Оценка кредитоспособности заемщиков БИНБАНК методами нейросетевого моделирования

8

Линейная

Скрытый

4

Сигмоида

Выходной

1

Сигмоида

При этом получаем, что общее число нейронов составляет 13.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10 000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное

2.3 Оптимизация и упрощение нейронной сети

Одним из недостатков построенной нами модели является ее громоздкость. Поскольку, считается, чем проще модель - тем лучше. При этом необходимо, чтобы более простая модель не теряла своих свойств прогнозирования кредитного риска. Таким образом, следующей задачей, стоящей перед нами будет оптимизация модели. Необходимо исключить те факторы, которые не оказывают значительного влияния на конечный результат. Будем несколько видоизменять построенную нейронную сеть за счет сокращения входных параметров. Однако при этом необходимо проследить, чтобы не возрастала ошибка обучения и тестирования. Другими словами, необходимо упростить модель так, чтобы она содержала минимально возможное число входных параметров, но при этом не потеряла своих свойств и не выросла погрешность при прогнозировании кредитоспособности заемщика [21].

Следующим шагом оптимизации построенной нейронной сети будет определение значимости параметров. Для этого воспользуемся опцией программы Нейросимулятор NSim 3, носящей название «Значимость входов сети». При этом стоит отметить, что будет проанализирована не только значимость обучения, но и значимость обобщения.

Рисунок 9. Оценка значимости входящих параметров

Максимально возможное значение данного показателя может равняться 1. То есть, чем ближе значение к 1, тем значимее показатель для построенной нейронной сети. Если же показатель значимости входящего параметра составляет 0, то данный финансовый коэффициент не играет никакой роли в определении кредитного риска заемщика. Итак, получаем следующие показатели значимости входящих параметров, отсортированные в порядке убывания (таблица 8).

Таблица 8

Значимость входящих параметров нейросети

параметры	Показатель значимости
X1	1
X8	0.682
X3	0,512
X6	0,498
X4	0,379
X2	0,366
X5	0,226
X7	0,045

Анализируя таблицу 13 можно сделать вывод, что показатели, расположенные ниже Х5 значительно уступают в значимости остальным показателям. Таким образом, исключим эти показатели из построенной нейронной сети. В итоге, оставив наиболее значимые показатели, получаем следующие входящие параметры модели (Таблица 9).

Таблица 9

Входные параметры оптимизированной нейросети

Наименование параметра	Обозначение
Срок кредита (месяцы)	Х1
Сумма кредита	Х2
Год заключения кредитного договора	Х3
Год погашения кредита	Х4
Возраст компании (месяцы)	Х5
Цель кредитования	Х6
Тип обеспечения	Х8
Тип потенциального заемщика	Y

Получаем, что количество входящих параметров сократилось с 8 до 7. Теперь необходимо проверить построенную модель на работоспособность с новыми входящими показателями. Если ошибка обучения и тестирования не увеличатся по сравнению с первоначальной моделью, то можно будет говорить о том, что оптимизация нейронной сети прошла успешна.

Итак, необходимо проверить, чтобы наше количество нейронов на внутреннем слое, равное 4 удовлетворяли следствию теоремы Арнольда - Колмогорова - Хехт-Нильсена [16]. Количество входящих параметров равно 7, выходных параметров - 1, обучающая выборка составляет 60 примеров. N попадает в промежуток от 1 до 11.

Таким образом, как мы видим, условие оптимальности нейронов на внутреннем слое соблюдается. Следовательно, наша модель будет выглядеть следующим образом.

Таблица 10

Характеристики нейронной сети

Слой	Количество нейронов	Активационная функция
Входной	7	Линейная
Скрытый	4	Сигмоида
Выходной	1	Сигмоида

При этом получаем, что общее число нейронов составляет 12.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное.

