3.3 Оценка уровня кредитоспособности заемщиков на основе деревьев решений и нейросетевой модели
3.3.1 Построение дерева решений
Для оценки благонадежности заемщиков воспользуемся альтернативными методами классификации.
Одним из наиболее визуально адаптированных методов классификации является дерево решений. Деревья решений – это модель, строящаяся на логической цепочке правил, которые пытаются описать отдельные взаимосвязи между данными относительно ожидаемого результата. Структура деревьев решений открыто показывает аргументацию правил и поэтому позволяет наглядно отразить процесс принятия решения. Для его построения воспользуемся полученным на предыдущем этапе разбиением заемщиков на 4 группы с помощью карты Кохонена и выведем практические правила классификации заемщиков.
Оценка дерева решений проводилось в пакете SPSS. Результаты представлены на рисунке 3.5.
Рисунок 3.5 – Дерево решений
Программно полученное дерево решений представлено на рисунке 3.6.
Таким образом, показатель «благонадежность» разбивается на первом этапе показателем «доход» на 3 ветви дерева.
Для наглядности запишем основные моменты отсечения показателей в данном дереве решений (рисунок 3.6).
Рисунок 3.6 – Дерево решений в пакете SPSS
Первая ветвь: низкий уровень дохода. Здесь вступают дополнительные условия, которые в итоге классифицируют заемщика в класс «Абсолютно неблагонадежных» - в случае если это заемщик с низким уровнем дохода, не имеющих положительной кредитной истории и берущий микрозайм, а также если заемщик берет займ на более длительный срок, но при этом имеет низкий уровень дохода и не имеющий недвижимость; в класс «Предположительно неблагонадежных» попали заемщики имеющие низкий уровень дохода, но с положительной кредитной историей, а также имеющие недвижимость, но со стажем на последнем месте работы менее двух лет; «Предположительно неблагонадежными» были признаны заемщики, берущие кратко- и среднесрочные займы, а также имеющие при низком уровне дохода недвижимость и стаж более двух лет. В общей сложности 1-ая ветвь – это 60% от всех заемщиков.
Вторая ветвь: заемщики со средним уровнем дохода. Эта ветвь анализируется на основе показателя «срок кредита». Классы «Абсолютно благонадежных» и «Предположительно благонадежных» составили 4 и 24% соответственно.
Третья ветвь: заемщики с высоким уровнем дохода. Здесь вне зависимости от значений других показателей заемщик признается абсолютно благонадежным. Это 10% от общего числа заемщиков.
Также, на рисунке 3.7 представлена таблица значимости выделенных показателей при построении дерева решений.
Рисунок 3.7 – Значимость переменных в построенном дереве решения
Согласно рисунку 3.7 наиболее значимым является показатель «доход». Этот факт объясняется тем, что высокое значение этого показателя нивелирует значение всех других и, как видно из дерева решений, позволяет автоматически классифицироваться как аблолютно кредитоспособный заемщик.
Наименее значимым показателем является «срок кредита». Это объясняется разноплановой политикой банка, которая содержит в себе все виды кредитований от микрозаймов до долгосрочных кредитов.
3.3.2 Нейросетевая модель
Нейронная сеть представляет собой «черный ящик», где на вход подаются независимые переменные и ожидаемый результат, на основе обучающей выборки определяются веса нейронов. Недостатком данной модели является отсутствие четких правил отнесения к тому или иному классу. Архитектура сети и количество нейронов подбираются исходя из минимума ошибки прогноза. Недостатком модели является отсутствие четкой интерпретации весовых коэффициентов модели.
Применительно к модели оценки кредитоспособности входными данными являются характеристики, использующиеся для предсказания кредитоспособности. Выходной сигнал сети представляет собой ожидаемый результат (уровень кредитоспособности клиента). Входящими и исходящими данными модели могут являться как количественные, так и качественные показатели, трансформированные в фиктивные переменные.
Было построена двухслойная нейросеть с использованием аналитической платформы Deductor Academic, архитектура полученной сети представлена на рисунке 3.8.
