WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

На правах рукописи

Черников Константин Сергеевич

СНИЖЕНИЕ УРОВНЯ БАНКОВСКОГО РИСКА ПОСРЕДСТВОМ ПРЕЦЕДЕНТНОГО МОДЕЛИРОВАНИЯ КРЕДИТНОЙ СИТУАЦИИ

Специальность 05.13.18 – математическое моделирование, численные  методы и комплексы программ

А В Т О Р Е Ф Е Р А Т

диссертации на соискание ученой степени кандидата технических наук

Ульяновск – 2012

Работа выполнена на кафедре телекоммуникационных технологий и сетей в  Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Ульяновский государственный университет»

Научный руководитель

доктор технических наук, профессор

Смагин Алексей Аркадьевич

Официальные оппоненты

Крашенинников Виктор Ростиславович

доктор физико-математических наук, профессор

ФГБОУ ВПО «Ульяновский технический государственный университет», заведующий кафедрой Системы автоматизированного проектирования

Мальцев Денис Анатольевич

кандидат технических наук,

ФГБОУ ВПО «Ульяновский государственный университет», доцент кафедры Информационных технологий

Ведущая организация:

ФГБОУ ВПО «Самарский государственный технический университет»

Защита диссертации состоится «21» марта 2012 года в 1000 часов на заседании диссертационного совета Д 212.278.02 при ФГБОУ ВПО «Ульяновский государственный университет» по адресу: г. Ульяновск, ул. Набережная реки Свияга, 106, корп. 1, ауд. 703.

С диссертацией можно ознакомиться в библиотеке Ульяновского государственного университета, с авторефератом на сайте вуза http://www.uni.ulsu.ru и на сайте Высшей аттестационной комиссии при Министерстве образования и науки Российской Федерации – http://www.vak.ed.gov.ru.

Отзыв на автореферат присылать по адресу: 432017, г. Ульяновск, ул. Л.Толстого, д. 42, УлГУ, Отдел послевузовского и профессионального  образования.

Автореферат разослан «____» ____________ 201__ года.

Ученый секретарь

диссертационного совета                                                Волков М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

В настоящее время ситуация на мировых финансовых рынках, спровоцированная кризисом на ипотечном рынке США, продолжает усугубляться. Это характеризуется выводом средств инвесторов с развивающихся рынков, в том числе из России, а также банкротством крупнейших инвестиционных банков. Происходящие в мире события негативно сказываются и на российском финансовом рынке1

.

Существующие тенденции развития банковского дела и статистические данные указываю на существенный рост рисков, связанные с банковской деятельностью, в том числе кредитного риска. В российской федерации на 01.01.2011 г. физическим лицам выдано кредитов на сумму 3 715 266 млн. руб., из них 23 537 млн. руб. составляет просроченная задолженность. В Ульяновской области выдано 29 421 млн. руб., из них 237 млн. составляет просроченная задолженность2, в  этих  условиях  для  банков  становится  очень важной  разработка  соответствующего  механизма  расчета,  оценки,  контроля  и управления рисками.

Решение таких задач требует не только знаний теории экономики, кредитования, психологии заемщиков, которыми в большей степени обладают наиболее опытные специалисты, но и знаний, основанных на интуиции и многолетнем опыте. Таким образом, задача кредитования в разрезе решения о предоставлении кредита во многом является творческой, базируется на эмпирическом опыте специалистов, а эффективность результатов во многом определяется наличием этих знаний и опыта у специалистов.

Применяемые в данной области методы и средства моделирования не отвечают в полной мере задачам воспроизводства реального человеческого опыта и знаний специалистов-практиков. В то же время исследования в области искусственного интеллекта и экспертных систем в частности показали эффективность применения для таких случаев интеллектуальных систем поддержки принятия решений, основанных на экспертных знаниях. Известны теоретические работы и практические внедрения в этой области научных коллективов под руководством таких известных отечественных и зарубежных ученых, как Поспелов Д.А.3, Загоруйко Н.Г.4, Переверзев-Орлов В.С.5, и других. Однако в области уменьшения кредитного риска задача разработки и промышленного применения интеллектуальных систем поддержки принятия решений остается нерешенной. Актуальность задач, связанных с разработкой и внедрением таких систем определило те цели и задачи, которые исследуются в диссертационной работе.

Актуальность рассмотрения в диссертационной работе темы уменьшения банковских кредитных рисков заключается еще и в том, что данная проблема в России разрабатывалась  достаточно  мало.  В  отечественной  литературе  практически полностью  отсутствуют  комплексные  исследования  в  данной  области. Существуют  отдельные  публикации  специалистов, по отдельным определенным видам риска6,7. Но работ, рассматривающих комплексно уменьшение кредитных рисков банка, реально не существует. Достаточно редко в отечественной литературе  можно  встретить  работы,  освещающие  опыт  практического управления  рисками  в  западных  банках.  Что  касается  решения  данной проблемы  на  практике,  то  следует  отметить,  что  российские (да  впрочем,  и зарубежные) банки стали вплотную  заниматься этой проблемой относительно недавно.  Все  это  говорит  об  актуальности  проблем,  затронутых  в диссертационной работе.

