Разработка системы автоматического кредитования клиентов в виде нейронной сети средствами программного комплекса MATLAB

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

1. Анализ проблемы принятия решений по кредитованию клиентов

1.1 Описание проблемы

Очевидно, что сегодня без автоматизации бизнеса нельзя сохранить конкурентоспособность, и поэтому практически во всех банках и кредитных учреждениях внедрялись, и продолжаю внедряться те или иные информационные системы.

Кредитные отношения - один из наиболее важных аспектов современной экономической деятельности. Эффективность кредитной системы обуславливает успешное развитие производства и социально-экономического прогресса.

При помощи кредита сокращается время на удовлетворение хозяйственных потребностей. Предприятие - заемщик за счет дополнительных средств имеет возможность увеличить свои ресурсы, расширить хозяйство, ускорить достижение производственных целей. Таким образом, кредит выступает опорой современной экономики и неотъемлемой частью экономического развития. Его используют как крупные предприятия и объединения, так и малые производственные, сельскохозяйственные и торговые структуры.

Доходы от кредитных операций являются основным источником прибыли. Однако невозврат кредитов может привести к банкротству. Именно поэтому так важно подобрать для каждого клиента правильный кредитный продукт, а так же заранее распознать проблемного заемщика.

В настоящее время в большинстве банков этим занимаются кредитные специалисты. Их задача состоит в оценке информации о заемщике, такой как ежемесячный доход, пол, возраст и.т.д. Согласно этим и многим другим критериям кредитные специалисты оценивают благонадежность заемщика и подбирают наиболее подходящие правила кредитования.

Выбор кредитных продуктов органичен небольшим, заранее утвержденным набором продуктов. В связи с этим каждому индивидуальному заёмщику выдается один из вполне стандартных кредитов. Этот подход не является эффективным, так как не учитываются особенности заемщика, при выдаче кредита, а как следствие банк не получает максимально возможной прибыли от кредитования.

«В современных условиях развития российской экономики особое значение приобретают принципы рационального кредитования, требующие надежной оценки не только объекта, субъекта и качества обеспечения, но и уровня доходности кредитных операций, снижения рисков. Важным становится так же и соблюдение технологии кредитования, правил выдачи и погашения ссуд, текущего наблюдения и анализа кредитных операций».

Но, к сожалению, имеется ряд недостатков в организации работы банков. Выдавая кредиты, работник кредитной службы должен помнить, что каждый кредит имеет свой уровень риска, и что ни один банк не сможет продолжать свою деятельность, если откажется от выдачи кредитов с высоким уровнем риска. Необходимо разумно выбирать каких клиентов стоит кредитовать, а каких нет.

«В первую очередь банки должны более серьезно относиться к оценке финансового состояния кредитополучателя. Анализ кредитоспособности позволяет на ранней стадии кредитного процесса спрогнозировать риск и практически полностью предотвратить всевозможные потери. Следует заметить, что существующие методики определения кредитоспособности основываются на анализе бухгалтерского баланса заемщика, однако совокупность данных расчетов не всегда отражает действительную ситуацию финансового положения. В иностранных государствах решить эту проблему помогает широкая сеть независимых аудиторских фирм, чье объективное заключение о финансовом состоянии потенциальных заемщиков облегчает работу банков. В нашей же стране аудиторское дело находится лишь на стадии становления».

В зарубежных странах накоплен большой опыт сбора и анализа репутации заемщика, а так же и других компонентах кредитоспособности. Так Кроме того, существует государственная картотека предприятия, доступная только профессиональным участникам банковской деятельности.

Так же одной из наиболее важных проблем кредитования юридических является определение процентной ставки. Ставка по кредиту должна обеспечивать прибыль банка и заемщика, а так же компенсировать риски. Чем выше уровень конкуренции на рынке банковских кредитов, тем ниже процентная ставка. Юридическим лицам невыгодно кредитоваться в крупных банках по завышенным ставкам, в то же время предприятий, удовлетворяющих жестким требованиям таких банков совсем немного. У средних банков требования к потенциальным заемщикам не так высоки, и они готовы работать индивидуально с каждым заемщиком. Но у них нет достаточного количества ресурсов, для того чтобы полностью удовлетворить потребности бизнеса

Наибольших успехов смогут добиться только те кредитные организации, которые раньше других смогут создать соответствующие механизмы, позволяющие эффективно работать на рынке банковских услуг.

