Моделювання кредитного ризику комерційного банку на основі нейронечітких технологій
Розробка нових сучасних нейронечітких моделей оцінки залежності рівня кредитного ризику комерційного банку щодо позичальника від факторів-показників його кредитоспроможності та прогнозування динаміки показників фінансової діяльності позичальника.
Рубрика | Экономико-математическое моделирование |
Вид | автореферат |
Язык | украинский |
Дата добавления | 28.07.2014 |
Размер файла | 69,8 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
ДНІПРОПЕТРОВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ
Притоманова Ольга Михайлівна
УДК 336.77:330.115
моделювання кредитного ризику комерційного банку на основі нейронечітких технологій
Спеціальність 08.03.02-економіко-математичне моделювання
АВТОРЕФЕРАТ
дисертації на здобуття наукового ступеня кандидата економічних наук
Дніпропетровськ - 2004
Дисертацією є рукопис.
Робота виконана в Дніпропетровському національному університеті
Міністерства освіти і науки України.
Науковий керівник: доктор фізико-математичних наук, професор
Кісельова Олена Михайлівна,
Дніпропетровський національний університет,
завідувач кафедри обчислювальної математики
та математичної кібернетики.
Офіційні опоненти: доктор економічних наук, професор
Ковальчук Костянтин Федорович, Національна
металургійна академія України, (м. Дніпропетровськ),
декан факультету економіки і менеджменту,
кандидат економічних наук, доцент
Пернарівський Олександр Васильович, Національна
академія державної податкової служби України,
(м. Ірпінь), доцент кафедри банківської справи.
Провідна установа: Запорізький державний університет Міністерства
науки і освіти, кафедра економічної кібернетики.
Захист відбудеться “ 8 ” червня 2004 р. о 14.00 годині на засіданні спеціалізованої вченої ради К 08.051.03 у Дніпропетровському національному університеті Міністерства науки і освіти України за адресою:
49050 м. Дніпропетровськ, вул. Наукова, 13, ауд.317.
З дисертацією можна ознайомитись в бібліотеці Дніпропетровського національного університету за адресою:
49050 ДСП, м. Дніпропетровськ, вул. Казакова, 8.
Автореферат розісланий “ 7 ” травня 2004 року.
Вчений секретар спеціалізованої
вченої ради К 08.051.03, професор А. К. Василевський
ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ
Актуальність теми. На ефективність загальних трансформаційних перетворень в сучасній економіці України істотно впливають процеси розбудови банківської системи. Розвиток банківської системи України в останні роки характеризується динамічним зростанням обсягів діяльності, зокрема - обсягів кредитного портфеля, що об'єктивно спричиняє зростання рівня ризику банківського кредитування.
Ризикованість кредитування обумовлена самою природою кредитної угоди й тим, що кредитні операції посідають значне місце в загальному обсязі активних операцій майже всіх комерційних банків. Надто ризикована кредитна політика комерційного банку є однією з основних причин, що призводить до його банкрутства. В умовах сучасного трансформаційного періоду вітчизняної економіки, коли поряд з позитивними тенденціями присутні й негативні (слабкий і недостатньо прозорий фінансовий стан переважної часини суб'єктів господарювання, майже кожне друге підприємство збиткове та ін.) комерційні банки змушені постійно вдосконалювати стратегію та тактику своєї кредитної діяльності. У зв'язку з цим актуальним у сучасних тенденціях розвитку банківського сектору є аналіз і управління кредитним ризиком з метою зниження його рівня.
Проблемам ефективного функціонування банківської системи приділяється велика увага у дослідженнях вітчизняних та зарубіжних науковців. Авторами цих праць є Батракова Л.Г., Бутинець Ф.Ф., Васюренко О.В., Валравен К., Герасимович А.М., Дзюблюк О.В., Лаврушин О.І., Масленченков Ю.С., Мороз А.М., Панова Г.С., Примостка Л.О, Савлук М.І., Тиркало Р.І., Шевцова О.Й. та інші.
Сучасний рівень аналізу та управління банківською діяльністю неможливий без застосування математичних моделей та методів. Економіко-математичному моделюванню ризиків приділяють багато уваги у наукових дослідженнях вітчизняні та зарубіжні автори, такі як Альтман Е., Вітлінський В.В., Єгорова Н.Є., Ковальчук К.Ф., Костіна Н.І., Первозванський А.А., Пернарівський О.В., Рао С.Р., Севрук В.Т., Ситник В.Ф, Сінкі Дж.Ф., Ястремський О.І. та інші.
Разом з тим, переважна більшість сучасних математичних моделей кредитного ризику, що побудовані на базі економетричного апарату та теорії нечіткої логіки, не враховують нетривіальність моделювання кредитного ризику, яка обумовлена наступними причинами: недосконалістю статистичної інформації, її нечіткістю, іноді навіть суперечливістю і недоступністю, перевагою якісних факторів кредитоспроможності позичальника над кількісними, істотною нелінійною залежністю рівня кредитного ризику від цих факторів. У зв'язку з цим актуальною стає проблема моделювання кредитного ризику банку з застосуванням нейронечітких технологій, які забезпечують високий рівень адекватності моделей в умовах нечіткої вхідної інформації.
Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконувалась згідно з планами науково-дослідних робіт Дніпропетровського національного університету, зокрема відповідно з планом науково-дослідної роботи Інституту економіки за держбюджетною темою “Фінансово-економічні проблеми становлення та розвитку підприємництва в Україні” (№ державної реєстрації 0103U000550) та відповідно з планом науково-дослідної роботи кафедри обчислювальної математики та математичної кібернетики за держбюджетною темою "Нейронечітке моделювання в задачах охорони навколишнього середовища з використанням методів оптимального розбиття" (№ державної реєстрації 0103U000562). Автору належить розробка нейронечітких моделей оцінки кредитного ризику комерційного банку та прогнозування тенденцій у змінах показників фінансових результатів господарчої діяльності позичальників, а також побудова на основі цих моделей систем підтримки прийняття управлінських рішень.
Мета і задачі дослідження. Метою дослідження є створення системи підтримки прийняття рішень для аналізу і ефективного управління кредитним ризиком комерційного банку щодо позичальника шляхом впровадження адекватних математичних моделей, побудованих на основі нейронечітких технологій.
Для досягнення мети були поставлені такі задачі:
- виявлення основних тенденцій у розвитку банківського сектору України у 2000-2003 роках;
- аналіз існуючих методологічних підходів і проблем щодо системної класифікації ризиків комерційного банку;
- визначення і формалізація найбільш впливових факторів на рівень кредитного ризику комерційного банку щодо позичальника;
- обґрунтування застосування нейронечітких технологій до моделювання кредитного ризику комерційного банку щодо позичальника;
- розробка нейронечіткої моделі оцінки залежності рівня кредитного ризику банку щодо позичальника від факторів-показників його кредитоспроможності;
- розробка нейронечіткої моделі прогнозування показників фінансової діяльності позичальника;
- розробка програмного забезпечення для реалізації та дослідження нейронечітких моделей аналізу і управління кредитним ризиком;
- побудова системи підтримки прийняття рішень аналізу і ефективного управління кредитним ризиком банку на основі розроблених нейронечітких моделей.
Об'єктом дослідження є процес кредитування у діяльності комерційного банку з урахуванням ризикованості.
Предметом дослідження є моделювання та управління кредитним ризиком банку на основі нейронечітких технологій.
Методи дослідження. Теоретичною та методологічною основою дисертаційної роботи є досягнення вітчизняних та зарубіжних вчених в галузі банківської справи, теорії кредиту, банківського менеджменту, теорії економічного ризику, економетрії, теорії нечітких множин та нейронних мереж, що дали змогу проаналізувати фактичну і статистичну інформацію, узагальнити існуючий досвід оцінки і управління кредитним ризиком банку. В дисертаційній роботі застосовано нейронечітку технологію для моделювання рівня кредитного ризику та прогнозування фінансових показників позичальника.
В роботі використовувались матеріали державних статистичних органів України, звітні дані Національного банку України, ретроспективні дані щодо позичальників АБ “Кредит-Дніпро”.
Наукова новизна одержаних результатів полягає в тому, що одержано рішення наукової задачі застосування нейронечітких технологій для розробки науково обґрунтованих рішень щодо аналізу, оцінки і управління кредитним ризиком комерційного банку з метою зниження його рівня. Наукова новизна дисертаційної роботи полягає в наступному:
* побудована нова нейронечітка модель оцінки залежності рівня кредитного ризику банку щодо позичальника від факторів-показників його кредитоспроможності. На відміну від відомих, запропонована модель дозволяє відтворювати складні нелінійні залежності рівня ризику від факторів-показників в умовах нечіткої як кількісної, так і якісної інформації при відносно малих статистичних вибірках;
* вперше на основі побудованої моделі оцінки рівня кредитного ризику запропоновано методологічний підхід до аналізу впливу факторів-показників кредитоспроможності позичальника на рівень кредитного ризику комерційного банку, який дозволяє виробити обґрунтовані пропозиції щодо управління кредитним ризиком з метою його зниження;
* побудована нова нейронечітка модель прогнозування динаміки показників результатів фінансової діяльності позичальника;
* на основі побудованих нейронечітких моделей розроблено систему підтримки прийняття рішень для аналізу і управління кредитним ризиком банку з метою отримання рекомендацій щодо прийняття обґрунтованих рішень про видачу кредиту та моніторинг кредитного ризику;
* дістали подальшого розвитку принципи системної методології оцінки показників для визначення рівня кредитного ризику банку щодо позичальника;
* розширено сферу застосування нейронечітких технологій.
Практичне значення одержаних результатів. Впровадження висновків і пропозицій з проблем оцінки і управління кредитним ризиком комерційного банку, одержаних на основі науково обґрунтованих теоретичних результатів дисертаційної роботи, допоможе підвищити ефективність систем ризик-менеджменту комерційних банків.
Побудовані моделі аналізу і прогнозу можна використовувати для:
- розрахунку прогнозного значення рівня кредитного ризику банку щодо позичальника для будь-якої сукупності вхідних змінних;
- аналізу тенденцій впливу зміни факторів-показників кредитоспроможності позичальника на рівень кредитного ризику комерційного банку щодо позичальника з урахуванням виявлених в аналізі наявної статистичної інформації тенденцій, що склалися у фінансовому стані вітчизняних підприємств;
- прогнозування тенденцій зміни рівня кредитного ризику банку для різних сценаріїв зміни фінансових факторів-показників позичальника;
- визначення діапазонів зміни кожного з фінансових факторів-показників, при яких рівень кредитного ризику є прийнятним для банку або залишається неприйнятним для банку;
- прогнозування тенденцій показників основних результатів фінансової діяльності позичальника на термін дії кредитної угоди.
Системи підтримки прийняття рішень з застосуванням нейронечітких моделей аналізу кредитного ризику вбудовуються в аналітичні блоки банківських інформаційних систем та з їх допомогою одержують обґрунтовані рішення в умовах великої кількості невизначених і нечітких даних, що удосконалює механізми автоматизації процесу аналізу кредитних заявок, прийняття рішень про видачу позики та моніторинг кредитного ризику.
Окремі теоретичні результати та запропонований підхід для моделювання кредитного ризику банку були впроваджені в навчальний процес факультету прикладної математики та Інституту економіки Дніпропетровського національного університету при викладанні спеціальних курсів та виконанні дипломних і курсових робіт.
Деякі матеріали дисертаційного дослідження, зокрема нейронечітка модель оцінки рівня кредитного ризику банку та нейронечітка модель прогнозування показників фінансової діяльності позичальника, знайшли практичне використання при побудові системи оцінки ризиків у діяльності кредитно-фінансового управління АБ “Кредит-Дніпро” (довідка №1503 від 15 березня 2004 року).
Особистий внесок здобувача. Всі результати, які становлять суть дисертаційної роботи, отримані автором особисто. Серед робіт, опублікованих у співавторстві, дисертантові належить розробка нейронечіткої моделі прогнозування результатів фінансової діяльності суб'єкта господарювання [2], розробка нейронечіткої моделі оцінки кредитного ризику банку [3], обґрунтування застосування нейронечітких технологій до прогнозування фінансових часових рядів [9].
