CC BY
122
ШЕЛЕПОВ В.Г.
К.э.н., доцент докторант кафедры «Экономика и финансы» Ростовского государственного университета путей сообщения.
Эл. почта!: vlad 11111 @.таИ. ги
АНАЛИЗ ПРИКЛАДНОГО ФУНКЦИОНАЛА ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКОВ
В статье представлены результаты исследования практической применимости карт Кохонена для детерминации нестандартных событий внешней среды функционирования заемщика в целях локализации неопределенности и изыскания направлений снижения кредитного риска. Новые технологии управления кредитным риском необходимы как для обеспечения развития реального производства в контуре экономического развития, так и для обеспечения допустимого уровня риска по портфелю клиентов для банков. В статье предлагается концептуальная модель позитивного взаимодействия корпоративного сектора, банковских институтов и государства в области институционального моделирования бизнес-среды, поскольку новые интеллектуальные технологии оценки кредитоспособности могут служить источником информации для принятия решений.
Ключевые слова: банки, риски, кредитоспособность, локализация
неопределенности, нестандартное событие, искусственные нейронные сети, карта Кохонена, институциональное моделирование, инновационное развитие.
Стратегия управления кредитными рисками как избранный (целевой) сегмент банковской деятельности предполагает установление целей банка и выбор средств для их достижения в рамках определенного временного периода. Она должна строиться по следующей схеме: выбор
продолжительности временного периода (краткосрочное, среднесрочное и долгосрочное планирование); установление целей управления системой кредитных рисков - конечных (стратегических) и промежуточных (тактических); разработка мероприятий по управлению кредитными рисками, направленных на достижение промежуточных и окончательных целей; создание и/или совершенствование системы мониторинга за ходом выполнения стратегических планов.
Современные системы оценки кредитоспособности заемщика должны учитывать не только текущее состояние компании, но и быть ориентированы на прогнозирование уровня финансовой устойчивости на весь срок кредитования. Новые технологии управления кредитным риском
необходимы как для развития реального производства, так и для обеспечения допустимого уровня риска по портфелю клиентов для банков. В статье предлагается концептуальная модель позитивного взаимодействия корпоративного сектора, банковских институтов и государства в области институционального моделирования бизнес-среды, поскольку новые технологии оценки кредитоспособности клиентов могут служить источником информации для принятия решений.
Результативность банковской деятельности обусловливается степенью оптимизации управления кредитными рисками, так как успешность практически любого решения и в области стратегического, и в области тактического финансового управления предопределяется умением идентифицировать и оценивать риски, проводить кредитный контроллинг поведенческих характеристик открытых рисковых позиций, обеспечивающих достижение целевых функций банка. Современные системы оценки кредитоспособности заемщика должны учитывать не только текущее состояние компании, но и быть ориентированы на прогнозирование уровня финансовой устойчивости на весь срок кредитования, поскольку коррекция ставок по кредиту во время действия договора не допускается согласно законодательству Российской Федерации.
Управление кредитным риском в банке можно определить как организованное воздействие субъекта управления (сотрудники банка, осуществляющие деятельность по кредитованию заемщиков; руководящий персонал) на объект управления (кредитный риск; деятельность сотрудников, задействованных в кредитных операциях) с целью снижения (поддержания на допустимом уровне) показателей кредитного риска банка.
Управление кредитным риском представляет собой организованную определенным образом последовательность действий, разделяемых на следующие этапы: выявление факторов кредитного риска; оценка степени кредитного риска; выбор стратегии (принятие решения о принятии риска,
отказе от выдачи кредита или применении способов снижения риска); выбор способов снижения риска; контроль изменения степени кредитного риска.
С этих позиций для обеспечения финансовой устойчивости банка представляется необходимым использовать не линейное трендирование, а более сложные прогностические системы, проектируемые на базе компиляции данных о внешней среде (функционал искусственных нейронных сетей) и о внутренней среде заемщика (функционал нечеткой логики).
Использование искусственных нейронных сетей позволит выявлять новые события во внешней среде заемщика. В настоящее время искусственные нейронные сети используются для получения вывода об уровне финансовой устойчивости заемщика по результатам анализа данных финансовой отчетности [см. 1, 2, 3]. Однако в настоящем исследовании предлагается использовать искусственные нейронные сети для анализа внешней среды в той ее части, которую не охватывают группы методов анализа внешней среды (рис. 1).
" Страновой риск
Рыночные риски
Поле, не охваченное классическими ч методиками
і: і АН: і: і: і:
Потенциал
риски --И-і-і?—-/ локализации
кредитоспособности неопределенности
Рис. 1. Схема локализации неопределенности внешней среды заемщика Поскольку наибольшее воздействие на жизнеспособность и стратегию
развития финансовых институтов оказывают именно случайные,
непрогнозируемые, нестандартные события, которые лежат в поле А1,
постольку основной задачей совершенствования методик анализа внешней
среды заемщиков должно становитья сокращение и локализация
неопределенности (до А2), это позволит определять вектор финансовой устойчивостью заемщиков, а также детерминировать новые факторы, оказывающие влияние на уровень деловой активности и финансовой их устойчивости.
