Содержание к диссертации
Введение
Глава 1. Сущность банковского кредитного риска и методы его оценки 12
1.1. Риск как атрибут банковской деятельности 12
1.2. Методы компенсации кредитных рисков 27
1.3. Анализ проблемных кредитов 33
Глава 2. Применение искусственных нейронных сетей для распознавания образа клиента банка 44
2.1. Понятие образа и обучение распознаванию образов 44
2.2. Модели искусственных нейронных сетеи и их применение в банковской деятельности 49
2.3. Формирование оьрлза заемщика-юридическою лица аппаратом искусственных нейронных сетей 79
Глава 3. Анализ наиболее распространенных методов классификации клиентов коммерческого банка для сравнения с методикой полученной в результате исследования 108
3.1. Вероятностно-статистические методы классификации 109
3.2. Рейтинговые оценки кредитоспособности 115
3.3. .Дbскрпминантпый анализ кредитных заявок 127
Заключение 144
Список литературы
- Методы компенсации кредитных рисков
- Анализ проблемных кредитов
- Модели искусственных нейронных сетеи и их применение в банковской деятельности
- Рейтинговые оценки кредитоспособности
Введение к работе
Российский банковский бизнес в настоящие время столкнулся целым рядом новых проблем, характерных для страны, которая быстрыми темпами стремится к статусу страны с устойчивой и стабильной экономикой. В связи с переходом экономики РФ к фазе стабильного экономического роста наблюдалось систематическое снижение ставки рефинансирования Центробанка, обусловленное умеренным уровнем инфляции и профицитом бюджета, вызванным ростом мировых цен на энергоносители.
Указанные макроэкономические процессы привели к снижению банковских процентных ставок и к уменьшению процентной маржи коммерческих банков. Последние годы также имела место выраженная тенденция к снижению спрэда. Например, за 2002-2003 годы в Поволжском банке Сбербанка РФ ставка размещения снизилась с 18% до 13,8%, процентная маржа -с 7,8% до 6,2%, а спрэд изменился с 10,2% до 6,5%, и эта тенденция сохранялась в 2004-2005 годах. В результате доходы банков упали, и при существующей доле просроченной и безнадежной задолженности в структуре активов банков (5,9% в 2005г. для ПБ СБ РФ) возникла необходимость в поиске новых для России путей для покрытия расходов, компенсации прямых убытков и извлечения прибыли.
В рамках общепринятых банковских технологий можно предотвратить снижение доходности кредитных операций двумя способами: 1) путем размещения большего количества кредитов; 2) посредством уменьшения кредитных рисков, в первую очередь и как следствие снижение доли невозвра-щенных и просроченных кредитов.
Все вышеперечисленное привело к изменению стратегии кредитной политики коммерческих банков. Началась борьба за улучшение конкурентных позиций на рынке судного капитала. Ряд банков включился в программы долгосрочного кредитования, включая лизинг и ипотеку. Началась обвальная
выдача потребительских кредитов и массовая раздача пластиковых кредитных карт. Однако на практике выдача потребительских кредитов под залог приобретаемой техники и кредитование с использованием банковских карт оказались весьма рискованными операциями. Кроме того, в силу объективных причин, высоко рисковые операции оказались совершенно неприемлемыми для некоторых банков. В первую очередь, это касается Сбербанка России и Внешторгбанка, поскольку одним из основных акционеров этих банков является государство, и которые практикуют осторожную кредитною стратегию и консервативную кредитную политику.
Отличительной особенностью организации работы Сбербанка РФ является его ориентация на массовое обслуживание гражданского населения России. В результате банк располагает разветвленной филиальной сетью, наличие которой вызвано не экономическими интересами банка, а социальной политикой государства. Эта политика, продиктованная внеэкономическими причинами, приводит к тому, что большие долгосрочные пассивы (главным образом, вклады от населения) покрываются за счет краткосрочных активов. Но из теории банковского дела хорошо известно, что такая структура кредитно-депозитного портфеля не является оптимальной и существенно снижает эффективность работы банка. Очевидно, что в рамках социально-ориентированной политики Сбербанка остается единственный путь для оптимизации депозитно-кредитного портфеля - увеличение доли юридических лиц в структуре клиентов банка.
Но юридические лица, как правило, нуждаются в значительных по величине заемных средствах, и, следовательно, в случае невозврата такого кредита банк несет большие потери. Компенсировать подобные потери можно двумя способами: 1) повышая премию за риск, увеличивая размер годовой процентной ставки клиенту банка; 2) снижая рис^невозврата кредита, проводя тщательный анализа бизнеса потенциального заемщика.
Первый способ выглядит весьма привлекательно, но приводит к ухудшению конкурентных позиций банка на рынке ссудного капитала.
Второй способ требует больших трудозатрат кредитного отдела, кредитного комитета и службы безопасности банка, что приводит к увеличению среднего срока прохождения заявки, и к снижению текущей ссудной задолженности. Л это, в спою очередь, влечет за собой увеличение доли просроченной задолженности в структуре кредитного портфеля банка.
Единственным способом сокращения срока прохождения заявки без снижения качества работы кредитного отдела является широкое использование средств анализа бизнеса потенциального заемщика с целью определения меры риска невозврата кредита. Наилучшим образом для этих целей подходят нейронные сети, которые используют нечетко-множественные методы и адаптивный математический инструментарий, позволяют распознавать характерные признаки недобросовестного заемщика, и, параллельно, самообучаются в процессе анализа большого количества кредитных заявок.
Все перечисленное выше позволяет сделать вывод об актуальности проблемы формирования образа клиента-заемщика коммерческого банка на основе аппарата нейронных сетей для снижения кредитных рисков.
Состояние изученности проблемы. Многочисленные аспекты деятельности коммерческих банков исследованы российскими экономистами. В их число входят такие известные ученые, как Лчкасов А.И., Гришанов Г.М., Лаврушин О.И., Ковалева Т.М., Новиков А.Л., Кошечкин С.А., Човушян Э.О., Сидоров М.А., Протасов В.Ф., Кузьмин И.И., Романов СВ. и др.
Многие особенности функционирования банков описаны в работах зарубежных экономистов. В частности, существенный вклад в теорию банковского дела внесли Синкли Джозеф Ф., Валравен К., Поттер Р., Рид Э., Роуз П. и другие.
Несомненная заслуга в приложении теории нейронных сетей к экономическим и финансовым задачам принадлежит Кохонену Т., Горбаню А.Н., Ежову А.Г., Шумскому Т.П. и др. Однако на сегодняшний день отсутствуют работы, посвященные приложению теории нейронных сетей к практическим проблемам банковского бизнеса.
Таким образом, недостаточная изученность данной проблемы, ее актуальность и положительные примеры применения искусственных нейронных сетей в других науках и областях человеческого знания определила цели и задачи настоящего исследования.
Цель и задачи исследования. Целью диссертационного исследования является решение задачи снижения кредитных рисков посредством разработки методики и инструментов для формирования образа клиента коммерческого банка на основе аппарата искусственных нейронных сетей.
Для достижения этой цели были поставлены следующие задачи:
Проанализировать влияние кредитного риска на процентную ставку кредита, характеризующую его доходность.
Рассмотреть показатели, характеризующие состояние работы с проблемными и просроченными активами в коммерческом банке.
Провести сравнительный анализ различных методов классификации клиентов применительно к банковской деятельности и выявить среди них наиболее эффективный и надежный;
Уточнить границы применимости стандартных методов анализа кредитных проектов;
Определить перечень параметров, на основе которых формируется образ заемщика;
Рассмотреть теорию искусственных нейронных сетей, базирующуюся на основных положениях и практике использования их в решениях задач различных сфер научно-практической деятельности для определения возможно-
сти применения искусственных нейронных сетей для достижения целей исследования.
Разработать усовершенствованную методику синтеза образа недобросовестного заемщика на основе аппарата нейронных сетей;
Создать методику реализации процедуры анализа образа заемщика, позволяющую существенно сократить сроки прохождения заявок на кредит.
Объектом исследования являются кредитные отношения коммерческого банка с хозяйствующими субъектами - юридическими лицами.
Предметом исследования является методы, модели и инструменты обеспечения поддержки процедуры анализа и классификации бизнеса клиентов банка, основанные на использовании аппарата искусственных нейронных
сетей.
Методологическая и теоретическая основа диссертационного исследования. В диссертации использованы труды отечественных и зарубежных ученых, законодательные акты, методические и нормативные материалы, касающиеся проблемы устойчивого функционирования банков.
Методы исследования основываются на теории банковского дела, теории вероятностей, математической статистике, теории нейронных сетей.
Научной новизной обладают следующие результаты работы:
установлена совокупность параметров, на основе которых формируется образ заемщика, распознаваемый с помощью нейронной сети;
выявлена предпочтительность использования аппарата нейронных сетей для классификации групп клиентов коммерческого банка по сравнению с множественным дискриминантным анализом и рейтинговыми моделями;
разработана методика синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного иерсептрона;
произведена адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах;
установлены границы применимости традиционных методов анализа кредитных проектов с контрагентами - юридическими лицами;
введены в практику понятия «образ», «обучение» и «адаптация» применительно к задачам распознавания образа заемщика коммерческого банка с помощью аппарата нейронных сетей.
Практическая значимость исследования заключается в ориентации на широкое использование разработанной методики и алгоритма в коммерческих банках. Методика распознавания образа заемщика позволяет существенно снизить кредитные риски без ухудшения конкурентных позиций коммерческого банка на рынке ссудного капитала.
Апробация результатов исследования. Основные теоретические и практические положения работы докладывались автором на II научно-практической конференции «Трансформация социально-экономических отношений в современных условиях», Пенза-2004, на VII Всероссийской научно-технической конференции «Нейроинформатика-2005», Москва, МИФИ-2005, Седьмом Всероссийском симпозиуме по прикладной и промышленной математике (Кисловодск, 2006) и на XII межвузовской научно-практической конференции студентов и аспирантов, (Самара, СИУ, 2006).
Публикации. Основные положения диссертации отражены в 10 опубликованных работах, общим объемом 2,4 п.л.
Объем и структура диссертации. Структура диссертации, ее логика соответствуют цели исследования. Диссертационная работа включает в себя введение, три главы, заключение и список использованных источников, включающий 157 наименований. Диссертация изложена на 161 странице машинописного текста, содержит 24 рисунка, 19 таблиц и 1 приложение с исходными данными исследования.
В первой главе проанализированы следующие вопросы: 1) динамика российского банковского дела за последние 15 лет; 2) различные способы классификации банковских рисков; 3) методы количественной и качественной оценки кредитных рисков.
На основе анализа литературных данных выделены классификационные и комплексные методы оценки рисков.
Классификационные методы основаны на анализе финансовых коэффициентов и включают в себя рейтинговые и скоринговые модели, а также модели, позволяющие прогнозировать банкротство предприятия (например, модели Альтмана, Фулмера, Лисса, Тафлера) или оценить вероятность невыполнения клиентом условий кредитного договора (модель Чессера).
Комплексные методы позволяют оценить финансовое состояние заемщика, и предусматривают анализ других факторов, влияющих на кредитный риск. К ним относятся, в частности, «правило пяти си».
Отмечено, что в основе экономико-математических методов измерения банковского кредитного риска лежат теория игр и теория вероятностей. При этом риск оценивается рядом взаимосвязанных критериев: критерий Вальда; критерий Лапласа, Кофмана, Ходжеса-Лемана; критерий Гурвица; критерий Сэвиджа. В последнее время стали использоваться методы, позволяющие учесть неполноту и искаженность информации при анализе кредитоспособности, а также вероятностную природу получаемых заключений. К ним, в частности, относятся нечетко-множественный и логико-вероятностный методы.
К этой группе методов примыкает класс математических моделей, к которым относятся искусственные нейронные сети и генетические алгоритмы.
В рамках диссертации рассмотрен только «гибридный» путь, связанный с увеличением объема кредитования за счет сокращения сроков прохождения заявки через кредитный комитет при одновременном снижении вероятности невозврата за счет отбраковки высокорисковых клиентов-заемщиков.
Во второй главе рассмотрены вопросы приложения теории НС к задаче классификации клиентов коммерческого банка.
Раскрыта экономическая сущность понятий «образ», «обучение» и «адаптация», поскольку именно в связи с этим сопряжена общая проблема применения теории нейронных сетей в банковской деятельности.
Показано, что для того чтобы применение нейросетевой модели было оправдано, необходимо, чтобы задача обладала следующими признаками:
отсутствовал алгоритм ее решения или были бы не известны принципы ее решения, но при этом имелось достаточное количество примеров;
проблема изначально характеризуется наличием больших объемов входной информации;
данные неполны или избыточны, зашумлены, или частично противоречивы. Именно этим критериям удовлетворяет задача классификации клиентов банка.
Прямыми расчетами показано, что нейросетевое моделирование способно обеспечить более высокий уровень точности (до 90%) прогноза возврата кредита, по сравнению с дискриминантным анализом и рейтинговыми моделями, точность которых не превышает 80%.
Третья глава диссертации посвящена проблеме выявления подхода, позволяющего наиболее эффективно производить отсев ненадежных клиентов. При этом рассматриваются заемщики - юридические лица, по которым имеются какие-то дополнительные основания для сомнений в полноте и своевременности возврата заемных средств.
Показано, что наиболее распространенные алгоритмы классификации объектов в рамках теоретико-вероятностного подхода оказываются малопригодными для отбраковки неочевидных высокорисковых клиентов коммерческого банка. Основная причина этого состоит в том, что проблемные клиенты, как правило, работают в различных областях бизнеса, и их сопоставление крайне затруднено из-за различий как микроэкономического, так и макроэкономического плана. Попытки решить ту же задачу в рамках теории нечетких множеств связаны с аналогичными затруднениями. И только системы искусственного интеллекта, ориентированные на задачу распознавания сильно зашумленных образов позволяют справиться с поставленной задачей в режиме реального времени (применительно к характерным масштабам времени выдачи коммерческим банком одного кредита).
Общий вывод: наилучший аппарат для распознавания образа недобросовестного заемщика - это аппарат нейронных сетей.
Методы компенсации кредитных рисков
Коммерческие банки в настоящее время имеют широкую сферу деятельности, но главным направлением остается привлечение депозитов и выдача кредитов. Поэтому одной из главных опасностей в деятельности банка является кредитный риск, величина которого зависит от вероятности выполнения заемщиком условий кредитного соглашения но объемам и срокам. Величина вероятности возврата кредита определяется платежеспособностью заемщика. Для контроля потока наличности и оценки платежеспособности заемщика необходимо знать пять параметров [10,11,12]: общую характеристику; величину финансовых потоков; обеспеченность гарантий; величину собственного капитала; устойчивость относительно изменений экономических условий.
Оценка платежеспособности заемщика требует качественной информа ции. Для анализа и оценки качества кредита важное значение имеют отноше ния между банком и заемщиком, а также такие внешние факторы, как эконо мические условия и инфляция. В решении этой задачи банки часто сталки ваются с трудностями, поскольку приходится принимать решения о предоставлении кредита в условиях отсутствия точной информации.
При выдаче кредита основной опасностью является то, что заемщик может несвоевременно возвратить кредит или возвратить его не в полном объеме, или вообще вернуть. Кредитный риск связан также с процентным и ликвидным рисками. Это объясняется тем, что кризис ликвидности или угроза неплатежеспособности банка не возникают неожиданно, а причиной их бывает чрезмерно высокий кредитный риск, проявляющийся в непогашении больших сумм кредитов.
Кредитный риск влияет и на процентную ставку кредита, характеризующую его доходность [23,39,114]. Установим взаимосвязь между кредитным риском и процентной ставкой кредита. Обозначим для этого через Р вероятность невозврата взятой заемщиком ссуды. Тогда ожидаемая вероятность погашения ссуды равна (1-Р). Пусть а0- безрисковая ставка процента, представляющая собой цену кредита при отсутствии риска.
