Размещено на http://www.allbest.ru/

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1. АНАЛИТИЧЕСКИЙ ОБЗОР

1.1 Классификация систем поддержки принятия решений

1.2 Сравнительный анализ методик для оценки рисков розничного кредитования

1.2.1 Методика Центрального банка

1.2.2 Методики Базельского соглашения

1.3 Архитектура СППР

1.3.1 Функциональная СППР

1.3.2 СППР с использованием независимых витрин данных

1.3.3 СППР на основе двухуровневого хранилища данных

1.3.4 СППР на основе трёхуровневого хранилища данных

Выводы к главе

2. РАЗРАБОТКА СТРУКТУРЫ И СХЕМЫ СППР

2.1 Структура системы поддержки принятия решений

2.2 Схема СППР кредитных проектов

2.3 Формирование начальной базы знаний

Выводы к главе

3. РЕАЛИЗАЦИЯ

3.1 Выбор СУБД

3.2 Разработка и проектирование базы данных информационной системы

3.3 Прототип программной реализации

Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ 1

ПРИЛОЖЕНИЕ 2



ВВЕДЕНИЕ

Известные прогнозы развития банковского дела и статистические данные показывают на явный рост рисков, относящихся к банковской деятельности, в том числе кредитного риска. По данным на 01 июня 2016 года итоговая сумма не выплат по кредитам, которые были выданы юридическим лицам и индивидуальным предпринимателям, приближается к 29,0 трлн рублей. Общая сумма не выплат по кредитам физических лиц перед банками по данным на 01 июля 2016 года составляет 10,5 трлн рублей. Судя по этим показателям понятно, что банкам необходимо применение в рабочем процессе более современных средств отслеживания и понижения рисков, для примера можно привести информационные системы расчета, оценки, контроля и управления рисками. Основная проблема: требуется увеличение показателей эффективности системы банковского кредитования с целью понижения показателей по кредитным рискам [4]. Задача кредитования зависит от имеющихся первоначальных данных, а так же условий выдачи кредита, поэтому к ней могут быть применимы различные классы задач принятия которые в свою очередь требуют отличающихся методов решения. Необходимо учитывать, что под входными данными задачи понимаются не только количественные параметры (средний доход, возраст и т.д.), но и качественные (пол, группа здоровья и т.д.), которые дают более точную оценку прогнозирования в вопросах развития кредитной ситуации.

Проведя анализ были выбраны следующие методы:

? на примере имеющихся данных по вероятности не выплат по кредиту, применяется кредитная база банка, по данным которой строится база прецедентов и тестирующая выборка, которая послужит для обучения нейронной сети, это дает возможность принятия решения на базе имеющегося опыта и создать правила, которые позволят оценивать новые кредитные проекты, для которых еще нет данных в базе прецедентов;

? в обстоятельствах неопределенности используется аппарат нечеткой логики и строится на базе экспертного опыта нечеткая база знаний, это дает возможность при отсутствии полной информации о кредитной ситуации принять обоснованное решение.

Первыми стали разрабатывать СППР зарубежные исследователи (T. Grubеr, N. Guаrinо, M. King, M. Usсhоld, G. Rzеvski); из русских деятелей науки можно озвучить работы по вопросам применения онтологий и аналогичных им когнитивных моделей для описания ПрО и поддержки принятия решений В.А. Виттих, Т.А. Гаврилова, Н.Г. Загоруйко, Ю.А. Загорулько, Б.Г. Ильясов, А.С. Клещев, А.В. Кульба, Д.А. Новиков, А.В. Смирнов, С.В. Смирнов, А.Ф. Тузовский, В.Ф. Хорошевский. Подобные проблемы построения методов и средств графо-аналитического анализа семантических объектных моделей изучали Н.В. Дилигенский, В.А. Евстигнеев, В.Н. Касьянов, И.В. Попов, В.Г. Тульчинский и др. Список правил для определения потенциальных заемщиков на выплативших, или «хороших», и не выплативших, или «плохих», изначально сформулировал американец Дэвид Дюран в 1941 г. - это предшествие нынешних скоринговых систем [25].

Задача диссертации состоит в проектировании СППР с использованием методов нечеткой логики и\или нейронных сетей, позволяющей оценивать новые кредитные проекты и принять обоснованное решение.

Целью диссертационной работы является разработка системы поддержки принятия решений в задачах в построении СППР на основе нечеткой логики и\или нейронных сетей, позволяющей оценивать новые кредитные проекты и минимизацию рисков.

В соответствии с целью поставлены следующие задачи:

- исследовать актуальные задачи банка в области планового кредитования юридических и физических лиц;

- проанализировать существующие алгоритмы и методы определения рисков кредитных проектов;

- предложить комплексную концепцию системы поддержки принятия решений в управлении кредитованием банка;

- разработать основные методы, алгоритмы и инструменты для эффективной поддержки принятия решений с учетом специфики Банка России;

Предметом исследования является часть системы поддержки принятия решений.

Объектом исследования являются методы и алгоритмы, обеспечивающие комплексную поддержку принятия решений в управлении кредитованием банка.

Методы исследования. В качестве методологической основы работы использовались принципы и методы системного анализа, принципы и методы представления и анализа знаний, теория матриц, нечеткая логика, нейронный сети.

Научная новизна работы состоит в том, что предложена концепция построения комплексной системы поддержки принятия решений в сфере банковского кредитования. Концепция объединяет в себе как новые, так и известные ранее методы по проведению мониторинга и анализа кредитных проектов в области их рисков. В ходе научного исследования разработана система поддержки принятия решений, обеспечивающая автоматизацию процесса определения уровня риска кредитного заявления в учреждений Банка России. Выполнено теоретическое обоснование, практическая реализация и разработка методики построения системы поддержки принятия решений.

1. Предложена концепция системы поддержки принятия решений в банковском кредитовании, которая, в отличие от существующих, для моделирования функций СППР использует нечеткую логику и нейронные сети;

2. Разработана методика построения моделей системы поддержки принятия решений на базе нейронных сетей и нечеткой логики, которая позволяют оценивать кредитоспособность клиента и вычислять вероятность риска кредитного проекта;

3. Разработка структуры системы поддержки принятия решений на базе нейронных сетей и нечеткой логики.

Практическая значимость полученных результатов заключается в разработанной имитационной модели системы поддержки принятия решений на базе нейронных сетей и\или нечеткой логики, предложенной методике построения системы поддержки принятия решений на базе нейронных сетей и\или нечеткой логики, которая позволяет проводить анализ данных клиентов, которые нуждаются в банковском кредитовании.

Апробация работы. Предлагаемые решения и результаты диссертационной работы были представлены и получили положительную оценку на следующих научно-технических конференциях:

- международная научно-практическая конференция «Информатизация инженерного образования» -- ИНФОРИНО-2016 (г.Москва)

- международная научно-практическая конференция «Наука и образование третьего тысячелетия» 2015 (г. Люберцы)

- международная научно-практическая конференция «Наука, образование, общество: тенденции и перспективы» 2016 (г. Люберцы)

- международная научно-практическая конференция «Актуальные проблемы развития современной науки и образования» 2015 (г. Люберцы)

- международная научно-практическая конференция «Наука и образование третьего тысячелетия» 2016 (г. Люберцы)

- VIII международная научно-практическая конференция «Научные исследования: от теории к практике» 2016 (г. Чебоксары)

- IX международная научно-практическая конференция «Педагогический опыт: теория, методика, практика» 2016 (г. Чебоксары)

- XI международная научно-практическая конференция «Приоритетные направления развития науки и образования» 2016 (г. Чебоксары)

Кроме того, результаты диссертационной работы были отправлены на ежегодные выступления аспирантов кафедры АВТ . Работа заняла первое место в I (вузовском) туре Всероссийского конкурса научно-исследовательских работ студентов и аспирантов, проходившего 2016 года в секции «Математика и Механика».

Публикации. По теме диссертации опубликованы 11 печатных работ, из них 9 - в научно-технических журналах, в том числе журнале, рекомендованном ВАК, 1 - на всероссийских научно-технических конференциях, 1 - на международных научно-технических конференциях.



1. АНАЛИТИЧЕСКИЙ ОБЗОР

Методика построения бизнес процесса в рыночных условиях России подразумевает более высокое внимания в области оценки рисков кредитования банками физических лиц. Потребительский кредит является наиболее используемым банковским продуктом, поэтому он оказывает не малое влияние на общие показатели банковской системы и на методику развития среднего и малого бизнеса.

Отметим, что будем рассматривать розничный кредит как вид потребительского кредита, он также определяется как нецелевой кредит, без залоговый кредит экспересс-кредит. Выдача данного вида кредита производится непосредственно через филиалы банка.

Актуальность рассмотрения методов принятия решений по показателям оценки рисков розничного кредитования обосновывается статистикой наглядного увеличения невыплат кредитных средств (на на 01.01.2008 - 2,97 трн. рублей, 01.07.2016 г - 10,5 трн. рублей). Эти кредиты были выданы полагаясь на существующие методы и методики оценки кредитных рисков. Так же следует отметить, что роль кредитования в сфере малого и среднего бизнеса, а так же обычного населения, очень важна, так как кредиты помогают бороться с воздействиями кризиса и обеспечивает поддержку во времена депрессивной экономики [24].

Главным фактором повышения показателей по эффективности системы розничного кредитования является эффективность оценки риска по данным услугам, а так же уменьшение невыплат выданных денежных средств и оправданная диверсификация рисков. Используемые методы для оценки риска по кредитным продуктам, которые применяются к кредитованию физических лиц, основывается на базе общих принципов, что дает возможность классифицировать их в определенные категории:

- методики Центрального банка - способность заемщика обеспечить выплату кредита определяется по основанию данных из наличия залога или залогового имущества;

- методы, предложенные Базельским комитетом по банковскому надзору, основываются на скоринге [6]. Это рейтинговая оценка, которая наиболее часто используется и применяется.

Авторы, которые пишут работы по оценке рисков банковской системы, делают акцент на более частых проблемах используемых методик, а именно, в первом случае: отсутствие возможности прозрачно и достоверно отслеживать доходы заемщиков, несоответствие выдаваемой суммы кредита и предлагаемого залогового имущества, так же трудности самой процедуры оформления кредита и во втором: применение методик, которые написаны не для банков России, также отсутствие уверенности в достоверности данных по накопленной статистике.

Если рассматривать кредитный скоринг как систему, которая выполняет приоритетно регулирующую деятельность коммерческих банков и оказывает услуги экспресс-кредитования, то можно сделать выводы, что кредитоспособность заемщика оценивается по двум направлениям: обработка анкеты заёмщика нетривиальными методами статистического анализа и/или детальная формализация оценки кредитоспособности с применением новейших исследований в макроэкономике, социологии и психологии.

Если рассматривать банки, которые специализируются на оценке заемщика (Hоmе Сrеdit & Finаnсе Bаnk, АБ «Газпромбанк», Банк «ЦентроКредит», Банк Интегро, АКБ «Московский Банк Реконструкции и Развития», Сбербанк России, Альфа-Банк, Банк Ренессанс и др.) и программное обеспечение оценки заемщика, которое эти банки используют (Сrеdit Sсоring Sоlutiоn, ЕGАR Аррliсаtiоn Sсоring, Автоматизированная система РОСНО, «dm-Sсоrе - аналитические технологии для бизнеса», «Лаборатория НТР», Bаsе GrоuLаbs, Sсоrtо) можно сделать вывод, что в основе этих систем лежит метод коэффициентов, а фактор кредитного поведения заемщика рассматривается в незначительной степени. Выполняя оценку риска заемщика необходимо учитывать тот факт, что у него возможно уже есть кредитная история. Вопросы субъективного поведения человека наиболее актуальны на сегодняшний день в области разработки интеллектуальных информационных систем [4]. Таким образом, вопрос о разработке метода и алгоритмов интеллектуальной поддержки принятия решений на основе оценки рисков с учетом аспектов субъективного кредитного поведения остается актуальным.

1.1 Классификация систем поддержки принятия решений

Система поддержки принятия решений - это компьютерная автоматизированная система, основная задача которой состоит в оказании помощь принятия решения в сложных условиях для более полного и точного анализа предметной деятельности. СППР появились при объединении систем управления базами данных и информационных управленческих систем.

Система поддержки принятия решений используется для поддержки решений по большому количеству критериев выборки в сложной информационной среде. Под большим количеством критериев выборки подразумевается тот факт, что итог окончательных решений оцениваются не по одному, а по совокупности многих критерии, которые рассматриваются одновременно [20]. Информационная сложность появляется от того, что требуется обработка большого объема данных, выполнить эту обработку без участия современной вычислительной техники очень затруднительна и практически невозможна.

Система поддержки решений решает две основные задачи:

? задача оптимизации - выбор наилучшего решения из множества возможных,

? задача ранжирования - построение ряда из возможных решений по предпочтительности.

В каждой СППР главным моментом можно назвать определение совокупности критериев, по которым пойдет оценка и ранжирование полученных результатов выборки (назовем их альтернативами). Как раз СППР дает помощь пользователю при выполнении этого выбора.

Для выполнения анализа и построения предложений применяются разные методы. Это могут быть:

? нейронные сети,

? ситуационный анализ,

? база прецедентов,

? эволюционные вычисления и генетические алгоритмы,

? информационный поиск,

? интеллектуальный анализ данных,

? поиск знаний в базах данных,

? имитационное моделирование,

? когнитивное моделирование и др.

Многие из перечисленных методов были заимствованы из искусственного интеллекта. Существует понятие ИСППР. СППР становится интеллектуальной, когда ее методы как раз являются методами искусственного интеллекта. Аналогами систем поддержки принятия решений являются автоматизированные системы управления и экспертные системы. Эти системы дают возможность принимать решения по задачам стратегического управления основываясь на учетные данные о деятельности компании [14].

Система поддержки принятия решений представляет собой комплекс программных инструментальных средств для анализа данных, моделирования, прогнозирования и принятия управленческих решений, состоящий из собственных разработок корпорации и приобретаемых программных продуктов (Оrасlе, IBM, Соgnоs).

По типу взаимодействию с потребителем СППР делят на 3 вида:

? пассивные - они помогают в процессе принятия решений, но не могут предложить определенное точное предложения;

? активные - они принимают непосредственное участвуют в построении правильного решения;

? кооперативные - они подразумевают взаимодействие с потребителем. Предложенное системой решение потребитель имеет право изменить, доработать, и снова передать обратно в систему для проверки. После этого решение повторно передается потребителю до тех пор, пока он не согласует полученный результат.

По способу поддержки различают:

? модельно-ориентированные СППР, применяют при выполнении своей работы имеющийся доступ к различным моделям - финансовым, статистическим или другим иным;

? коммуникативные СППР позволяют работать одновременно двум и более потребителям, которые выполняют общую задачу;

? СППР, ориентированные на данные, имеют доступ к временным рядам организации. При выполнении работы они подключают как внутренние, так и внешние данные;

? Документированные СППР, располагают неструктурированной информацией, полученной во всевозможных электронных форматах;

? СППР, ориентированные на знания, используют факты, на их основе выдают специализированные решения проблем.

Средства интеллектуального анализа данных (Dаtа Mining), которые используются в СППР делятся на 4 группы [13].

Таблица 1 - Методы и средства ИАД

Методы	Средства
Методы статистической обработки данных ? предварительный анализ природы статистических данных; ? выявление связей и закономерностей; ? многомерный статистический анализ; ? динамические модели и прогноз на основе временных рядов.	Stаtistiса, SРSS, Systаt, Stаtgrарhiсs, SАS, BMDР, TimеLаb, Dаtа-Dеsk, S-Рlus, Sсеnаriо (BI), «Мезозавр»
Кибернетические методы, основанные на принципах саморазвивающихся систем -- методы нейронных сетей, эволюционного и генетического программирования	NеurаlWоrks Рrо, NеurоSоlutiоn, РоlyАnаlyst, NеurоShеll, GеnеHuntеr, BrаinMаkеr, ОWL, 4Thоught (BI), Stаtistiса Nеurаl Nеtwоrks, MаtLаb Nеurаl Nеtwоrk Tооlbоx
Традиционных методы решения оптимизационных задач: вариационные методы, методы исследования операций, включающие в себя различные виды математического программирования динамическое программирование, принцип максимума Понтрягина, методы теории систем массового обслуживания	Mаth САD, MаtLаb
Экспертные методы: ? метод «ближайшего соседа» ? метод дерева решений ? предметно-ориентированные системы анализа ситуаций и прогноза, основанные на фиксированных математических моделях ? методы визуализации данных	Раttеrn Rесоgnitiоn Wоrkbеnсh, KАTЕ tооls, IDIS, С5.0 и SIРINА Strееt Mоnеy, METASTOCK, SuреrСhаrts, Саndlеstiсk Fоrесаstеr Minеsеt, Imрrоmрtu (BI)

Деревья решений -- в работе используется принцип построения структуры задачи в виде древовидного графа, вершины символизируют продукционные правила, по ним дают классификацию данных или выполняют анализ последствий решений. Если используется небольшое количество классифицирующих правил, то этот метод позволяет получить наглядное представление. Этом метод применяется для решения небольших и простых задач, он является более эффективным в таким условиях, чем применение других методов, таких как нейронные сети. Этот метод не применяют для больших задач, к некоторым типам задач он совсем неприемлем. У данного метода выделяется проблема значимости. Главным недостатком считается тот факт, что при решении небольших частных задач чаще всего нет необходимого и достаточного числа обучающих примеров, поэтому трудно считать надежной используемую классификацию.

