Содержание к диссертации
Введение
1. Обзор современных методов оценки кредитоспособности физических лиц 11
1.1. Направления развития подходов к оценке кредитоспособности физических лиц 11
1.2. Современные подходы к оценке кредитоспособности физических лиц 13
1.2.1. Классификационные методы 13
1.2.1.1. Экспертные оценки 13
1.2.1.2. Деревья решений 17
1.2.1.3. Скоринговые модели 20
1.2.2. Методы комплексного анализа 34
1.3. Обзор проблем в области кредитования физических лиц 34
1.4. Выводы 37
2. Разработка методики системы оценки кредитоспособности 39
2.1. Формальная модель самообучающейся системы оценки кредитоспособности 41
2.2. Методика анализа кредитной истории 42
2.2.1. Описание характеристик кредитной истории с использованием лингвистических переменных 42
2.2.2. Построение функций принадлежности на основе метода парных сравнений 45
2.2.3. Аналитическое построение функций принадлежности на основе априорной информации о нечетком множестве 53
2.2.4. Построение нечеткой базы знаний 57
2.2.5. Классификация кредитной истории с использованием нечетких моделей типа Мамдани 58
2.2.6. Классификация кредитной истории методом дискриминантного анализа 62
2.3. Регрессионная модель оценки кредитоспособности 64
2.3.1. Общая постановка задачи 64
2.3.2. Математическая модель определения зависимости «статус кредитной истории — характеристики заемщика» 65
2.4. Управление качеством кредитного портфеля..72
2.5. Выводы 76
3. Разработка архитектуры АС ОКФЛ 77
3.1. Обеспечение инвариантности ас окфл 77
3.1.1. Многоуровневая архитектура АС ОКФЛ 77
3.1.2. Шлюз доступа к данным 81
3.1.3. Объектно-ориентированная модель данных АС ОКФЛ 83
3.1.4. Принципы реализации прикладных приложений 85
3.2. Реализация модели данных ас окфл на базе объекто-реляционного шлюза 87
3.2.1. Архитектура объектно-реляционного шлюза 87
3.2.2. Автоматизированное проектирование и синтез объектно-реляционного шлюза 90
3.3. Объектно-ориентированная техника моделирования исследуемого процесса 92
3.4. Выводы 96
4. Экспериментальная проверка эффективности разработанных моделей и инструментальных средств 98
4.1. Настройка ас окфл на процесс оценки кредитоспособности физических лиц 99
4.1.1. Формальное описание процесса принятия решения о выдаче кредита 99
4.1.2. Определение метода доступа к фактическим данным и общая характеристика данных 101
4.2. Проверка эффективности инструментов ас ОКФЛ 102
4.2.1. Обобщение знаний и опыта эксперта 103
4.2.2. Адаптация базы знаний к математическому аппарату нечеткой логики 104
4.2.3. Построение функций принадлежности 105
4.2.4. Классификация кредитных историй методом Мамдани 109
4.2.5. Сравнение результатов классификации нечеткого вывода Мамдани со статистическими методами 111
4.2.6. Традиционные средства статистического контроля 113
4.2.7. Построение и анализ моделей 115
4.2.8. Оценка качества кредитного портфеля 120
4.3. Выводы 122
Заключение 124
Библиографический список 126
Приложения 136
- Современные подходы к оценке кредитоспособности физических лиц
- Аналитическое построение функций принадлежности на основе априорной информации о нечетком множестве
- Реализация модели данных ас окфл на базе объекто-реляционного шлюза
- Адаптация базы знаний к математическому аппарату нечеткой логики
Введение к работе
Актуальность темы исследования. Проблема своевременного возвращения кредитов, выданных физическим лицам, актуальна для большинства банковских учреждений, реализующих программы по развитию розничного бизнеса. Ее решение в значительной мере зависит от «качества» оценки кредитоспособности потенциальных заемщиков.
В связи с этим тщательный отбор заемщиков, анализ условий выдачи кредита, постоянный контроль за финансовым состоянием заемщика, за способностью погасить кредит являются одной из основополагающих составляющих финансового благополучия кредитных организаций.
Анализ кредитоспособности в большом количестве банков производится экспертами, которые опираются, в основном, на свой опыт и интуицию, что может приводить к внесению в решение не имеющих достаточных оснований субъективных соображений. В реальной ситуации мнения аналитиков часто различаются, особенно если обсуждаются спорные вопросы, имеющие множество альтернативных решений.
Ситуация осложняется при отсутствии в кредитной организации нормативных документов, регламентирующих процедуру выяснения способности и намерений клиента выполнять условия договора по погашению задолженности. Вследствие этого, в оценке чрезмерный вес приобретают субъективные факторы: квалификация и заинтересованность эксперта и следующая из них некомпетентная или преднамеренная интерпретация информации, приводящая к принятию решений, ущербных для банка. Отсутствие регламента и формализации процедуры приводит к невозможности последующего анализа и обоснованной оценки решений экспертов.
При разработке методов оценки уровня кредитоспособности физических лиц широкое распространение получил подход, базирующийся на вычислении рейтинга заемщика. Основой в этом подходе является начальная опросная анкета, данные которой отражают социально-экономическое положение и
способность клиента своевременного возвращения кредита. Скоринговая система в этом случае осуществляет количественный, семантический анализ и обработку данных анкеты.
Внесение изменений в опросную анкету влечет необходимость корректировки или существенной модернизации всей системы. Данное обстоятельство ограничивает возможность адаптации скоринговых моделей к социально-экономическим условиям региона, в котором банковская структура планирует кредитовать частных клиентов, а также к изменениям текущей экономической ситуации. Поэтому, подобный подход не позволяет разработать универсальной системы автоматизированного анализа кредитоспособности.
Таким образом, актуальность темы диссертационной работы определяется необходимостью разработки формализованной методики совершенствования современных подходов к оценке кредитоспособности физических лиц и алгоритмов, реализующих методику в виде системы, поддерживающей принятие объективных решений.
Степень разработанности проблемы. В основе поиска направлений совершенствования методов оценки кредитоспособности физических лиц лежат работы, посвященные различным аспектам классификации заемщиков (И.В. Вишняков, Б.И. Герасимов, В.Н. Едронова, Г.М. Кирисюк, С. Майерс, В.Г. Чернов), теории риска (Э. Альтман, И.Ф. Готовчиков, Г. Марковиц, Р. Чессер, У. Шарп), математической статистики (Е.С. Вентцель, В.Е. Гмурман, Н. Дрейпер, A.M. Дубов).
В современной литературе исследованы различные подходы к оценке кредитоспособности и прогнозирования дефолта, которые могут быть описаны с помощью вероятностных моделей. Однако математический аппарат разработанных систем ориентирован на работу с четко определенными данными, которые таковыми не являются, как, например, характеристики кредитной истории. В связи с этим, целесообразно использовать альтернативные пути решения, основанные на применении аппарата теории
нечетких множеств (А.Е. Алтунин, Л. Заде, A.M. Норвич, А.О. Недосекин, Н.Г. Ярушкина, Т.М. Леденева, М.Г. Матвеев и др.)..
Вместе с тем, многие направления оценки социально-экономического положения заемщиков исследованы недостаточно. Речь идет, прежде всего, об экспертных оценках и субъективных факторах, возникающих в процессе принятия человеком решений, в условиях неопределенности и недостаточной информации об объекте исследования.
Целью диссертационного исследования является разработка математических и инструментальных средств повышения эффективности принятия объективных решений при анализе кредитоспособности физических лиц на основе методов нечеткой логики. Поставленная цель определила следующие задачи исследования:
— изучение и систематизацию разработанных к настоящему времени
математических моделей и методов, которые можно использовать в задачах
классификации заемщиков;
— анализ отечественных и зарубежных подходов к оценке кредитоспособности физических лиц с целью использования положительных достижений и устранения недостатков;
- применение методологического аппарата нечеткой логики для оценки
качества кредитной истории заемщиков;
— построение моделей, отражающих специфику анализа социально-
экономического положения частных клиентов;
исследование прикладных возможностей предлагаемых моделей и процедур;
разработка методов расчета экономического эффекта от реализации мероприятий, ориентированных на оптимизацию качества кредитного портфеля банковской организации;
— программная реализация разработанного математического аппарата.
Область исследования. Диссертационная работа выполнена в
рамках п. 1.2. «Теория и методология экономико-математического
моделирования...», п. 1.6. «Математический анализ и моделирование процессов в финансовом секторе экономики...» паспорта специальности 08.00.13 — «Математические и инструментальные методы экономики».
Объектом исследования является кредитный портфель физических лиц банковской организации, а предмет исследования составляет математический аппарат моделирования и анализа кредитоспособности частных клиентов.
Теоретическую и методологическую основу исследования составили труды отечественных и зарубежных ученых по вопросам рейтингового оценивания, теории принятия решений, экспертного оценивания, методам оценки риска. Были также использованы материалы периодической печати и законодательные акты Российской Федерации. При выполнении диссертационной работы применялись методы теории вероятностей, математической статистики, нечеткой логики, теории баз данных, экономического анализа.
Эмпирической базой являются Интернет-ресурсы и материалы, опубликованные Федеральной службой государственной статистики.
Научная новизна исследования состоит в разработке методики оценки кредитоспособности физических лиц, позволяющей обосновать целесообразность принимаемых решений, а также средства расчета экономического эффекта и исследования в динамике результатов банковской организации по операциям кредитования физических лиц.
Научную новизну содержат следующие результаты диссертационного исследования:
— формальная методика оценки качества исполнения обязательств заемщиков по погашению задолженности на основе анализа ретроспективной информации о кредитных историях, разработанная с использованием аппарата нечеткой логики, отличающаяся возможностью обобщения знаний и опыта экспертов, с целью минимизации влияния субъективной составляющей в процедуре принятия решения о выдаче кредита;
- модель системы оценки кредитоспособности физических лиц,
обеспечивающая возможность оперативного контроля качества кредитного портфеля банковской организации и отражающая специфику исследуемой предметной области;
метод расчета экономической эффективности операций в области принятия решений при определении кредитоспособности физических лиц, позволяющий в динамике оценить финансовые результаты банковской организации на основе изменения качества кредитного портфеля;
методы формализованного представления исследуемого процесса принятия решений по выдаче кредита, обеспечивающие инвариантность разрабатываемой системы к принципам кредитования и взаимодействие с информационным пространством конкретного банковского учреждения;
— инструментальные средства анализа социально-экономического
положения заемщиков, позволяющие повысить эффективность менеджмента
банковской организации с точки зрения обоснованности и оперативности
принимаемых управленческих решений.
Практическая значимость работы определяется тем, что
сформулированные выводы и предложения, разработанные модели и
алгоритмы могут быть использованы финансово-кредитными учреждениями,
разработчиками информационно-аналитических систем, другими
организациями, реализующими программы по развитию розничного бизнеса в качестве инструментария для получения дополнительной информации, способствующей повышению степени обоснованности инвестиционных решений.
Апробация результатов работы. Основные теоретические и практические результаты исследований докладывались и обсуждались на: семинарах и научных сессиях Липецкого государственно технического университета, Международной конференции «Проблемы управления и информационные технологии» (г. Казань, 2008), Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (г. Воронеж, 2008), V Всероссийской школе-семинаре молодых ученых
«Управление большими системами» (г. Липецк, 2008), Липецком областном профильном семинаре «Школа молодых ученых» по проблемам технических наук (г. Липецк, 2008), Региональной конференции «Шаг в будущее» (г. Липецк, 1999), V Международной научно-практической конференции «Экономическое прогнозирование: модели и методы» (г. Воронеж, 2009).
Публикации. По теме диссертационного исследования опубликовано 8 печатных работ, в том числе 1 - в издании, рекомендованном ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежит: в [1,2,4] — методика оценки качества исполнения заемщиком обязательств по погашению задолженности; в [2] -подход к представлению задачи анализа кредитной истории физических лиц с использованием математического аппарата теории нечетких множеств; в [3,5] — разработка модели самообучающейся системы оценки кредитоспособности физических лиц; в [7] — метод оценки качества кредитного портфеля физических лиц банковской организации; в [8] — модель анализа рисковых операций кредитования физических лиц.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы, включающего 106 наименований, в т.ч. англоязычных - 16. Основная часть работы изложена на 131 странице, содержит 26 рисунков, 19 таблиц и 4 приложения.
1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ
Современные подходы к оценке кредитоспособности физических лиц
Экспертная оценка характеризует степень предпочтения одних показателей другим. На основе имеющейся информации кредитный аналитик стремится составить «обобщенный образ» заявителя на ссуду и сравнить его со «стандартными образами» заемщиков, которые ассоциируются (по прошлому опыту) с различным уровнем кредитного риска [7].
Логический метод оценки кредитоспособности обычно подкрепляется развитием сети мониторинга, раскрывающей кредитную историю потенциальных клиентов. С этой целью банки многих экономически развитых стран пользуются информационными услугами кредитного бюро [2], которые постоянно аккумулируют и обобщают информацию о финансовом и имущественном положении потенциальных ссудозаемщиков.
Так, в США свыше 2 000 частных организаций располагают сведениями о большинстве физических лиц, которые когда-либо получали кредиты, об истории погашения этих кредитов и о кредитном рейтинге заемщиков. Причем клиенту предоставлено право проверить содержащуюся в кредитном бюро информацию о своем финансовом положении и в случае выявления ошибки заявить о ней для исправления.
Рассмотрим методику, используемую при кредитовании физических лиц в одном из московских банков, где кредитоспособность заемщика и величину кредитного риска определяют по ряду характеристик [40].
Количественные характеристики Рассчитываются по следующим коэффициентам: PTI (PAYMENT ТО INCOME) (платеж к доходу) — отношение суммы ежемесячных платежей по кредиту заемщика к совокупному семейному доходу за тот же период. Совокупный семейных доход определяется как сумма доходов супругов на основании справок с места работы о доходах, деклараций о доходах за предыдущий год, заверенных налоговой инспекцией. В том случае, если супруги не выступают созаемщиками по кредитному договору в расчет принимается индивидуальный доход заемщика. Максимально допустимое значение коэффициента PTI составляет 40%; ОТІ (OBLIGATIONS ТО INCOME) (обязательства к доходу) — отношение общей суммы ежемесячных обязательств заемщика к совокупному семейному доходу (нетто) за тот же период. Общая сумма ежемесячных обязательств включает в себя все выплаты, вычеты и удержания, производимые заемщиком в течение месяца, в том числе плату за жилье, коммунальные платежи, страховые платежи, обслуживание кредитов (прочих), алименты, плату за обучение (как самого заемщика, так и других членов семьи, находящихся на иждивении) и прочие выплаты. Максимально допустимое значение коэффициента ОТІ составляет 50%; достаточность денежных средств исходя из расходов на содержание. После уплаты всех обязательных ежемесячных платежей (включая платежи по запрашиваемому кредиту) остаток денежных средств не должен быть меньше прожиточного минимума, устанавливаемого для данного региона на 1 человека, исходя из количества членов семьи (расходы на содержание). Расходы на содержание рассчитываются как произведение количества членов семьи заемщика, включая лиц на содержании, самого заемщика (заемщиков) и суммы прожиточного минимума в регионе на дату проведения оценки. В случае, если расходы на содержание больше остатка денежных средств после уплаты всех обязательных платежей, платежеспособность заемщика не отвечает установленным требованиям. Качественные характеристики а) Доходы заемщика
К числу положительных факторов при анализе доходов заемщика должны быть отнесены: наличие у заемщика доходов, которые не могли быть приняты для рассмотрения при расчете основных коэффициентов ввиду их нестабильности, невозможности заранее определить их величину; наличие неденежных активов. Имущество заемщика (автомобиль, дача, ювелирные изделия, антиквариат, ценные бумаги, другое движимое и недвижимое имущество) не учитывается при определении ежемесячных доходов заемщика и расчете соотношений его доходов к платежам. Однако наличие значительных активов в виде движимого и недвижимого имущества может служить существенным компенсирующим фактором, влияющим на принятие положительного решения по кредиту, поскольку свидетельствует о способности заемщика осуществлять накопления, а также о возможности погасить кредит в случае снижения доходов; наличие значительного объема денежных средств или высоколиквидного имущества. б) Стабильность занятости При анализе стабильности занятости заемщика рассматриваются: послужной список заемщика за определенный период. Положительным компенсирующим фактором является постоянная работа заемщика в одной области деятельности, с продвижением по службе и возможностью дальнейшего профессионального роста; причины и обстоятельства частой смены работы, в том числе причина увольнения (по собственному желанию, по независимым от заемщика обстоятельствам, связанным с реорганизацией или закрытием предприятия и т.д.); оценка стабильности занятости заемщика в" будущем, оценка положения организации, в которой работает заемщик; возрастные параметры заемщика, в том числе: возможность сохранения стабильно получаемых доходов с выходом на пенсию, если это может произойти до истечения срока действия кредитного договора; степень возможного уменьшения или увеличения получаемых доходов с выходом на пенсию; возможность продолжения работы в прежнем качестве на прежнем месте работы после наступления пенсионного возраста. в) Кредитная история При анализе кредитной истории заемщика должны быть изучены: выполнение заемщиком своих прежних платежных обязательств, в том числе обязательств, вытекающих из кредитных договоров, договоров займа и прочих денежных обязательств (в том числе выплата алиментов); своевременность внесения платы за жилье, коммунальные услуги и налога на имущество. Прекращение оказания услуг заемщику в прошлом в связи с невнесением им платы является серьезным аргументом против предоставления данному заемщику кредита. Очевидно, что данную методику отличает соблюдение принципа системного подхода к оценке кредитоспособности заемщика. При этом некоторое завышение коэффициента PTI увеличивает количество потенциальных заемщиков, но в то же время повышает кредитный риск и снижает качество кредитного портфеля.
