Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: XLI Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 26 апреля 2016 г.)

Наука: Информационные технологии

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Кириченко Ю.Н., Шудабаева А.К. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ ПОСТРОЕНИЯ МОДЕЛИ ПОВЕДЕНЧЕСКОГО СКОРИНГА // Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ: сб. ст. по мат. XLI междунар. студ. науч.-практ. конф. № 4(40). URL: https://sibac.info/archive/technic/4(40).pdf (дата обращения: 29.03.2024)
Проголосовать за статью
Конференция завершена
Эта статья набрала 200 голосов
Дипломы участников
Диплом лауреата
отправлен участнику

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ ПОСТРОЕНИЯ МОДЕЛИ ПОВЕДЕНЧЕСКОГО СКОРИНГА

Кириченко Юлия Николаевна

студент 3 курса, кафедра Б12-ИТИиУ, филиал «Восход» МАИ, г. Байконур

Шудабаева Арай Казымбековна

студент 3 курса, кафедра Б12-ИТИиУ, филиал «Восход» МАИ, г. Байконур

Жуматаева Жанат Есиркеповна

научный руководитель,

к.т.н., кафедра Б12-ИТИиУ, филиал «Восход» МАИ, г. Байконур

На сегодняшний день тема кредитования является особенно актуальной для банков и небанковских структур.

Слово кредит происходит от слова creditum – ссуда, долг. Однако многие экономисты связывают его с иным близким по значению термином – credo, т.е. «верю». Соответственно, в кредите видят долговое обязательство, напрямую связанное с доверием одного человека, передавшего другому определенную ценность. Такая трактовка происхождения слова «кредит» вполне правдоподобна, поскольку кредит и кредитные отношения возникают из сделок, в которых одна сторона (кредитор) предоставляет другой стороне (заемщику) некий обладающий ценностью предмет (имущество) в обмен на обещание заемщика вернуть этот предмет или его эквивалент в будущем [1, с. 395].

В Казахстане с каждым годом набирает популярность кредитование физических лиц, что всегда сопровождается увеличением рисков. Риски обуславливаются тем, что возрастает число заемщиков, часть из которых не задумывается о возможности выплаты и объемах кредитования. Следовательно, возрастает число невозвратных кредитов, которые являются проблемой для всех банковских и небанковских структур.

В связи с огромным числом невозвратных кредитов, банкам  необходимо проверять каждого заемщика на платежеспособность и доходы. Реализуемость данных  проверок достигается при помощи  IT-технологий, а именно скоринга.

Скоринг – математическая или статистическая модель, позволяющая оценить способность возможного заемщика вернуть кредит в установленный срок. Применение скоринговых моделей оптимизирует кредитование, позволяет принимать решения относительно выдачи кредитов и создания новых кредитных продуктов. Среди них выделяют следующие:

  • collection-scoring - скоринг взыскания;
  • application-scoring - скоринг заявки, обращения;
  • fraud-scoring -  скоринг мошенничества;
  • behavioral-scoring – скоринг поведения.

Скоринг взыскания – вид скоринга, используемый для оценки возможности возвращения денег с заемщиков, не оплативших вовремя платеж или не вернувших кредит.

Скоринг обращения – вид скоринга, основой которого является оценивание кредитоспособности заемщика по результатам анкетирования. Ответам заемщика присваиваются баллы, сумма которых позволяет определить надежность заемщика, если баллов недостаточно, то заемщик займа не получит.

Скоринг мошенничества – скоринг, позволяющий оценить потенциального заемщика на предмет мошенничества с его стороны.

Поведенческий скоринг используется для принятия решений по уже выданным кредитам[2, c. 218]. Данный вид скоринга позволяет прогнозировать изменение платежеспособности заемщика.

Существует 5 скоринговых моделей: «деревья решений», правила решений, логическая регрессия, экспертные скоринговые карты, нейронные сети. Последние выступают в роли систем, анализирующих несистематизированную информацию.

Нейронные сети – область систем искусственного интеллекта, используемая при решении задач, для которых не существует алгоритмов и правил. В частности, нейронные сети применяются в решении задач прогнозирования.