Нечеткая логика используется при работе с данными, у которых размыты значения истинности и они констатируются неоднозначными лингвистическими переменными. Нечеткое представление знаний чаще используется при решении задач прогнозирования и классификации, применим к дедуктивными, индуктивными, абдукторными системам, то есть системам с логическими выводами.

Нейронные сети относятся к классу нелинейных адаптивных систем с архитектурой, которая дает условное представление нервной ткани, она состоит из нейронов. Математическую модель нейрона можно представить как некий универсальный нелинейный элемент, который дает право изменять и настраивать свои характеристики. Нейронные сети нередко используются при решении задач классификации. Построенную сеть первоначально требуется «обучить», для этого требуются примеры известных значений исходных данных и полученных по ним результатов. Процесс «обучения» сети заключается в подборе весов межнейронных связей и модификации внутренних параметров активационной функции нейронов [26]. «Обученная» сеть способна классифицировать новые объекты (или решать другие примеры), необходимо при этом учитывать, что правила классификации пользователю изменить нельзя. При построении СППР будем использовать нечеткую логику и нейронные сети.



1.2 Сравнительный анализ методик для оценки рисков розничного кредитования

Свод правил, по которым выполняют распределение подразумеваемых заемщиков на выплативших, или «хороших», и не выплативших, или «плохих», был сформулирован американцем Дэвидом Дюраном в 1941 г. Эти правила можно назвать предшественниками современных скоринговых систем. В этой модели рассматриваются группы факторов для расчета степени кредитного риска и приводятся коэффициенты для всесторонних факторов, которые дают характеристику кредитоспособность клиента, например:

? пол: женский (0,4 балла), мужской (0);

? возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3);

? срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в 16 сумме;

? профессия: 0,55 - за профессию с низким риском, 0 - за профессию с высоким риском, 0,16 - другие профессии;

? финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19);

? работа: предприятия в общественной отрасли (0,21), другие (0);

? занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Скоринг в современности является наиболее широко используемым методом оценки рисков в розничном кредитовании [29].

Преимуществами скоринговых моделей:

? быстрота и беспристрастность принятия решений;

? возможность диверсификации кредитного риска между заемщиками, то есть возможность эффективного управления кредитным портфелем;

? отсутствие длительного обучения сотрудников кредитного департамента;

? возможность провести экспресс-анализ заявки на кредит в присутствии клиента.

Специалисты говорят о большом количестве недостатков, которые в имеют место быть на российском рынке розничного кредитования [26], а именно:

? скоринговые карты строятся конкретно по видам кредитных продуктов и задачам анализа;

? скоринговые карты не долгосрочны, так как в экономике постоянно происходят изменения. Нужно учитывать тот факт, что накопление данных тоже требует времени, и может получиться так, что на момент начала действия скоринговой карты она уже устарела.

? скоринговые модели строятся по выборке попавших в базу клиентов. Если первые из них были более надежные, то далее более поздник заемщики имеют более низкие показатели качества, отсюда процесс снижения качества заемщиков растет лавинообразно;

? скоринг не имеет возможности отличить достоверные и ложные показания заемщиков, даже если это было сделано заемщиком не умышленно, а ввиду отсутствия грамотности при расчете своих финансовых возможностей;

? трудно выявить мошенников, только по определенным критериям - не однократное использование одного паспорта при оформлении кредита;

? разработка, внедрение, сопровождение скоринговых систем, которые содержат централизованные базы данных, нуждается в высоких трудозатратах, это весомо снижает рентабельность бизнеса;

? выбор оценивающих признаков осуществляется только на базе данных по клиентам, уже получившим кредит, упущенные клиентом банки не рассматриваются;

? большая доля ложных заявленных данных, например, рекомендации приоритета оценки заёмщика по финансовым документам, достаточно затруднительно на данный момент, то есть должен быть учтен каждый из источников дохода, в том числе и по величине, степени надежности источника, ожидаемой будущей тенденции изменения доходов.

Разработчики скоринговых продуктов утверждают, например, что в одном случае «идеальным» кредитным заемщиком можно считать женатого мужчину 30 лет, у которого один ребенок и т.п. В другом случае дается отчет о переоценке свои сил, характерную мужчинам данного возраста, и тот же мужчина получает более низкую оценку надежности, чем женщина того же возраста с двумя детьми. Во многих статьях говорится о множестве таких примеров. Это дает возможность сделать вывод о потребности уменьшить неопределенность самого процесса кредитного скоринга методом получения более актуальных признаков кредитоспособности клиента.

Анализ реальных анкет дает возможность сделать вывод о том, что банки, дает отчет о возможности большого числа недостоверности заявленных данных, используемых в основе анкет выдают лишь минимум вопросов, помечая многие поля анкет лишь для необязательного заполнения, получается они не учитываются при принятии решения о выдаче кредита.