Основной задачей локализации неопределенности становится определение и кластеризация нестандартных событий, поэтому представляется обоснованным использование функционала искусственных нейронных сетей. Искусственные нейронные сети используются для решения проблем, которые не могут быть четко сформулированы. Искусственная нейронная сеть - это параллельно распределенная структура обработки информации, состоящая из отдельных элементов (нейронов), которые соединены между собой связями.
Искусственные нейронные сети строятся на использовании бинарных элементов \=1,..,п, каждый из которых может принимать выходные значения только щ =0,1. При этом 0 - состояние покоя, 1 - активное состояние. Изменения состояния сети имеют место в дискретные моменты времени 1=0, 1, 2... Новое состояние некоторого нейрона определяется воздействием всех других нейронов на него и выражается линейной комбинацией их выходных значений. То есть в приложении к оценке кредитоспособности появляется возможность учитывать влияние нестандартных событий (прецедентов).
Нейронная сеть позволяет обрабатывать прецеденты обучающей выборки с более сложным (чем прямоугольники) видом сегментов. Г еометрическая форма сегментов будет существенно зависеть от внутренней структуры нейронной сети, которая может быть настроена с учетом характера взаимосвязей между учитываемыми факторами (рис. 2).
------------------------------------------►
0 Положительный прецедент ф Отрицательный прецедент Рис. 2. Сегм тш (прецедентов)
по принципу дерева классификации
Такая сегментация необходима для того, чтобы вовремя распознать изменения в состоянии конкретного заемщика, а также уровень кумуляции нестандартных событий (прецедентов) в данном кластере клиентов (например, в отрасли). Если из количество будет нарастать, значит экспертам банка (аналитикам и риск-менеджерам) следует обратить на это нестандартное событие пристальное внимание: оценить типы рисков, которые могут быть спродуцированы этим нестандартным событием, уровень риска, который может нести это новое нестандартное событие (явление, признак) и отмоделировать его влияние на уровень риска банка при помощи существующих методов.
Нейронные сети подразделяются на сети без обратных связей и сети с обратными связями. Преимуществами искусственных нейронных сетей без обратных связей является простота их реализации и гарантированное получение ответа после прохождения данных по слоям. Недостатком этого вида сетей считается минимизация размеров сети - нейроны многократно участвуют в обработке данных. Меньший объем сети облегчает процесс обучения.
Преимуществом искусственных нейронных сетей с обратными связями является сложность обучения, вызванная большим числом нейронов для алгоритмов одного и того же уровня сложности. Недостатки этого вида сетей
- требуются специальные условия, гарантирующие сходимость вычислений.
Выбор структуры нейронной сети обусловливается спецификой и сложностью решаемой задачи. Для решения некоторых типов задач разработаны оптимальные конфигурации.
В большинстве случаев выбор структуры нейронной сети определяется на основе объединения опыта и интуиции разработчика.
Однако существуют основополагающие принципы, которыми следует руководствоваться при разработке новой конфигурации:
- возможности сети возрастают с увеличением числа ячеек сети, плотности связей между ними и числом выделенных слоев;
- введение обратных связей наряду с увеличением возможностей сети поднимает вопрос о динамической устойчивости сети;
- сложность алгоритмов функционирования сети (в том числе, например, введение нескольких типов синапсов - возбуждающих, тормозящих) также способствует усилению мощи искусственной нейронной сети.
Вопрос о необходимых и достаточных свойствах сети для решения того или иного рода задач представляет собой целое направление нейрокомпьютерной науки. Так как проблема синтеза нейронной сети сильно зависит от решаемой задачи, дать общие подробные рекомендации затруднительно.
Очевидно, что процесс функционирования нейронной сети, то есть сущность действий, которые она способна выполнять, зависит от величин синаптических связей, поэтому, задавшись определенной структурой нейронной сети, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов (некоторые синаптические связи могут быть постоянными).
Сети, называемые картами Кохонена (Self-Organizing Maps, SOM), - это
одна из разновидностей нейронных сетей, однако они принципиально отличаются от рассмотренных выше, поскольку используют неконтролируемое обучение: при таком обучении обучающее множество состоит лишь из значений входных переменных, в процессе обучения нет сравнивания выходов нейронов с эталонными значениями. Можно сказать, что такая сеть учится понимать структуру данных. Эта способность интересна, поскольку задачей совершенствования систем банковского риск-менеджмента ставится именно исследование нестандартных событий.
Идея сети Кохонена принадлежит финскому ученому Тойво Кохонену (1982 г.). Основной принцип работы сетей - введение в правило обучения нейрона информации относительно его расположения.
Самоорганизующиеся карты могут использоваться для решения таких задач, как: моделирование, прогнозирование, поиск закономерностей в больших массивах данных, выявление наборов независимых признаков и сжатие информации. Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, то есть кластеризации. Сеть Кохонена представляет собой два слоя: входной и выходной. Элементы карты располагаются в некотором пространстве, как правило, двухмерном (рис. 3).
Х1 Х2 Х3
Входные нейроны
Рис. 3. Сеть Кохонена Сеть Кохонена обучается методом последовательных приближений. В процессе обучения таких сетей на входы подаются данные, но сеть при этом
Выходные
нейроны
подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Начинается обучение с выбранного случайным образом выходного расположения центров.
В процессе последовательной подачи на вход сети обучающих примеров определяется наиболее схожий нейрон (тот, у которого скалярное произведение весов и поданного на вход вектора минимально). Этот нейрон объявляется победителем и является центром при подстройке весов у соседних нейронов. Такое правило обучения предполагает «соревновательное» обучение с учетом расстояния нейронов от «нейрона-победителя».
Обучение при этом заключается не в минимизации ошибки, а в подстройке весов (внутренних параметров нейронной сети) для наибольшего совпадения с входными данными.
Основной итерационный алгоритм Кохонена последовательно проходит ряд эпох, на каждой из которых обрабатывается один пример из обучающей выборки. Входные сигналы последовательно предъявляются сети, при этом желаемые выходные сигналы не определяются. После предъявления достаточного числа входных векторов синаптические веса сети становятся способны определить кластеры. Веса организуются так, что топологически близкие узлы чувствительны к похожим входным сигналам.
В результате работы алгоритма центр кластера устанавливается в определенной позиции, удовлетворительным образом кластеризующей примеры, для которых данный нейрон является «победителем». В результате обучения сети необходимо определить меру соседства нейронов, то есть окрестность нейрона-победителя.
Окрестность представляет собой несколько нейронов, которые окружают нейрон-победитель. Сначала к окрестности принадлежит большое число нейронов, далее ее размер постепенно уменьшается. Сеть формирует топологическую структуру, в которой похожие примеры образуют группы примеров, близко находящиеся на топологической карте.
Полученную карту можно использовать как средство визуализации при анализе данных. В результате обучения карта Кохонена классифицирует входные примеры на кластеры (группы схожих примеров) и визуально отображает многомерные входные данные на плоскости нейронов. Уникальность метода самоорганизующихся карт состоит в преобразовании п-мерного пространства в двухмерное. Применение двухмерных сеток связано с тем, что существует проблема отображения пространственных структур большей размерности. Благодаря использованию этого метода можно определить, какие нестандартные события имеют наибольшие значения для рассматриваемого показателя.
Трехмерная карта - это карта кластеров, матрица расстояний, матрица плотности попадания и другие карты, которые характеризуют кластеры, полученные в результате обучения сети Кохонена. Важно понимать, что между всеми рассмотренными картами существует взаимосвязь - все они являются разными раскрасками одних и тех же нейронов. Каждый пример из обучающей выборки имеет одно и то же расположение на всех картах.
При использовании описанного алгоритма построения нейронной сети у банка появляется возможность отслеживать изменение в состоянии заемщиков, определять новые факторы и признаки кредитоспособности, а значит, сокращать неопределенность, продуцирующую экспансию риска.
Таким образом, использование нейронной сети Кохонена оправдано для исследования внешней среды заемщиков в целях определения нестандартных явлений, способных оказать воздействие на финансовое состояние компании. Результаты обработки информации должны анализироваться экспертами и аналитиками банка, поскольку определение характера воздействия нестандартных событий, иллюстрируемых нейронами-победителями, на компанию (или несколько компаний) - это задача интеллектуального анализа.
Служба стратегического анализа банка может формировать отчет об уровне комфортности бизнес-среды, поскольку именно банк будет
агрегировать данные как о финансовом состоянии компаний, так и о качестве внешней среды. Интегрируя эти данные, банк может выступать институциональным модератором бизнес-среды, вследствие того что, во-первых, обладает полной информацией о финансовом состоянии компании -заемщика в динамике, во-вторых, анализирует качество внешней среды компании заемщика, в-третьих, характеризует направление и качество влияния новых параметров внешней среды на бизнес и, в-четвертых, может сообщать государственным институтам о проблемах в отрасли для дальнейшего изыскания фискальных и монетарных инструментов поддержки бизнеса (например, инновационного).
Так, инновационные компании на стадии стартапа по уровню финансовой устойчивости не могут претендовать на заемное финансирование в банке. Поэтому развитие инновационных компаний финансируется фондами поддержки, венчурными фондами, а также налоговыми кредитами. Банки начинают интересоваться инновационными компаниями только на стадии зрелости, когда маржа прибыли становится очевидно значительной.
Остается открытым вопрос, какой механизм финансовой поддержки инновационного предпринимательства может быть сочтен оптимальным, поскольку в национальной экономике высок показатель оппортунизма (нарушения условий контракта), в силу которого на отечественном рынке могут возникать квазиинновационные компании, которые будут поглощать эти финансовые ресурсы, однако ни приращения внутреннего продукта, ни расширения налоговой базы не дадут.
С этих позиций представляется целесообразным исследовать природу финансовой устойчивости и кредитоспособности чисто инновационных компаний и сравнить их с инновационно-ориентированными компаниями реального сектора.
Обеспечить градуировку уровня финансовой устойчивости позволяет метод нечеткой логики. Основоположником метода нечеткой логики выступил американский ученый Л.А. Заде, опубликовавший в 1965 г. работу
Fuzzy sets («Нечеткие множества»).[5] Лотфи Заде сформулировал принцип несовместимости, который заключается в утверждении: чем сложнее система, тем меньше возможностей дать точные и в то же время имеющие практическое значение суждения о ее поведении.
Таким образом, для сложных систем точность и практический смысл становятся почти исключающими друг друга характеристиками. Это во многом объясняет необходимость использования экспертных оценок по наиболее существенным вопросам и при анализе сложных событий, поскольку человеческий интеллект представляет собой сложную систему обработки первичной информации, способную дать корректный ответ при недостаточно точной входящей информации, а машинные (компьютерные) интеллектуальные системы требует большой точности входящей информации.
Для формирования адекватного представления об уровне финансовой стабильности абсолютные и относительные показатели следует рассматривать интегративно, поскольку:
- абсолютные показатели формируют представления о масштабе бизнеса, а значит, могут уточнить диапазон изменения нормативных показателей;
- абсолютные показатели позволяют оценить качество изменения финансовых активов и пассивов в динамике, что при соотнесении с результатами анализа относительных показателей, дает представление о типе изменений финансового состояния - экстенсивном или интенсивном;
- относительные показатели позволяют оценивать конкретные параметры и могут с достаточной точностью детерминировать состояние исследуемого объекта;
- относительные показатели могут быть отнормированы для каждой конкретной компании, что позволит оценивать ее финансовую устойчивость исходя из объективных для ее нормативных значений.
Для оценки кредитоспособности компании при помощи относительных финансовых коэффициентов, принято подвергать анализу ее уровень
ликвидности, качество управления активами, управление источниками средств, показатели рентабельности. Полученные значения при этом анализируются методом математической логики по принципу «истина/ложь», то есть каждое полученное значение коэффициента соотносится с установленным нормативом («истиной»), и если значение не соответствует ему, то система выдает ответ «ложь», характеризующий несоответствие уровня показателя заданной норме. Однако редко анализу подвергается отличие (величина отклонения, его характер). То есть при использовании классической математической логики не существует промежуточных значений, но в реальной экономике они существуют.
Если сравнить полученные данные с классическими показателями ликвидности, используемыми для экспресс-характеристики финансового состояния компании, то становится очевидным, что интегрированный уровень финансовой устойчивости значительно отличается от уровня устойчивости, получаемого по каждому показателю в отдельности. Такая методика, основанная на нечеткой логике, позволяет идентифицировать скрытые риски заемщиков, а значит, оценивать реальный уровень их кредитоспособности.
Совмещая значения функции принадлежности, характеризующие уровень финансовой устойчивости с картами нестандартных событий внешней среды Кохонена, банк получает возможность прогнозировать развитие заемщиков и соответственно принимать решение о выдаче кредита на более объективных основаниях.
Кроме того, использование в деятельности банков интеллектуальных компьютерных систем, пусть даже существующих на первых этапах в совмещенной форме (результаты работы искусственной нейронной сети интерпретируются экспертами), может позволить сформировать объективное представление о качестве бизнес-среды. Эти данные могут быть использованы в рамках стратегического партнерства банков и государства при разработке программ институционального моделирования
благоприятной бизнес-среды.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК:
1. Богославский С.Н. Область применения искусственных нейронных сетей и перспективы их развития. - М.: Изд-во МЭИ, 2003.
2. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт, Альпина Паблишер, 2001.
3. Киричевский М.Л. Финансовые риски. - М.: Кнорус, 2012.
4. Мариуца О. В., Колнаузов Е.С., Богданов А. В., Дегтярев А.Б. Информационно-аналитическое обеспечение проектирования систем поддержки принятия решений для финансовых рынков. - С.-П., 2007.
Zadeh L.A. Fuzzy sets. — Information and Control, 1965, vol.8, № 3.