В силу недостаточности знаний об объектах кредитования и множестве ситуаций, в которых определяется необходимая информация, получить точную модель поведения банка и заемщика не представляется возможным.

При  выдаче кредитов, необходимо обладать пониманием конкретной ситуации, то есть учитывать все ее стороны (банк-заемщик-кредитная ситуация) и возможные варианты развития событий.

Всякая кредитная  ситуация характеризуется определенным набором данных. Он может быть полным, тогда принимаемое решение на его основе будет наиболее верным (с определенной вероятностью) и риск может быть сведен к минимальному уровню, который в данный момент, может быть, достигнут, однако  еще остается плохо снижаемый остаток риска. Когда набор данных не обладает полнотой и высокой достоверностью, решения не могут быть качественными и риск невозврата кредита увеличивается.

Для определения  достаточности набора ситуационных данных  можно воспользоваться следующим приемом: за основу  набора брать ту совокупность данных, которую банк получает по традиционно принятой процедуре и  которая в лучшем случае дает примерно девяносто пять процентов  уверенности в правильности принимаемого решения. Следовательно, около пяти процентов – это «неснижаемый риск», то есть, уменьшить его нельзя традиционными способами, требуются дополнительные действия.

Улучшить ситуацию по сокращению оставшегося  риска можно только в одном случае – получением новой дополняющей информации к имеющейся. Множество набранных произвольных данных  в кредитной ситуации  обладает высокой энтропией. Но когда эти данные организованы или структурированы  по заданному правилу – энтропия ситуации  уменьшается.

Объектом исследования являются модели информационных процессов, присутствующих в кредитных ситуациях.

Предметом исследования являются информационные средства снижения риска кредитования.

Цель и задачи работы:

Целью работы является разработка информационной системы анализа и прецедентного моделирования кредитных ситуаций для снижения банковского риска.

Для достижения названной цели решены следующие задачи:

  1. Разработан алгоритм оценки кредитной ситуации, учитывающий дополнительные данные о заемщике кредита и прецедентные данные о схожих ситуациях.
  2. Разработана система извлечения и формирования дополняющей информации о заемщике (как ее источнике)  и использования ее в системе управления кредитным риском.
  3. Разработана база прецедентов для хранения и обработки кредитной ситуации с учетом дополняющей информации в системе управления кредитным риском.
  4. Разработана система прецедентного моделирования кредитных ситуаций, основанной на базе прецедентов, дополнительной информации о заемщике и прецедентах.

Методы исследования. В диссертационной работе применялись методы математического моделирования, экспертных оценок, теории нечеткой логики, теории игр, нейронных сетей, теории программирования.

Научная новизна:

  1. Разработан синдромный портрет заемщика (физического лица), позволяющий снизить неопределенность данных, описывающих кредитную ситуацию и расширить атрибутику прецедента, тем самым, при обработке повысить качество принимаемых решений.
  2. Применение набора интеллектуальных методов (нечеткая база знаний, нейронная сеть, база прецедентов)  с точки зрения дифференцированного подхода к обслуживанию заемщиков, позволяющему решать задачи кредитования в различных условиях (риска, неопределенности, противодействия).
  3. Для формализации предметной области в условиях неопределенности применена методика нечеткой логики и построена нечеткая база знаний, позволяющая получить решение при неполных и недостоверных данных.

Основные положения, выносимые на защиту:

  1. Модель кредитных ситуаций, позволяющих уменьшать остаточный банковский риск.
  2. Модель получения дополнительных данных из типовых кредитных ситуаций, обеспечивающая  при ее реализации улучшение качества принимаемых решений.
  3. Алгоритм оценки кредитной ситуации, учитывающий дополнительные данные о заемщике кредита и прецедентные данные о схожих ситуациях, являющийся основой в созданном программном комплексе управления кредитным риском с использованием численных методов нейронной сети, экспертных оценок и аппарата нечеткой логики.
  4. Программный комплекс моделирования кредитных ситуаций на основе дополнительной информации о заемщике и  базы прецедентов.

Достоверность полученных результатов. Достоверность научных положений и результатов исследований обеспечивается строгостью постановок задач, корректностью выбранных методов. Достоверность также подтверждается проведенными компьютерными экспериментами и результатами тестирования созданной системы управления кредитным риском.

Теоретическая и практическая значимость. Теоретическая значимость выражается в возможности дальнейшего развития методов и средств применения  современных  информационных технологий в процессе уменьшения риска кредитования. Практическая значимость заключается в  создании и использовании более надежных  методик и средств  кредитования. В конечном итоге положительный эффект состоит в уменьшении риска кредитования, снижения уровня финансовых потерь и возможность накопления опыта.

Апробация работы. Результаты основных положений диссертации докладывались на следующих конференциях: VII Международная конференция «Математическое моделирование физических, экономических, технических систем и процессов», Ульяновск, УлГУ, 2009; Interactive Systems and Technologies: the Problems of Human-Computer Interaction, Ulyanovsk, ULSTU, 2009.

Личный вклад автора. Постановка задач исследования осуществлена совместно с научным руководителем. Теоретические и практические исследования проведены автором самостоятельно.

Публикации. По теме диссертации опубликовано 6 работ, в том числе 1 в рецензируемом научном журнале, рекомендованном ВАК. Список помещён в конце автореферата.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы из 115 наименования. Работа содержит 138 страниц текста, 24 рисунка, 6 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы, определены цели и задачи диссертационной работы, сформулированы научная новизна и практическая значимость проводимых исследований, перечислены положения, выносимые на защиту, дана общая характеристика работы.

Первая глава посвящена анализу предметной области и методам принятия решений.

Сделан вывод  о том, что уменьшение кредитных рисков – основа банковского дела, а управление ими традиционно считается главной проблемой теории и практики банковского менеджмента.

В настоящее время в крупных банках предполагается, что процесс убытка по кредиту описывается составным пуассоновским процессом со случайным параметром, имеющим гамма-распределение Г(,) с функцией плотности:

, ,                                (1)

где гамма-функция

,                                        (2)

В этом случае момент наступления рисковой ситуации имеет отрицательное биноминальное распределение, для которого вероятность принятия значения равна

,                                (3)

где и .

Несомненным достоинством данного подхода является возможность проведение прямых аналитических расчетов для получения полного распределение убытка кредитного портфеля. Однако основу этого подхода составляют лишь вероятностные предположения о модели вероятности наступления рискового события, не содержащие причинно-следственное обоснование возникновения риска невозврата кредита заемщиком.

Рассмотрены подходы к  оценке кредитоспособности при кредитовании физических лиц, число которых растет ежегодно. Для этой категории лиц  характерны небольшие размеры ссуд, что порождает большой объем работы по их оформлению и  применяется достаточно дорогостоящая процедура оценки кредитоспособности относительно получаемой в результате прибыли. При этом кредитный риск складывается из риска невозврата основной суммы долга и процентов по этой сумме. Для оценки кредитоспособности физических лиц банку необходимо оценить как финансовое положение заемщика, так и его личные качества (последним  оказывается часто неоправданно низкое внимание).

Проведён анализ предметной области и обзор информационных средств поддержки принятия решений.  Приводятся примеры российских и зарубежных существующих систем уменьшения банковских рисков.

Рассмотрены методы, используемые для реализации  программных средств:  вероятностно-статистические методы; методы статистики нечисловых данных, в том числе интервальной статистики и интервальной математики, а также методы теории нечетких вычислений; методы теории игр; база прецедентов; экспертные оценки; нейронная сеть.

Сравнительный анализ показал, что  совместное применение вышеуказанных методов  с учетом поставленных задач может  позволить создать достаточно эффективную систему управления кредитным риском, устранение ряда существенных  недостатков  традиционными способами затруднительно. Для решения задачи уменьшения кредитного риска предлагается  использовать теоретико-информационный подход, в основу которого положено получение дополнительных данных, извлекаемых из кредитных ситуаций и уменьшающих неопределенность при  принятии решений. Для разработки такого подхода в первой главе получена модель процесса существующей системы банковского  кредитования и на ее основе сформулирована  задача создания системы снижения неопределенности при принятии решений для задачи кредитования.

Во второй главе предложен подход  к снижению неопределенности  кредитных ситуаций посредством получения дополняющих данных,  касающихся личности заемщика  и оценки схожих прецедентов кредитных ситуаций, накапливаемых в базе прецедентов. Разработана модель процесса кредитования посредством  использования базы прецедентов, алгоритм поиска прецедентов на основе экспертного анализа, нейронной сети и нечеткой базы знаний.

Один из подходов к вычислению кредитного риска основан на предположении, что единственным событием, которое может произойти (в течение кредитного периода) является дефолт заемщика, то есть, возможны только два варианта: "невозврат кредита" и "возврат кредита". В этом случае величина убытка представляет собой случайную величину, принимающую только два значения, и ее стандартное отклонение есть величина убытка N при условии дефолта, умноженная на квадратный корень произведения вероятности убытка и вероятности отсутствия убытка :

                                                .                                  (4)

Однако основу этого подхода так же составляют лишь вероятностные предположения о модели вероятности наступления рискового события, не содержащие причинно-следственное обоснование возникновения риска невозврата кредита заемщиком.

Получение новой дополняющей информации и ее анализ из ситуаций с известной семантикой в научной литературе именуется как добывание данных. Имеется ряд приемов и методик, которые имеют свои специфики, связанные, прежде всего, с предметными областями.

В основу всех подходов положены три аспекта:

  1. получение информации из задаваемых вопросов, составленных по опросным правилам;
  2. получение информации из типовых функций или других математических структур, которые используются для предоставления ответов на вопросы;
  3. получение информации из данных, характеризующих ситуацию.

Содержание дополнительной информации определяется в основном самой  предметной областью, которая может содержать новые отношения, скрытые классификации анализируемых объектов, позволять делать новые оценки.

Однако необходимо, чтобы кредитодатель предложил сам направление поиска нужной информации на основании, прежде всего имеющегося опыта и знания «узких мест» в кредитовании.

Наиболее очевидный прием выявления дополнительной информации – задание вопросно-ответной системы, ориентированной на те объекты предметной области, которые обладают высокой энтропией.  Задаваемые вопросы должны обеспечивать получение таких ответов, которые позволяли их обрабатывать не только качественно, но и количественно, то есть  получать полезные для принятия решений оценки. При выдаче кредитов затрагиваются напрямую два объекта: заемщик и кредитная ситуация, в которой он участвует. И от первого и второго объектов зависят принимаемые решения. Если заемщик представляет собой сложную информационную систему порой с плохо прогнозируемыми поступками, то кредитная ситуация поддается формализации и ее можно дополнять новыми атрибутами и данными. Оба объекта являются динамическими, т.е. развивающимися, что дает возможность учитывать в дальнейшем изменения в банковских операциях.

Вторым важным объектом в кредитной задаче является сама кредитная ситуация, которая также может являться источником дополнительных данных. Эти данные предоставляются посредством прецедентов, хранящихся в БП.

Дополнительные данные, используемые для дополнительного снижения энтропии в кредитной ситуации образуются на основании анализа – путем сравнения данных, полученных из текущих событий с данными из базы прецедентов.

       Введено понятие прецедентного  моделирования (ПМ)  под которым понимается процесс исследования явлений и объектов с помощью осознанного и формализованного опыта прошлых лет. Прецедентное моделирование касается главным образом ситуаций, в которых происходят события,  и принимает участие  изучаемый объект.  Нас интересует оценка ситуаций на  практике в шенноновском смысле - как разность между исходной энтропией и энтропией, полученной в результате анализа и обработки дополнительных данных. Цель ПМ – уменьшение  этой разности за счет дополнительной информации, заключенной неявным образом в кредитной ситуации.

        Извлечение данных из базы прецедентов базируется на поиске сходных по определенным признаком прецедентов (и классифицированных заранее) и преобразовании решения  по прецеденту наиболее близкому к анализируемому по выбранной группе классификации к наиболее приемлемому.

       Выбранное решение не обладает точностью и может занимать определенный интервал оценок, чем он уже и чем лучше близость прецедента – тем качественней принимаемое в итоге решение.

       Очевидно, что чем больше разнообразных прецедентов и используется более  совершенная система классификации - тем более аргументированным становится  решение.  Классы схожих или близких прецедентов должны быть широкими (насыщенным), только тогда они могут покрыть большое разнообразие исходных ситуаций.

Степень сходства  определяется  по формуле:

,                                         (5)

где: S – степень сходства текущей ситуации с выбранным прецедентом, выраженная в процентах; wi – вес i-го показателя текущей ситуации; zi – значение i-го показателя текущей ситуации; pi – предикат сходства; – вес i-го показателя прецедента; – значение i-го показателя прецедента.

Для комплексного решения поставленной задачи предлагается построение системы управления кредитным риском с использованием методов нейронной сети (НС), нечеткой базы знаний (НБЗ), поиска в базе прецедентов (БП) на основе экспертной оценки (ЭО).

Обоснованием выбора таких компонентов является обрабатываемая в системе информация, которая имеет разнообразный характер, что выражается разными формами представления, структурой и видами обработки (предварительной,  кодированной, прецедентной), иметь нечеткое содержание и т.п. Хорошо известными средствами и методами добывания данных являются НС, нечеткая логика, принятие решений на основе прецедентов, учитывающие «стандартные» ситуации прежних событий и их классификации.

Схема  информационной системы представлена в виде UML диаграммы  последовательности действий на рис.1. Кратко охарактеризуем основные процедуры.

Рис.1. UML диаграмма СППР кредитных проектов.

Прием заявки на получение кредита. Кредитный сотрудник банка принимает заявление на получение кредита от заемщика, а так же проводит ознакомительное собеседование, в ходе которого заемщик сообщает об имеющейся потребности в кредитных ресурсах, в том числе о сумме, сроках, цели использования кредита. Далее система управления кредитным риском осуществляет поиск информации  о заемщике в  базе прецедентов, созданной в соответствии с решаемой банковской задачей, форматами представления  и алгоритмом поиска в ней аналогичных прецедентов.

Экспресс-анализ заемщика. Если информации о заемщике в базе прецедентов отсутствует, то ему необходимо воспользоваться процедурой  тестирования с помощью вопросно-ответной системы, результатом которой является перевод всех количественных и качественных показателей информации о заемщике в единую «шкалу надежности»  и присвоение бальной оценки. Под надежностью в данном случае и далее будем понимать доверие к заемщику по возврату предоставляемого кредита, выражаемое в общем случае через вероятностные оценки. Однако получение вероятностей для конкретных заемщиков, особенно новых для банка затруднено, так как накопление статистических данных может быть осуществлено в том случае,  когда заемщик на протяжении длительного времени взаимодействовал с банком. Поэтому формируемая оценка является относительной в том смысле, что она может быть улучшена или ухудшена при дальнейшем анализе близких аналогичных ситуациях с другими заемщиками, их интеграции и формировании общих для них рекомендаций.

Запрос пакета документов заемщикаЗаполненный личными данными о заемщике пакет документов поступает на обработку по утвержденной  банком процедуре.

Оценка платежеспособности заемщика традиционными средствами. Производится расчет суммы кредита, возможности погашения кредита и процентов по нему. Сумма кредита, предоставляемого заемщику, определяется с учетом его дохода.

Расчет платежеспособности заемщика8

:

                                                ,                                        (6)

,                                         (7)

где: Р – платежеспособность заемщика; Д – доход за последние 12 месяцев за вычетом всех обязательных платежей; К – понижающий коэффициент, определяется политикой банка; Т – срок выплаты основного долга в месяцах; S – максимально возможная сумма кредита; i – процентная ставка по кредиту (% годовых/100).

Формализация данных о заемщике. Для формального описания кредитной ситуации предлагается следующая модель (рис.2).

Ранее указывалось, что участие заемщика в конкретной кредитной ситуации может рассматриваться как выработка некоторым источником дополнительной информации,  причем следует учесть, что понятие «ситуация» шире понятия «заемщик», следовательно, и количество информации  в реакции  заемщика может напрямую зависеть от характера ситуации.

В основу тестирования положен «вотум доверия», который должен быть получен заемщиком, и который должен иметь меру. Это психологическая сторона личности, связанная с поведением в банковской сделке и получить точные оценки практически невозможно. Однако допускается сделать прогноз ее состояния. Например, «вотум доверия» к женщинам выше, чем к мужчинам, поэтому можно допускать, что при определенных суммах кредит женщинам будет выдан быстрее, чем лицам противоположного пола.

Рис. 2. Модель кредитной ситуации.

Формирование опросного списка преследует единственную цель - получить

формальную оценку о заемщике как о некой системе, обладающей таким важным параметром как надежность. С точки зрения теоретико-информационного подхода проценсс добывания данных о заемщике можно рассматривать как уменьшающуюся энтропию при увеличивающейся полезности этих данных в дальнейшей обработке ситуационной информации.

  Предложено использовать для получения дополнительных данных информационную модель, названную синдромным портретом заемщика. Понятие синдром включает в себя группу признаков (симптомов) черт характера, которые в силу общего механизма возникновения (рождения и воспитания) объединены друг с другом закономерным и регулярным образом, что и позволяет определить склонности  заемщика. Получение синдромных данных и их анализ дают возможность более  точно определить кредитный риск или его границы и оценить кредитную ситуацию правильнее.

В модели заемщика учитываются показатели, используемые в настоящее время для определения кредитоспособности клиента на основе проведенного анализа архивных кредитных дел9, полученных экспертных мнений10, а также изучения современных достижений психологии. С этой целью предлагается дополнить типовую атрибутику заемщика по следующим направлениям: профессиональная деятельность (отрасль предприятия;  занимаемая должность), состояние здоровья (частота заболеваний;  наличие хронических заболеваний; занятия спортом), благонадежность заемщика (наличие административных нарушений; заведение уголовного дела на заемщика;  привлечение к уголовной ответственности), социальный статус (семейное положение; возраст; место жительства), которые позволяют в необходимой степени дополнить существенными данными психологический портрет и уточнить поведенческие свойства.

Практически портрет заемщика – это организованная совокупность ответов на вопросы из списка тестирования, которая характеризует в целом заемщика с точки зрения банка на взятые на себя обязательства по возвращению кредита и процентов. Установить перечень вопросов и их количество, которые позволяют получать надежные результаты в указанном выше смысле могут только привлеченные для этой  цели профессиональные психологи, поэтому в работе используется экспериментальный набор вопросов, который, по мнению банковских специалистов по работе с клиентами, оценивает не только кредитоспособность заемщика, но и степень доверия к данному клиенту.

  Часть параметров описания заемщика носят количественный характер, а часть качественный. Для унификации процесса оценки параметров предлагается ввести некую единую «шкалу надежности» заемщика -  синдромного портрета заемщика (рис. 3).

Рис. 3. Синдромный портрет заемщика.

Ниже приведен пример анализа показателя возраста заемщика.

Таблица 1. Значения интервалов показателя возраст заемщика.

возраст (лет)

18-24

25-30

31-40

41-50

51 и выше

Надежность

18-24

х

0

0

0

1

1

25-30

1

х

0

1

1

3

31-40

1

1

х

1

1

4

41-50

1

0

0

х

1

2

51 и выше

1

0

0

0

х

1

Поиск в  базе прецедентов кредитного проектаАлгоритм поиска решения на основе прецедентов заключается в определении степени сходства текущей ситуации, которая задана на входе алгоритма, с ситуациями,  содержащимися в  прецедентах из БП (рис.4).

       

Рис. 4. Алгоритм поиска прецедента.

В алгоритме учитываются веса параметров прецедентов из БП — с этой целью значения параметров для текущей ситуации и ситуаций прецедентов умножаются на веса соответствующих параметров. Каждому признаку назначают вес, учитывающий его относительную ценность. Веса и значения параметров получены экспертной оценкой методом попарного сравнения. После вычисления степеней подобия для всех прецедентов получаем их единый ранжированный список.

Прецедент  представляется в виде записей в  базе прецедентов и включает: описание банковской  ситуации, описание решения этой в этой ситуации, результат (обоснованность) применения решения (рис.5).

Рис.5. Структура прецедента.

Описание ситуации содержит всю информацию, необходимую для достижения цели вывода. Результаты анкетирования по методике, принятой  банком, и дополняющую информацию. Исход как результат применения решения - это обратная связь, полученная от применения решения. Описание результата может содержать: перечень того, кому, при каких обстоятельствах и на каких условиях выдан кредит, результат по возврату кредита и процентов, способ восстановления (в случае нарушения целостности данных), перечень того, что можно сделать, чтобы его избежать.