Чем сильнее возрастает погрешность прогнозов при отсутствии какого-либо входного параметра модели, тем больше значимость этого параметра для точности прогнозов модели. Если фактор незначимый, его можно исключить из нейросети. И, если в новой сети ошибки обучения и тестирования будут ниже или примерно соответствовать ошибкам первоначальной модели, то можно будет сказать что данная построенная модель оптимальнее первоначальная. Стоит отметить, что обучающая и тестирующая выборки аналогичны первоначальным. Ошибка обучения и ошибка тестирования неоптимизированной нейросети (Приложение 1, Приложение 2 соответственно). Ошибка обучения и ошибка тестирования оптимизированной нейросети (Приложение 3, Приложение 4 соответственно).

Таблица 11

Сравнение моделей

Кол-во входов	Ошибка обучения	Ошибка тестирования
8	3,06 %	0,85 %
7	6,39 %	1,31 %

Можно отметить, что при сокращении количества входных параметров модель ухудшается и ошибки увеличиваются. Но, стоит сказать, что рост ошибок был незначительным при значительном сокращении количества показателей. При этом даже при полученных погрешностях нейронная сеть смогла обучиться и на тестирующей выборке, с учетом округления, полностью предсказала проблемных заемщиков.

Новая полученная модель также является работоспособной. И при этом, за счет меньшего количества параметров она является более оптимальной. Попробуем в новой построенной модели определить значимость параметров, и возможно, еще упростить нейронную сеть. График значимости выглядит следующим образом (рис 10).

Рисунок 10. Оценка значимости входящих параметров

Подведем итоги. Первоначально, построив модель с 8 параметрами на входе, мы получили неплохие результаты. Но модель выглядела несколько громоздкой. Поэтому, следующим шагом стала оптимизация модели - сокращение незначимых факторов модели.

Получили модель с 7 параметрами на входе. Стоит отметить, что ошибка обучения и тестирования новой модели увеличилась, но не критически. Модель также смогла разделить заемщиков на благонадежных и неблагонадежных. Таким образом, новая нейронная сеть выглядела также работоспособной и уже более простой.

В итоге, получаем, что по нашим расчетам, наиболее простой, оптимальной и работоспособной моделью для определения кредитного риска заемщика будет первоначальная неоптимизированная нейронная сеть со следующими параметрами.

Таблица 12

Характеристики итоговой нейронной сети

Слой	Количество нейронов	Активационная функция
Входной	8	Линейная
Скрытый	4	Сигмоида
Выходной	1	Сигмоида

При этом получаем, что общее число нейронов составляет 12.

Алгоритм обучения - обратное распространение ошибки.

Скорость - 0,08.

Количество эпох - 10 000.

Инициализация весов - стандартное распределение.

Масштабирование данных - линейное.

Глава 3. Экономическая эффективность инвестиций в интеллектуальную информационную систему оценки кредитоспособности клиента

информационная нейронная сеть моделирование

3.1 Общие положения

Оценка экономической эффективности проекта является ключевой при принятии решений о целесообразности инвестирования в него средств. По крайней мере, такое предположение кажется правильным с точки зрения, как здравого смысла, так и с точки зрения общих принципов экономики. Несмотря на это, оценка эффективности вложений в информационные технологии зачастую происходит либо на уровне интуиции, либо вообще не производится. С одной стороны, это вызвано нежеланием поставщиков тратить значительные усилия на проведение подробного предварительного анализа, с другой стороны, вероятно, присутствует значительная доля недоверия потребителей к получаемым результатам таких исследований. Однако, обе эти проблемы проистекают из одного источника, а именно - отсутствия понятных и надежных методик оценки экономической эффективности ИТ проектов.

Экономичность или эффективность (результативность) подразумевает получение больших результатов из доступных ограниченных ресурсов. Показателем эффективности различного рода является отношение результата к затратам:

Е=Р/З,

где Р -- результат, тыс. руб.;

З -- затраты, обеспечивающие получение результата, тыс. руб.

Показатель эффекта, тыс. руб., отражает разность между результатами и затратами:

Э=Р-З.

