Кредитоспособности заемщика
Изучение опыта мировой практики банковского кредитования показывает, что во многих странах растет ущерб кредитных организаций, который связан с недооценкой правильности определения риска проведения кредитных операций. Вполне очевидно, что данная проблема находится в поле зрения международных банковских организаций.
Поддерживая точку зрения некоторых авторов о том, что построение новых методологических подходов к качественной и количественной оценке рисков кредитования целесообразно проводить в отношении кредитополучателей, как наиболее сложного объекта кредитного риска, следует отметить: качественная оценка состоит из словесного описания уровня риска и базируется на составлении кредитного рейтинга заемщика. Она служит основой для принятия решения о выдаче кредита и перехода к определению количественной оценки уровня риска (то есть определению предела потерь по каждой кредитной операции). При этом если качественная оценка может иметь достаточно широкие границы данного показателя, то количественная – весьма ограничена и определяется путем увеличения уровня кредитного риска на сумму кредита.
Кредитование интегрированных формирований требует дальнейшего совершенствования некоторых традиционных подходов к оценке кредитоспособности заемщиков, и в первую очередь эффективных методик расчета риска при проведении с ними кредитных операций. Для успешного решения данной задачи были проведены исследования по разработке методологического подхода к оценке рисков кредитных операций на основе анализа взаимосвязей между факторами, создающими внешнее воздействие на объект кредитования (потенциальные риски), показателями, отражающими его надежность (реализуемые риски) и комплексом нормативно-правовых, организационных и информационных мероприятий, направленных на минимизацию кредитного риска.
В последние время в финансово-кредитной системе различных стран активно применяется новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Возможность нелинейного моделирования и относительная простота реализации, делают их незаменимыми при решении сложнейших многомерных задач, особенно в инвестиционном проектировании и последующем финансировании и кредитовании инвестиционных проектов.
Искусственные нейронные сети представляют собой мощный метод моделирования, воспроизводящий сложные зависимости.
Длительное время основным методом изучения функциональных зависимостей в большинстве отраслей экономики являлся метод линейного моделирования с разработанным алгоритмом оптимизации. В тех случаях, когда линейная аппроксимация неудовлетворительна и линейные модели работают с высоким риском оценки, основным инструментом прогнозирования становятся нейросетевые методы.
Практический интерес к нейронным сетям (НС) связан с разработкой алгоритмов создания и обучения многослойных нейронных сетей, а также с появлением элементной базы, позволяющей конструировать аппаратные модели таких сетей.
Выделим основные группы задач, решаемых в финансово-кредитной системе с применением нейронных сетей:
• прогнозирование временных рядов (курсов валют, ценных бумаг, стоимости кредитно-депозитных ресурсов и т.д.);
• анализ и обнаружении «дефектов» объекта (обнаружение злоупотреблений в сфере бюджетного финансирования, кредитования, вкладных операций, пластиковых карт и т.д.);
• распознавание и идентификация подписи клиента;
• ранжирование кредитоспособности контрагентов;
• оценка рискованности кредитных вложений;
• определение эффективности инвестиционных проектов.
Как правило, основным показателем кредитоспособности заемщиков является кредитный рейтинг. Процесс присвоения кредитного рейтинга заключается в переходе от группы количественных и качественных показателей, в основном финансовых, к единому интегрированному значению — рейтингу (классу кредитоспособности).
Недостаточные возможности традиционных методов статистики и анализа, а также конкретные положительные результаты, подтвержденные практикой, полученные с применением искусственных нейронных сетей, позволяют сделать вывод об эффективности данного инструмента оценки кредитоспособности и необходимости его повсеместного внедрения.
Искусственные нейронные сети построены из очень большого числа простых элементов, каждый из которых принимает на себя взвешенную сумму входных сигналов. В случае, если суммарный вход превышает определенный уровень, передает сигнал дальше. Нелинейнные функции, используемые нейронными сетями, называются активационными и выглядят онипоразному. Одной из наиболее распространенных, является нелинейная функция с насыщением, называемая логистической или сигмоид.
Задача нейронных сетей заключается в эмпирическом нахождении нелинейной зависимости между исходными разрозненными показателями и конечным результатом, который наиболее точно показал бы взаимосвязь рассматриваемых показателей.
Проблемным является вопрос о том, какие и сколько исходных данных взять в качестве входящих для обучения нейронных сетей, так как при решении реальных задач чаще всего неизвестно, как прогнозируемый показатель взаимосвязан с имеющимися данными. Кроме того, стоит проблема значительного усложнения расчетов за счет незначительного увеличения числа входящих переменных. Данная ситуация получила название «проклятие размерности».
Известен ряд правил, увязывающих число необходимых наблюдений с размерами сети. Простейшее правило гласит, что число наблюдений должно быть
в 10 раз больше числа связей в сети. На самом деле это число зависит также от сложности отображения, которое НС стремится воспроизвести. С ростом количества переменных количество требуемых наблюдений возрастает нелинейно, так что уже при довольно небольшом числе переменных, например 50, может потребоваться огромное число наблюдений. Для большей части реальных задач, как правило, достаточно несколько сотен наблюдений. Если есть меньший набор данных, то полученной информации будет недостаточно для правильного
обучения НС. В любом случае количество наблюдений определяется для каждой нейронной сети индивидуально на основе величины ошибки рассчитанного и заданного выходящего показателя.
Теоретические разработки в области нейронных сетей показали возможность их использования в качестве надежного и действенного инструмента анализа и прогнозирования социально-экономических явлений, в том числе в финансово-кредитной сфере, о чем свидетельствует наличие практического опыта при расчете кредитных рисков по индивидуальным кредитополучателям — физическим лицам при потребительском кредитовании и финансировании недвижимости.
В течение последних лет в банковской практике сложилось устойчивое мнение о наличии линейной зависимости между кредитным рейтингом и показателями, характеризующими деятельность заемщика. Такая ситуация привела к тому, что методики, используемые банками при оценке кредитоспособности заемщиков, субъективны, не отражают достоверно и в полной мере экономическое положение анализируемых объектов, что приводит к наличию в кредитном портфеле проблемных кредитов различных групп риска. Высказывания и мнения о нелинейной зависимости показателей долгое время не могли быть подтверждены практическими данными в связи с отсутствием необходимого инструментария. Появление и широкое использование искусственных нейронных сетей позволяет открыть новые перспективы в этой области.
Для определения кредитного рейтинга организаций с использованием многослойной нейронной сети применяется количественная и качественная информация, характеризующая финансово-хозяйственную деятельность кредитополучателя (инвестора).
Одним из основных критериев успешной работы нейронной системы выступает выбор входящих количественных и качественных показателей, на основании которых происходит обучение «искусственного интеллекта», а затем определение кредитоспособности кредитополучателя с учетом имеющихся рисков и эффективности используемых ресурсов, выбор архитектуры сети. Многослойная нейронная сеть (многослойный персептрон), используется наиболее часто.
Каждый элемент НС строит взвешенную сумму своих входов, затем пропускает эту величину активации через передаточную функцию, и таким образом получается выходное значение этого элемента. Элементы организованы послойно с прямой передачей сигнала. Такую сеть легко интерпретировать как модель «вход- выход», в которой свободными параметрами являются удельные веса и пороговые значения показателей.
Сеть подобной структуры может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. После того как определено число слоев и элементов НС, находятся значения для удельного веса и порогов сети, которые бы минимизировали ошибку прогноза, выдаваемого НС. Для этой цели служат алгоритмы обучения. С помощью собранных данных веса и пороговые значения автоматически корректируются с целью минимизировать ошибку. В упрощенном виде этот процесс представляет собой подгонку модели НС к имеющимся обучающим данным. Ошибка для конкретной конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения реально выдаваемых выходных значений с целевыми. Такие разности суммируются в функцию ошибки, значение которой и есть ошибка сети. Чаще всего для построения функции ошибки все ошибки выходных элементов для всех наблюдений возводятся в квадрат и затем суммируются. Самый известный способ обучения НС — алгоритм обратного распространения.
По завершении процесса обучения сети можно сделать вывод о том, что НС установила существующие зависимости между переменными. Тогда на вход сети подаются данные наблюдения, значимость которого требуется оценить. В задаче классификации НС относит каждое новое наблюдение к одному из нескольких классов.
Высокие результаты работы нейронных сетей (НС) объясняются следующими свойствами нейросети:
• способностью к полной обработке информации. Большая часть известных задач решается при помощи НС. Это достигается за счет ассоциативности сети, способности к классификации, обобщению и абстрагированию;
• самоорганизацией. В процессе работы НС самостоятельно или под воздействием внешней среды обучается решению разнообразных задач. Нейронная сеть сеть самостоятельно формирует алгоритм своей деятельности, уточняя и усложняя его в течение времени;
• обучаемостью. В процессе обучения НС выявляет нелинейные зависимости между переменными, и на основе такого знания строит свой прогноз;
• параллельностью обработки информации. Каждый нейрон формирует свой выход только на основе своих входов и собственного внутреннего состояния под воздействием некоторой функции активации.
Теоретические и практические разработки в области нейронных сетей показали возможность использования НС в качестве надежного и действенного инструмента анализа и прогнозирования социально-экономических явлений, в том числе в банковской сфере, где оценка риска несвоевременного возврата кредитных ресурсов наиболее актуальна, особенно при осуществлении долгосрочного инвестиционного кредитования субъектов хозяйственной деятельности.
В западной практике нейронные системы широко применяются при оценке кредитоспособности физических лиц, в то время как их актуальнее использовать при оценке эффективности пакетов альтернативных инвестиционных проектов, банковских рисков, сбалансированности оттока и притока материальных и денежных средств, прогнозирования качества кредитного портфеля банка, ликвидности кредитно-депозитного портфеля и т.д.
Реализация любого инвестиционного проекта происходит в условиях риска и неопределенности. Использование искусственного интеллекта позволит учесть влияние разнообразных, внешне не взаимосвязанных факторов и проранжировать инвестиционные проекты по экономической, социальной, экологической эффективности и предпринимательскому риску. Полученные данные позволят свести к минимуму банковские и инвестиционные риски, финансовые и материальные потери от реализации не достаточно проработанных проектов и укрепить финансово-кредитную систему страны.
Дата добавления: 2015-10-13; просмотров: 977;