CC BY
98
УДК 336.774
УПРАВЛ1ННЯ КРЕДИТНИМ РИЗИКОМ БАНКУ З ВИКОРИСТАННЯМ ДЕРЕВ КЛАСИФ1КАЦ1Й ТА НЕЙРОННИХ
МЕРЕЖ
Колодiзeв О. М., к.е.н., доцент (ХНЕУ)
У статтi запропоновано пiдхiд до вдосконалення методики оцiнки кредитоспроможностi позичальниюв-суб 'eктiв господарювання за допомогою дерев класифiкацiй та нейронних мереж, як мають значнi переваги перед коефщентною оцiнкою кредитоспроможностi: вирШуеться проблема ттерпретацИ результатiв аналiзу, методичний iнструментарiй е зручним у використаннi, економiчним, забезпечуе швидку обробку аналiтичноi iнформацii, враховуеться сучасна мiжнародна практика оцтювання, е можливiсть одночасно'1' оцiнки кшьюсних та яюсних показниюв.
Ключовi слова: кредитний ризик, дерево класифжацш, нейронт мереж^ кредитоспроможтсть пози чальника.
Вступ. З метою стимулювання розвитку баншвсько! системи УкраГни та тдвищення ирибутковосл дшльносп вичизняних баншв необхщним е активне використання нових кредитних шструменпв. При цьому важливим моментом е мiнiмiзацiя ризикованосп кредитних операцш, що може бути досягнуто за умов ефективного управлшня кредитним портфелем i яшсно! оцшки кредитоспроможносп
позичальнишв. Достовiрнiсть оцiнки iстотно впливае як на результати конкретних угод, так i на ефектившсть кредитно! дiяльностi банку у цiлому. Точшсть оцiнки важлива i для позичальнишв, адже вiд не! залежить ршення про надання кредиту та про можливий його обсяг.
Бшьшють банков УкраГни здiйснюють оцiнку кредитоспроможносп позичальнишв на основi методики, запропоновано! НБУ, з тими чи шшими вщмшностями. Проте вони не дають об'ективного комплексного уявлення про дшсний фiнансовий стан клiента в силу рiзноспрямованостi деяких показникiв та мають ряд недолшв:
1. Експертнi оцшки носять здебшьшого суб'ективний характер i тому не завжди точнi.
2. Бшьшють експертних оцiнок грунтуеться на дистанцшному аналiзi, тому можливi помилковi спостереження.
3. Ефективнiсть експертизи залежить ввд частоти Г! проведения.
4. Оцшка кредитоспроможиостi мае здебiльшого формальний, епiзодичний характер.
5. Рiшения, що приймаеться, багато в чому залежить ввд експерта банку. Його досввд, знання, iнтуГцiя, емоцiйний стан, особисп пристрастi, принциповiсть впливають на результат.
Також, ^м кiлькiсних показник1в оцшки кредитоспроможносп позичальнишв, банкам необхщно враховувати й суб'ективш фактори, якi ютотно впливають на результати Гх дiяльностi. Такий вплив обумовлений наступними причинами:
- недосконалiсть законодавчо! бази та сучасного оподаткування, що змушуе пвдприемства працювати частково в тiньовiй економщц
- iстотнiй вплив зовнiшнього середовища на дiяльнiсть пiдприемств.
Дослiдженню теоретичних проблем управлiния кредитним портфелем та оцшки ризику неповернення банкiвських позик присвячено багато робiт вiтчизияних авторiв, а саме: Г. I. БереговоГ [3], О. М. Бондаренко [4], В. В. Вилшського [6], С. О. Оншенко [7], Л. О. Примостки [8], О. В. Терещенко [9], Я. Ч. Чайковського [10] та ш.
Постановка завдання. Однак, не дивлячись на значну шльшсть робгг, вiдчуваеться потреба в формуванш аналiтичного iнструментарiю оцiнки кредитних ризишв, якi б враховували специфiку дiяльностi вiтчизияних баншв.
