Научная статья на тему 'Применение метода ближайших соседей при моделировании кредитных рисков'

Применение метода ближайших соседей при моделировании кредитных рисков Текст научной статьи по специальности «Экономика и бизнес»

CC BY
412
70
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
КРЕДИТНЫЙ РИСК / МЕТОДЫ КРЕДИТНОГО СКОРИНГА / МЕТОД K БЛИЖАЙШИХ СОСЕДЕЙ / СКОРИНГ

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Алексеева Венера Арифзяновна, Калимуллина Рамиля Ильясовна

Посвящена проблеме моделирования кредитного скоринга и управления кредитными рисками. Основной задачей при этом является определение кредитоспособности клиента. Представлены алгоритм метода k ближайших соседей в применении к задаче кредитного скоринга, его программная реализация и результаты исследований

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Применение метода ближайших соседей при моделировании кредитных рисков»

УДК 336.717.061

В. А. АЛЕКСЕЕВА, Р. И. КАЛИМУЛЛИНА

ПРИМЕНЕНИЕ МЕТОДА БЛИЖАЙШИХ СОСЕДЕЙ ПРИ МОДЕЛИРОВАНИИ КРЕДИТНЫХ РИСКОВ

Посвящена проблеме моделирования кредитного скоринга и управления кредитными рисками. Основной задачей при этом является определение кредитоспособности клиента. Представлены алгоритм метода к ближайших соседей в применении к задаче кредитного скоринга, его программная реализация и результаты исследований.

Ключевые слова: кредитный риск, методы кредитного скоринга, метод к ближайших соседей, скоринг.

Рынок кредитных продуктов находится на подъёме, поэтому возрастающие объёмы кредитования приводят к увеличению рисков, которые могут повлиять не только на состояние финансового учреждения, но и на банковскую систему страны в целом.

На этапе рассмотрения кредитной заявки банк или любое кредитно-финансовое учреждение оценивает кредитоспособность потенциального заёмщика, то есть возможности клиента полностью и в срок рассчитаться по долговым обязательствам. В зависимости от классификации клиента по группам риска банк принимает решение, стоит выдавать кредит или нет, какой лимит кредитования и проценты следует устанавливать. Поэтому одним из способов оценки кредитоспособности заёмщика являются скорин-говые системы.

Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» заёмщиков банк пытается определить, насколько велика вероятность, что потенциальный заёмщик вернёт (или не вернёт) кредит в срок [6]. Таким образом, скоринг является методом разбиения всей интересующей нас совокупности клиентов на различные рисковые группы.

В Россию скоринг пришёл в 2005-2006 годах. Внедрение скоринга позволило не только сократить время рассмотрения кредитной заявки, но также минимизировать уровень риска принимаемых решений.

Задача кредитного скоринга состоит не только в выявлении «хороших» заёмщиков, но и в привлечении добросовестных клиентов, которые будут формировать доходный кредитный портфель.

© Алексеева В. А., Калимуллина Р. И., 2014

Кредитные аналитики используют следующие понятия [2]:

1. «Характеристики» клиентов (в математической терминологии - переменные, факторы);

2. «Признаки» - значения, которые принимает переменная.

Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия и т. д.), а признаками - ответы на эти вопросы.

Существует множество методов кредитного скоринга [1]:

1) нейронные сети;

2) нечёткая логика;

3) линейная и логистическая регрессия;

4) логико-вероятностный подход;

5) марковские цепи;

6) метод ближайших соседей и др.

Авторами в качестве исходных данных рассматриваются ипотечные кредиты, предоставленные фирмой Vero Capital Management за год (август 2011 - июнь 2012 г.), включающие характеристики в момент выдачи кредита, а также историю погашения за данный период. Для оценки кредитоспособности клиентов предлагается использовать метод ближайших соседей.

Пусть имеется n наблюдений (9000 кредитов), каждому из которых соответствует запись в таблице. Все записи принадлежат какому-либо классу. Необходимо определить класс для новой записи. В данной работе в качестве контрольной выборки использовались 370 кредитов.

Из контрольной выборки для каждого кредита были определены k ближайших соседей, каждому из которых был присвоен определённый класс. Класс клиента определялся по текущей задолженности: если задолженность за весь период кредита не превысила 90 дней, то клиент кредитоспособен, а если задолженность

составила более 90 дней - не кредитоспособен. Для проверки эффективности использования рассматриваемого метода было проведено сравнение классов заёмщиков из контрольной выборки с классами, полученными с помощью метода ближайших соседей.

Сначала задается новый объект (клиент) с рядом признаков по каждой характеристике. На первом шаге метода следует задать число к -количество ближайших соседей.

На втором шаге из всей исходной выборки находятся к записей с минимальным расстоянием до вектора признаков нового объекта (поиск соседей). Функция для расчёта расстояния должна отвечать следующим правилам [3]:

1. х,у) > 0, ё(х,у) = 0 тогда и только тогда, когда х = у;

2. й(х,у) = й(у,х);

3. ё(х,г) < ё(ху) + ё(у,г), при условии, что точки х, у, г не лежат на одной прямой.

Для поиска ближайших соседей возьмем евклидово расстояние:

d =

1

Е (- y, )2 i=1

где п - количество атрибутов.

На следующем шаге, когда найдены записи, наиболее похожие на исследуемую, необходимо решить, как они влияют на класс новой записи.

Число к определяет, сколько записей будет иметь право голоса при определении класса. Выделяются к записей, расстояние от которых до нового объекта оказалось минимальным. Теперь можно приступить к простому невзвешен-ному голосованию.

Все имеют равные права в определении класса. Запись отдаёт предпочтение тому классу, к которому она принадлежит, а тот класс, который наберёт наибольшее количество голосов, присваивается новой записи.

То есть, если все ближайшие соседи принадлежат классу, например, «кредитоспособен», то и новая запись принадлежит к этому классу. Но если ближайшие соседи принадлежат к разным классам, то в такой ситуации учитывается также и расстояние до новой записи. Чем меньше расстояние, тем более значимый вклад вносит голос. Класс, набравший наибольшее количество голосов, присуждается новой записи. Голоса за класс находятся по следующей формуле [3]:

п

votes(class) =

г =

1

7=1 dA (X, Y,)

где d (X, Y,)- квадрат расстояния от известной записи Y, до новой X; n - количество известных записей класса, для которого рассчитываются голоса; class — наименование класса (кредитоспособный или некредитоспособный заёмщик).

На основе рассмотренного выше метода был разработан программный модуль «Метод ближайших соседей». Программная реализация показала, что применение метода ближайших соседей позволяет с высокой точностью прогнозировать платёжеспособность заёмщика при заданных значениях факторов. По контрольной выборке сравнивались действительный класс заёмщика и класс, полученный с помощью данного метода. При прогнозировании кредитоспособности клиентов по трём факторам точность вычислений составила: при количестве ближайших соседей k = 2 — 95,61%, при k = 3 — 97,13%, при k > 4 — 98,83%.

Исследование влияния четырёх факторов на кредитоспособность дало следующие результаты: при k = 2—4 точность составила 96,8%, при k = 5 — 96,5%, при k = 6 — 97,4%, при k = 7—8 96,8%, при k > 9 — 96,5%.

Несмотря на высокую точность прогнозирования, метод ближайших соседей, как и ряд других методов кредитного скоринга, не даёт требуемой точности при анализе «плохих» заёмщиков. Дальнейшие исследования контрольной выборки показали, что по «хорошим» клиентам точность прогноза составила 98,34% , а по «плохим» клиентам — 14,29%. Увеличив контрольную выборку до 1000, мы получили следующие результаты (по трём факторам): по «хорошим» клиентам точность составила 99,69%, а по «плохим» - 25%.

Таким образом, можно сделать вывод, что метод ближайших соседей позволяет с высокой вероятностью прогнозировать «хороших» клиентов, но при этом точность обнаружения некредитоспособных заёмщиков остаётся довольно низкой, даже при больших объёмах контрольной выборки.

Дальнейший анализ кредитных рисков предполагает включение других методов кредитного скоринга, использование их комбинаций и разработку единой информационной системы управления кредитными рисками, которая позволит банкам повысить вероятность обнаружения неплатёжеспособных клиентов и принимать верные решения о выдаче кредитов.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Алексеева, В. А. Модели финансовых рисков / В. А. Алексеева // Междисциплинарные

исследования в области компьютерного моделирования и информатики. Материалы 3-й научно-практической 1п1ете1>конференции. Тольятти, 20-21 февраля 2014 г. - Тольятти, 2014. - С. 108-111.

2. Костюченко, Н. С. Анализ кредитных рисков / Н. С. Костюченко. - СПб.: Скифия, 2010. - 440 с.

3. Алгоритм ближайшего соседа [Электронный ресурс]. - Режим доступа: http://www. basegroup.ru/library/analysis/regression/knn/, свободный (дата обращения: 12.05.2014).

4. Метод ближайших соседей [Электронный ресурс]. - Режим доступа: http://www. machinelearning.ru/wiki/index.php?title=KNN, свободный (дата обращения: 12.05.2014).

5. Алгоритм поиска ближайших соседей [Электронный ресурс]. - Режим доступа:

http://www.swsys.ru/index.php?page=article&id=32 49, свободный (дата обращения: 12.05.2014).

6. Шелкова, Н. В. Кредитные риски и пути их снижения / Н. В. Шелкова // Россия на пути выхода из экономического кризиса : сборник научных статей. - СПб.: Институт бизнеса и права, 2010. - С. 154-157.

Алексеева Венера Арифзяновна, кандидат технических наук, доцент кафедры «Прикладная математика и информатика» УлГТУ. Калимуллина Рамиля Ильясовна, студентка группы ПМд-41 факультета информационных систем и технологий УлГТУ.

УДК 331.101.3

К. Ю. ЕВСЕЕНКОВА, О. Е. СТЕКЛОВА

ВОВЛЕЧЁННОСТЬ ПЕРСОНАЛА КАК СПОСОБ МОТИВАЦИИ

Рассматриваются вопросы вовлечённости, мотивации и лояльности персонала. Перечислены необходимые условия развития вовлечённости сотрудников. Приведены практические советы и финансовые выгоды от программ вовлечённости.

Ключевые слова: вовлёченность, лояльность, мотивация, удовлетворенность.

В настоящее время в России много компаний, которые пытаются достичь успеха, выбирая способ мотивации персонала в условиях ограниченности бюджетов.

Как же добиться желания «гореть» на работе и при этом самому не уйти в убытки?

Настоящий клад для любой компании - это сотрудники, увлечённые своим делом, или, по-другому, обладающие таким качеством, как вовлечённость.

Многие ИЯ-специалисты склонны считать, что все виды мотивации устарели и важна только вовлечённость.

Во-первых, стоит разобраться, какой именно цели мы хотим достичь. Хотим ли мы, чтобы сотрудники играли роль «винтиков» в нашей бизнес-машине, были послушными исполнителями, или нам нужно что-то большее?

© Евсеенкова К. Ю., Стеклова О. Е., 2014

Руководитель, если он всё же стратегически направлен на модификацию бизнеса и расширение компании, ответит, что хотел бы видеть рядом с собой людей, которые стремятся внести свой вклад в развитие компании, которые приходят на работу с «живым» энтузиазмом и неиссякаемым потоком идей. Тут и появляется новое для многих понятие вовлеченности персонала.

Вовлечённость, т. е. то, в какой мере работник идентифицирует себя со своей организацией, непосредственно связана с понятием мотивации.

Во-вторых, необходимо определить, что же такое вовлечённость?

Для начала стоит установить, чем вовлечённость отличается от понятий лояльности и удовлетворённости работой.

Удовлетворённость - понятие, которое показывает, что человека устраивает то, в каких условиях проходит его трудовая деятельность, он доволен заработной платой, социальным

i Надоели баннеры? Вы всегда можете отключить рекламу.