Штучний інтелект в економіці

Размещено на http://www.allbest.ru/

України "Київський політехнічний інститут"

Штучний інтелект в економіці

Цеслів Ольга Володимирівна кандидат технічних наук, доцент, доцент кафедри економічної економіки, Київський національний технічний університет

м. Київ

Анотація

Стаття присвячена проблемі реалізації кредитного скорингу в різних програмних середовищах. Скорінг - це автоматизоване прийняття рішення щодо кредитування фізичними особами. Позичальник подає інформацію про: річний дохід, суму непогашеної заборгованості, нерухомість або володіння автомобілем, останнє місце роботи, вік. Це інформація пов'язана з кредитоспроможністю і буде вхідними змінними в моделі оцінки.

Для реалізації кредитного скорингу використовуються статистичні методи (дискримінантний аналіз, лінійна регресія, логістична регресія, дерева класифікації), дослідження операцій (лінійне програмування, нелінійна оптимізація) та штучний інтелект (нейронні мережі, експертні системи, генетичні алгоритми, байєсівські).

В даній роботі реалізація задачі кредитного скорингу, здійснюється в новій надбудові Neural Excel. Раніше аналогічні розрахунки проводилися в середовищах Mathlab та в системі HUGIN, що побудована на байєсовській мережі довіри.

Надбудова Neural Excel розрахована на користувачів, які хочуть швидко отримати результат, не заглиблюючись в теорію. Надбудова дозволяє використовувати навчені мережі як безпосередньо в Microsoft Excel, так і інтегрувати їх у власні програми. Перевагою надбудови Neural Excel є можливість отримати формулу, для підрахунку.

Через вторгнення Росії в Україну відбулося погіршення фінансового стану громадян, що вплинуло на кредитні договори з фінансовими установами.

Для відбудови економіки України потрібна розвинута кредитна система, оскільки кредит є фінансовою основою розвитку виробництва та економічного зростання в цілому.

Наведені в роботі розрахунки, доводять, що моделювання скорингу з використання нейронних мереж є доцільним. Кожна з програм реалізації нейронних мереж має переваги і недоліки. Вибір програмної реалізації скорингу залежить кваліфікації користувачів.

Ключові слова: кредитний скоринг, штучний інтелект, Neural Excel, кредитні відносини, кредитна система.

Abstract

Tsesliv Olga Volodymyrivna Candidate of Technical Sciences, Associate Professor, Associate Professor of the Department of Economic Economics, Kyiv National Technical University of Ukraine "Kyiv Polytechnic Institute", Kyiv

ARTIFICIAL INTELLIGENCE IN THE ECONOMY

The article is devoted to the problem of realization of credit score in different software environments. Scoring is an automated decision to lend to individuals. The borrower provides information on: annual income, the amount of outstanding debt, real estate or car ownership, last place of work, age. This information is related to creditworthiness and will be the input variables in the valuation model.

Statistical methods (discriminant analysis, linear regression, logistic regression, classification tree), operations research (linear programming, nonlinear optimization) and artificial intelligence (neural networks, expert systems, genetic algorithms, Bayesian) are used to implement credit scoring.

In this paper, the implementation of the problem of credit scoring is carried out in the new add-on Neural Excel. Previously, similar calculations were performed in Mathlab environments and in the HUGIN system, which is based on the Bayesian trust network.

The Neural Excel add-in is designed for users who want to get results quickly without delving into the theory. The add-in allows you to use trained networks both directly in Microsoft Excel and integrate them into your own programs. The advantage of the Neural Excel add-in is the ability to obtain a formula for calculation.

Due to Russia's invasion of Ukraine, the financial condition of citizens deteriorated, which affected credit agreements with financial institutions.

A well-developed credit system is needed to rebuild Ukraine's economy, as credit is the financial basis for the development of production and economic growth in general.

The calculations presented in the paper prove that the modeling of scoring using neural networks is appropriate. Each of the programs for the implementation of neural networks has advantages and disadvantages. The choice of software implementation of scoring depends on the qualifications of users.

Keywords: credit scoring, artificial intelligence, Neural Excel, credit relations, credit system.

Постановка проблеми

Нейронні мережі в даний час є одними з найбільш відомі та ефективні інструменти для інтелектуальної аналізи даних, який розвивається завдяки прогресу в напрямки теорії штучного інтелекту та інформатики [1].

Через вторгнення Росії в Україну близько 53% українців втратили роботу, тобто стабільний заробіток.

Для відродження виробництва та економічного зростання в цілому, України потрібна розвинена кредитна система.

В Україні широкого розвитку набули споживчі кредити. Такий вид кредитування ставить перед банком завдання - швидко та з мінімальними витратами приймати рішення по великій кількості заявок на кредит. Зменшення терміну прийняття рішення про позику призводить до збільшення кількості виданих кредитів, зростання прибутків банку. Змінюючи структуру кредитного портфеля на користь споживчого кредиту, банки прагнули знизити кредитний ризик шляхом диверсифікації кредитного портфеля.

