Содержание к диссертации
Введение
Глава 1. Теоретические аспекты оценки банковского кредитного риска. Анализ существующих методик 8
1.1. Понятие риска 8
1.2. Классификация рисков коммерческого банка. Понятие кредитного риска 11
1.3. Обзор методик оценки кредитного риска 14
1.3.1. VaR методика 18
1.3.2. Скоринг 20
1.3.2.1. Рейтинговая оценка 22
1.3.2.2. Линейная и логистическая регрессия 27
1.3.2.3. Метод деревьев решений 32
1.3.2.4. Искусственные нейронные сети 37
Выводы по главе 1 41
Глава 2. Автоматизация кредитного процесса и методика оценки кредитного риска 43
2.1. Процесс кредитования в коммерческом банке 43
2.1.1. Кредитный договор 43
2.1.2. Этапы кредитного процесса 44
2.2. Применение нечёткой нейронной сети для оценки банковского кредитного риска 60
2.3. Использование генетического алгоритма для обучения нейронной сети 64
2.4. Оптимизация структуры нечёткой нейронной сети 69
2.5. Методика оптимизации генетического алгоритма 73
2.6. Описание параметров модели кредитного риска 81
2.6.1. Категории качества ссуд 81
2.6.2. Обеспечение 83
2.6.3. Потребительское кредитование 87
2.6.4. Кредитование предприятий и организаций 95
2.6.5. Межбанковское кредитование 113
Выводы по главе 2 121
Глава 3. Описание автоматизированной системы оценки кредитного риска с приведением примеров её функционирования 123
3.1. Автоматизированная система оценки кредитного риска 123
3.2. Пример использования автоматизированной системы оценки риска 138
Выводы по главе 3 141
Заключение 142
Список литературы
- Классификация рисков коммерческого банка. Понятие кредитного риска
- Линейная и логистическая регрессия
- Применение нечёткой нейронной сети для оценки банковского кредитного риска
- Пример использования автоматизированной системы оценки риска
Введение к работе
Актуальность темы диссертационного исследования. Банковская деятельность по своей сути является чрезвычайно рисковой, но грамотное управление рисками помогает банкам получать прибыль. При этом важно понимать, что рискованность банковского бизнеса является объективным фактором, который не может быть полностью устранён в процессе совершенствования банковских технологий.
Между тем, сегодня по мере усложнения банковских продуктов, использования систем хранения и обработки данных, а также вовлечения российских банков в международную банковскую систему, происходит постоянное увеличение разновидностей рисков. Например, в связи с улучшением характеристик компьютерной техники, появились новые разновидности операционного риска. Следовательно, единственно правильное решение для уменьшения уровня банковских рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки рисков.
В своей деятельности банки регулярно выявляют значимые риски и постоянно проводят их оценку. К наиболее значимым рискам относят кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации. Согласно проведённому в конце 2005 года Банком России анкетированию крупнейших банков основное место по уровню значимости среди всех банковских рисков занял кредитный риск или риск неплатежа по ссуде в процессе взаимодействия банка и клиента. Этот факт можно объяснить тем, что кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций. Непогашение кредитов, особенно крупных, может привести банк к банкротству, а иногда, из-за его положения в банковском секторе и к системному кризису банковской системы, с возможными банкротствами, связанными с ним предприятиями, банками и частными лицами. Таким образом, управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка.
Необходимость идентификации и измерения уровня рисков вызвала в последнее время к жизни множество методик анализа, в большинстве своём основанных на составлении кредитного рейтинга, со всеми присущими этому
методу достоинствами и недостатками. Помимо указанного метода анализа существует и ряд других методов, способных более качественно измерить уровень кредитного риска. Например, методы нечёткой логики, нейронных сетей, дерева решений и генетические алгоритмы.