В методических рекомендациях по оценке эффективности инвестиционных проектов и их отбору для финансирования отражена международная практика ЮНИДО и предложена система показателей применительно к интересам участников. Эффективность инвестиций рассчитывается по показателям, сведенным в систему. К ним относятся:

Показатели коммерческой (финансовой) эффективности, отражающие финансовые последствия реализации проекта для его непосредственных участников.

Показатели бюджетной эффективности, отражающие финансовые последствия для федерального, регионального и местного бюджетов.

Показатели экономической эффективности, учитывающие затраты и результаты.

Данная система показателей опирается на основные принципы, сложившиеся в мировой практике, и оценку эффективности инвестиционных проектов применительно к переходному этапу рыночной экономики.

Основными из этих принципов являются:

моделирование потоков продукции, ресурсов и денежных средств;

учет результатов анализа рынка, финансового состояния предприятия, влияния результатов реализации инвестиционного проекта на окружающую среду и т.д.;

определение эффекта посредством сопоставления предстоящих обобщенных результатов и затрат с ориентацией эффекта на достижение необходимой нормы дохода на капитал или иных показателей;

приведение предстоящих разновременных расходов и доходов к условиям их соизмеримости по экономической ценности в начальном периоде;

учет инфляции и др. факторов, влияющих на ценность используемых денежных средств;

учет неопределенности и риска, связанных с осуществлением проекта.

3.2 Технико-экономическое обоснование применения ИИС оценки кредитоспособности заемщика

Итак, данный программный продукт, предназначенный для быстрой и качественной оценки кредитоспособности заемщика - индивидуального предпринимателя.

Для реализации данного предложения требуется его экономическое обоснование. Таким обоснованием является оценка экономической эффективности использования данного программного продукта. Для проведения такой оценки необходимо сопоставить средства, требующиеся для разработки, и эффект, ожидаемый от внедрения соответствующего проекта. В данном случае необходимо оценить экономическую эффективность программного обеспечения (ПО). Критерием экономической эффективности у разработчика выступает чистая прибыль, остающаяся в распоряжении предприятия от реализации программного средства.

Внедрение ИИС оценки кредитоспособности заемщика во многом способствует увеличению прибыли организации за счет сокращения времени принятия решения о выдаче кредита.

В свою очередь, это значительно снижает степень загруженности кредитного инспектора, что приводит к сокращению временных затрат на выполнение работ по каждому клиенту, что позволяет увеличить количество принятых клиентов и количество обработанных заявок в день.

Основной задачей проведения экономического исследования является определение величины экономического эффекта от внедрения ИИС.

Целью проводимых расчетов является определение сроков окупаемости внедряемой системы.

3.3 Расчет экономической эффективности интеллектуальной информационной системы оценки кредитоспособности клиента ОАО БИНБАНК Пермский филиал

Определение экономической эффективности разработки ИИС оценки кредитоспособности клиента включает:

определение количества затраченного времени на проектирование и разработку нейросети;

расчет экономических затрат на разработку нейросети;

определение приблизительной стоимости разработанной нейросети.

3.3.1 Определение объема затраченного времени на разработку нейросети

При реализации нейросети тратится большое количество времени на сбор данных для ее проектирования. Объем затраченного времени для проектирования данной нейросети составил 30 дней по 5 часов в день.

На этапе проектирования и разработки решались следующие задачи:

Сбор данных из кредитных историй клиентов, ранее получивших кредиты или отказ по кредиту за 2009-2012 года.

Подготовка собранных данных в программе Excel (формирование в сводные таблицы, перемешивание данных, выборка для обучения сети, выборка для тестирования сети), для ввода в программу "Нейросимулятор 3".

В целом разработка нейросети заняла 40 рабочих дней по 5 часов в день:

- сбор данных: 20 дней *5ч. = 100 ч.

- разработка: 10 дней *5 ч. = 50 ч.

- обучение: 5 дней *5 ч. = 25 ч.

- тестирование: 5 дней *5ч. = 25 ч.

Итого в сумме объем затраченного времени на разработку нейросети прогнозирования косвенных затрат на предприятии составил 200 часов.

3.3.2. Расчет экономических затрат на разработку нейросети

Затраты на разработку нейросети включают в себя:

затраты на оплату труда;

отчисления на социальное страхование;

затраты на электроэнергию;

иные затраты.

Затраты на оплату труда;

Общая сумма затрат на оплату труда (Зтр) рассчитывается по следующей формуле:

ЧСi - часовая ставка i-го работника (руб./ч.);

Тi - время разработки проекта (ч);

i - категория работника;

n - количество работников, занятых разработкой проекта.

Общее время работы разработчика нейросети Ti определили ранее,

300 часов.

Среднечасовая заработная плата разработчика рассчитывается по формуле:

ЗПi - среднемесячная заработная плата разработчика проекта.

ФРВi - среднемесячный фонд рабочего времени.

Среднемесячная заработная плата начинающего программиста составляет 15 000 рублей.

Среднемесячный фонд рабочего времени берется = 100 часов.

Таким образом, стоимость одного часа работы программиста, равна:

ЧС = 15 000руб./100ч.=150руб.

Затраты на оплату труда каждого работника приведены в таблице 21.

Таблица 13

Затраты на оплату труда

Категория работника	Квалификация работника	Время разработки нейросети (час)	Часовая ставка (руб/ч.)	Сумма (руб.)
Разработчик нейросети	Программист	200	150.0	30 000
Итого	30 000

Таким образом, общая сумма затрат на оплату труда, рассчитанная по формуле, равна: Зтр = 30 000 рублей.

Отчисления на социальное страхование

В статью «Отчисления на социальное страхование» включается общая сумма страховых взносов в ПФР, ФСС, федеральный и территориальные ФОМСы, согласно закону №212-ФЗ (ред. от 28.11.2011г.) Ставка налога рассчитывается исходя из зарплаты сотрудника. Общий размер ставки 34% включает отчисления:

Таблица 14

Ставки взносов на социальное страхование.

Наименование фонда	Ставка взносов в % при общей системе налогообложения
	2009-2010	2011-2012
ПФР	20,0	26,0
ФСС	2,9	2,9
ФФОМС	1,1	2,1
ТФОМС	2,0	3,0
Итого:	26,0	34,0

Таким образом, отчисления на социальные нужды составляют

Зсн = 30 000 *0,34 = 10 200 рубля

Затраты на электроэнергию

Таблица 15

Затраты на электроэнергию.

Наименование оборудования	Паспортная мощность, кВт	Количество, шт	Время работы оборудования на разработку нейросети, ч	Цена электроэнергии, руб./кВт*ч	Сумма, руб.
Компьютер	0,6	1	200	2,45	294
Принтер	0,3	1	1	2,45	0,735
Итого:	294,74

Таблица 16

Итоговая таблица статей затрат.

Статья затрат	Сумма, руб.
затраты на оплату труда	30 000
отчисления на социальное страхование	10 200
затраты на электроэнергию	294,74
Итого:	40 494,74

Затраты на разработку нейросетевой системы составили 40 494,74 рублей.

3.3.3 Определение приблизительной стоимости разработанной нейросети

Себестоимость разработки нейросети составляет 40 494,74 рублей.

Если продать продукт по цене, равной себестоимости, мы не получим прибыли, а это значит, что разработка программы является экономически неэффективной. Следовательно, продавать будем по более высокой цене. Также при определении цены следует учитывать цены подобных программных продуктов, ведь если цена будет слишком велика, его никто не купит. Предположим, средний уровень рентабельности составит 23 % себестоимости. Тогда мы получаем Р (Price):

Р=40 494,74 *23%+40 494,74 =49 808,53 рублей.

