Нейронная сеть, как инструмент оценки кредитоспособности заемщика

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (ИС). Растущий интерес к НС объясняется их успешным применением в различных областях деятельности при решении задач классификации и прогнозирования. Такие характеристики НС, как возможность нелинейного моделирования и относительная простота реализации, делают их незаменимыми при решении сложнейших многомерных задач.

НС нелинейны по своей природе и представляют собой мощный метод моделирования, воспроизводящий сложные зависимости. На протяжении многих лет основным методом изучения функциональных зависимостей в большинстве областей являлся метод линейного моделирования с разработанным алгоритмом оптимизации. Однако там, где линейная аппроксимация неудовлетворительна и линейные модели работают плохо, основным инструментом становятся нейросетевые методы.

Довольно длительное время основной областью приложений НС был военно-промышленный комплекс. Однако широкие возможности решения банковских и финансовых задач привели к тому, что ряд крупных разработчиков НС занялся созданием систем, нацеленных на решение исключительно банковских проблем. Применительно к банковской сфере можно выделить следующие основные группы задач, решаемых посредством НС:

• прогнозирование временных рядов (курсов акций, валютных курсов ит.д.);

анализ и выявление аномалий в поведении объекта (обнаружение злоупотреблений в сфере пластиковых карт);

• распознавание подписи клиента;

• классификация заемщиков в зависимости от значения кредит- ного риска.

Основным показателем кредитоспособности заемщика является его кредитный рейтинг. Процесс присвоения кредитного рейтинга заключается в переходе от группы показателей, в основном финансовых, к единственному интегрированному значению - рейтингу. Инструментом такого перехода в большинстве случаев служит уравнение линейной зависимости. При этом веса показателей, участвующих в расчете рейтинга, устанавливаются банками на субъективной основе. Такая практика, как уже отмечалось, искажает результаты анализа и чрезвычайно рискованна. Именно неудовлетворенность возможностями традиционных методов статистики и неплохие результаты, полученные в данной области с помощью ПС, позволяют сделать вывод о появлении нового инструмента оценки кредитоспособности заемщика. Некоторые считают, что мы переживаем период перехода от сравнительно слабого использования научных методов в банковской сфере к такому положению дел, когда научные методы будут определять сам характер банковского дела. При этом ключевая роль отводится использованию ПС.

В 1993 г. в Европе для изучения возможностей применения ПС при оценке кредитного риска была создана организация «Equifax Europe New Technology Club». Анализ существующих программных продуктов по ПС показал, что некоторые из них позволяют добиться гораздо более высоких результатов, чем в случае применения традиционных методов анализа.

В российской банковской практике НС почти не используются, а мировой опыт сосредоточен в области оценки кредитного риска по заемщикам - физическим лицам.

Применительно к анализу кредитоспособности заемщика обучение НС происходит следующим образом: имеется совокупность предприятий с уже присвоенными кредитными рейтингами. Этим рейтингам соответствуют значения количественных и качественных показателей, содержащиеся в кредитном досье. В процессе наблюдений НС вычисляет вес каждого показателя, учитывающегося при расчете кредитного рейтинга. Полученные значения весов корректируются до тех пор, пока рассчитываемые с помощью этих весов кредитные рейтинги всей исходной совокупности заемщиков не совпадут с заданными значениями. В этом случае ошибка обучения будет сведена к нулю, а НС воспроизведет точный тип связи между показателями деятельности заемщика и его кредитным рейтингом.

Процесс решения задачи с помощью НС начинается со сбора данных для обучения. Обучающий набор данных представляет собой уже известную информацию, для которой указаны значения входящих и выходящих переменных. Выбор переменных, по крайней мере первоначальный, может осуществляться интуитивно. На первом этапе рассматривается вся совокупность переменных, которые способны оказывать влияние на результат. Затем это множество сокращается.

Ранее мы показали, что оценка кредитоспособности проводится на основе всестороннего анализа деятельности заемщика. Это, например, и расчет финансовых коэффициентов, и определение величины денежного потока, и учет отраслевых особенностей деятельности, макроэкономического положения в стране. Совокупность такой информации о деятельности заемщика и представляет собой набор входящих переменных. Такому набору данных соответствуют уже рассчитанные значения кредитных. рейтингов, т.е. выходящие переменные.

Вопрос о том, какие данные взять в качестве входных для НС,- один из самых сложных. Это объясняется несколькими причинами. Во-первых, при решении реальных задач часто неизвестно, как прогнозируемый показатель связан с имеющимися данными. Поэтому собираются разнообразные данные в больших объемах; среди этих данных предположительно есть и важные, и такие, ценность которых не известна и сомнительна. Во-вторых, в задачах нелинейной природы среди параметров могут быть взаимозависимые и избыточные. Например, каждый из двух параметров может сам по себе ничего не значить, но вместе они несут чрезвычайно важную информацию. Поэтому попытки ранжировать параметры по степени значимости могут оказаться неправильными. И наконец, иногда лучше просто убрать некоторые переменные, в том числе несущие значимую информацию, чтобы уменьшить число входных переменных, а значит, и сложность задачи, и размеры сети. Проблема значительного усложнения расчетов за счет незначительного увеличения числа входящих переменных получила название «проклятие размерности».

Единственный способ получить гарантию того, что входящие данные выбраны наилучшим образом,- перепробовать все возможные варианты входных наборов и выбрать наилучший. На практике сделать это невозможно из-за огромного количества вариантов. Одно из действенных средств решения вопроса генетический алгоритм отбора входных данных.

Теоретические 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 сфере расчета кредитных рисков индивидуальных заемщиков - физических лиц.

Как уже было показано, процесс анализа кредитоспособности заемщика, другими словами, присвоение кредитного рейтинга, заключается в переходе от нескольких показателей к интегрированному значению - кредитному рейтингу. В течение последних 50 лет в литературе по данной тематике, а также в банковской практике сложилось устойчивое представление о существовании линейной зависимости между кредитным рейтингом и показателями, характеризующими деятельность заемщика. Такое положение приводит к тому, что методики, используемые коммерческими банками при оценке кредитоспособности заемщика, субъективны, не отражают достоверно и в полной мере экономическое положение анализируемого предприятия. Гипотезы о нелинейной зависимости показателей долгое время не могли быть рассмотрены на практике в связи с отсутствием необходимого инструментария. Появление нейронных сетей позволяет открыть новые перспективы в этой области. В данном параграфе речь идет о возможности использования механизма НС для эффективной оценки кредитоспособности заемщика.

При определении кредитного рейтинга предприятия воспользуемся многослойной нейронной сетью. На этапе обучения на вход ПС будем подавать информацию, характеризующую экономическую деятельность заемщика. Такая информация может быть основана на уже существующих кредитных досье коммерческого банка. В качестве выходящей информации, необходимой для обучения ПС, используются уже рассчитанные на основании входящих показателей кредитные рейтинги. В процессе обучения НС выявляет нелинейные зависимости между показателями и рейтингом. Обучение ПС происходит по методу обратного распространения ошибки. Цель обучения состоит в минимизации ошибок при присвоении кредитных рейтингов заданной совокупности предприятий. Обучение идет до тех пор, пока веса показателей, а следовательно, и функция связи показатели - рейтинг не <научится правильно> классифицировать предприятия, т.е. пока рассчитанные ПС рейтинги не будут совпадать с заданными. После завершения обучения на вход НС будем подавать информацию аналогичного формата, по которой необходимо определить значение кредитного рейтинга.

Алгоритм работы НС, как уже отмечалось, состоит из двух этапов:

) обучение НС на основании уже имеющейся совокупности показателей и присвоенных кредитных рейтингов;

) использование обученной НС с найденной функцией зависимости «показатели кредитный рейтинг» для рейтинговой оценки будущих заемщиков.

Итак, можно сделать выводы:

. Нейронные сети представляют собой инструмент моделирования, способный воспроизводить сложные нелинейные зависимости. Одно из главных приложений НС в банковской сфере - оценка кредитоспособности заемщика.

. Изучение нелинейных связей происходит во время так называемого обучения сети, когда значения входящих переменных сопоставляются с выходным результатом. Наиболее распространенным алгоритмом обучения является метод обратного распространения. В том случае, если существует большой набор входящих переменных и невозможно определить степень влияния переменной на результат, используют генетический алгоритм, позволяющий воспроизводить биологические процессы.

З. Если на этапе обучения сети сопоставить финансовые показатели заемщика и значение его кредитного рейтинга, то полученные зависимости можно использовать в дальнейшем при анализе новых заемщиков.

. В процессе обучения можно опираться не только на количественные, но и на качественные показатели, например, фазу экономического цикла и качество менеджмента. Это позволяет практически исключить возникновение субъективных ошибок.

. Нейронные сети представляют собой качественно новый, надежный инструментарий работы по оценке кредитоспособности заемщика.