Geum.ru

«Современные проблемы управления риском»

Вид материалаСтатья

Содержание


Y, соответствующая двум классам, к которым в результате обучения нейронная сеть должна научиться относить новых потенциальных за
Y (типа заемщика). Соответственно, если для заемщика значение параметра Y
Facilities of modeling and management of credit risks is based on neural networks technologies
Рекомендация специалиста
Подобный материал:

Статья публикуется в рамках Международной заочной научно-практической конференции студентов, аспирантов и молодых ученых «Современные проблемы управления риском», 20 октября 2010 г., Пермь

УДК 519.2

ВОЗМОЖНОСТИ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ КРЕДИТНЫМИ РИСКАМИ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Порошина Агата Максимовна

Государственный университет – Высшая школа экономики (Пермский филиал),

г. Пермь, ул. Студенческая, 38

AMPoroshina@gmail.com

В статье рассматривается проблема оценки кредитоспособности заемщиков банков и возможностей использования технологий искусственного интеллекта, в частности нейросетевых технологий, как инструмента для управления кредитными рисками. Для решения задачи классификации потенциальных заемщиков в зависимости от их уровня кредитного риска реализуется метод нейросетевого моделирования, базирующийся на данных кредитных историй индивидуальных предпринимателей.

Окружающая среда банковского менеджмента отличается достаточно высокой динамичностью, что связано в первую очередь с особенностями рыночной экономики, для которой характерна определенная нестабильность, порождаемая конкурентной средой, неустойчивыми потребительскими предпочтениями и другими факторами. Это в свою очередь проявляется в сфере банковского предпринимательства в виде многочисленных рисков, которые прямо или косвенно влияют на функциональность и устойчивость кредитных организаций. В связи с возросшим масштабом кредитных рисков, особенно в ситуации финансово-экономического кризиса, актуальна проблема поиска альтернативных методов снижения банковских рисков, необходимость изучения факторов риска, разработка системы показателей и совершенствование методов анализа и оценки кредитоспособности заемщика.

Учитывая актуальность данной проблемы, целью настоящего исследования являлась разработка модели оценки кредитоспособности заемщиков – индивидуальных предпринимателей (ИП) с использованием таких технологий искусственного интеллекта, как нейронные сети.

В настоящее время в мире не существует единой стандартизированной системы оценки кредитоспособности. Банки используют различные системы анализа кредитоспособности заемщиков. Причинами такого многообразия являются как особенности кредитной культуры и исторически сложившейся практики в определении набора инструментов минимизации кредитных рисков, так и различная степень доверия к количественным и качественным способам оценки факторов кредитоспособности (Лаврушин, 2007).

Более того, в банковской практике сложилось устойчивое представление о существовании линейной зависимости между кредитным рейтингом и показателями, характеризующими деятельность заемщика. Такое положение приводит к тому, что методики, используемые коммерческими банками при оценке кредитоспособности заемщика, субъективны, не отражают достоверно и в полной мере экономическое положение анализируемого предприятия. А гипотезы о нелинейной зависимости показателей долгое время не могли быть рассмотрены на практике в связи с отсутствием необходимого инструментария. Появление таких технологий искусственного интеллекта, как нейронные сети (нейросетевые технологии), позволяет открыть новые перспективы в этой области.

Нейронные сети представляют собой системы, имитирующие работу человеческого мозга, посредством взаимодействия взаимосвязанных «нейронов». В них используются аналогичные входные данные, как и при эконометрическом подходе, выделяя взаимосвязи между ними посредством многократного повторения, методом проб и ошибок. Такие характеристики нейронных сетей, как возможность нелинейного моделирования и относительная простота реализации, делают их незаменимыми при решении сложнейших многомерных задач.

