Разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Применение процедур кластеризации, классификации и формирования оценок рисков.
Краткое сожержание материала:

Размещено на

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Государственное образовательное учреждение высшего профессионального образования

Санкт-Петербургский государственный университет аэрокосмического приборостроения

КАФЕДРА ПРИКЛАДНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ЭКОНОМИКЕ И МЕНЕДЖМЕНТЕ

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

К КУРСОВОМУ ПРОЕКТУ

Оценивание кредитных рисков

по дисциплине: ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

г. Санкт-Петербург

2010

Содержание

• Реферат
• 1 Этап идентификации
• 2 Взаимодействие инженера по знаниям с экспертом
• 3 Формирование многомерной модели данных
• 4 Data Mining
• 5 Формирование базы и системы поддержки знаний
• 6 Математические модели и вычислительные алгоритмы решения задач классификации и кластеризации
• 6.1 Математическая модель и вычислительный алгоритм решения задачи классификации
• 6.2 Математическая модель и вычислительный алгоритм решения задачи кластеризации
• 7 Решение задач и интерпретация результатов
• 7.1 Решение задачи классификации и интерпретация результатов
• 7.2 Решение задачи кластеризации и интерпретация результатов
• 7.3 Формирование оценки риска кредита и интерпретация результатов
• Заключение
• Список используемой литературы

Реферат

В настоящее время кредитование населения и малого бизнеса становится одним из основных направлений активности в банковском секторе. Предоставление кредита является достаточно рискованной операцией, поэтому желание максимально уменьшить связанные с ней риски вполне естественно. Среди многих банковских рисков кредитный риск имеет важнейшее значение. Поэтому повышение доходности банков во многом связано с качеством оценки кредитного риска. В зависимости от классификации заемщика банка по группам риска банк принимает решение, стоит ли выдавать кредит или нет, какой лимит кредитования и проценты следует устанавливать.

Для оценки кредитного риска должен быть произведён корректный анализ кредитоспособности заемщика.

Целью данной курсовой работы является разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Информационная система будет реализована с помощью системы Matlab, по средствам которой будут разработаны 3 основных модуля информационной системы, содержащие процедуру вычислительных алгоритмов обучения с экспертом и самообучения, а так же модуль процедуры формирования оценки кредитного риска.

Данная информационная система может быть рассмотрена как один из подходов к оценке кредитных рисков для работы кредитного специалиста, принимающего решение о выдачи кредита.

1 Этап идентификации

Дадим основные определения из исследуемой предметной области для четкого представления проблемы.

Банковский риск - присущая банковской деятельности вероятность возникновения потерь у кредитной организацией и (или) ухудшения ликвидности вследствие наступления неблагоприятных событий.

Различают следующие виды банковских рисков: кредитный риск, валютный риск, процентный риск, риск несбалансированной ликвидности и риск банковских злоупотреблений. Из всех перечисленных именно кредитный риск имеет важнейшее значение.

Кредитный риск - риск возникновения у кредитной организации убытков вследствие неисполнения, несвоевременного либо неполного исполнения должником финансовых обязательств перед кредитной организацией в соответствии с условиями договора.

Для кредитных организаций необходимо максимально быстро и достоверно распознать правдивость предоставляемой заемщиками информации и оценить кредитоспособность заемщика, чтобы уберечь себя от ущерба.

Сейчас основным инструментом оценки кредитоспособности заемщиков в российских банках остаются скоринговые системы. Но скоринг не только пропускает значительное количество “плохих” кредитов, но может и отвергнуть «хороший», большая ответственность ложится на кредитного специалиста, который вместе с системой должен «распознать» клиента.

К группе высокого риска относятся заемщики, которые:

· в момент обращения за кредитом, знают, что они не намерены выплачивать кредит;

· в момент обращения за кредитом знают, что у них нет возможности выплачивать кредит;

· сознательно лгут при тестировании в отношении своей кредитной истории за последние два года.

Целью разработки данной интеллектуальной информационной системы является создание программного продукта, способного анализировать надежность заемщиков и оценивать кредитные риски для банка, на основе имеющейся информации о выданных кредитах, в помощь кредитному специалисту, принимающему решение, для снижения потерь связанных с выдачей кредитов

При реализации данного программного продукта необходимо решить следующие задачи:

· классификация и кластеризация кредитов на основе знаний эксперта о прошлых кредитах на “хорошие” и “плохие ”, т.е создание эталонных классов;

· распознавания характеристик исследуемого кредита, на основе созданных эталонных классов;

· формирование оценки риска кредитов.

Участниками являются кредитный специалист, принимающий решение и заемщик.

Заемщик заполняет анкету, составленную кредитной организацией, которая представлена рядом вопросов, необходимых для оценки его кредита. Кредитный специалист с помощью разработанной интеллектуальной информационной системы оценивает кредитный риск, связанный с этим заемщиком на основе данных анкеты.

Ресурсами для данной интеллектуальной информационной системы является база данных признаков прошлых выданных кредитов и их оценок и признаков исследуемого кредита.

2 Взаимодействие инженера по знаниям с экспертом

При оценке кредитного риска кредитные аналитики оперируют следующими понятиями: “характеристики” клиентов (в математической терминологии - переменные, факторы) и “признаки” - значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия и т.д.), а признаками - ответы на эти вопросы.

Исходными данными для интеллектуального анализа являются выборка из большого количества имеющейся информации о выданных кредитах (обучающая выборка) клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет.

Таким образом, необходимо решить задачу классификации, где исходя из имеющейся информации, необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».

Собственно методы классификации весьма разнообразны и включают в себя:

* статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая

регрессия);

* различные варианты линейного программирования;

* дерево классификации или рекурсионно-партиционный алгоритм (РПА);

* метод ближайших соседей;

* логико - вероятностные;

* нейронные сети или нейрокомпьютинг;

* генетические и эволюционные алгоритмы.

Традиционные методы (наиболее распространенными из них являются регрессионные методы), как правило, чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

Метод линейного программирования не дает возможности провести абсолютно точную классификацию на плохих и хороших клиентов. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка будет минимальной.

Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп.

Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Но наиболее успешной областью их применения стало выявление мошенничества с кредитными карточками благодаря их способности выявлять нестандартные ситуации. В методах классификации, основанных на нейронных сетях, вводится входной слой узлов, внутренние скрытые слои узлов и выходной узел. Во входном слое число узлов равно числу признаков в объекте. К каждому узлу подходят градации признаков от распознаваемого объекта. При заданной структуре обучение нейронной сети заключается в выборе таких весов ее ребер, чтобы правильно классифицировать как можно больше объектов. Для каждого i-го объекта суммируют веса ребер, входящих в выходной узел, вычисляют вес Ci . В выходном узле используют ступенчатую передаточную функцию с порогом Cad для классификации объектов на хорошие и плохие. На величины Ci, …, N и Cad не накладывают никак...