Определение риска кредитования. Для выявления скрытых закономерностей в БП предлагается использовать нейронную сеть, после обучения которой, возможна оценка заемщика не представленного в БП. Кроме того, нейронная сеть используется для исключения субъективности оценки, которая присутствует при экспертной оценке риска.

В работе  применяется нейронная сеть обратного распространения ошибки для решения задачи кредитования. Количество входов нейронной сети  определяется количеством значений показателей заемщика. Для примера  в  варианте тестирования заемщика, в котором  21 показатель и некоторые могут принимать до 5 значений, каждый показатель можно закодировать 3 битами, следовательно, нейронов в первом входном слое будет 63. Промежуточный слой состоит из 21 нейрона. Количество нейронов в последнем слое сети определяет необходимость учета неоднозначных факторов, которые при различных комбинациях могут и увеличивать и уменьшать риск (пример, если мы имеем идеальную кредитную ситуацию, а показатели заемщика подозрительная, то в предоставлении данного кредита необходимо отказать), поэтому в выходном слое 2 нейрона. В таблице 2 приводятся варианты интерпретации выходных значений нейронов.

Таблица 2. Интерпретация выходного вектора НС.

вариант 1

вариант 2

вариант 3

вариант 4

у1

0

0

1

1

у2

0

1

0

1

Рекомендуемое решение

отказ в кредите

предоставление кредита

отказ в кредите

отказ в кредите

В качестве функций активации используются Функция Ферми (экспоненциальная сигмоида):

       ,                                        (8)

где s — выход сумматора нейрона,  — произвольная константа.

Обучение нейронной сети проводится кредитным сотрудником заранее, до непосредственного использования программного средства в процессе кредитования. В качестве начальных значений весов для сокращения времени обучения сети предлагается брать значения весов, установленных экспертами при формировании правил учета качественных параметров. В качестве обучающей выборки используется кредитная история банка, формализованная в виде прецедентов, для  оценки кредитного риска используется уже обученная сеть.

Нахождение риска кредитования. Для использования нечеткой логики все параметры заемщика представлены в виде лингвистических переменных, построены графики функций принадлежности, а так же создана нечеткая база знаний. Нечеткая база знаний представлена в виде диаграммы на рис. 6.

Пример правила вывода представленного на рис. 6:

Если заемщик =«надежный» и срок = максимальный и сумма = «минимальная», и кредитная история = «положительная» и обеспечение = «среднее», то риск невозврата кредита = «низкий риск невозврата кредита».

Рис. 6. Нечеткая база знаний вывода риска невозврата кредита.

Преимуществом данного представления НБЗ является то, что на одной диаграмме отображены все лингвистические переменные, их значения и продукция НБЗ, что позволяет оценить ее полноту.

Расчет интеграционной оценки кредитного проекта.

После вычисления риска невозврата кредита () одним из трех методов: использованием базы ЭО, НС, аппарата нечеткой логики необходимо рассчитать прибыль или потери банка при участии в кредитном проекте.

Рассмотрим задачу принятия решения об участии в кредитном проекте в условиях риска на основе игровой модели. Игроками в данном случае будем рассматривать банк и заемщика.

Кредит может быть:

1) возвращен полностью и принести банку некоторый доход a1;

2) может быть не возвращен, и тогда речь может идти только о потерях a2 для банка (значения дохода будем учитывать со знаком «+», потерь — со знаком «–»). Числовые значения величин a1, a2 вычисляются по следующим формулам:

,                                (9)

где S – сумма кредита, g  – риск невозврата кредита, Т – срок кредита в месяцах, Р – процентная ставка, t(Ti) – количество дней в i-ом месяце.

2                                                (10)

Рассмотрим игровую модель со стороны банка. Банк может получить прибыль или понести убытки, поэтому кредитный сотрудник может выбрать одну из двух стратегий поведения:

1)

участвовать в кредитном проекте;

2)

не участвовать в кредитном проекте.

Элементы нижней строчки – нули, поскольку при отказе от участия в проекте банк ничего не теряет и не приобретает.

Вопрос о выборе стратегии решается теперь проверкой неравенства:

Q1 > Q2 или Q1 > 0. 

Если это неравенство выполняется, то в проекте следует участвовать, если не выполняется – отказаться.

,         (11)

где Q1- выигрыши банка при выборе стратегии 1.

Сгенерированное компьютером решение будет представлять практический интерес для кредитного работника, однако это не означает, что оно не будет подвергаться изменениям или по определенным причинам не будет отвергнуто как неудовлетворяющее определенным требованиям. Последнее слово всегда остается за ЛПР. Предлагаемая система устанавливается на рабочее места кредитного сотрудника.

Итогом исследований второй главы являются: формализация предметной области исследований, разработка информационной  модели заемщика в форме синдромного  портрета, представляющего источник дополнительных данных в кредитных ситуациях, предложена схема решения задачи кредитования в условиях получения новых ситуационных данных.

Третья глава посвящена проектированию информационной системы оценки кредитного риска по изложенной выше схеме. Основные функции системы представлены на диаграмме прецедентов UML. Они доступны двум категориям пользователей: эксперту и кредитному сотруднику. Эксперт может влиять и изменять логику работы системы, используя настройки параметров методов БП, НБЗ и НС.

Рис. 7. Диаграмма прецедентов использования системы управления кредитным риском для задачи кредитования.

Для всестороннего описания информационной системы в диссертации представлены диаграммы: диаграмма классов системы управления кредитным риском, диаграмма состояний для БП, диаграмма состояний для НС, диаграмма состояний для НБЗ, диаграмма последовательности действий модуля НБЗ, диаграмма последовательности действий модуля НС, диаграмма компонентов системы управления кредитным риском, диаграмма развертывания системы управления кредитным риском.

Общая архитектура системы управления кредитным риском представлена на рисунке 8.

Рис. 8. Общая архитектура системы управления кредитным риском.

Предложенная логическая модель БД позволяет описать структуру НС, результаты ее обучения на основе обучающей выборки, состоящей из значений, полученных из БП, результат ее использования в программе. Так же в БД хранится информация о НБЗ, о лингвистических переменных, введённых экспертами, значения лингвистических переменных, представленных в виде нечетких переменных. Функция принадлежности задается в виде трапеции. Нечеткие правила, содержащие условия, которые могут быть вложенными и в этих условиях используют лингвистические переменные. ER-диаграмма представлена на рисунке 9. Результаты функционирования системы управления кредитным риском отображаются в базе с указанием даты запроса, используемых методов, полученного результата и отметки эксперта.

Итогом третьей главы является разработанный проект системы управления кредитным риском для задачи кредитования в виде диаграмм UML, которые отображают возможные подходы к построению системы управления кредитным риском в области кредитования и позволяют использовать эти подходы вне зависимости от конкретных языков программирования, а так же разработанная общая архитектура системы управления кредитным риском, позволяющая определить основные блоки системы, функции, которые они выполняют, и связи между ними.

Четвертая глава посвящена реализации основных алгоритмов системы управления кредитным риском и тестированию созданной системы.

Система управления кредитным риском для задачи кредитования реализована на языке программирования C# с использованием принципов объектно-ориентированного программирования.

В данной главе проведено тестирование системы управления кредитным риском и рассматриваются предложения по использованию системы управления кредитным риском.

Рис. 9. ER-диаграмма.

Тестирование системы управления кредитным риском целесообразно проводить по значению оценки риска невозврата кредита.

На этапе тестирования системы управления кредитным риском производился расчет оценки риска невозврата кредита. Было отобрано пять вариантов, каждый из которых был протестирован с применением методов НС, БП и НБЗ. Результаты эксперимента представлены в таблице 3.

Таблица 3. Результаты тестирования системы управления кредитным риском.

Количество введенных показателей

присутствие аналога в БП

Оценка БП

Оценка НС

Оценка НЛ

Оценка экспертов

21/18/21

-/-/+

-/-/0,15

0,13/-/-

-/0,13/-

0,15

21/17/21

-/-/+

-/-/0,31

0,37/-/-

-/0,41/-

0,38

21/19/21

-/-/+

-/-/0,48

0,50/-/-

-/0,52/-

0,55

21/18/21

-/-/+

-/-/0,66

0,71/-/-

-/0,73/-

0,66

21/16/21

-/-/+

-/-/0,95

0,96/-/-

-/0,91/-

0,96

Для примера рассмотрим первую строку таблицы. В данном случае была взята кредитная ситуация, имеющая аналогичный прецедент в БП, соответственно при использовании системы был получен ответ с помощью метода БП, значение кредитного риска составило 0,15%. Далее из БП данный прецедент был удален и после запуска системы был получен ответ с помощью метода НС, значение кредитного риска составило 0,13%, после этого из входных данных было удалено три атрибута и система запущена в третий раз. Был получен результат с помощью метода НБЗ значение кредитного риска равно 0,13%. Далее все три результата сравнены с результатом экспертов, который составил 0,15%.

Для всех пятнадцати проведенных экспериментов отобранные риски попадали в статистические данные по оценке риска невозврата кредита. Это говорит о правильной работе алгоритма поиска прецедентов, правил вывода НБЗ, настройки НС и о достаточной квалификации экспертов, которые заполняли данные по весовой оценки показателей заемщика и кредитной ситуации и правила вывода НБЗ.

В результате проведенных исследований в главе 4 были получены следующие результаты: проведено тестирование системы управления кредитным риском, показана адекватность предложенных в работе моделей и алгоритмов, доказывающая их применимость на практике. Результаты работы переданы и используются в практической деятельности банков Ульяновской области (Самарский филиал ОАО «ВБРР» операционный офис в г. Ульяновске, операционный офис ОАО КБ « Солидарность» в г. Ульяновске) получены следующие результаты:

  1. Процесс выдачи одного кредита уменьшен с 112,475 чел.час. до 70,875 чел.час.
  2. При использовании текущего процесса кредитования процент просроченных платежей был уменьшен на 1,3%, а непогашенных кредитов на 0,2%.

Данная статистика подтверждена актами ввода в эксплуатацию системы по уменьшению кредитного риска.

