Применение искусственных нейронных сетей для оценки привлекательности сделки проектного финансирования застройщика для банка Текст научной статьи по специальности «Компьютерные и информационные науки»

Применение искусственных нейронных сетей для оценки привлекательности сделки проектного финансирования застройщика для банка

со см о см

о ш т

X

<

т О X X

Фрадин Никита Ильич

Аспирант Российского экономического университета им. Г.В. Плеханова, Воронежский филиал, nfradin@mail.ru

Макаров Евгений Иванович

д.э.н., профессор, заведующий кафедрой управления социально-экономическими системами и бизнес-процессами, Воронежский филиал Российского экономического университета им. Г.В. Плеханова, ea_makarov@mail.ru

В современных условиях глобализации нейросети находят активное применение при решении задач финансовой и экономической деятельности. Основной целью данной работы является построение нейросетевой модели для банка, которая предназначена для оценки привлекательности проекта, финансируемого в рамках проектного финансирования застройщиков. Основными задачами исследования являются построение и сравнение нескольких нейросетевых моделей, а также последующая оценка эффективности их работы. В данной работе был проведен анализ количественных и качественных факторов, которые в наибольшей степени влияют на привлекательность сделки проектного финансирования для банка и применены два метода построения нейросетевых моделей с помощью программы математического моделирования М^^Ь, а именно: сети прямого распространения и сети встречного распространения. По результатам исследования доказана эффективность построения сети встречного распространения для решения поставленных целей, а также представлены направления развития построенной модели.

Ключевые слова: Проектное финансирование застройщиков; нейросети; искусственные нейронные сети; нейросетевые модели; оценка кредитоспособности; кредитование; автоматизация; банковское дело; финансы.

Введение

Механизмы автоматизации анализа кредитоспособности юридического лица для осуществления кредитной сделки, основанные на моделях искусственных нейронных сетей, являются приоритетным и перспективным направлением. Сложность подобных систем по сравнению с системами, предназначенными для анализа кредитоспособности физических лиц, заключается в обширном объеме факторов и специфики кредитования корпоративных клиентов, что в свою очередь влияет на определения уровня их кредитоспособности.

На текущий момент, реализация подобных систем возможна для анализа конкретного вида сделок, при этом они должны быть однообразны. В первую очередь для разработки модели требуется обучающая выборка, то есть статистика по таким сделкам, начиная от факторов кредитного риска и заканчивая результатом реализации подобной сделки, то есть её итоговой оценкой.

Сферой кредитования юридических лиц, в рамках которой можно выстроить эффективную нейросетевую модель, может выступать проектное финансирование застройщиков, так как сделки имеют практически одинаковые критерии оценки, проекты схожи и есть возможность сбора статистических данных. Было принято решение построить модель оценки привлекательности проекта для банка, осуществляющего проектное финансирование застройщиков.

Проектное финансирование застройщиков представляет собой систему финансирования инфраструктурного строительства. При этом погашение долга в основном проводится из денежных потоков, которые генерирует проект.

Для обучающей нейросеть выборки были выбраны основные факторы, которые влияют на привлекательность сделки для банка.

1) Сумма кредита. Малая (1) (от 0 до 1 миллиарда рублей), средняя (2) (от 1 до 10 миллиардов рублей), большая (3) (от 10 миллиардов рублей)

2) Доля собственного участия застройщика в проекте. Низкая (1) (от 0 до 5%), средняя (2) (от 5% до 10%), высокая (от 10%).

3) Доля сторонних расходов (которые не связаны с реализацией проекта) в расходной части финансовой модели. Низкая (1) (от 0 до 5%), средняя (2) (от 5% до 8%), высокая (от 8%).

4) Опыт застройщика. Недостаточный (1) (менее 3 лет, нет проектов аналогов), удовлетворительный (2) (от 3 до 5 лет, есть хотя бы один объект аналог), достаточный опыт (3) (более 5 лет, есть несколько объектов аналогов).

5) Бальная оценка локации проекта (от 1 до 5 баллов, где 1 - крайне плохая локация, 5 -отличная локация). В данном случае определяется экспертно сотрудниками банка.

6) Показатель LLCR из базовой модели проекта. То есть показатель, иллюстрирующий способность проекта генерировать достаточные будущие денежные потоки для обеспечения возврата кредитных средств. Есть показатель больше 1,05 -проект способен генерировать достаточные денежные потоки, если меньше, то нет.

7) Комплексное (1) или не комплексное (0) освоение территории. При комплексном освоении территории проект является более сложным и менее привлекательным для банка.

8) Срок кредита. Краткосрочный (1) (до 3-х лет), среднесрочный (2) (от 3-х до 7-ми лет), долгосрочный (3) (от 7-ми лет).

9) Наличие ключевых рисков проекта (выявлен (1 )/не выявлен (0)):

a. Отсутствие разрешения на строительство (то есть финансирование начинается с предпроектной стадии)

b. Отрицательная деловая репутация участников проекта (застройщика, подрядчиков, техзаказчиков)

c. Дефект титула на земельный участок

d. Низкая пунктуальность группы застройщика

e. Отсутствие/не подтверждение достаточного опыта строительства (застройщик/подрядчики)

f. Квартирография не соответствует классу проекта (например, квартиры с площадью 20 квадратных метров в доме элитного класса)

g. Застройщик не является SPV компанией (Компания, которая создается для реализации конкретного проекта. Банк может иметь долю участия в SpV- компании. Если для реализации проекта привлекается SPV-компания, то уровень риска для банка снижается).

h. Наличие плавающей ставки по кредиту. Если предусмотрена плавающая ставка, то это несет дополнительные риски. При этом на дату установления кредита плавающая ставка будет меньше статичной.

i. Риск конфликта акционеров.

Результатом работы сети выступает бальная оценка привлекательности проекта для банка от 1 до 5, где 1 - проект не привлекателен, а 5 - высокая привлекательность, которая определяется экспертно для обучающей выборки в результате мониторинга проекта и после его окончания. Обучающая выборка для нейросети образуется в результате сбора данных по текущим и закрытым сделкам проектного финансирования в банке.

Для выполнения данной задачи была выбрана программа математического моделирования Matlab. Для построения модели искусственной нейронной сети был использован пакет расширения Neural Network Toolbox. Данный пакет содержит средства для проектирования, моделирования, разработки и визуализации нейронных сетей. Пакет обеспечивает всестороннюю поддержку типовых нейросетевых парадигм и имеет открытую модульную архитектуру. В состав пакета Neural Network входят более 150 различных функций, образуя собой своеобразный макроязык программирования и позволяя пользователю создавать, обучать и использовать самые различные нейронные сети.

В рамках данного исследования были построены две нейросетевые модели (сеть прямого распространения и встречного распространения). Для обучения и тестирования нейронной сети прежде всего необходима обучающая и тестовая выборки [7, с.26]. Были подготовлены 25 проектов, 20 из которых были выбраны в качестве обучающих, 5 - тестовых, имеющий средние показатели итоговых классов 1-5.

Результаты

Сеть прямого распространения.

В системе Matlab в пакете расширения Neural Network Toolbox эта сеть реализуется с помощью функции newff. Обязательными параметрами этой функции являются: матрица минимальных и максимальных значений входных элементов (можно использовать функцию minmax(p)); число нейронов в каждом из слоев; функции активации для нейронов каждого слоя. Также следует учесть, что для задач классификации количество нейронов в выходном слое этой сети должно быть

равно количеству классов (для этой задачи должно быть равно 5).

Количество нейронов скрытого слоя было выбрано равным 7, что позволило провести обучение сети с нулевой ошибкой классификации и получить приемлемые результаты на тесте. При большем количестве нейронов сеть утрачивала обобщающие свойства и допускала много ошибок при подаче на вход тестовых выборок. Функция активации скрытого слоя - сигмо-ида. Функция активации выходного слоя - линейная. Функция обучения сети - ^ат!т. (рис. 1)

Функция обучения: net=newff(minmax(p), [7,5], {'tansig','purelin'}).

Л

h Layer-1 и

1 * 1

J

1° Layet^ и

1 / 1

5V

Рисунок 1 Схема сети прямого распространения

Из таблицы обучения видно, что сеть прямого распространения обучилась всего за 12 эпох, поскольку критерием остановки обучения послужило достижение минимума изменения весов нейронов сети (градиент = 10-7). (рис. 2) Проверка обучения выявила 100% корректность результатов.

Neural Nehuort Training :"4 Mr;. ■ Ш ÏO:57: Network Diagram

Training Results

Training finished: Reached minimum gradient

Training Progress

unit Initial Value Stopped Value Target Value

Epoch 0 12 200

Elapsed Time 00:00:00

Performance 131 8.21e-15 0

Gradient 2.97 6.93e-08 1e-07

Mu 0.001 1e-09 1e+10

Validation Checks 0 0 6

Training Algorithms

Data Division: Levenberg-Manquardt trainlm Performance Mean -Squared Error se Calculations: МЕХ

Рисунок 2 Результат обучения сети прямого распространения

Вероятность ошибки стремится к 0 при достижении семи эпох. (рис.3)

Но тестирование данной сети показало неверный результат, - для тестовой выборки (8, 16, 19, 20, 21 выборки, относящиеся к 1, 2, 5, 3, 4 классам, соответственно) сеть неправильно определила последние два класса: «ytest = 1 2 5 4 5».

X X

о го А с.

X

го m

о

м о

M

со

со сч о сч

о ш

СП

<

ÛÛ О

Попытка улучшить результаты работы сети путем подбора количества нейронов в скрытом слое, функций активации и алгоритма обучения не привела к минимизации ошибок.

Best Training Performance is 1.2882e-20 at epoch 7

©

1 lib. 1

1 1

Рисунок 4 Схема сети встречного распространения

Критерий остановки обучения - достижение предела количества эпох.

Проверка работы сети на тестовой выборке (8, 16, 19, 20, 21 выборки, относящиеся к 1, 2, 5, 3, 4 классам, соответственно) показала безошибочную работу: «ytest = 1 2 5 3 4».

Э Neural Network Training (14-Мау-2022 2ft 37:24}

Network Diagram

Training Results

Training finished: Reached maximum number of epochs Training Progress

Unit Initial Value Stopped Value Target Value

Epoch 0 200 200

Elapsed Time - 00:00:19 -

Performance 0.26 0.02

Validation Checks 0 0 6

Training Algorithms

Data Division: Random Weight/Bias Rule trainr Performance: Mean Squared Error mse Calculations: MATLAB

7 Epochs

Рисунок 3 Размер ошибки обученной сети (кривая обучения)

Сеть встречного распространения.

В системе Matlab в пакете расширения Neural Network Toolbox эта сеть реализуется с помощью функции newlvq. Обязательными параметрами этой функции являются: матрица минимальных и максимальных значений входных элементов (можно использовать функцию minmax(p)); число нейронов в скрытом слое; вектор с элементами, указывающими долю каждого из классов (в сумме должны равняться 1). (рис.4)

Также в качестве необязательных параметров выступают коэффициент обучения и функция обучения. Число нейронов в скрытом слое путем подбора было выбрано равным 20, коэффициент обучения - 0,02, количество эпох обучения ограничили 200. (рис. 5)

Функция обучения: net = newlvq(minmax(p),20,[7/20 3/20 2/20 3/20 5/20],0.02).

Рисунок 5 Результаты обучения сети встречного распространения

Кривая обучения (рис. 6) иллюстрирует размер среднеквадратичной ошибки в зависимости от количества итераций (эпох).

Best Training Performance is 0.02 at epoch 24

0 20 40 60 80 100 120 140 160 180 200 200 Epochs

Рисунок 6 Размер ошибки обученной сети (кривая обучения)

Полученная сеть правильно классифицировала 95% данных, входящих в состав обучающей выборки, сделав только одну ошибку, отнеся 4-ю выборку к 5 типу вместо 4.(рис. 7)

Training Confusion Matrix

S-4

э

О

7 35.0% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 100% 0.0%

0 0.0% 3 15.0% 0 0.0% 0 0.0% 0 0.0% 100% 0,0%

0 0.0% 0 0.0% 2 10.0% 0 0.0% 0 0.0% 100% 0.0%

0 0 0% 0 0.0% 0 0.0% 2 10.0% 0 0.0% 100% 0.0%

0 0.0% 0 0.0% 0 0.0% 1 5.0% 5 25.0% B3.3% 16.7%

100% 0.0% 100% 0.0% 100% 0.0% 66.7% 33.3% 100% 0.0% 95.0% 5.0%

Target Class

Рисунок 7 Результаты обучения по классам

Таким образом, из исследованных двух топологий сетей лучшие результаты показала сеть встречного распространения. Результаты определения бальной привлекательности проектов 26,27,28 показаны ниже в таблице 1.

Таблица 1

Проекты, выбранные для прогнозирования с итоговым результатом

Параметры проекта Проект 26 Проект 27 Проект 28

Сумма кредита Средняя (1) Большая (3) Малая (1)

Доля собственного участия (%) Средняя (2) Низкая (1) Высокая(З)

Бальная 3 4 5

оценка ло-

кации про-

екта

Показатель 1,05 1,1 1,15

Доля сто- Умеренная Умеренная Умеренная (2)

ронних (2) (2)

расходов в

расходной

части фи-

нансовой

модели

Наличие основных рисков проекта (выявлен (1)/не выялен(0)):

а. Отсутствие РНС 0 1 1

Ь. Отрица- 1 0 0

тельная

деловая

репутация

с. Дефект 0 1 0

титула на

земельный

участок

d. Низкая 1 0 1

пунктуаль-

ность

группы

е. Отсутствия/не 0 0 0

подтвер-

ждение до-

статочного

опыта

строитель-

ства

Кварти-рография 0 0 0

не соответ-

ствует

классу про-

екта

д. Застрой- 0 0 0

щик не яв-

ляется

SPV-ком-

панией

И. Плаваю- 0 0 0

щая ставка

по кредиту

j. Риск кон- 1 1 0

фликта ак-

ционеров

Опыт за- удовлетво- недоста- достаточный (3)

стройщика рительный (2) точный (1)

Комплекс- 0 1 0

ное (1) или

не ком-

плексное

освоение

территории (0)

Срок кре- долгосроч- долгосроч- краткосрочный (1)

дита ный (3) ный (3)

Результат (Бальная 3 4 5

оценка

привлека-

тельности

проекта)

Обсуждение

Модель встречного распространения показала свою эффективность для решения задач оценки привлекательности кредитной сделки для банка.

Для повышения качества оценки привлекательности, построенную систему можно модернизировать. Основные направление развития модели: Расширить объем входных параметров (факторов), которые влияют на итоговый результат;

Внедрить нейросеть для анализа локации проекта, которая будет изучать географическое расположение, наличие благоприятной инфраструктуры вблизи объекта, удаленность от цента города и проводить сравнительный анализ с объектами аналогами, информация по которым есть как в базе данных банка, так и в открытых источниках; Разработать методику сбора данных мониторинга проекта. То есть нейросеть будет изучать данные месячного или квартального мониторинга исполнения плана реализации проекта, анализировать план/факт по темпам строительства или реализации продаваемых площадей, анализировать изменение цен. Более того, она способна проводить анализ заключений по мониторингу, написанных экспертами банка. Собирая данные, сеть будет адаптироваться под текущую ситуации на рынке и корректировать план реализации проекта и прогноз; Внедрить дополнительную нейросеть для разработки базового плана проекта исходя из анализа предоставленной документации; Внедрить нейросеть, которая будет получать информацию от заемщика (автоматизировать процесс общения с клиентом; Разработать нейросеть для анализа внешних данных о заемщике, основных участниках проект, которая будет собирать и изучать новости, различные статьи и иные источники информации.

Таким образом можно повысить эффективность деятельности банка, получить ключевые преимущества на рынке. Положительный эффект от внедрения подобной системы заключается в получении конкурентных преимуществ, а именно: более гибкий анализ рынка; возможности снижения ставки по кредиту в связи с сокращением операционных расходов на обслуживание сделки и с применением более точных механизмов анализа рисков.

Негативный эффект с социальной точки зрения проявляется в сокращении штата сотрудников, которые выполняют работу по анализу сделки. Но количество сотрудников, которые будут поддерживать и обеспечивать работу нейросети значительно вырастет. В таком случае компании отправляют сотрудников на профессиональную переподготовку, пытаясь сохранить высококвалифицированный штат.

Заключение

По результатам проделанной работы были выявлены основные факторы, влияющие на привлекательность сделки проектного финансирования застройщика для банка, построены две нейросетевые модели (прямого и встречного распространения), проведен сравнительный анализ их работы и доказана их эффективность.

Авторами была доказана эффективность применения моделей искусственных нейронных сетей для решения подобных задачи, а также, выявлен перечень доработок, которые позволят повысить эффективность и точность работы подобных моделей.

Литература

1. Amin M.S., Mamun M., Hashim F.H., Jalil J., Husain H. Design and Implementation of Novel Artificial Neural Network Based Stock Market Forecasting System on Field-Programmable Gate Arrays. American Journal of Applied Sciences 8 (10): 10541060, 2011.

2. Asadi, R., Mustapha, N., & Sulaiman, N. (2009). A framework for intelligent multi agent system based neural network classification model.

3. Хайкин С. Нейронные сети: полный курс, 2e издание. : Пер. с ант. М. Издательский дом Вильямс", 2006 - 1104 с.: ил

4. Гареева, Г. А. Применение нейронных сетей в экономике / Г. А. Гареева, Д. Р. Григорьева, Т. В. Гилязеев. — Текст: непосредственный // Молодой ученый. — 2018. — № 18 (204).

X X

о го А с.

X

го m

о

м о

M

со

— С. 306-309. — URL: https://moluch.ru/archive/204/49905/ (дата обращения: 10.10.2023).

5. Корнина А.Е. (2018). Машинное обучение и нейронные сети в бизнесе // Хроноэкономика. № 2(10). C. 110-115

6. Юнусова Л.Р., Магсумова А.Р. (2019). Алгоритмы обучения искусственных нейронных сетей // Проблемы науки. № 7(43). С. 21-25

7. Клюкин В. И., Николаенков Ю. К (2009). Нейросетевые структуры и технологии Часть 1 // Учебное пособие для вузов.

8. Лаврушин О.И. Роль кредита и модернизация деятельности банков в сфере кредитования. Учебное пособие М.: КНОРУС, - 2017.

9. Марамыгин М. С., Чернова Г. В., Решетникова Л. Г. Цифровая трансформация российского рынка финансовых услуг: тенденции и особенности / М. С. Марамыгин, Г. В. Чернова, Л. Г. Решетникова // Управленец. - 2019. - Т. 10. - №3.

10. Мыльникова Л. А. Инновации и цифровизация Российской экономики. / Л. А. Мыльникова // Экономический журнал //

- 2019. - №5.

11. Трачук А.В., Линдер Н.В., Тарасов И.В., Налбандян Г.Г., Ховалова Т.В., Кондратюк Т.В., Попов Н.А. (2018). Трансформация промышленности в условиях четвертой промышленной революции. М.: Финансовый университет при Правительстве Российской Федерации

12. Макаров, Е. И. Перспективы применения технологии "блокчейн" в логистике / Е. И. Макаров, М. Е. Макаров // Менеджмент, маркетинг, логистика XXI века: проблемы, вызовы, перспективы: материалы Всероссийской научно-практической конференции, Воронеж, 26 апреля 2018 года. - Воронеж: Из-дательско-полиграфический центр "Научная книга", 2018. - С. 85-90..

13. Макаров Е.И., Елисеева Ю.В., Макаров М.Е. Структурирование задач цифровизации процесса обеспечения качества в цепях поставок материалов для строительства. В сборнике: Социально-экономические, историко-правовые, философские концепции современности. Материалы XIX Всероссийской научно-практической конференции. Ставрополь, 2022. С. 103105.

14. Курников Д.С., Петров С.А. (2017). Использование нейронных сетей в экономике // Juvenis Scientia. № 6. С. 10-1.

fO CS

о

CS

The use of artificial neural networks to assess the attractiveness of a developer's project financing transaction for a bank

Fradin N.I., Makarov E.I.

Plekhanov Russian University of Economics

JEL classification: D20, E22, E44, L10, L13, L16, L19, M20, O11, O12, Q10,

Q16, R10, R38, R40, Z21, Z32_

In modern conditions of globalization, neural networks are actively used in solving problems of financial and economic activity. The main purpose of this work is to build a neural network model for the bank, which is designed to assess the attractiveness of a project financed under the project financing of developers. The main objectives of the study are the construction and comparison of several neural network models, as well as the subsequent evaluation of the effectiveness of their work. In this paper, the analysis of quantitative and qualitative factors that most affect the attractiveness of a project financing transaction for the bank was carried out and two methods of constructing neural network models using the Matlab mathematical modeling program were applied, namely: direct distribution networks and counter-distribution networks. According to the results of the study, the effectiveness of building a counter-distribution network for solving the set goals is proved, and the directions of development of the constructed model are presented.

Keywords: Project financing of developers; neural networks; artificial neural networks; neural network models; creditworthiness assessment; lending; automation; banking; finance.

References

1. Amin M.S., Mamun M., Hashim F.H., Jalil J., Husain H. Design and Implementation of Novel Artificial Neural Network Based Stock Market Forecasting System on Field-Programmable Gate Arrays. American Journal of Applied Sciences 8 (10): 1054-1060, 2011.

2. Asadi, R., Mustapha, N., & Sulaiman, N. (2009). A framework for intelligent multi agent system based neural network classification model.

3. Khaykin S. Neural networks: a complete course, 2nd edition. : Translated from English by M. Williams Publishing House, 2006 - 1104 p.: il

4. Gareeva, G. A. Application of neural networks in economics / G. A. Gareeva, D. R. Grigorieva, T. V. Gilyazeev. — Text: direct // Young scientist. — 2018. — № 18 (204). — PP. 306-309. — URL: https://moluch.ru/archive/204/49905 / (date of request: 10.10.2023).

5. Kornina A.E. (2018). Machine learning and neural networks in business // Chronoeconomics. No. 2(10). pp. 110-115

6. Yunusova L.R., Magsumova A.R. (2019). Algorithms for training artificial neural networks // Problems of Science. No. 7(43). pp. 21-25

7. Klyukin V. I., Nikolaenkov Yu. K. (2009). Neural network structures and technologies Part 1 // Textbook for universities.

8. Lavrushin O.I. The role of credit and modernization of banks' activities in the field of lending. Textbook M.: KNORUS, - 2017.

9. Maramygin M. S., Chernova G. V., Reshetnikova L. G. Digital transformation of the Russian financial services market: trends and features / M. S. Maramygin, G. V. Chernova, L. G. Reshetnikova // Manager. - 2019. - Vol. 10. - No. 3.

10. Mylnikova L. A. Innovations and digitalization of the Russian economy. / L. A. Mylnikova // Economic Journal // - 2019. - №5.

11. Trachuk A.V., Linder N.V., Tarasov I.V., Nalbandian G.G., Khovalova T.V., Kondratyuk T.V., Popov N.A. (2018). Transformation of industry in the conditions of the Fourth Industrial Revolution. Moscow: Financial University under the Government of the Russian Federation

12. Makarov, E. I. Prospects for the use of blockchain technology in logistics / E. I. Makarov, M. E. Makarov // Management, marketing, logistics of the XXI century: problems, challenges, prospects: materials of the All-Russian Scientific and Practical Conference, Voronezh, April 26, 2018. - Voronezh: Publishing and Printing Center "Scientific Book", 2018. - pp. 85-90..

13. Makarov E.I., Eliseeva Yu.V., Makarov M.E. Structuring the tasks of digitalization of the quality assurance process in the supply chains of materials for construction. In the collection: Socio-economic, historical and legal, philosophical concepts of modernity. Materials of the XIX All-Russian Scientific and Practical Conference. Stavropol, 2022. pp. 103-105.

14. Kournikov D.S., Petrov S.A. (2017). The use of neural networks in economics // Juvenis Scientia. No. 6. pp. 10-1.

О Ш

m x

<

m о x

X