Нейросетевые технологии в банковской деятельности

Тип работы:
Реферат
Предмет:
Экономические науки


Узнать стоимость

Детальная информация о работе

Выдержка из работы

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В БАНКОВСКОЙ ДЕЯТЕЛЬНОСТИ
© Серебрякова Т. А. *
Дальневосточный институт международных отношений, г. Хабаровск
Искусственные нейронные сети прочно вошли в нашу жизнь и в настоящее время широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными.
Актуальность исследований в этом направлении подтверждается массой различных применений нейросетей. В то время как на западе применение нейронных сетей уже достаточно обширно, в России же еще некоторое время назад найти приличный нейропакет было весьма непросто. Однако к настоящему времени появились обнадеживающие результаты решения различных аналитических задач с элементами нейротехнологий в условиях российской действительности. Сегодня аналитики могут выбрать себе систему построения прогнозов соответственно решаемым задачам.
Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в финансовой области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере финансов. Способность к моделированию нелинейных процессов, работе с зашумлен-ными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса финансовых задач. В последние несколько лет на основе нейронных сетей было разработано много программных систем для применения в таких вопросах, как оценка вероятности банкротства банка, операции на товарном рынке, оценка кредитоспособности, контроль за инвестициями, размещение займов.
* Преподаватель кафедры Экономики, бухгалтерского учета и прикладной информатики, кандидат экономических наук, доцент.
Характерный пример успешного применения нейронных вычислений в банковской сфере — управление кредитными рисками. Нейронные сети применяются в банках для прогнозирования динамики банковских рисков под воздействием различных факторов, определение кредитного рейтинга клиентов.
Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика, чтобы оценить вероятность собственных убытков от несвоевременного возврата финансовых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторов. Банки и крупные финансовые организации, которые уже используют нейронные сети для решения своих задач, понимают, насколько эффективным средством могут быть нейронные сети для задач с хорошей статистической базой, например при наличии достаточно длинных временных рядов, в том числе и многомерных. При этом в качестве потребителя такой информации выступают либо люди, хорошо знающие потенциальные возможности нейронных сетей, либо решающие такие задачи традиционными методами и вынужденные искать другие, более эффективные способы решения задач. Основные задачи, решаемые с помощью нейрокомпьютеров в банковской сфере: оценка кредитоспособности и прогнозирование финансовых временных рядов.
Оценка кредитоспособности. Оценка платежеспособности клиентов, обращавшихся в банк за денежными ссудами, стала одной из первых областей банковской деятельности, в которой применение нейронных сетей дало заметный эффект. Располагая историческими данными обо всех таких клиентах, можно натренировать нейросеть таким образом, что на ее входе будут показатели клиента, а на выходе — прогнозируемая степень его платежеспособности. Данные каждого вновь поступившего клиента обрабатываются с целью сбора информации (всего информация собирается приблизительно по 80 показателям) и подаются на вход без перенастройки нейросети. В каждом банке подобные методики реализуются по-своему.
Как правило, нейросетевые прогнозы сочетаются с экспертными оценками, которые представлены системой требований, предъявляемых банком к своим потенциальным заемщикам. Как известно, до выдачи кредита банки проводят сложные статистические расчеты по финансовой надежности заемщика, чтобы оценить вероятность собственных убытков от несвоевременного возврата финансовых средств. Такие расчеты обычно базируются на оценке кредитной истории, динамике развития компании, стабильности ее основных финансовых показателей и многих других факторов. Один широко известный банк США опробовал метод нейронных вычислений и пришел к выводу, что та же задача по уже проделанным расчетам подобного рода решается быстрее и точнее. Например, в одном из случаев оценки 100 тыс. банковских счетов новая система, построенная на базе нейронных вычислений, определила свыше 90% потенциальных неплательщиков.
Информационно-коммуникационные технологии в управлении предприятием 185
Оценка кредитоспособности заемщика — важный этап, который предопределяет дальнейшую судьбу ссуды, а, следовательно, и прибыль банка в целом. Оценка кредитоспособности заемщика представляет собой процесс отбора и анализа показателей, оказывающих влияние на величину кредитного риска, их анализ и систематизацию в виде присвоения кредитного рейтинга. Очевидно, что при оценке кредитоспособности невозможно обойтись без процесса прогнозирования и классификации. Успешное применение нейронных сетей имеет место как раз в тех областях деятельности, где требуется решение данных задач. С другой стороны, оценка кредитоспособности заемщика — комплексный, сложный процесс, который включает в себя оценку как количественных показателей, которые легко поддаются измерению, так и качественных показателей, которые с большим трудом могут быть измерены. Поэтому для банков так важны такие характеристики нейронных сетей, как возможность нелинейного моделирования и относительная простота реализацию.
Как было отмечено ранее, оценка кредитоспособности базируется на присвоении кредитного рейтинга. Данный процесс заключается в переходе от групп финансовых показателей к рейтингу, который является интегрированным значением. Чаще всего, для такого перехода используется линейное уравнение, но при этом веса показателей, которые используются при рейтинговой оценке, устанавливаются банком самостоятельно. Вследствие субъективности данных весов, результаты анализа сильно искажаются, следовательно, появляется необходимость в поиске более совершенных методов. Одним из таких методов стало использование нейронных сетей.
Использование нейронных сетей как инструмент оценки кредитоспособности заемщиков также не лишен недостатков. Прежде всего, сам процесс решения задач с помощью нейронных сетей, начиная от сбора данных и заканчивая их применением на практике довольно трудоемок. На этом этапе самым сложным считается определение входных параметров для нейросе-тей, прежде всего из-за неопределенности связи прогнозируемого показателя и имеющимися данными. С целью избежать ошибок во взаимосвязях часто количество входных данных избыточно, вследствие чего возникает перегрузка сетей, что усложняет их работу. Одним из решений проблемы является генетический алгоритм отбора входных данных, который схож с естественным отбором в природе. Чем информативнее параметры мы подберем, тем больше возможностей получить надежный результат. Затем происходит изменение определенных показателей и в результате они становятся все более и более информативными. Результатом обучения нейросетей является установка существующей зависимости между переменными. На основании данных зависимостей и строится дальнейшая работа нейронной сети и ее участие в анализе кредитоспособности заемщика.
Тем не менее, положительные свойства нейронных сетей являются для нас определяющими. Использование нейронных сетей облегчает задачу по оценке кредитоспособности благодаря самоорганизации сети и параллель-
ностью обработки информации. Жесткая конкуренция ставит перед современным бизнесом проблемы, которые могут быть эффективно решены современными средствами анализа данных. Технология нейронных сетей позволяет анализировать информацию, прогнозировать развитие и минимизировать риски при принятии решений, что позволяет строить бизнес на строго научной основе достаточно грамотно и эффективно.
Недостатком нейронной сети является ограниченный круг клиентов, которых можно анализировать с ее помощью и высокая стоимость программного решения. Но применение нейронных сетей в российской банковской практике ознаменует переход экономики на инновационные технологии. Еще один несомненный плюс нейронных сетей это в их обучаемости. То есть запоминают данные о клиентах, которые обращались в этот банк. Положительным эффектом является то, что от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики. Таким образом, нейронная сеть может быть рассмотрена как надежный и качественный инструмент оценки кредитоспособности заемщиков и широко применяться в российской банковской системе.
Список литературы:
1. Галушкин А. И. Нейросетевые технологии в России / А. И. Галушкин. -М.: Горячая линия — Телеком, 2012.
2. Матвеев М. Г. Методы и модели искусственного интеллекта. Применение в экономике / М. Г. Матвеев, А. С. Свиридов, Н. А. Алейникова. — М.: ИНФРА-М, 2008.
3. Ясницкий Л. Н. Интеллектуальные информационные технологии и системы / Л. Н. Ясницкий. — Пермь: Пермский ун-т, 2007.
ИНФОРМАЦИОННЫЕ СИСТЕМЫ УПРАВЛЕНИЯ ПРЕДПРИЯТИЕМ: ПОЛОЖИТЕЛЬНЫЕ И ОТРИЦАТЕЛЬНЫЕ СТОРОНЫ ВНЕДРЕНИЯ
© Хмеляк А. С. *
Дальневосточный федеральный университет, г. Владивосток
В настоящей статье приводится анализ и статистика использования современных информационных технологий в Российской Федерации.
* Студент.

ПоказатьСвернуть
Заполнить форму текущей работой