Апробація результатів дисертації. Основні положення і результати були викладені на другій та третій міжнародній науково-практичній конференції "Проблеми впровадження інформаційних технологій в економіці та бізнесі" (Ірпінь, травень, 2001 та 2002 років), міжнародній науково-практичній конференції "Проблеми та перспективи розвитку економіки України в умовах ринкової трансформації" (Дніпропетровськ, 31 травня - 4 червня, 2001), на міждержавній науково-методичній конференції “Комп'ютерне моделювання”, Дніпродзержинськ, квітень, 2001, на І Всеукраїнській науково-практичній конференції "Математичне та програмне забезпечення інтелектуальних систем”, Дніпропетровськ, листопад, 2003, та на 11 міжнародній конференції "Математика, компьютер , образование”, г. Дубна, 26-31 января 2004 г.
Публікації. Основні результати дисертації викладено у 9 наукових працях, з них 3 статті у наукових фахових виданнях (у тому числі 1 без співавторів), 6 тез доповідей на міжнародних конференціях. Загальний обсяг публікацій склав 2.9 у.д.а, з яких автору особисто належить 2.01 у.д.а.
Структура і обсяги роботи. Дисертація складається з вступу, трьох розділів, висновків, списку використаних джерел і додатків. Загальний обсяг роботи складає 175 сторінок друкованого тексту, містить 31 таблицю, 70 рисунків, список використаних джерел з 203 найменувань, 8 додатків.
ОСНОВНІ ПОЛОЖЕННЯ ДИСЕРТАЦІЙНОЇ РОБОТИ
ЗМІСТ РОБОТИ
У вступі обґрунтовано актуальність вибраної теми, визначена мета і основні задачі, об'єкт дослідження, наукова новизна, практичне значення і апробація результатів дослідження.
У першому розділі “Огляд стану проблеми оцінки ризиків комерційного банку та шляхів їх вирішення” обґрунтовано важливість і актуальність управління кредитним ризиком у банківській діяльності на сучасному етапі трансформаційних перетворень вітчизняної економіки, досліджено принципи системної методології оцінки рівня кредитного ризику комерційного банку та підходів до моделювання кредитного ризику, а також визначаються основні напрями авторського аналізу.
Визначено основні тенденції в діяльності банків України на етапі економічного зростання 2000-2003 років. Встановлено, що розвиток економіки та банківського сектору взаємопов'язані й взаємообумовлені. Для забезпечення економіки необхідними ресурсами необхідно нарощувати обсяги кредитування реального сектору економіки й населення, знижуючи водночас кредитні ставки та збільшуючи терміни надання кредитів. Сьогоднішній рівень розвитку і стійкості банківського сектора України цілком відтворює ступінь розвитку економіки країни, а також рівень ризиків, властивих реальному секторові економіки. Подальший розвиток банківського сектора України буде залежати від розвитку економіки країни в цілому. В цих умовах успішний розвиток окремої банківської установи повинен орієнтуватися на інноваційне лідерство через застосування наукового підходу до прийняття рішень та реалізацію інноваційних технологій.
Як показав аналіз, конструктивним є системний підхід до класифікації ризиків, на які наражається банк. Системний підхід дозволяє класифікувати ризики по ступені їх узагальнення та виявляти індивідуальні особливості кожного ризику на будь-якому рівні узагальнення. Значення кредитного ризику в структурі банківських ризиків залежить від масштабу кредитних операцій, які здійснюються банком. Розміщення значної частини активів у кредитні вкладення або одержання банками значної частини прибутку за рахунок кредитних операцій означає концентрацію значної частини банківських ризиків у кредитному портфелі. Розгляд кредитного ризику банку як структури, що включає ризик конкретного позичальника і ризик портфеля кредитних вкладень, припускає облік особливостей кожного виду ризику в процесі управління.
Класифікація ризиків - це передумова управління ризиками. Економічне значення ризику полягає в можливості управління ним. На основі загальної схеми управління ризиками пропонується схема етапів управління кредитним ризиком, яка ураховує особливості кредитного ризику. Обґрунтовано важливість адекватної оцінки ризику для підвищення ефективності управління ризиком.
Досліджено принципи системної методології оцінки рівня кредитного ризику комерційного банку щодо позичальника, яка базується на оцінці кредитоспроможності позичальника та залежить від різноманітних кількісних та якісних факторів-показників. Основними математичними методам, що застосовуються для оцінки кредитоспроможності є класичні економетричні методи, які ураховують, як правило, кількісні показники.
Складність моделювання кредитного ризику обумовлена тим, що задача оцінки кредитоспроможності відноситься до типу слабоструктурованих проблем, основними рисами яких є об'єктивна наявність у їх складі як якісних, так і кількісних показників, крім того, значна частина банківської інформації не піддається точному й формалізованому опису, може бути представлена у формі нечіткого подання. Пропонується застосувати нейронечіткий підхід до моделювання кредитного ризику банку та використання нейронечітких моделей у системах управління кредитним ризиком, тому що ефективність нейронечіткого підходу особливо виявляється тоді, коли процеси є досить складними для аналізу за допомогою класичних кількісних методів, або коли джерела інформації інтерпретуються якісно, неточно або невизначено, тобто коли процеси є слабо структурованими.
В другому розділі "Нейронечіткі моделі для аналізу і управління кредитним ризиком комерційного банку" побудовані нейронечітка модель оцінки залежності рівня кредитного ризику комерційного банку щодо позичальника від факторів-показників його кредитоспроможності та нейронечітка модель прогнозування динаміки показників фінансової діяльності позичальника.
На основі аналізу статистичної інформації з кредитних справ позичальників комерційних банків виявлено її суперечливий, недосконалий, нечіткий характер. Тому автором запропоновано і обґрунтовано підхід до побудови моделей для аналізу і управління кредитним ризиком з застосуванням нейронечітких технологій, який має певні переваги перед класичним економетричним підходом.
Для побудови математичної моделі оцінки залежності рівня кредитного ризику комерційного банку щодо позичальника від факторів-показників його кредитоспроможності враховувались теорія фінансового аналізу, нормативні документи НБУ, дослідження, проведені автором у першому розділі, а також існуючий досвід розробки моделей оцінки кредитоспроможності позичальника. Виходячи з цього, основними факторами (вхідними змінними), що найбільш впливають на кредитний ризик обрано і формалізовано такі:
- кількісні (х1 - коефіцієнт миттєвої ліквідності, х2 - коефіцієнт поточної ліквідності, х3 - коефіцієнт загальної ліквідності, х4 - коефіцієнт маневреності власних коштів, х5 - коефіцієнт фінансової незалежності, х6 - рентабельність активів, х7 - рентабельність продажу);
- якісні (х8 - термін функціонування підприємства, х9 - наявність заборгованості у попередніх кредитних угодах, х10 - професіоналізм керівництва).
Вихідну змінну, оцінку рівня кредитного ризику, позначимо через y.
Розглянемо модель оцінки рівня кредитного ризику банку щодо позичальника в залежності від змінних x1, x2,..., х10 у загальному виді:
. (1)
Далі, для побудови математичної моделі (1) у явному вигляді відома статистична інформація про вхідні фактори, що впливають на у, формалізується у вигляді нечіткої продукційної бази знань, в якій відображена експертно-лінгвістична інформація про закономірності і зв'язки в існуючих даних. Для цього діапазони, в яких змінюються вхідні змінні, розбиваються на декілька частин (термів), що відповідають лінгвістичним оцінкам, наприклад: низький (Н), нижчий за середнє (НС), середній (С), вищий за середнє (ВС), високий (В). Діапазон вихідної змінної y розбивається на два класи: невисокий (D1), високий (D2).
Нечітка база знань являє собою сукупність нечітких правил (лінгвістичних висловлювань) типу “ЯКЩО-ТО”. Наприклад, ЯКЩО <коефіцієнт загальної ліквідності - середній> ТА <коефіцієнт фінансової незалежності - середній> ТА <рентабельність активів - висока> , ТО <кредитний ризик - невисокий> .
Лінгвістичні оцінки, отримані на основі відомої реальної статистичної інформації, за допомогою функцій належності перетворюються в кількісну форму. Функції належності задаються в наступному вигляді:
де (x) - число у діапазоні [0,1], яке характеризує суб'єктивну міру відповідності значення x нечіткому терму T (низький, середній та ін.),
b та c - параметри, які спочатку вибираються експертом, а потім настроюються на експериментальні дані: b- координата максимуму функції (x), причому (b)=1, c- коефіцієнт концентрації-розтягнення функції (x).
Таким чином, нейронечітка модель оцінки залежності рівня кредитного ризику банку щодо позичальника від факторів-показників його кредитоспроможності приймає наступний вид:
(2)
де уi - значення змінної у (0 або 1), в якості центрів класів D1 та D2 обрано значення d1=0 та d2=1. Функції (уi) залежать від функцій належності вхідних змінних. Вид цієї залежності визначається побудованою базою знань.
Для прикладу наведемо залежність функції належності (уi) вихідної змінної y для класу D1 від функцій належності вхідних факторів:
Тут wi - число в діапазоні [0,1], яке характеризує суб'єктивну міру впевненості експерта відносно висловлювання з номером і з бази знань, тобто є вагою і-го правила.
За допомогою моделі (2) можна грубо оцінити залежність рівня кредитного ризику банку щодо позичальника від факторів-показників його кредитоспроможності. І чим вдаліше будуть обрані початкові значення для параметрів b, c, w, тим модель (2) буде більш близькою до експериментальних даних.
В тих випадках, коли необхідно одержати модель (2) достатньо близьку до експериментальних даних, проводять навчання моделі (2). Навчання моделі - це підбір параметрів b, c, w, які забезпечують мінімум відстані між модельними і експериментальними даними. Значення , що є середньоквадратичним відхиленням теоретичного від експериментального виходів об'єкту, використовується для оцінки якості навчання моделі. Для навчання моделі було використано модифікацію градієнтного методу на випадок недиференційовних функцій, так званий r-алгоритм Шора Н.З., з точністю =0.001.
Побудована модель (2) представляє нелінійну аналітичну залежність рівня кредитного ризику банку щодо позичальника від факторів його кредитоспроможності.
Модель (2) дозволяє провести статичний аналіз (на дату аналізу) кредитоспроможності позичальника, а динамічний же аналіз кредитоспроможності потребує побудови моделі прогнозування.
Для побудови нейронечіткої моделі прогнозування динаміки показників фінансової діяльності позичальника значення показника у минулому розглянемо як часовий ряд:
(3)
Значення показника у часовому ряді (3) згруповано у цикли по чотири елементи: три елементи на вхід, один - на вихід, відповідно до виявлених тенденцій у попередні періоди. Схематично це можна подати у вигляді (рис.2):
х1
х2 х4
х3
х5
х6 і ін.
Рис.2. Мережа залежностей для прогнозування
Тобто, ми будемо вважати, що прогноз значення показника на i-й (i ? 4) період (місяць) залежить від тенденцій, що склалися в попередніх - (i-1)-му, (i-2)-му та (i-3)-му - періодах. Отже, прогнозне значення показника на i-й період є функція параметрів хi-3, xi-2, xi-1:
xi=f(xi-3,,xi-2,,xi-1), i ? 4. (4)
Нейронечітка модель прогнозу тенденцій показників фінансових результатів діяльності позичальника, побудована аналогічно попередній моделі і має наступний явний вид:
(5)
i?4, де - прогнозні значення показника, які залежать від параметрів b і c; xi- відомі експериментальні значення показника, n - кількість експериментальних значень показника, за якими проводиться навчання.
На основі цієї моделі автором розроблено прогнозування динаміки прибутку суб'єкту господарювання по експериментальним даним за період з січня 1998 року по жовтень 2000 року, які представляють собою часовий ряд (3) з 34 елементів. Адекватність моделі прогнозу перевірялась двома способами. Першим способом за експериментальними даними часового ряду з перших 31 елементів були отримані теоретичні значення, розраховані за моделлю, для 32-го, 33-го і 34-го елементів, які майже не відрізняються від експериментальних даних за ці ж періоди (рис. 3).
