Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей

Актуальность темы

диссертационного исследования. Банковская деятельность по своей сути является чрезвычайно рисковой, но грамотное управление рисками помогает банкам получать прибыль. При этом важно понимать, что рискованность банковского бизнеса является объективным фактором, который не может быть полностью устранён в процессе совершенствования банковских технологий.

Между тем, сегодня по мере усложнения банковских продуктов, использования систем хранения и обработки данных, а также вовлечения российских банков в международную банковскую систему, происходит постоянное увеличение разновидностей рисков. Например, в связи с улучшением характеристик компьютерной техники, появились новые разновидности операционного риска. Следовательно, единственно правильное ргшение для уменьшения уровня банковских рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки рисков.

В своей деятельности банки регулярно выявляют значимые риски и постоянно проводят их оценку. К наиболее значимым рискам относят кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации. Согласно проведённому в конце 2005 года Банком России анкетированию крупнейших банков основное место по уровню значимости среди всех банковских рисков занял кредитный риск или риск неплатежа по ссуде в процессе взаимодействия банка и клиента. Этот факт можно объяснить тем, что кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций. Непогашение кредитов, особенно крупных, может привести банк к банкротству, а иногда, из-за его положения в банковском секторе и к системному кризису банковской системы, с возможными банкротствами, связанными с ним предприятиями, банками и частными лицами. Таким образом, управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка.

Необходимость идентификации и измерения уровня рисков вызвала в последнее время к жизни множество методик анализа, в большинстве своём основанных на составлении кредитного рейтинга, со всеми присущими этому методу достоинствами и недостатками. Помимо указанного метода анализа существует и ряд других методов, способных более качественно измерить уровень кредитного риска. Например, методы нечёткой логики, нейронных сетей, дерева решений и генетические алгоритмы.

Современные экономические условия ставят перед банками новые проблемы. Активно развивающийся рынок потребительского кредитования требует от банка, для поддержания конкурентоспособности своего бизнеса, перехода к быстрому и качественному анализу кредитного риска. Развитие же экономики (в том числе и из-за развития потребительского кредитования) побуждает всё больше предпринимателей брать кредит для развития своего бизнеса, что приводит к увеличению нагрузки на специалистов банка, занимающихся оценкой рисков или увеличению их числа. Применение современных автоматизированных систем может помочь решить банкам многие проблемы. Такая автоматизированная система позволит не только увеличить скорость анализа, а значит, и сократить время на принятие решения по кредиту, но и в определённой степени повысить качество этого решения и немного уменьшить вероятность злоупотребления служебным положением сотрудниками банка. Именно на разработку такой системы и направлено исследование в данной диссертации.

Степень разработанности проблемы. Во времена плановой экономики проблема оценки уровня риска не была столь актуальна для отечественных исследователей. Множество исследований в этом направлении началось лишь с приходом в экономику рыночных отношений. Исследования, посвященные анализу риска в банковской сфере с использованием различных методик, связывают с именами следующих отечественных и зарубежных исследователей: Батраковой Л. Г., Беляева М. К., Белякова А. В., Буздалина А. В., Бухтина М. А., Воробьёва Л. И., Жованикова В. Н., Иванова В. В., Ильясова С. М., Козлова А. А., Косована К. С., Лаврушина О. И., Ли О. В., Масленченкова Ю. С., Недосекина А. О., Потоцкой Е. Г., Строева А. А., Субботина А. В., Супруновича Е. Б., Фаррахова И. Т. и многих др.

Большой вклад в развитие теории нечетких множеств, теорию и практику построения интеллектуальных моделей, а также теорию нечетких нейронных сетей, внесли следующие отечественные и зарубежные ученые: Алтунин А. Е.,.

Андрейчиков А.В., Андрейчикова О. Н., Асаи К., Гольдберг Д., Заде Л., Ковалёв С. М., Коско Б., Кофман А., Круглов В. В., Мамдани Е., Мелихов А. Н., Минаев Ю. Н., Пилиньский М., Рутковский Л., Семухин М. В., Сугэно М., Тэрано Т., Филимонова О. Ю., Холланд Дж., Ягер Р. и многие др.

Вместе с тем, несмотря на большое внимание отечественных и зарубежных ученых к проблеме анализа кредитного риска, работ опирающихся на стык упомянутых областей науки достаточно мало и степень разработанности данной темы остаётся низкой. Применение нечётких нейронных сетей в целях анализа банковских рисков представляет большой интерес вследствие возможности увеличения качества оценок рисков и частичной автоматизации процесса анализа риска.

Цель и задачи исследования

Целью настоящей работы является разработка и исследование методик, а также основанных на них инструментальных средств анализа кредитного риска коммерческого банка на рынках потребительского и межбанковского кредитования, кредитования организаций и предприятий.

Исходя из цели, были поставлены следующие задачи, определившие логику диссертационного исследования и его структуру:

— показать важность качественной оценки кредитного риска;

— определить факторы, оказывающие воздействие на уровень кредитного риска;

— провести анализ действующей практики выявления и оценки кредитного риска;

— разработать методику автоматизации кредитного процесса;

— разработать модель кредитного риска на основе технологии нечётких нейронных сетей;

— исследовать возможность улучшения стандартного алгоритма для нечётких нейронных сетей;

— решить прикладные задачи оценки кредитного риска банка на рынках потребительского и межбанковского кредитования, а также кредитования предприятий и организаций.

Объектом исследования выступают коммерческие банки, обеспечивающие процесс кредитования юридических и физических лиц.

Предметом исследования является процесс анализа банковского кредитного риска с применением метода нечётких нейронных сетей.

Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки банковских рисков, а также методические и аналитические материалы Центрального банка РФ, коммерческих банков, международных финансово-кредитных институтов и рейтинговых агентств. В основу диссертационной работы положены основные научные положения и математический аппарат теории нечётких нейронных сетей, генетических алгоритмов, экономического анализа и риск-менеджмента.

Информационной базой исследования явились законодательные и нормативные акты Российской Федерации, положения и инструкции банков, бухгалтерские формы отчетности банков и промышленных предприятий, материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов.

На защиту выносятся:

— модель автоматизированного кредитного процесса, позволяющая повысить конкурентоспособность банка за счёт более качественного и быстрого анализа кредитных заявокструктура программного обеспечения, используемого для автоматизации процесса анализа кредитного риска, позволяющая сократить нагрузку на специалистов банка;

— модель кредитного риска на основе модифицированной нечёткой нейронной сети, обучающейся также модифицированным генетическим алгоритмом, способствующая повышению качества оценок риска.

Научная новизна результатов, полученных в диссертации, заключается в следующем: разработана методика автоматизации кредитного процесса коммерческого банка с применением байесовского и метода нечетких нейронных сетей, позволяющая улучшить его качество и сократить время на принятие решения по кредитной заявке;

— предложена многофакторная модель кредитного риска коммерческого банка на основе нечёткой нейронной сети с генетическим алгоритмом обучения, позволяющая увеличить качество принимаемых решений сотрудниками кредитного отдела коммерческого банка;

— предложен метод оптимизации структуры нейронной сети на основе применения различных мер сходства и модифицированный метод её обучения на основе генетического алгоритма, позволяющие увеличить точность вывода сети;

— предложено инструментальное средство с нечёткой нейронной сетью в своей основе (как с обычной, так и модифицированной структурой), позволяющее решать задачу определения уровня кредитного риска, делать промежуточные и заключительные выводы, выделять сильные и слабые стороны клиента, а также выдвигать предложения (с подсчетом уровня необходимых резервов) о целесообразности выдачи кредита.

Теоретическая и практическая значимость работы состоит в возможности использования предложенных моделей, методик и инструментальных средств для оптимизации процесса анализа кредитного риска путём частичной его автоматизации (в условиях высокой степени уверенности в решении, вмешательство специалиста ограничивается проверкой исходных данных на достоверность). Представленная модель анализа кредитного риска позволяет эффективно оценивать уровень кредитного риска, а возможность создания собственной модели оценки на базе разработанной автоматизированной системы оценки предоставляет банкам возможность повысить качество выдаваемых заключений о надёжности клиента, а значит, и снизить уровень кредитного риска для банка.

Научная апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на научных конференциях, проводимых в ВГСХА и ВолгГТУ. По теме диссертационных исследований опубликовано шесть научных работ общим объёмом в 3,8 печатных листа.

Предложенное автором инструментальное средство прошло успешную апробацию в одном из банков города Волгограда.

Структура и объём диссертации. Работа состоит из введения, трёх глав, заключения, библиографического списка литературы и приложений.

Выводы к главе 3:

1. Описана автоматизированная система оценки кредитного риска на базе нечёткой нейронной сети с генетическим алгоритмом обучения, позволяющая проводить анализ кредитного риска практически без участия специалиста банка (необходим только оператор). Участие специалиста требуется только в случае отсутствия достаточной уверенности системы в правильности решения или при необходимости пересмотра размера обеспечения.

2. Разработанное автором инструментальное средство имеет два уровня управления (уровень эксперта и уровень пользователя) с различными правами доступа к функциям системы.

3. Уровень пользователя позволяет получить доступ к следующим возможностям системы: ввод данных для анализа, загрузка данных для анализа из файла, осуществление расчётов, вывод (графический и числовой) и заключение системы, а также загрузка одного из вариантов структуры нейронной сети.

4. Уровень эксперта помимо возможностей пользователя позволяет создавать и настраивать структуру нечёткой нейронной сети (создание лингвистических переменных, задание правил и обучение сети), а также определять параметры отчётов, выдаваемых системой.

5.Апробация разработанной системы показала гибкость её структуры (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания, легкость интерпретирования результатов, а также состоятельность при решении практических задач анализа риска. Данная автоматизированная система может быть успешно использована многими коммерческими банками.

ЗАКЛЮЧЕНИЕ

.

В диссертации приводится анализ применяющихся на практике методик оценки кредитного риска (который играет одну из первостепенных ролей среди множества банковских рисков) и делается вывод, что основное место, как в зарубежной, так и в отечественной практике, занимают специальные методики кредитного рейтинга. В большинстве своём эти методики представляют собой совокупность оценочных параметров кредитоспособности (факторов риска), сведённых воедино в кредитном рейтинге.

В последнее время среди российских банков, вслед за западными, получили распространение методы оценки потенциальных заёмщиков на основе различного рода статистических и математических моделей. Речь, прежде всего, идёт о моделях кредитного скоринга и VaR методике.

Скоринговая модель ставит целью оценить размер кредитных рисков (или вероятность непогашения кредита в срок) в зависимости от набора определенных признаков, присущих заемщику или конкретной сделке.

Установлено, что скоринг может осуществляться целым рядом методов, которые обладают различными свойствами. Наиболее популярными сегодня являются четыре основных метода построения скоринговых алгоритмов: построения рейтинговых оценокна основе линейной и логистической регрессиина основе дерева классификациина основе нейронной сети.

Наибольший интерес, среди методов построения скоринговых алгоритмов, представляет метод анализа риска на основе нейронных сетей. Основное достоинство этого метода заключается в способности алгоритма подстраивать структуру сети под новые наблюдения и объяснять довольно сложные связи между значениями факторов риска и его уровнем.

Изучение традиционного кредитного процесса позволило автору предложить методику его автоматизации. Разработанная на основе метода нечётких нейронных сетей и байесовского метода модель автоматизированного кредитного процесса позволяет улучшить его качество и сократить время на принятие решения по кредитной заявке.

Основными этапами предложенного алгоритма кредитного процесса являются:

1) Подготовительный этап, служащий для подготовки исходных данных для расчётов.

2) Проверка первичных стоп-показателей. Главная задача этого этапа состоит в выявлении проблемных клиентов.

3) Проверка предоставляемых данных на неточности. Незначительные несоответствия должны быть в кратчайший срок объяснены клиентом. Наличие значительных несоответствий вынуждает банк отказаться от сотрудничества.

4) Выявление фальсификации отчётности. Анализ отчётности на предмет возможной фальсификации может быть реализован посредством диагностической системы байесовского типа.

5) Проверка платёжеспособности клиента.

6) Построение скоринговой модели надёжности клиента на основе нечёткой нейронной сети. Участие специалиста на этом этапе становится необходимым только в случае низкой уверенности в решении автоматизированной системы оценки риска (а это предоставляемая системой информация) или её отрицательного ответа (для пересмотра размера обеспечения).

7) Проверка благонадёжности клиента и достоверности предоставленных данных.

8) Рассмотрение заявки кредитным комитетом. В случае положительного заключения кредитного комитета клиенту в установленном порядке выдаётся ссуда. В противном же случае клиенту даётся мотивированный отказ.

Разработанная модель кредитного процесса позволяет эффективно использовать человеческий ресурс банка, поскольку такая автоматизация процесса анализа риска (с первого по шестой этапы) позволяет специалистам банка сосредоточить внимание на нестандартных (необычных) клиентах.

Предлагаемая автором методика анализа кредитного риска, базируется на методе нечёткой нейронной сети с генетическим алгоритмом обучения. Использование нечётких нейронных сетей в качестве метода анализа риска даёт следующие преимущества перед другими методами:

— высокая точность расчётов;

— возможность построения непараметрических моделей (позволяют использовать переменные разного типа: непрерывные, качественные, упорядоченные и т. д.);

— возможность обрабатывать прецеденты обучающей выборки со сложным видом сегментов (не прямоугольной формы);

— способность системы к адаптивному обучению (т.е. система может приобретать новые знания) путём реакции на положительные и отрицательные воздействия;

— возможность извлечения правил, на основе которых было сделано то или иное заключение, на естественном языке;

— оперирование системы с нечёткими правилами (что ближе к человеческому мышлению и естественным языкам).

Предложенная для оценки кредитного риска нечёткая нейронная сеть обладает модульной структурой, что позволяет гибко регулировать структуру каждого из модулей (в зависимости от структуры исходных данных или заданных правил) нейронной сети в целях повышения качества вывода сети. Использованный для обучения нейронной сети генетический алгоритм обладает прекрасной способностью к распараллеливанию вычислений. Применение параллелизма позволяет ускорить процесс обучения или значительно увеличить размерность задачи (за счёт использования в нескольких параллельных потоках различных параметров обучения) при тех же затратах времени.

Использование модифицированной структуры нейронной сети и оптимизированного генетического алгоритма позволяет ускорить процесс обучения и улучшить точность получаемых решений, что в конечном итоге приводит к улучшению качества оценок автоматизированной системы.

Рассмотренный в работе пример апробации разработанной автоматизированной системы показал состоятельность модели кредитного риска при решении практических задач, гибкость структуры нейронной сети (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания и легкость интерпретирования результатов. Подсистема объяснения заключения данной автоматизированной системы позволяет получать результаты расчётов на естественном языке, что повышает степень доверия к выданному машиной заключению. Данная автоматизированная система может быть успешно использована многими коммерческими банками.