Современные экономические условия ставят перед банками новые проблемы. Активно развивающийся рынок потребительского кредитования требует от банка, для поддержания конкурентоспособности своего бизнеса, перехода к быстрому и качественному анализу кредитного риска. Развитие же экономики (в том числе и из-за развития потребительского кредитования) побуждает всё больше предпринимателей брать кредит для развития своего бизнеса, что приводит к увеличению нагрузки на специалистов банка, занимающихся оценкой рисков или увеличению их числа. Применение современных автоматизированных систем может помочь решить банкам многие проблемы. Такая автоматизированная система позволит не только увеличить скорость анализа, а значит, и сократить время на принятие решения по кредиту, но и в определённой степени повысить качество этого решения и немного уменьшить вероятность злоупотребления служебным положением сотрудниками банка. Именно на разработку такой системы и направлено исследование в данной диссертации.
Степень разработанности проблемы. Во времена плановой экономики
проблема оценки уровня риска не была столь актуальна для отечественных
исследователей. Множество исследований в этом направлении началось лишь с
приходом в экономику рыночных отношений. Исследования, посвященные
анализу риска в банковской сфере с использованием различных методик,
связывают с именами следующих отечественных и зарубежных
исследователей: Батраковой Л.Г., Беляева М.К., Белякова А.В., Буздалина А.В., Бухтина М.А., Воробьёва Л.И., Жованикова В.Н., Иванова В.В., Ильясова СМ., Козлова А.А., Косована К.С., Лаврушина О.И., Ли О.В., Масленченкова Ю.С., Недосекина А.О., Потоцкой Е.Г. , Строева А.А., Субботина А.В., Супруновича Е.Б., Фаррахова И.Т. и многих др.
Большой вклад в развитие теории нечетких множеств, теорию и практику построения интеллектуальных моделей, а также теорию нечетких нейронных сетей, внесли следующие отечественные и зарубежные ученые: Алтунин А.Е.,
Андрейчиков А.В., Андрейчикова О.Н., Асаи К., Гольдберг Д., Заде Л., Ковалёв СМ., Коско Б., Кофман А., Круглов В.В., Мамдани Е., Мелихов А.Н., Минаев Ю.Н., Пилиньский М., Рутковский Л., Семухин М.В., Сугэно М., Тэрано Т., Филимонова О.Ю., Холланд Дж., Ягер Р. и многие др.
Вместе с тем, несмотря на большое внимание отечественных и зарубежных ученых к проблеме анализа кредитного риска, работ опирающихся на стык упомянутых областей науки достаточно мало и степень разработанности данной темы остаётся низкой. Применение нечётких нейронных сетей в целях анализа банковских рисков представляет большой интерес вследствие возможности увеличения качества оценок рисков и частичной автоматизации процесса анализа риска.
Цель и задачи исследования. Целью настоящей работы является разработка и исследование методик, а также основанных на них инструментальных средств анализа кредитного риска коммерческого банка на рынках потребительского и межбанковского кредитования, кредитования организаций и предприятий.
Исходя из цели, были поставлены следующие задачи, определившие логику диссертационного исследования и его структуру:
показать важность качественной оценки кредитного риска;
определить факторы, оказывающие воздействие на уровень кредитного риска;
провести анализ действующей практики выявления и оценки кредитного риска;
разработать методику автоматизации кредитного процесса;
разработать модель кредитного риска на основе технологии нечётких нейронных сетей;
- исследовать возможность улучшения стандартного алгоритма для
нечётких нейронных сетей;
- решить прикладные задачи оценки кредитного риска банка на рынках
потребительского и межбанковского кредитования, а также кредитования
предприятий и организаций.
Объектом исследования выступают коммерческие банки, обеспечивающие процесс кредитования юридических и физических лиц.
Предметом исследования является процесс анализа банковского кредитного риска с применением метода нечётких нейронных сетей.
Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки банковских рисков, а также методические и аналитические материалы Центрального банка РФ, коммерческих банков, международных финансово-кредитных институтов и рейтинговых агентств. В основу диссертационной работы положены основные научные положения и математический аппарат теории нечётких нейронных сетей, генетических алгоритмов, экономического анализа и риск-менеджмента.
Информационной базой исследования явились законодательные и нормативные акты Российской Федерации, положения и инструкции банков, бухгалтерские формы отчетности банков и промышленных предприятий, материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов.