Многие специалисты отмечают необходимость более тонких и точных механизмы оценки. На данный момент в российских банках скоринг несет дискриминационный характер, т.е. по на скоринговой оценке банки и дальше отдают значительную часть риска на «хороших» заёмщиков, перекладывая на них как свою долю ответственности, так и ответственность «плохих» заёмщиков [24]. Нужно обратить внимание на мнение большинства банковских аналитиков о необходимости более глубокой детализация в скоринге.

В западной банковской практике риски по невозвратности денежных средств оцениваются по кредитоспособности соискателя, это не одно и т о же понятие с платежеспособностью. Кредитоспособность формируется как желание, совмещенное с возможностью своевременно погасить кредит, иначе говоря, насколько клиент «достоин» кредита (иначе «кредитоспособный»). Требуется рассматривать риски, связанные с сознательным уклонением от возвращения банку долгов, когда «заемщик сам себе позволяет не отдавать средства банку». В мировой практике это носит название оценки оппортунистического поведения как степени надежности и обязательности клиента. Практика говорит об существенном и систематическом отличие решений заемщика, основанных на субъективных эвристиках, от решений, имеющих в основе оптимальный и рациональный выбор. В идеологию скоринга необходимо закладывать социально-психологические подходы.

Если определять риск как степень возможных невыплат кредита, процентов по нему или несвоевременных выплат, что может привести к значительным финансовым потерям со стороны банка, следует сформулировать несколько способов оценки риска. В основе методик оценки кредитного риска лежат общие принципы, это дает возможность группировать их в определенные категории. В различных работах говорится в основном про методику Центрального банка и методы, предложенные Базельским комитетом по банковскому надзору.

1.2.1 Метод Центрального банка

Работа кредитных организаций формализуется списком нормативно-правовых документов. Наиболее популярным методом оценки кредитных рисков в российских банках можно назвать нормативный метод, соответствующий инструкции Центрального банка России от 30.06.1997 № 62(а) «О порядке формирования и использования резерва на возможные потери по ссудам».

Оценивая риски по ссудам рассматриваются критерии её обеспеченности. Показатели качества обеспечения формируются по рыночной стоимости предметов залога и степени их ликвидности [5]. Реальная рыночная стоимость предметов залога рассчитывается на момент оценки риска по конкретной ссуде. При расчете рыночной стоимости залога учитывается информация о реальном и перспективном состоянии конъюнктуры рынка по видам имущества, предоставленного в залог, а также динамика цен.

Методика ЦБ РФ по оценке кредитного риска опирается на имеющуюся у банков информацию о кредитном заемщике и легка в практике применения. В то же время, она включает в себя высокую степень неопределенности, обоснованную нечеткостью критериев, применяемых при оценке залога, а также с низкой прозрачностью процедуры оценки залога.

1.2.2 Методики Базельского соглашения

В 2004 г. Базельский комитет по банковскому надзору выпустил новый список нормативов для финансовых организаций, называемый Базель-2, который будет использоваться вместо Базельского соглашения, которое было принято в 1998 г. Соблюдение этих правил необходимо в Европейском союзе. Основная цель соглашения - увеличение качества управления рисками. Требуется выделить ряд коренных нововведения Базеля-2:

- составление более чувствительной к рискам системы взвешенного расчета регулятивного капитала, основанной, по возможности, на количественных оценках рисков, проведенных самими банками;

- более широкое признание инструментов снижения кредитных рисков;

- современные требования к капиталу под операционный риск;

- увеличение роли органов надзора;

- более широкое раскрытие информации и методологии банками.

Базельский Комитет по банковской политике позволил применение внутренних методов оценки банковских рисков, в том числе и кредитных. В результате чего сформировалось большое количество разнообразных методов оценки кредитного риска, основанных на математических методах. Анализ существующей практики кредитования дает возможность сформулировать вывод о том, что в современности в банковской практике нет универсальной методики оценки кредитного риска. Банки не располагают единой методологической и нормативной базой организации кредитного процесса и должны строить свою систему кредитования по определенной политике банка, рассматривающего конкретный сегмент кредитного рынка услуг [6]. Нормативные документы Центрального банка не отрицают факт определения банками категорий кредитного заемщика самостоятельно. Базельский комитет по надзору за банковской деятельностью не отрицает право давать оценку риска собственными методами.

Исходя из вышесказанного, анализ проблемы по перечисленным фактам, рассматривающим вопросы кредитования физических лиц, можем сделать следующие выводы:

- анализ состояния услуг розничного кредитования, с точки зрения основных макроэкономических аспектов, говорит о том, что хеджирование рисков за счет повышения кредитной ставки или ужесточения требований к оценке кредитного заемщика уже не возможно;

- анализ состояния вопроса прекращения мошенничества при оказании услуг розничного кредитования, выявил, что внедрение автоматизированных систем оценки кредитного заемщика, как наиболее действенный метод, на основании реальных признаков не дает ожидаемых результатов и, более того, как говорят аналитики, служит причиной получающихся «казусов заемщика»;

- в современности применение заключения Бюро кредитных историй по оценке кредитного заемщика не имеет места быть основополагающим фактором по принятию решения выдачи кредита;

- опыт работы кредитных услуг и пластиковых карт выдал результат, который говорит о большом количестве ограничений по их использованию в различных торговых точках, операционные издержки;

- применяемые анкетные данные мало достоверны, не показывают реальные намерения кредитного заемщика и, следовательно, ведут не только к ошибочному принятому решению, но и к накоплению противоречивой статистики;

- оценка кредитного заемщика в России несет явно дискриминационный характер, т.е. основополагаясь на скоринговую оценку, банки и далее большую часть риска переносят на проверенных заёмщиков;

Главным элементом увеличения эффективности управления кредитными рисками банка является выявление характера риска и его величины.