Нейросеть разработана с минимально возможными затратами. Любой кредитной организации важно число и сумма выданных кредитов, так как доход кредитной организации зависит от уплаченных процентов. Важно как можно скорее принять решение и предоставить кредит клиенту. Причем важно достаточно точно оценить кредитоспособность клиента, поскольку от точности прогноза зависит доходность банка. Если кредитоспособность будет оценена неправильно, появляется риск банкротства организации.

Принятие решения по одной кредитной заявке длится примерно 2 недели, для сбора полного пакета документов клиенту приходится неоднократно приходить в отделение банка. И после такого огромного количества потраченного времени клиент может получить отрицательное решение. И для увлечения продуктивности работы кредитного инспектора важно как можно раньше определить кредитоспособность клиента.

Таким образом, спроектированная нейросеть даст возможность банку сократить время работы с одним клиентом, за счет чего увеличится число клиентов в день, следовательно, и число решений по кредиту.

Кредитный инспектор принимает документы, проверяет на соответствие критериям банка, что занимает от 3 до 7 дней. После этого дело выносится на комитет, принятие решения которым может продлиться до 5 дней.

Данная программа же может оценить кредитоспособность клиента уже при первом обращении. Таким образом, если уже при первом обращении будет выявлена низкая кредитоспособность клиента, кредитный инспектор сэкономит время на данном клиенте.

При анализе кредитных историй за 2009 - 2012 года, были обнаружены случаи, когда клиенту был одобрен кредит, но в дальнейшем возникли проблемы с данным клиентом. А это стоит банку потери процентов и выданных средств.

Данная ИИС позволяет вовремя определить категорию клиента, что позволит как минимум не понести убытки, увеличить число клиентов за счет сокращения времени работы с неблагонадежными клиентами.

Заключение

Одна из важнейших задач кредитной политики банка - эффективная оценка кредитоспособности заемщика. В настоящее время существуют различные методы оценки кредитоспособности заемщика, которые включают как плюсы, так и недостатки. К таким относятся: эконометрические модели, экспертные модели или рейтинги, нейронные сети, оптимизационные модели и гибридные или комплексные системы. Но в условиях экономического кризиса все они показали свою несостоятельность. В связи с этим возникает необходимость совершенствования методик оценки кредитоспособности и управления рисками, поскольку повышение доходности кредитных операций непосредственно связано с качеством оценки кредитного риска.

В рамках работы были рассмотрены возможности использования нейросетевых технологий в качестве практического инструментария определения кредитоспособности заемщика. В целях совершенствования методик оценки кредитоспособности для снижения кредитных рисков автором работы была сконструирована модель с использованием нейропакета - нейросимулятора NSim3.

В качестве ключевых параметров в модель были включены как количественные, так и качественные переменные, отражающие финансовое состояние заемщика (объем годовой выручки, класс кредитоспособности), параметры кредитной сделки (год выдачи и погашения кредита, срок, сумма кредита, тип обеспечения). Базой данных для конструирования модели служила статистическая выборка заемщиков, кредитовавшихся в ОАО БИНБАНК Пермский филиал за период с 2010 - 2012 гг. Задача построения нейросетевой модели сводилась к необходимости определения кредитоспособности заемщика, т.е. классификации заемщиков (индивидуальных предпринимателей) на «благонадежных» и «неблагонадежных».

В результате, была получена нейронная сеть, которая содержит 8 параметров на входе и 4 нейронов на скрытом слое и 1 нейрон на выходе. При этом персептрон показывал неплохие результаты прогнозирования наступления кредитного риска. Но также и был громоздким, и требовалось подсчитывать большое количество коэффициентов. В связи с этим, была упрощена нейронная сеть, за счет удаления наименее значимых параметров. При этом своих свойств прогнозирования данная модель не потеряла. В итоге была получена нейронная сеть с 7 параметрами на входе, 4 нейронов на скрытом слое, и 1 нейрон на выходе.

Приложение 1

Приложение 2

Приложение 3

Приложение 4

Размещено на www.allbest.ru