На защиту выносятся:
- модель автоматизированного кредитного процесса, позволяющая
повысить конкурентоспособность банка за счёт более качественного и быстрого
анализа кредитных заявок;
структура программного обеспечения, используемого для автоматизации процесса анализа кредитного риска, позволяющая сократить нагрузку на специалистов банка;
- модель кредитного риска на основе модифицированной нечёткой
нейронной сети, обучающейся также модифицированным генетическим
алгоритмом, способствующая повышению качества оценок риска.
Научная новизна результатов, полученных в диссертации, заключается в следующем:
разработана методика автоматизации кредитного процесса коммерческого банка с применением байесовского и метода нечетких нейронных сетей, позволяющая улучшить его качество и сократить время на принятие решения по кредитной заявке;
- предложена многофакторная модель кредитного риска коммерческого
банка на основе нечёткой нейронной сети с генетическим алгоритмом
обучения, позволяющая увеличить качество принимаемых решений сотрудниками кредитного отдела коммерческого банка;
предложен метод оптимизации структуры нейронной сети на основе применения различных мер сходства и модифицированный метод её обучения на основе генетического алгоритма, позволяющие увеличить точность вывода сети;
предложено инструментальное средство с нечёткой нейронной сетью в своей основе (как с обычной, так и модифицированной структурой), позволяющее решать задачу определения уровня кредитного риска, делать промежуточные и заключительные выводы, выделять сильные и слабые стороны клиента, а также выдвигать предложения (с подсчетом уровня необходимых резервов) о целесообразности выдачи кредита.
Теоретическая и практическая значимость работы состоит в возможности использования предложенных моделей, методик и инструментальных средств для оптимизации процесса анализа кредитного риска путём частичной его автоматизации (в условиях высокой степени уверенности в решении, вмешательство специалиста ограничивается проверкой исходных данных на достоверность). Представленная модель анализа кредитного риска позволяет эффективно оценивать уровень кредитного риска, а возможность создания собственной модели оценки на базе разработанной автоматизированной системы оценки предоставляет банкам возможность повысить качество выдаваемых заключений о надёжности клиента, а значит, и снизить уровень кредитного риска для банка.
Научная апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на научных конференциях, проводимых в ВГСХА и ВолгГТУ. По теме диссертационных исследований опубликовано шесть научных работ общим объёмом в 3,8 печатных листа.
Предложенное автором инструментальное средство прошло успешную апробацию в одном из банков города Волгограда.
Структура и объём диссертации. Работа состоит из введения, трёх глав, заключения, библиографического списка литературы и приложений.
Классификация рисков коммерческого банка. Понятие кредитного риска
Риск является сложной и многоаспектной категорией. Поэтому, не случайно в научной литературе приведено множество видов рисков [15,66,101,109,118]. Эффективность системы управления рисками во многом определяется используемой классификацией рисков. Под классификацией рисков понимают систематизацию множества рисков на основании каких-то признаков и критериев, позволяющих объединить подмножества рисков в более общие понятия.
Согласно письму ЦБ РФ от 23 июня 2004 г. №70-Т "О типичных банковских рисках" [103] банковские риски предложено классифицировать по следующим категориям:
1. Кредитный риск - риск возникновения у кредитной организации убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств перед кредитной организацией в соответствии с условиями договора.
2. Страновой риск (включая риск неперевода средств) - риск возникновения у кредитной организации убытков в результате неисполнения иностранными контрагентами (юридическими, физическими лицами) обязательств из-за экономических, политических, социальных изменений, а также вследствие того, что валюта денежного обязательства может быть недоступна контрагенту из-за особенностей национального законодательства.
3. Рыночный риск - риск возникновения у кредитной организации убытков вследствие неблагоприятного изменения рыночной стоимости финансовых инструментов торгового портфеля и производных финансовых инструментов кредитной организации, а также курсов иностранных валют и (или) драгоценных металлов. Рыночный риск включает в себя фондовый риск, валютный и процентный риски.
4. Риск ликвидности - риск убытков вследствие неспособности кредитной организации обеспечить исполнение своих обязательств в полном объеме. Риск ликвидности возникает в результате несбалансированности финансовых активов и финансовых обязательств кредитной организации и (или) возникновения непредвиденной необходимости немедленного и единовременного исполнения кредитной организацией своих финансовых обязательств.
5. Операционный риск - риск возникновения убытков в результате несоответствия характеру и масштабам деятельности кредитной организации и (или) требованиям действующего законодательства внутренних порядков и процедур проведения банковских операций и других сделок, их нарушения служащими кредитной организации и (или) иными лицами, несоразмерности функциональных возможностей применяемых кредитной организацией информационных, технологических и других систем и (или) их отказов, а также в результате воздействия внешних событий.
6. Правовой риск - риск возникновения у кредитной организации убытков вследствие: несоблюдения кредитной организацией требований нормативных правовых актов и заключенных договоров; допускаемых правовых ошибок при осуществлении деятельности; несовершенства правовой системы; нарушения контрагентами нормативных правовых актов, а также условий заключенных договоров.
7. Риск потери деловой репутации кредитной организации (репутационный риск) - риск возникновения у кредитной организации убытков в результате уменьшения числа клиентов (контрагентов) вследствие формирования в обществе негативного представления о финансовой устойчивости кредитной организации, качестве оказываемых ею услуг или характере деятельности в целом.
8. Стратегический риск - риск возникновения у кредитной организации убытков в результате ошибок, допущенных при принятии решений, определяющих стратегию деятельности и развития кредитной организации и выражающихся в неучете возможных опасностей, которые могут угрожать деятельности кредитной организации, неправильном или недостаточно обоснованном определении перспективных направлений деятельности, в которых кредитная организация может достичь преимущества перед конкурентами, отсутствии или обеспечении в неполном объеме необходимых ресурсов и организационных мер, которые должны обеспечить достижение стратегических целей деятельности кредитной организации.
Поскольку основную часть прибыли банк получает от своих ссудных операций, то становится очевидным важность именно кредитного риска, т.е. риска неплатежа по ссуде в процессе взаимодействия банка и клиента. Как правило, именно непогашение ссуд заёмщиками приносит банкам крупные убытки и служит одной из наиболее частых причин банкротств кредитных организаций. Этим можно объяснить особое внимание, которое уделяют этому риску в России. Так, согласно проведенному в октябре 2005 года банком России анкетированию российских банков [55], первое место при определении значимости рисков занял кредитный риск (у 76% кредитных организаций), второе - риск ликвидности (у 60%) и третье - рыночный риск (у 43%). Таким образом, кредитный риск является наиболее значимым для российских банков на данный момент.
Линейная и логистическая регрессия
Характерным примером использования линейной регрессии для оценки кредитного риска является "Z-анализ" Альтмана. Эти модели позволяют отделить фирмы-банкроты от устойчивых заемщиков, а также спрогнозировать возможное банкротство фирмы-заемщика. "Z-анализ" был введен Альтманом, Хальдеманом и Нарайаной и представлял собой модель выявления риска банкротства корпораций.
Цель "Z-анализа" — отнести изучаемый объект к одной из двух групп: либо к фирмам-банкротам, либо к успешно действующим фирмам. Двухфакторная линейная модель Альтмана, или уравнение Z-оценки, выглядит следующим образом [62]: Z = - 0,3877 + (-1,0736) Х, + 0,579 Х2 (1.7) где X] - коэффициент текущей ликвидности, Xj - удельный вес заёмных средств в пассивах. При Z 0 — вероятность банкротства велика; Z 0 — вероятность банкротства мала. Для увеличения точности прогнозов позже была предложена пятифакторная модель, которая и получила название модель Альтмана [62]: 2=1,2 Xj + 1,4 Х2 + 3,3 Х3 + 0,6 Х4 + 0,999 Х5 (1.8) где Xj = оборотный капитал / совокупные активы, X2 = нераспределённая прибыль I совокупные активы, Х3 = брутто-доходы / совокупные активы, Х4 = рыночная оценка капитала / балансовая оценка суммарной задолженности, Х5 = объём продаж / совокупные активы. Правило разделения фирм на группы успешных и банкротов следующее: если Z \ ,81, то вероятность банкротства очень велика; если 1,81 Z 2,675, то вероятность банкротства средняя; если Z = 2,675, то вероятность банкротства равна 0,5. если 2,675 Z 2,99, то вероятность банкротства невелика; если Z 2,99, то вероятность банкротства ничтожна. Фактически коэффициенты Z-оценки содержат элемент ожидания. Это означает, что если Z-оценка некоторой компании находится ближе к показателю средней компании-банкрота, то при условии продолжающегося ухудшения ее положения она обанкротится. Если же менеджеры компании и банк, осознав финансовые трудности, предпринимают шаги, чтобы предотвратить усугубление ситуации, то банкротства не произойдет, то есть Z-оценка является сигналом раннего предупреждения.
Помимо зарубежных моделей, критикуемых за отдалённость от российской действительности (рассчитаны на основе американских аналитических данных шестидесятых и семидесятых годов, а, следовательно, не соответствуют современной специфике экономической ситуации и организации бизнеса в России), существуют и отечественные наработки. Так Р.С. Сайфуллин и Г.Г. Кадыков предложили использовать для оценки финансового состояния предприятий рейтинговое число [58]: R = 2 К0 + 0,1 Ктл + 0,08 Ки + 0,45 КМ + Кпр, (1.9) где К0 - коэффициент обеспеченности собственными средствами; Кш - коэффициент текущей ликвидности; Ки - коэффициент оборачиваемости активов; Км - рентабельность реализации продукции; Knp - рентабельность собственного капитала.
При полном соответствии финансовых коэффициентов их минимальным нормативным уровням рейтинговое число будет равно единице и организация имеет удовлетворительное состояние экономики. Финансовое состояние предприятий с рейтинговым числом менее единицы характеризуется как неудовлетворительное.
В шестифакторной математической модели О.П. Зайцевой [48] предлагается использовать следующие частные коэффициенты: Куп - коэффициент убыточности предприятия, характеризующийся отношением чистого убытка к собственному капиталу; К3 - соотношение кредиторской и дебиторской задолженности; Кс - показатель соотношения краткосрочных обязательств и наиболее ликвидных активов, этот коэффициент является обратной величиной показателя абсолютной ликвидности; Кур - убыточность реализации продукции, характеризующийся отношением чистого убытка к объёму реализации этой продукции; КфР - соотношение заёмного и собственного капитала; Кзаг - коэффициент загрузки активов как величина, обратная коэффициенту оборачиваемости активов.
Комплексный коэффициент банкротства рассчитывается по формуле со следующими весовыми значениями: Ккомм = 0,25 Куп + 0,1 К3 + 0,2 КС + 0,25 КУР + 0,1 Кфр + 0,1 Кзаг (1.10) Фактический комплексный коэффициент банкротства следует сопоставить с нормативным, рассчитанным на основе рекомендуемых минимальных значений частных показателей: Куп = 0;К3=\;КС = 7; Кур = 0; Кфр = 0,7; Кзаг = значение Кзаг в предыдущем периоде. Если фактический комплексный коэффициент больше нормативного, то вероятность банкротства велика, а если меньше — то вероятность банкротства мала.
Модель логистической регрессии в целом похожа на линейную регрессию, однако в качестве регрессанта здесь выступает дихотомическая переменная, принимающая значение один или ноль (плохо/хорошо).
В общем случае, модель кредитного скоринга с логистической регрессией выглядит следующим образом: (О_если_/3 + а Хі+иі О_ши_иі 0 + а,Хі \\_если_р + а Хі +иі 0_ши_иі fi + a Xi где " — константа, а — вектор коэффициентов, отражающих влияние различных характеристик на вероятность дефолта, " — ошибки прогноза, которые предполагаются независимо распределенными, центрированными и нормированными. В зависимости от того, какое распределение ошибок прогноза предполагается, используется модель LOGIT (логистическое распределение) или PROBIT (нормальное распределение). В целях кредитного скоринга чаще используется модель LOGIT [132].
Применение нечёткой нейронной сети для оценки банковского кредитного риска
Нечёткие нейронные сети являются мощным инструментом для выявления нелинейных зависимостей между входными и выходными факторами и позволяют построить качественную скоринг модель оценки вероятности возврата кредита тем или иным заемщиком.
Математическая теория нечетких множеств позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы. Нечеткая логика, предоставляющая эффективные средства отображения неопределенностей и неточностей реального мира, ближе к человеческому мышлению и естественным языкам, чем традиционные логические системы. Именно поэтому для пользователя гораздо удобней оперировать с нечеткими логическими правилами для определения "качества" клиентов, чем с четкими (а значит, зачастую, неизменными) критериями классификации клиентов.
Нечеткая нейронная сеть формально по структуре идентична многослойной нейронной сети с обучением, например, по алгоритму обратного распространения ошибки, но скрытые слои в ней соответствуют этапам функционирования нечеткой системы: - первый слой нейронов выполняет функцию введения нечеткости на основе заданных функций принадлежности входов; - второй слой отображает совокупность нечетких правил, реализованных на основе логического вывода и композиции правил; - на третьем слое происходит композиция правил; - четвёртый слой выполняет функцию приведения к четкости.
Каждый из этих слоев характеризуется набором параметров (функциями принадлежности, нечеткими решающими правилами, активационными функциями и весами связей), настройка которых производится, по сути, так же, как и для обычных нейронных сетей.
Рассмотрим более детально этапы функционирования нечеткой системы: 1. Введение нечеткости (фаззификация, fuzzification). Функции принадлежности, определенные на входных переменных, применяются к их фактическим значениям для определения степени истинности каждой предпосылки каждого правила.
2. Логический вывод. Вычисленное значение истинности для предпосылок каждого правила применяется к заключениям каждого правила. Это приводит к одному нечеткому подмножеству, которое будет назначено каждой переменной вывода для каждого правила. В качестве правил логического вывода обычно используются операции min (минимум) или prod (умножение). В логическом выводе "минимум" функция принадлежности вывода "отсекается" по высоте, соответствующей вычисленной степенью истинности предпосылки правила (нечеткая логика "Я"). В логическом выводе "умножение" функция принадлежности вывода масштабируется при помощи вычисленной степени истинности предпосылки правила.
3. Композиция. Все нечеткие подмножества, назначенные к каждой переменной вывода (во всех правилах), объединяются вместе, чтобы сформировать одно нечеткое подмножество для всех переменных вывода. При подобном объединении обычно используются операции max (максимум) или sum (сумма). При композиции "максимум" комбинированный вывод нечеткого подмножества конструируется как поточечный максимум по всем нечетким подмножествам (нечеткая логика "Я/7Я"). При композиции "сумма" комбинированный вывод нечеткого подмножества формируется как поточечная сумма по всем нечетким подмножествам, назначенным переменной вывода правилами логического вывода.
4. Приведение к четкости (дефаззификация, defuzzification) используется, если требуется преобразовать нечеткий набор выводов в четкое число. Существует большее количество методов приведения к четкости [71], некоторые из которых (используемые в ходе анализа кредитного риска) представлены ниже: - Центройдный. Четкое значение выходной переменной определяется как центр тяжести для кривой C(z): и для дискретного варианта: п = (2.4) /=1 - Высотная дефаззификация (Height defuzzification). Элементы области определения Q для которых значения функции принадлежности меньше, чем некоторый уровень а в расчет не принимаются, и четкое значение рассчитывается в соответствии с выражением: \z C{z)dz =—, (2.5) \C(z)dz где Ca - нечеткое множество а-уровня. Нечеткая нейронная сеть с логическим выводом Ларсена (Larsen), в качестве своей основы имеет базу знаний, формулируемую экспертом в своей предметной области в виде совокупности нечетких правил вида: П\\ если X/ = Аіих2 = В; и хз = Сі, то у есть Gi, П2: если Х]=А2кх2 = В1ях3 = Cj, то у есть G2, П3: если X] = Ai и х2 = В2 и х3 = С/, то у есть G3, П4\ если X/ = Ai и х2 = В] и х3 = С3, то у есть G$, П10: если х/ = Ai или А2 или А3 и х2 = В3 и х3 = С] или С2, то у есть G6 и т.д. где ху, х2, х3 - входные переменные (названия рассматриваемых характеристик объекта). у - переменная вывода (название категории для классификации объекта). Аі, Аг, А3, Ви В3, С[} С2, С3 и G/, G2, G5, G6 - функции принадлежности, определённые соответственно на х и у.
