текст(all)

(неверный номер кластера), поэтому имеет смысл увеличить расстояние между двумя кластерами за счѐт использования кодирования выхода по коду Хемминга, который повысит надѐжность классификации.

Другой подход состоит в разбиении задачи с k классами на k*(k-1)/2 подзадач с двумя классами (2 на 2 кодирование) каждая. Под подзадачей в данном случае понимается то, что сеть определяет наличие одной из компонент вектора. То есть исходный вектор разбивается на группы по два компонента в каждой таким образом, чтобы в них вошли все возможные комбинации компонент выходного вектора. Число этих групп можно определить как количество неупорядоченных выборок по два из исходных компонент.

Пример распределения для задачи с четырьмя классами, в которой существует 6 выходов (подзадач) представлен в табл. 1.4.

Таблица 1.4

Пример распределения для задачи с четырьмя классами

Номер подзадачи (выхода)	Компоненты выхода
1	1–2
2	1–3
3	1–4
4	2–3
5	2–4
6	3–4

Единица (1) на выходе говорит о наличии одной из компонент. Тогда мы можем перейти к номеру класса по результату расчѐта сетью следующим образом: определяем, какие комбинации получили единичное (точнее близкое к единице) значение выхода (т.е. какие подзадачи у нас активировались), и считаем, что номер класса будет тот, который вошел в наибольшее количество активированных подзадач (табл. 1.5).

Это кодирование во многих задачах дает лучший результат, чем классический способ кодирования.

51

Таблица 1.5

Определение номера класса для задачи с четырьмя классами

Номер класса	Активизированные выходы
1	1, 2, 3
2	1, 4, 5
3	2, 4, 6
4	3, 5, 6

Правильный выбор объѐма сети имеет большое значение. Построить небольшую и качественную модель часто бывает просто невозможно, а большая модель будет просто запоминать примеры из обучающей выборки и не производить аппроксимацию, что, естественно, приведѐт к некорректной работе классификатора. Существуют два основных подхода к построению сети – конструктивный и деструктивный. При первом из них вначале берѐтся сеть минимального размера, и постепенно увеличивают еѐ до достижения требуемой точности. При этом на каждом шаге еѐ заново обучают.

Также существует так называемый метод каскадной корреляции, при котором после окончания эпохи происходит корректировка архитектуры сети с целью минимизации ошибки. При деструктивном подходе вначале берѐтся сеть завышенного объѐма, и затем из неѐ удаляются узлы и связи, мало влияющие на решение. При этом необходимо применять следующее правило: число примеров в обучающем множестве должно быть больше числа настраиваемых весов. Иначе вместо обобщения сеть просто запомнит данные и утратит способность к классификации – результат будет неопределѐн для примеров, которые не вошли в обучающую выборку.

При выборе архитектуры сети обычно опробуется несколько конфигураций с различным количеством элементов. При этом основным показателем является объѐм обучающего множества и обобщающая способность сети. Обычно используется алгоритм обучения Back Propagation (обратного распространения) с подтверждающим множеством.

Алгоритм построения классификатора на основе нейронных сетей включает в себя:

1. Работа с данными.

1.1. Составить базу данных из примеров, характерных для данной задачи.

52

1.2. Разбить всю совокупность данных на два множества: обучающее и тестовое (возможно разбиение на 3 множества: обучающее, тестовое и подтверждающее).

2. Предварительная обработка.

2.1.Выбрать систему признаков, характерных для данной задачи, и преобразовать данные соответствующим образом для подачи на вход сети (нормировка, стандартизация и т.д.). В результате желательно получить линейно отделяемое пространство множества образцов.

2.2.Выбрать систему кодирования выходных значений (классическое кодирование, 2 на 2 кодирование и т.д.).

3. Конструирование, обучение и оценка качества сети.

3.1.Выбрать топологию сети: количество слоев, число нейронов в слоях и т.д.

3.2.Выбрать функцию активации нейронов (например «сигмоида»).

3.3.Выбрать алгоритм обучения сети.

3.4.Оценить качество работы сети на основе подтверждающего множества или по другому критерию, оптимизировать архитектуру (уменьшение весов, прореживание пространства признаков).

3.5.Остановиться на варианте сети, который обеспечивает наилучшую способность к обобщению и оценить качество работы по тестовому множеству.

