загрузка...

2.6.2. Обучение нейронных сетей

В качестве исходной информации используется бухгалтерская отчетность предприятий нефтяной отрасли России за 1996—2000 гг., в частности, холдинговых компаний и предприятий, находившихся на стадии банкротства. Выбор предприятий, находящихся на стадии банкротства, был неслучаен. Это своего рода дополнительная проверка расчетов, так как подобные предприятия можно с полной уверенностью отнести к 4—5 группам кредитоспособности.

Шкала кредитных рейтингов, используемая банком для оценки кредитоспособности заемщиков, состояла из пяти классов (табл. 2.26): 1 — высший рейтинг кредитоспособности; 2 — стабильный рейтинг с планируемым повышением; 3 — стабильный рейтинг с планируемым понижением; 4 — рейтинг повышенного риска; 5 — неудовлетворительный рейтинг.

Как показано ранее, одним из основных критериев успешной работы НС выступает выбор входящих показателей, на основании которых сначала происходит обучение сети, а потом определение кредито-способности рассматриваемых предприятий. Думается, целесообразно провести обучение НС по двум следующим направлениям.

Рейтинговая оценка предприятий на основании четырех ключевых показателей, рассмотренных в этой главе выше:

)ROI;

оборачиваемость активов;

коэффициент качественной ликвидности;

коэффициент левереджа.

Проведенный Дж. Хеканахо анализ исследований западных экономистов в области определения кредитного рейтинга показал, что при расчетах были использованы 33 коэффициента, определяемых на основе данных бухгалтерской отчетности заемщика. В этом случае будем определять кредитные рейтинги на основании этих показателей. Неразвитость отечественного фондового рынка и неполный состав бухгалтерской отчетности анализируемых предприятий сократил количество возможных коэффициентов до 23:

денежные средства/краткосрочные обязательства;

денежные средства/выручка;

денежные средства/активы;

оборотные активы/краткосрочные обязательства;

оборотные активы/выручка;

оборотные активы/активы;

оборотные активы/капитал и резервы;

капитал и резервы/выручка;

запасы и затраты/выручка;

10) долгосрочные обязательства/капитал и резервы;

) долгосрочные обязательства/оборотный капитал;

нераспределенная прибыль/оборотные активы;

быстрореализуемые активы/запасы и затраты;

выручка/активы;

быстрореализуемые активы/краткосрочные обязательства;

быстрореализуемые активы/выручка;

быстрореализуемые активы/активы;

левередж;

обязательства/активы;

оборотный капитал/выручка;

оборотный капитал/капитал и резервы;

оборотный капитал/активы;

ROI.

В предыдущих параграфах мы неоднократно отмечали, что проводимые специалистами оценки кредитоспособности в современных условиях, особенно в России, весьма субъективны и существенно ограничены в связи с тем, что нет механизма, с помощью которого можно объективно учитывать качественные параметры деятельности заемщика. Эти недостатки являются серьезным основанием для того, чтобы признать существующие методы анализа ограниченными и способными к искажению данных о реальной кредитоспособности заемщика. Принципы же работы НС позволяют с высокой степенью точности определить зависимости между входящими показателями (и количественными, и качественными) и кредитным рейтингом. Именно поэтому считаем целесообразным построение двух дополнительных вариантов работы НС к каждой из уже существующих двух групп.

1. Рейтинговая оценка на основании 4 и 23 финансовых коэффициентов и 2 качественных параметров: фаза экономического цикла и качество менеджмента. Мы рассмотрели две условные фазы экономического цикла развития нефтяной отрасли России: период 1996—1997 гг., характеризуемый низкими ценами на нефть, и период 1998—2000 гг., характеризуемый высокими ценами на нефть и дополнительным влиянием фактора девальвации национальной валюты. Уровень (качество) менеджмента (табл. 2.27) определялся по материалам периодической печати. В результате предприятия получили следующие качественные оценки в зависимости от уровня менеджмента: G — высокий уровень, А — средний уровень и В — плохой уровень.

2. Рейтинговая оценка на основании 4 и 23 финансовых коэффициентов и двух качественных параметров: фаза экономического цикла и качество менеджмента, причем необходимые показатели отбираются при помощи генетического алгоритма. В соответствии с этим алгоритмом показатели каждого наблюдения были представлены в виде хромосомы 5(г); г = 1, если г принимает участие в расчете рейтинга; г =0, если не принимает (zt = фаза экономического цикла; i2 = качество менеджмента; in — финансовый показатель в порядке, приведенном ранее).

Если, например, все 6 показателей (4 количественных и 2 качественных) используются при определении кредитного рейтинга, то хромосома S принимает следующий вид: S{ (1, 1, 1, 1, 1, 1). В случае использования 25 показателей (23 количественных и 2 качественных) хромосома S2 выглядит так: (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1,1). Механизм работы генетического алгоритма, реализованный в программе STATISTICA Neural Networks, работает по принципам, сформулированным в предыдущем параграфе. В результате применения генетического алгоритма были получены хромосомы следующего вида:

5t (1,1,1, 1,1, 0), т.е. в качестве показателей для определения кре-дитного рейтинга используются два качественных показателя — фаза экономического цикла и качество менеджмента и три количественных — ROI, оборачиваемость и ликвидность.

52 (1,1, 0, 0, 0,1, 0,1, 0, 1, 0, 0, 0, 1, 1, 1,1, 0, 0, 0, 1, 0, 0,1, 1), здесь в качестве показателей выступают два качественных показателя и 10 количественных (принимающие значение 1 в порядке, указанном ранее. Показатели, принимающие значение 0, в расчетах не участвуют).

Таким образом, после проведения обучения будут получены шесть типов НС, каждую из которых можно использовать для дальнейшей оценки кредитоспособности заемщика. Каждому из шести типов соответствует набор входящих и исходящих переменных (табл. 2.28).

Структура рассматриваемых НС приведена в табл. 2.28.

В процессе обучения каждой из шести рассматриваемых НС было проведено 400 наблюдений. По нашему мнению, результаты обучения могут быть признаны успешными, так как процент неправильной клас-сификации кредитных рейтингов не превысил 13,3%. Кредитные рейтинги в наших вычислениях присваивались не на основе классификации заемщиков по рейтинговым группам, а с использованием математических расчетов. Именно поэтому рейтинги заемщиков принимают дробные значения. Более того, при анализе ошибок необходимо учитывать направление отклонения полученного рейтинга от заданного. Во всех случаях ошибочной классификации НС присваивала пониженные кредитные рейтинги по сравнению с заданными. Такой тип ошибки считается более предпочтительным, чем присвоение повышенного рейтинга. Полученные ошибки свидетельствуют о более консервативной оценке заемщиков, что, безусловно, не сделает работу банка более рискованной. Так, процент ошибки обучения НС на основе 4 количественных показателей составил 6,67%, при добавлении 2 качественных факторов процент ошибки увеличился до 10%. Это объясняется усложнением системы учета качественных показателей при присвоении кредитных рейтингов. Однако после применения генетического алгоритма процент ошибки опять уменьшился до 6,67. Обучение НС на основе 23 показателей дало несколько худшие результаты. Так, процент ошибки для НС, работающей только с количественными показателями, и для НС, сочетающей 23 количественных и 2 качественных фактора кредитоспособности, составил 13,33%. Генетический алгоритм, сокративший количество применяемых показателей, позволил уменьшить процент ошибки до 10%. Для оценки эффективности обучения НС можно также рассчитать средний уровень ошибки по НС и среднего квадратического отклонения. Нами такие расчеты не производились, так как количество заемщиков позволяет выявить полученные отклонения непосредственно по каждой позиции. Кредитный портфель коммерческого банка включает в себя большее количество предоставленных кредитов. В этом случае определение среднеквадратического отклонения ошибки является необходимым критерием качества обучения. Результаты обучения НС приведены в табл. 2.29.

Таким образом, проведенное обучение свидетельствует, что НС, функционирующие на небольшом количестве показателей, отобранных с учетом их экономического значения, показывают более точные результаты. Дополнительный учет качественных показателей требует повышенной осмотрительности, поскольку повышает процент ошибки. Тем не менее использование незначительного числа ключевых качественных факторов, особенно в сочетании с применением генетического алгоритма, делает работу НС эффективной.

<< | >>
Источник: О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниенко. БАНКОВСКОЕ ДЕЛО: СОВРЕМЕННАЯ СИСТЕМА КРЕДИТОВАНИЯ.. 2007

Еще по теме 2.6.2. Обучение нейронных сетей:

  1. Модели нейронных сетей (neural network models)
  2. 2.6.1. Содержание и возможности использования нейронных сетей при оценке кредитоспособности заемщика
  3. 2.6 НЕЙРОННАЯ СЕТЬ КАК ИНСТРУМЕНТ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА
  4. Нейроны - строительные блоки нервной системы
  5. Нейроны - строительные блоки нервной системы
  6. Статья 9.10. Повреждение тепловых сетей, топливопроводов, совершенное по неосторожности
  7. Статья 9.7. Повреждение электрических сетей
  8. Нейронный базис научения
  9. Нейронный базис научения
  10. НЕЙРОН-ДЕТЕКТОР
  11. Статья 9.8. Нарушение правил охраны электрических сетей напряжением свыше 1000 вольт
  12. Статья 13.7. Несоблюдение установленных правил и норм, регулирующих порядок проектирования, строительства и эксплуатации сетей и сооружений связи
  13. НЕЙРОН-ДЕТЕКТОР (англ. neuron-detector)
  14. Нейронные механизмы научения (neural mechanisms of learning)
  15. ПРОБЛЕМНОЕ ОБУЧЕНИЕ
  16. ОБУЧЕНИЕ И РАЗВИТИЕ
  17. ПСИХОЛОГИЯ ОБУЧЕНИЯ
  18. 14.1. ОРГАНИЗАЦИЯ ПРОИЗВОДСТВЕННОГО ОБУЧЕНИЯ