Оценка кредитоспособности предприятий на основе нейросетевых технологий

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

Курсовая работа

по дисциплине "Информационные системы в экономике"

Оценка кредитоспособности предприятий на основе нейросетевых технологий

Нижний Новгород

год

Содержание

Введение

Глава 1. Понятие нейросетевых технологий и нейросетевого анализа

.1 Основные понятия нейросетевого анализа

.2 Общие характеристики нейросетей

.3 Преимущества нейросетевых сетей

Глава 2. Применение нейросетевой технологии

Глава 3. Построение нейронной сети для определения кредитоспособности заемщика

Заключение

Список использованной литературы

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.

1.2 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 w_i, 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;

·              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:

o     гомогенные сети (однородные) состоят из нейронов одного типа с единой функцией активации;

o     гетерогенные сети (входят нейроны с различными функциями активации).

. по типу оперируемых сигналов:

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

o     аналоговые;

.по переменам состояний

o     синхронные, т.е. в каждый момент времени лишь один нейрон меняет свое состояние;

o     асинхронные, т.е. состояние меняется сразу у целой группы нейронов, как правило, у всего слоя. Алгоритмически ход времени в нейронных сетях задается итерационным выполнением однотипных действий над нейронами;

4.      по возможностям обучения:

o     предварительно обученные (неадаптивные);

o     самообучающиеся (адаптивные);

5.      по архитектуре:

a.       полносвязные;

b.      многослойные или слоистые;.        слабосвязные (с локальными связями).

В полносвязных нейросетях каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.

В многослойных нейронных сетях нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. В общем случае сеть состоит из Q слоев, пронумерованных слева направо. Внешние входные сигналы подаются на входы нейронов входного слоя (его часто нумеруют как нулевой), а выходами сети являются выходные сигналы последнего слоя, Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых слоев. Связи от выходов нейронов некоторого слоя q к входам нейронов следующего слоя (q+1) называются последовательными, а между нейронами одного слоя называют латеральными (боковыми).

Глава 2. Применение нейросетевых технологий

Применение нейросетевого программного обеспечения и его возможности.. Существует два разных направления к практическому воплощению идеи искусственных нейронных сетей. Первое направление-микропроцессорные устройства из искусственных нейронов, так называемые нейрочипы, а второе -компьютерные программы-имитаторы. Нейросетевое программное обеспечение активно используется в различных отраслях знаний и всё больше расширяются области их применения, где человеческий интеллект малоэффективен, а традиционные вычисления трудоемки или физически неадекватны (т.е. плохо отражают реальные физические процессы и объекты).

Основные области применения нейронных сетей в промышленности:

1. Управление технологическими процессами.

. Идентификация химических компонент.

. Контроль качества артезианских вод.

. Оценка экологической обстановки.

. Прогнозирование свойств синтезируемых полимеров.

. Управление водными ресурсами.

. Оптимальное планирование.

. Разработка нефти и газа.

. Управление работой пресса.

. Идентификация вида полимеров.

. Управление ценами и производством.

. Оптимизация работы моторов.

. Обнаружение повреждений.

. Оптимизация закупок сырья.

. Контроль качества изделий.

. Приложения аналитической химии.

. Анализ проблем функционирования заводов и магазинов.

. Прогнозирование потребления энергии.

·        В высоких технологиях:

1. Проектирование и оптимизация сетей связи.

. Анализ и сжатие изображений.

. Распознавание печатных и рукописных символов.

. Фальсификации в пищевой и парфюмерной промышленности.

. Обслуживание кредитных карт.

. Идентификация и верификация говорящего субъекта.

. Видеонаблюдение.

. Автоматизированное распознавание речевых команд.

. Распознавание слитной речи с (и без) настройкой на говорящего субъекта.

. Речевой ввод текста в компьютер.

·        Для обороны:

1. Анализ визуальной аэрокосмической информации.

. Отбор целей.

. Обнаружение наркотиков и взрывчатых веществ.

. Сличение изображений с криминальной базой данных.

. Предсказание целесообразности условного освобождения.

·        Для науки и техники:

1. Поиск неисправностей в научных приборах.

. Диагностика печатных плат.

. Идентификация продуктов.

. Синтез новых видов стекла.

. Автоматизированное проектирование.

. Оптимизация биологических экспериментов.

. Геофизические и сейсмологические исследования.

. Спектральный анализ и интерпретация спектров.

. Интерпретация показаний сенсоров.

. Моделирование физических систем.

. Анализ данных в ботанике.

. Планирование химических экспериментов.

. Отбор сенсоров для контроля химических процессов.

. Прогноз температурного режима технологических процессов.

. Диагностика сбоев сигнализации.

·        Для здравоохранения:

1. Идентификация микробов и бактерий.

. Диагностика заболеваний.

. Интерпретация ЭКГ.

. Анализ качества лекарств.

. Обработка и анализ медицинских тестов.

. Прогнозирование результатов применения методов лечения.

. Оптимизация атлетической подготовки.

. Диагностика слуха.

·        Для бизнеса и финансов:

1.Выбор сбытовой политики.

.Принятие административных решений.

.Предсказания на фондовой бирже.

.Анализ финансового рынка.

.Исследование фактора спроса.

.Моделирование бизнес - стратегии.

.Предсказание наступления финансовых кризисов.

.Прогноз прибыли (Cash - flow).

.Предсказание и расшивка "узких мест".

.Прогноз эффективности кредитования.

.Прогнозирование валютного курса.

.Прогнозирование и анализ цен.

.Построение макро- и микроэкономических моделей.

.Предсказание необходимых трудодней для реализации проекта.

.Прогнозирование продаж.

.Анализ целей маркетинговой политики.

.Прогнозирование экономических индикаторов.

.Анализ страховых исков.

.Отбор перспективных кадров.

.Стратегии в области юриспруденции.

.Оценка и прогнозирование стоимости недвижимости.

С помощью нейронных сетей успешно решается важная задача в области телекоммуникаций - нахождение оптимального пути трафика между узлами. Распознавание речи - одна из наиболее популярных областей применений нейронных сетей. Нейросети в медицине используются для диагностики заболеваний. Врач правильно диагностирует инфаркт миокарда у 88% больных и ошибочно ставит этот диагноз в 29% случаев. Сеть продемонстрировала точность 92% при обнаружении инфаркта миокарда и дала только 4% случаев сигналов ложной тревоги, ошибочно подтверждая направление пациентов без инфаркта в кардиологическое отделение.

О нейронных сетях как профессиональном инструменте для финансовых операций серьезно заговорили в конце 80-х годов. Характерный пример успешного применения нейронных сетей в финансовой сфере - управление кредитными рисками. Перед выдачей кредита для оценки вероятности собственных убытков от несвоевременного возврата финансовых средств крупные банки, как правило, предпринимают сложные статистические расчеты по определению финансовой надежности заемщика.

Применение нейросети.

После того, как сеть обучена, ее можно применять ее для решения поставленной задачи. Важнейшая особенность человеческого мозга состоит в том, что, однажды обучившись определенному процессу, он может верно действовать и в тех ситуациях, в которых он не бывал в процессе обучения. Например, можно читать почти любой почерк, даже если видим его первый раз в жизни. Так же и нейросеть, грамотным образом обученная, может с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Например, мы можем нарисовать букву "А" другим почерком, а затем предложить нашей сети классифицировать новое изображение. Веса обученной сети хранят достаточно много информации о сходстве и различиях букв, поэтому можно рассчитывать на правильный ответ и для нового варианта изображения

Примеры практического применения нейронных сетей.

В качестве примеров рассмотрим наиболее известные классы задач, для решения которых в настоящее время широко применяются нейросетевые технологии.

Прогнозирование.

Прогноз будущих значений переменной, зависящей от времени, на основе предыдущих значений ее и/или других переменных. В финансовой области, это ,например, прогнозирование курса акций на 1 день вперед, или прогнозирование изменения курса валют на определенный период времени и т.д.. (рис 1.6)

Распознавание или классификация.

Определение, к какому из заранее известных классов принадлежит тестируемый объект. Следует отметить, что задачи классификации очень плохо алгоритмизируются. Если в случае распознавания букв верный ответ очевиден для нас заранее, то в более сложных практических задачах обученная нейросеть выступает как эксперт, обладающий большим опытом и способный дать ответ на трудный вопрос.

Примером такой задачи служит медицинская диагностика, где сеть может учитывать большое количество числовых параметров (энцефалограмма, давление, вес и т.д.). Конечно, "мнение" сети в этом случае нельзя считать окончательным.

Классификация предприятий по степени их перспективности (рис 1.8) - это уже привычный способ использования нейросетей в практике крупных компаний. При этом сеть также использует множество экономических показателей, сложным образом связанных между собой.

Глава 3. Построение нейронной сети для определения кредитоспособности заемщика

нейросетевой программный кредитоспособность заемщик

Для построения нейронной сети необходимо разработать ее топологию, определить механизм обучения и процедуру тестирования. Кроме того, для обучения нужны входные данные - выборка компаний с достоверной финансовой отчетностью и рассчитанные на ее основе коэффициенты.

На основании анализа задачи было принято решение остановиться на модели трехслойного персептрона и алгоритме обратного распространения в качестве обучающего.

Этот тип нейронных сетей довольно хорошо исследован и описан в научной литературе. Он был предложен в работе Румельхарта и подробно обсуждается почти во всех учебниках по нейронным сетям. Каждый элемент сети строит взвешенную сумму своих входов с поправкой в виде слагаемого и затем пропускает эту величину активации через передаточную функцию, получая, таким образом, выходное значение этого элемента. Элементы организованы в послойную топологию с прямой передачей сигнала. Такую сеть легко можно интерпретировать как модель вход-выход, в которой веса и пороговые значения(смещения) являются свободными параметрами модели. Сеть может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа элементов в них является важным вопросом при конструировании многослойных нейронных сетей. Количество входных и выходных элементов определяется условиями задачи.

Использован самый известный вариант алгоритма обучения нейронной сети - это алгоритм обратного распространения.

В алгоритме обратного распространения вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому если мы "немного" продвинемся по нему, ошибка уменьшится. Последовательность таких шагов (замедляющаясяпо мере приближения к дну), в конце концов, приведет к минимуму того или иного типа. Определенную трудность здесь представляет вопрос о том, какую нужно брать длину шагов.

При большой длине шага сходимость будет более быстрой, но имеется опасность "перепрыгнуть" через решение или уйти в неправильном направлении. Классическим примером такого явления при обучении нейронной сети является ситуация, когда алгоритм очень медленно продвигается по узкому оврагу с крутыми склонами, прыгая с одной его стороны на другую.

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.

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.

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

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

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