Метою даноГ роботи е адаптащя та удосконалення методик оцшки
кредитоспроможносп потенцшних позичальникiв - юридичних осiб на основi використання дерев класифжацш та нейронних мереж для.
Результати. Для побудови модел1, яка б враховувала яшсш показники дiяльностi пвдприемств, скористаемося методом дерева класифжацш, за допомогою якого можна виявити закономiрностi вiднесения того чи шшого пвдприемства до класу 1 (тдприемств, як1 не матимуть проблем з погашенням позики та вiдсоткiв за нею) або класу 2 (пвдприемств, як можуть мати проблеми з погашенням позики та вiдсоткiв за нею).
Незалежш змiннi можуть приймати два значення. Якщо ознака належить даному пвдприемству, надаеться значення 1, якщо нi - 0.
В якосп незалежних змiнних видiляються:
Х1 - надавався кредит ранiше (1), чи пвдприемство кредитуеться вперше (0);
Х2 - виплата позики та ввдсотшв за нею без затримок (1), або з затримками, чи тдприемство кредитуеться вперше (0);
Х3 - стшка позиц1я на ринку (позичальник займае бшьше 10% ринку, мае постшних ктенпв та постачальник1в (1), або не дуже стшка позиц1я на ринку (тдприемство займае менше 10% ринку).
Х4 - наявшсть л1кв1дно1 застави, якою може виступати нерухоме та рухоме майно, майнов1 права, гаранти та поруки (1), або застава не досить л1кввдна чи взагал1 ввдсутня (0);
Х5 - наявшсть неофщшних гаранпв, тобто кер1внишв банк1вських установ, полггичних д1яч1в, або шших платоспроможних оаб (1), або 1х вщсутшсть (0);
Х6 - добра дшова репутащя кл1ента, яка складаеться з вшгушв про тдприемство ктеттв та постачальнишв, його пращвнишв та шших контрагента (1), або дшова репутащя не досить гарна (0);
Х7 - наявшсть техшко-економ1чного
обгрунтування використання кредитних кошт1в (1), або його вшсутшсть (0);
Х8 - постшне надходження кошт1в на рахунки ктента (1), або надходження носять нерегулярний характер (0);
Х9 - наявшсть ефективного б1знес-плану д1яльност1 тдприемства (1), або його ввдсутшсть (0);
Х10 - р1вень заробггно! плати на пвдприемств1 менеджер1в нижнього ланцюга вище мшмального прожиткового мшмуму (1), або нижче (0).
Для побудови дерева класифжацш позичальнишв скористаемося даними 12 пвдприемств Харкова, 6 з яких не мали проблем з поверненням позики та вшсотшв за нею 1 були ввднесеш до 1 класу, 1 6 тдприемств, яш мали проблеми з платоспроможшстю 1 були вщнесет до 2 класу. Матриця з вихвдними даними наведена у табл. 1.
BuxidHi daHHi для побудови дерева класифкацт
Таблиця 1
Шдприемств о X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 CLASS
А 1 1 0 0 0 1 1 0 1 0 1
Б 1 0 0 1 1 1 0 0 0 1 1
В 0 0 1 1 0 0 0 1 1 0 1
Г 0 0 1 1 0 1 0 0 1 1
Д 0 0 0 1 1 0 0 1 0 0 1
е 1 1 0 1 0 1 0 0 0 1 1
Ж 0 0 0 1 0 0 0 1 1 0 2
З 0 0 0 1 0 1 0 1 1 1 2
i 1 0 1 1 0 0 1 1 0 1 2
К 0 0 0 1 0 1 0 1 1 0 2
Л 1 1 1 1 0 0 0 0 1 0 2
М 1 0 1 1 0 0 1 0 1 1 2
Tree 1 layout for CLASS Num. of non-terminal nodes: 6, Num. of terminal nodes: 7
D=1 1 N=12
ID=2-1-N=3
= Othbr(s)
= 1
D=3-2 N=9
xj
=10
-f-N=2
D=4 2 N=E
= Othbr(s)
D=5 1 N=1
= Othbrfs)
- 2 N=6
D=8 2 N=1
= Othbr(s)
D=9 1 N=1
= 0
D=10 2 N=3
= Othfer(s)
= 0
D=11 2 N=3
____="Othferfs)
-2-FD=13—1 N=1
Рисунок 1 - Дерево класифжацш позичальнишв
Побудоване дерево класифшацш мае наступний вигляд (рис. 1).
За цим деревом запишемо логiчнi правила, за допомогою яких можна оцшювати потенц1йних позичальник1в з метою вщнесення !х до перщо! чи друго! групи.
{(Х5 = 1) Л(Х5 = 0) V (Х4 = 0) Л(Х5 = 0) V (Х4 = 1) V (Х9 = 0) V (Х8 = 0) л (Х5 = 0) V (Х4 = 1) V (Х9 = 1) V (Х3 = 1) V (Х8 = 1) ^ 1 клас
{(Х5 = 0) V (Х4 = 1) V (Х9 = 0) V (Х8 = 1) л (Х5 = 0) V (Х4 = 1) V (Х9 = 1) V (Х3 = 0) л (Х5 = 0) V (Х4 = 1) V (Х9 = 1) V (Х3 = 1) V (Х8 = 0) ^ 2 клас
При написант правила «л» означае зв'язку «або», а «V» - зв'язку <<1». Отримане правило може бути використано в методицi ощнки кредитоспроможностi потенцiйних позичальнишв банюв Укра!ни.
Дерево класифiкацiй можна будувати за допомогою пакету 81аЙ8Йса [5]. Для цього необхщно запустити модуль „Дерева класифшащ!", вибрати змiннi (Х1 - Х10), за якими буде встановлюватися логична закономiрнiсть в даних.
Недолшэм використання методу дерева класифiкацiй е штерпретащя результапв в разi ввднесення позичальника до рiзних класiв за щею методикою та методикою банку, яку вш використовуе для ощнки об'ективних показнишв. Тому постае питання пошуку такого методу, який одночасно дозволив би класифжувати позичальника як за об'ективними, так i за суб'ективними показниками.
Це можливо i за допомогою дерева класифшацш, але дерево виходить дуже велике i не
придатне для прогнозу, тому необхадно його скорочувати. Для цього можна використати як крос-перев1рку, так i встановлення в параметрах мЫмально! кiлькостi об'eктiв одного класу в останшх (термiнальних) вершинах, але при цьому класиф1кац1я не буде чистою, що збiльшуe помилку прогнозу.
Альтернативним методом дереву класифшацш е нейроннi мереж1, як1 можна побудувати також в програм STATISTICA Neural Networks.
Нейроннi мереж1 - клас аналiтичних метод1в, побудованих на принципах навчання ютот, що мислять та функц1онування мозку. Такий шдхвд дозволяе прогнозувати значения деяких змiнних в нових спостереженнях за даними iнших спостережень (для цих же або шших змшних) пiсля проходження етапу так званого навчання на даних, що вже iснують [1]. Нейронт мереж1 взагалi використовуються там, де класичт методи аиалiзу не дають задовшьних результапв. Це основний методолопчний принцип.
Нейроннi мереж1 можуть бути використаиi для класиф1кацй' та для регресшного аиалiзу. В данш робот розглянуто метод застосування нейронних мереж для класифшаци позичальник1в на сумлшних (1 клас) та проблемних (2 клас).
Для побудови це! моделi сформуемо матрицю вихщних даних, в яку за кожним тдприемством будуть входити як кiлькiснi, так i якiснi показники (табл.2, табл. 3).
Структура побудовано! нейронно! мереж1 мае наступний вигляд (рис. 2). Результата побудови нейронно! мереж1 наведено в табл. 4.
Таблиця 2
Показники, що використовуються для побудови нейронно! мережi
Показник Порядок розрахунку
Х1 Коефщент покриття Поточиi активи / Короткостроюж зобов'язання
Х2 Коефщент лшшдносл Л1тдт активи / Поточш зобов'язання
Х3 Коефщент фшансового лшериджу Зобов'язання / Власний капiтал
Х4 Коефщшт фшансово! залежностi Каттал 1 Активи
Х5 Реитабельиiсть активiв Чистий прибуток / Активи
Х6 Реитабельиiсть продажiв Чистий прибуток / Чистий дохвд
Х7 Коефщшт оборотиостi дебггорсько! заборговаиостi Чистий дохщ / Середню дебiторську заборговаиiсть
Х8 Чи надавався кредит рашше
Х9 Своечасна виплата позики та вщсотюв за нею
Х10 Позицiя на ринку
Х11 Наявшсть лшыдно! застави
Х12 Наявиiсть неофщшних гараитiв
Х13 Дiлова репутация тента
Х14 Наявшсть техшко-еконмчного обгрунтування використання кредитних кош™
Х15 Регуляриiсть надходження коштш на рахунки тента
Х16 Наявиiсть ефективного бiзиес-плаиу д1яльносп тдприемства
Х17 Рiвеиь заробгшо! плати на тдприеммш
Х18 Коефщенг платоспроможиостi Високолжыдт активи / Поточиi зобов'язання
Х19 Коефщент маневреноста власних коштш (Власний каттал - Необоротнi активи) / Власний каттал
Х20 Коефщент оборотиостi активiв Чистий дохiд / Середня вартiсть активш
Таким чином, невiрно було визначене пльки схильнють до помилок. В моделi можуть
одне шдприемство - „З". Це може бути пов'язано з траплятися так званi „викиди". Для !х штшзацд
тим, що пiдприeмство мало заборговашсть не доцiльно подiляти пвдприемства за галузями та
тому, що неспроможне розрахуватися з боргами, а сферами дiяльностi, i тiльки шсля цього будувати
з iнших причин. нейронну мережу.
Тобто недолiком ще! методики е також 11
Таблиця 3
А Б В Г Д е Ж З I К Л М
1 2 3 4 5 6 7 9 10 11 12 13
Х1 1,03 1,65 1,09 3,79 6,82 0,91 5,30 0,89 1,66 0,60 2,71 0,34
Х2 0,23 1,52 0,23 0,49 6,69 0,39 1,80 0,19 1,49 0,45 0,95 0,30
Х3 19,01 0,16 8,67 0,30 0,03 1,36 0,13 56,19 0,40 6,37 0,09 3,74
Х4 0,95 0,14 0,90 0,23 0,03 1,36 0,12 0,98 0,28 0,81 0,90 0,79
Х5 0,01 0,01 0,07 0,11 0,09 0,13 0,76 0,00 0,26 0,80 0,01 0,09
Х6 0,01 0,01 0,03 0,06 0,38 0,06 0,16 0,00 0,51 0,51 0,18 0,37
Х7 7,83 5,76 25,68 0,00 5,48 48,71 39,54 90,40 0,00 3,73 0,37 5,60
Х8 1 1 0 0 0 1 0 0 1 0 1 1
Х9 1 0 0 0 0 1 0 0 0 0 1 0
Х10 0 0 1 1 0 0 0 0 1 0 1 1
Х11 0 1 1 0 1 1 1 1 1 1 1 1
Х12 0 1 0 1 1 0 0 0 0 0 0 0
Х13 1 1 0 0 0 1 0 1 0 1 0 0
Х14 1 0 0 1 0 0 0 0 1 0 0 1
Х15 0 0 1 0 1 0 1 1 1 1 0 0
Х16 1 0 1 0 0 0 1 1 0 1 1 1
Х17 0 1 0 1 0 1 0 1 1 0 0 1
Х18 0,01 0,27 0,02 0,06 0,05 0,05 1,27 0,06 0,01 0,03 0,75 0,24
Х19 0,60 0,10 0,79 0,84 0,15 -0,39 0,58 -6,46 0,26 -0,53 0,03 -2,47
Х20 1,61 0,66 2,50 1,79 0,24 2,30 4,64 4,28 0,52 1,49 0,07 0,24
СЬА8 1 1 1 1 1 1 2 2 2 2 2 2
Рисунок 2 - Структура нейронное мереж!
Шсля побудови моделi и необхiдно навчити. Для цього в nporpaMi в меню „Train" обираеться метод навчання „алгоритм зворотного розповсюдження". Пiсля навчання нейронно!
мереж1 треба перев1рити, як вона працюватиме на прогноза Для цього в1зьмемо два тдприемства, одне з яких не мало проблем з погашениям позики („Н"), а шше - мало („П").
Таблиця 4
Похибка визначення класу
Пвдприемство CLASS T. CLASS E. CLASS Error
A 1 1 0 0
Б 1 1 0 0
В 1 1 0 0
Г 1 1 9.77e-10 4.104e-09
Д 1.285714 1 0.2857143 1.2
е 1 1 0 0
Ж 2 2 0 0
З 1.285714 2 -0.7143 3
i 2 2 0 0
К 2 2 -7.14e-08 2.999e-07
Л 2 2 0 0
М 2 2 0 0
Розрахуемо значения коефщенпв для цих шдприемств (табл. 5).
Таблиця 5
_Розрахунок коефщгентгв_
Щдприемство Х1 Х2 Х3 Х4 Х5 Х6 Х7 Х8 Х9 Х10
Н 3,58 2,75 0,39 0,28 0,04 0,006 4,94 1 1 1
П 1,84 0,65 5,27 0,84 0,04 0,14 1,95 0 0 0
Пвдприемство Х11 Х12 Х13 Х14 Х15 Х16 Х17 Х18 Х19 Х20
Н 0 0 1 1 0 1 1 0,59 1 7,65
П 1 1 0 1 1 0 0 0,002 -3,25 0,29
Введемо розраховаш показники у вiкно „Run" та отримаемо наступний результат за шдприемствами „Н" та „П" (рис. 3, рис.4).
Иип Clear
NMP Kl 1x2 1x3 1x4 1x5 IxG X7 1X8 X9 1X10 1X11 1X12 1X13 1X14 X15 X16
Input 3.58 2.75 0.39 0.23 0.04 0.006 < 4.94 1 110 0 110 1 >
Outeuts Shown I Variables
1011% IP cuss
Output 1
Рисунок 3 - Розрахунок класу тдприемства „Н"
Таким чином, за побудованою моделлю з точшстю 100% позичальник1в ввднесено до клас1в, яким вони належать.
Иип С1еа[
NNH X5 X6 1x7 1x8 xs XI0 1x11 1x12 1x13 X14 |X15 X1G K1 VAR18 VAR19 VAR20
Input 0.04 0.14 1.95 0 0 1 1 0 0 1 0 0 0 0.002 -3.25 0.29
< >
[luljuls Shown pables
NNH CLASS
Output 2
Рисунок 4 - Розрахунок класу тдприемства „П"
Висновки. Шдводячи тдсумок, можна сказати, що нейронш мереж1 - рацiональне вирiшення проблеми оптишзацд оцiнки кредитоспроможностi позичальник1в та ттшзаци кредитного ризику банку. В порiвняннi з традицiйними технологiями, нейронш мереж1 мають наступнi переваги:
- ушверсальшсть: нейроннi мереж1 не залежать ввд властивостей вихвдних даних, для них не юнуе вимоги до певного типу розподшення вихiдних даних, або вимоги до лшшносл функци;
- нейроннi мереж1 можуть моделювати залежностi в разi бшьшо! кшькосп змiнних;
- на вiдмiну вщ статистичних дослвджень, не вимагають великого обсягу даних;
- швидка побудова залежносп за рахунок одночасно! обробки даних всiма нейронами;
- нейронш мереж1 мають вбудовану систему, що дозволяе знижувати розмiрнiсть вихвдних даних, тобто немае потреби в кореляцшному аналiзi показникiв;
- немае потреби в розробщ програмного забезпечення.
Подальшi дослвдження в областi застосування нейронних мереж можуть бути пов'язанi з групуванням пiдприемств за галузями i визначенням класу позичальник1в для кожно! з них. Це пов'язано з тим, що кожна галузь мае сво! особливостi господарсько! дiяльностi, що позначаеться i на !х кредитоспроможностi.
СПИСОК Л1ТЕРАТУРИ
1. Анил К. Джейн, Жианчанг Мао, К. М. Моиуддин. Введение в искусственные нейронные
сети // Ввдкрип системи. - К.- 1997. - №4. http://www.osp.ru/os/1997/04/179189/
2. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. — СПб.: БХВ-Петербург, 2004. - 336 с.
3. Берегова Г., Лабецька Л. Методи аналiзу кредитного ризику та побудова моделi оцшки кредитоспроможносп позичальника // Репональна економша. - 2005. - №4. - с.113-122.
4. Бондаренко О. В. Поняття кредитного портфеля комерцшних баншв i критерiï його конкурентоспроможносп // Вiсник НБУ. - 2003. -№3. - С.31.
5. Боровшов В. П. Популярний вступ в програму STATISTICA. - М.: Коп'.ютер-Прес. -
2003. - 547с.
6. Вилшський В. В. Кредитний ризик комерцшного банку. Навчальний посiбник. - К.: КОО Т-ва "Знання", 2000. - 251 с.
7. ОнЫенко С. Банкiвський кредит як об'ект оцiнки економiчноï ефективносп // Вiсник НБУ. -
2004.- №10. - С.30-33.
8. Примостка Л. О. Кредитний ризик банку: проблеми оцшювання та управлшня // Фшанси Украïни. - 2004. - №8. - С. 118-125.
9. Терещенко О. Дискримшантний аналiз в оцшщ ефективностi кредитноï дiяльностi // Вюник НБУ. - 2003. - №6. - С.24.
10. Чайковський Я. Удосконалення методики комплексноï оцшки кредитоспроможносп позичальникiв // Вiсник НБУ. - 2003. - №10. -С.30-34.
Аннотация.. В статье предложен подход к совершенствованию методики оценки кредитоспособности заемщиков-субъектов хозяйствования с помощью деревьев классификаций и нейронних сетей, которые имеют значительные преимущества по-сравнению с коэффициентной оценкой кредитоспособности: решается проблема интерпретации результатов анализа, методический инструментарий удобен в использовании, экономичен, обеспечивает быструю обработку аналитической информации, учитывает современную международную практику оценки, есть возможность одновременной оценки количественных и качественных показателей.
Ключевые слова: кредитный риск, дерево классификаций, нейронные сети, кредитоспособность заемщика.
Summary. In the article offered approach to perfection method of estimation of solvency of management borrowers-subjects by the trees of classifications and нейронних networks which have considerable advantages as compared to the coefficient estimation of solvency: the problem of interpretation of results of analysis decides, a methodical tool is comfortable in the use, economical, provides rapid treatment of analytical information, takes into account modern international practice of estimation, there is possibility of simultaneous estimation of quantitative and high-quality indexes.
Key words: credit risk, classification tree, neuron nets, creditability of the borrower.
Рецензент к.е.н., доцент УкрДАЗТПрохорова В.В.
Експерт редакцшног колегп к.е.н., доцент УкрДАЗТ Якименко Н.В.