Для широкого впровадження споживчих кредитів необхідно створити системи оцінки кредитоспроможності позичальника, системи контролю ризиків. Існують два основних підходи до оцінки кредитних ризиків: суб'єктивний, заснований на експертних оцінках та евристичний підхід, що базується на експертній оцінці та прогнозуванні фінансового стану потенційного позичальника. кредитний скоринг програмний мережа

Аналіз останніх досліджень і публікацій. Методика оцінки кредитоспроможності позичальників - фізичних осіб із застосуванням кредитного скорингу була розроблена американським економістом Д. Дюрандом на початку 40-х років ХХ ст. Цей метод є найпоширенішим і дозволяє виконати експрес-аналіз в присутності клієнта за його заявкою на кредит. Розробкою математико-економічних методів оцінки кредитоспроможності позичальників було покладено такими вченими, як Геєць В. М.[1], Кириченко О.[2], Огонь Ц. Г. [3], Чугунов І. Я. [4].

Незважаючи на велику кількість публікацій з кредитного ризику, проблематиці скорингового підходу в Україні присвячено мало публікацій, що пояснюється невеликим часом розвитку сегменту споживчого кредитування.

Мета статті. Дослідити можливості реалізувати нейронну мережу, для задач кредитного скорингу в новій надбудові Neural Excel. Проаналізувати реалізації нейронних мереж в різних програмних середовищах.

Виклад основного матеріалу

Проблему кредитного скорингу можна розглядати як завдання класифікації: знаючи відповіді на питання анкети x є A , можна визначити, до якої групи належить позичальник : x є AG для «добрих» клієнтів , x є AB для “поганих”. При цьому необхідно розуміти, що абсолютно точна класифікація принципово неможлива.

Розглянемо побудову нейронної мережі на прикладі французького банку "Креді Агріколь" [2].

Цей банк застосовує наступний підхід до скорінгової оцінки кредитоспроможності:

Мета кредиту (від 0 балів при видачі грошової позички, до 100 балів при купівлі автомобіля).

Участь клієнта у фінансуванні угоди (при оплаті менш 10% суми - 0 балів; від 10 до 45% - 30; більш 45% - 50 балів).

Родинний стан (від 0 балів для розлученого чоловіка і жінки до 60 балів з кількістю дітей менш трьох).

Вік (від 0 балів для осіб молодших 25 років, до 100 балів для осіб старших 65 років).

Професія (від 0 балів для студентів, до 100 балів для державних службовців).

Зайнятість (від 0 балів при терміні менше одного року, до 100 балів більше чотирьох років).

Чистий річний доход (від 0 балів при доході до 30 тис. грн, до 100 балів при доході більш 100 тис. грн).

Володіння нерухомістю (від 0 балів при найманні квартири, до 80 балів при наявності власного будинку).

Термін кредиту (від 140 балів при терміні менше одного року, до 0 балів при терміні більше двох років).

Сума на банківському рахунку (від 0 балів при залишку менше 5 тис. грн до 150 балів при залишку більше 50 тис. грн).

Якщо потенційний позичальник набрав більше ніж 510 балів, банк задовольняє прохання про надання кредиту, при 380 - 509 балах здійснюється додатковий аналіз умов кредитування (сума, термін кредиту, гарантії); при сумі балів меншій ніж 380 банк відмовляє у наданні кредиту.

Для побудови сколінгової моделі використаємо новий додаток Neural Excel, створений для побудови нейронних мереж.

Таблиця 1 Інформація про мету кредитування

Інформація о доходах

Використовуючи дані таблиці 1 та таблиці 2, побудуємо мережу в новій надбудові Neural Excel. Це аналітична надбудова для Microsoft Excel, яка дозволяє працювати з нейронними мережами. Слід відзначити, що додаток простий у використанні, дозволяє швидко налаштувати й навчити нейронну мережу прямо в Microsoft Excel.

Рис.1. Вікно надбудови Neural Excel

Вхідними параметрами є всі дані з таблиці1 та таблиці 2 (рис.1), а вихідними значення Кредит. Зазначимо, що значення кредиту берем не суму балів, а 0-відмова в кредитовані, та 1 - надати кредит.

В нашому випадку функція активації сигмоїдальна. Сигмоїда виглядає гладкою і подібна до ступінчастої функції, та має певні переваги (1).

По-перше, сигмоїда - нелінійна за своєю природою (рис.2). Перевагою такої функції, є те, що вона не бінарна, що робить активацію аналоговою, на відміну від ступінчастої функції. Для сигмоїди також характерний гладкий градієнт. У діапазоні значень X від -2 до 2 значення Y змінюється дуже швидко. Це означає, що будь-яка мала зміна значення X, у цій області, приводе до зміни значення Y. На даний час, сигмоїда є однією з найпошерених активаційних функцій у нейромережах.

Для моделювання ми використовуємо нейронну мережу двошарового персептрона. Щоб навчити мережу, використовувати алгоритм зворотного поширення похибки. Архітектура цільової мережі (персептрон), що пропонується для моделювання проблемі кредитного скорингу.

Рис.2. Графік сигмоїди

Кривизну сигмоїди можна регулювати. Значення мінімуму та максимуму також. Сформувавши нейронну мережу, приступаємо до її навчання (рис.3).

Рис.3. Налаштування процесу навчання нейронноїмережі

Після налагодження нейронної мережі, її можна зберегти в файлі, а потім використовувати. В результаті розрахунків отримуємо вікно для тестування нейронної мережі (рис.4).

Підставляючи будь - які значення, можна отримати вірний результат.

Надбудова Neural Excel має вкладку Менеджер нейромереж, в якій можна отримати формулу, для підрахунку вихідних значень. В нашому випадку ця формула виглядає так:

=predict("NRLNET7";RC[-16];RC[-15];RC[-14];RC[-13];RC[-12];RC[-11];RC[- 10]; RC[-9];RC[-8];RC[-7];RC[-6];RC[-5];RC[-4])

Рис.4. Вікно тестування навчальної мережі

Таблиця 3 Результати розрахунків

Результати розрахунків наведені в таблиці 3. Наведені вище розрахунки доводять, що моделювання скорингу з використання нейронних мереж є доцільним. Очевидно, що використання нейромережевого апарату дає вірні результати. Проблеми скорингу були розглянуті в попередніх роботах[5]. Зокрема в середовищі Mathlab а також системі HUGIN , яка побудована на байєсовській мережі довіри.

Кожна з програм реалізації нейронних мереж має переваги і недоліки. Їх вибір залежить від стратегії банку та його пріоритетів та кваліфікації користувачів.

Висновки

В роботі проводився аналіз можливості використання нового додатку Neural Excel, для розв'язування задач кредитного скорингу.

Основними перевагами скогінгу є: комплексний характер оцінювання позичальника; оптимізація витрат та скорочення часу на кредитні рішення; відсутність суб'єктивного фактору під час формування кредитних рішень; можливість управління ризиком та доходом всього портфеля через прості інструменти.

Скоринг може бути корисним лише тоді, коли достатньо інформації про позичальників. Скоринг лише однин із елементів сучасної системи ризик- менеджменту банку, поряд із «чорними» списками, системою верифікації.

Попередні розрахунки проводилися в середовищі Mathlab та системі HUGIN , яка побудована на байєсовській мережі довіри. Приклади розрахунків в Neural Excel наведено. Слід відмітити простоту цього додатку. Для більш серйозних задач слід використовувати більш професійні додатки.

Література

1. Геєць В. М. Суспільство, держава, економіка: феноменологія взаємодії та розвитку/ В. М. Геєць. -К.: НАН України ; Ін-т екон. та прогнозув. НАН України. 2009. - 864 с.

2. Кириченко О. Державний бюджет як дзеркало соціально-економічних та політичних проблем України./ О.Кириченко // Економічний Часопис- ХХІ. -2008. - No 9-10. - с. 18-22/

3. Огонь Ц. Г. Програмно-цільовий метод та ефективність бюджетних програм./ Ц. Г.Огонь //Фінанаси України . - 2009. - No 7. - С 20-29.

4. Чугунов І. Я. Фінансово-економічне прогнозування і планування/ І. Я. Чугунов/ - К. : Поліграф-Консалтинг. - 2007. - 312 с.

5. Цеслів О.В. Методи штучного інтелекту які використовуються для кредитного скорингу/О.В.Цеслів О.В.// Вісник Київського університету технологій та дизайну. - 2014. - №2. - С.124- 132.

References

1. Оєєс', V. M. (2009). Suspd'stvo, derzhava, ekonomlka: fenomenologlja vzaemodь ta rozvitku [Society, state, economy: phenomenology of interaction and development]. K.: NAN Ukrami ; Іп-t ekon. ta prognozuv. NAN Ukrami [in Ukrainian].

2. Kirichenko, O. (2008). Derzhavnij bjudzhet jak dzerkalo sotiarno-ekonomKhnih ta poHtichnih problem Ukrami [State budget as a mirror of socio-economic and political problems of Ukraine]. Ekonomwhnij Chasopis- XX! - Economic Journal - XXI, 9-10, 18-22 [in Ukrainian].

3. Ogon', C. G. (2009). Programno-til'ovij metod ta efektivmst' bjudzhetnih program [Program-target method and efficiency of budget programs]. Fmanasi Ukraini - Finance of Ukraine, 7, 20-29 [in Ukrainian].

4. Chugunov, І. Ja. (2007). Finansovo-ekonomichne prognozuvannja і planuvannja [Financial and economic forecasting and planning]. K. : Poligraf-Konsalting [in Ukrainian].

5. Cesliv, O.V. (2014). Metodi shtuchnogo intelektu jaki vikoristovujut'sja dlja kreditnogo sko-ringu [Methods of artificial intelligence used for credit scoring]. Visnik Kitvs'kogo universitetu tehnologij ta dizajnu - Bulletin of Kyiv University of Technology and Design, 2, 124- 132 in Ukrainian].

Размещено на Allbest.ru