Другим способом після проведення процедури навчання модель була оцінена за критеріями якості, наведеними у табл.1.
Таблиця 1
Оцінка якості моделі прогнозування
Модель прогнозування динаміки фінансових показників |
Значення критерію якості |
||
абсолютне середньоквадратичне відхилення |
відносне середньоквадратичне відхилення |
||
до навчання |
509.742 |
1.441% |
|
після навчання |
413.359 |
1.169% |
|
різниця |
96.383 |
0.272% |
Для комп'ютерної реалізації побудованих у розділі нейронечітких моделей автором було розроблено програмне забезпечення у програмному середовищі Visual C 6.0. Програмне забезпечення має гнучкий і прозорий для користувача інтерфейс, дозволяє автоматично будувати нечіткі моделі та подавати отримані за допомогою побудованих моделей результати в зручному для користувача вигляді (графічному або табличному), високий рівень можливостей розширення структури нейронечіткої моделі, що дуже важливе для проведення досліджень за моделлю.
В третьому розділі “Застосування побудованих нейронечітких моделей для аналізу та управління кредитним ризиком банку” на основі розроблених автором нейронечітких моделей проведено модельний аналіз впливу основних показників кредитоспроможності на рівень кредитного ризику комерційного банку щодо позичальника та побудовано систему підтримки прийняття рішень аналізу і управління кредитним ризиком.
На основі запропонованих моделей виконані варіантні прогнозно-аналітичні розрахунки для різних сценаріїв змін фінансових факторів-показників, досліджено закономірності впливу одночасної зміни різних пар фінансових показників на рівень кредитного ризику банку з метою визначення оптимальних діапазонів кожного фінансового фактора, при яких рівень кредитного ризику є прийнятним, або неприйнятним для банку.
Наприклад, на основі розрахунків, проведених за нейронечіткою моделлю, і графічно представлених на тривимірному графіку (рис. 4) встановлено, що при зміні коефіцієнта незалежності на усьому діапазоні, крім значень, близьких до нормативних (біля 0.5) та зміні показника рентабельності продажу на усьому діапазоні, крім значень, близьких до 0.4, рівень кредитного ризику збільшується і залишається на неприйнятному для банка рівні, тобто більш ніж 0.5. Як видно з рис. 5, при одночасному зменшенні коефіцієнта загальної ліквідності у діапазоні [0.690, 1.294], а коефіцієнта маневреності власних коштів - у діапазоні [-1.066, -0.494], рівень кредитного ризику збільшується і залишається на неприйнятному для банка рівні, тобто більш ніж 0.5.
Модуль аналізу фінансової діяльності застосовується на етапі прийняття рішення про можливість банкрутства позичальника (рис 7). Модуль аналізу кредитоспроможності позичальника повністю уключає модуль аналізу фінансової діяльності та враховує ще й умови кредиту, організаційно-економічну характеристику позичальника і ін. та застосовується при прийнятті рішень про видачу кредиту та моніторингу кредитного ризику (рис.8).
Побудована СППР є засобом для реінжинірингу процесу банківського кредитування для переходу на якісно новий рівень управління кредитним ризиком і підвищення надійності комерційного банку.
ВИСНОВКИ
У дисертації наведене теоретичне узагальнення і нове вирішення наукової задачі, що полягає в розробці систем підтримки прийняття рішень для аналізу і ефективного управління кредитним ризиком комерційного банку щодо позичальника шляхом впровадження адекватних математичних моделей, побудованих на основі нейронечітких технологій. Основні результати виконаної роботи полягають в наступному.
1. Визначено, що позитивні тенденції на сучасному етапі трансформаційних перетворень економіки України сприяли динамічному зростанню темпів приросту активів, обсягів залучених коштів, капіталу банківської системи. А динамічне зростання ресурсної бази банків, у свою чергу, дало змогу їм суттєво збільшити обсяги кредитування реального сектора економіки. Однак, банківська система України за цим показником поступається фінансовим структурам багатьох країн. Для забезпечення вітчизняної економіки необхідними фінансовими ресурсами потрібно нарощувати обсяги кредитування реального сектору економіки, знижуючи водночас кредитні ставки. А здешевлення кредитних вкладень прямо залежить від зниження ризиків їх надання. Цим обумовлена необхідність удосконалення процесів управління ризиками банківського кредитування з метою зниження їх рівня.
2. Аналіз існуючих методологічних підходів і проблем класифікації банківських ризиків показав, що системна класифікація ризиків є передумовою побудови ефективної системи управління ризиками. Пропонується схема етапів управління кредитним ризиком. Обґрунтовані важливість етапу оцінки ризику для підвищення ефективності управління ризиком та застосування методів економіко-математичного моделювання для одержання адекватної оцінки ризику. Нетривіальність моделювання кредитного ризику, яка обумовлена недосконалістю статистичної інформації, її нечіткістю, перевагою якісних факторів кредитоспроможності позичальника над кількісними, істотною нелінійною залежністю рівня кредитного ризику від цих факторів призводить до застосування нейронечітких технологій, які забезпечують високий рівень адекватності моделей в умовах нечіткої вхідної інформації. Визначено і формалізовано найбільш впливові фактори на рівень кредитного ризику комерційного банку щодо позичальника.
3. Побудовано нову нейронечітку модель оцінки залежності рівня кредитного ризику комерційного банку щодо позичальника від факторів-показників його кредитоспроможності, яка, на відміну від відомих моделей, дозволяє більш адекватно відтворити складні нелінійні залежності рівня кредитного ризику від основних факторів-показників кредитоспроможності в умовах нечіткої як кількісної, так і якісної статистичної інформації при відносно малих експериментальних вибірках. Для можливості аналізувати фактори-показники кредитоспроможності позичальника у динаміці побудована нова нейронечітка модель прогнозування динаміки показників фінансової діяльності позичальника, яка має високий рівень адекватності.
