CC BY
55Интеллектуальные методы обработки данных при прогнозировании оборота наличных денежных средств в банкоматах коммерческих банков
Artificial intelligence methods in commercial banks atm cash turnover
АСТРАХАНЦЕВА Ирина Александровна
Доктор экономических наук, заведующая кафедрой
Информационных технологий и цифровой экономики ФГБОУ
ВО «Ивановский государственный химико-технологический
университет»
Irina А. ASTRAKHANTSEVA
Doctor of economic Sciences, Head of Information technologies and digital economy department of Ivanovo state University of chemistry and technology,
КУТУЗОВА Анна Сергеевна
Кандидат экономических наук, доцент кафедры Информационных технологий и цифровой экономики ФГБОУ ВО «Ивановский государственный химико-технологический университет» Anna S. KUTUZOVA
Candidate of economic Sciences, associate Professor, Department of Information technologies and digital economy, Ivanovo state University of chemistry and technology
АСТРАХАНЦЕВ Роман Геннадьевич
Студент 2-го курса по направлению «Компьютерная безопасность», Национальный исследовательский университет «Высшая школа экономики»
Roman G. ASTRAKHANTSEV
2nd year student of «Computer security», National Research University «Higher School of Economics»
forecast
11, с, / Â
Аннотация: Статья посвящена вопросам прогнозирования спроса на наличные
деньги в банкоматах коммерческого банка. Решение задачи прогнозирования позволяет оптимизировать процессы управления ликвидностью, организации кассовой работы и обслуживания банкоматов службой инкассации. Для получения прогноза оборота наличных денежных средств использован метод машинного обучения - нейронная сеть. Авторами была построена и обучена модель многослойного перцептрона с одним скрытым слоем на языке программирования Python 3 с использованием библиотеки Keras, а также модель рекуррентной нейронной сети. В результате был получен прогноз пиков и спадов спроса на наличные деньги в банкоматах банка. Основанное на прогнозе управление загрузкой банкоматов обеспечивает минимальную стоимость обслуживания и хранения денег в банкомате. Алгоритм может быть тиражирован на всю сеть банкоматов, а также применен для других коммерческих банков.
Abstract: The Article is focused on a problem of forecasting demand for cash
money in ATMs of a commercial Bank. The solution of the forecasting problem let us optimize the processes of liquidity management, cash management and ATM service by the collection service. The method of machine learning - neural network-is used to obtain the forecast of cash turnover. The authors made and trained a model of a multilayer perceptron with one hidden layer in the Python 3 programming language using the Keras library, as well as a model of a recurrent neural network. As a result, the forecast of peaks and declines in demand for cash at the Bank's ATMs was obtained. Based on the forecast load management of ATMs ensures minimal maintenance costs and keep money in the ATM. The algorithm can be replicated to the entire ATM network, as well as applied to another commercial banks.
Ключевые слова: Банк, банкоматы, ликвидность, инкассация, спрос на наличность, прогнозирование, машинное обучение, нейросеть, перцептрон, рекуррентная нейронная сеть.
Keywords: Bank, ATMs, Liquidity, collection, demand for cash, forecasting, machine
Learning, neural networks, perceptron, recurrent neural network.
Управление ликвидностью коммерческого банка - один из важнейших процессов банковского менеджмента. Риск ликвидности представлен двумя своими разновидностями — риском недостатка ликвидности — ситуацией, при которой у организации в определенный момент времени не будет достаточного количества ликвидных
активов, чтобы покрыть обязательства с наступившим сроком исполнения, и риском избытка ликвидности, выражающимся в избытке высоколиквидных активов и потере потенциальных доходов.
Абсолютно ликвидный актив, наличные денежные средства, является предметом планирования. Одним из важнейших для операционной деятельности коммерческого банка плановых показателей является объем загрузки банкоматов, который, в свою очередь, зависит от оптимального остатка денежных средств в устройствах самообслуживания. Последний же определяется спросом на наличные деньги.
Несмотря на активную работу регулятора по сокращению наличного денежного оборота и популяризации безналичных платежей, тем не менее определенный сегмент населения демонстрирует устойчивый спрос на услугу по снятию наличности в банкоматах коммерческих банков. Недостаточный объем загрузки банкоматов наличными деньгами может спровоцировать недовольство клиентов, не имеющих возможности произвести операцию снятия. Чрезмерный объем загрузки чреват для банка высокими издержками, связанными с работой инкассаторской службы, и потерей доходов из-за избытка высоколиквидных активов.
Таким образом, проблема определения спроса на наличные деньги в устройствах самообслуживания коммерческого банка находится на пересечении процессов управления ликвидностью банка, организации кассовой работы и работы службы инкассации. Ее решение позволит повысить качество банковского обслуживания, доходность организации и оптимизировать работу инкассаторов.
Решение данной проблемы традиционными методами корреляционно-регрессионного анализа часто очень затруднено по причине значительного распространения банковских карт и, соответственно, увеличения объема информации, обрабатываемой процессинговыми центрами. В то время как ее нерешенность ведет к простоям банкоматов, нарушениям графиков работы инкассаторской службы, связанным с внеплановыми инкассациями, необоснованным объемом отвлеченных денежных средств.
Задача сводится к прогнозированию целевого значения, зависящего от потока клиентов, демонстрирующих повышенный либо пониженный спрос на наличные денежные средства, который, в свою очередь, определяется днем недели, днем месяца (например, дни получения заработной платы или социальных пособий), временем суток, выходными и праздничными днями, сезоном и другими факторами.
Для решения данной задачи могут быть использованы методы машинного обучения, такие как линейная регрессия, случайный лес или же нейронные сети. Последний вариант является наиболее универсальным не только для задачи прогнозирования, но и для задачи классификации, кластеризации и выявления аномалий. Кроме того,
нейронные сети дают большую точность при значительном увеличении объема данных, в отличие от остальных моделей [1].
Под нейронными сетями стоит понимать упорядоченную структуру искусственных нейронов — простых вычислительных единиц, принимающих и отдающих сигналы. Реализация нейронной сети заключается в определении порядка передачи входных сигналов к выходным через нейроны.
Подытожим задачу прогнозирования оборота наличных денежных средств в банкоматах коммерческих банков: имея данные об операциях клиентов в устройствах самообслуживания, необходимо спрогнозировать показатели работы сети банкоматов на основе алгоритма нейросети. Для ее решения был выбран офис коммерческого банка, который являлся «проблемным» для службы инкассации по причине многочисленных жалоб клиентов о невозможности совершить операцию снятия наличных денежных средств в устройствах самообслуживания.
В полученном дата-сете было 180 значений в период с 14 января 2018 года по 19 февраля 2019 года, целевой функцией является сумма выгрузки (рис. 1). Дата загрузки, время загрузки, сумма загрузки и дата выгрузки были приняты как аргументы целевой функции и продавались как входной сигнал нейронной сети.
Рисунок 1.
Представление
полученного
дата-сета
в числовых
значениях
ог
тг
5У
0 1 0.696053 4900000 3 2800000
1 3 0.674294 6300000 5 4600000
2 5 0.720208 6300000 8 5000000
3 8 0.615810 5800000 11 4900000
4 11 0.747222 7000000 14 6100000
• • •
иг
тг
ЗУ
178 394 0.698461 4900000 398 4000000
175 396 0 445185 4900000 401 3600000
177 398 0 469514 4500000 402 700000
178 402 0 323507 1500000 404 3300000
179 402 0 555706 4400000 405 2600000
Для формирования временного ряда была выбрана самая первая дата загрузки, а все остальные представлены в виде количества прошедших с той даты дней. Данные были нормализованы, то есть каждый параметр был отмасштабирован от 0 до 1. В связи с относительно небольшим объемом данных для тестирования модели полученный корпус был разделен на обучающую и тестовую выборку в размерах 80% и 20% соответственно.
Типичными моделями для решения задачи прогнозирования являются многослойные перцептроны и рекуррентные нейронные сети. Первыми называют модели, в которых нейроны делятся на слои. Каждый нейрон одного слоя получает взвешенные сигналы от всех нейронов предыдущего, суммирует их и передает результат некоторой функции активации от этой суммы всем нейронам следующего слоя. Рекуррентной же нейронной сетью называют модели нейронных сетей, содержащие рекуррентные блоки, которые запоминают информацию
Рисунок 2.
Модель
многослойного
перцептрона,
используемая
в работе
в процессе прохождения сигнала и, обрабатывая ее, передают следующим слоям.
Первоначально была построена и обучена модель многослойного перцептрона с одним скрытым слоем на языке программирования Python 3 с использованием библиотеки Keras. Обучение этой модели заключалось в оптимизации всех весов взвешенных сигналов (рис. 2).
Экспериментально лучший результат показала нейронная сеть с 10 нейронами в скрытом слое, функция активации которого имела сигмои-дальный вид. Метрикой качества и мерой ошибки являлась средняя ошибка абсолютных величин. Поскольку нейронную сеть можно рассматривать как многомерную функцию, то был использован метод адаптивной инерции.
Рисунок 3. Реальные и смоделированные данные на основе модели многослойного перцептрона
Рисунок 4. Модель рекуррентной нейронной сети, используемая в работе
Рисунок 5. Реальные и смоделированные данные на основе модели. Данные за январь-февраль 2019 и 2020 годов
Как видно из графика (рис. 3), нейросеть научилась находить пики и спады по выгрузке денег из банкомата. Правда, на некоторых данных имеется расхождение по значению выгрузки. Это связано с тем, что модель многослойного перцептрона не учитывает особенности временного ряда, связанные с отладкой на предыдущие данные.
Для решения этого вопроса была использована модель рекуррентной нейронной сети (рис. 4).
Рекуррентная нейронная сеть состояла из двух рекуррентных слоев с 60 нейронами в каждом, на вход которым подавались входные сразу за 3 дня для выявления дополнительных закономерностей временного ряда. Рекуррентный блок GRU был эмпирически выявлен как блок с наилучшим моделированием реальных данных. После этого сигналы от последнего рекуррентного блока передавались 60 полносвязным нейронам с сигмоидальной функцией активации, после чего результат был получен как значение функции ReLU от взвешенной суммы сигналов полносвязного слоя. Метрика качества и метод обучения не изменялись (рис. 5).
Как видно из графика (рис. 5), модель хорошо понимает даты пиков и падений значения суммы выгрузки. В результате были получены предсказанные данные по выгрузке с 3 января по 19 февраля 2020 года.
Стоит отметить, что со статистической точки зрения дата загрузки и дата выгрузки являются сильно коррелированными величинами. По этой причине есть вероятность того, что включение в качестве входных данных нейронной сети обеих этих величин зашумляет прохождение сигнала. Поэтому требуются дальнейшие исследования для оптимизации работы сети.
Кроме того, стоит также подумать над способом обучения сети. Поскольку решение задачи уже подразумевает верхнюю оценку значения суммы выгрузки, то можно предложить штрафовать сеть за получения значения меньше, тем самым увеличивая точность и качество обучения сети. То есть задачу можно свести к обучению с подкреплением.
Исходя из интерпретации графиков, пики спроса на наличные денежные средства приходятся на 10 января и 17 февраля, спады спроса — на 9 февраля и 19 февраля. Прослеживается спад спроса в преддверии праздников и рост спроса после праздников. Эта информация может использоваться менеджментом банка для регулирования ликвидности и службой инкассации при планировании графика и сумм загрузок банкоматов, что позволит предотвратить простои оборудования в период повышенного спроса и излишнее отвлечение наличных денежных средств в период спада спроса.
В итоге данная модель позволяет службе инкассации спрогнозировать, на какую сумму следует загружать банкомат, обеспечивая минимальную стоимость обслуживания и хранения денег в банкомате при условии сохранения доступности функции выдачи наличных. Модель иллюстрирует пример одного устройства самообслуживания, но при необходимости ее можно тиражировать на все объекты сети банкоматов и даже использовать для другого банка, обучая при этом сеть на соответствующих данных.
Использование данных прогноза для совершенствования политики управления ликвидностью также может дать положительный макроэкономический эффект, высвобождая излишне отвеченные в наличность средства для активных банковских операций, для инвестирования в реальный сектор экономики.
List of References: 1. Andrew Ng, Chief Scientist at Baidu // Extract Data Conference URL: https://
towardsdatascience.com/deep-iearning-vs-ciassicai-machine-iearning-9a42c6d48aa (дата обращения 10.06.2019).
Контактная Астраханцева Ирина Александровна — 153000, г. Иваново,
информация: Шереметевский проспект, 7, i.astrakhantseva@maiL.ru
Кутузова Анна Сергеевна, - 153000, г. Иваново, Шереметевский проспект, 7, as_kutuzova@maiL.ru Астраханцев Роман Геннадьевич - 101000, г. Москва, ул. Мясницкая, д. 20, rgastrakhantsev@edu.hse.ru Contact Irina Astrakhantseva, 153000, Sheremetev avenue, 7, Ivanovo, Russia.
information: i.astrakhantseva@maiL.ru
Anna Kutuzova, 153000, Sheremetev avenue, 7, Ivanovo, Russia. as_kutuzova@maiL.ru Roman Astrakhantsev, 101000, Myasnitskaya st., 20, Moscow, Russia. rgastrakhantsev@edu.hse.ru