Рисунок 3.8 – Архитектура сети
Размер обучающей выборки составил 80% от всех исходных данных, размер тестовой выборки 20%. Из рисунка 3.8 видно, что на внутреннем слое располагаются четыре нейрона, соответствующие выделенным ранее классам. Цвета связей на рисунке 3.8 интерпретируются следующим образом: синие оттенки – слабое влияние на исследуемый показатель; зеленые оттенки – среднее влияние на исследуемый показатель; красные оттенки – сильное влияние на исследуемый показатель.
Проанализируем вклад каждой из переменных в итоговую классификацию, результаты представлены на рисунке 3.9.
Рисунок 3.9 - Значимость переменных в нейросетевой модели
Таким образом, класс «Абсолютно неблагонадежных» заемщиков имеет слабую зависимость от уровня дохода и среднюю зависимость от всех остальных показателей.
Класс «Предположительно неблагонадежных» заемщиков имеет слабую зависимость от уровня дохода, сильную зависимость от наличия других текущих кредитов и среднюю зависимость от всех остальных показателей.
Класс «Предположительно благонадежных» заемщиков среднюю зависимость от всех показателей.
Класс «Абсолютно благонадежных» заемщиков имеет слабую зависимость от уровня дохода и сроков кредита, сильную зависимость от семейного положения и возраста и среднюю зависимость от всех остальных показателей.
Также была рассчитана ошибка сети. Полученное значение подтверждает высокое качество полученной нейронной сети.
В данном параграфе были построены нейросетевая модель и дерево решений, которые дают нам правила классификации заемщиков в один из четырех классов по уровню их благонадежности. Также была оценена значимость переменных в этих моделях. Если сравнивать результат значимости переменных в нейросетевой модели с результатом отбора факторов видим, что разбиения заемщиков на 4 класса привело к увеличению оказываемого влияния таких переменных как срок кредита и наличие иждивенцев, а также к снижению значимости таких показателей как кредитная история, семейное положение и наличие других текущих кредитов.
Для проверки полученной нейросетевой модели были взяты десять заемщиков, пять из которых были признаны банком благонадежными, а пять – неблагонадежные. В итоге в группу «абсолютно неблагонадежных» попало три не кредитоспособных заемщика, в группу «предположительно неблагонадежных» попало два некредитоспособных заемщика, а в группу «предположительно благонадежных» четыре кредитоспособных заемщика. Таким образом, согласно модели три заемщика банком были классифицированы верно, а для еще семи заемщиков нужно было более подробно остановиться на определении их кредитоспособности. Данные результаты совпадают с результатами, полученными для этих заемщиков в мультиномиальной логит-модели.
Таким образом, в данной главе заемщиков соотнесли по степени благонадежности на 4 класса с помощью самоорганизующейся карты Кохонена. На основе данного разбиения были оценены мультиномиальная логит-модель, дерево решений и нейросетевая модель, при этом качество моделей достаточно высокое. Введенная градация благонадежности заемщиков должна в дальнейшем привести к снижению уровня суммарной кредиторской задолженности.
Заключение
ОАО «Банк Таганрог» предоставляет широкий спектр банковских услуг. Анализ ряда динамики суммарной кредиторской задолженности показал наличие возрастающей тенденции. В результате прогнозирования данного показателя на 2013 с помощью модели экспоненциального сглаживания и АРПСС, получен обобщенный прогноз, который свидетельствует о дальнейшем росте задолженности заемщиков перед банком, что может отрицательно сказать на финансовом положении банка.
Для анализа влияния различных факторов на наличие у заемщика задолженности по кредиту может быть применена бинарная логит-модель. В случае если она дает высокую вероятность неверной классификации заемщиков, о чем могут говорить высокие значения ошибок первого и второго рода, целесообразно применение других методов.
Одним из этих методов может выть анализ ассоциативных возможностей, который позволит сформировать портреты благонадежных и не благонадежных заемщиков. На основании полученных портретов можно судить о том, насколько все показатели могут быть значимыми при классификации заемщиков в зависимости от возможных комбинаций их появления. Сформированные по срокам кредита портреты заемщиков подтвердили это условие.
В работе предлагается для классификации заемщиков по степени благонадежности использовать самоорганизующуюся карту Кохонена, которая позволит разделить всех заемщиков на четыре класса по степени их кредитоспособности. Согласно полученной характеристики класс «абсолютно неблагонадежные» заемщиков характеризуются низким уровнем дохода, наличием других кредитов и отсутствием недвижимости, класс «предположительно неблагонадежных» наличием иждивенцев, отсутствием положительной кредитной истории, класс «предположительно благонадежных» высокими доходами, а также отсутствием других текущих кредитов и иждивенцев, а класс «абсолютно благонадежных» заемщики помимо этого состоят в браке.
С целью классификации потенциальных заемщиков по выделенным ранее классам может быть применена мультиномиальная логит-модель. Согласно результатом оценки модели на вероятность попадания в класс «Абсолютно неблагонадежных» и «предположительно неблагонадежных» заемщиков наиболее сильное влияние оказывают такие параметры как уровень дохода и возраст, на вероятность попадания в класс «Предположительно благонадежных» – срок кредита, уровень дохода, стаж, возраст, а также наличие других текущих кредитов, недвижимости и иждивенцев.
В работе для классификации предлагается построить дерево решений, классифицирующее заемщиков по четырем классам на основании трех ветвей, позволило сформировать набор правил отнесения заемщиков в один из четырех классов. Первая ветвь характеризуется низким уровнем дохода. Здесь вступают дополнительные условия, которые в итоге классифицируют заемщика в класс «Абсолютно неблагонадежных» - в случае если это заемщик с низким уровнем дохода, не имеющих положительной кредитной истории и берущий микрозайм, а также если заемщик берет займ на более длительный срок, но при этом имеет низкий уровень дохода и не имеющий недвижимость; в класс «Предположительно неблагонадежных» попали заемщики имеющие низкий уровень дохода, но с положительной кредитной историей, а также имеющие недвижимость, но со стажем на последнем месте работы менее двух лет; «Предположительно благонадежными» были признаны заемщики, берущие кратко- и среднесрочные займы, а также имеющие при низком уровне дохода недвижимость и стаж более двух лет. Вторая ветвь характерна для заемщиков со средним уровнем дохода. Эта ветвь анализируется на основе показателя «срок кредита». Третья ветвь характерна для заемщиков с высоким уровнем дохода. Здесь вне зависимости от значений других показателей заемщик признается абсолютно благонадежным.
А также может быть предложено построение нейросетевой модели для отнесения потенциальных заемщиков в один из классов по уровню благонадежности. Данная модель способна заменить применяющиеся скоринговые карты за счет процесса самообучения модели. Согласно полученным результатам на отнесение в класс «Абсолютно неблагонадежных» заемщиков влияет уровень дохода, на отнесение в класс «Предположительно неблагонадежных» заемщиков влияют уровень дохода, наличие других текущих кредитов, а на отнесение в класс «Абсолютно благонадежных» заемщиков влияют уровень дохода, сроки кредита, семейное положение и возраст.
Все вышеизложенные модели дали схожие результаты, что обосновывает возможность их совместного применения для оценки кредитоспособности потенциального заемщика. Использование предложенной в работе классификации заемщиков может позволить банку проводить более гибкую политику выдачи кредитов и снизить просроченную кредиторскую задолженность.
Список используемых источников.
1. Грязнова, А.Г. Банковская система России. Настольная книга банкира. В 3-х кн. / Под ред. А.Г. Грязновой, А.В. Молчанова и др. - М.: ДеКА, 2004. – с. 64.
2. Масленников, В.В. Зарубежные банковские системы – М.: Элит-2000 , 2005. – с. 348.
3. Пронская, Н. С. Оценка финансовой устойчивости банков с помощью математических моделей / Н. С. Пронская, Д. А. Гоголь // Финансы и кредит, 2010. - N 38. - С. 40-46. - Библиогр.: с. 46
4. Ковалев, П. П. Банковский риск-менеджмент - М.: Финансы и статистика, 2009. - 303 с
5. Ли, В. О. Об оценке кредитоспособности заемщика (российский и зарубежный опыт) / В. О. Ли // Деньги и кредит,2005. - № 2. - С. 50-54.
6. Иоффе, Г. EGAR MacroScoring: новая система оценки кредитоспособности физических лиц для российских банков / Г. Иоффе // Банковские технологии, 2004. - № 8.. - С. 40-41.
7. Демкин, И. В. Моделирование процентного риска при выборе методов и форм кредитования предприятий / Демкин И. В. // Управление риском, 2005. - N 3. - С. 45-51.
8. Ииненков, А. В. Банковские кредиты и способы обеспечения кредитных обязательств/Бухгалтерия и банки. - 2001. - №4.-с.17-18.
9. Челюскин, А.Л. Управление рисками в коммерческих банках // Бухгалтерия и банки.-2004.-№ 7-8. – с. 41-45.
10. Аветисов, М. Пути повышения доходности в потребительском кредитовании/ М. Аветисов // Банковские услуги, 2006. - N 1.. - С. 22-24.
11. Графова, Г.Ф. Об оценке кредитоспособности заемщика // Финансы. - 2002, № 4., с. 15.
12. Кудрявцев О. Система снижения рисков. Несколько советов банкам // Финансовый бизнес.-2006.-№ 12. – с. 11-13.
13. Батракова, Л. Г. Экономический анализ деятельности коммерческого банка/ Л. Г. Батракова// Логос, 2007. – с. 252.
14. Лаврушин, О.И. Банковское дело. – М: Финансы и статистика, 2004 – с. 760.
15. Ольхова, Р.Г. Банковское дело: Управление в современном банке: Учебное пособие / Р.Г. Ольхова // Банковское дело. – 2009. – с. 38-65.
16. Панова, Г.С. Кредитная политика коммерческого банка. - М.: ДИС, 2002. . – с. 33-36
17. Поморина, М.А. Планирование как основа управления деятельностью банка. - М.: Финансы и статистика, 2002. - С.384.
18. Севрук, В.Т. Методы оценки и прогнозирования банковских рисков / В.Т. Севрук // Управление в кредитной организации,2010 - № 3, с. 25-88.
19. Савруков, А. Н. Оценка факторов и прогнозирование динамики ипотечного жилищного кредитования в Российской Федерации / А. Н. Савруков // Финансы и кредит, 2012. - 26. - С. 11-16.
20. Ендовицкий, Д. А. Моделирование зависимости величины кредитных рисков от финансового положения организации / Д. А. Ендовицкий, К. В. Бахтин // Экономический анализ: теория и практика,2010. - № 4. - С. 2-7. - Библиогр.: с. 7.
21. Лавричев, В.Д. Злоупотребления в сфере банковского кредитования. Методика их предупреждения. М., 1997. - с. 76.
22. Бондаренко, С.В. Сравнительный анализ методик оценки кредитоспособности заемщика / С.В. Бондаренко, Е.А. Сапрунова // Финансы и кредит, 2009. – № 13. – C. 20-25.
23. Худякова, Е.В. Об оценке кредитоспособности заемщиков // Деньги и кредит. - 2005. - №10. - с.31-35.
24. Статистические методы оценки кредитоспособности / Фот Н. П. // Вестник Таганрогского государственного университета. - 2008. - № 88, июнь. - С. 87-92.
25. Жевняк, А. В. Математические модели и общие свойства кредита / А. В. Жевняк // Финансы и кредит, 2012. - 15. - С. 36-44. - Библиогр.: с. 44
26. Казакова, И. И. О методах оценки кредитоспособности заемщика / И. И. Казакова // Деньги и кредит,2007. - № 6. - С. 40-44.
27. Гаджиев, Н. Г.Анализ кредитных вложений в сферу экономики с использованием методов экономико-математического моделирования / Н. Г. Гаджиев, Х. Х. Магомедова, А. М.-С. Инанмасова // Финансы и кредит, 2006. - N 29. - С. 37-43.
28. Аналитическая платформа Deductor [Электронный ресурс]. – Режим доступа http://www.basegroup.ru
29. Ходжаева, И. Оценка кредитоспособности физических лиц с использованием деревьев решений / И. Ходжаева, С. Ларин // Банковское дело,2004. - № 3. - С. 30-33.
30. А.Н.Горбань, Обучение нейронных сетей, М.: СП ПараГраф, 1991 - с. 72.
31. Горбань, А.Н., Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кардин , - РАН, Сиб. Отд., Институт выч. Моделирования – Новосибирск: Наука, 1998. – c. 42.
32. Уоссермен Ф., Нейрокомпьютерная техника: Теория и практика. - Пер. с англ., 1992. - с. 118.
33. Электронный курс Data Mining [Электронный ресурс]. – Режим доступа: http://www.kodges.ru/komp/132934-data-mining.html – Data Mining (Компьютерная литература, База данных)
34. Щербакова, Г. Н. Основные направления экономического анализа в коммерческом банке / Г. Н. Щербакова // Банковское дело, 2007. - N 5. - С. 44-48.
35. Колесникова, В.И Банковское дело: Учебник для ВУЗов /под ред. Колесниковой В.И., Кроливецкой Л.П. М.: 2005. – с. 464.
36. Лаврушин, О.И. Банковское дело: современная система кредитования: уч. пособие / О.И.Лаврушин, О.Н.Афанасьева, С.Л.Корниенко; под ред. засл.деят. науки РФ, д-ра эконом.наук, проф. О.И.Лаврушина. – 3-е изд., доп. – М.: КНОРУС, 2007. – с. 153.
37. Манзанов, Ю.Е. Кредитование физических лиц и эффективность платежных систем.// Финансы и кредит.-2004-№24. - с. 36.
38. Петров, А.Ю. Анализ кредитоспособности заемщика // Бухгалтерия и банки.- 2005. - № 11. – с. 33-36.
39. Колесникова, В. И. «Банковское дело: Учебное пособие», ч. 1 и 2.// .Колесникова В. И., Кролевецкой Л. П. Под редакцией. С-Пб.: Издательство СПб. 2000. – с. 159.
40. Лаврушин, О.И. Деньги. Кредит. Банки. – М: Финансы и статистика, 2004 – с. 764.
41. Бацына, С. Ю. Факторный анализ кредитных вложений / С. Ю. Бацына, Х. Х. Магомедова, Д. С. Мамаева // Деньги и кредит, 2009. - N 12. - С. 31-36. - Библиогр.: с. 36
42. Масленников, В.В. Зарубежные банковские системы – М.: Элит-2000 , 2005. – с. 348.
43. Балабанов, И.Т. Банки и банковское дело. – С-Пб: Питер, 2002 – с. 314.
44. Белоглазова, Г.Н., Банковское дело. / Белоглазова, Г.Н., Кроливецкая Л.П. – М: Финансы и статистика, 2007. – с. 645.
45. Барсегян, А.А. Анализ данных и процессов: учеб. пособие / А.А. Барсегян, М.С. Куприянов, И.И. Холод, М.Д. Тесс, С.И. Елизаров. – 3-е изд., перераб. и доп. – СПб.: БХВ-Петербург, 2009. – 512с.
46. Сухова, Л.Ф. Практикум по анализу финансового состояния и оценке кредитоспособности банка-заемщика, / Л.Ф. Сухова. – М. : Финансы и статистика, 2003. – 152 с.
47. Анализ кредитоспособности заемщика [Электронный ресурс] – Режим доступа: http://www.biblioclub.ru/Analiz_kreditosposobnosti_zaemika. html / Попов М. В. – Лаборатория книги, 2009.
48. Кораблин, М. А. Категориальный анализ как метод оценки кредитоспособности клиента - физического лица / М. А. Кораблин, О. И. Бедняк // Экономический анализ: теория и практика,2010. - № 6. - С. 18-24.
49. Константинов, Н. С. Методические рекомендации по оценке кредитоспособности корпоративных клиентов в коммерческом банке / Н. С. Константинов // Финансовый менеджмент,2004. - № 2. - С. 104-114
50. Иванова, Н.А. Оценка кредитоспособности заемщика / Н. Иванова // Бухгалтерия и банки, 2005. - № 8. - С. 30-35.
51. Маммаева, Д. С. Об оценке кредитоспособности банковских заемщиков / Д. С. Маммаева // Банковское дело,2010. - № 8. - С. 52-55.
52. Дуболазов, В. А. Нечетко-множественный подход к оценке кредитоспособности физических лиц / В. А. Дуболазов, Н. С. Лукашевич // Финансы и кредит, 2009. - № 13. - С. 35-45.
53. Луценко, Е. В. Определение кредитоспособности физических лиц и риска их кредитования / Е. В. Луценко, Е. А. Лебедев // Финансы и кредит,
2006. – № 32. - С. 75-83.
54. Тен, В. В. Проблемы анализа кредитоспособности заемщиков / В. В. Тен // Банковское дело, 2006. - № 3. - С. 49-51.
55. Клементьев, В. А. Совершенствование формы заявления-анкеты заемщика в целях снижения рисков потребительского кредитования / В. А. Клементьев // Финансы и кредит, 2008. - № 28. - С. 35-39.
56. Анализ платежеспособности и кредитоспособности предприятия [Электронный ресурс] / Режим доступа: http://www.biblioclub.ru/Analiz_kreditosposobnosti_zaemika.html/ Фомин М. М. - Лаборатория книги, 2010.
57. Кузнецов, Л. А. Оценка кредитной истории физических лиц на основе нечетких моделей / Л. А. Кузнецов, А. В. Перевозчиков // Финансы и кредит, 2008. - № 14. - С. 19-26.
58. Бессонова, Е. Способы определения кредитоспособности заемщика при проектном финансировании / Е. Бессонова // Бухгалтерия и банки,2004. - № 4. - С. 33-34.
59. Суравенкова, Е. И. Комплексная оценка кредитоспособности предприятий-заемщиков : автореф. дис. ... канд. экон. наук: 08.00.10 / Е. И. Суравенкова. - Саранск : Изд-во Мордовского ун-та, 2007. - 18 с.
60. Захарова, А. А. Разработка моделей поддержки кредитной политики коммерческого банка : автореф. дис. ... канд. экон. наук: 08.00.13: 08.00.05 / А. А. Захарова . - Ижевск : ИжГТУ, 2006. - 23 с.
61. Васильев, В. А. Математические модели оценки и управления финансовыми рисками : автореф. дис. ... канд. экон. наук: 08.00.13 / В. А. Васильев. - Ижевск : УрОРАН, 2004. - 24 с.
62. Зеленина, Т. А. Модели оценки и управления кредитным риском коммерческого банка [Электронный ресурс] : автореф. дис. ... канд. экон. наук: 08.00.13 / Т. А. Зеленина. - Электрон. текстовые дан. (1 файл: 367,04 КБ). - Таганрог : [Б. и.], 2013
63. Дуболазов, В. А. Нечетко-множественный подход к оценке кредитоспособности физических лиц / В. А. Дуболазов, Н. С. Лукашевич // Финансы и кредит,2009. - № 13. - С. 35-45.
64. Петухова, М. В. Влияние социально-демографических характеристик заемщиков на их кредитоспособность / М. В. Петухова // Деньги и кредит,2013. - № 3. - С. 42-47.
65. Шумков, К. Г. Эволюция подходов в оценке кредитного риска / К. Г. Шумков // Финансы и кредит, 2012. - № 6. - С. 35-39.
66. Носко, В.П. Эконометрика / В.П. Носко // «Дело» РАНХиГС, 2011. – с. 185-210.
67. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2–у изд., испр. – Т. 2: Айвазян С.А. Основы эконометрики. – М.: ЮНИТИ–ДАНА, 2009. – 432 с.
68. Дуброва Т.А. Прогнозирование социально–экономических процессов. Статистические методы и модели: учеб. пособие / Т.А. Дуброва. – М.: Маркет ДС, 2007. – 192 с.
Скачать: