2.6.2. Навчання нейронних мереж
Шкала кредитних рейтингів, використовувана банком для оцінки кредитоспроможності позичальників, складалася з п'яти класів (табл. 2.26): 1 - найвищий рейтинг кредитоспроможності; 2 - стабільний рейтинг з планованим підвищенням; 3 - стабільний рейтинг з планованим пониженням; 4 - рейтинг підвищеного ризику; 5 - незадовільний рейтинг.
Як показано раніше, одним з основних критеріїв успішної роботи НС виступає вибір вхідних показників, на підставі яких спочатку відбувається навчання мережі, а потім визначення кредито-спроможності розглянутих підприємств. Здається, доцільно провести навчання НС за двома наступними напрямками.
Рейтингова оцінка підприємств на підставі чотирьох ключових показників, розглянутих у цій главі вище:
) ROI;
оборотність активів;
коефіцієнт якісної ліквідності;
коефіцієнт левереджа.
Проведений Дж. Хеканахо аналіз досліджень західних економістів в області визначення кредитного рейтингу показав, що при розрахунках були використані 33 коефіцієнта, що визначаються на основі даних бухгалтерської звітності позичальника. У цьому випадку будемо визначати кредитні рейтинги на підставі цих показників. Нерозвиненість вітчизняного фондового ринку і неповний склад бухгалтерської звітності аналізованих підприємств скоротив кількість можливих коефіцієнтів до 23:
грошові кошти / короткострокові зобов'язання;
грошові кошти / виручка;
грошові засоби / активи;
оборотні активи / короткострокові зобов'язання;
оборотні активи / виручка;
оборотні активи / активи;
оборотні активи / капітал і резерви;
капітал і резерви / виручка;
запаси і витрати / виручка;
10) довгострокові зобов'язання / капітал і резерви;
) довгострокові зобов'язання / оборотний капітал;
нерозподілений прибуток / оборотні активи;
швидко реалізованих активи / запаси і витрати;
виручка / активи;
швидко реалізованих активи / короткострокові зобов'язання;
швидко реалізованих активи / виручка;
швидко реалізованих активи / активи;
левередж;
зобов'язання / активи;
оборотний капітал / виручка;
оборотний капітал / капітал і резерви;
оборотний капітал / активи;
ROI.
У попередніх параграфах ми неодноразово відзначали, що проводяться фахівцями оцінки кредитоспроможності в сучасних умовах, особливо в Росії, дуже суб'єктивні і суттєво обмежені у зв'язку з тим, що немає механізму, за допомогою якого можна об'єктивно враховувати якісні параметри діяльності позичальника. Ці недоліки є серйозною підставою для того, щоб визнати існуючі методи аналізу обмеженими і здатними до спотворення даних про реальну кредитоспроможності позичальника. Принципи ж роботи НС дозволяють з високим ступенем точності визначити залежності між вхідними показниками (і кількісними, і якісними) і кредитним рейтингом. Саме тому вважаємо за доцільне побудова двох додаткових варіантів роботи НС до кожної з вже існуючих двох груп.
2. Рейтингова оцінка на підставі 4 і 23 фінансових коефіцієнтів і двох якісних параметрів: фаза економічного циклу і якість менеджменту, причому необхідні показники відбираються за допомогою генетичного алгоритму. Відповідно до цього алгоритмом показники кожного спостереження були представлені у вигляді хромосоми 5 (г); г = 1, якщо г приймає участь у розрахунку рейтингу; г = 0, якщо не приймає (zt = фаза економічного циклу; i2 = якість менеджменту; in - фінансовий показник в порядку, наведеному раніше). Якщо, наприклад, всі 6 показників (4 кількісних і 2 якісних) використовуються при визначенні кредитного рейтингу, то хромосома S приймає наступний вигляд: S {(1, 1, 1, 1, 1, 1). У разі використання 25 показників (23 кількісних і 2 якісних) хромосома S2 виглядає так: (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,1, 1,1). Механізм роботи генетичного алгоритму, реалізований у програмі STATISTICA Neural Networks, працює за принципами, сформульованим у попередньому параграфі. В результаті застосування генетичного алгоритму були отримані хромосоми такого вигляду:
5t (1,1,1, 1,1, 0), тобто в якості показників для визначення кре-дітно рейтингу використовуються два якісних показника - фаза економічного циклу і якість менеджменту і три кількісних - ROI, оборотність і ліквідність.
52 (1,1, 0, 0, 0,1, 0,1, 0, 1, 0, 0, 0, 1, 1, 1,1, 0, 0, 0 , 1, 0, 0,1, 1), тут в якості показників виступають два якісних показника і 10 кількісних (приймаючі значення 1 в порядку, зазначеному раніше. Показники, що приймають значення 0, у розрахунках не беруть участь).
Таким чином, після проведення навчання будуть отримані шість типів НС, кожну з яких можна використовувати для подальшої оцінки кредитоспроможності позичальника. Кожному з шести типів відповідає набір вхідних і вихідних змінних (табл. 2.28).
Структура розглянутих НС наведена в табл. 2.28.
У процесі навчання кожної з шести розглянутих НС було проведено 400 спостережень. На нашу думку, результати навчання можуть бути визнані успішними, оскільки відсоток неправильної клас-сификации кредитних рейтингів не перевищив 13,3%. Кредитні рейтинги в наших обчисленнях присвоювалися не на основі класифікації позичальників за рейтинговими групам, а з використанням математичних розрахунків. Саме тому рейтинги позичальників беруть дробові значення. Більш того, при аналізі помилок необхідно враховувати напрямок відхилення отриманого рейтингу від заданого. У всіх випадках помилкової класифікації НС привласнювала знижені кредитні рейтинги в порівнянні з заданими. Такий тип помилки вважається кращим, ніж привласнення підвищеного рейтингу. Отримані помилки свідчать про більш консервативної оцінки позичальників, що, безумовно, не зробить роботу банку більш ризикованою. Так, відсоток помилки навчання НС на основі 4 кількісних показників склав 6,67%, при додаванні 2 якісних факторів відсоток помилки збільшився до 10%. Це пояснюється ускладненням системи обліку якісних показників при визначенні кредитних рейтингів. Однак після застосування генетичного алгоритму відсоток помилки знову зменшився до 6,67. Навчання НС на основі 23 показників дало дещо гірші результати. Так, відсоток помилки для НС, що працює тільки з кількісними показниками, і для НС, що поєднує 23 кількісних і 2 якісних фактора кредитоспроможності, склав 13,33%. Генетичний алгоритм, що скоротив кількість застосовуваних показників, дозволив зменшити відсоток помилки до 10%. Для оцінки ефективності навчання НС можна також розрахувати середній рівень помилки по НС і середнього квадратичного відхилення. Нами такі розрахунки не проводилися, так як кількість позичальників дозволяє виявити отримані відхилення безпосередньо по кожній позиції. Кредитний портфель комерційного банку включає в себе більшу кількість наданих кредитів. У цьому випадку визначення середньоквадратичного відхилення помилки є необхідним критерієм якості навчання. Результати навчання НС наведено в табл. 2.29.
