Оценка кредитоспособности клиента

     Результатом работы является программа, создана  в Deductor Lite, построение дерево решений о возможной выдаче кредита и дерево вероятностей. 
 
 
 

Список  литературы

1. Четыркин Е.М.. Финансовые риски. – М.: “ДЕЛО”, 2008
2. Кабушкин С.Н. Управление банковским кредитным риском. – Минск: Новое знание, 2007.
3. Рынок ценных бумаг. Ред. В.А. Галанова, А.И. Басова. – М.: Финансы и статистика, 2006.
4. Шарп Уильм Ф., Александер Гордон Дж., Бейлин Джеффри Б. Инвестиции. – Инфра-М, 2007г.
5. Дюк В., Самойленко А. Data Mining: учебный курс.-.СПб:Питер,2001. — 368с
6. Антипова О. Н. Контроль за рисками концентрации. /Банковское дело, №1, 2008.
7. Руководство по кредитному менеджменту. / Под ред. Эдвардса В. – М.: Инфра-М, 2006.

. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Приложение

     Анализ  кредитоспособность заёмщика

1. Краткое описание программного продукта (ПП)

   Deductor является аналитической платформой, т.е. основой для создания законченных прикладных решений. Реализованные в Deductor технологии позволяют на базе единой архитектуры пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.

      Deductor предоставляет аналитикам инструментальные средства, необходимые для решения самых разнообразных аналитических задач: корпоративная отчётность, прогнозирование, сегментация, поиск закономерностей – эти и другие задачи, где применяются методики анализа Data Miniig. Deductor является идеальной платформой для создания систем поддержки принятия решений.

2. Определение пользователей

   Пользователями  являются банковские работники, непосредственно  имеющие дело с клиентами, желающими  получить кредит.

3. Документация

Входные данные:

- сумма  кредита

- дата  кредитования

- информация  о клиенте (анкетные данные, сведения  о доходах, сведения о созаёмщиках  и поручителях)

Выходные  данные:

- итоговое  решение

     4) Эффективность

     Программа удобна, ввод данных и получение  необходимых результатов занимает мало времени. На начальной стадии для поиска наиболее предпочтительного варианта выдачи кредита необходимо знать и использовать небольшое количество параметров (сумма кредита, срок кредита, средний ежемесячный доход).

5. Демонстрация результатов

 

Рис 2. Входные  данные

      Для демонстрации подобной технологии будет  использоваться программа Deductor Studio. В качестве исходных данных была взята выборка (см. рис. 2). Где каждая запись – это описание характеристик заёмщика плюс параметр, описывающий его поведение во время погашения ссуды. При обучении дерева использовались следующие факторы, определяющие заёмщика: “ФИО, Адрес, Сумма кредита, Стоимость кредита, Срок кредита, Пол, Возраст, Образование, Название организации, Среднемесячный доход, Цель кредита, Основное направление расходов, Наличие недвижимости, Наличие автотранспорта, Срок работы на данном предприятии, Семейное положение, Количество иждивенцев, Обеспеченность займа, Давать кредит.”

      При этом  поля: “ФИО, Адрес, Название организации” алгоритм уже до начала построения дерева решений определил как непригодные по причине практической уникальности каждого из значений.

     Целевым полем является поле “Давать кредит”, принимающий значения “Да” (True) и “Нет” (False). Эти значения можно интерпретировать следующим образом: “Нет” – плательщик либо сильно просрочил с платежами, либо не вернул часть денег, “Да” – противоположность “Нет’. Остальные атрибуты являются входными параметрами. 

Рис. 3. Настройка полей дерева решений.

      После процесса построения дерева решений при помощи программы получаем следующую модель оценки кредитоспособности физических лиц, описывающую ситуацию, относящуюся к определённому банку. Эта модель представлена в виде иерархической структуры правил – дерева решений (рис.4).

Рис. 4. Дерево решений – модель определения кредитоспособности физических лиц.

Рис. 5. Выходные данные.

      Анализируя  полученное дерево решений (см. рис. 4) можно  сказать следующее:

      При помощи дерева можно проводить анализ значащих факторов. Такое возможно благодаря тому, что при определении параметра на каждом уровне иерархии, по которому происходит разделение на дочерние узлы, используется критерий наибольшего устранения неопределённости. Таким образом, более значимые факторы, по которым проводится классификация, находятся на более близком расстоянии (глубине) от корня дерева, чем менее значимые. Например, фактор “Обеспеченность займа” более значим, чем фактор “Срок проживания в данной местности’. А фактор “Основное направление расходов” значим только в сочетании с другими факторами.

      Можно заметить, что такие показатели как  “Размер ссуды”, “Срок ссуды’, “Среднемесячный расход” вообще отсутствуют в полученном дереве. Данный факт можно объяснить тем, что в исходных данных присутствует такой показатель как “Обеспеченность займа”, и т.к. этот фактор является точным обобщением 4 вышеописанных показателей, алгоритм построения дерева решений выбрал именно его.

      Очень важной особенностью построенной модели является то, что правила, по которым  определяется принадлежность заёмщика к той или иной группе записаны на естественном языке. Например, на основе построенной модели получаются следующие правила:

Если

  Возраст < 46 и

  Срок работы на данном предприятия < 19,5 и

  Возраст < 31 и

  Семейное положение = False

Тогда

  Давать кредит = ИСТИНА

      Приведённый выше пример даёт возможность проследить степень значимости атрибутов и  их иерархию для уменьшения риска  при операциях кредитования физических лиц. Хотя и при таком первом приближении  наблюдаются положительные результаты.

      Так же можно использовать и исключительно  качественные выборки. Построим нейросеть  на примере оценки кредитоспособности заёмщика.

      Были  определены значимые факторы: кредитная  история, доход, долг, поручительство, влияющие на риск непогашения кредита

      Выборка содержит 14 записей:

Рис. 6. Выборка для нейросети.

      Конфигурация  сети будет такой: во входном слое – 6 нейронов, то есть по одному нейрону  на один вход. Сделаем один скрытый  слой с двумя нейронами. В выходном слое будет один нейрон, на выходе которого будет решение о риске, возникающем при выдаче кредита.

      Выберем алгоритм обучения сети Back-Propagation с настройками по умолчанию. Окончательно построенную нейросеть оставим без изменения.

      Шаги  при построении нейросети: функция  активации – сигмоида.

      Для алгоритма обратного распространения  ошибки нужно указать два параметра:

      Скорость  обучения – определяет величину шага при итерационной коррекции весов в нейронной сети (мы взяли значение 0,1). При большой величине шага сходимость будет более быстрой, но имеется опасность “перепрыгнуть” через решение. С другой стороны, при малой величине шага обучение потребует слишком многих итераций.

      Момент  был задан значением 0,9.

  

Рис. 7. Структура нейронной сети.

Рис. 8. Нейросеть.

     Обученную таким образом нейросеть можно использовать для принятия решения о выдаче кредита физическому лицу. Это можно сделать, применяя анализ “что-если”. Для его включения нужно выбрать визуализатор “Что-если”. Тогда откроется форма, представленная на рисунке.

     Дальнейшие  усовершенствования могут затрагивать такие моменты, как: более точный подбор определяющих заёмщика факторов; изменение самой постановки задачи, так, например, вместо двух значений целевого параметра, можно использовать более детальную информацию (Вернул/Не вернул/Не вовремя) или использовать в качестве целевого значения вероятность того, что деньги выплачены вовремя.