Оценка кредитоспособности предприятий на основе нейросетевых технологий

Напротив, при маленьком шаге, вероятно, будет схвачено верное направление, однако при этом потребуется очень много итераций. На практике величина шага берется пропорциональной крутизне склона (так что алгоритм замедляет ход вблизи минимума) с некоторой константой, которая называется скоростью обучения. Правильный выбор скорости обучения зависит от конкретной задачи и обычно осуществляется опытным путем; эта константа может также зависеть от времени, уменьшаясь по мере продвижения алгоритма.

Система для принятия решений в сфере кредитования работает следующим образом.

Лицо, желающее получить кредит (потенциальный заемщик), например физическое лицо, заполняет установленную форму заявки, отвечая на имеющиеся в ней вопросы. Ответы на вопросы могут быть представлены на бумажном носителе или непосредственно в электронном виде. В первом случае они могут быть переведены в электронный вид либо с помощью сканера, либо путем ввода через клавиатуру. Заполненное заявление может также поступить в систему из удаленного источника(компьютера) по каналу связи (не показано), например сети Интернет.

После того как данные, соответствующие заявке на выдачу кредита, включающие ответы на вопросы, представленные в бланке заявки, поступают в устройство ввода данных и распознаются им как таковые, устройство ввода данных передает их в устройство присвоения кодов. На основании таблицы соответствия, хранящейся в устройстве присвоения кодов, каждому ответу на вопрос в зависимости от варианта ответа присваивают определенный код, представляющий собой целое число, и упорядочивают полученную последовательность чисел согласно их значимости, исходя из установленных из практического опыта предпочтений.

Для принятия решения о выдаче кредита и определения величины кредитного лимита, который может быть предоставлен потенциальному заемщику, заполнившему заявку, чьи ответы на вопросы поступили в систему, в устройство обработки данных, помимо данных, относящихся к ответам потенциального заемщика на вопросы заявки, передают данные, соответствующие возможному значению кредитного лимита, данные, характеризующие кредитный рейтинг потенциального заемщика, данные, соответствующие матрице А весовых коэффициентов, а также данные, соответствующие элементам первого В и второго С векторов весовых коэффициентов. Для каждой вновь введенной заявки в устройстве обработки данных формируется первый вектор Х данных, элементы которого представляют собой коды выбранных вариантов ответов на вопросы плюс кредитный рейтинг, плюс кредитный лимит. Следовательно, общая размерность вектора Х данных равна фиксированному значению N, например 100. В то же время данные, относящиеся к весовым коэффициентам, передаются в устройство обработки данных периодически по мере накопления в базе данных значимого объема новой информации.

При поступлении команды на расчет в устройство расчета кредитного лимита данное устройство определяет значение параметра, характеризующего кредитный лимит, следующим образом. В случае, если в отношении данной заявки в устройство расчета кредитного лимита впервые поступает команда на расчет, устройство расчета кредитного лимита передает в устройство обработки данных максимально возможное значение кредитного лимита. В случае поступления в отношении одной и той же заявки на выдачу кредита подобной команды второй и более раз устройство8 расчета кредитного лимита каждый раз уменьшает величину возможного кредитного лимита на заданное значение (при этом последнее может меняться в зависимости от количества поступивших команд, касающихся одной и той же заявки), и передает в устройство обработки данных новое значение. Количество значений кредитного лимита, которые могут быть переданы в устройство обработки данных в отношении одной заявки, ограничено.

При поступлении в устройство расчета кредитного рейтинга команды из устройства обработки данных, включающей в себя запрос о кредитном рейтинге конкретного лица, заполнившего данную заявку, с указанием идентификатора этого лица, устройство расчета кредитного рейтинга формирует запрос на поиск данных, соответствующих данному лицу в базе данных, в которой хранятся сведения о заемщиках и их кредитные истории, и передает этот запрос в устройство хранения данных. В устройстве хранения данных на основании этого запроса осуществляют поиск соответствующих данных в базе данных. В случае, если запрашиваемые данные обнаружены, т.е. сведения о лице, заполнившем заявку, имеются в базе данных, что означает, что данное лицо уже получало кредит и у него имеется кредитная история, данные, характеризующие кредитную историю этого лица, передают в устройство расчета кредитного рейтинга. На основании этих данных в устройстве расчета кредитного рейтинга рассчитывают значение параметра. В обратном случае данному параметру присваивают определенное значение, например нулевое, что означает, что данный потенциальный заемщик не имеет кредитной истории.

