Оценка кредитоспособности предприятий на основе нейросетевых технологий

Министерство образования и науки РФ

 

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования

«Нижегородский государственный университет им. Н.И. Лобачевского»

 

Факультет подготовки региональных кадров

 

 

 

 

Специальность «Финансы и кредит»

 

Курсовая работа

 

по дисциплине «Информационные системы в экономике»

 

Оценка кредитоспособности предприятий на основе нейросетевых технологий

 

 

 

 

_________________

(подпись)

 

 

 

__________________

(подпись)

 

 

 

 

 

 

 

 

 

 

 

Нижний Новгород

2012 год

 

Содержание:

 

Введение……………………………………………………………………………..3 
Глава 1. Понятие нейросетевых технологий и нейросетевого анализа………….6 
1.1. Основные понятия нейросетевого анализа…………………………………....6 
1.2. Общие характеристики нейросетей…………………………………………....7 
1.3. Преимущества нейросетевых сетей…………………………………………..10 
Глава 2. Применение нейросетевой технологии………………………………....14 
Глава 3. Построение нейронной сети для определения кредитоспособности заемщика……………………………………………………………………………22 
Заключение…………………………………………………………………………29 
Список использованной литературы……………………………………………..32 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                                 

Введение

 
   Переход к рыночным отношениям в экономике и научно-технический прогресс чрезвычайно ускорили темпы внедрения во все сферы социально-экономической жизни российского общества последних научных разработок в области информационных технологий. Достижение Россией высоких результатов в экономике и завоевание места полноправного партнера в мировой экономической системе в значительной степени зависит от того, каковы будут масштабы использования современных информационных технологий во всех аспектах человеческой деятельности, а также от того, какую роль будут играть эти технологии в повышении эффективности экономических взаимоотношений. 
   Предоставление кредитов является основной экономической функцией банков, осуществляемой для финансирования потребительских и инвестиционных целей предпринимательских фирм, физических лиц и государственных организаций. Переход России к рыночной экономике и вступление ее на международный финансовый рынок тесно связаны с развитием кредитных отношений, касающихся в первую очередь юридических лиц. 
   Одним из важнейших условий успешного управления банком кредитными ресурсами является оценка надежности предприятий - потенциальных заемщиков, а основополагающим показателем, определяющим эту надежность, является кредитоспособность, т.е. способность заемщика полностью и в срок рассчитаться по своим долговым обязательствам (основному долгу и процентам). 
   В настоящее время для минимизации риска и для определения кредитоспособности заемщика зарубежные банки уже давно используют специально разработанные для этих целей математические модели - так называемый кредитный скоринг; отечественные же банки до сих пор полагаются на субъективное мнение своих не всегда компетентных сотрудников, а в помощь им предлагают лишь такую известную простому пользователю персонального компьютера программу, как Microsoft Excel. 
 
   Целью курсовой работы является демонстрация разработки перспективной методики для определения надежности потенциального заемщика банка (юридического лица), основанной на нейросетевых технологиях и позволяющей существенно повысить эффективность работы любой кредитной организации. 
Одновременно с развитием теоретических подходов для создания адекватных моделей поведения рынка, в западных странах и США происходило активное внедрение новых интеллектуальных компьютерных технологий в практику принятия финансовых и инвестиционных решений: вначале в виде экспертных систем и баз знаний, а затем с конца 80-х - нейросетевых технологий. 
Начало исследования методов обработки информации, называемых сегодня нейросетевыми, было положено несколько десятилетий назад. С течением времени интерес к нейросетевым технологиям то ослабевал, то вновь возрождался. Такое непостоянство напрямую связано с практическими результатами проводимых исследований. 
   На российском финансовом рынке нейросетевые компьютерные технологии появились всего несколько лет назад. Изучение литературы за этот период показало, что ни в одном из источников не содержится подробного описания (с указанием достигнутых результатов) эффективного применения нейросетевых компьютерных технологий для прогнозирования динамики фондового рынка в среднесрочной перспективе. Большинство публикаций (подавляющее большинство из них - в периодической печати) сводится к описанию возможностей нейронных сетей и их потенциальных преимуществ перед другими компьютерными технологиями. Причем большая часть выводов в этих работах сделана на основе результатов применения нейросетей на западных рынках. 
   Основной вклад в развитие теории нейрокомпьютинга и его применения в финансовой сфере внесли ученые стран Запада и США. Это прежде всего:            В.-М. ван ден Берг, Д.-Э. Бэстенс, П. Вербос, Л. Вилентурф, Д. Вуд,                            В. МакКаллох, В. Пите, М. Редмиллер, Ф. Розенблат, Дж. Хопфилд и др. Необходимо отметить также работы отечественных ученых, занимающихся разработкой и внедрением нейросетевых технологий в области экономики, таких как: А. Ежов, Б. Одинцов, А. Романов, С. Шумский и др. 
   На сегодняшний день возможности нейросетевых технологий используются во многих отраслях науки, начиная от медицины и астрономии, заканчивая информатикой и экономикой. Между тем далеко не все потенциальные возможности нейросетевых методов изучены, но одними из их свойств являются возможности распознавания и классификации образов, работы с большими массивами зашумленных данных, аппроксимация и выявление неочевидных зависимостей в данных финансовых временных рядов. На основе этих свойств нейросетевых архитектур можно сделать вывод о значительном преимуществе их использования для анализа и прогнозирования динамик финансовых рядов, в частности фондового рынка. 
   Объектом исследования выступает кредитная система России. 
   Предметом исследования являются нейрокомпьютерные технологии и их использование для оценки кредитоспособности предприятий. 

 

 

 

 

 

 

 

 

 

 

 

 

 

Глава 1. Понятие нейросетевых технологий и нейросетевого анализа

1. Основные понятия нейросетевого анализа

 

   Нейросетевые технологии- предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации, эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных,дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях. По количеству реальных приложений лидируют системы интеллектуального анализа данных в бизнесе и в управлении процессами.

   Нейросетевой анализ - технический анализ сосредотачивается на индивидуальном поведении конкретного финансового инструмента. 
Такой подход психологически обоснован сосредоточенностью брокеров именно на том инструменте, с которым они в данный момент работают. Согласно Александру Элдеру, известному специалисту по техническому анализу, поведение рыночного сообщества имеет много аналогий с поведением толпы, характеризующимся особыми законами массовой психологии. Влияние толпы упрощает мышление, нивелирует индивидуальные особенности и рождает формы коллективного, стадного поведения, более примитивного, чем индивидуальное. В частности, стадные инстинкты повышают роль лидера, вожака. Ценовая кривая, по Элдеру, как раз и является таким лидером, фокусируя на себе коллективное сознание рынка. Такая психологическая трактовка поведения рыночной цены обосновывает применение теории динамического хаоса. Частичная предсказуемость рынка обусловлена относительно примитивным коллективным поведением игроков, которые образуют единую хаотическую динамическую систему с относительно небольшим числом внутренних степеней свободы. 
       

 

2. Общие характеристики нейросетей

Нейронная сеть (НС) – вид вычислительной структуры, основанной на использовании нейроматематики - нового направления математики, находящегося на стыке теории управления, численных методов и задач классификации, распознавания образов. Для решения конкретных задач используются пакеты прикладных программ-эмуляторов работы нейронных сетей – нейропакеты, нейросетевые и гибридные экспертные системы, специализированные параллельные вычислители на базе нейрочипов.

Модели НС могут быть программного и аппаратного исполнения.

Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов.

 

 

Общий вид нейрона приведен на рисунке.

 

Каждый синапс характеризуется величиной синаптическои связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Текущее состояние нейрона определяется, как взвешенная сумма его входов.

В зависимости от функций, выполняемых нейронами в сети, можно выделить           3 типа:

• входные нейроны, на которые подается вектор, кодирующий входное воздействие или образ внешней среды; в них обычно не осуществляется вычислительных процедур, а информация передается с входа на выход путем изменения их активации;
• выходные нейроны, выходные значения которых представляют выходы нейросети;
• промежуточные нейроны, составляющие основу нейронных сетей.

В большинстве нейронных моделей тип нейрона связан с его расположением в сети. Если нейрон имеет только выходные связи, то это входной нейрон, если наоборот – выходной нейрон. В процессе функционирования сети осуществляется преобразование входного вектора в выходной, переработка информации.