Пример использования автоматизированной системы оценки риска
1. Описана автоматизированная система оценки кредитного риска на базе нечёткой нейронной сети с генетическим алгоритмом обучения, позволяющая проводить анализ кредитного риска практически без участия специалиста банка (необходим только оператор). Участие специалиста требуется только в случае отсутствия достаточной уверенности системы в правильности решения или при необходимости пересмотра размера обеспечения.
2. Разработанное автором инструментальное средство имеет два уровня управления (уровень эксперта и уровень пользователя) с различными правами доступа к функциям системы.
3. Уровень пользователя позволяет получить доступ к следующим возможностям системы: ввод данных для анализа, загрузка данных для анализа из файла, осуществление расчётов, вывод (графический и числовой) и заключение системы, а также загрузка одного из вариантов структуры нейронной сети.
4. Уровень эксперта помимо возможностей пользователя позволяет создавать и настраивать структуру нечёткой нейронной сети (создание лингвистических переменных, задание правил и обучение сети), а также определять параметры отчётов, выдаваемых системой.
5.Апробация разработанной системы показала гибкость её структуры (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания, легкость интерпретирования результатов, а также состоятельность при решении практических задач анализа риска. Данная автоматизированная система может быть успешно использована многими коммерческими банками.
В диссертации приводится анализ применяющихся на практике методик оценки кредитного риска (который играет одну из первостепенных ролей среди множества банковских рисков) и делается вывод, что основное место, как в зарубежной, так и в отечественной практике, занимают специальные методики кредитного рейтинга. В большинстве своём эти методики представляют собой совокупность оценочных параметров кредитоспособности (факторов риска), сведённых воедино в кредитном рейтинге.
В последнее время среди российских банков, вслед за западными, получили распространение методы оценки потенциальных заёмщиков на основе различного рода статистических и математических моделей. Речь, прежде всего, идёт о моделях кредитного скоринга и VaR методике.
Скоринговая модель ставит целью оценить размер кредитных рисков (или вероятность непогашения кредита в срок) в зависимости от набора определенных признаков, присущих заемщику или конкретной сделке.
Установлено, что скоринг может осуществляться целым рядом методов, которые обладают различными свойствами. Наиболее популярными сегодня являются четыре основных метода построения скоринговых алгоритмов: — построения рейтинговых оценок; — на основе линейной и логистической регрессии; — на основе дерева классификации; — на основе нейронной сети.
Наибольший интерес, среди методов построения скоринговых алгоритмов, представляет метод анализа риска на основе нейронных сетей. Основное достоинство этого метода заключается в способности алгоритма подстраивать структуру сети под новые наблюдения и объяснять довольно сложные связи между значениями факторов риска и его уровнем.
Изучение традиционного кредитного процесса позволило автору предложить методику его автоматизации. Разработанная на основе метода нечётких нейронных сетей и байесовского метода модель автоматизированного кредитного процесса позволяет улучшить его качество и сократить время на принятие решения по кредитной заявке. Основными этапами предложенного алгоритма кредитного процесса являются: 1) Подготовительный этап, служащий для подготовки исходных данных для расчётов. 2) Проверка первичных стоп-показателей. Главная задача этого этапа состоит в выявлении проблемных клиентов. 3) Проверка предоставляемых данных на неточности. Незначительные несоответствия должны быть в кратчайший срок объяснены клиентом. Наличие значительных несоответствий вынуждает банк отказаться от сотрудничества. 4) Выявление фальсификации отчётности. Анализ отчётности на предмет возможной фальсификации может быть реализован посредством диагностической системы байесовского типа. 5) Проверка платёжеспособности клиента. 6) Построение скоринговой модели надёжности клиента на основе нечёткой нейронной сети. Участие специалиста на этом этапе становится необходимым только в случае низкой уверенности в решении автоматизированной системы оценки риска (а это предоставляемая системой информация) или её отрицательного ответа (для пересмотра размера обеспечения). 7) Проверка благонадёжности клиента и достоверности предоставленных данных. 8) Рассмотрение заявки кредитным комитетом. В случае положительного заключения кредитного комитета клиенту в установленном порядке выдаётся ссуда. В противном же случае клиенту даётся мотивированный отказ.