Главный залог успеха банка при кредитовании это умение правильно просчитать и предвидеть результаты кредитных сделок. Именно такие банки смогут выиграть в современных условия.

1.2 Как в настоящий момент решаются проблемы кредитования в банках

В настоящее время очень активно развиваются технологии интеллектуального анализа данных (ИАД или data mining). Такая активность вызвана необходимостью аналитической обработки очень больших объемов информации. Возможность обработки данных методами математической статистики и машинного обучения открывает новые возможности перед исследователями и аналитиками. Сложность методов ИАД требует создание специализированных и удобных для пользователя программных продуктов для решения необходимых задач и анализа информации в конкретных областях. Такими продуктами являются бизнес-приложения. Бизнес-приложения являются очень перспективным направлением для применения ИАД.

При помощи инструментов ИАД в настоящее время успешно решаются многие задачи в экономической сфере. Рассмотрим некоторые из них:

· Анализ кредитного риска.

· Привлечение новых клиентов.

· Выявление случаев мошенничества с кредитными карточками.

· Оценка прибыльности инвестиционных проектов.

Анализ кредитного риска.

Правильная оценка кредитного риска очень важна для стабильности банка. Данная задача решается путём анализа накопленной банком кредитной истории своих прошлых клиентов. С помощью инструментов ИАД (деревья решений, кластерный анализ, нейронные сети и др.) банк может выявить «профили» добросовестных и неблагонадежных заемщиков и как следствие своевременно принять решение о выдаче или не выдаче кредита. Кроме того, появляется возможность классифицировать заемщика по группам риска, что позволяет не только решить вопрос о возможности кредитования, но и установить лимиты, проценты и другие показатели.

Привлечение новых клиентов.

Средствами ИАД банк может определить «профили» клиентов наиболее выгодных для ведения бизнеса и акцентировать свою маркетинговую политику именно на них. Так же возможно разбиение клиентов на группы (сегменты) по различным критериям. Например по тому, какие из банковских услуг предпочитают определенные группы клиентов. Такое разбиение позволит проводить маркетинговые мероприятия более осмысленно и эффективно.

Выявление случаев мошенничества с кредитными карточками.

В результате анализа большого количества транзакций, среди которых есть и неправомерные, создаются шаблоны подозрительных операций. Технологии ИАД используя эти шаблоны, отслеживают все транзакций, проводимые банком, среди которых выделяются потенциально неправомерные. Такой анализ позволяет банкам предотвращать незаконные действия, а не разбираться с последствиями

Оценка прибыльности бизнеса заемщика.

При оценке прибыльности бизнеса заемщика банк прибегает к услугам аналитиков, однако их оценки не всегда являются объективными. Кроме того, возможности человека ограничены, и даже самый профессиональный аналитик не в состоянии обработать очень большой объем информации. В таких случаях аналитики часто прибегают к использованию различных систем использующих методы ИАД. Тем самым создаются два различных мнения по поводу оценки каждого конкретного бизнеса - мнение аналитика и мнение информационной системы, что серьезно повышает качество принимаемого решения.

1.3 Постановка задачи

Некоторые подзадачи процесса кредитования успешно решаются при помощи ИАД, но все эти системы не решают проблему комплексно, а лишь дают некоторые частные оценки заемщика, которые впоследствии аналитик может использовать для принятия решения. Проблема оценки заемщика и выбора метода кредитования очень важна, поэтому целью данной работы выбрано построения системы комплексной оценки клиента и принятия решения по кредиту. В ходе работы необходимо:

· Спроектировать систему автоматической генерации правил кредитования клиентов на основе нейронных сетей.

· Реализовать логику кредитования и обучить нейронную сеть принимать решения в рамках этой логики.

· Показать возможность нейронной сети аппроксимировать логику кредитования с любой наперед заданной точностью.

2. Построение модели системы принятия решения по кредитованию

2.1 Модель бизнес процесса кредитования корпоративного клиента

Схема БП кредитования корпоративного клиента представлена на рисунке 1.

Рисунок 1. Верхнеуровневая схема БП кредитование корпоративного клиента

Рассмотрим, что происходит на каждом этапе.

1. Оценка и предварительный анализ заемщика.

На данном этапе происходит предварительный анализ заемщика, формирование основных условий сделки и принятие решения о продолжении сделки. Именно на этом этапе и предлагается использовать системы автоматического кредитования клиентов. Ниже будет подробно рассмотрен этот этап.

2. Сбор документов.

Этот этап подразумевает согласование с клиентом основных условий сделки и сбор документов необходимых для принятия окончательного решения по кредитованию.

3. Проведение детального анализа.

На основании полного пакета документов производится детальный анализ заемщика сотрудником залоговой службы, сотрудником юридической службы, сотрудником службы безопасности и кредитным специалистом. После анализа подготавливается заключение и отправляется на андеррайтинг.

4. Андеррайтинг.

На данном этапе проверяется корректность рассчитанных показателей по заемщику и при согласовании сделки андеррайтером она отправляется на кредитный комитет для принятия окончательного решения.

5. Принятие решения на кредитном комитете.

Сначала с клиентом согласуют изменения в структуре сделки, а после отправляют на кредитный комитет для принятия решения. В том случае, если кредитный комитет утверждает сделку, то остается только оформить кредитную документацию и выдать кредит.

6. Оформление кредитной документации.

При необходимости производится проверка залогового обеспечения, согласование кредитной документации и подписание кредитной документации клиентом и в банке и формируется кредитное досье.

На Рисунке 2 представлен детальный бизнес процесс 1. Оценка и предварительный анализ заемщика, а так же планируемый бизнес процесс этого этапа с учетом проектируемой системы на Рисунке 3.

Рисунок 2. Схема БП 1.Оценка и предварительный анализ заемщика



Рисунок 3. Измененная схема БП 1. Оценка и предварительный анализ заемщика

При помощи проектируемой системы предлагается полностью исключить кредитного специалиста из 1 этапа кредитовании и тем самым уменьшить трудозатраты и увеличить скорость прохождения процесса. А в будущем, после полной адаптации системы к процессу кредитования в конкретном банке, система может так же заменить кредитного специалиста и на этапе 3. Проведение детального анализа, что еще больше упростит бизнес процесс и уменьшит нагрузку на сотрудников банка. На первом этапе система будет выдавать предварительные условия кредитования, и принимать решение кредитовать или не кредитовать данного клиента, а на этапе проведения детального анализа система будет формировать окончательные правила кредитования с учетом всех особенностей заемщика.

Ввод системы в эксплуатацию непосредственно повлияет на повышение скорости и качества обслуживания клиентов, и как следствие на прибыль банка.

2.2 Предварительный анализ процесса

Рассмотрим подробнее, как система автоматического кредитования может заменить собой кредитных специалистов.

Если рассматривать кредитных специалистов как некий «черный ящик», то мы можем видеть, что на вход нашего «черного ящика» подается определенный набор значений или данных о клиенте. Кредитные специалисты обрабатывают эти данные с учетом некоторых внешних факторов, таких как курс рубля, стабильность определенной сферы деятельности на рынке и.т.д. И на выходе у нас получается готовый продукт с определенными правилами или просто правила кредитования. Необходимо заметить, что набор продуктов кредитования крайне ограничен и кредитные специалисты для каждого нового клиента просто подбирает подходящий продукт из списка предложенных и лишь в небольшой окрестности изменяют основные правила. При помощи нашей системы предполагается реализовать алгоритм не просто выбора продукта кредитования из списка, а создания нового продукта для каждого клиента с учетом его особенностей. Что могло бы заметно увеличить прибыль для банка и удобство использования продукта клиентом.

Как было замечено выше, задача кредитных специалистов заключается в сопоставлении входным данным некоего конечного продукта. Т.е. кредитные специалисты выполняют роль отображения переводящего множество клиентов с определенным набором параметров в множество кредитных продуктов. Это отображение очень трудно для формализации. Скорее всего это логика принятия решения по каждому конкретному клиенту. Таким образом, перед нашей системой стоит обычная задача принятия решения на основании определенной логики.

Рассмотрим некоторые методы используемые в СППР:

1) Интеллектуальный анализ данных (ИАД);

2) Рассуждение на основе прецедентов;

3) Имитационное моделирование;

4) Генетические алгоритмы;

5) Искусственные нейронные сети;

Рассмотрим подробнее каждый из методов, отметив его плюсы и минусы:

Интеллектуальный анализ данных.

Интеллектуальный анализ данных представляет собой процесс обработки крупных наборов данных с целью обнаружения пригодных для использования сведений, а так же выявления скрытых закономерностей и тенденций. Может применяться для задач прогнозирования, оценки вероятностей и рисков, группирование заказчиков или событий на кластеры связанных элементов, для дальнейшего анализа и прогнозирования. ИАД может применяться лишь как вспомогательный метод при принятии решения.

Рассуждение на основе прецедентов.

Метод рассуждения на основе прецедентов ищет решение путем поиска и адаптации аналогичных проблемных ситуаций в базе, хранящей прошлый опыт решения задач. К основным недостаткам метода относится неумение обобщать данные, а так же сложность процессов поиска подобных случаев и адаптации решения.

Имитационное моделирование.

Имитационное моделирование позволяет смоделировать поведение системы во времени. Работу такой смоделированной системы можно замедлять или ускорять для лучшей оценки процесса. Можно имитировать поведение тех объектов, реальные эксперименты с которыми дороги, невозможны или опасны. Но для использования этого метода необходимо четко понимать структуру процесса, а в нашей задаче логика кредитования трудно формализуема.

Генетические алгоритмы.

Генетические алгоритмы это алгоритмы поиска, используемые для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Построение модели логики кредитования при помощи генетических алгоритмов будет очень трудоемкой задачей т.к. моделирование происходит путём случайного подбора параметров, а логика кредитования очень сложна.

Искусственные нейронные сети.

Нейронные сети нелинейные по своей природе, что и позволяет при помощи нейронных сетей моделировать сложнейшие процессы. Еще одна особенность нейросетей заключается в механизме обучения. Пользователю нет необходимости формализовывать логику процесса или явления для построения модели объекта. Необходимо лишь подбирать необходимые данные и запустить обучающий алгоритм, настраивающий необходимые параметры сети без участия пользователя.

Пользователю необходимо знать лишь о том, как правильно подготавливать и отбирать данные, выбирать необходимую архитектуру нейронной сети и интерпретировать полученные результаты. Так же следует заметить, что уровень знаний, требующийся пользователю для успешного применения нейронной сети, намного меньше, чем, при использовании традиционных методов.

Ввиду умения нейросетей повторять сложные логические связеи и легко обучаться, для реализации системы автоматического кредитования считаю наиболее целесообразным выбрать именно метод искусственных нейронных сетей.

2.3 Структура искусственного нейрона

Нейронная сеть состоит из нейронов, отдалённо напоминающих свой биологический прототип. Структура нейрона представлена на рисунке 4.

Рисунок 4. Структурная схема нейрона

x1,...,xn - значения, которые подаются на входы (синапсы) нейрона; w1,..,wn - веса синапсов, которые могут быть как тормозящими, так и усиливающими; S - взвешенная сумма входных сигналов:

· F - функция активации нейрона, преобразующая взвешенную сумму в выходной сигнал:

На рисунке 5 представлены несколько различных функций активации:



Рисунок 5. Виды функций активации

Для каждой конкретной задачи следует выбирать свою, наиболее подходящую функцию. Для проектирования нашей системы наиболее разумно выбрать сигмоид.

Этот выбор обусловлен рядом ценных свойств сигмоида:

· способность усиливать слабые сигналы лучше, чем многие другие функции, и сопротивляться "насыщению" от мощных воздействий;

· монотонность и дифференцируемость на всей оси абсцисс;

· простое выражение для ее производной.