Определены области применимости предложенных моделей и алгоритмов и указаны направления дальнейшего развития системы управления кредитным риском.

       Основные результаты работы:

  1. Проведен анализ предметной области кредитования, методов управления кредитным риском и существующих систем уменьшения кредитного риска, на основе которого построен синдромный портрет заемщика, дающий возможность учитывать дополнительную информацию о заемщике, и создана модель кредитной ситуации, позволяющая формализовать задачу кредитования.
  2. Разработан алгоритм управления кредитным риском на базе набора интеллектуальных методов, позволяющий решать задачу кредитования в различных условиях.
  3. Разработан алгоритм поиска в базе прецедентов аналога для текущей кредитной ситуации, описание которой представлено в виде синдромного портрета заемщика и модели кредитной ситуации, предлагаемой в работе. Данный алгоритм позволяет учитывать специфику задачи кредитования.
  4. Разработана нечеткая база знаний, в основу которой положены знания от экспертов по оценке кредитных ситуаций, позволяющая при значительной неопределенности входных данных решать задачу кредитования.
  5. Спроектирована система управления кредитным риском, внедрение которой в деятельность банка позволит сократить расходы при выдаче кредита (трудозатраты, время принятия решения) и понизить процент невозврата кредита.
  6. Проведены работы по моделированию кредитного риска на базе полученных программных средств, подтверждающих на практике применимость предложенного подхода.

Список публикаций по теме диссертации.

Публикации в изданиях, входящих в перечень ВАК:

1. Черников К.С., Липатова С.В. Поддержка принятия решения на основе интеграционного подхода в системе банковского кредитования // Современные проблемы науки и образования. – 2012. – № 1; URL: www.science-education.ru/101-5322.

Публикации в прочих изданиях:

2. Черников К.С. Исследование возможности уменьшения кредитных рисков банка посредством использования  системы поддержки принятия решений, основанной на базе прецедентов // Журнал научных публикаций аспирантов и докторантов. – 2010 - №11 (53) – С. 102-108.

3. Черников К.С. База прецедентов как инструмент минимизации кредитных рисков банка // Ученые записки Ульяновского государственного университета.– Ульяновск: УлГУ, 2009. - №. 1 (2). – С. 261 -266.

4. Черников К.С., Шамсутдинов Р.А. Алгоритм минимизации кредитных рисков банка, основанный на базе прецедентов // Общество, государство, личность: проблемы взаимодействия в условиях рыночной экономики: Материалы XI межвузовской научно-практической конференции – Казань: НОУ ВПО «Академия управления «ТИСБИ», 2010. – Ч. П. – С. 367 - 374.

5. Черников К.С., Шамсутдинов Р.А. Нахождение решений проблемных ситуаций в условии неопределенности с помощью базы знаний, основанной на прецедентах // Актуальные вопросы технических и гуманитарных наук: Материалы VI научно-практической конференции, г. Лениногорск – Казань: РИЦ «Школа», 2010. – С. 12 - 19.

6. Черников К.С. Минимизация банковских рисков с помощью базы знаний, основанной на прецедентах // Труды Седьмой Международной конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов». – Ульяновск: УлГУ. 2009. – С. 280-282.

7. Черников К.С., Шамсутдинов Р.А.  Использование базы данных, основанной на прецедентах как способ минимизации кредитных рисков банка // Актуальные проблемы развития современного общества: материалы международной научно практической конференции. - г. Саратов 2010 г. - С. 135-137.


1 Банковское дело /Под ред. Е.П. Жаровской, М.: ОМЕГА, 2005.- 440 с.

2 Центральный банк Российской федерации – Бюллетень банковской статистики. – №2 (213) – Москва 2011 г. – С. 270.

3 Десять «горячих точек» в исследованиях по искусственному интеллекту // Интеллектуальные системы (МГУ). — 1996. — Т.1, вып.1-4. — C.47-56.

4 Формирование базы лексических функций и других отношений для онтологии предметной области // Труды международной конференции Диалог-2004. М.: Наука, 2004. С.202-204.

5 Динамический синдромный анализ. 14 Всероссийская конференция «Математические методы распознавания образов (ММРО-14)», Суздаль, 21-26 сентября 2009 г., стр. 165-167.

6 Москвин В. А. Виды обеспечения при долгосрочном кредитовании предприятий//Банковское дело, 2005, №7. - с. 19

7 Концептуальные вопросы развития банковской системы Российской Федерации (проект) // Деньги и кредит, 2001, №1.- с.24-39.

8 Приложение 8 к Инструкции № 1-И «О порядке предоставления и учета краткосрочных кредитов в ОАО «Россельхозбанк», утвержденной решением Правления ОАО «Россельхозбанк», (протокол № 69 от 10.08.2007) (приказ ОАО «Россельхозбанк» от 10.09.2007 № 275 -ОД) (в редакции приказа от 08.12.2008 № 452-ОД)

9 Архивные дела изучались с 2005 по 2010 г.г. в Ульяновском РФ ОАО «Россельхозбанк».

10 Группа экспертов состояла из сотрудников кредитного комитета - постоянно действующего коллегиального рабочего органа регионального филиала Банка на основании Положения о Кредитном комитете.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.