4. Использование и диагностика.

4.1.Выяснить степень влияния различных факторов на принимаемое решение (эвристический подход).

4.2.Убедиться, что сеть дает требуемую точность классификации (число неправильно распознанных примеров мало).

4.3.При необходимости вернуться на этап 2, изменив способ представления образцов или изменив базу данных.

4.4.Практически использовать сеть для решения задачи.

Для того чтобы построить качественный классификатор, необходимо иметь качественные данные. Никакой из методов построения классификаторов, основанный на нейронных сетях, или статистический, никогда не даст классификатор нужного качества, если имеющийся набор примеров не будет достаточно полным и представительным для той задачи, с которой придѐтся работать системе.

Поставленная задача оценки кредитоспособности заѐмщика с использованием нейронных сетей зачастую решается с применени-

53

ем многослойного персептрона, состоящего, к примеру, из трѐх слоѐв: входного, скрытого и выходного. На входной слой подаѐтся вектор входных параметров, определяемый через известные банку фи- нансово-экономические характеристики заѐмщика; число нейронов в скрытом слое подбирается разработчиком вначале интуитивно (по крайне мере в два раза больше размера входного вектора); количество нейронов выходного слоя определяется числом классов, на которые требуется разбить совокупность данных.

Для обучения нейронной сети необходимо иметь достаточно высокую выборку примеров кредитной истории, из которой формируются обучающая и тестовая серии. Большей частью таких данных в распоряжении у разработчика нет, поэтому следует воспользоваться методом статистического моделирования для увеличения количества данных. Размерность входного вектора влияет на архитектуру искусственной нейронной сети, усложняя еѐ при увеличении числа компонентов, вследствие чего следует провести предобработку данных с целью снижения составляющих этого вектора. Обученная, например, на два класса, нейронная сеть будет относить нового потенциального клиента банка к разрядам «кредитоспособных» или «некредитоспособных» заѐмщиков. Сотрудникам банка для принятия такого решения нужно на вход сети предъявить вектор исходных данных, характеризующих финансовое состояние клиента. Сеть, ориентируясь на значение выхода и установленный порог принятия решения, отнесѐт нового клиента к одному из классов.

С помощью этой же сети могут быть определены риски «перепутывания» классов, т.е. решена задача риск-менеджмента при предоставлении кредита банком. Для этого необходимо иметь базу данных (реальных или «разыгранных») кредитоспособных и некредитоспособных клиентов. Доля неправильно расклассифицированных клиентов даст количественную оценку риска.

Задача кластеризации объектов возникает при необходимости разделить объекты на ряд групп (кластеров). При этом банковский работник не обладает достаточными сведениями об объектах, чтобы сформировать требуемый выходной вектор. В такой ситуации можно воспользоваться самообучающимися сетями Кохонена. В данном случае нейронная сеть сама, ориентируясь на структуру подаваемых входных векторов, будет относить очередной, предъявляемый на вход объект к определѐнному классу.

54

Разработчик сети в этом случае должен определить число нейронов на входном и выходном слоях (сеть Кохонена состоит только из двух слоев), скорость обучения и критерий остановки. Количество нейронов входного слоя, как и в предыдущих задачах, устанавливается равным размерности вектора признаков объекта. В выходном слое число нейронов определяется количеством классов, на которые предполагается разделить анализируемую совокупность объектов. Скорость обучения обычно выбирается из диапазона 0,5–1, а еѐ уменьшение за время обучения до нуля определяет критерий остановки. Например, при выработанной начальной скорости обучения, равной 0,5, и шаге изменения скорости, составляющем 0,05, потребуется всего 10 эпох для формирования нейрона-победителя в выходном слое.

Победивший среди всех нейронов выходного слоя (тот нейрон, у которого весовой вектор наиболее близок к входному вектору объекта) определяет, в сущности, метку класса, к которому принадлежит предъявленный объект. Затем на вход сети поступает вектор признаков следующего объекта, и сеть определяет его принадлежность: если данный объект имеет аналогичные признаки предыдущего объекта, то сеть относит его к тому же классу; в противном случае – указывает метку другого кластера.

Одним из свойств сети Кохонена является возможность сжатия информации, поскольку в один нейрон-победитель могут входить несколько объектов. Вследствие этого типичной задачей, решаемой с помощью сети Кохонена, является разбиение совокупности предприятий, фирм на ряд классов с целью составления их рейтинга для оценки кредитоспособности коммерческим банком.

Одним из примеров преимущества использования нейронных сетей также является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена. При обучении сети на еѐ вход подаѐтся множество векторов, выражающих количественные характеристики некоторого процесса или объекта и для каждого вектора формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с еѐ точки зрения, на основе неизвестных ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и выход-

55

ных данных может быть различной, причѐм в качестве входных данных могут поступать сразу несколько наборов векторов с различной информацией. Например, если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа.

В качестве указаний учителя следует выбрать две группы фирм, одна из которых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества и обучить сеть давать ответ «банкрот» или «не банкрот». После этого можно оценивать любое предприятие, предъявлять его показатели сети и сеть будет оценивать предприятие как «банкрот» или «небанкрот». Может быть предприятие ещѐ не обанкротилось, но давать кредиты такому предприятию опасно. Вероятность правильного ответа может достигать 80– 97 процентов. Следует подчеркнуть следующую особенность применения нейросетевых экспертных систем. Исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку.

В качестве нового эффективного средства для решения задач оценки кредитоспособности предприятий нейронные сети позволяют решать многие профессиональные проблемы кредитных организаций. Нет необходимости законодательно вынуждать коммерческие банки применять нейронные сети или пытаться доказать их неэффективность путѐм выделения присущих им особенностей и недостатков – применение нейронных сетей является неизбежным следствием развития вычислительной математики, информационных технологий и современной элементной базы.

Таким образом, мы рассмотрели возможность применения нейронных сетей в процессе оценки кредитоспособности предприятий коммерческими банками. Сформулировали авторское определение понятия нейронной сети с точки зрения возможности еѐ применения в кредитных организациях. Также оценили возможность внедрения искусственных нейронных сетей в систему оценки кредитоспособности заѐмщиков кредитными организациями Приморского края.

56

Глава 2. АНАЛИЗ МЕТОДИК ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЁМЩИКОВ И ПУТИ ИХ СОВЕРШЕНСТВОВАНИЯ

2.1. Мировой опыт определения кредитоспособности заѐмщиков и возможности использования его российскими банками

Мировая практика, основанная на многолетнем опыте работы в условиях меняющейся конъюнктуры и конкурентного соперничества кредитных организаций, выработала методики, направленные на проведение взвешенной кредитной политики, применение эффективных систем оценки кредитоспособности заѐмщика и позволяющих в значительной мере минимизировать риск по ссудным операциям.

В настоящее время в мире не существует единой стандартизированной системы оценки кредитоспособности. Банки используют различные системы анализа кредитоспособности заѐмщика. Причинами такого многообразия являются:

а) различная степень доверия к количественным (т.е. поддающимся измерению) и качественным (т.е. поддающимся измерению с большим трудом, с высокой степенью допустимости) способам оценки факторов кредитоспособности;

б) особенности индивидуальной культуры кредитования (кредитной культуры) и исторически сложившейся практики оценки кредитоспособности;

в) использование определѐнного набора инструментов минимизации кредитного риска, сопровождающееся пристальным вниманием к отдельным инструментам;

г) многообразие факторов, оказывающих влияние на уровень кредитоспособности, которое приводит к тому, что банки уделяют им различное внимание при присвоении кредитного рейтинга; д) результат оценки кредитоспособности заѐмщика, принимающий различные формы, – некоторые банки останавливаются на простом расчѐте финансовых коэффициентов, другие – присваивают кредитные рейтинги и рассчитывают уровень кредит-

ного риска.

57

Практика показывает, что любая методика, опирающаяся на расчѐт только количественных показателей, не в состоянии раскрыть механизм поддержания стабильного развития предприятия, основанный на управленческих решениях, на неформальных, внеинституциональных взаимоотношениях. Наряду с количественными показателями необходимо использовать и качественные измерители, что даѐт возможность дать углублѐнное понимание проблемы экономической устойчивости развития предприятия.

В практике зарубежных коммерческих банков применяются различные методы оценки кредитоспособности заѐмщиков. Представим авторскую классификацию методов оценки кредитоспособности заѐмщиков зарубежными банками (рис. 2.1).