1.3 Архитектура СППР

Можно выделить четыре типа архитектур систем поддержки принятия решений:

? функциональная СППР.

? независимые витрины данных.

? двухуровневое хранилище данных.

? трехуровневое хранилище данных.

1.3.1 Функциональная СППР

Функциональная СППР представляет собой самое простое с архитектурной точки зрения решение. Данные системы более распространены на практике, в частности в организациях с небольшим уровнем аналитической культуры и мало развитой информационной инфраструктурой.



Рисунок 1.1 - Функциональная СППР

Чертой, характеризующей функциональную СППР, можно определить то, что анализ происходит с применением данных из оперативных систем.
Преимущества:

? Быстрое внедрение за счет избежание этапа перезаливки данных в специализированную систему

? Довольно низкие затраты при использования одной платформы

Недостатки:

? Единственный источник данных, который несомненно сужает круг вопросов, на которые может дать ответ система

? Оперативные системы несут с собой довольно низкое качество данных, если рассматривать их роли в поддержке принятия стратегических решений. Данные функциональной СППР характеризуются невысоким качеством из-за отсутствия этапа очистки данных,

? Высокая нагрузка оперативной системы. Сложные запросы могут быть причиной сбоя работы оперативной системы.

1.3.2 СППР с использованием независимых витрин данных

Витрина данных -- срез хранилища данных , который представляет собой массив тематической, узконаправленной информации, ориентированный, например, на пользователей одной рабочей группы или департамента. В том случае, если определенная область деятельности компании можно сказать не связана с другими, то есть возможность организовать независимую витрину данных, работающую автономно, у нее не будет привязки к централизованному корпоративному хранилищу [20]. Есть вариант выполнять автоматизацию компании с независимой витрины данных по предметной области, наиболее востребуем в компании, а не с построения корпоративного хранилища данных,

Независимые витрины данных строятся в организации исторически и попадаются в больших организациях с не малым числом независимых подразделений, которые чаще всего имеющих свои собственные отделы информационных технологий.

Рисунок 1.2 - Независимые витрины данных

Преимущества:

? Витрины данных есть возможность внедрять очень быстро

? Витрины проектируются для ответов на определенный ряд вопросов

? Данные в витрине оптимизированы для применения определенными группами пользователей, это делает легче процедуры их наполнения и способствует повышению показателей производительности

Недостатки:

? Дублирование данных в следствии многократной записи данных в различных витринах данных. Это приводит к увеличению расходов на хранение и как следствие трудностям поддержания непротиворечивости данных

? Если источников данных много, то есть проблема наполнения витрин данных

? Нет единой картины бизнеса, так как данные не консолидируются на уровне предприятия

1.3.3 СППР на основе двухуровневого хранилища данных

Идея хранилища данных построена на двух основные концепциях - интеграция разъединенных детализированных данных (детализированных в том смысле, что они описывают некоторые конкретные факты, свойства, события и т.д.) в едином хранилище и распределение групп данных и приложений, которые используются для оперативной обработки и которые применяются для решения задач анализа. Двухуровневая архитектура хранилища данных несет идею создания витрин данных (dаtа mаrt) без построения центрального хранилища, при этом информация заливается из небольшого числа регистрирующих систем и свойственна конкретной предметной областью. При построении витрин данных применяются известные принципы построения хранилищ данных.

Двухуровневое хранилище данных формируется централизованно для передачи информации в рамках компании. Для сопровождения такой архитектуры требуется организованная команда профессионалов в области хранилищ данных.

Рисунок 1.3 - Двухуровневое хранилище данных

Это говорит о том, что всей организации нужно согласовать все определения и процессы преобразования данных.

Преимущества:

? Данные хранятся в единичном экземпляре

? Затраты на хранение данных минимизированы

? Нет проблем, связанных с синхронизацией нескольких копий данных

? Складывается единая картина бизнеса, так как данные консолидируются на уровне предприятия

Недостатки:

? Не удобства отдельных пользователей или групп пользователей, так как данные не структурируются для поддержки их потребностей

? Потенциальные проблемы с производительностью системы

? Потенциальные трудности с разграничением прав пользователей на доступ к данным

1.3.4 СППР на основе трёхуровневого хранилища данных

Трехуровневые архитектуры обычно служат для построение полноценного корпоративного хранилища данных (нужно понимать, что под трехуровневой архитектурой подразумевается не структура "БД - Сервер приложений - клиент"). На нижнем уровне размещены всякие источники данных - данные информационных агентств, макроэкономические показатели, данные от внутренних регистрирующие систем, справочные системы, внешние источники. Второй уровень представляет из себя центральное хранилище данных, куда переходит все информация от источников с нижнего уровня, и, возможно, оперативный склад данных (ОСД). Оперативный склад не включает в себя исторических данных и несет на себе две главные функции. Первая заключается в том, что он играет роль источника аналитической информации для оперативного управления. Вторая функция- это подготовка данных для последующей загрузки в центральное хранилище. Под подготовкой данных подразумевается преобразование данных и выполнение с ними ряда проверок. Наличие оперативного склада данных часто является необходимым при различном регламенте получения информации из источников. Третий уровень в рассматриваемой архитектуре выполняет роль набора предметно-ориентированных витрин данных, информации для него передается из центрального хранилища данных. Конечный пользователь обычно и работает с витринами данных.

Рисунок 1.4 - Трёхуровневое хранилище данных



Хранилище данных - это единый централизованный источник корпоративной информации. Витрины данных в свою очередь представляют собой подмножества данных из хранилища, предназначенные для решения задач отдельных подразделений компании. Конечные пользователи могут пользоваться доступом к детальным данным хранилища, если данных в витрине недостаточно, а также для получения более полной картины состояния бизнеса.

Преимущества:

? Наполнение данными идет из единого стандартизованного надежного источника очищенных нормализованных данных, поэтому наполнение и построение витрин данных более просто проходит

? Витрины данных синхронизированы и совместимы с корпоративным представлением. Существует корпоративная модель данных. Добавлять новые витрины данных и расширять хранилища довольно легко

? Гарантированная производительность

Недостатки:

? Наглядная избыточность данных, которая ведет к увеличению требований на хранение данных

? Необходима согласованность с действующей архитектурой по различным требованиям во многих областях

Выводы к главе

1. Выполнена классификация систем поддержки принятия решений по взаимодействию с пользователем, по способу ее поддержки и по признаку взаимодействия с пользователем. Проведен анализ методов статистической обработки данных, выбран метод нейронных сетей и нечеткой логики. Рассмотрена классификация систем поддержки принятия решений, перечислены методы анализа и выработок предложений в СППР и средства интеллектуального анализа данных, применяемые в системах поддержки принятия решений, структурированы по категориям.

2. Проведен сравнительный анализ методик для оценки рисков розничного кредитования, рассмотрен свод правил Дюрана, рассмотрен скоринг как метод оценки рисков, перечислены преимуществами и недостатки скоринговых моделей. Выполнен сравнительный анализ методик для оценки рисков розничного кредитования, подробней рассмотрены метод Центрального банка и методика Базельского соглашения, перечислены их сильные и слабые стороны. при разработке СППР будем использовать частично обе методики.

3. Подробно рассмотрены архитектуры СППР: функциональная СППР, СППР с использованием независимых витрин данных, СППР на основе двухуровневого хранилища данных, СППР на основе трёхуровневого хранилища данных, перечислены их плюсы и недостатки. При разработке СППР будем придерживаться двухуровневой архитектуры.



2. РАЗРАБОТКА СТРУКРУТЫ И СХЕМЫ СППР

Проектирование систем поддержки принятия решений (СППР) - это молодое, сформировавшееся в последние годы направление исследований. В этом направлении главной идеей является концепция компьютерной поддержки принятия решений в сфере проблем, не имеющих определенной структуры. Это чаще всего интерактивная поддержка принятия решений, то подразумевающая обязательного или принудительного привлечения лица принимающего решения.

2.1 Структура системы поддержки принятия решений

Если рассматривать систему поддержки принятия решений как программный продукт, то она представляет из себя человеко-машинные комплексы, которые создаются для предоставления помощи лицу принимающему решение. Она применяется чаще всего к решению задач с плохой формализацией и плохой структурированностью данных во всевозможных предметных областях [18]. Одни словом, систему поддержки принятия решений можно назвать автоматизированной системой, которая применяет в своей работе правила принятия решения и модели с базами данных.

Схема СППР включает также:

- помощь лица принимающего решение при оценке состояния управляемой системы и воздействий на нее;

- определение предпочтений лица принимающего решения;

- генерацию подходящих решений;

- оценку доступных альтернатив, оперируя предпочтениями лица принимающего решения;

- анализ результатов принятых решений и определение лучшего из них со стороны лица, принимающего решение.

Можно выделить основные компоненты в структуре системы поддержки принятия решения, представлены на рисунке ниже:

Рисунок 2.1 - Основные этапы технологии СППР

Составим структуру СППР, которая будет отражать основные особенности поставленной задачи: принятия решения о возможности заключения кредитного договора основываясь на оценку кредитоспособности соискателя. В определении кредитоспособности есть понятие семантического пространство признаков кредитного заемщика (СПП КЗ) - это обобщение смысловых ассоциаций с действием «кредит», характерных для определенной по существенным признакам группы кредитных заемщиков. Будем рассматривать кредитоспособность как совокупной оценки рисков, связанных с субъективным кредитным поведением через определение СПП соискателя, и рисков, которые будут оценены на основе возможностей выплаты кредита [15]. При разработке структуры СППР учтены особенности предметной области исследования.

Рисунок 2.2 - Структура СППР

? Под кредитным инспектором в этом случае понимаем лицо поддержки принятия решения о выдаче кредита

? ЛПР, который расставляет приоритеты над кредитоспособностью и платежеспособностью заемщика, так же устанавливает систему предпочтений при формировании анкеты заемщика

? Под моделью знаний понимаем все действия с данными: получение данных, анализ данных, приобретение знаний, построение моделей знаний, обучение моделей, их актуализация

? Оценка рисков на основании субъективного кредитного поведения и на основании платежеспособности заемщика

? Критерии принятия решений - их формирование, контроль принятого решения и анализ принятых системой решений

? ППР включает в себя анализ множества решений, выбор оптимального решения и генерирование множества решений

2.2 Схема СППР кредитных проектов

розничное кредитование решение информационный

Для решения задачи системы поддержки принятия решений с применением таких методов, как нейронные сети и нечеткая логика предлагается схема на рисунке 2.3. Методы нейронной сети, нечеткой базы знаний, поиска в базе прецедентов на основе экспертной оценки будут использоваться для определения рисков кредитования по заемщикам [16].

Первым делом происходит прием заявки на получение кредита. Кредитный сотрудник банка (кредитный инспектор, системный аналитик) общается с заемщиком, проводит для него ознакомительный экскурс и принимает от него заявление на получение кредита. После этого по данным из заявления система поддержки принятия решений выполняет поиск заемщика в базе прецедентов. В том случае, если заемщик в базе прецедентов не обнаружен, выполняется экспресс анализ заемщика. Заемщику необходимо пройти опрос в виде анкетирования.

После успешного анализа заемщика или при положительном результате проверки заемщика в базе прецедентов и его кредитной истории запрашивается определенный пакет документов.



Рисунок 2.3 - Схема СППР

Далее выполняется оценка платежеспособности заемщика. В эту процедуру входит расчет суммы кредита, возможности погашения кредита и процентов по нему.

[1]

где Р - платежеспособность заемщика; Д - доход за последние 12 месяцев за вычетом всех обязательных платежей; К - понижающий коэффициент, определяется политикой банка; Т - срок выплаты основного долга в месяцах;

[2]

где S - максимально возможная сумма кредита; i - процентная ставка по кредиту (процент годовых делим на 100).

Важным этапом рассмотрения кредитного проекта является поиск заемщика в существующей базе прецедентов, так как получаема от заемщика информация будет сравниваться с ситуациями в базе прецедентов и рассчитываться степень сходства с текущей ситуацией.



Рисунок 2.4 - Поиск в базе прецедента

Краткое описание алгоритма:

? Определение и ввод количественных и качественных показателей заемщика, определение и рассмотрение кредитной ситуации. Анализ кредитной ситуации, определения критериев надежности критерию надежности кредитной ситуации с помощью экспертного анализа по следующим показателям: программа (условия) кредитования; сумма, необходимая заемщику; срок кредитования; кредитная история заемщика.

? Определение границ поиска по полученным показателям кредитной программы.

? Применение понятия предикат P со значением 0 или 1 в соответствие от равенства текущих показателей

? Попарно сравниваем значения идентичных показателей текущей ситуации с выбранным прецедентом.

? В случае равенства показателей i, предикат р_i=1, иначе р_i=0.

? Переходим к следующей паре показателей i+1.

? Производим проверку до последнего показателя.

? Рассчитываем степень сходства текущей ситуации с выбранным прецедентом по следующей формуле:

[3]

где S - степень сходства текущей ситуации с выбранным прецедентом, выраженная в процентах; - вес i-го показателя текущей ситуации;

- значение i-го показателя текущей ситуации; - предикат сходства; - вес i-го показателя прецедента; - значение i-го показателя прецедента.

Нахождение риска кредитования предлагается выполнять использую искусственный интеллект. Нейронную сеть предлагаем использовать для определения закономерностей в базе прецедентов. Нейронная сеть подлежит обучению, после чего ее можно будет использовать для оценки показателей заемщика, который еще не представлен в базе прецедента. Так же нужно отметить, что при использовании нейронной сети исключается фактор субъективности оценки, если сравнивать с экспертной оценкой риска [19]. В зависимости от количества показателей заемщика будет определяться количество входов нейронной сети, в нашем случае рассматривается 21 показатель заемщика. Один показатель максимально может иметь до 5 вариантов значений, поэтому один признак требуется закодировать 3 битами, отсюда полается, что в первом входном слое будет присутствовать 63 нейрона, а в промежуточном слое нейронов будет 21 штука. Что бы определить количество нейронов в последнем слое сети потребуется учет неоднозначности факторов, так как эти факторы можем комбинировать в различных вариациях и в следствии этого повышать или понижать уровень риска, поэтому в последнем слое определим 2 нейрона.

Нейронной сети требуется задавать показатели начальных весов. Чтобы сократить время на обучение нейронной сети предлагается использовать значения весов, которые уже при построении правил учета качественных параметров были определены экспертными специалистами. Для обучения необходима выборка данных. Предлагается использовать кредитную историю банка, которая будет сформулирована в виде рассматриваемых ранее прецедентов.

Для использования нечеткой логики или нечеткой базы знаний требуется все используемые параметры заемщика представить в виде лингвистических переменных. Основываясь на эти определения далее строятся графики функций принадлежности и создается нечеткая база знаний.

Конечное решение данных задач представляет собой практический интерес для кредитного работника. Так как предполагается система не полностью автоматическая, а автоматизированная, то все равно окончательное решение будет принимать лицо принимающее решение, мы предлагаем только помощь а принятии этих решений. Если выполнить полную реализацию данного решения, то построенная система в банке будет установлена на компьютерных установках кредитных сотрудников. Использование данной системы в кредитном отделе организации даст возможность снизить риски невыплат кредита и повысить уровень автоматизации процесса оценки кредитоспособности клиента. Это все приведет к уменьшению времени рассмотрения кредитного договора, а так же может позволит сократить количество сотрудников, которые принимают участие в кредитном процессе.

В результате конечной реализации данной системы по уменьшению кредитного риска будем наблюдать следующе результаты:

? уменьшение уровня невыплат по кредитным проектам, как следствие снижение уровня кредитного риска средствами анализа не только количественных, но и качественных показателей заемщика; анализа кредитной ситуации; представления кредитному сотруднику банка результатов принятого решения в подобной ситуации; исключения человеческого фактора при принятии решения. (отсутствие опыта, предвзятость и т.д.);

? сокращение времени рассмотрения кредитного вопроса, за счет: проведения «экспресс испытания»; автоматизации процесса кредитования;

? увеличение прибыли банка, за счет: уменьшения времени работы над каждым кредитным делом; увеличение количества клиентов; уменьшение количества сотрудников банка;

2.3 Формирование начальной базы знаний

Одновременно с анализом кредитной ситуации необходимо проводить и анализ заемщика. Как уже говорили ранее, в результате анализа заемщика формируется синдромный портрет. Для более полного анализа заемщика необходимо рассматривать не только количественные показателями, такие как возраст, стаж работы, доход и т.д., но и качественные показатели заемщика, такие как семейное положение, состояние здоровья, взаимоотношения с законом и т.д. В общих случаях в портрете заемщика на основе экспертного анализа, включающего обзор медицины, уголовной стороны и кредитования, обычно включают далеко не все показатели, выбираются примерно следующие, которые сгруппированы на интервалы по принципу экспертных оценок: