Секция 10 А. И. Жданов, А. В. Кузнецов, О. А. Кузнецова

Вид материала

Документы

Содержание Предприятия (II и III группа кредитного риска) представленные Характеристика MLP-ceтей для оценки кредитоспособности

Подобный материал:

• Кузнецов В. Г., Кузнецова И. Д., Миронов В. В., Момджян К. Х. Философия: Учебник, 8707.43kb.
• Кузнецов В. Г., Кузнецова И. Д., Миронов В. В., Момджян К. Х. Философия: Учебник, 8341.62kb.
• Матвея Сидоровича Кузнецова. М. С. Кузнецов Я, Кузнецов Матвей Сидорович, хочу рассказ, 207.25kb.
• Xix всероссийская конференция, 249.97kb.
• Кафедра мировой экономики научная студенческая конференция на тему: «социальное и экологические, 141.36kb.
• 1 ноября в с. Табуны прошёл ежегодный молодёжный фестиваль «Табуния-2008». Внём приняли, 111.28kb.
• П. В. Кузнецов ­­­­­­ Т. В. Николаева протокол № от Руководитель шмо с. М. Кириллова, 177.49kb.
• Кузнецов Н. Г. Курсом к победе, 8281.83kb.
• М. И. Кузнецова букварь: методический комментарий к урок, 6117.76kb.
• Виктор Кузнецов: «Тайна гибели Есенина», 4242.75kb.

А.И. ЖДАНОВ, А.В. КУЗНЕЦОВ, О.А. КУЗНЕЦОВА

Самарский государственный аэрокосмический университет им. С.П. Королева

к_s_e @mail.ru; zdanov@ssau.ru


ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АНАЛИЗА КРЕДИТОСПОСОБНОСТИ ОРГАНИЗАЦИИ


Аннотация

Количественный анализ кредитоспособности является основным для принятия решения о выдаче кредита и проводится на основе финансовых коэффициентов. В процессе нейрокомпьютинга осуществлялся прогноз оценки кредитоспособности заемщика юридического лица и сравнивался с рейтинговыми показателями предоставления кредита юридическим лицам одного из крупнейших банков России. Использовались MLP-, СОК Кохонена. Отмечалась достаточно высокая точность прогноза, при удовлетворительной специфичности и чувствительности.


При оценке кредитоспособности, организации (юридического лица) применяется качественный и количественный анализ. Количественный анализ кредитоспособности является основным для принятия решения о выдаче кредита и проводится на основе оценки финансовых коэффициентов [3, 4]. Для юридического лица осуществляется в несколько этапов: I этап включает определение системы финансовых коэффициентов и модели применяемой для анализа; II этап – факторный анализ финансовых коэффициентов по выбранной модели с последующим структурным прогнозом, позволяющим прогнозировать изменения кредитоспособности заемщика в динамике. Данный этап, в конечном итоге сводится к определению рейтинга или класса заемщика на основе полученных результатов анализа и прогноза [3].

В ряде работ [1, 3, 4] отмечается, что не существует идеальных систем финансовых коэффициентов и моделей оценки кредитоспособности, все они, в той или иной мере, дают лишь большую или меньшую вероятность ошибки прогноза и как следствие потери актива банка. Поэтому, например Сбербанк РФ для получения более точного результата использует количественный анализ кредитоспособности заемщика по пяти различным моделям, которые используют различные системы финансовых коэффициентов. Исходя из этого, существует возможность возникновения ситуации, когда различные модели оценки вероятности банкротства (кредитоспособности), одновременно указывают на разные классы кредитоспособности одного заемщика и сотруднику банка приходится принимать решение о присвоении рейтинга кредитоспособности клиента на основе противоречивых данных [3]. Таким образом, специалистам банка бывает тяжело охарактеризовать окончательную кредитоспособность заемщика, которая является базой для определения условий кредитной сделки. Решением подобной задачи, была бы разработка комплексной методики количественной оценки кредитоспособности клиента банка (юридического лица), которая позволяла уменьшить противоречивость результатов с одной стороны, а с другой использовала бы плюсы существующих, в том числе и классических моделей, осуществляя, таким образом, более высокое качество принятия решения, средствами компьютерной поддержки [1, 2].

Как отмечалось выше, банки имеют различные методики определения рейтинга заемщика юридического лица. В основе количественного анализа лежат данные, полученные при обработке и оценке показателей баланса, форм бухгалтерской отчетности и данных оперативного учета. В основе же качественного анализа лежит информация, как юридического характера, так и, анкеты клиента, кредитная история, данные финансового планирования и т.п. Информация подобного рода обрабатывается с учетом регламента предоставления кредитов юридическим лицам, являющимся в ряду с кредитной политикой, одним из основных нормативных документов банка, где и закрепляется методика определения кредитоспособности заемщика (количественного, качественного анализа и применяемая рейтинговая модель), то есть, определены: возможности, размер и условия предоставления кредита. Практически, в соответствие с теорией банковского дела, теории риска и юридическими аспектами, информация подобного рода о методиках анализа, входящих в данные документы является конфиденциальной, как для клиентов существующих и потенциальных, так и для сотрудников других банков.

В нашей работе исследовались юридические лица для оценки их кредитоспособности, как клиентов одного из отделений Сбербанка РФ, в период с апреля 2001 года по апрель 2004 года. Для каждого клиента кредитующее подразделение готовило заключение о предоставлении кредита для рассмотрения Кредитным комитетом Банка на основании кредитной заявки заемщика и анализа пакета документов, включающих, в том числе учредительные и правоустанавливающие документы, бухгалтерскую отчетность, документы по предлагаемому обеспечению, целевому использования кредита, ТЭО, бизнес-план и т.п. На основании предоставленной документации и проведенного финансового анализа были получены рейтинговые показатели и выявлены классы кредитоспособности для 18 фирм работающих в сфере торговли, желающих получить краткосрочный кредит размером от 500000 руб. до 6 млн. руб. (на срок от 1 месяца до 1 года). Для каждого из предприятий, в соответствие, с периодом предоставления отчетной бухгалтерской информации (87 балансов), по финансовым показателям рассчитывались Z-показатели моделей (не использовались в нейросетевых моделях): двухфакторной, Альтмана, Лиса, Таффлера, Фулмера, с оценкой вероятности банкротства. По величине рейтинга заемщика шесть предприятий относились к третьему классу (кредитование, связанное с повышенным риском); шесть ко второму классу, требующему взвешенного подхода. Трем предприятиям (третий класс величины рейтинга заемщика), в связи с результатами комплексного анализа кредитного риска, в получении кредитов было отказано.

Анализ финансовых коэффициентов, используемых в моделях, осуществлялся с помощью искусственных нейронных сетей (ИНС), с применением генетического алгоритма. Для создания архитектуры и выбора метода обучения использовался универсальный пакет Statistica Neural Networks (StatSoft, США). Нейросетевое моделирование проводили в несколько этапов.

На первом этапе была осуществлена попытка кластеризации предприятий по ниже перечисленным финансовым показателям (коэффициентам) с помощью самоорганизующихся карт Кохонена (Statistica Neural Networks (StatSoft, США). В качестве входных переменных использовались: коэффициент текущей ликвидности, удельный вес заемных средств в пассивах; (текущие активы-текущие обязательства)/все активы; нераспределенная прибыль/все активы; прибыль до уплаты процентов и налогов/все активы; собственный капитал/заемный капитал; объем продаж/все активы; прибыль от реализации/краткосрочные обязательства; оборотные активы/сумма обязательств; краткосрочные обязательства/сумма активов; выручка/сумма активов; оборотный капитал/сумма активов; прибыль от реализации/сумма активов; нераспределенная прибыль/сумма активов; собственный капитал/заемный капитал; нераспределенные прибыли прошлых лет/совокупные активы; объем реализации/совокупные активы; прибыль до уплаты налогов/совокупные активы; денежный поток/полная задолженность; долговые обязательства/совокупные активы; текущие пассивы/совокупные активы; log (материальные активы).

Обучение СОК Кохонена осуществлялось методом последовательных приближений в два этапа. На первом этапе (100 эпох) скорость обучения задавали с уменьшением ее начального значения от 0,5 до 0,1, а размер окрестности сохраняли равным единице. На втором этапе (260 эпох) скорость обучения была постоянной, и равной 0,1, размер окрестности равным нулю. Параметры пре/пост-процессирования выбирались автоматически (без предварительного, например, нами выравнивания в группе или в интервале для финансовых коэффициентов). Топологическая карта (выходной слой нейронов ИНС) была организована как 3х3 = 9. Результаты анализа частот выигрышей нейронов, представленных на топографической карте, (обучающая и контрольная выборки) приведен в табл. 1. При их сравнении (и выборках такого небольшого объема) отмечается некоторое совпадение частот выигрышей нейронов. Однако, при этом несколько нейронов для карты такого размера, оказались элементами с нулевой частотой, что является показателем не полного использования ресурсов нейронной сети, и дополнительно подтверждалось высокой ошибкой обучения сети. Но в связи с существованием объективных причин невозможности увеличить объемы выборок, было принято решение остановиться на данной сети и проанализировать смысл кластеров. Для этого на построенной топологической карте отмечали предприятия в соответствии с показателем рейтинговой оценки кредитоспособности, принятой в данном коммерческом банке (II и III класс рейтинга Заемщика) (табл. 1). При этом оказалось, что один из кластеров обучающей выборки включает предприятия, в предоставлении кредита которым было отказано (5,12 % – III класс), а средний уровень показателя рейтинга которых составлял – 2.91). Этот же кластер на контрольной выборке включал финансовые показатели, характеризующие предприятия (12,89 %, (100 % – III класс)), выводы из анализа которых действительно приводят к заключению о проблематичности их положения как кредитозаемщика, несмотря на то, что их средний рейтинг, был даже несколько выше – 2,84.

На втором этапе нейросетевого анализа, в соответствии с полученными группировками были обучены две MLP – сети (обучение проводили алгоритмом обратного распространения ошибки). Проектирование искусственных нейронных сетей проводили с помощью Мастера сети пакета SNN и с применением генетического алгоритма осуществлялся отбор входных показателей (используемых финансовых коэффициентов). Характеристика нейронных сетей представлена в табл. 2.

Представленные нейросетевые модели, по ошибке обучения и их качеству были оценены как удовлетворительные. Для модели В показатели чувствительности – 69 %; 61 %, специфичности 86 %; 71 %, точности – 85 %;86,6 %, на контрольном и тестовом множестве, соответственно. Для модели А – показатели чувствительности – 76 %; 78 %, специфичности – 88 %; 83 %, точности – 80 %; 80 %, на контрольном и тестовом множестве, соответственно. Для анализа использованных входных показателей (финансовых показателей-коэффициентов), отобранных с помощью генетического алгоритма нами использовалась модель В. Ими оказались два показателя двухфакторной модели (коэффициент текущей ликвидности и удельный вес заемных средств в пассивах); финансовые коэффициенты А, В, С – модели Альтмана ((текущие активы-текущие обязательства)/все активы; нераспределенная прибыль/все активы; прибыль до уплаты процентов и налогов/все активы; собственный капитал/заемный капитал; (прибыль от реализации/краткосрочные обязательства, оборотные активы/сумма обязательств; краткосрочные обязательства/сумма активов) – три финансовых коэффициента модели Таффлера, оборотный капитал/сумме активов, прибыль от реализации/сумма активов, нераспределенная прибыль/сумма активов – финансовые коэффициенты модели Лиса, и нераспределенные прибыли прошлых лет/совокупные активы; объем реализации/совокупные активы; прибыль до уплаты налогов/совокупные активы; долговые обязательства/совокупные активы; текущие пассивы/совокупные активы; log (материальные активы) и оборотный капитал/полная задолженность – финансовые коэффициенты модели Фулмера.


Таблица 1


Предприятия (II и III группа кредитного риска) представленные

на топографической карте (частота выигрышей)

Выборка	Топографическая карта
	% (и из них относящихся к II и III классу)	% (и из них относящихся к II и III классу)	% (и из них относящихся к II и III классу)
Обучающая	5,12 (30%-III класс)	41,02 (50% IIкласс и 50% сомнитель- ных (II-III класс)	2,56 (100% - II класс)
	7,69 (100% III класс)	2,56 (сомнитель- ные II-III класс)	15,38 (100% - III класс)
	5,12 (100% III класс)	0	20,51 (30% - III и 70% II класс)
Контрольная	5,12 (30%-III класс)	48,71 (100% - II класс)	0
	7,69 (100% III класс)	0	20,51 (30% - III и 70% II класс
	12, 89 (100% III класс)	2,56 (сомнитель- ные II и III класс)	20,51 (II класс)

Таблица 2


Характеристика MLP-ceтей для оценки кредитоспособности

юридического лица

№№ п/п	Модель	Количество нейронов			Ошибка обучения ИНС	Качество ИНС
		входных	выходных	скрытых
1 2	А В	15 18	1 1	4 11	0,35 0,34	0,80 0,86

Комплекс финансовых коэффициентов моделей (Альтмана и др.), при использовании в нейрокомпьютинге оценки кредитоспособности заемщика позволяют получить достаточно надежное заключение о юридическом лице, клиенте кредитного отдела банка.

Сравнение полученных результатов проведенного нейросетевого анализа и рейтинговой оценки по методике Сбербанка РФ, позволяет сделать заключение о возможности ее дальнейшего использования для комплексной оценки кредитозаемщика.


Список литературы

1. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт: Пер. с англ. М.: Издательский дом « Альпина», 2001. 230 с.
   
2. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе. М.: МИФИ, 1998. 222 с.
   
3. Пещанская И.В. Краткосрочный кредит: теория и практика. М.: Издательство «Экзамен», 2003. 320 с.
   
4. Селезнева Н.Н., Ионова А.Ф. Финансовый анализ. М.: Юнити, 2002. 479 с.