Результаты исследований ряда зарубежных авторов, например, P. Coasts и L. Fant (1992); L. Salchenberger, E. Cinar и N. Lash (1992); Z. Yang, M. Platt, H. Platt (1999), посвященных сравнению нейронных сетей и традиционных подходов для оценки кредитоспособности заемщиков, свидетельствуют о более высокой точности нейронных сетей в решении задачи классификации заемщиков и прогнозировании вероятности банкротства. Следует также отметить, что нейронная сеть, используя аналогичные данные, требует меньшего количества предпосылок, но представляет собой более надежный и эффективный инструмент для оценки кредитоспособности заемщиков.

Таким образом, именно неудовлетворенность возможностями традиционных методов статистики, несостоятельность традиционных подходов в условиях финансово-экономического кризиса и возможности, полученные в данной области с помощью нейронных сетей, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика.

В рамках совершенствования методик оценки кредитоспособности индивидуальных предпринимателей для снижения кредитных рисков была сконструирована нейросетевая математическая модель. Задача построения нейросетевой модели сводилась к необходимости определения кредитного риска выдаваемой ссуды путем классификации заемщиков на «благонадежных» и «неблагонадежных» на основе показателей, отражающих финансовое состояние заемщика, параметры кредитной сделки, а также индивидуальных и макроэкономических показателей.

Алгоритм применения метода нейросетевого моделирования, согласно общепринятой методике, был объединен в несколько основных этапов (Ясницкий, 2008г.):
  • постановка задачи;
  • формирование примеров;
  • проектирование нейронной сети (экспериментальный подбор характеристик нейронной сети);
  • обучение нейронной сети (экспериментальный подбор параметров обучения);
  • тестирование и оптимизация нейронной сети;
  • анализ, прогнозирование и исследование результатов нейросетевого моделирования.

Для построения нейросетевой модели использовался программный продукт Пермского государственного университета «Нейросимулятор-3.0» (Черепанов, Ясницкий, 2007). В рамках исследования клиенты разделяются на два класса – «благонадежные» (кто возвращает кредит вовремя) и «неблагонадежные» (у кого встречаются просрочки, невыплаты, пролонгации ссуды). Таким образом, нейросетевая модель, должна определять, окажется ли потенциальный заемщик проблемным или же кредит будет возмещен вовремя и в полном объеме с полной уплатой процентов.

Одним из ключевых моментов при построении любой модели и формировании на её основе ряда прогнозов является этап, связанный с обозначением ограничений использования модели. Для этого был введен ряд существенных предпосылок, таких как:
  • в рамках модели рассматривается коммерческое кредитование на цели пополнения оборотных средств – сроком до 1,5 лет; на цели вложения во внеоборотные активы – сроком не более 5 лет;
  • предполагается, что потенциальный заемщик – ИП специализируется на одном виде деятельности;
  • ИП не входит в состав группы связанных с ним юридических лиц/индивидуальных предпринимателей;
  • обеспечения или поручительства достаточно для предоставления кредита при выполнении остальных требуемых банком условий по кредитованию заемщика;
  • кредиты выдаются в национальной валюте (рубли);
  • если заемщик закрыл кредит досрочно без просроченных задолженностей, пролонгаций, то он относится к категории «благонадежных».

В качестве исходной информации для применения метода нейросетевого моделирования использовалась статистическая выборка заемщиков (ИП) Сбербанка России за период с 2006 – 2010 гг. Из данных наблюдений были выделены три множества.

Обучающее множество (100 примеров) использовалось для обучения нейронной сети, в процессе которого она выявляет нелинейные зависимости между ключевыми параметрами модели. Тестирующее множество использовалось для проверки прогностических свойств модели (16 примеров). Для того чтобы окончательно удостовериться в адекватности модели, осуществлялась проверка модели на основе подтверждающих примеров (6 примеров). Стоит отметить, что в каждом из множеств было равное соотношение «благонадежных» и «неблагонадежных» заемщиков, а наблюдения из каждого множества не пересекались между собой.

Исходя из логики способов оценки кредитоспособности ИП и имеющейся базы данных, было выделено 14 критериев (переменные X), которые были закодированы и условно разделены на следующие четыре группы:
  1. Показатели деятельности индивидуального предпринимателя (объем годовой выручки, класс кредитоспособности);
  2. Параметры кредитной сделки (год выдачи кредита, год погашения кредита, цель, сумма и срок кредита, тип обеспечения);
  3. Индивидуальные показатели клиента (пол);
  4. Макроэкономические показатели (тип отрасли/сектор, наличие лицензии, перспективы (степень) развития отрасли, тип региона, перспективы (степень) развития экономики региона).

Класс кредитоспособности заемщика (соответственно и порядок расчета финансовых показателей) определялся в соответствии с действующей методикой оценки кредитоспособности ИП Сбербанка России. Для определения типа отрасли использовалась классификация секторов и отраслей экономики О.И. Шкаратана и С.А. Инясевского (Шкаратан, Инясевский, 2007). Перспективы развития отрасли и перспективы развития экономики региона определялись на основе экспертной оценки. При этом во внимание принимались такие параметры, как особенности законодательства (например, наличие льготного налогообложения), особенности региональной политики, уровень инвестиционной привлекательности региона (в т.ч. кредитный рейтинг), тип отрасли и динамика развития отрасли, стабильность отрасли, необходимость лицензирования деятельности, общеэкономическая ситуация и др.

Выходным параметром модели являлась бинарная номинальная переменная Y, соответствующая двум классам, к которым в результате обучения нейронная сеть должна научиться относить новых потенциальных заемщиков. При этом если Y=1, то это означает, что данный заемщик является благонадежным и кредитоспособным, никаких замечаний не наблюдалось, т.е. он характеризуется низкой степенью кредитного риска. Если Y=0, то это означает, что по данному кредиту возникали различные проблемы, в частности: наличие просроченной задолженности по уплате обязательств основного долга или процентов, наличие пролонгаций, проблемы в области обеспечения кредита и дефолт. Следовательно, в этом случае заемщик характеризуется высокой степенью кредитного риска, поэтому необходим более детальный анализ, или же в дальнейшем таким заемщикам следует отказывать при запросе кредита.

Более того, методикой предусматривалось округление сгенерированного нейронной сетью значения выходного параметра Y (типа заемщика). Соответственно, если для заемщика значение параметра Y больше 0,5, то производим округление его до 1, что соответствует категории «благонадежного» заемщика. Если значение параметра Y меньше 0,5, то округляем его до 0 и относим заемщика с таким показателем к категории «неблагонадежных».

Таким образом, в ходе исследования, спроектированная нейронная сеть успешно обучилась, о чем свидетельствовала величина максимальной по всем примерам погрешности обучения, характеризующая точность распознавания обучающего множества, равная 13,5%. На основе тестирующего и подтверждающего множества проведена, соответственно, оценка качества модели и проверка адекватности модели исследуемой области. Максимальные погрешности на примерах тестирующего множества и на примерах подтверждающем множестве составили соответственно 6,6% и 4,7%, что является хорошим результатом, поскольку после выполнения процедуры округления нейросетевая математическая модель показала стопроцентное совпадение прогнозных и фактических результатов как на тестирующих, так и на подтверждающих примерах, следовательно, отсутствовали ошибки I и II родов.

После того, как установлена адекватность разработанной нейросетевой модели, ее можно исследовать с целью выявления закономерностей моделируемой предметной области. Такие исследования, например, показали, в зависимости от различных сочетаний входных параметров встречаются случаи, когда тип заемщика чувствителен либо малочувствителен к классу кредитоспособности и типу региона. На примере «неблагонадежного» заемщика были рассмотрены параметры кредитной сделки, путем изменения которых может быть повышена степень его «благонадежности». В частности, за счет сокращения срока кредита или разбиения суммы кредита на меньшие с меньшими сроками данный заемщик может быть классифицирован как «благонадежный».

Таким образом, тип заемщика чувствителен к изменению различных параметров, включенных в исходную модель, однако уровень их влияния различен, поскольку каждый заемщик, кредитная сделка и макроэкономическая ситуация характеризуются своим комплексом входных параметров.

Выявленные закономерности могут быть полезными для кредитных инспекторов, в частности, при выборе оптимальных схем кредитования, однако они не охватывают всего многообразия знаний, извлеченных нейронной сетью из множества обучающих примеров. Поэтому степень «благонадежности» заемщика в каждом конкретном случае должна быть оценена путем вычислений с помощью разработанной нейросетевой математической модели.

Сконструированная нейросетевая математическая модель может использоваться в качестве системы поддержки принятия решений. Кроме того, она может служить основой для разработки комплексной системы оценки кредитоспособности заемщиков, которая может быть доработана за счет внедрения дополнительных параметров, с учетом стратегических инициатив банка и преодоления ряда ограничений модели. В дальнейшем планируется разработка пользовательского интерфейса и полноценной коммерческой версии программы, которая позволит банковским работникам оперативно принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.

Список литературы

1. Coats, P.K. and Fant, L.F.: Recognizing financial distress patterns using a neural network tool// Financial Management, Autumn 1993, Vol. 22, p. 142 – 155.

2. Salchenberger, L.M., Cinar, E.M. and Lash, N.A.: Neural networks: a new tool for predicting thrift failures// Decision Sciences, Julie/August 1992, Vol. 23, p. 899 – 916.

3. Yang, Z.R., Platt, M.B. and Platt, H.D.: Probabilistic neural networks in bankruptcy prediction//Journal of Business Research, 1999, Vol. 44, pp. 67 – 74.

4. Банковское дело: современная система кредитования / под ред. О.И. Лаврушина; 3-е изд., перераб. и доп. М, 2007. 264 с.

5. Черепанов Ф.М., Ясницкий Л.Н. Симулятор нейронных сетей «Нейросимулятор 1.0» // Свидетельство об отраслевой регистрации разработки № 8756. Зарегистрировано в Отраслевом фонде алгоритмов и программ 12.07.2007.

6. Шкаратан О.И., Инясевский С.А. Классификация отраслей экономики как инструмент анализа тенденций ее трансформации: Препринт WP1/2007/04. М.: Издательский дом ГУ ВШЭ, 2007. 20 с.

7. Ясницкий Л.Н. Введение в искусственный интеллект: учеб. пособие для студ. высш. учеб. заведений. 2-е изд., испр. М.: Издательский центр «Академия», 2008. 176 с.


FACILITIES OF MODELING AND MANAGEMENT OF CREDIT RISKS IS BASED ON NEURAL NETWORKS TECHNOLOGIES

This paper examines the problems of solvencys evaluation of borrowers and the opportunities of using artificial intelligence technologies, in particular neural networks technologies, as a tool for managing credit risk. To solve the problem of classification of potential borrowers, depending on their level of credit risk, we realize the method of neural network modeling, which is based on data from credit histories of individual entrepreneurs.

Poroshina Agatha Maximovna

Perm Branch of Higher School of Economics,

Perm state, 38 Studencheskaya street

РЕКОМЕНДАЦИЯ СПЕЦИАЛИСТА

Работа А.М.Порошиной выполнена на актуальную тему и изложена грамотным языком. Достоверность разработанной нейросетевой математической модели проверена при тестовых испытаниях, а выполненные исследования модели и полученный на их основе вывод представляют научный и практический интерес.

Статья рекомендуется для участия и опубликования в материалах Международной заочной научно-практической конференции студентов, аспирантов и молодых ученых «Современные проблемы управления риском».

Профессор кафедры прикладной математики и информатики

Пермского государственного университета, д.т.н., проф.




Л.Н. Ясницкий