Нейросетевые технологии

     I. Признаки компании:

     1) Позиция на рынке – оценивает  соотношение цена/качество и конкурентоспособность  фирмы.

     2) Помещение: собственность/аренда  - данный критерий указывает, владеет ли компания основными производственными помещениями.

     3) Возраст компании – влияет на стабильность.

     4) Наличие постоянных поставщиков  – важна степень зависимости  предприятия от третьих лиц. 

     II. Финансовые коэффициенты:

     1) Коэффициент текущей ликвидности – показывает, достаточно ли у предприятия средств, которые могут быть использованы для погашения его краткосрочных обязательств в течение определенного периода

     

     2) Коэффициент срочной ликвидности  – раскрывает отношение наиболее  ликвидной части оборотных средств к краткосрочным обязательствам

     

     где ДС – денежные средства;

     КФВ – краткосрочные финансовые вложения;

     ДЗ  – дебиторская задолженность; КО – краткосрочные обязательства.

     3) Коэффициент абсолютной ликвидности  – необходим, так как в современных  российских условиях, например, не  всегда получается взыскать долги  со своего клиента (это мешает  оценить дебиторскую задолженность). Коэффициент рассчитывается по  формуле:

     

     Главная цель анализа ликвидности баланса  – вынести суждение о платежеспособности предприятия, являющейся важным компонентом  финансовой устойчивости.

     4) Коэффициент обеспеченности собственными оборотными средствами – чем выше показатель (около 0,5), тем лучше финансовое состояние предприятия, тем больше у него возможностей в проведении независимой финансовой политики. Определяется из отношения собственных оборотных средств к общей величине оборотных средств предприятия.

     5) Коэффициент зависимости заемных  и собственных средств – характеризует  зависимость фирмы от внешних  займов. Чем он выше, тем больше  займов у компании, и тем рискованнее  ситуация, которая может привести к банкротству предприятия. Рассчитывается исходя из отношения всех обязательств предприятия (кредиты, займы и кредиторская задолженность) к собственным средствам (собственному капиталу).

     6) Рентабельность продаж – отражает  информацию о том, сколько денежных единиц чистой прибыли принесла каждая единица реализованной продукции. Значение показателя определяется из отношения чистой прибыли к чистой выручке от реализации.

     7) Деловая активность – сюда  относятся различные показатели  оборачиваемости. Необходимо проанализировать все их значения и, сделав вывод, оценить степень деловой активности в баллах. Данный критерий дает ответ на вопрос, насколько эффективно предприятие использует свои средства.

     III. Признаки руководителя:

     1) Возраст – данный критерий  требует внимания, так как известно, что молодые руководители, как правило, склонны к авантюрам и необоснованному риску, а управляющие «старой закалки», в основном, придерживаются давно установившихся взглядов и редко используют новые, пусть даже и эффективные, методы и технологии в работе. Все это влияет на прибыльность организации, хотя, следует отметить, что данный фактор не является определяющим, так как известны и исключения из правил.

     2) Стаж руководящей работы.

     3) Благонадежность управляющего –  показывает, насколько эксперт (сотрудник банка) уверен в том, что управляющий будет считать себя обязанным вернуть долг с процентами.

     IV. Макроэкономические факторы:

     1) Зависимость от обменных курсов  – на оценивание данного показателя  влияют такие факторы как: выход товаров или услуг предприятия за пределы отечественного рынка, любые финансовые взаимоотношения с зарубежными партнерами, а также политическая и экономическая ситуация в странах, внутри которых осуществляется некая деятельность организации.

     2) Зависимость от инфляции –  важна экономическая ситуация  в стране (на данном этапе и  в перспективе), а также степень  значимости товара или услуги  предприятия для потребителей.

     3) Стабильность ситуации в отрасли  – данный фактор связан с  деятельностью по регулированию и отношением государства к отрасли функционирования юридического лица, а также с уровнем конкуренции в ней.

     Все 17 показателей были использованы в  качестве входных данных для классификации  потенциальных заемщиков банка (юридических  лиц) по двум группам: «кредитоспособные» и «некредитоспособные» клиенты. Выходным параметром является бинарная номинальная переменная, соответствующая двум интересующим нас классам, к которым в результате обучения сеть должна научиться относить новые предприятия. Для решения поставленной задачи в работе используется нейросетевой пакет «Statis-tica NN».

     Набор имеющихся данных сформирован из 20 объектов – примеров организаций, значения характеристик которых  были смоделированы, исходя из возможности  предложения конкретных числовых границ для определения принадлежности переменных к одному из заданных классов. При этом 10 объектов соответствуют кредитоспособным предприятиям, а 10 - организациям с очень низкой степенью надежности. Для последующего анализа результатов и качества работы сети набор данных был разделен на два подмножества: обучающее и контрольное. Обучающее подмножество состоит из двенадцати объектов (по шесть каждого класса), а контрольное включает в себя восемь примеров (по четыре на класс).

     В качестве типа сети, с помощью которого была осуществлена классификация, выбран многослойный персептрон, в качестве алгоритма обучения - метод обратного распространения ошибки. Хорошие результаты продемонстрировала сеть, состоящая из одного скрытого слоя, включающего девять элементов (нейронов). Проверка результатов показала, что сеть правильно сопоставила значения показателей юридических лиц с номерами классов.

     Далее в работе был осуществлен этап классификации с помощью нейросетевого  метода нового, неизвестного сети, предприятия-заемщика. В программу были внесены характеристики рассматриваемой организации, после чего исследуемое предприятие было отнесено программой к классу кредитоспособных.

     Таким образом, полученная в результате модель нацелена на классификацию новых  потенциальных заемщиков, для которых известны характеризующие их значения по семнадцати рассмотренным показателям.

     Итак, в ходе исследования была найдена  наиболее подходящая для данной задачи архитектура многослойного персептрона, которая после обучения продемонстрировала надежные результаты классификации. Этот вывод позволили сделать статистические данные по классификации новых неизвестных еще сети заемщиков. Данные результаты свидетельствуют о широких возможностях практического применения рассмотренного подхода. 
 

     Следует также отметить и то, что использование  программ, работающих на основе метода нейронных сетей, позволяет решать множество самых различных актуальных проблем, встающих перед отечественными банками. Крайне важен и тот факт, что ни существенных затрат времени, ни значительных финансовых ресурсов не требуется на внедрение данного нововведения в работу кредитной организации.

3.1. Построение нейронной  сети для определения  кредитоспособности  заемщика

     Для построения нейронной сети необходимо разработать ее топологию, определить механизм обучения и процедуру тестирования. Кроме того, для обучения нужны входные данные – выборка компаний с достоверной финансовой отчетностью и рассчитанные на ее основе коэффициенты.

     На  основании анализа задачи было принято  решение остановиться на модели трехслойного персептрона и алгоритме обратного распространения в качестве обучающего.

     Этот  тип нейронных сетей довольно хорошо исследован и описан в научной литературе. Он был предложен в работе Румельхарта и подробно обсуждается почти во всех учебниках по нейронным сетям. Каждый элемент сети строит взвешенную сумму своих входов с поправкой в виде слагаемого и затем пропускает эту величину активации через передаточную функцию, получая, таким образом, выходное значение этого элемента. Элементы организованы в послойную топологию с прямой передачей сигнала. Такую сеть легко можно интерпретировать как модель вход-выход, в которой веса и пороговые значения (смещения) являются свободными параметрами модели. Сеть может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа элементов в них является важным вопросом при конструировании многослойных нейронных сетей. Количество входных и выходных элементов определяется условиями задачи.

     Использован самый известный вариант алгоритма  обучения нейронной сети – т.н. алгоритм обратного распространения.

     В алгоритме обратного распространения  вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому если мы «немного» продвинемся по нему, ошибка уменьшится. Последовательность таких шагов (замедляющаяся

     вырезано

     Обучение  СОК Кохонена осуществлялось методом последовательных приближений в два этапа. На первом этапе (100 эпох) скорость обучения задавали с уменьшением ее начального значения от 0,5 до 0,1, а размер окрестности сохраняли равным единице. На втором этапе (260 эпох) скорость обучения была постоянной, и равной 0,1, размер окрестности равным нулю. Параметры пре/пост-процессирования выбирались автоматически (без предварительного, например, нами выравнивания в группе или в интервале для финансовых коэффициентов). Топологическая карта (выходной слой нейронов ИНС) была организована как 3х3 = 9. Результаты анализа частот выигрышей нейронов, представленных на топографической карте, (обучающая и контрольная выборки) приведен в табл. При их сравнении (и выборках такого небольшого объема) отмечается некоторое совпадение частот выигрышей нейронов. Однако, при этом несколько нейронов для карты такого размера, оказались элементами с нулевой частотой, что является показателем не полного использования ресурсов нейронной сети, и дополнительно подтверждалось высокой ошибкой обучения сети. Но в связи с существованием объективных причин невозможности увеличить объемы выборок, было принято решение остановиться на данной сети и проанализировать смысл кластеров. Для этого на построенной топологической карте отмечали предприятия в соответствии с показателем рейтинговой оценки кредитоспособности, принятой в данном коммерческом банке (II и III класс рейтинга Заемщика) (табл. 1). При этом оказалось, что один из кластеров обучающей выборки включает предприятия, в предоставлении кредита которым было отказано (5,12 % – III класс), а средний уровень показателя рейтинга которых составлял – 2.91). Этот же кластер на контрольной выборке включал финансовые показатели, характеризующие предприятия (12,89 %, (100 % – III класс)), выводы из анализа которых действительно приводят к заключению о проблематичности их положения как кредитозаемщика, несмотря на то, что их средний рейтинг, был даже несколько выше – 2,84.

     На  втором этапе нейросетевого анализа, в соответствии с полученными  группировками были обучены две MLP – сети (обучение проводили алгоритмом обратного распространения ошибки). Проектирование искусственных нейронных сетей проводили с помощью Мастера сети пакета SNN и с применением генетического алгоритма осуществлялся отбор входных показателей (используемых финансовых коэффициентов). Характеристика нейронных сетей представлена в табл.

     Представленные  нейросетевые модели, по ошибке обучения и их качеству были оценены как  удовлетворительные. Для модели В  показатели чувствительности – 69 %; 61 %, специфичности 86 %; 71 %, точности – 85 %;86,6 %, на контрольном и тестовом множестве, соответственно. Для модели А – показатели чувствительности – 76 %; 78 %, специфичности – 88 %; 83 %, точности – 80 %; 80 %, на контрольном и тестовом множестве, соответственно. Для анализа использованных входных показателей (финансовых показателей-коэффициентов), отобранных с помощью генетического алгоритма нами использовалась модель В. Ими оказались два показателя двухфакторной модели (коэффициент текущей ликвидности и удельный вес заемных средств в пассивах); финансовые коэффициенты А, В, С – модели Альтмана ((текущие активы-текущие обязательства)/все активы; нераспределенная прибыль/все активы; прибыль до уплаты процентов и налогов/все активы; собственный капитал/заемный капитал; (прибыль от реализации/краткосрочные обязательства, оборотные активы/сумма обязательств; краткосрочные обязательства/сумма активов) – три финансовых коэффициента модели Таффлера, оборотный капитал/сумме активов, прибыль от реализации/сумма активов, нераспределенная прибыль/сумма активов – финансовые коэффициенты модели Лиса, и нераспределенные прибыли прошлых лет/совокупные активы; объем реализации/совокупные активы; прибыль до уплаты налогов/совокупные активы; долговые обязательства/совокупные активы; текущие пассивы/совокупные активы; log (материальные активы) и оборотный капитал/полная задолженность – финансовые коэффициенты модели Фулмера.

     вырезано

     Сравнение полученных результатов проведенного нейросетевого анализа и рейтинговой оценки, позволяет сделать заключение о возможности ее дальнейшего использования для комплексной оценки кредитозаемщика. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Заключение

     Нейросетевые  технологии в отличие от экспертных систем предназначены для воспроизведения  неосознанных мыслительных усилий человека (например, человек плохо знает, как он распознает цвет предмета). Такого рода технологии используются для распознавания каких-либо событий или предметов. С их помощью можно воспроизвести многочисленные связи между множеством объектов. Принципиальное отличие искусственных нейросетей от обычных программных систем, например экспертных, состоит в том, что они не требуют программирования. Они сами настраиваются, т.е. обучаются тому, что требуется пользователю. Известны следующие сферы применения нейросетей: экономика и бизнес - предсказание поведения рынков, предсказание банкротств, оценка стоимости недвижимости, автоматическое рейтингование, оценка кредитоспособности, прогнозирование курса валют; медицина - обработка медицинских изображений, диагностика; автоматизация производства - оптимизация режимов производственного процесса, диагностика качества продукции, предупреждение аварийной ситуации; политические технологии - обобщение социологических опросов; безопасность и охранные системы - системы идентификации личности, распознавание автомобильных номеров и аэрокосмических снимков; геологоразведка - анализ сейсмических данных, оценка ресурсов месторождений.