют в виде стандартных расчетов ключевых показателей финансового состояния организаций и предприятий, затем производят рейтинговую оценку их величины (в случае же использования комбинированного метода, сведение показателей в единую оценку осуществляют эксперты), на основе которой определяют класс надежности заемщика и уровень возникающего риска Обычно такие процедуры включают также составление экономического заключения специалиста банка на основе имеющейся кредитной информации, наблюдений и проведенного финансового анализа

Среди методов, получивших распространение в последние время, можно выделить методы, основанные на различного рода статистических и математических моделях Среди математических методов оценки риска особую популярность в последние годы получила методология Value-at-nsk (VaR) В общем виде показатель VaR - это выраженная в базовой валюте оценка величины убытков, которую с заданной вероятностью не превысят ожидаемые потери банковского портфеля в течение заданного периода времени при условии сохранения текущих тенденций макро- и микроэкономической рыночной конъюнктуры

Не меньшей популярностью в последнее время пользуются различные аналитические и статистические методы оценки кредитного риска Речь, прежде всего, идет о моделях кредитного скоринга Скоринговая модель ставит целью оценить размер кредитных рисков в зависимости от набора определенных признаков, присущих заемщику или конкретной сдеке

Наиболее популярными сегодня являются четыре основных метода построения скоринговых агоритмов

1) Метод рейтинговой оценки (метод бальной оценки) является на сегодняшний момент наиболее часто применяемым методом оценки кредитного риска юридического лица Рейтинговая оценка предприятия-заёмщика рассчитывается на основе полученных значений финансовых показателей и/или мнений экспертов о величине этих показателей

2) Логистическая и линейная регрессия позволяют предсказывать наличие или отсутствие исследуемой характеристики (в интересующем нас случае Ч погашение кредита в будущем) у объекта, если известен набор его характеристик Характерным примером использования линейной регрессии для оценки кредитного риска является "2-анализ" Альтмана

3) Метод деревьев представляет собой нелинейный и непараметрический метод деления совокупности п наблюдений (с р показателями) на несколько групп, основываясь на некоем принципе классификации Данный принцип делит генеральную совокупность на две или более групп сообразно тому, какой ответ можно дать для данной совокупности на простой вопрос количественного или качественного свойства

4) Искусственные нейронные сети представляют собой большой класс систем, строящихся по принципам организации и функционирования их биологических аналогов Особая структура нейронных сетей и определяет их способность к адаптивному обучению путём реакции на положительные и отрицательные воздействия В основе структуры любой нейронной сети лежит элементарный преобразователь, называемый искусственным нейроном

Из всех рассмотренных в первой главе диссертации методов построения скоринговых агоритмов наибольший интерес представляет метод анализа риска на основе нейронных сетей Основное достоинство этого метода заключается в способности агоритма подстраивать структуру сети под новые наблюдения и объяснять довольно сложные связи между значениями факторов

риска и его уровнем Именно поэтому дальнейшее исследование в области оценки кредитного риска направлено на использование для этих целей метода нейронных сетей

Во второй главе диссертации проведён анализ кредитного процесса, предложена методика его автоматизации, а также представлен агоритм расчёта кредитного риска

Процесс кредитования является сложной процедурой, состоящей из нескольких взаимодопоняющих этапов, пренебрежение каждым из которых может привести к серьезным ошибкам и просчетам Основным недостатком традиционной системы кредитного процесса является слабая автоматизация процесса анализа риска из-за низкого доверия к используемой модели (в основном рейтинговой оценке) Предложенная автором методика позволяет практически поностью избавиться от указанного выше недостатка

1) Подготовительный этап Данный этап служит для подготовки (сбор и приведение информации к стандартному виду) исходной информации для расчётов

2) Проверка первичных стоп-показателей Главная задача этого этапа состоит в выявлении проблемных клиентов Заключение о проблемноеЩ клиента принимается при наличии у него определённого ряда характеристик (причём их число поностью определяется степенью терпимости банка к риску)

3) Проверка предоставляемых данных на неточности Назначение этого этапа состоит в выявлении различных неточностей между предоставленными клиентом данными в отчетности Прежде всего, речь идёт о неверных подсчётах чисто на арифметическом уровне или несоответствии входящих и исходящих данных в отчетностях на различные даты и др Проверка отчетности состоит в сравнении расчётных данных (где возможно) с предоставленными в отчётности

4) Выявление фальсификации отчетности Анализ отчётности на предмет возможной фальсификации может быть реализован посредством диагностической системы байесовского типа Суть этой системы состоит в том, что предположение о возможном методе фальсификации делается на основе анализа симптомов (те степени уверенности в их наличии) того или иного метода фальсификации

Например, такими симптомами на рынке межбанковского кредитования являются чрезмерно большая доля отдельной статьи в балансе, чрезмерно

большие оборота по отдельным счетам, резкое колебание валюты баланса, чрезмерно большие или маленькие проценты по финансовым инструментам и тд

5) Проверка платежеспособности клиента Неплатёжеспособным признается клиент, который не имеет достаточного потока поступлений, необходимого для погашения предполагаемого займа и обеспечения, покрывающего сумму займа плюс возможные издержки, связанные с реализацией права истребования обеспечения и конвертации его в денежные средства в случае неуплаты клиентом по займу

6) Скоринговая модель Нечёткие нейронные сети являются мощным инструментом для выявления нелинейных зависимостей между входными факторами и выходными значениями уровня риска, и позволяют построить качественную скоринг модель оценки вероятности возврата кредита тем или иным заемщиком Участие специалиста на этом этапе становится необходимым только в случае низкой уверенности в решении автоматизированной системы оценки риска (а это предоставляемая системой информация) или её отрицательного ответа (для пересмотра размера обеспечения)

7) Проверка благонадёжности клиента и достоверности предоставленных данных Наличие этого этапа обусловлено тем, что система чаще всего не может поверить все предоставляемые клиентом данные (в том числе и из-за быстрого устаревания имеющейся информации) Но очерёдность, которая установлена для данного этапа, позволяет задействовать специалиста по оценки кредитного риска, только для тех клиентов, которые удовлетворяют требованиям банка по надёжности заёмщика (поскольку с первого по шестой этапы могут выпоняться только при участии оператора)

8) Рассмотрение заявки кредитным комитетом В случае положительного заключения кредитного комитета клиенту в установленном порядке выдаётся ссуда В противном же случае клиенту даётся мотивированный отказ

Предлагаемая автором методика анализа кредитного риска, базируется на методе нечёткой нейронной сети с генетическим агоритмом обучения Нечеткая нейронная сеть с логическим выводом Ларсена, в качестве своей основы имеет базу знаний, формируемую экспертом своей предметной области в виде совокупности нечетких правил вида

Я/ если х/ = А/ их2 = В/ и х3 - С/, то уесть б/, П2 ССЛИХ1-Л21ЯХ2-В1ИХз-С1,ТОуеСТъС2, Пз если XI -А/ИХ2~В2ИХЗ = С, то у есть С3,

Пю если*; -А/ или А2 или Аз и Х2 = В3 и Хз = или С2, тоуесть ит д где XI, Х2, х3 - входные переменные (названия рассматриваемых характеристик объекта)

у - переменная вывода (название категории для классификации объекта) А1, А2, Аз, В и Вз, С/, С2, Сз и б/, С2, Оь - функции принадлежности, определённые соответственно на х и у

Фрагмент нечеткой нейронной сети, использующий сформулированные выше правила представлен на рисунке 1

Слой 1 Слой 2 Слой 3 Слой 4

Рисунок 1 Фрагмент нечеткой нейронной сети Данная сеть может быть описана следующим образом

1 Слой 1 Выходы узлов этого слоя представляют собой значения функций принадлежности при конкретных (заданных) значениях входов

2 Слой 2 Выходами нейронов этого слоя являются степени истинности предпосылок каждого правила базы знаний системы, вычисляемые по формулам

