2.6.3. Использование обученной нейррнной сети для оценки кредитоспособности заемщика

По завершении процесса обучения, сопровождающегося анализом ошибок данного процесса, полученная НС используется для рейтинговой оценки заемщиков. На этом этапе мы присваивали кредитные рейтинги четырем предприятиям на основе той же совокупности факторов, что и при обучении.

На вход НС были представлены Данные предприятий, рейтинг которых подлежит определению. Для расчетов использовалась идентичная совокупность показателей, что и при обучении НС: 4 количественных, 23 количественных, 2 качественных и генетический алгоритм. Было проведено шесть исследований. В результате использования обученных НС предприятиям быЛи присвоены следующие кредитные рейтинги (табл. 2.30).

Полученные результаты свидетельствуют о том, что все шесть рассмотренных НС присваивали практически одинаковые рейтинги предприятиям, за исключением четырех случаев. Такие отклонения объясняются тем, что все они имели место во второй группе НС, в которой кредитный рейтинг определялся на основе большого количества показателей, некоторые из них были взаимозависимыми. В таком случае НС оказалась перегруженной. Именно поэтому результаты, полученные на том же множестве данных, но с применением генетического алгоритма, оказались сопоставимыми с результатами остальных испытаний. Это подтверждает один из принципов работы НС, согласно которому необходимо тщательно отбирать совокупность исходной информации. Основной вывод, который можно сделать после проведенных испытаний, состоит в том, что механизм работы НС не подвержен влиянию субъективных факторов оценки, а его надежность определяется достоверностью данных, используемых при обучении НС. В дальнейшем полученное значение кредитного рейтинга может претерпеть незначительные изменения в зависимости от данных о де-нежном потоке заемщика, информации, полученной'из внешних источников, и пр.

Очевидно, что при применении механизма НС в качестве исход-ной информации могут быть использованы и другие качественные показатели, рассмотренные выше.

Существует еще один тип архитектуры НС, который сильно отличается от рассмотренного выше. Это сеть Кохонена. Большая часть сетей предназначена для решения задач с управляемым процессом обучения, сеть Кохонена рассчитана на неуправляемое обучение. В случае неуправляемого обучения обучающие данные содержат только значения входных переменных. Соответствующих им выходных значений нет. На первый взгляд это может показаться странным. Тем не менее сеть Кохонена учится понимать саму структуру анализируемых данных. Сеть Кохонена распознает кластеры в данных, а также устанавливает близость классов. Если в совокупности данных распознаны классы, то их можно выделить и приступить к решению задачи классификации. Сеть Кохонена можно использовать и в тех случаях, когда классы уже заданы. Тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами.

Другая возможная область применения данной НС — это обнаружение новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с наблюдениями, не похожими ни на один из известных образцов, то она не сможет классифицировать такой набор и выявит дополнительный новый кластер.

Принципы работы и обучения сети Кохонена были сформулированы финским ученым Т. Кохоненом в 1982 г. Основная его идея — введение в правило обучения нейрона информации об его расположении. Сеть Кохонена имеет один входной слой с числом нейронов, равным числу входов, и единственный скрытый (выходной) слой нейронов, образующий одномерную или двухмерную решетку. По аналогии с топографическими картами такую НС называют еще самоорганизующейся картой Кохонена. Использование НС Кохонена при определении кредитоспособности заемщика позволяет преодолеть основной недостаток обычных НС. Так, обучение НС основано на выявлении скрытых зависимостей между показателями деятельности заемщика и присвоенным ему кредитным рейтингом. Иными словами, данные для обучения НС подвержены субъективности, поскольку кредитные рейтинги для обучающей совокупности предприятий присваиваются кредитными работниками банка. Конечно, в этом случае уровень субъективности значительно ниже, чем при традиционных методах анализа кредитоспособности. Это объясняется тем, что используемые для обучения рейтинги, будучи рассчитаны для уже предоставленных и погашенных ссуд, прошли проверку временем.

Во всех расчетах для сети Кохонена будем использовать шесть показателей:

1 )ROI

оборачиваемость активов;

коэффициент качественной ликвидности;

коэффициент левереджа;

фазу экономического цикла;

качество менеджмента.

Обучение сети Кохонена. В процессе обучения сети Кохонена на вход подаются значения шести показателей. Информации о присвоенных кредитных рейтингах нет, поэтому НС самостоятельно классифицирует предприятия в один из пяти возможных классификационных классов. Количество классов рейтинговой оценки пользователь задает сам, причем возможно увеличение классов до количества, рекомендованного Базельским комитетом. В нашем случае применялись пять рейтинговых классов. Результаты обучения сведены в табл. 2.31. Методом обратного распространения их можно сравнить как с первоначальными рейтингами банка, так и с предыдущими результатами обучения НС.

Основная задача обучения сети Кохонена состоит в группировке предприятий по классам рейтинговой оценки на основе выявления скрытой зависимости между имеющимися показателями и неизвестным значением кредитного рейтинга.

В дальнейшем полученные формы зависимости используются для оценки кредитоспособности заемщика. Как показывают результаты обучения сети Кохонена, данный тип нейронной сети классифицирует предприятия иным образом, чем обычная НС и специалисты банка. Процент ошибки обучения обычной НС по сравнению с мнением банка составил 10% (или 3 случая из 30 возможных), а результаты обучения сети Кохонена различаются с присвоенными кредитными рейтингами банка уже на 53% (или 16 случаев из 30 возможных). Тем не менее этот итог обучения не считается неудовлетворительным, поскольку основное назначение сети Кохонена заключается в самостоятельной классификации явлений. Если обычная НС выявляет нелинейные зависимости между известными факторами кредитоспособности и заданным значением кредитного рейтинга, то сеть Кохонена использует в расчетах только исходные факторы без учета результирующего признака. Это свойство сети Кохонена позволяет преодолеть субъективизм, присущий процессу оценки кредитоспособности. Сеть Кохонена оказалась более консервативной, так как все полученные различия понижали кредитный рейтинг предприятий по сравнению с данными банка. По нашему мнению, это делает работу банка более надежной.

Использование обученной сети Кохонена для оценки кредитоспособности заемщика. На следующем этапе работы полученные в процессе обучения зависимости используются с целью определения кредитных рейтингов анализируемых предприятий. Для этого на вход сети Кохонена подается та же совокупность количественных и качественных факторов кредитоспособности, что и при первоначальном обучении. Сеть Кохонена присваивает кредитные рейтинги на основе зависимостей, полученных в процессе обучения. В результате ис-пользования обученной сети Кохонена предприятиям были присвоены следующие кредитные рейтинги (табл. 2.32).

Результаты использования сети Кохонена, как и результаты обучения сети, являются более консервативными по сравнению с оценкой банковских специалистов и результатами обучения обычной НС. Различия в присвоенных рейтингах кредитоспособности выделены в табл. 2.32 жирным шрифтом. Критерием успешной работы данного типа НС, по мнению авторов, выступает классификация пред-приятий, находящихся на стадии банкротства: НС присваивает всем предприятиям-банкротам рейтинг кредитоспособности 5, т.е. самый худший.

Таким образом, показана возможность использования и надежность НС в качестве практического инструмента определения креди-тоспособности заемщика. Функционирование механизма НС в данной области основано на выявлении сложной нелинейной зависимости между количественными и качественными показателями деятельности предприятия и его кредитным рейтингом. Работа НС не зависит от субъективных факторов, присущих современным методикам оценки кредитоспособности. Небольшой процент ошибки обучения НС сви-детельствует о том, что зависимость «показатели — рейтинг» определяется НС с достаточно высокой точностью. Тем не менее большое значение имеет выбор показателей для обучения. Такая информация может быть получена как из собственного кредитного досье коммерческого банка по уже предоставленным и погашенным ссудам, так и из внешних источников. Разработанный алгоритм расчета кредитного рейтинга может быть эффективно применен в деятельности отечественных коммерческих банков. Выводы

Нейронные сети представляют собой инструмент моделирования, способный воспроизводить сложные нелинейные зависи-мости. Одно из главных приложений НС в банковской сфере — оценка кредитоспособности заемщика. Использование НС для присвоения кредитного рейтинга позволяет преодолеть устоявшееся мнение о линейной зависимости показателей и рейтинга и перейти к моделированию нелинейных связей.

Изучение нелинейных связей происходит во время так называемого обучения сети, когда значения входящих переменных сопоставляются с выходным результатом. Наиболее распространенным алгоритмом обучения является метод обратного распространения. В том случае, если существует большой набор входящих переменных и невозможно определить степень влияния переменной на результат, используют генетический алгоритм, позволяющий воспроизводить биологические процессы.

Если на этапе обучения сети сопоставить финансовые показатели заемщика и значение его кредитного рейтинга, то полученные зависимости можно использовать в дальнейшем при анализе новых заемщиков.

В процессе обучения можно опираться не только на количественные, но и на качественные показатели, например, фазу экономического цикла и качество менеджмента. Это позволяет практически исключить возникновение субъективных ошибок.

Нейронные сети представляют собой качественно новый, надежный инструментарий работы по оценке кредитоспособности заемщика.

Вопросы для самоконтроля

Какими свойствами обладают нейронные сети?

В чем состоит задача и алгоритм обучения нейронной сети?

От чего зависит эффективность работы нейронной сети?

Каковы принципы обучения нейронной сети Кохонена?

В чем проявляются возможность использования и надежность нейронной сети в качестве инструмента определения кредитоспособности заемщика?

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

Еще по теме 2.6.3. Использование обученной нейррнной сети для оценки кредитоспособности заемщика:

  1. 2.5.2. Перспективы использования внутренней рейтинговой системы (IRВ) для оценки кредитного риска и кредитоспособности заемщика в России
  2. 2.6.1. Содержание и возможности использования нейронных сетей при оценке кредитоспособности заемщика
  3. 2.5.1. Перспективы использования стандартизированного метода оценки кредитного риска и кредитоспособности заемщика в России
  4. 2.2 СОВРЕМЕННЫЕ МЕТОДЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА
  5. 4.4.1 ОЦЕНКА КРЕДИТОСПОСОБНОСТИ ПОТЕНЦИАЛЬНОГО ЗАЕМЩИКА
  6. 2.6 НЕЙРОННАЯ СЕТЬ КАК ИНСТРУМЕНТ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА
  7. 10.4. Оценка кредитоспособности банковских заемщиков
  8. 2.1 КРИТЕРИИ И ПОКАЗАТЕЛИ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА В СИСТЕМЕ МИНИМИЗАЦИИ КРЕДИТНОГО РИСКА
  9. 2.5 ОЦЕНКА КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА В КОНТЕКСТЕ НОВЫХ ТРЕБОВАНИЙ БАЗЕЛЬСКОГО КОМИТЕТА ПО БАНКОВСКОМУ НАДЗОРУ
  10. 9.2.2. Анализ денежного потока как способ оценки кредитоспособности заемщика
  11. 2.2.4. Анализ денежного потока как инструмент оценки кредитоспособности заемщика
  12. 20.5. Оценка финансовой состоятельности и кредитоспособности заемщика
  13. 2.1.3. Современные тенденции использования кредитного рейтинга как основного показателя кредитоспособности заемщика
  14. 10.4.1. Оценка кредитоспособности банковских заемщиков на основе финансовых коэффициентов
  15. ГЛАВА 2 СОВРЕМЕННАЯ ПРАКТИКА И НОВЫЕ ЯВЛЕНИЯ В ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА
  16. 2.3 ВНЕШНИЕ ИСТОЧНИКИ ИНФОРМАЦИИ О КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА