нейросетевые методы принятия решений по управлению

«Ученые заметки ТОГУ» Том 4, № 4, 2013
ISSN 2079-8490
Электронное научное издание
«Ученые заметки ТОГУ»
2013, Том 4, № 4, С. 1287 – 1290
Свидетельство
Эл № ФС 77-39676 от 05.05.2010
http://ejournal.khstu.ru/
[email protected]
УДК 004.8
© 2013 г. Е. М. Бурнаева,
Т. А. Cеребряковa
(Тихоокеанский государственный университет, Хабаровск)
НЕЙРОСЕТЕВЫЕ МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ ПО
УПРАВЛЕНИЮ КРЕДИТНЫМИ РИСКАМИ
В статье показаны проблемы внедрения нейросетевых технологий для
оценки платёжеспособности потенциальных банковских клиентов . Рассмотрен круг задач решаемых нейронными сетями. Даны заключения о
возможности использования нейросетевого анализа на основе многослойного персептрона с учетом оценки заемщика в управлении кредитными рисками.
Ключевые слова: банковские риски, кредитный риск, нейросетевые технологии, нейронные сети, многослойный персептрон.
E. M. Burnaeva, Т. А. Serebryakova
NEURAL NETWORK BASED METHOD OF DECISION-MAKING
FOR CREDIT AND RISK MANAGEMENT
The article shows the problem of introduction of neural network technology to
assess the solvency of potential Bank clients. Considered the range of tasks performed by neural networks. Given the conclusion about the possibility of using
neural network analysis based on multilayer Perceptron based on an assessment
of the borrower's credit risk management.
Keywords: Bank risks, credit risk, neural network technology, multilayer Perceptron neural network.
http://ejournal.khstu.ru/media/2013/TGU_4_248.pdf
1287
«Ученые заметки ТОГУ» Том 4, № 4, 2013
В современных условиях функционирования банков Востока России необходимо
учитывать развитие внешних источников информации о кредитоспособности заёмщиков
и оценки платёжеспособности потенциальных банковских клиентов. Система банковских
рисков включает значительное число их видов, представленное в различных классификациях. Основным банковским риском, особенно в российской практике, является кредитный риск. Для успешного существования в условиях рыночной экономики необходимо решаться на внедрение технических новшеств и на смелые, нетривиальные действия. Без сомнения, оценка кредитного риска и моделирование - одни из самых важных тем в области финансового риск-менеджмента. Из-за недавних финансовых кризисов оценка кредитного риска была и остается центральной идей финансового и банковского дела. Для любого кредитного учреждения, среди которых коммерческие банки и
определенные ретейлеры, способность отличить хороших клиентов от плохих крайне
важна. Поэтому, оценка кредитного риска становится очень важной для устойчивости и
прибыли предприятия. [1] Кроме того, точное предсказание кредитных рисков может
поспособствовать более эффективному использованию экономического капитала в бизнесе. Общий подход оценки кредитного риска с применением немногих методов классификации на основе данных прошлых периодов делит клиентов на платежеспособных и
неплатежеспособных, чтобы найти отношение между некоторыми характеристиками и
определить тех, кому грозит отказ.
Из-за важности оценки степени кредитного риска, наблюдается постоянно растущий поток исследования на эту тему. В последнее время для управления кредитными
рисками стали использоваться методы, позволяющие учесть неполноту и искаженность
информации для задач классификации, а также вероятностную природу получаемых
заключений. К этой группе методов примыкает класс математических моделей, к которым относятся искусственные нейронные сети и генетические алгоритмы.
Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее
время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. Нейронные сети вошли в
практику везде, где нужно решать задачи прогнозирования, классификации или управления.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны
на примитивной биологической модели нервных систем. Нейронные сети представляют
собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Первоначально
нейронные сети открыли новые возможности в области распознавания образов, затем к
этому прибавились статистические и основанные на методах искусственного интеллекта
средства поддержки принятия решений и решения задач в сфере финансов. Способность к моделированию нелинейных процессов, работе с зашумленными данными и
адаптивность дают возможности применять нейронные сети для решения широкого
класса финансовых задач. В последние несколько лет на основе нейронных сетей было
разработано много программных систем для применения в таких вопросах, как оценка
вероятности банкротства банка, операции на товарном рынке, оценка кредитоспособности, контроль за инвестициями, размещение займов.
Характерный пример успешного применения нейронных вычислений в финансовой сфере - управление кредитными рисками. Нейронные сети применяются в банках
для прогнозирования динамики банковских рисков под воздействием различных факторов, определение кредитного рейтинга клиентов. Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика,
чтобы оценить вероятность собственных убытков от несвоевременного возврата финанhttp://ejournal.khstu.ru/media/2013/TGU_4_248.pdf
1288
«Ученые заметки ТОГУ» Том 4, № 4, 2013
совых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих
других факторов.
Положение России на рынке нейросетевых технологий весьма нестабильное, потому что создание таких программных продуктов довольно таки медленное и большинство этих программ ориентированы на узкую предметную область. В нашей стране
большую популярность получили зарубежные разработки, так как они очень давно
находятся на рынке и получили мировое признание. В 1958 году Розенблатт в своей работе, посвященной персептрону, предложил новый подход к решению актуальной задачи распознания образов, и, несомненно, это был многослойный персептрон. Персептрон
– это математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Френком Розенблаттом и реализованная в виде специальной электронной машины. В наиболее простом виде персептрон состоит из
совокупности чувствительных (сенсорных) элементов, на которые поступают входные
сигналы. Сенсорные элементы случайным образом связаны с совокупностью ассоциативных элементов, выход которых отличается от нуля только тогда, когда возбуждено
достаточно большое число S-элементов, воздействующих на один ассоциативный элемент. Ассоциативные элементы соединены с реагирующими элементами связями, коэффициенты усиления которых переменны и изменяются в процессе обучения. Взвешенные комбинации выходов реагирующих элементов составляют реакцию системы, которая указывает на принадлежность распознаваемого объекта определенному образу. Если распознаются только два образа, то в персептроне устанавливается только один реагирующий элемент, который обладает двумя реакциями – положительной и отрицательной.[2]
Многослойный персептрон Розенблатта – это персептрон с дополнительными слоями ассоциативных элементов, расположенными между соответственными чувствительными (сенсорными) элементами и реагирующими элементами. Все слои данного многослойного персептрона не обязательно будут обучаемы, некоторые из них, например, могут быть выбраны совершенно случайно и фиксироваться.
Обработка информации в модели многослойного персептрона состоит из взаимодействия между слоями нейронов в системе, в результате которой нейроны выходного
слоя передают результат взаимодействия во внешнюю среду. Таким образом, проектирование связей между нейронами эквивалентно программированию системы для обработки входа и создания желаемого выхода.
Для разработанной методики формирования образа клиента-заемщика банка использована структура персептрона, характеризующаяся полной связью нейронов; двунаправленной связью, при которой нейроны первого слоя связаны с нейронами второго,
которые, в свою очередь, имеют связь с нейронами первого слоя. Нейронная сеть имеет
три слоя нейронов с иерархической связью.
Первый слой является входным слоем, который получает внешние данные в виде
финансовых коэффициентов. Нейроны входного слоя посылают сигналы всем нейронам
следующего слоя. Нейроны второго слоя отмечают свойства финансовых коэффициентов. Третий слой является выходным, и каждый нейрон в нем выдает или не выдает
сигнал. Этот слой имеет обратную связь со вторым слоем. В начале работы персептрон
не имеет полной связи между вторым и третьим слоями. Она создается в процессе обучения персептрона. Обучение персептрона происходит следующим образом. На вход
персептрона подают множество совокупностей финансовых коэффициентов, характеризующих заемщика, из обучающего подмножества по одному и подстраивают веса, пока
не будет достигнут требуемый выход. За конечное число шагов сеть научилась раздеhttp://ejournal.khstu.ru/media/2013/TGU_4_248.pdf
1289
«Ученые заметки ТОГУ» Том 4, № 4, 2013
лять классы с состояниями предприятий, соответствующих фактам погашения ссудной
задолжности при условии, что множество линейно разделимо. Нейроны второго и третьего слоя вычисляют их вход, используя уравнения.
Для определения количества состояний предприятий, которое требуется подать
на вход персептрона, чтобы его обучить, и выбрать последовательность проведения обучения с тем, чтобы минимизировать данный процесс, вводится величина, которая равна
разности между требуемым или целевым выходом и реальным выходом.[3]
Таким образом, для задачи формирования образа заемщиков изменяют веса в соответствии с требуемым и реальным значениями выхода каждой полярности как для
непрерывных, так и для бинарных входов и выходов. Сравнение полученных результатов проведенного нейросетевого анализа и фактического результата погашения кредитов и обслуживания долга той же выборкой клиентов банка позволяет сделать заключение о возможности дальнейшего использования нейросетевого анализа на основе многослойного персептрона с учетом оценки заемщика.[4] Вышесказанное показывает, что
новые методы искусственного интеллекта, такие как искусственные нейронные сети, генетические алгоритмы и метод опорных векторов выгодны для статистических моделей
и оптимизации методов оценки кредитных рисков в банковской сфере.
Список литературы
[1] Кальченко Д. Нейронные сети на пороге будущего // «КомпьютерПресс». - 2005. - №1.
[2] Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов.- М.: ИПРЖР,
2000.- 416 с.
[3] Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2007.
[4] Серебрякова Т.А. . Новые методы искусственного интеллекта для предсказание кредитных рисков и эффективного использованию экономического капитала в бизнесе / Современные проблемы устойчивого развития предприятий, отраслей, комплексов, территорий: материалы международной научно-практической конференции: в 2 кн. - Хабаровск: Изд-во Тихоокеан.гос.ун-та, 2012. - Кн. 2.
E-mail: [email protected]
http://ejournal.khstu.ru/media/2013/TGU_4_248.pdf
1290