Появление нейронных сетей связано с идеей создания системы, способной, аналогично работе биологических нервных систем, на основе имеющихся данных обучаться. Обучение заключается  в способности изменять поведение для эффективного решения задачи, путем изменения внутренних параметров нейронов и структуры нейросети. Обученная нейросеть может объединять полученные результаты и выдавать прогноз для новых ситуаций.

На основе нейронных сетей строится структура, которая относит потенциального заемщика либо к надежным заемщикам, либо к ненадежным. В области скоринга данная структура обычно не несет особого смысла, то есть здесь нейронная сеть представляет, так называемый, «черный ящик», содержание которого неизвестно.

Кроме того, использование нейронных сетей имеет ряд преимуществ:

  • получение результата без каких-либо затруднений;
  • возможность решения неограниченного количества задач;
  • способность к самообучению;
  • гибкость их структуры;
  • возможность параллельного решения задач;
  • устойчивость к отказам отдельных элементов.

Существуют программы, которые позволяют проводить скоринг с использованием нейронных сетей. Наиболее известными из них являются: SAS Credit Scoring, STATISTICA Neural Networks.

STATISTICA Neural Networks – программа, обладающая удобным интерфейсом, обеспечивающая проведение исследований в диалоговом режиме и переведенная на русский язык. В ее функции входит: обучение сети при помощи самых современных и мощных алгоритмов, полное управление всеми параметрами качества сети. Также данный продукт отличает быстродействие при работе с большим объемом данных, способность максимально точных расчетов.

Главным достоинством программы STATISTICA Neural Networks является то, что в ней сочетаются классические и нейросетевые методы, которые позволяют получить необходимый результат.

Для построения модели поведенческого скоринга необходимо знать данные о клиентах, которые записываются ими в анкетах при выдаче кредита. Некоторые из них: сумма кредита, семейное положение, возраст, объем сбережений и т.д. Затем все клиенты делятся на две группы: «хорошие» и «плохие», при этом важно, чтобы размер выборки составлял не менее 1500  всего, не менее 500 «плохих». При построении модели также необходим временной отрезок между получением кредита и классификацией «плохой/хороший». Если временной отрезок по длительности составляет менее 1 года, то результат будет неполным, так как не будут учитываться все характеристики, предсказывающие дефолт. С помощью вышеописанной программы  можно осуществить оценку кредитоспособности уже имеющихся заемщиков на основе графика погашения кредитов и трафика средств на счетах клиента, и на основе этого принять следующие решения: предложить новые услуги или же улучшить старые, выдавать кредит или же нет, определить кредитный лимит и т.д. Также в данной модели рассматривается один из необходимых компонентов – информация о просроченных платежах, выдаваемых кредитов. Кроме того, в ней используются данные о том, с какой целью заемщик получает кредит.

Поведенческий скоринг в Казахстане является редким явлением. На сегодняшний день в банках применяются Fraud-скоринг, позволяющий выявить заемщика-мошенника и Collection-скоринг, с помощью которого банк может выбрать стратегию работы с «плохим» заемщиком. В последние годы стремительно увеличиваются объемы розничного кредитования. Растет конкуренция, расширяется продуктовая линейка, упрощается процесс получения кредита, значительно сокращается время для принятия решения. Время, качество, надежность обработки информации при принятии решения по кредитной заявке являются важнейшими факторами в сложной конкурентной борьбе.

 

Список литературы:

  1. Деньги. Кредит. Банки: Учебник/ Г.Е.Алпатов, Ю.В. Базулин и др.; Под ред. В.В. Иванова, Б.И. Соколова. – М.: ТК Велби, Изд-во Проспект, 2003. – 624с.
  2. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П.Боровикова. – 2-е изд., перераб. и доп. – М.: Горячая линия – Телеком, 2008. – 392 с., ил.
Проголосовать за статью
Конференция завершена
Эта статья набрала 200 голосов
Дипломы участников
Диплом лауреата
отправлен участнику

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.