а, = А/(хО/) А В,(х02) А С,(х0з),

а2 = А2(хО,) А В,(хОг) А С,(х03) и т д

3 Слой 3 Нейроны этого слоя корректируют значимость правил" а\С], а2с2, а3с3,

а затем определяют частные нечеткие подмножества а1 С] в (у), а2 с2 в/у), а3 с} С (у),

в которых функция принадлежности вывода масштабируется при помощи вычисленной степени истинности предпосыки правила

Итоговое нечёткое подмножество вычисляется по следующей формуле

4 Слой 4 На последнем слое вычисляется выход сети с применением центроидного метода (четкое значение выходной переменной определяется как

центр тяжести для кривой цг{у)) у0= %Ч--

Указанный выход сети даёт общий риск клиента согласно нечеткому выводу сети Для обучения рассмотренной нечёткой нейронной сети используется генетический агоритм

Процесс обучения нейронной сети с использованием генетического агоритма состоит из следующих основных этапов

1 Выделение управляющих параметров задачи обучения,

2 Получение значений при фиксированных значениях параметров,

3 Определение рассогласованности полученного и требуемого решения,

4 Выбор новых значений параметров на основе работа генетического агоритма,

5 Останов агоритма в случае получения удовлетворительной рассогласованности решения, иначе - переход к шагу 2

В целях сокращения времени обучения и увеличения точности результатов автором был предложен следующий метод оптимизации на основе применения мер сходства на втором слое нечеткой нейронной сети В предложенном методе вместо операций МИНИМУМА (применяется в рассмотренной выше структуре нейронной сети) или УМНОЖЕНИЕ в операции

логического вывода нечёткой нейронной сети используется одна из мер сходства, например, мера сходства Чекановского-Серенсена

2/и(5,ГШ

где Б], Бк Ч множества значений признаков, описывающие сравниваемые объекты

Для случая применения количественных данных меры пересечения (5, П^2)и объединения (5,1152) двух множеств и можно представить в виде следующих формул

т(Б} П ) = шш(ху, ) II ) = тах(х0, х1к )

1=1 1=1

п - число признаков, по которым оценивается сходство объектов Применение мер сходства позволяет усилить заведомо верный сигнал и ослабить "сопутствующие" (с низкой степенью уверенности) Степень же усиления / ослабления будет зависеть от одной из мер сходства Усилению подлежат сигналы, имеющие коэффициент сходимости больший, чем 0 9-0 85 и разницу между максимальным и минимальным значением функции принадлежности в правиле менее 0 1

Помимо оптимизации структуры нейронной сети автор, также предложил оптимизацию процесса кодирования в генетическом агоритме, который применяется для настройки весов нейронной сети

Процесс кодирования состоит в следующей последовательности действий

1 Разбивают весь интервал допустимых значений признака на участки с требуемой точностью

2 Принимают значение гена как целочисленное число, определяющее номер интервала (используя код Грея)

3 В качестве значения параметра принимают число, являющиеся серединой этого интервала

Традиционный метод кодирования обеспечивает постоянную точность (длину интервала) на всех интервалах в пределах допустимых значений Предложенный же агоритм использует переменную длину интервала, что позволяет добиться большей по сравнению с традиционным методом точности вблизи лучшей хромосомы

Математическое представление процесса преобразования номера интервала (полученного из значения хромосомы в бинарном виде) в десятичное число можно представить следующим образом

- для номеров интервалов меньших, чем к х = " ^

. к 1пЧ

для номеров интервалов больших, чем к х - - Ъ * ^

где а - значение лучшей хромосомы (в десятичном виде), достигнутое в предыдущей эпохе,

Ь - коэффициент, позволяющий изменять наклон графика функции, -равен половине от общего числа интервалов или 2^/2, N - количество разрядов для кодирования битовой строки, у - номер интервала,

х - десятичное представление кодируемого признака Наличие коэффициента Ъ позволяет изменять угол наклона графика функции и тем самым подстраивать точность (длину интервалов) внутри заданных ограничений для кодируемого признака Это свойство коэффициента Ь может использоваться в генетическом агоритме следующим образом почти равномерное распределение точности на начальных эпохах, постепенно увеличивается около лучшей хромосомы в последующих эпохах

Вторая часть второй главы посвящена описанию лингвистических переменных (факторов риска) и правил, используемых в автоматизированной системе для оценки уровня кредитного риска В диссертации представлены факторы, которые могут применяться на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций

Для рынка потребительского кредитования представлены следующие группы оценочных параметров кредитоспособности клиента (внутренних лингвистических переменных) возможность, желание и стабильность

Возможности клиента зависят от его возраста, занимаемой дожности, образования (определяется уровнем образования, выбранной профессией и престижем учебного заведения), здоровья, а также уровня доходов и расходов

Желание клиента отвечать по своим обязательствам зависит от многих факторов, но на практике можно оценить лишь некоторые из них Автор предлагает использовать уровень обеспечения (определяется сохранностью и ликвидностью предоставляемого объекта) и наличие положительной кредитной истории (определяется сроком сотрудничества с банком и количеством случаев задержки платежей) в качестве показателя желания клиента вернуть предоставленную банком ссуду

Стабильность клиента зависит от имущественного положения клиента, срока проживания на одном месте, стабильности работы (определяется статусом занятости, непрерывным трудовым стажем и стажем работы на последнем месте) и семейного положения, а также внешней среды

Оценка клиента на рынке кредитования предприятий и организаций осуществлена с использованием следующих групп факторов риска эффективность деятельности, стабильность деятельности и желание клиента платить

Эффективность деятельности зависит от оборачиваемости (определяется оборачиваемостью активов и тенденцией этого показателя), рентабельности (определяется коэффициентами рентабельности, их тенденцией и коэффициентом достаточности прибыли) и сбыта (определяется размером прибыли, выручки, объёмом реализацией и тенденцией этих показателей)

Стабильность деятельности зависит от имущественного положения заёмщика (определяется долей основных средств в активах, коэффициентом износа и их тенденциями), его ликвидности (определяется коэффициентами ликвидности и их тенденцией), финансовой устойчивости (определяется коэффициентами устойчивости и их тенденцией) и устойчивости его бизнеса (определяется качеством дебиторской задоженности, длительностью существования организации, сезонностью ведения бизнеса и зависимостью от крупных заказчиков/поставщиков)

Желание клиента платить по своим обязательствам зависит (в предлагаемой методике) от качества кредиторской задоженности (определяется наличием просроченной задоженности и её тенденцией), срока сотрудничества

с банком, кредитной историей (определяется сроком положительной кредитной истории и наличием случаев просрочки платежей) и обеспечением (определяется сохранностью и ликвидностью предоставляемого объекта)

В качестве оценочных параметров кредитоспособности банка в автоматизированной системе используются

- достаточность капитала (определяется коэффициентом адекватности и достаточности капитала, а также коэффициентом капитализации основных средств и защиты вкладов населения),

- ликвидность (определяется коэффициентами текущей, мгновенной оперативной, мгновенной и общей ликвидности),

- качество активов (зависит от уровня доходных активов, уровня потерь и уровня резервов, уровня иммобилизации, а также уровня вложений в договые обязательства),

- деловая активность (зависит от уровня однодневных и срочных кредитов, уровня активности на рынке ценных бумаг и уровня инвестиционной активности),

- доходность (зависит от коэффициентов прибыльности по активам, прибыльности на капитал, использования активов и маржи прибыли),

- отношения с банком (определяются кредитной историей и оборотами по корреспондентскому счёту ЛОРО в банке),

- величина активов (определяются размером активов и тенденцией изменения этого показателя)

В третьей главе диссертации приведено описание разработанной автором автоматизированной системы оценки кредитного риска и пример её работы

Оценка надёжности клиента производится на основе предоставляемой оператором информации о характеристиках клиента и хранящихся в базах данных знаниях Таким образом, система включает в себя подсистему напонения базы данных (блок ввода лингвистических переменных, блок ввода правил, исходные данные для обучения, блок обучения), подсистему ввода данных для оценки (блок диалога с пользователем-оператором, блок группового ввода данных), подсистему логического вывода, подсистему вывода заключения и объяснения этого заключения

Пользователь

Специалист

Подсистема ввода данных из' внешних источников Ч1

подсистема ввода данных Х* для оцс-

Елок группового ввода данных для оценки "

Елок загрузки

структуры нейронной сет!?"

Блок загрузки

одной из фиксированных

структур нейронной сети

Рисунок 2

База данных

Подсистема логического у вцв<}да

Подсистема ! \ Подсистема вывода \ объяснения заключения * \ заключения

Подсистема напонения /базы д^нш^х

! \ Блок ввода

Елок ввода и ; исходных

просмотра П I \ данных для

_ * обучения

Блок ввода и

просмотра \

Блок обучения

Блок настройки Блок просмотра отчёта структуры

нейронной сети

Укрупнённая схема автоматизированной системы оценки кредитного риска

Предложенная система может функционировать в двух режимах (с предоставлением соответствующих прав) режим пользователя (оператора) и режим специалиста (эксперта)

Первая часть третьей главы посвящена описанию работы эксперта. Эксперт может создавать лингвистические переменные, задавать правила, обучать сеть и настраивать отчёты После этого приводится описание работы пользователя с системой Рабочий интерфейс программы в режиме пользователя представлен на рисунке 3 И в заключительной части третьей главы приведён пример анализа кредитного риска банка на рынке потребительского кредитования

Автоматизированная система оценки риска предоставляет пользователю следующие возможности ввести вручную данные (характеристики клиента) для расчётов, загрузить данные для расчётов из файла, сделать расчёт, посмотреть на вывод (графический и числовой) и заключение системы, а также загрузить один из вариантов структуры системы (оптимистичный, нейтральный или пессимистичный) Подсистема объяснения заключения системы имеет модульный вид и позволяет в доступной форме объяснить, почему был сделан тот или иной вывод

Рисунок 3, Интерфейс пользователя.

Основными составными частями подсистемы объяснения (формирования отчёта) являются:

1) положительные и отрицательные стороны рассматриваемого клиента; Например:

С положительной стороны клиента характеризует наличие:

- "молодой" возраст {уровень соответствия = 86,58%).

- "отличное" здоровье (уровень соответствия = 99,! 8%).

- "умеренные" расходы (уровень соответствия = 99,16%) и т.д.

2) Правила (с указанием степени уверенности в них), на основании которых делается утверждение о принадлежи ости клиента к тому или иному классу. Например:

-уровень образования "высшее" (100%).

- профессия "хорошая" (100%).

- престиж учебного заведения "средний" (100%). то образование "хорошее" (100%); ....

- возраст "молодой" (86,58%).

- образование "не плохое" (100%).

- здоровье "не плохое" (100%).

у** --- ЧХ - *'ХХ" '- '

- -м...........-- - - - - -

V - а- э 4 е г 6

твшш ЧИ*. стор, (*г!в 12 Срок П01Ю*. Ирл. wr.Jp, * др. 1С

СтагеГПг 1 Слальрл?*т \ [гюс в%{п цчлязи.**л*л игют, кще*}

'Ш г ! в

МчитевщняЧЧ Очппиистеч*

^ НвОвЛ*4*1*лû------~

Ч , нассчп-вгьеымшитта^с-

----тф1Йл.

Й :. О'

'.У'*" ] .

-расходы "умеренные" (99,16%)

- доходы "нормальные" (62,02%) то возможность "нормальная" (62,02%), Если

- возможность "нормальная" (62,02%)

- желание "приемлемое" (39,35%)

- стабильность "средняя" (53,39%) то клиент "приемлемый" (39,35%), .

3) Выводы системы, состоящие из следующих пунктов"

- класс клиента (с приведением данных о степени соответствия ответа классу и степени уверенности в решении),

- краткая характеристика этого класса,

- краткая рекомендация по качеству предоставляемого кредита,

- расчётная величина уровня резерва по предполагаемой ссуде Например

На основе вышеизложенного экспертная система дала следующую классификацию клиент "приемлемый" Степень уверенности в решении = 39,35% Уровень риска составляет - 46,68% Таким образом

Рассматриваемый клиент, в основном, имеет средние показатели, хотя низкие показатели присутствуют в достаточно большом количестве Возможность принятия Банком риска обусловлена имеющимися перспективами улучшения либо хорошими условиями сохранности и мониторинга обеспечения Кредитный риск - допустимый Кредит соответствует уровню "приемлемого качества" или 1П В категории качества ("сомнительная ссуда") Расчётная величина резерва на возможные потери составит 41,9 % от ссудной задоженности

ОСНОВНЫЕ ВЫВОДЫ ПО ДИССЕРТАЦИИ 1 Разработанная модель автоматизированного кредитного процесса с применением метода нечётких нейронных сетей и байесовского метода позволяет эффективно использовать человеческий ресурс банка, позволяя специалистам банка сосредоточить внимание на нестандартных (необычных) клиентах

2 Предложенная для оценки кредитного риска нечёткая нейронная сеть обладает модульной структурой, что позволяет гибко регулировать структуру каждого из модулей (в зависимости от структуры исходных данных или заданных правил) нейронной сети в целях повышения качества ответов сети Использованный для обучения нейронной сети генетический агоритм обладает прекрасной способностью к распаралеливанию вычислений Применение паралелизма позволяет ускорить процесс обучения или значительно увеличить размерность задачи (за счёт использования в нескольких паралельных потоках различных параметров обучения) при тех же затратах времени

3 Использование нечётких нейронных сетей в качестве метода анализа риска даёт следующие преимущества перед другими методами

- высокая точность расчётов,

- возможность построения непараметрических моделей (позволяют использовать переменные разного типа непрерывные, качественные, упорядоченные и т д),

- возможность обрабатывать прецеденты обучающей выборки со сложным видом сегментов (не прямоугольной формы),

- способность системы к адаптивному обучению (те система может приобретать новые знания) путём реакции на положительные и отрицательные воздействия,

- возможность извлечения правил, на основе которых было сделано то или иное заключение, на естественном языке,

- оперирование системы с нечёткими правилами (что ближе к человеческому мышлению и естественным языкам)

4 Модификация структуры нейронной сети и генетического агоритма позволяет ускорить процесс обучения и улучшить точность получаемых решений, что в конечном итоге приводит к улучшению качества оценок автоматизированной системы

5 Апробация разработанной системы показала гибкость её структуры (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания, легкость интерпретирования результатов, а также состоятельность при решении практических задач анализа риска

Подсистема объяснения заключения данной автоматизированной системы позволяет получать результаты расчетов на естественном языке, что повышает степень доверия к выданному машиной заключению Данная автоматизированная система может быть успешно использована многими коммерческими банками.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1 Андрейчиков, А В Использование технологии нейронных сетей и экспертных систем для оценки банковской отчётности на достоверность / А В Андрейчиков, ВЕ Селянин // Известия Вогоградского государственного университета №3(18) / ВогГТУ - Вогоград, 2006 - (Серия Актуальные проблемы реформирования российской экономики (теория, практика, перспектива)) -Вып 3 -С. 197-201

2 Андрейчиков, А В Концепция методики использования нечётких нейронных сетей для оценки кредитного риска на рынке потребительского кредитования / А В Андрейчиков, ВЕ Селянин // Известия Вогоградского государственного университета № 11(26) / ВогГТУ - Вогоград, 2006 -(Серия Актуальные проблемы реформирования российской экономики (теория, практика, перспектива)) - Вып 6 - С 228-234

3 Селянин, В Е Использование математических методов в банковском кредитном процессе препринт доклада / В Е Селянин / Вогоград - Вогоград, 2007 -20 с

4 Селянин, ВЕ Использование оптимизированной нейронной сети для повышения качества оценки кредитного риска препринт доклада / ВЕ Селянин / ВогГТУ - Вогоград, 2007 -24 с

5 Селянин, В Е Комплексный подход к автоматизации кредитного процесса в коммерческом банке препринт доклада / В Е Селянин / ВогГТУ -Вогоград, 2007 - 24 с

6 Селянин, В Е Оценка банковского кредитного риска с использованием модифицированной нейронной сети / В Е Селянин // Наука и молодёжь новые идеи и решения, материалы международной конф / ВГСХА -Вогоград, 2007 - 4 с

Владимир Евгеньевич Селянин

Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей

Автореферат диссертации на соискание ученой степени кандидата экономических наук

Подписано в печать 3 О7/ 2007 г Заказ № 356 Тираж 100 экз Печ л 1,0 Формат 60 х 84 1/16 Бумага офсетная Печать офсетная

Типография РПК Политехник Вогоградского государственного технического университета 400131, г Вогоград, ул Советская, 35

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Селянин, Владимир Евгеньевич

Введение.

Глава 1. Теоретические аспекты оценки банковского кредитного риска.

Анализ существующих методик

1.1. Понятие риска.

1.2. Классификация рисков коммерческого банка. Понятие кредитного риска.

1.3. Обзор методик оценки кредитного риска.

1.3.1. VaR методика.

1.3.2. Скоринг

1.3.2.1. Рейтинговая оценка.

1.3.2.2. Линейная и логистическая регрессия.

1.3.2.3. Метод деревьев решений

1.3.2.4. Искусственные нейронные сети.

Выводы по главе 1.

Глава 2. Автоматизация кредитного процесса и методика оценки кредитного риска.

2.1. Процесс кредитования в коммерческом банке.

2.1.1. Кредитный договор

2.1.2. Этапы кредитного процесса.

2.2. Применение нечёткой нейронной сети для оценки банковского кредитного риска

2.3. Использование генетического агоритма для обучения нейронной сети.

2.4. Оптимизация структуры нечёткой нейронной сети.

2.5. Методика оптимизации генетического агоритма.

2.6. Описание параметров модели кредитного риска

2.6.1. Категории качества ссуд

2.6.2. Обеспечение.

2.6.3. Потребительское кредитование.

2.6.4. Кредитование предприятий и организаций.

2.6.5. Межбанковское кредитование.

Выводы по главе 2.

Глава 3. Описание автоматизированной системы оценки кредитного риска с приведением примеров её функционирования.

3.1. Автоматизированная система оценки кредитного риска.

3.2. Пример использования автоматизированной системы оценки риска.

Выводы по главе 3.

Диссертация: введение по экономике, на тему "Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей"

Актуальность темы диссертационного исследования. Банковская деятельность по своей сути является чрезвычайно рисковой, но грамотное управление рисками помогает банкам получать прибыль. При этом важно понимать, что рискованность банковского бизнеса является объективным фактором, который не может быть поностью устранён в процессе совершенствования банковских технологий.

Между тем, сегодня по мере усложнения банковских продуктов, использования систем хранения и обработки данных, а также вовлечения российских банков в международную банковскую систему, происходит постоянное увеличение разновидностей рисков. Например, в связи с улучшением характеристик компьютерной техники, появились новые разновидности операционного риска. Следовательно, единственно правильное ргшение для уменьшения уровня банковских рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки рисков.

В своей деятельности банки регулярно выявляют значимые риски и постоянно проводят их оценку. К наиболее значимым рискам относят кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации. Согласно проведённому в конце 2005 года Банком России анкетированию крупнейших банков основное место по уровню значимости среди всех банковских рисков занял кредитный риск или риск неплатежа по ссуде в процессе взаимодействия банка и клиента. Этот факт можно объяснить тем, что кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций. Непогашение кредитов, особенно крупных, может привести банк к банкротству, а иногда, из-за его положения в банковском секторе и к системному кризису банковской системы, с возможными банкротствами, связанными с ним предприятиями, банками и частными лицами. Таким образом, управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка.

Необходимость идентификации и измерения уровня рисков вызвала в последнее время к жизни множество методик анализа, в большинстве своём основанных на составлении кредитного рейтинга, со всеми присущими этому методу достоинствами и недостатками. Помимо указанного метода анализа существует и ряд других методов, способных более качественно измерить уровень кредитного риска. Например, методы нечёткой логики, нейронных сетей, дерева решений и генетические агоритмы.

Современные экономические условия ставят перед банками новые проблемы. Активно развивающийся рынок потребительского кредитования требует от банка, для поддержания конкурентоспособности своего бизнеса, перехода к быстрому и качественному анализу кредитного риска. Развитие же экономики (в том числе и из-за развития потребительского кредитования) побуждает всё больше предпринимателей брать кредит для развития своего бизнеса, что приводит к увеличению нагрузки на специалистов банка, занимающихся оценкой рисков или увеличению их числа. Применение современных автоматизированных систем может помочь решить банкам многие проблемы. Такая автоматизированная система позволит не только увеличить скорость анализа, а значит, и сократить время на принятие решения по кредиту, но и в определённой степени повысить качество этого решения и немного уменьшить вероятность злоупотребления служебным положением сотрудниками банка. Именно на разработку такой системы и направлено исследование в данной диссертации.

Степень разработанности проблемы. Во времена плановой экономики проблема оценки уровня риска не была столь актуальна для отечественных исследователей. Множество исследований в этом направлении началось лишь с приходом в экономику рыночных отношений. Исследования, посвященные анализу риска в банковской сфере с использованием различных методик, связывают с именами следующих отечественных и зарубежных исследователей: Батраковой Л.Г., Беляева М.К., Белякова А.В., Буздалина А.В., Бухтина М.А., Воробьёва Л.И., Жованикова В.Н., Иванова В.В., Ильясова С.М., Козлова А.А., Косована К.С., Лаврушина О.И., Ли О.В., Масленченкова Ю.С., Недосекина А.О., Потоцкой Е.Г. , Строева А.А., Субботина А.В., Супруновича Е.Б., Фаррахова И.Т. и многих др.

Большой вклад в развитие теории нечетких множеств, теорию и практику построения интелектуальных моделей, а также теорию нечетких нейронных сетей, внесли следующие отечественные и зарубежные ученые: Атунин А.Е.,

Андрейчиков А.В., Андрейчикова О.Н., Асаи К., Гольдберг Д., Заде Л., Ковалёв С.М., Коско Б., Кофман А., Круглов В.В., Мамдани Е., Мелихов А.Н., Минаев Ю.Н., Пилиньский М., Рутковский Л., Семухин М.В., Сугэно М., Тэрано Т., Филимонова О.Ю., Холанд Дж., Ягер Р. и многие др.

Вместе с тем, несмотря на большое внимание отечественных и зарубежных ученых к проблеме анализа кредитного риска, работ опирающихся на стык упомянутых областей науки достаточно мало и степень разработанности данной темы остаётся низкой. Применение нечётких нейронных сетей в целях анализа банковских рисков представляет большой интерес вследствие возможности увеличения качества оценок рисков и частичной автоматизации процесса анализа риска.

Цель и задачи исследования. Целью настоящей работы является разработка и исследование методик, а также основанных на них инструментальных средств анализа кредитного риска коммерческого банка на рынках потребительского и межбанковского кредитования, кредитования организаций и предприятий.

Исходя из цели, были поставлены следующие задачи, определившие логику диссертационного исследования и его структуру:

- показать важность качественной оценки кредитного риска;

- определить факторы, оказывающие воздействие на уровень кредитного риска;

- провести анализ действующей практики выявления и оценки кредитного риска;

- разработать методику автоматизации кредитного процесса;

- разработать модель кредитного риска на основе технологии нечётких нейронных сетей;

- исследовать возможность улучшения стандартного агоритма для нечётких нейронных сетей;

- решить прикладные задачи оценки кредитного риска банка на рынках потребительского и межбанковского кредитования, а также кредитования предприятий и организаций.

Объектом исследования выступают коммерческие банки, обеспечивающие процесс кредитования юридических и физических лиц.

Предметом исследования является процесс анализа банковского кредитного риска с применением метода нечётких нейронных сетей.

Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки банковских рисков, а также методические и аналитические материалы Центрального банка РФ, коммерческих банков, международных финансово-кредитных институтов и рейтинговых агентств. В основу диссертационной работы положены основные научные положения и математический аппарат теории нечётких нейронных сетей, генетических агоритмов, экономического анализа и риск-менеджмента.

Информационной базой исследования явились законодательные и нормативные акты Российской Федерации, положения и инструкции банков, бухгатерские формы отчетности банков и промышленных предприятий, материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов.

На защиту выносятся:

- модель автоматизированного кредитного процесса, позволяющая повысить конкурентоспособность банка за счёт более качественного и быстрого анализа кредитных заявок; структура программного обеспечения, используемого для автоматизации процесса анализа кредитного риска, позволяющая сократить нагрузку на специалистов банка;

- модель кредитного риска на основе модифицированной нечёткой нейронной сети, обучающейся также модифицированным генетическим агоритмом, способствующая повышению качества оценок риска.

Научная новизна результатов, полученных в диссертации, заключается в следующем: разработана методика автоматизации кредитного процесса коммерческого банка с применением байесовского и метода нечетких нейронных сетей, позволяющая улучшить его качество и сократить время на принятие решения по кредитной заявке;

- предложена многофакторная модель кредитного риска коммерческого банка на основе нечёткой нейронной сети с генетическим агоритмом обучения, позволяющая увеличить качество принимаемых решений сотрудниками кредитного отдела коммерческого банка;

- предложен метод оптимизации структуры нейронной сети на основе применения различных мер сходства и модифицированный метод её обучения на основе генетического агоритма, позволяющие увеличить точность вывода сети;

- предложено инструментальное средство с нечёткой нейронной сетью в своей основе (как с обычной, так и модифицированной структурой), позволяющее решать задачу определения уровня кредитного риска, делать промежуточные и заключительные выводы, выделять сильные и слабые стороны клиента, а также выдвигать предложения (с подсчетом уровня необходимых резервов) о целесообразности выдачи кредита.

Теоретическая и практическая значимость работы состоит в возможности использования предложенных моделей, методик и инструментальных средств для оптимизации процесса анализа кредитного риска путём частичной его автоматизации (в условиях высокой степени уверенности в решении, вмешательство специалиста ограничивается проверкой исходных данных на достоверность). Представленная модель анализа кредитного риска позволяет эффективно оценивать уровень кредитного риска, а возможность создания собственной модели оценки на базе разработанной автоматизированной системы оценки предоставляет банкам возможность повысить качество выдаваемых заключений о надёжности клиента, а значит, и снизить уровень кредитного риска для банка.

Научная апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на научных конференциях, проводимых в ВГСХА и ВогГТУ. По теме диссертационных исследований опубликовано шесть научных работ общим объёмом в 3,8 печатных листа.

Предложенное автором инструментальное средство прошло успешную апробацию в одном из банков города Вогограда.

Структура и объём диссертации. Работа состоит из введения, трёх глав, заключения, библиографического списка литературы и приложений.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Селянин, Владимир Евгеньевич

Выводы к главе 3:

1. Описана автоматизированная система оценки кредитного риска на базе нечёткой нейронной сети с генетическим агоритмом обучения, позволяющая проводить анализ кредитного риска практически без участия специалиста банка (необходим только оператор). Участие специалиста требуется только в случае отсутствия достаточной уверенности системы в правильности решения или при необходимости пересмотра размера обеспечения.

2. Разработанное автором инструментальное средство имеет два уровня управления (уровень эксперта и уровень пользователя) с различными правами доступа к функциям системы.

3. Уровень пользователя позволяет получить доступ к следующим возможностям системы: ввод данных для анализа, загрузка данных для анализа из файла, осуществление расчётов, вывод (графический и числовой) и заключение системы, а также загрузка одного из вариантов структуры нейронной сети.

4. Уровень эксперта помимо возможностей пользователя позволяет создавать и настраивать структуру нечёткой нейронной сети (создание лингвистических переменных, задание правил и обучение сети), а также определять параметры отчётов, выдаваемых системой.

5.Апробация разработанной системы показала гибкость её структуры (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания, легкость интерпретирования результатов, а также состоятельность при решении практических задач анализа риска. Данная автоматизированная система может быть успешно использована многими коммерческими банками.

ЗАКЛЮЧЕНИЕ

В диссертации приводится анализ применяющихся на практике методик оценки кредитного риска (который играет одну из первостепенных ролей среди множества банковских рисков) и делается вывод, что основное место, как в зарубежной, так и в отечественной практике, занимают специальные методики кредитного рейтинга. В большинстве своём эти методики представляют собой совокупность оценочных параметров кредитоспособности (факторов риска), сведённых воедино в кредитном рейтинге.

В последнее время среди российских банков, вслед за западными, получили распространение методы оценки потенциальных заёмщиков на основе различного рода статистических и математических моделей. Речь, прежде всего, идёт о моделях кредитного скоринга и VaR методике.

Скоринговая модель ставит целью оценить размер кредитных рисков (или вероятность непогашения кредита в срок) в зависимости от набора определенных признаков, присущих заемщику или конкретной сдеке.

Установлено, что скоринг может осуществляться целым рядом методов, которые обладают различными свойствами. Наиболее популярными сегодня являются четыре основных метода построения скоринговых агоритмов: построения рейтинговых оценок; на основе линейной и логистической регрессии; на основе дерева классификации; на основе нейронной сети.

Наибольший интерес, среди методов построения скоринговых агоритмов, представляет метод анализа риска на основе нейронных сетей. Основное достоинство этого метода заключается в способности агоритма подстраивать структуру сети под новые наблюдения и объяснять довольно сложные связи между значениями факторов риска и его уровнем.

Изучение традиционного кредитного процесса позволило автору предложить методику его автоматизации. Разработанная на основе метода нечётких нейронных сетей и байесовского метода модель автоматизированного кредитного процесса позволяет улучшить его качество и сократить время на принятие решения по кредитной заявке.

Основными этапами предложенного агоритма кредитного процесса являются:

1) Подготовительный этап, служащий для подготовки исходных данных для расчётов.

2) Проверка первичных стоп-показателей. Главная задача этого этапа состоит в выявлении проблемных клиентов.

3) Проверка предоставляемых данных на неточности. Незначительные несоответствия дожны быть в кратчайший срок объяснены клиентом. Наличие значительных несоответствий вынуждает банк отказаться от сотрудничества.

4) Выявление фальсификации отчётности. Анализ отчётности на предмет возможной фальсификации может быть реализован посредством диагностической системы байесовского типа.

5) Проверка платёжеспособности клиента.

6) Построение скоринговой модели надёжности клиента на основе нечёткой нейронной сети. Участие специалиста на этом этапе становится необходимым только в случае низкой уверенности в решении автоматизированной системы оценки риска (а это предоставляемая системой информация) или её отрицательного ответа (для пересмотра размера обеспечения).

7) Проверка благонадёжности клиента и достоверности предоставленных данных.

8) Рассмотрение заявки кредитным комитетом. В случае положительного заключения кредитного комитета клиенту в установленном порядке выдаётся ссуда. В противном же случае клиенту даётся мотивированный отказ.

Разработанная модель кредитного процесса позволяет эффективно использовать человеческий ресурс банка, поскольку такая автоматизация процесса анализа риска (с первого по шестой этапы) позволяет специалистам банка сосредоточить внимание на нестандартных (необычных) клиентах.

Предлагаемая автором методика анализа кредитного риска, базируется на методе нечёткой нейронной сети с генетическим агоритмом обучения. Использование нечётких нейронных сетей в качестве метода анализа риска даёт следующие преимущества перед другими методами:

- высокая точность расчётов;

- возможность построения непараметрических моделей (позволяют использовать переменные разного типа: непрерывные, качественные, упорядоченные и т.д.);

- возможность обрабатывать прецеденты обучающей выборки со сложным видом сегментов (не прямоугольной формы);

- способность системы к адаптивному обучению (т.е. система может приобретать новые знания) путём реакции на положительные и отрицательные воздействия;

- возможность извлечения правил, на основе которых было сделано то или иное заключение, на естественном языке;

- оперирование системы с нечёткими правилами (что ближе к человеческому мышлению и естественным языкам).

Предложенная для оценки кредитного риска нечёткая нейронная сеть обладает модульной структурой, что позволяет гибко регулировать структуру каждого из модулей (в зависимости от структуры исходных данных или заданных правил) нейронной сети в целях повышения качества вывода сети. Использованный для обучения нейронной сети генетический агоритм обладает прекрасной способностью к распаралеливанию вычислений. Применение паралелизма позволяет ускорить процесс обучения или значительно увеличить размерность задачи (за счёт использования в нескольких паралельных потоках различных параметров обучения) при тех же затратах времени.

Использование модифицированной структуры нейронной сети и оптимизированного генетического агоритма позволяет ускорить процесс обучения и улучшить точность получаемых решений, что в конечном итоге приводит к улучшению качества оценок автоматизированной системы.

Рассмотренный в работе пример апробации разработанной автоматизированной системы показал состоятельность модели кредитного риска при решении практических задач, гибкость структуры нейронной сети (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания и легкость интерпретирования результатов. Подсистема объяснения заключения данной автоматизированной системы позволяет получать результаты расчётов на естественном языке, что повышает степень доверия к выданному машиной заключению. Данная автоматизированная система может быть успешно использована многими коммерческими банками.

Диссертация: библиография по экономике, кандидат экономических наук , Селянин, Владимир Евгеньевич, Вогоград

1. Атунин, А.Е. Модели и агоритмы принятия решений в нечетких условиях: монография / А.Е. Атунин, М.В. Семухин. Тюмень: Издательство Тюменского государственного университета, 2000. - 352 с.

2. Андрейчиков, А.В. Анализ, синтез, планирование решений в экономике /

3. A.В.Андрейчиков, О.Н. Андрейчикова. М.: Финансы и статистика, 2000. -368 с.

4. Андрейчиков, А.В. Интелектуальные информационные системы в экономике / А.В. Андрейчиков, О.Н. Андрейчикова, С.И. Сергеев -Вогоград: ВогГТУ, 1998. 144с.

5. Андрейчиков, А.В. Компьютерная поддержка изобретательства (методы, системы, примеры применения) / А.В. Андрейчиков, О.Н. Андрейчикова. М.: Машиностроение, 1998. - 476с.

6. Андрейчиков, А.В. Математические модели и программные средства принятия решений в экономике и бизнесе. Монография / А.В. Андрейчиков Вогоград: РПК "Политехник" ВогГТУ, 2004. - 208с.

7. Андрианов, В. Ограничение банковских рисков: рекомендации базельского комитета и обязательные нормативы деятельности банков /

8. B. Андрианов // Вестник АРБ. 2005. - №1. - С.26-42.

9. Анненская, Н.Е. Управление рисками в финансовой индустрии / Н.Е. Анненская // Оперативное управление и стратегический менеджмент в КБ.-2004.- №5. С.41-52.

10. Асаи, К. Прикладные нечеткие системы: пер. с япон./ К. Асаи, Д. Ватада,

11. C. Иван и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно.; перевод с япон. 10. Н. Чернышев. М.: Мир, 1993. - 368с.

12. Балабанов, И.Т. Основы финансового менеджмента. Как управлять капиталом? / И.Т. Балабанов М.: Финансы и статистика, 1994. - 288с.

13. Балабанов, И.Т. Риск-менеджмент / И.Т. Балабанов. М.: Финансы и статистика, 1996. - 192с.

14. Батракова, Л.Г. Экономический анализ деятельности коммерческого банка / Л.Г. Батракова М.: Логос, 1998. - 343с.

15. М.К. Беляев // Банковское дело. 2006. - №5. - С.54-56. ХЬ.Беляков, А.В. Банковские риски: проблемы учёта, управления и регулирования. / А.В. Беляков. - М.: Издательская группа "БДЦ-пресс",2003. -256с.

16. НикаЦентр, Эльга, 2001. 528с. 18.Борисов, А.Н. Принятие решений на основе нечетких моделей / А.Н.

17. Борисов, О.А. Крумберг, И. П. Федоров. Рига: Зинатне, 1990. -184с. Х9.Боунегра, А. Управление рисками в системе комплексного внутреннего контроля банка / А. Боунегра // Международные банковские операции.2004,- №2. С.145-150.

18. Бурцев, М.С. Исследование новых типов самоорганизации и возникновения поведенческих стратегий. // Диссертация на соискание ученой степени кандидата физико-математических наук. Институт прикладной математики им. В.М. Кедыша РАН, Москва. - 2005.

19. Бухтин, М.А. Методология контролинга кредитных рисков / М.А. Бухтин // Оперативное управление и стратегический менеджмент в КБ. -2004. №6. - С.80-99.

20. Бухтин, М.А. Организационные принципы управления рисками в коммерческом банке. Процессный подход / М.А. Бухтин // Оперативное управление и стратегический менеджмент в коммерческом банке. 2003. - №2 . - С.66-83.

21. Бухтин, М.А. Системы оценки и управления банковскими рисками / М.А. Бухтин // Расчёты и операционная работа в коммерческом банке. 1999. -№2. - С.36-49.

22. Веремеенко, С.А. Мониторинг средневзвешенной доходности активов и цены пассивов коммерческого банка в условиях инфляции / С.А. Веремеенко, С.В. Пугачёв // Банковское дело. 1997. - №10. - С.46-48.

23. Власов, В.А. Анализ ограничений риска в банковском секторе / В.А. Власов, С.В. Власов // Деньги и кредит. 2005. - №2. - С.48-50.

24. Воробьёва, Л.И. Модель оценки надёжности банков-контрагентов с учётом сравнительного менеджмента / Л.И. Воробьёва // Оперативное управление и стратегический менеджмент в КБ. 2004. - №6. - С.111-118.

25. Горелик, В.А. Теоретико-игровые модели принятия решений в эколого-экономических системах / В.А. Горелик, А.Ф. Кононенко М.: Радио и связь, 1982. - 144с.

26. Готовчиков, И.Ф. Комбинированные методы оценки финансовых рисков / И.Ф. Готовчиков // Банки и технологии. 2005. - №3. - С.50-59.

27. Готовчиков, И.Ф. Практический метод экспресс-оценки финансовых возможностей физических и юридических лиц / И.Ф. Готовчиков // Банковское кредитование. 2005. - №3. - С.20-25.

28. Гражданский кодекс Российской Федерации (ГК РФ), Часть первая от 30 ноября 1994 г. N 51-ФЗ. Часть вторая от 26 января 1996 г. N 14-ФЗ. Часть третья от 26 ноября 2001 г. N 146-ФЗ.

29. Гражданский процессуальный кодекс Российской Федерации (ГПК РФ) от 14.11.2002 N 138-Ф3.

30. Гудман, Э.Д. Эволюционные вычисления и генетические агоритмы / Э.Д. Гудман, А.Д. Коваленко // Обозрение прикладной и промышленной математики. М.: Изд-во ТВП, 1996.

31. Дубров, A.M. Моделирование рисковых ситуаций в экономике и бизнесе /

32. A.М Дубров, Б.А. Лагоша, ЕЛО. Хрусталев. М.: Финансы и статистика, 1999. -176с.

33. Емельянов, В.В. Теория и практика эволюционного моделирования /

34. Иванилов, ЮЛ. Математические модели в экономике / Ю.П. Иванилов, А.В. Лотов М.: Наука, 1979. - 304с.

35. Ильясов, С.М. Об оценке кредитоспособности банковского заёмщика / С.М. Ильясов // Деньги и кредит. 2005. - №9. - С.28-34.

36. Инструкция ЦБ от 16 января 2004 г. № 110-И "Об обязательных нормативах банков".

37. Информация Центрального Банка России "О практике стресс тестирования в кредитных организациях": Информация из Internet. -Ссыка на домен более не работаетanalytics/banksystem/stressinf.htm.

38. Информация Центрального Банка России. Данные об объемах предоставленных кредитов. Статистика по банковской системе: Информация из Internet. Ссыка на домен более не работаетstatistics/banksystem/.

39. Камара, С. Клиент в матрице / С. Камара, Е. Смоленская // <<D' (Д-штрих) №1 (6): Информация из Internet. Ссыка на домен более не работает printissues/d/2006/01/ potrebitelskoekreditovanie/

40. Карасёва, Т.В. Проблемы расчёта себестоимости банковских услуг и продуктов / Т.В. Карасёва // Оперативное управление и стратегический менеджмент в КБ. 2004. - №5. - С. 117-121.

41. Киевский, В. Кредитование малого бизнеса: отсутствие желания или возможности? / В. Киевский, А. Новиков // Аналитический банковский журнал. -2005. №2. - С.47-57.

42. Ковалёв, В.В. Введение в финансовый менеджмент / В.В. Ковалёв. М.: Финансы и статистика, 2006. - 768с.

43. Комисаров, Г.П. Влияние макроэкономических индикаторов на состояние региональных банковских систем / Г.П. Комисаров // Оперативное управление и стратегический менеджмент в КБ. 2005. - №5. - С.51-68.

44. Кондратюк, Е.А. Понятие банковских рисков и их классификация / Е.А. Кондратюк // Деньги и кредит. 2004. - №6. - С.43-50.

45. Копытин, В.Ю. О платёжных системах и моделировании расчётных систем / В.Ю. Копытин // Расчёты и операционная работа в коммерческом банке. 2006. - №3. - С.35-41.

46. Косое, В.В. Экономика / В.В. Косов, В. Н. Лившиц, А. Г. Шахназаров -М.:ОАО "НПО" Изд-во "Экономика", 2000. 421с.

47. Косоеан, КС. Управление ресурсами в коммерческом банке / К.С. Косован // Деньги и кредит. 2001. - №6. - С.32-36.

48. Кофман, А. Введение в теорию нечетких множеств/ А. Кофман М.: Радио и связь, 1982. - 432с.

49. Круглое, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. М.: Горячая линия - Телеком, 2002. - 382с.

50. Круглое, В.В. Нечеткая логика и искусственные нейронные сети: Учеб. пособие / Круглов В.В., Дли М.И., Голунов Р.Ю. М.: Физматлит, 2001. -224с.

51. Курейчик, В.М. Эволюционные, синергетические и гомеостатические методы принятия решений / В.М. Курейчик Таганрог: Изд-во ТРТУ, 2001.-240с.

52. Курейчик, В.М. Генетические агоритмы и их применение / В.М.

53. Курейчик Таганрог: Изд-во ТРТУ, 2002. - 350с. 15.Лаврушина, О.И. Деньги, кредит, банки: учебник / Под ред. О.И.

54. Лаврушина. М.: Финансы и статистика, 2004.- 464с. 76.Лапуста, М.Г. Проблемы кредитования малого бизнеса в России / М.Г.

55. Лапуста, Т.Ю. Мазурина // Финансы. 2005. - № 4. - С.14-16. 11 .Ларичев, О.И. Субъективные модели и объективные решения/ О.И.

56. Ларичев. М.: Наука, 1987. - 231с. 78.Ли, О.В. Об оценке кредитоспособности заёмщика (российский изарубежный опыт) / О.В. Ли // Деньги и кредит. 2005. - №2. - С.50-52. 19.Литвак, Б.Г. Экспертные оценки и принятие решений / Литвак Б.Г. - М:

57. Патент, 1996.-271с. 80.Лобанов, А.А. Энциклопедия финансового риск-менеджмента / Под ред.

58. А.А. Лобанова и А.В. Чугунова. М.: Альпина Паблишер, 2003. - 450 с. 81 .Маликов, Р. Особенности автоматизации бизнес-процессов кредитования физических лиц / Р. Маликов // Банки и технологии. - 2005. - №3. - С.40-44.

59. ЪА.Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой А.Н Мелихов, JI.C. Бернштейн, С.Я. Коровин М: Наука, 1990. - 272с.

60. Методика анализа финансового состояния коммерческих банков. Группа ИНЭК: Информация из Internet., -Ссыка на домен более не работаетp>

61. Методика определения кредитоспособности банков-контрагентов Европейского трастового банка: Информация из Internet. -www.bankclub.ru/materials-credit-banks-etb.htm

62. Методика расчёта кредитного риска по условным обязательствам кредитного характера // Приложение 2 к Инструкции ЦБ от 16 января 2004 г. № 110-И "Об обязательных нормативах банков".

63. Методики анализа финансового состояния заёмщика. Агентство ВЭП: Информация из Internet. Ссыка на домен более не работаетp>

64. Минаев, Ю.Н. Методы и агоритмы решения задач идентификации и прогнозирования в условиях неопределённости в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Лиес Бенамеур. -М.: Горячая линия Телеком, 2003, - 205с.

65. Мишин, С. Риск дело благородное? / С. Мишин, А. Тюрин // Банки и технологии. - 2006. - №1. - С.68-72.91 .Морковкин, А. Подход к определению финансового положения страховой организации / А. Морковкин // Бухгатерия и банки. 2005. - №2. - С.43-46.

66. Нечеткие множества в моделях управления и искусственного интелекта / под ред. Д.А. Поспелова М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 312с.

67. Никишев, Ю.Ю. Установление лимитов на операции исходя из оценки совокупного риска банка / Ю.Ю. Никишев // Вестник АРБ. 2002. - №12. - С.40-45.

68. Орловский, С.А. Проблемы принятия решений при нечеткой входной информации / С.А. Орловский. М.: Наука, 1981. - 208с.

69. Осипенко, Т.В. О системе рисков банковской деятельности / Т.В. Осипенко // Деньги и кредит. 2000. - №4. - С.28-30.

70. Паклин, Н. Непрерывные генетические агоритмы / Н. Паклин. -математический аппарат : Информация из Internet. -Ссыка на домен более не работаетgenetic/realcodedga.htm

71. Письмо ЦБ РФ от 23 июня 2004 г. № 70-Т. "О типичных банковских рисках".

72. Положение ЦБ РФ №254-П от 26 марта 2004 г. "О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задоженности".

73. Положение ЦБ РФ №283-П от 20 марта 2006 года "О порядке формирования кредитными организациями резервов на возможные потери".

74. Помазанов, М.В. Количественный анализ кредитного риска / М.В. Помазанов // Банковские технологии. 2004. - №2. - С.22-28.

75. Поморина, М.А. Внутренний анализ финансового состояния банка / М.А. Поморина // Банковское дело. 1999. - №5. - С.18-25; 1999. - № 6. -С.34-40.

76. Поморина, М.А. Управление рисками как составная часть процесса управления активами и пассивами банка / М.А. Поморина // Банковское дело.- 1997.-№10.- С.12-17.

77. Потоцкая, Е.Г. Организация системы управления рисками в банке / Е.Г. Потоцкая // Бухгатерия и банки. 2001. - №3. - С. 17-25.

78. Рид, Э. Коммерческие банки / Э. Рид, Р. Коттер, Э. Гил и др.; пер. с англ. А.А. Кандаурова и др.; под ред. В.М. Усоскина. М.: СП "Космополис", 1991.-480 с.

79. Рогачёе, А.Ю. Методы расчёта рисковой стоимости в банковской практике / А.Ю. Рогачёв // Деньги и кредит. 2005. - №9. - С.41-45.

80. Рогов, М.А. Установление лимитов на привлечение заёмных средств в корпорации / М.А. Рогов: Информация из Internet. www.hedging.ru/ publications/133

81. ИЗ. Романов, М.Н. Основные подходы к оценке кредитного риска банков РФ / М.Н. Романов // Банковское дело. 2000. - №7. - С. 12-14.

82. Рутковская, Д. Нейронные сети, генетические агоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польск. И. Д. Рудинского. М.: Горячая пиния - Телеком, 2006. - 452с.

83. Рыжов, А. П. Степень нечеткости лингвистической шкалы и ее свойства. Нечеткие системы поддержки принятия решений / А.П. Рыжов; под ред. А.Н. Аверкина и др.. 1988. - 298с.

84. Сагитдинов, М.Ш. К вопросу об анализе деятельности коммерческого банка / М.Ш. Сагитдинов, Ф.Ф. Калимулина // Банковское дело. 1997. - №10. - С.7-11.

85. Саркисянц, А. Подходы к оценке банковского портфеля / А. Саркисянц, А. Дубов // Банковское дело. 1998. - №6. - С.10-14.

86. Сипки, Дж. Ф., мл. Управление финансами в коммерческих банках: Пер. с англ. / Джозеф Ф. Синки, мл. М.: Catallaxy, 1994. - 937с.

87. Скоринг "физиков": быть или не быть кредиту? Франклин & Грант: Информация из Internet., Ссыка на домен более не работаетru/news2/ data/news03/2003l 2/2003122218063 lgd.asp

88. Смирнов, А.В. Методика установления лимитов на межбанковские операции / А.В. Смирнов, И.В. Баков, К.В. Кирютенко // Банковское дело. -2000. №4. - С.2-6.

89. Смирнов, Е.Е. Управление кредитным риском в системе кредитования малого бизнеса / Е.Е. Смирнов // Расчёты и операционная работа в коммерческом банке. 2006. - №3. - С.27-34.

90. Соколинская, Н.Э. Новые методы снижения кредитных рисков при проведении факторинговых операций и их отражение в бухгатерском учёте / Н.Э. Соколинская // Налогообложение, учёт и отчётность в коммерческом банке. -2003. №1. - С.76-89.

91. Соложенцев, Е.Д. Логико-вероятностная оценка банковских рисков и мошенничеств в бизнесе / Соложенцев Е.Д. и др. СПб.: Политехника, 1996. - 59 с.

92. Сперанский, А. Потребительское кредитование. К вопросу об этике собирания догов / А. Сперанский // Бухгатерия и банки. 2006. - №8. -С.53-57.

93. Стандарт Банка России "Обеспечение информационной безопасности организаций банковской системы Российской Федерации. Общие положения". СТО БР ИББС-1.0-2006. (утверждён распоряжением ЦБ РФ от 26.01.2006 № Р-27)

94. Станкевич, В. Оценка заёмщика оценка риска / В. Станкевич // Банковское обозрение. - 2004. - №11. - С.43-47.

95. Стишковский, А. Российские банки на международных рынках: достаточен ли капитал / А. Стишковский // Методические банковские операции. 2004. - №7. - С.25-44.

96. Стоянова, Е.С. Финансовый менеджмент: теория и практика / Е.С. Стоянова. М.: Перспектива, 2006. - 656с.

97. Строев, А.А. Внедрение системы кредитного скоринга в банке / А.А. Строев // Расчёты и операционная работа в КБ. 2004. - №6. - С.50-56.

98. Строев, А.А. Внедряем кредитный скоринг / А.А. Строев // Расчёты и операционная работа в КБ. 2004. - №4. - С.49-52.

99. Строев, А.А. Расчёт экономического эффекта от внедрения кредитного скоринга / А.А. Строев // Расчёты и операционная работа в КБ. -2004. №10. - С.34-37.

100. Субботин, А.В. Скоринг при оценке кредитных рисков / А.В. Субботин, А.А. Анно, В.Е. Удальцов // Внедрение МСФО в кредитной организации. 2004. - №5. - С.44-56; 2004. - №6. - С.54-63.

101. Супрупович, Е.Б. Основы управления рисками / Е.Б. Супрунович // Банковское дело.-2001. -№12. С.9-12.

102. Супрунович, Е.Б. Планирование рисков / Е.Б. Супрунович // Банковское дело. 2001. - №2. - С.13-15.

103. Супрунович, Е.Б. Управление кредитным риском / Е.Б. Супрунович // Банковское дело. 2002. - №4. - С. 16-18.

104. Суская, ЕЛ. Оценка рисков при кредитовании юридических лиц / Е.П. Суская //Банковское дело. 1998. - №2. - С.30-35.

105. Типенко, Н.Г. Оценка лимитов риска при кредитовании корпоративных клиентов / Н.Г. Типенко, Ю.П. Соловьёв, В.Б. Панич // Банковское дело. 2000. - №10. - С. 19-28.

106. Тоцкий, М.Н. Методические основы управления кредитным риском в коммерческом банке / М.Н. Тоцкий: Информация из Internet. -www.finrisk.ru/article/ totskiy/totskiy2.html

107. Трухаев, Р.Н. Методы принятия решений в условиях неопределённости / Р.Н. Трухаев. М.: Наука, 1980. - 321с.

108. Уткин, В.Б. Информационные системы и технологии в экономике / В.Б. Уткин, К.В. Бадин. -М.: ЮНИТИ-ДАНА, 2003. -335с.

109. Фаррахов, И.Т. Вероятность невозврата кредита. Оценка и применение. / И.Т. Фаррахов // Аналитический банковский журнал. №4. - 2002 г.

110. Федеральный закон № 127-ФЗ от 26.10.02 г. "О несостоятельности (банкротстве)" в ред. от 05.02.2007.

111. Федосеев, В.В. Экономико-математические методы и прикладные модели: учеб. пособие для втузов / В.В. Федосеев и др.; под ред. В.В. Федосеева. -М, 1999. 391с.

112. Хант, Э. Искусственный интелект / Э. Хант М.: Мир, 1978.

113. Хейнсворт, Р. Корпоративное управление / Р. Хейнсворт // Банковское дело. -2001. №7. - С.16-18.

114. Шевченко, С.И. Использование инструментов финансово рынка для управления кредитными рисками / С.И. Шевченко // Расчёты и операционная работа в КБ. 2005. - №2. - С.75-82.

115. Шенец, Г. Оценка финансового положения заёмщика / Г. Шенец // Бухгатерия и банки. 2005. - №3. - С.58-63.

116. Шеремет, А.Д. Методика финансового анализа / А.Д. Шеремет, Р.С Сайфулин. М.:ИНФРА-М, 1998. - 328с.

117. Шеремет, А.Д. Финансовый анализ в коммерческом банке / А.Д. Шеремет, Г.Н. Щербакова. М: Финансы и статистика, 2002. - 256с.

118. Ширинская, Е.Б. Лимитная политика коммерческого банка. Формирование единого информационно-аналитического пространства межбанковского рынка / Е.Б. Ширинская, Н.А. Пономарёва // Вестник АРБ. 2000. - №6. - С.71-73.

119. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику / С.Д. Штовба: Информация из Internet. Ссыка на домен более не работает MATLABRU/fuzzylogic/bookl/index.asp.htm

120. Щелов, О. Детальный анализ Положения ЦБ РФ № 283-П / О. Щелов //Бухгатерия и банки, 2006. - №8. - С. 17-21.

121. Эддоус, М. Методы принятия решений / М. Эддоус, Р. Стенфид -М.: Аудит, ЮНИТИ, 1997. 590с.

122. Ягер, Р. Нечеткие множества и теория возможностей, последние достижения / Р. Ягер. М.: Радио и связь, 1986 - 406с.

123. Goldberg David Е. Genetic Algorithms in Search, Optimization, and Machine Learning/ Goldberg David E. USA Addison-Wesley Publishing company, Inc., 1989. - 45p.

124. Lawrence, D. Handbook of Genetic Algorithms / Lawrence Davis. -USA, New York: Van Nostrand Reinhold, 1991. 280p.

125. Zadeh, L.A. Fuzzy logic, neutral networks and soft computing / L.A. Zadeh // Commun. ACM, 1997, Vol.37. P.77-84.

Похожие диссертации