Аналитическое построение функций принадлежности на основе априорной информации о нечетком множестве
Другой способ построения функций принадлежности основывается на обобщении знаний и опыта эксперта по отношению к характеристикам, определяющим кредитную историю заемщика [48, 52].
Анализ терм-множества te Т можно начать на основании субъективных причин и неформальных сведений о выбранном показателе просроченной задолженности и возможных ограничениях, накладываемых на область определения функции //Дм), которые задаются экспертом и согласуются с внутренними документами кредитной организации (при наличии таковых).
Естественным является также и требование непрерывности функции //Дм), которое формализует представление о том, что если два элемента из множества U отличаются друг от друга лишь незначительно, то значения соответствующих функций принадлежности также близки.
Конкретный вид функции принадлежности : определяется на основе различных дополнительных предположений; о свойствах этой функции (симметричность, монотонность и т.д.) с учетом специфики имеющейся неопределенности. В табл. 4 приведены все основные виды функций принадлежности, применяемые в теории нечетких множеств [5, 65;, 87].
Подобные предположения позволяют упростить t процедуру построения функции принадлежности, в частности выделить значения, при. которых степень принадлежности элементов и є U,.к рассматриваемому терм-множеству teT равна нулю и единице, т.е. найти область определения функции //Дм).
Например, кредитную І историю можно считать, отрицательной, при отсутствии платежейза период втри месяцамт.е.//,(и)=1 при иє[3 месяца; срок кредита], ,/=«отрицательная». Результаты позволяют сделать следующий вывод, что когдаї заемщик задерживает с выплатой по кредиту более, чем, на три; месяца его кредитная история относится к «отрицательной» категории;
Аналитическое представление дает возможность не применять трудоемкие вычислительные процедуры расчета; степеней принадлежности; В качестве недостатков такого подхода можно отметить более низкую,точность, по сравнению с математическими? методами и высокие требования предъявляемые к квалификации эксперта.
Следует отметить, что важной составляющей предлагаемых подходов является непосредственное участие эксперта, как при построении матрицы парных сравнений (см. табл. 4), так и при выборе аналитической формы функции принадлежности.
Необходимость разработки унифицированной методологии особенно актуальна в случае отсутствия в финансово — кредитной организации нормативных документов, регламентирующих процесс определения качества кредитной истории физических лиц и порядок рассмотрение спорных ситуаций. Рассмотренные методы позволяют получить математическую интерпретацию опыта эксперта, отражающую общую стратегию принятия решений по оценке кредитной истории.
Применение единой методологии на основе синтеза знаний высококвалифицированной группы экспертов необходимо для устранения субъективного влияния кредитных аналитиков, не обладающих достаточным опытом работы в сфере кредитования физических лиц, а также минимизации рисков от возможного злоупотребления служебным положением со стороны инсайдеров банковской организации [60].
На практике процесс анализа кредитной истории представляет собой рассмотрение ряда показателей, применяемых для оценки исполнения обязательств заемщика по погашению задолженности. В зависимости от подхода, применяемого в кредитной организации, наиболее распространенными являются следующие характеристики: количество платежей, количество просроченных платежей, отношение общего просроченных платежей к сроку кредита и т.п. [52]
При анализе кредитной истории рассуждения эксперта состоят в выборе нескольких параметров, оказывающих, по его мнению, наиболее сильное влияние на качество кредитной истории заемщика, на основании которых он составляет соответствующие заключения.
Для приведения задачи классификации кредитной истории к форме, позволяющей учитывать совокупное влияние показателей на принимаемое решение, целесообразно использовать понятие составной лингвистической переменной [34].