Головні достоїнства побудованих моделей такі:
- можливість використання при моделюванні не тільки кількісної, чіткої експериментальної інформації про закономірності, як в економетричних моделях, а й нечіткої, якісної, яка подається експертами на природній мові;
- можливість моделювання при відносно малих (в порівнянні з економетричними підходами) експериментальних вибірках;
- можливість відтворювання складних нелінійних (непередбачених наперед) залежностей змінної від великої кількості вхідних параметрів;
- здібність моделей до навчання;
- достатньо загальний вигляд, такий, при якому в ролі вхідних змінних можуть виступати й інші фактори, що впливають на рівень кредитного ризику банку щодо позичальника.
4. Розроблено програмне забезпечення для комп'ютерної реалізації побудованих нейронечітких моделей у програмному середовищі Visual C 6.0. Програмне забезпечення має гнучкий і прозорий для користувача інтерфейс, дозволяє автоматично будувати нечіткі моделі та подавати отримані за допомогою побудованих моделей результати в зручному для користувача вигляді (графічному або табличному), високий рівень можливостей розширення структури нейронечіткої моделі, що дуже важливе для проведення досліджень за моделлю.
5. На основі запропонованих моделей проведено модельний аналіз впливу основних показників кредитоспроможності позичальника на рівень кредитного ризику комерційного банку, виконані варіантні прогнозно-аналітичні розрахунки для різних сценаріїв змін фінансових факторів-показників, досліджено закономірності впливу одночасної зміни різних пар фінансових показників на рівень кредитного ризику банку з метою визначення оптимальних діапазонів кожного фінансового фактора, при яких рівень кредитного ризику є прийнятним або неприйнятним для банку. Виявлені тенденції у динаміці значень фінансових факторів-показників позичальника, що обумовлюють відповідно високий або низький рівень кредитного ризику банку щодо позичальника.
6. На основі розроблених нейронечітких моделей побудовано систему підтримки прийняття рішень аналізу і управління кредитним ризиком банку щодо позичальника з двох модулів-блоків: модуля аналізу фінансової діяльності позичальника та модуля аналізу кредитоспроможності позичальника.
Системи підтримки прийняття рішень з застосуванням нейронечітких моделей аналізу кредитного ризику вбудовують в аналітичні блоки банківських інформаційних систем та за їх допомогою одержують обґрунтовані рішення в умовах великої кількості невизначених і нечітких даних, що удосконалює механізми автоматизації процесу аналізу кредитних заявок, прийняття рішень про видачу позики та моніторинг кредитного ризику. Побудована система підтримки прийняття рішень є засобом для реінжинірингу процесу банківського кредитування для переходу на якісно новий рівень управління кредитним ризиком і підвищення надійності комерційного банку.
7. Науково-практичне значення проведеного дослідження полягає у можливостях використання побудованих нейронечітких моделей для розробки науково обґрунтованих рішень щодо аналізу, оцінки і управління кредитним ризиком комерційного банку з метою зниження його рівня та підвищення надійності комерційного банку.
Перелік опублікованих праць за темою дисертації
1. Притоманова О.М. Методологічні проблеми оцінки кредитних ризиків комерційного банку та шляхи їх вирішення // Економіка: проблеми теорії та практики. Збірник наукових праць. Випуск 187: В 4 т. Том ІІ. - Дніпропетровськ: ДНУ, 2003. - С.371-380.
2. Притоманова О.М., Кисельова О.М. Нейронечітка модель прогнозування прибутку комерційного банку // Економіка: проблеми теорії та практики. Збірник наукових праць. Випуск 184: В 3 т. Том ІІІ. - Дніпропетровськ: ДНУ, 2003. - С.648-658.
3. Бойцун Н.Е., Притоманова О.М., Кисельова О.М. Нейронечітка модель оцінки кредитного ризику // Економіка: проблеми теорії та практики. Збірник наукових праць. Випуск 182: В 3 т. Том ІІІ. - Дніпропетровськ: ДНУ, 2003. - С.601-613.
4. Притоманова О.М. Аналіз фінансових інструментів банківських стратегій на основі нейронечітких технологій // Математичне та програмне забезпечення інтелектуальних систем / Тези доповідей І Всеукраїнської науково-практичної конференції, листопад, 2003. - Дніпропетровськ: ДНУ, 2003. - С.52-53.
5. Притоманова О.М. Побудова імітаційної моделі для прогнозування фінансових результатів КБ та її комп'ютерна реалізація // Проблеми впровадження інформаційних технологій в економіці та бізнесі / Тези доповідей ІІ Міжнародної науково-практичної конференції, травень, 2001. - Ірпінь: Академія ДПС України. -2001. - С.176-177.
6. Притоманова О.М. Розробка системи підтримки прийняття рішень про надійність комерційного банка // Комп'ютерне моделювання / Тези доповідей міждержавної науково-методичної конференції, квітень, 2001. - Дніпродзержинськ: ДДТУ, 2001. - С.177-178.
7. Притоманова О.М. Комп'ютеризація прогнозування фінансового стану КБ на основі імітаційного моделювання // Проблеми та перспективи розвитку економіки України в умовах ринкової трансформації / Матеріали 2-ої міжнародної науково-практичної конференції, 31 травня-4 червня, 2001. - Дніпропетровськ: НГАУ. - 2001. - С.105-107.
8. Притоманова О.М. Об одном подходе к построению обобщенной экономико-математической модели процесса управления финансами в коммерческом банке // Проблеми впровадження інформаційних технологій в економіці та бізнесі / Тези доповідей ІІІ Міжнародної науково-практичної конференції, травень, 2002. - Ірпінь: Академія ДПС України. -2002. - С.176-177.
9. Притоманова О.М., Киселева А.М. Нейронечеткие технологи в прогнозировании финансовых временних рядов / Математика, компьютер, образование // Тезисы 11 международной конференции, г. Дубна, 26-31 января 2004 г. - С.139.
АНОТАЦІЯ
Дисертація на здобуття наукового ступеня кандидата економічних наук за спеціальністю 08.03.02 - економіко-математичне моделювання. - Дніпропетровський національний університет Міністерства освіти і науки України.
Дослідження присвячене теоретичним та прикладним аспектам економіко-математичного моделювання кредитного ризику комерційного банку, а саме, розробці систем підтримки прийняття рішень для аналізу і ефективного управління кредитним ризиком комерційного банку щодо позичальника шляхом впровадження адекватних математичних моделей, побудованих на основі нейронечітких технологій.
Побудовано нові нейронечіткі моделі оцінки залежності рівня кредитного ризику комерційного банку щодо позичальника від факторів-показників його кредитоспроможності та прогнозування динаміки показників фінансової діяльності позичальника, які дозволяють більш адекватно відтворити складні нелінійні залежності рівня кредитного ризику від основних фінансових факторів-показників в умовах нечіткої як кількісної, так і якісної статистичної інформації при відносно малих експериментальних вибірках. Розроблено програмне забезпечення для комп'ютерної реалізації побудованих моделей у програмному середовищі Visual C 6.0.
Система підтримки прийняття рішень аналізу і управління кредитним ризиком, розроблена на основі побудованих нейронечітких моделей, є засобом для реінжинірингу процесу банківського кредитування для переходу на якісно новий рівень управління кредитним ризиком і підвищення надійності комерційного банку.
Ключові слова: моделювання, кредитний ризик, кредитоспроможність позичальника, оцінка ризику, нейронечітка модель, управління ризиком.
АННОТАЦИЯ
нейронечіткий модель кредитний ризик
Диссертация на соискание научной степени кандидата экономических наук по специальности 08.03.02 - экономико-математическое моделирование. - Днепропетровский национальный университет Министерства образования и науки Украины.
Исследование посвящено теоретическим и прикладным аспектам экономико-математического моделирования кредитного риска коммерческого банка, а именно, разработке системы поддержки принятия решений для анализа и эффективного управления кредитным риском заемщика коммерческого банка путем внедрения адекватных математических моделей, построенных на основе нейронечетких технологий.
Построены новые нейронечеткие модели: модель оценки зависимости уровня кредитного риска заемщика коммерческого банка от факторов-показателей его кредитоспособности и модель прогнозирования динамики показателей финансовой деятельности заемщика, которые более адекватно восстанавливают сложные нелинейные зависимости уровня кредитного риска от основных финансовых факторов-показателей в условиях нечеткой как количественной, так и качественной статистической информации при относительно малых экспериментальных выборках.
Главные достоинства построенных моделей такие:
- возможность использования при моделировании не только количественной, четкой экспериментальной информации о закономерностях, как в эконометрических моделях, а и нечеткой, качественной, которая подается экспертами на естественном языке;
- возможность моделирования при относительно малых (в сравнении с эконометрическими подходами) экспериментальных выборках;
- возможность восстановления сложных нелинейных (непредвиденных наперед) зависимостей переменной от большого количества входных параметров;
- способность моделей к обучению;
- достаточно общий вид, такой, при котором в роли входных переменных могут выступать и другие факторы, которые влияют на уровень кредитного риска заемщика банка.
Разработано программное обеспечение для компьютерной реализации построенных нейронечетких моделей в программной среде Visual C 6.0. Программное обеспечение имеет гибкий и прозрачный для пользователя интерфейс, позволяет автоматически строить нечеткие модели и выдавать полученные с помощью построенных моделей результаты в удобном для пользователя виде (графическом или табличном), высокий уровень возможностей расширения структуры нейронечеткой модели, что очень важно для проведения исследований по модели.
На основе разработанных нейронечетких моделей построена система поддержки принятия решений анализа и управления кредитным риском заемщика из двух модулей-блоков: модуля анализа финансовой деятельности заемщика и модуля анализа кредитоспособности заемщика.
Системы поддержки принятия решений с применением нейронечетких моделей анализа кредитного риска встраивают в аналитические блоки банковских информационных систем и с их помощью получают обоснованные решения в условиях большого количества неопределенных и нечетких данных, что совершенствует механизмы автоматизации процесса анализа кредитных заявок, принятия решений о выдаче кредита и мониторинга кредитного риска. Построенная система поддержки принятия решений является средством для реинжиниринга процесса банковского кредитования для перехода на качественно новый уровень управления кредитным риском и повышения надежности коммерческого банка.
Научно-практическое значение проведенного исследования состоит в возможностях использования предложенных моделей, теоретических разработок по усовершенствованию систем управление кредитными рисками коммерческого банка для построения системы оценки рисков и усовершенствованию на его основе риска-менеджмента коммерческого банка.
Ключевые слова: моделирование, кредитный риск, кредитоспособность заемщика, оценка риска, нейронечеткая модель, управление риском.
Summary
Prytomanova O.M. Commercial Bank Credit Risk Modeling on the Basis of the Neural-Fuzzy Technologies. - A Manuscript.
Thesis for a Candidate Degree in Economics by major 08.03.02 - Economic and Mathematics Programming. Dniepropetrovsk National University, Ministry of Science and Education of Ukraine.
This dissertation is devoted to the theoretic and applied aspects of commercial bank credit risk economic and mathematics modeling. The conception of credit risk management has been proved. Credit risk includes the policy of credit risk management, finding the factors and credit risk identification, quantitative estimation of risk, risk minimization, risk monitoring, making the accountancy about risk.
New neural-fuzzy models of analysis of the basic financial factors and indices influence on the credit risk level and the forecasting of the main indices dynamics of the borrower's financial activity results have been elaborated for the evaluation of the level of commercial bank credit risk connected with the borrower. Unlike the well-known models, the constructed ones describe more adequately complex non-linear dependencies of the credit risk level from the basic financial factors and indices under the conditions of fuzzy both qualitative and quantitative statistical information under the relatively small experimental samplings. The constructed neural-fuzzy models can be used in the systems of decision-making support for the bank credit risk, connected with the borrower, analysis and management. The relevant software has been elaborated.
Key words: modeling, credit risk, borrower, risk evaluation, neural-fuzzy models, risk management.
Підписано до друку 28.04.04. Формат 60х90/16 Папір друкарський
Друк плоский. Гарнітура Times New Roman. Умовн. друк. арк. 1,0.
Тираж 100 прим. Замовл. №
Друкарня ДНУ, 49050, м. Дніпропетровськ-50, вул. Козакова, 46.
Размещено на Allbest.ru
...Подобные документы
Розкриття суті і визначення ролі фінансової складової в системі забезпечення економічної безпеки банківської діяльності. Класифікація моделей економічної безпеки і проведення кластерного і ієрархічного моделювання фінансової безпеки комерційного банку.
дипломная работа [2,4 M], добавлен 09.11.2013Аналіз методів дослідження фінансової діяльності банку та теорії синергетики. Створення автоматизованої інформаційної системи для розробки математичних моделей динаміки зміни коефіцієнтів фінансового стану банку. Методика комп’ютерного моделювання.
дипломная работа [4,8 M], добавлен 21.11.2009Поняття фінансової безпеки підприємства, існуючі загрози. Особливості дослідження фінансової безпеки підприємства на основі методів багатомірного статистичного аналізу. Розробка комплексу моделей оцінки рівня фінансової безпеки сучасного підприємства.
дипломная работа [987,5 K], добавлен 18.11.2013Економічна суть моделювання в прогнозуванні показників діяльності фірми. Особливості економічних моделей. Суть, принципи побудови та складання фінансової звітності підприємства. Оцінка і аналіз операційної діяльності підприємства ВАТ "Дніпропетровськгаз".
курсовая работа [3,0 M], добавлен 13.07.2010Характеристика підприємства ВАТ "Титан", виробничо-господарська діяльність, розрахунок основних економічних показників фінансової діяльності. Методика моделювання та розробка автоматизованої інформаційної системи максимізації прибутку на ВАТ "Титан".
дипломная работа [1,6 M], добавлен 14.03.2010Економіко-математичне моделювання як спосіб вивчення господарської діяльності. Аналіз коефіцієнтів оборотності капіталу. Оцінка факторів, що впливають на ділову активність. Застосування моделей прогнозування для підприємств гірничообробної промисловості.
курсовая работа [274,5 K], добавлен 06.09.2013Методи економічного прогнозування, їх відмінні особливості, оцінка переваг та недоліків. Моделі прогнозування соціально-економічних об’єктів. Принципи вибору моделей та комбінування прогнозів. Прогнозування показників розвитку банківської системи.
курсовая работа [813,1 K], добавлен 18.02.2011Вихідні поняття прогнозування, його сутність, принципи, предмет і об'єкт. Суть адаптивних методів. Прогнозування економічної динаміки на основі трендових моделей. Побудова адаптивної моделі прогнозування прибутку на прикладі стоматологічної поліклініки.
дипломная работа [1,2 M], добавлен 18.06.2015Сутність та методики побудови економіко-математичних моделей кошторисного бюджетування та прогнозування основних економічних показників діяльності відокремлених підрозділів підприємства. Кореляційно-регресійні економіко-математичні моделі планування.
дипломная работа [5,5 M], добавлен 02.07.2010Основні етапи формування інвестиційної політики підприємства та особливості управління фінансовими інвестиціями. Адаптивні методи прогнозування. Дослідження динаміки фондового ринку на основі моделей авторегресії – проінтегрованого ковзного середнього.
дипломная работа [1,6 M], добавлен 18.11.2013Аналіз чутливості і інтервалу оптимальності при зміні коефіцієнтів цільової функції. Моделювання випадкових подій. Визначення оптимальної виробничої стратегії. Розробка моделі функціонування фірм на конкурентних ринках. Оцінка ризику інвестування.
контрольная работа [333,9 K], добавлен 09.07.2014- Конкурентоспроможність національної економіки і валютний курс: оцінка впливу, прогнозування динаміки
Створення економіко-математичної моделі на основі рівняння множинної регресії та прогнозування конкурентоспроможності національної економіки за допомогою системи показників її розвитку. Оцінка впливу валютного курсу, практика його державного регулювання.
автореферат [50,3 K], добавлен 06.07.2009 Теоретичні аспекти дослідження ID-IS моделей. Попит та пропозиція як економічні категорії. Особливості моделей перехідної економіки. Аналіз підходів щодо моделювання сукупного попиту та пропозиції. Процес досягнення рівноваги та прогнозування ціни.
курсовая работа [639,7 K], добавлен 15.11.2010Теоретичні основи економічного прогнозування: сутність, види і призначення, принципи і методи. Особливості вибору моделей та створення систем державних прогнозів і соціально-економічних програм України. Порядок моделювання динаміки господарської системи.
курсовая работа [869,6 K], добавлен 16.02.2011Структурна схема ВАТ "Вагоно-ремонтний завод". Аналіз фінансового та економічного стану підприємства. Методики побудови апроксимаційних нелінійних залежностей за допомогою методу Ньютона нелінійного оптимального пошуку. Розробка методики прогнозування.
дипломная работа [986,3 K], добавлен 08.03.2010Теоретико-методологічні основи дослідження взаємозв’язку макроекономічних показників з податками. Аналіз робіт та напрямків економіко-математичного моделювання у сфері оподаткування. Моделювання впливу податкової політики на обсяг тіньової економіки.
дипломная работа [1,5 M], добавлен 21.06.2010Використання абсолютних, відносних та середніх величин, рядів динаміки у фінансовому аналізі, складання аналітичних таблиць. Застосування індексного та графічного методів. Послідовність аналізу економічних показників, взаємозв’язок факторних показників.
курсовая работа [145,2 K], добавлен 31.05.2010Поняття та процес економічного прогнозування, процес формування прогнозу про розвиток об'єкта на основі вивчення тенденцій його розвитку. Сутність та побудова економетричних моделей. Зарубіжний досвід побудови та використання економетричної моделі.
реферат [43,5 K], добавлен 15.04.2013Використання методів економетричного моделювання, аналізу і прогнозування на всіх напрямках економічних досліджень: мікро- та макроекономіка, міжнародна економіка, фінансові ринки. Розробка і використання адекватних статистичних (економетричних) моделей.
контрольная работа [330,4 K], добавлен 25.01.2015Прогнозування подій на валютному ринку. Побудова макроекономічної моделі прогнозування валютного курсу в Україні на основі теорії нечіткої логіки з застосуванням елементів теорії рефлективності. Економічний процес формування валютного курсу в Україні.
автореферат [42,5 K], добавлен 06.07.2009