Данные, соответствующие рассчитанному значению параметра, характеризующего кредитный рейтинг конкретного потенциального заемщика, передают в устройство обработки данных.

Устройство расчета весовых коэффициентов периодически формирует квадратную матрицу А весовых коэффициентов, размерность которой в рассматриваемом примере равна 100•100, первый вектор В весовых коэффициентов и второй вектор С весовых коэффициентов, причем размерность первого и второго векторов В и С весовых коэффициентов в данном примере равна 100. Значения всех весовых коэффициентов не зависят от ответов на вопросы, содержащиеся в конкретной заявке; они определяются исходя из совокупности всех заявок. Физический смысл весовых коэффициентов - это отражение в форме, пригодной для нейросетевой интерпретации, определенной статистической закономерности, заданной набором записей в базе данных и отражающей статистическую взаимосвязь параметров того или иного заемщика и его кредитной истории. (Пример: лица с цензом оседлости свыше 5 лет, как правило, имеют положительную кредитную историю; следовательно, формирование векторов и матрицы должно производиться таким образом, чтобы при нейросетевой обработке лица, имеющие ценз оседлости менее 5 лет, получали отказ в кредите.) Для расчета значений весовых коэффициентов считывают из базы данных данные, соответствующие заявкам заемщиков и их кредитным историям, и передают их в устройство расчета весовых коэффициентов. Значения весовых коэффициентов рассчитывают, используя известные статистические методы, формируют матрицу А, вектор В и вектор С, несущие информацию о статистической связи параметров клиентов и их кредитных историй, и периодически передают данные, соответствующие элементам матрицы А, элементам векторов В и С, в устройство обработки данных. Значения элементов матрицы А, элементов векторов В и С зависят от множества характеризующих заемщиков данных, хранящихся в базе данных. Если это множество не менялось, то значения также остаются неизменными.

Значения элементов матрицы А, элементов векторов В и С изменятся только в случае, если в базу данных будут введены новые сведения или исключены старые. Поэтому расчет значений весовых коэффициентов может осуществляться только по мере поступления в базу данных новой информации и, следовательно, обновление векторов будет производиться после сохранения в базе данных новой порции заявок, например, раз в день. 
После того как в устройство обработки данных из устройства расчета кредитного лимита, из устройства расчета кредитного рейтинга и из устройства расчета весовых коэффициентов поступят запрашиваемые данные, указанное устройство выполняет следующие действия:

а) вычисляет второй вектор Z1 данных, равный произведению матрицы А на вектор Х данных  
Z1=A•X;

б) вычисляет третий вектор Z2 данных, равный сумме второго вектора Z1 данных и первого вектора В весовых коэффициентов 
Z2=Z1+В;

в) вычисляет четвертый вектор Z3 данных, все элементы которого равны +1 либо -1 в зависимости от того, какой знак имеет соответствующий элемент третьего вектора Z2 данных

Этапы описывают работу выходного слоя нейросети, состоящего из одного нейрона; знаковая функция Y есть результат работы данного слоя или окончательное кредитное решение, принятое на основе обобщения частных решений, сформированных нейронами предыдущего слоя. Обобщение осуществляется путем суммирования принятых частных решений с весовыми коэффициентами, отражающими значимость того или иного критерия принятия решения в кредитной политике Банка (что важнее для Банка: материальное положение потенциального заемщика, его социальная стабильность или иные критерии).

Нейросеть разработана с минимально возможными затратами. Любой кредитной организации важно число и сумма выданных кредитов, так как доход кредитной организации зависит от уплаченных процентов. Важно как можно скорее принять решение и предоставить кредит клиенту. Причем важно достаточно точно оценить кредитоспособность клиента, поскольку от точности прогноза зависит доходность банка. Если кредитоспособность будет оценена неправильно, появляется риск банкротства организации.

Принятие решения по одной кредитной заявке длится примерно 2 недели, для сбора полного пакета документов клиенту приходится неоднократно приходить в отделение банка. И после такого огромного количества потраченного времени клиент может получить отрицательное решение. И для увлечения продуктивности работы кредитного инспектора важно как можно раньше определить кредитоспособность клиента.

Таким образом, спроектированная нейросеть даст возможность банку сократить время работы с одним клиентом, за счет чего увеличится число клиентов в день, следовательно, и число решений по кредиту.

 

 

 

 

 

 

Заключение

 
        Нейросетевые технологии в отличие от экспертных систем предназначены для воспроизведения неосознанных мыслительных усилий человека (например, человек плохо знает, как он распознает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю. Известны следующие сферы применения нейросетей: экономика и бизнес - предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют; медицина - обработка медицинских изображений, диагностика; автоматизация производства - оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации; политические технологии - обобщение социологических опросов; безопасность и охранные системы - системы идентификации личности, распознавание автомобильных номеров и аэрокосмических снимков; геологоразведка - анализ сейсмических данных, оценка ресурсов месторождений.  
     В данной дипломной работе была рассмотрена тема потребительского кредитования в РФ с позиции проблем, возникающих у банков при освоении данного рынка, в основном касающиеся правовых аспектов и аспектов снижения риска. Также было продемонстрировано решение проблем в сегодняшней действительности при помощи инструментов Data Mining платформы Deductor. В рамках данной задачи был реализован сценарий, заключающий в себе консолидацию данных из сторонней системы, прогон данных через построенную модель, экспорт результатов оценки кредитоспособности на сторону. 
                                     Основные преимущества системы:  
• Гибкая интеграция с любыми сторонними системами, т.е. получение информации для анализа и перенос результатов не вызывает проблем.  
• Консолидация информации о заемщиках в специальном хранилище данных, т.е. обеспечение централизованного хранения данных, непротиворечивости, а также обеспечение всей необходимой поддержки процесса анализа данных, оптимизированного доступа, автоматического обновления данных, использование при работе терминов предметной обрасти, а не таблиц баз данных.  
• Широкий спектр инструментов анализа, т.е. обеспечение возможности эксперту выбрать наиболее подходящий метод на каждом шаге обработки. Это позволит наиболее точно формализовать его знания в данной предметной области.  
• Поддержка процесса тиражирования знаний, т.е. обеспечение возможности сотрудникам, не разбирающимся в методиках анализа и способах получения того или иного результата получать ответ на основе моделей, подготовленных экспертом. Так сотрудник, оформляющий кредиты, должен ввести данные по потребителю и система автоматически выдаст решение о выдачи кредита или об отказе.  
• Поддержка групповой обработки информации, т.е. обеспечение возможности дать решение по списку потенциальных заемщиков. Из хранилища автоматически выбираются данные по лицам, заполнившим анкету вчера (или за какой угодно буферный период), эти данные прогоняются через построенную модель, а результат экспортируется в виде отчета (например, в виде excel файла), либо экспортируется в систему автоматического формирования договоров кредитования или писем с отказом в кредите. Это позволит сэкономить время и деньги.  
• Поддержка актуальности построенной модели, т.е. обеспечение возможности эксперту оценить адекватность текущей модели и, в случае каких либо отклонений, перестроить ее, используя новые данные.  
       Таким образом, для эффективного формирования кредитного портфеля банкам необходимо взять на вооружение передовые технологии добычи знаний и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. Подготовка решения данного вопроса сейчас позволит обкатать саму процедуру и в дальнейшем избежать ошибок и расходов в связи с массовым применением таких подходов в дальнейшем.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Список использованной литературы:

1. Компьютерные системы и сети: Учеб. пособие/ В.П. Косарев и др. /Под ред. В.П. Косарева и Л.В. Еремина.-М.: Финансы и статистика, 2001.

2..Э.Г. Дадян, электронная лекция-презентация по курсу «Информационные технологии в экономике» раздел «Нейронный анализатор», 2005.

3. Автоматизированные информационные технологии в экономике: Учебник для вузов. Под ред. Г.А. Титаренко. – М.: ЮНИТИ, 2008

4. Б.М.Владимирский. Нейронные сети как источник идей и инструмент моделирования процессов самоорганизации и управления , 2009