Методы оценки кредитоспособности предприятия-заѐмщика

	По виду применяемого
									По способу моделирования
			расчѐтного объекта
									уровня кредитоспособности
				системы
										модели, основанные на
				коэффициентов
										статистических методах
				денежные потоки						оценки
				обобщѐнные методики						модели ограниченной
										экспертной оценки
				модели
										модели непосредственно
				прогнозирования
				банкротства						экспертной оценки

Рис. 2.1. Методы оценки кредитоспособности заѐмщиков зарубежными коммерческими банками

В большинстве случаев методы, обозначенные нами в классификации как «по виду применяемого объекта», используются в совокупности, т.к. применение их по отдельности не даѐт полной картины финансово-хозяйственной деятельности предприятиязаѐмщика и не может с достаточной достоверностью предсказать вероятность его банкротства.

58

Различия методов оценки кредитоспособности предприятийзаѐмщиков по способу моделирования уровня кредитоспособности обусловлены приоритетностью использования количественных (расчѐт финансовых коэффициентов) и качественных (личные мнения банковских специалистов) способов анализа. Данная классификация также является достаточно условной в связи с одновременным применением нескольких методов. Так, зачастую качественные факторы, оцениваемые исходя из личного мнения банковских работников, такие как кредитная история, географическое положение, получали балльную оценку и применялись как количественные характеристики.

Статистические модели оценки кредитоспособности представляют собой процесс присвоения кредитного рейтинга на основе количественного и статистического анализа. Данные модели основаны на расчѐте кредитного рейтинга по определѐнной формуле, включающей как количественные, так и качественные факторы, которые были стандартизированы и приведены к количественному значению. Эти системы оценки применяются в основном для расчѐта кредитоспособности малых и средних предприятий, и лишь небольшое количество зарубежных банков используют только данную систему оценки.

Модели ограниченной экспертной оценки основаны на применении статистических методов с последующей корректировкой на основании неких качественных параметров. Например, балльное значение рейтинга может быть скорректировано на несколько баллов в зависимости от мнения кредитного эксперта. Около 20 процентов банков используют данную модель при анализе крупных предприятий [121. С. 9].

Модели непосредственно экспертной оценки являются более распространенными, их используют около 50% зарубежных банков для оценки кредитоспособности как крупных, так и средних заѐмщиков [там же]. При данном виде оценки определить влияние того или иного фактора на величину кредитного рейтинга практически невозможно. Экономисты рассчитывают финансовые коэффициенты, но значения интерпретируются индивидуально по каждому заѐмщику. Тем не менее, в некоторых случаях на начальном этапе оценки используются статистические модели, которые задают направление и границы дальнейшего анализа.

59

Вернѐмся к рассмотрению способов оценки кредитоспособности заѐмщиков. Использование финансовых коэффициентов с целью качественной оценки состояния компании имеет долгую историю. Однако обобщѐнность коэффициентов ставит их эффективность под сомнение. Многие книги по бухгалтерскому учѐту акцентируют внимание на том факте, что коэффициенты не могут быть сопоставимы для различных отраслей [35; 66; 91]. Финансовые коэффициенты таким образом могут быть оценены лишь в совокупности с дополнительной информацией, касающейся отраслевой принадлежности фирмы и рынка, на котором она работает: различия в производственных циклах и скорости оборота капитала, степени конкуренции, непостоянство доходов и затрат и зависимость бизнеса от бизнес-цикла – важные факторы.

Кроме того, измерение финансовых коэффициентов отличается от рассмотрения реальных характеристик; его следует рассматривать больше как приближѐнные оценки. Как замечено Morris (1989): уникальная экономическая ситуация может складываться во многие вариации коэффициентов, а каждый случай этой вариации описывать множество основополагающих экономических положений (рис. 2.2) [117]. Бизнес-аналитик ставит задачу дать субъективную оценку фирмы и использует набор коэффициентов во взаимодействии. В идеале анализ использует комбинацию внешних ресурсов информации таким образом, что можно дать чѐткую оценку фирмы.

Уникальная	Различные наборы
экономическая	коэффициентов
ситуация
Определѐнный	Экономические
набор	ситуации
коэффициентов
Рис. 2.2. Неопределѐнность системы коэффициентов
	согласно Morris

60