ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ О ПРИНЯТИИ БАНКОМ РЕШЕНИЯ О ВЫДАЧЕ ПОТРЕБИТЕЛЬСКОГО КРЕДИТА
А.В. Степанюк, студент Научный руководитель – В.С. Дороганов, старший преподаватель
Кузбасский государственный технический университет имени Т.Ф. Горбачева, г. Кемерово
E-mail: alex-stepanyuk@mail.ru
В последние несколько лет мы наблюдается взрыв интереса к нейронным сетям [1]. Они успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами.
Богатые возможности нейронных сетей заключаются в том, что это исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости (рис. 1). В частности, нейронные сети нелинейны по свой природе. В задачах, где линейная аппроксимация неудовлетворительна (их достаточно много), линейные модели работают плохо.
Рис. 2. Структура нейронной сети
Нейронные сети также просты в использовании, они учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных.
Наверное, в каждой предметной области при ближайшем рассмотрении можно найти постановки нейросетевых задач. Примером может служить предоставление кредита (относится ли данное лицо к группе высокого или низкого кредитного риска). В виду сложности и значительных временных затрат на рассмотрение каждой отдельной заявки на кредит логичным является использование нейронных сетей, что упростит и автоматизирует процесс принятия решений. Предложенное решение применяется к известным задачам о кредитах в Австралии и Германии [2].
Решение о выдаче потребительского кредита принимается на основании данных анкеты, заполненной заемщиком. Анкета имеет набор атрибутов, различных для каждой страны. Атрибуты бывают нескольких видов: категориальные, бинарные и числовые.
Категориальные представляют собой набор различных категорий, например, цель кредитования. Числовые атрибуты соответственно представлены числовым значением (оклад или срок кредита). Бинарные атрибуты представляются двумя вариантами, как, например, пол.
Количества атрибутов для Германии и Австралии соответственно равны четырнадцати и двадцати параметрам. Несколько параметров одинаковы для каждой из задач. Это такие параметры, как пол, возраст, статус места жительства, оклад заемщика, статус и срок занятости, информация о других кредитах. В Германии также учитывается семейное положение, цель кредитования, наличие и количество поручителей и прочие параметры. В Австралии дополнительно принимают во внимание наличие банковского счета и количество средств на нем, а также ежемесячные расходы на жилье.
Так как на вход в нейронную сеть подается значение от 0 до 1, необходимо провести нормализацию входных данных. Для категориальных атрибутов создаются отдельные входы в количестве, равном числу вариантов в каждом отдельном атрибуте. Если выбран какой-либо вариант, на соответствующий ему вход подается сигнал 1, а на остальные – 0. Для числовых атрибутов все намного проще. Значение атрибута делится либо на максимальное значение в выборке, либо на верхнее ограничение диапазона выборки. Бинарные атрибуты просто кодируются значением 0 или 1 и в нормализации не нуждаются. На выход подается также бинарное значение, 0 – если запрос отклонен и 1 – если принят.
Для обучения нейронной сети используются соответствующие наборы значений (для Германии – 1000, для Австралии - 690). Для оценки обучаемости нейронной сети на основе данных наборов значений необходимо использовать прилагаемую матрицу стоимости (Таблица 1). Если заявка отклонена у «хорошего» заемщика, то это соответствует 20% ошибке. Если же одобрен кредит «плохому» заёмщику, то это 100% ошибка.
Таблица 2. Матрица стоимости
Заявка |
Заявка |
Заявка |
Заемщик |
принята |
отклонена |
«хороший» |
0 |
1 |
«плохой» |
5 |
0 |
Ввыборке присутствуют недостающие значения, как категориальные, так и числовые. Доля недостающих значений 5%. Они заменяются модой атрибута (самым часто встречающимся значением), если атрибут категориальный, и средним атрибута, если атрибут числовой.
Витоге после обучения сети мы получим готовый инструмент принятия решений по выдаче потребительского кредита. В целом применение нейронных сетей представляет практический интерес для банков, поскольку улучшение качества классификации заемщиков позволит уменьшить долю неплатежей и, следовательно, увеличить прибыль банка.
Список литературы:
1.StatSoft, Нейронные сети [Электронный ресурс]. – Режим доступа: http://www.statsoft.ru/home/textbook/modules/stneunet.html (дата обращения: 20.09.2015).
2.Machine Learning Repository [Электронный ресурс]. – Режим доступа: https://archive.ics.uci.edu/ml/datasets.html (дата обращения: 20.09.2015).