В этом случае процесс классификации разбивается на анализ взаимодействия ряда частей, которые будут включены в состав лингвистической переменной «кредитная история», что позволит сформировать зависимость результата от комбинаций элементов данной переменной.
Для задания подобных многомерных зависимостей строится набор условных правил нечеткого логического вывода вида: « Если «Набор условий», то «Вывод» » [86, 87].
Реализация модели данных ас окфл на базе объекто-реляционного шлюза
АС ОКФЛ относится к классу сложных программных систем, требующих постоянного хранения данных. По типу решаемых задач АС ОКФЛ реализует функции систем автоматизированного проектирования и систем поддержки принятия решений. Информационное обеспечение АС ОКФЛ обладает следующими важными характеристиками, типичными для систем данных классов:
1. Сложные правила, включающие нестандартные ограничения по типам данных, ограничения на связи между сущностями.
2. Сложные процедуры обработки данных, общие для многих прикладных приложений системы. Наличие сложных процедур обусловлено математическим аппаратом АС ОКФЛ, включающим методы нечеткой логики, математической статистики, и т.д. Реализация этих методов требует использования эффективного компилятора для обеспечения приемлемой производительности приложений.
3. Иерархически связанные объекты. Иерархические связи присутствуют как в модели производственного процесса (см. 3.1.3), так и в математическом обеспечении системы. Помимо указанных характеристик информационного обеспечения должна быть обеспечена совместимость с различными платформами разработки прикладного программного обеспечения. Информационное обеспечение должно поддерживать различные средства разработки, что обусловлено множеством методов, прикладных средств анализа и требованием гибкой настройки комплекса инструментов системы. Все перечисленные особенности информационного обеспечения делают неэффективным непосредственное применение традиционных реляционных БД в качестве хранилища данных АС ОКФЛ [47]. В то же время реляционные БД являются фактическим стандартом в крупных банковских организациях, и внедрение специализированных СУБД, например объектно-ориентированных [25], затрудняет интеграцию с существующими системами и представляется неперспективным. В связи с этим для реализации модели АС ОКФЛ был выбран компромиссный подход, основанный на механизме объектно-реляционного шлюза, который объединяет достоинства реляционных СУБД и объектной модели.
В АС ОКФЛ предлагается использовать концепцию объектно-реляционного шлюза, совмещенную с компонентной архитектурой СОМ [9, 67], за счет чего достигаются следующие преимущества:
1. Прозрачное взаимодействие прикладных приложений с БД через шлюз, что облегчает и ускоряет их разработку;
2. Используется единая реализация взаимодействия с БД и общей логики приложениями АС ОКФЛ, созданными в различных инструментальных средах и на различных языках программирования;
3. Трансляция типов данных между СУБД и языком программирования инкапсулируется в объектно-реляционном шлюзе, а совместимость типов в шлюзе и прикладном приложении обеспечивается стандартными средствами СОМ. 4. Общие механизмы поведения базовых объектов реализованы шлюзом, поэтому могут быть изменены централизованно и для всех приложений.
Объектно-реляционный шлюз в АС ОКФЛ выполняется в виде СОМ-сервера, предоставляющего прикладным приложениям компонент «БД АС ОКФЛ», через который осуществляется навигационный доступ по ссылкам ко всем остальным объектам системы. Такой принцип работы с БД соответствует принципам объектно-ориентированных баз данных [47]. Взаимодействие с реляционной СУБД осуществляется с использованием универсального интерфейса ADO, который позволяет получить доступ ко всем промышленным СУБД (IBM DB2; Oracle, MS SQL Server и другим) за счет подключения соответствующих драйверов (провайдеров). OLEDB и возможности использования драйверов ODBC.
Объектно-реляционный шлюз, выполненный в виде СОМ-сервера, позволяет гибко конфигурировать физическое расположение элементов многоуровневой структуры АС ОКФЛ. В зависимости от требований к системе технология СОМ позволяет располагать шлюз как на рабочей станции пользователя, так и на сервере БД или на выделенном сервере под управлением MS Windows. Соответствующая настройка осуществляется системными средствами СОМ и не требует модификации шлюза или прикладного программного обеспечения.
Недостатком объектно-реляционного шлюза является снижение производительности вследствие внедрения дополнительного «слоя» в программное обеспечение. Необходимо, однако, отметить, что многие функции объектно-ориентированного шлюза, в частности- трансляция типов данных, должны быть в любом случае реализованы в программном обеспечении, причем многократно — каждым прикладным приложением.
Объектно-реляционный шлюз АС ОКФЛ практически обеспечивает инвариантность системы по отношению к реляционной СУБД, используемой для хранения данных, и по отношению к средствам и языкам разработки прикладных приложений. Классовые диаграммы объектно-реляционного шлюза АС ОКФЛ приведены в приложении 2.
Адаптация базы знаний к математическому аппарату нечеткой логики
В работе для построения всех функций принадлежности применяется однотипная последовательность действий, которую можно представить в виде следующего алгоритма: 1. Экспертная оценка области определения нечетких термов, соответствующих фактическим интервалам наблюдения лингвистических переменных (см. Приложение 1). Выделение значений, при которых функция принадлежности принимает значения 0 и 1. 2. Анализ поведения функций методом парных сравнений. Установление свойств, характерных нечетким термам. 3. Получение аналитической формы. Функции принадлежности, рассчитанные для нечетких термов из базы знаний (5.1), рассчитанные на основе данного алгоритма представлены в таблице 8. Рассмотрим пример построения функции принадлежности для нечеткого терма «много» просроченных платежей. На рис. 16 изображена функция принадлежности для переменной «много» просроченных платежей, где по оси X располагается количество просроченных платежей, а по оси У — значения функции принадлежности для терм-множества «много». Поскольку значения от 7 и выше были признаны экспертами, как значительное количество нарушений графика погашения задолженности, то функция принадлежности принимает значение 1, что соответствует истинности принадлежности xl к терм-множеству «много». При значениях от 0 до 1 (т.е. небольшое количество) значение функции принадлежности равно нулю. Методом парных сравнений установлено, что на интервале [1; 7] функция принадлежности монотонно возрастает, тем самым, повышая достоверность высказывания при приближении значений к 7.
Исходя из того, что массив фактических данных (10 280 кредитных договоров) представляет собой выборку из кредитного портфеля физических лиц, значительная часть которых являются клиентами с высокой платежной дисциплиной, рассмотрение которых на этапе построения модели, описывающей зависимость «статус кредитной истории — характеристики заемщика» может привести к недостаточно объективным результатам, то целесообразно исключить из рассмотрения подобные ситуации. Следующее теоретическое предположение основано на недостаточной точности или невозможности сформировать объективное мнение об анализируемом индивиде за короткий временной интервал (исключение случаев незначительного срока пользования денежными средствами или досрочного погашения задолженности). Вследствие вышеизложенного на исходные данные были введены следующие ограничения: 1) «Глубина» анализа количества платежей: более 6 месяцев; 2) Отсев кредитов без просрочки: да. В результате количество анализируемых кредитных историй с учетом ограничений составило - 3 584 (35% выборки).
Для иллюстрации работы метода рассмотрим пример нечеткого логического вывода по нечеткой базе знаний (5.1) для кредитной истории, параметры которой, в соответствии с (5.2) можно представить в следующем виде: xl — 3 просроченных платежа; х2 - максимальная продолжительность недоплаты 15 дней; хЗ — большая часть просрочек были допущены по основному долгу х4 — недоплаты по процентам отсутствуют. , Нечеткий логический вывод по базе знаний (5.1), состоящей из 6 правил, был выполнен в среде Mathlab 7.0.1, результаты приведены на рис. 23. Для проверки достоверности результатов, полученных при использовании предлагаемого подхода, рассмотрим результаты работы метода нечеткой классификации по сравнению с одним из распространенных способов многомерного статистического анализа (дискриминантный анализ [45]).
Оценка кредитных историй физических лиц была проведена по двум группам «положительная» и «отрицательная». В качестве элементов, входящих в первую категорию были выбраны кредитные истории без просроченных платежей, и с одной просрочкой, которая была погашена в десятидневный срок. — 3 289. Вторая категория была сформирована по выборке из кредитных договоров, по-которым для взыскания задолженности требовалось обращение в судебные органы, а также договора со сроком нахождения на просрочке свыше 180 дней, т.е. задолженность по-которым, в соответствие с рекомендациями Банка России была классифицирована, как «безнадежная» [68]. — 637. На основании традиционной практики, применяемой кредитными работниками в рассматриваемом банковском учреждении для оценки качества исполнения заемщиком обязательств по погашению задолженности, были сформулированы основные критерии, по которым осуществлялся анализ кредитной истории.