Каждый нейрон распознаёт и посылает сигнал об одном простом событии, он не посылает много сигналов и не распознаёт много событий. Синапс позволяет единственному сигналу иметь различные воздействия на связанные с ним нейроны. Распознавание более сложных событий есть работа группы взаимосвязанных нейронов (НС) и несколько биологических нейронных сетей функционируют взаимосвязанно для обработки всё более сложной информации.

Нейронная сеть состоит из слоев нейронов, которые соединены друг с другом. Детали того, как нейроны соединены между собой, заставляют задуматься над вопросом проектирования НС. Некоторые нейроны будут использоваться для связи с внешним миром, другие нейроны - только с нейронами. Они называются скрытыми нейронами.

Перечислим основные классы задач, возникающих в финансовой области, которые эффективно решаются с помощью нейронных сетей:

• прогнозирование временных рядов на основе нейросетевых методов обработки (прогнозирование кросс-курса валют, прогнозирование котировок и спроса акций, прогнозирование остатков средств на корреспондентских счетах банка);
• страховая деятельность банков;
• прогнозирование банкротств на основе нейросетевой системы распознавания;
• определение курсов облигаций и акций предприятий с целью инвестирования;
• применение нейронных сетей к задачам биржевой деятельности;
• прогнозирование экономической эффективности финансирования инновационных проектов;
• предсказание результатов займов;
• оценка платежеспособности клиентов;
• оценка недвижимости;
• рейтингование;
• общие приложения нейронных сетей и пр.

 

1.3. Преимущества нейросетевых сетей

В настоящее время имеет место широкое появление на отечественном рынке компьютеров и программного обеспечения нейропакетов и нейрокомпьютеров, предназначенных для решения финансовых задач. Те банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных.

Нейросетевые технологии оперируют биологическими терминами, а методы обработки данных получили название генетических алгоритмов, реализованных в ряде версий нейропакетов, известных в России. Это профессиональные нейропакеты Brain Maker Professional v.3.11 и Neuroforester v.5.1, в которых генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает и прогнозирует новые ситуации с высокой степенью точности даже при появлении противоречивых или неполных знаний. Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без участия пользователя-аналитика. Все результаты обработки представляются в графическом виде, удобном для анализа и принятия решений.

Использование нейросетевых технологий как инструментальных средств перспективно в решении множества плохо формализуемых задач, в частности при анализе финансовой и банковской деятельности, биржевых, фондовых и валютных рынков, связанных с высокими рисками моделей поведения клиентов, и др. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. На мировом рынке нейросетевые технологии представлены широко – от дорогих систем на суперкомпьютерах до ПК, делая их доступными для приложений практически любого уровня.

К основным преимуществам нейронных сетей можно отнести:

• способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности развития ситуации и функции зависимости между входными и выходными данными. В таких случаях (к ним можно отнести до 80% задач финансового анализа) пасуют традиционные математические методы;
• способность успешно решать задачи, опираясь на неполную, искаженную и внутренне противоречивую входную информацию;
• эксплуатация обученной нейронной сети по силам любым пользователям;
• нейросетевые пакеты позволяют исключительно легко подключаться к базам данных, электронной почте и автоматизировать процесс ввода и первичной обработки данных;
• внутренний параллелизм, присущий нейронным сетям, позволяет практически безгранично наращивать мощность нейросистемы, т.е. сверхвысокое быстродействие за счет использования массового параллелизма обработки информации;
• толерантность к ошибкам: работоспособность сохраняется при повреждении значительного числа нейронов;
• способность к обучению: программирование вычислительной системы заменяется обучением;
• способность к распознаванию образов в условиях сильных помех и искажений.

Существует несколько классификаций известных нейросетей:

 1. по типам структур нейронов:

•  
  гомогенные сети (однородные) состоят из нейронов одного типа с единой функцией активации;
•  
  гетерогенные сети (входят нейроны с различными функциями активации).

 
2. по типу оперируемых сигналов:

•  
  бинарные оперируют только двоичными сигналами, и выход каждого нейрона может принимать значение либо логического ноля (заторможенное состояние), либо логической единицы (возбужденное состояние);
•  
  аналоговые;