Так же сигмоидная функция очень удобна для нашей системы. Значения сигмоида лежат на отрезке [0,1], а правила кредитования, которые мы хотим получать на выходе системы, не содержат отрицательных значений. Область значений сигмоида намного проще расширить до любого наперед заданного положительного отрезка.

2.4 Архитектура нейронной сети

Теоретическое обоснование нейросетевого моделирования базируется на «Теореме Колмогорова (1957 г.):

Любая непрерывная функция от n переменных может быть представлена в виде:

нейросетевой интеллектуальный кредитный

где и непрерывные функции, причем не зависят от функции F».

Эта теорема означает, что любую функцию многих переменных можно представить в виде композиции и суммирования функций одной переменной.

Теорема показала принципиальную возможность реализации сколь угодно сложных зависимостей с помощью относительно простой нейронной сети, называемой многослойным персептроном. Общий вид структурной схемы такой сети показан на рисунке 6.

Рисунок 6. Общий вид нейронной сети

На данной схеме W матрица весов связей между входными нейронами и нейронами скрытого слоя; V матрица весов связей между выходами нейронов скрытого слоя и выходным нейроном сети.

Данная сеть реализует отображение:

Новый вариант теоремы Колмогорова был опубликован в 1989 г.

«Пусть - любая непрерывная функция определенная на ограниченном множестве, любое сколь угодно малое число, означающее точность приближения. Обозначим еще через сигмоидную функцию активации.

Теорема: Существует такое число H и числа , , такие, что функция

приближает данную функцию с погрешностью не более на всей области определения.

Эта формула совпадает с функцией реализуемой персептроном. Мы можем переформулировать теорему в терминах нейронных сетей:

Любую непрерывную функцию нескольких переменных можно с любой точностью реализовать с помощью обычного персептрона с одним скрытым слоем, при условии достаточного количества нейронов в скрытом слое.

В общем случае многослойный персептрон может содержать несколько слоев скрытых нейронов и осуществлять отображение из одного векторного пространства признаков произвольной размерности в другое векторное пространство другой произвольной размерности.

На основании вышесказанного предлагается выбрать в качестве нейронной сети для нашей системы именно многослойный персептрон.

Ниже приведена структурно функциональная модель работы системы:

Рисунок 7. Функциональная модель работы системы автоматического кредитования клиента

2.5 Модель данных

Сначала выберем модель данных, которые будут подаваться на вход системы и данных, которые система будет генерировать на выходе. В данной работе будет рассматриваться упрощенная модель данных для того, что бы показать, что переход от логики к нейронной сети возможен.

Входными данными для нашей системы будут служить данные о клиенте Cl(1, 2… n). Каждому клиенту система будет ставить в соответствие оптимальный набор правил кредитования R(1, 2… k).

Ниже представлена модель данных в том виде в котором она будет использоваться системой.

Таблица 1 Входные данные

Наименование показателя	Единица измерения
Пол	1-мужской, 0-женский
Возраст	Число от 18 до 90
Образование	Число он 0 до 1
Имущество в собственности	Число (общая стоимость имущества в млн. руб)
Кредитная история (внутренняя)	Число от 0 до 1
Опыт ведения бизнеса	Число от 0 до 1
Ежегодный доход	Число (млн. руб)
Желаемая сумма кредитования	Число (млн.руб)
Желаемый срок кредитования	Число (месяцев)

Таблица 2. Выходные данные или правила кредитования

Наименование правила	Единица измерения
Решение о выдаче кредита	1-да, 0 -нет
Сумма кредита	Число (млн.руб)
Срок кредитования	Число (месяцев)
Процентная ставка	Число (%)
Возможная отсрочка по выплате кредита	Число(месяцев)

Некоторые данные уже заранее заданы на отрезке [0,1] , что бы упростить и ускорить обучение системы. Остальные данные будут приведены к такому же формату непосредственно во время проектировки.

ER-Модель данных в том виде, в котором она будет храниться в базе:



Рисунок 8. ER-модель данных

3. Разработка системы автоматического кредитования клиентов

3.1 Проектирование нейронной сети средствами MATLAB

Для проектирования нейронной сети использовалась программа MATLAB R2011b

Так же в программе MATLAB были написан ряд программ, их названия и основное назначение приведены в Таблица 3.

Таблица 3. Назначение вспомогательных программ

Название м-фала	Назначение м-файла
RCredit	Генерация заданного числа случайных данных о клиентах
CreditFun	Программа, воспроизводящая логику кредитования, которую должна будет повторить нейронная сеть
CData	Построение заданного массива обучающих пар вход-выход
NeuNet	Построение многослойного персептрона
ErrorM	Построение матрицы ошибок в зависимости от архитектуры нейронной сети
BNet	Вспомогательная функция, используется в ErrorM для создания новой сети при расчете матрицы и тренировке её на обучающем массиве данных

При проектировании нейронной сети необходимо в первую очередь решить вопрос о количестве слоев и количестве элементов (нейронов) в каждом слое. Количество входных и выходных элементов нам уже известно из модели данных. Остается выбрать количество слоёв и нейронов скрытого слоя.

«Для вычисления максимального числа скрытых элементов воспользуемся теоремой Колмогорова, которая утверждает, что любая функция n переменных может быть представлена как суперпозиция 2n+1 одномерных функций. Иными словами, нет никакого смысла выбирать количество скрытых элементов большим, чем удвоенное число входных элементов».

В нашем случае система имеет 9 входов, а это значит что количество нейронов в скрытом слое не должно превышать 2*9+1=19 нейронов. При выборе количества нейронов будем пользоваться этой формулой но так же будем смотреть на статистические данные, полученные путем обучения и тестирования системы.

Так же очень важно выбрать достаточное количество обучающих данных.

Для предварительного выбора архитектуры сети была построена таблица ошибок, которую выдает система после обучения на 10000 обучающих пар. Серым цветом выделены наименьшие значения ошибки. Для выделенного квадрата будут проведены дополнительны исследования.

Для наилучших значений, выделенных серым, кроме значений ошибок приведены графики обучения сети. На Рисунке 9 изображен график уменьшения ошибки в зависимости от количества эпох обучения нейронной сети. Графи построен для сети с 13 нейронами в первом скрытом слое и 12 нейронами во втором скрытом слое.

На Рисунке 10 изображен график ошибки для сети с 15 нейронами в первом скрытом слое и 13 во втором скрытом слое.



Рисунок 9. График ошибок при обучении сети с 13 нейронами в первом скрытом слое и 12 нейронами во втором скрытом слое

Рисунок 10. График ошибок при обучении сети с 15 нейронами в первом скрытом слое и 13 нейронами во втором скрытом слое

По результатам дополнительных исследований мы можем однозначно выбрать архитектуру нашей сети.

Заключение

В результате проведенного исследования было показано, как на основе искусственных нейронных сетей может быть построена система автоматического кредитования клиентов.

В соответствии с поставленной целью, объектом и предметом исследования в рамках данной выпускной квалификационной работы были получены следующие результаты:

· Проведен анализ современного состояния проблемы. Приведено описание задачи кредитования клиентов.

· Проанализированы современные СППР и обоснован выбор систем искусственных нейронных сетей в качестве базовой технологической платформы.

· Построена модель данных, необходимая для правильного функционирования системы.

· Выбрана наилучшая архитектура нейронной сети для конкретной задачи.

· Реализована система автоматического кредитования клиентов средствами MATLAB.

Новизна полученных результатов заключается в использовании СППР на платформе искусственных нейронных сетей для принятия столь серьезных решений, как решения по кредиту.

Литература

1. Битков В.П. Основы банковского дела. Часть 1. Учебное пособие. - М.: МГИМО - Университет МИД России, 2005. - 104с.

2. Горчаков А.А., Половников В.А. Тенденции развития кредитного рынка России. // Банковское дело. - 2005. - №3.-с.15-17.

3. Штовба С.Д. Проектирование нечетких систем средствами MATLAB.

4. Нейронные сети MATLAB (Потемкин В.Г., Медведев В.С.).

5. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений М.: Финансы и статистика, 2004. - 176с.

6. Ф. Уоссермен. Нейрокомпьютерная техника: теория и практика. М. Мир - 1992.

Размещено на Allbest.ru

...