Реальная процентная ставка а зависит от кредитного риска и назначается банком из условия компенсации возможных потерь. Компенсация потерь связанных с вероятностью невозвращения заемщиком кредита имеет место, если выполняется следующее условие: + а)(!-Р) = (1 + ав) (1)
Условие (I) представляет собой условие процентной компенсации потерь, из которого определяется процентная ставка кредита а в условиях риска его невозврата. Из (1) находим, что
Уравнение (2) приведено в работе [114] и характеризует фундаментальное представление о взаимосвязи между риском невозврата кредита, измеряемой вероятностью Р и доходностью кредита а. Из уравнения (2) следует, что если кредитный риск равен нулю (Р = 0), а это означает полную уверсн ность в том что кредит будет полностью возвращен, то процентные ставки а и а0 равны между собой.
В случае, когда становится известно, что заемщик не вернет долг (Р = 1) величина процентной ставки равна бесконечности (а = «з). Это означает, что риск кредитора компенсировать увеличением процентной ставки невозможно.
Для банка разность между процентной ставкой с учетом риска а и безрисковым процентом а0 представляет + сс0)— (3)
Из формулы (3) следует собой премию за риск непогашения кредита [114]. Из уравнения (2) премия за риск непогашений Да-а-а0 равна: Aa = a-a0= f-— а0=(1, что с ростом риска невозврата кредита растет и премия за риск непогашения Да.
При существенном риске невозврата премия за риск банку оказывается настолько большой, что заемщик откажется от кредита. Когда кредитный риск небольшой, банку удается скомпенсировать потери. В таблице 2 приведены значения премии за риск в зависимости от величины риска невозврата кредита при значениях безрисковой процентной ставки ай.
Анализ проблемных кредитов
Если новый кредит обеспечивает диверсификацию портфеля, то премия за портфельный риск может быть даже меньше нуля.
Таким образом, при определении процентной ставки по кредиту банкам необходимо компенсировать риск непогашения ссуды, портфельный риск, а также компенсировать потери, связанные с образованием резервного фонда.
В связи с вышесказанным нельзя не упомянуть о наиболее распространенных способах работы банков с проблемными кредитами. Анализу указанной проблемы и необходимо уделить внимание в следующем разделе диссертации.
Анализ проблемных кредитов
Определяя направления работы банка по снижению уровня проблемных активов и предотвращению их возникновения можно выделить два основных: 1) теоретическое, связанное с анализом сформулированной проблемы; 2) прикладное (организационное), целью которого является создание условий (в частности, формирование соответствующих организационных структур) для реализации намеченных программ по работе с проблемными активами.
Базовым направлением следует считать теоретический анализ, поскольку его результаты определяют и практическую деятельность банка в данной области.
Вопросы теоретического анализа сформулированной проблемы в свою очередь могут быть разделены на следующие группы: а) выбор системы показателей, адекватно отражающих ее состояние; б) выбор методов ее исследования; в) разработка удобных для практической деятельности инструментов ее реше ния.
Рассмотрим эти вопросы последовательно. Наиболее общим и часто применяемым в банковской практике является показатель удельного веса просроченной ссудной задолженности, характеризующий состояние вопроса с проблемными и просроченными активами. Этот финансово-экономический индикатор выступает одним из центральных при анализе результатов реализации кредитно-инвестиционной стратегии банка вообще и кредитования реального сектора экономики в частности.
До настоящего времени серьезной проблемой является отсутствие применимых на практике инструментов прогнозирования и планирования величины показателя удельного веса просроченной ссудной задолженности кредитной организации. Особенно актуальна эта проблема для банков, в которых аудит проводится по: международным стандартам финансовой отчетности и руководителей которые ставят задачу уменьшения реально сложившегося уровня показателя до среднемировой его величины.
В отечественной литературе определение термина «ссудная задолженность» даны в работах [23,39], введем из данных работ следующую систему показателей, отражающих состояние банковской ссудной задолженности.
Текущая ссудная задолженность (ТСЗ) - ссудная задолженность по основному долгу, срок платежа по которой в текущий момент времени не наступил.
Просроченная ссудная задолженность (ПСЗ) - ссудная задолженность по основному долгу, не погашенная заемщиком в установленные кредитным договором сроки.
Общая ссудная задолженность (ОСЗ)- остаток основного долга по фактически предоставленным банком заемщику в форме кредита денежным средствам, т. е. сумма ПСЗ и ТСЗ на момент проведения анализа показателя.
Показатель удельного веса просроченной ссудной задолженности (Y) рассчитывается как отношение объема просроченной ссудной задолженности к объему общей ссудной задолженности: Y = lirx.ioo% = — 100% (9) ОСІ псз+тсз ч На величину ПСЗ и ТСЗ, а следовательно, и ОСЗ, влияют как внешние, так и внутренние факторы. Влияние внешних (макроэкономических) факторов определим как функцию f,(a,b,e,d,...), а влияние внутренних (микроэкономических) факторов - как функцию Гг(к,1,т,п,...).
Аргументами функции f, могут быть: общее финансово-экономическое состояние страны и региона, в котором банк ведет свою деятельность; уровень защиты экономических интересов банковской системы и каждого отдельно взятого банка, предусмотренный законодательством страны; действующая налоговая система и уровень налогообложения; средний уровень кредитоспособности заемщиков; другие внешние факторы, включая действия, носящие форс-мажорный характер (в частности, дефолты платежей по обязательствам государства).
Все эти факторы определяют макроэкономическую составляющую риска невозврата кредитов и соответственно страновую (региональную) составляющую величины показателя удельного веса просроченной задолженности. Понятно, что на среднюю величину кредитного риска как вероятности реализации случая невозврата кредита влияет общее состояние народнохозяйственного комплекса страны, стабильность ее финансово-экономического положения. Чем выше уровень стабильности экономики государства (или региона), тем ниже среднее значение Y при прочих равных условиях.
Уровень законодательной защиты экономических интересов кредитной организации со стороны государства определяется предоставлением ей возможности, действуя легитимными способами, быстро и эффективно взыскать с заемщика просроченную задолженность по кредитам в полном объеме.
Модели искусственных нейронных сетеи и их применение в банковской деятельности
Начало эпохи использования нейронных сетей было положено У. Мак-Калохом и У. Питтсом (W. McCuIloch, W. Pitts) (1956) [69,73,88,96,138]. В работах этих авторов в 1943 году описана модель нейрона и сформулированы основные положения теории функционирования головного мозга. В 1949 году Д. Хебб (Hebb D.O, 1949) [133,134,157] высказал идеи о соединении нейронов в клеточные ансамбли и о характере их взаимодействия (синапс, си-наптическая передача сигнала). Были предложены правила обучения нейронной сети исходящие из его предположения, что соединения в мозге непрерывно меняются по мере того, как организм обучается новым функциональным задачам, и таким образом создаются нейронные ансамбли. С этих работ начался «классический» период развития искусственных нейронных сетей. II. Рочсстером, Дж. Холландом, Л. Хейбтом и У. Дуде (Rochester N., Holland J.H., Haibt L.H. Duda W.L., 1956) [69,118,148,157] были сделаны попытки использовать компьютерное моделирование для тестирования теории искусственных нейронных сетей (базирующейся на постулате обучения Д. Хебба). В результате был сделан вывод, что не только активация, но и торможение должны присутствовать в процессе обучения. В 1958 году Ф. Розеиблатт (Rosenblatt F., 1958, 1965) в работе, посвященной перцептрону (однослойной искусственной нейронной сети) предложил новый подход к решению задачи распознания образов. Это частично решило проблемы ОРО. Нужно отметить, что перцептроны на заре своего возникновения рассматривались только как эвристические модели механизма мозга. Впоследствии они стали основополагающей схемой в построении кусочно-линейных моделей, обучающихся распознаванию образов.
В наиболее простом виде перцептрон состоит из совокупности чувствительных (сенсорных) элементов (S-элементов), на которые поступают входные сигналы [106,116,120,157]. S-элементы случайным образом связаны с совокупностью ассоциативных элементов (А-элементов), выход которых отличается от нуля только тогда, когда возбуждено достаточно большое число S-элементов, воздействующих на один А-элемент. А-элементы соединены с реагирующими элементами (R-элементами) связями, коэффициенты усиления (v) которых переменны и изменяются в процессе обучения. Взвешенные комбинации выходов R-элементов составляют реакцию системы, которая указывает на принадлежность распознаваемого объекта определенному образу. Если распознаются только два образа, то в перцептроне устанавливается только один R-элемеит, который обладает двумя реакциями — положительной и отрицательной.
Здесь сигнал ук может быть непрерывным, но чаще всего он принимает только два значения: 0 или 1. Сигналы от S-элементов подаются на входы А-элементов с постоянными весами равными единице, но каждый А-элемент связан только с группой случайно выбранных S-элементов. Предположим, что требуется обучить перцептрон различать два образа Vi и VV Будем считать, что в перцептроне существует два R-элемента, один из которых предназначен образу Vi, а другой - образу У 2- Перцептрон будет обучен правильно, если выход Ri превышает R2, когда распознаваемый объект принадлежит образу Vi, и наоборот. Разделение объектов на два образа можно провести и с помощью только одного R-элемента. Тогда объекту образа Vi должна соответствовать положительная реакция R-элемента, а объектам образа V2 — отрицательная.
Перцептрон обучается путем предъявления обучающей последовательности изображений объектов, принадлежащих образам Vi и V2. В процессе обучения изменяются веса v, А-элементов. В частности, если применяется система подкрепления с коррекцией ошибок, прежде всего, учитывается правильность решения, принимаемого перцептроном. Если решение правильно, то веса связей всех сработавших А-элементов, ведущих к R-элементу, выдавшему правильное решение, увеличиваются, а веса несработавших А-элементов остаются неизменными. Можно оставлять неизменными веса сработавших А-элементов, но уменьшать веса несработавших. В некоторых случаях веса сработавших связей увеличивают, а несработавших — уменьшают. После процесса обучения перцептрон сам, без учителя, начинает классифицировать новые объекты.
Если перцептрон действует по описанной схеме и в нем допускаются лишь связи, идущие от бинарных S-элементов к А-элементам и от А-элементов к единственному R-элементу, то такой перцептрон принято назы вать элементарным а-перцептроном. Обычно классификация C(W) задается учителем. Перцептрон должен выработать в процессе обучения классификацию, задуманную учителем.
О перцептронах было сформулировано и доказано несколько основополагающих теорем, две из которых, определяющие основные свойства пер-цептрона, приведены ниже.
Теорема 1. Класс элементарных а-перцептронов, для которых существует решение для любой задуманной классификации, не является пустым.
Эта теорема утверждает, что для любой классификации обучающей последовательности можно подобрать такой набор (из бесконечного набора) А-элементов, в котором будет осуществлено задуманное разделение обучающей последовательности при помощи линейного решающего правила.
Теорема 2. Если для некоторой классификации C(W) решение существует, то в процессе обучения а-перцептрона с коррекцией ошибок, начинающегося с произвольного исходного состояния, это решение будет достигнуто в течение конечного промежутка времени.
Смысл этой теоремы состоит в том, что если относительно задуманной классификации можно найти набор А-элементов, в котором существует решение, то в рамках этого набора оно будет достигнуто в конечный промежуток времени.
Обычно обсуждают свойства бесконечного перцептрона, т. е. перцеп-трона с бесконечным числом А-элементов со всевозможными связями с S-элементами (полный набор А-элементов). В таких перцептронах решение всегда существует, а раз оно существует, то оно и достижимо в а-перцептронах с коррекцией ошибок.
Рейтинговые оценки кредитоспособности
В большинстве случаев для оценки кредитоспособности юридических лиц используется метод финансовых коэффициентов с большим или меньшим их числом. Сведение воедино частных финансовых коэффициентов возможно с помощью различных приемов. Метод рейтинговых оценок обеспечивает: - комплексный подход к оценке финансового состояния и кредитоспособности при использовании показателей, отражающих различные стороны деятельности предприятия; - определение оптимальных значений по частным показателям; - ранжирование предприятий по результатам рейтинга.
Рейтинговая оценка предприятия - заемщика рассчитывается на основе полученных значений коэффициентов и выражается в баллах. Баллы исчисляются путем умножения значения любого показателя на его вес в интегральном показателе (рейтинге).
Однако при рейтинговой оценке учитываются уровни показателей только относительно оптимальных значений (выполняется/ не выполняется), но не принимаются во внимание степени их выполнения или невыполнения. Поэтому рейтинговая оценка финансового состояния и кредитоспособности объективно отражает их реальный уровень.
При разработке методики рейтинговой оценки кредитоспособности обычно проводят следующие процедуры и применяется следующий алгоритм: 1) Отобрать наиболее значимые показатели, имеющие однонаправленность (увеличение значения каждого из них отражает положительную тенденцию, уменьшение - отрицательную). 2) Выявить рекомендуемые для отобранных показателей уровни. 3) Определить примерные начальные удельные веса каждого показателя в синтетическом коэффициенте кредитоспособности. Критериями для 115 определения удельных весов является степень значимости каждого показателя в оценке финансового положения и «вилка» его возможностей. 4) Выяснить необходимость ограничения значений каждого из показателей, принимаемых в расчет синтетического коэффициента. 5) Выявить минимальный, максимальный и наиболее реальный уровни доли каждого показателя, включенного в расчет синтетического коэффициента кредитоспособности. 6) Уточнить удельные веса и ограничения для каждого показателя на основе анализа финансовой отчетности и другой информации о финансовом состоянии конкретных предприятий, 7) Определить уровни ранжирования синтетического коэффициента. 8) Апробирование методики на практике.
В одной из предложенных методик в расчет синтетического коэффициента включены следующие показатели.
Коэффициент покрытия рассчитывается как отношение легко реализуемых активов (денежные средства и высоколиквидные краткосрочные финансовые вложения) и краткосрочных обязательств. Коэффициент показывает, какую часть своих краткосрочных обязательств предприятие может покрыть одномоментно.
Рекомендуемое значение показателя в различных методиках определено на уровне 0,20 - 0,30. Но в современных условиях у большинства предприятий оно зачастую не превышает 0,10. Для расчета синтетического коэффициента принято ограничение по этому показателю в размере I, что означает следующее: превышение объема легко реализуемых активов над краткосрочными обязательствами свидетельствуют о неэффективном вложении средств предприятия, и поэтому не принимается в расчет синтетического коэффициента кредитоспособности. При расчете синтетического кредитоспособности этому показателю присвоен вес в размере 20%. Таким образом, в по результате умножения фактического значения показателя на его удельный вес максимальным весом, идущим в расчет синтетического коэффициента кредитоспособности, будет 20%, а наиболее распространенным в практике -до 2%.
Коэффициент ликвидности. Рассчитывается как отношение оборотных средств предприятия к сумме его краткосрочных обязательств. Коэффициент показывает, в какой степени краткосрочные обязательства перекрываются имеющимися в наличии оборотными средствами. Этот коэффициент характеризует ликвидность предприятия на более длительную перспективу, выявляет достаточность оборотных средств, которые могут быть использованы для погашения краткосрочных обязательств.
Нормативное минимальное значение данного коэффициента находится на уровне 2. В экономической литературе существует мнение, что значение данного показателя должно находится в границах от 1 до 2. Нижняя граница обусловлена тем, что оборотных средств должно быть достаточно, чтобы покрыть свои краткосрочные обязательства. Превышение оборотных активов над краткосрочными обязательствами более чем в два раза считается также нежелательным, поскольку свидетельствует о нерациональном вложении предприятием своих средств и неэффективном их использовании. Поэтому для расчета синтетического коэффициента кредитоспособности установлено ограничение в размере 2. Показателю присвоен вес в синтетическом показателе кредитоспособности в размере 10%, соответственно, максимальный вес, который может дать этот показатель при расчете синтетического коэффициента, - 20%.
Коэффициент автономии предприятия, рассчитываемый как отношение собственных средств предприятия к валюте баланса. Он характеризует независимость предприятия от внешних источников финансирования.
