Идентификация кредитного риска

   Основной  причиной выбора НС в качестве математического  аппарата для создания системы является ее большая популярность использования для решения таких прикладных задач:

1. классификация (оценка кредитоспособности, обнаружение подделки кредитной карточки);
2. регрессия (классификация) (оценка риска невозврата кредита, определения суммы кредита);
3. регрессия (прогнозирование) (прогнозирование финансово-экономических показателей, прогнозирование курса акций и валют).

     В результате проведенного обзора технологии нейронных сетей и анализа  факторов, снижающих качество ее работоспособности, связанных как с этапом предварительного анализа и подготовки входного вектора  данных, так и, непосредственно, с этапом нейросетевого моделирования, разработана структурная схема интеллектуальной системы анализа данных (рисунок 2),  состоящая из взаимозависимых ПБ, каждый из которых с одной стороны должен выполнять свои специфические функции, а с другой – влиять на работу связанных с ним ПБ [4, 5].

   Рассмотрим  основные из них:

1. ПБ загрузки данных реализует методы, позволяющие получить массив входных данных из различных внешних источников: загружать данные эксперимента из электронных таблиц Excel и текстовых файлов, а также файлов с результатами моделирования ранее сохраненного состояния НС;
2. ПБ предобработки данных эксперимента реализует алгоритмы, отвечающие за нормировку и формирование выборок (обучающей и тестовой);
3. ПБ настройки НС отвечает за функционирование сети, ее архитектуру, а также содержит параметры обучения;
4. ПБ обучения реализует алгоритмы обучения  и  обеспечивает на основе данных, поступающих из блока настройки моделирования НС, расчет таких характеристик процесса, как ошибка обучения, ошибка обобщения (валидации);
5. ПБ применения производит расчет результирующих характеристик и погрешностей моделирования, как средние/максимальные значения абсолютной и относительной ошибки предсказания, классификации и т.д.;
6. ПБ визуализации производит графическое отображение процесса обучения, диаграммы применения НС, графика функции активации нейрона, а также сообщения текстовой поддержки пользователя;
7. ПБ сохранения результатов моделирования обеспечивает возможность сохранения текущего состояния НС в файл.

 

Рисунок 2. Структурная схема интеллектуальной системы анализа данных 

3.  Для создания единого информационного пространства выбраны продукты Microsoft [7]:

1. Microsoft SQL Server 2008 Express Edition with Advanced Services (разработка и управление базой данных);
2. Visual Studio 2008 Express Edition (разработка клиентских приложений).

     Microsoft SQL Server 2008 Express Edition with Advanced Services – это бесплатная редакция, которая имеет ряд ограничений для крупных проектов, но поддерживающая функции профессиональных СУБД:

1. ядро базы данных SQL Server: создание, хранение, обновление и извлечение данных;
2. среда SQL Server Management Studio Basic: визуальное средство для создания, редактирования и управления базами данных;
3. полнотекстовый поиск: мощное, высокоскоростное ядро для поиска данных в больших объемах текста;
4. службы отчетов (Reporting Services): встроенное создание отчетов и среда их конструирования.

Выбор Visual Studio 2008 Express Edition обусловлен следующими факторами [8]:

1. тесная интеграция с Microsoft SQL Server 2008;
2. наличие объектно-ориентированного языка высокого уровня (C# 3.5);
3. наличие эффективной визуальной среды разработки, позволяющей в короткие сроки разрабатывать программное обеспечение;
4. наличие современных технологий, позволяющих с легкостью решать поставленные задачи работы с данными;
5. бесплатное применение среды разработки.

 

Решение

     На  основании проведенного анализа  методов управления и оценки кредитного риска, разработанных проектов, создана система поддержки принятия решений RIVC-SYSTEM, реализующая основные ключевые этапы в управлении кредитным риском (рисунок 3): идентификация, оценка, контроль. 

Рисунок 3. Система поддержки принятия управленческих решений RIVC-SYSTEM 

     Разработанная система мониторинга и построения рейтингов, под названием Rating PRO позволяет:

1) в удобной форме осуществлять ввод исходной информации;

2) выполнять расчет итоговых показателей, необходимых для качественной оценки риска;

3) значительно экономить информационные ресурсы на технических средствах за счет исключения дублирования данных;

4) обеспечить санкционированный доступ к необходимой информации;

5) сократить сроки оценки риска;

6) производить  постоянный мониторинг риска.

     Основным  преимуществом системы является возможность конструирования методики оценки риска. Трудностью использования системы является выбор коэффициентов и субъективность значимости интегрального показателя.

   Разработанная система интеллектуального анализа  данных NeuroNADS⁴ реализует следующий необходимый функционал:

1. возможность ввода данных из различных источников, включение вычисляемых столбцов;
2. создание архитектуры НС (ограничение только по вычислительным ресурсам);
3. нормализация входов и выходов НС;
4. выделение обучаемого и тестируемого множеств;
5. выбор функции активации нейрона;
6. необходимый набор параметров обучения;
7. визуализация обучения;
8. описание нейросистемы;
9. графическое и числовое представление полученных результатов;
10. сохранение конфигурации нейросистемы и использование ее в дальнейшем.

     Нейронные сети являются очень мощным инструментом, применяемым в решение различных задач. Плюсом нейросетей является объективность при принятии решения. Недостатком является сложность использования.

     Бесплатное  применение в качестве СУБД SQL Server 2008 Express позволило построить клиент-серверную архитектуру со всеми ее преимуществами, а включенные возможности Advanced Services - конструировать и доставлять отчеты конечным пользователям.

     RIVC-SYSTEM может быть развернута как внутренняя система управления кредитным риском соответствующего департамента, так и как составная часть единой системы поддержки принятия управленческих решений банка.

     Ввод в эксплуатацию системы RIVC-SYSTEM подвержен определенным рискам, среди которых могут быть: ориентация на MS Excel, неприятие системы пользователями, переоценка возможностей системы, переоценка возможностей пользователей. 

Прогнозирование ссудной задолженности

   Для тестирования разработанной системы  RIVC-SYSTEM проведем прогноз ссудной задолженности по реальным данным одного из банка и сравним результаты с другими способами прогнозирования. В качестве исходных данных для прогнозирования возьмем временные ряды, содержащие изменения значений ссудной задолженности (срочной и просроченной по физическим и юридическим лицам, свыше 90 дней по физическим лицам) с 01.01.2007 по 01.07.2009 с интервалом 1 квартал (итого 11 наблюдений). Сделаем прогноз на 01.10.2009 и 01.01.2010.

   Для проведения прогноза будем использовать следующее программное обеспечение и методы:

1. NeuroNADS. Искусственных нейронные сети.
2. Statistica 8. Automated Neural Network⁵. Искусственные нейронные сети.
3. Microsoft Sql Server Analysis Services 2008. Microsoft Time Series⁶ Авторегрессионное интегрированное скользящее среднее.
4. Microsoft Excel 2007. Функция «Тенденция»⁷. Метод наименьших квадратов.

     Для оценки качества способа прогнозирования рассчитаем итоговое значение путем взвешивания количества раз, в которых способ оказался лучшим, с учетом роли следующих критериев: точность предсказания (первого, второго значения, средняя) – 0.2, тенденция – 0.3, знак – 0.4. В качестве дополнительных критериев введем время, потраченное на прогнозирование – 0.1 и доступность использования – 0.1. Результаты прогноза и рейтинг способов прогнозирования представлены на рисунке 4.  

Рисунок 4. Результаты прогнозирования 

     Выводы. Лучшей по итогам прогнозирования временных рядов оказалась интеллектуальная система NeuroNADS. Прогнозные значения будем использовать в системе RatingPro при расчете показателей качества кредитного портфеля. В целом прогноз с применением NeuroNADS можно считать успешным, при таком небольшом объеме исходных данных (таблица 1). Полученные результаты говорят о хороших возможностях технологии нейронных сетей и о необходимости проведения таких исследований для банковского сектора в условиях неопределенности. В перспективе возможно на базе RIVC-SYSTEM создание адаптивной автоматической системы прогнозирования и оценки риска. 

Таблица 1. Точность прогноза по временным рядам  ссудной задолженности (в %)

 

Заключение

     Внедрение системы RIVC-SYSTEM позволит улучшить качество кредитного портфеля, финансовое состояние и надежность банка.

     На  основании полученных данных от системы возможно принимать обоснованные управленческие решения:

1. выработка рекомендаций по изменению процедур кредитования;
2. выработка рекомендаций по изменению процентной ставки;
3. внесение изменений в нормативно-документарную базу, обучение кредитующих сотрудников работе с клиентом по недопущению выхода на просрочку;
4. при выявлении случаев мошенничества – инициация обращения в соответствующие службы;
5. инициация передачи дел в коллекторские агенства;
6. включение в повестку дня уполномоченных органов банка предложения о приостановке кредитования;
7. рекомендации по изменению продаваемого продуктового ряда в регионе;
8. инициация проведения служебных проверок

 

Список  использованных источников

1. Бражников А. С., Малеева А. В. Методы оценки качества кредитного портфеля коммерческого банка. Сборник научных трудов СевКавГТУ. Серия «Экономика». 2008, № 8.
2. Письменная Н.Е., Кузнецова А.В. Методы управления кредитным риском в рыночных условиях.  Вестник СевКавГТУ. Серия «Экономика». № 3 (11), 2003
3. Пучков Е.В. Методы и системы поддержки принятия управленческих решений. Деловой аналитический журнал  «Ваш Капитал Юг», 2008, №6-7.

4. Пучков  Е.В. Разработка среды моделирования  искусственных нейронных сетей. Решение задачи прогнозирования  временного ряда. Научно-технический журнал «Вестник Ростовского государственного университета путей  сообщения», 2009, №2

5. Пучков  Е.В. Применение градиентных методов  оптимизации для обучения искусственных  нейронных сетей на примере задачи прогнозирования временного ряда. Нечеткие системы и мягкие вычисления: сборник научных статей, 2009, том 1.
6. Тоцкий М.Н. Методологические основы управления кредитным риском в коммерческом банке. Финансы, 2008.
7. http://www.microsoft.com/sqlserver/2008/ru/ru/express.aspx
8. http://www.microsoft.com/rus/express/default.aspx