2.6.3. Використання навченої нейррнной мережі для оцінки кредитоспроможності позичальника
На вхід НС були представлені Дані підприємств, рейтинг яких підлягає визначенню. Для розрахунків використовувалася ідентична сукупність показників, що і при навчанні НС: 4 кількісних, 23 кількісних, 2 якісних і генетичний алгоритм. Було проведено шість досліджень. У результаті використання навчених НС підприємства були присвоєні такі кредитні рейтинги (табл. 2.30).
Отримані результати свідчать про те, що всі шість розглянутих НС привласнювали практично однакові рейтинги підприємствам, за винятком чотирьох випадків. Такі відхилення пояснюються тим, що всі вони мали місце в другій групі НС, в якій кредитний рейтинг визначався на основі великої кількості показників, деякі з них були взаємозалежними. У такому випадку НС виявилася перевантаженою. Саме тому результати, отримані на тому ж множині даних, але із застосуванням генетичного алгоритму, виявилися порівнянними з результатами інших випробувань. Це підтверджує один з принципів роботи НС, згідно з яким необхідно ретельно відбирати сукупність вихідної інформації. Основний висновок, який можна зробити після проведених випробувань, полягає в тому, що механізм роботи НС не схильний до впливу суб'єктивних факторів оцінки, а його надійність визначається достовірністю даних, що використовуються при навчанні НС. Надалі отримане значення кредитного рейтингу може зазнати незначні зміни залежно від даних про де-ніжному потоці позичальника, інформації, полученной'із зовнішніх джерел, і пр.
Очевидно, що при застосуванні механізму НС в якості результат-ної інформації можуть бути використані й інші якісні показники, розглянуті вище.
Існує ще один тип архітектури НС, який сильно відрізняється від розглянутого вище. Це мережа Кохонена. Велика частина мереж призначена для вирішення завдань з керованим процесом навчання, мережа Кохонена розрахована на некероване навчання. У разі некерованого навчання навчальні дані містять тільки значення вхідних змінних. Відповідних їм вихідних значень немає. На перший погляд це може здатися дивним. Проте мережа Кохонена вчиться розуміти саму структуру аналізованих даних. Мережа Кохонена розпізнає кластери в даних, а також встановлює близькість класів. Якщо в сукупності даних розпізнані класи, то їх можна виділити і приступити до вирішення завдання класифікації. Мережа Кохонена можна використовувати і в тих випадках, коли класи вже задані. Тоді перевага буде в тому, що мережа зможе виявити подібність між різними класами.
Інша можлива область застосування даної НС - це виявлення нових явищ. Мережа Кохонена розпізнає кластери в навчальних даних і відносить всі дані до тих чи інших кластерам. Якщо після цього мережа зустрінеться із спостереженнями, що не схожими ні на один з відомих зразків, то вона не зможе класифікувати такий набір і виявить додатковий новий кластер.
Принципи роботи і навчання мережі Кохонена були сформульовані фінським вченим Т. Кохоненом в 1982 р. Основна його ідея - введення в правило навчання нейрона інформації про його розташуванні. Мережа Кохонена має один вхідний шар з числом нейронів, рівним числу входів, і єдиний прихований (вихідний) шар нейронів, який утворює одновимірну або двомірну грати. За аналогією з топографічними картами таку НС називають ще самоорганізується картою Кохонена. Використання НС Кохонена при визначенні кредитоспроможності позичальника дозволяє подолати основний недолік звичайних НС. Так, навчання НС засноване на виявленні прихованих залежностей між показниками діяльності позичальника та присвоєним йому кредитним рейтингом. Іншими словами, дані для навчання НС схильні суб'єктивності, оскільки кредитні рейтинги для навчальної сукупності підприємств присвоюються кредитними працівниками банку. Звичайно, в цьому випадку рівень суб'єктивності значно нижче, ніж при традиційних методах аналізу кредитоспроможності. Це пояснюється тим, що використовувані для навчання рейтинги, будучи розраховані для вже наданих і погашених позик, пройшли перевірку часом.
1) ROI
оборотність активів;
коефіцієнт якісної ліквідності;
коефіцієнт левереджа;
фазу економічного циклу;
якість менеджменту.
Навчання мережі Кохонена. У процесі навчання мережі Кохонена на вхід подаються значення шести показників. Інформації про визначені кредитні рейтинги немає, тому НС самостійно класифікує підприємства в один з п'яти можливих класифікаційних класів. Кількість класів рейтингової оцінки користувач задає сам, причому можливе збільшення класів до кількості, рекомендованого Базельським комітетом. У нашому випадку застосовувалися п'ять рейтингових класів. Результати навчання зведені в табл. 2.31. Методом зворотного поширення їх можна порівняти як з початковими рейтингами банку, так і з попередніми результатами навчання НС.
Основне завдання навчання мережі Кохонена складається в угрупованні підприємств за класами рейтингової оцінки на основі виявлення прихованої залежності між наявними показниками і невідомим значенням кредитного рейтингу. У подальшому отримані форми залежності використовуються для оцінки кредитоспроможності позичальника. Як показують результати навчання мережі Кохонена, даний тип нейронної мережі класифікує підприємства іншим чином, ніж звичайна НС і фахівці банку. Відсоток помилки навчання звичайної НС в порівнянні з думкою банку склав 10% (або 3 випадки з 30 можливих), а результати навчання мережі Кохонена розрізняються з присвоєними кредитними рейтингами банку вже на 53% (або 16 випадків з 30 можливих). Проте цей підсумок навчання не рахується незадовільним, оскільки основне призначення мережі Кохонена полягає в самостійній класифікації явищ. Якщо звичайна НС виявляє нелінійні залежності між відомими факторами кредитоспроможності і заданим значенням кредитного рейтингу, то мережа Кохонена використовує в розрахунках лише вихідні фактори без урахування результуючого ознаки. Ця властивість мережі Кохонена дозволяє подолати суб'єктивізм, притаманний процесу оцінки кредитоспроможності. Мережа Кохонена виявилася більш консервативною, тому що всі отримані відмінності знижували кредитний рейтинг підприємств порівняно з даними банку. На нашу думку, це робить роботу банку більш надійною.
Використання навченої мережі Кохонена для оцінки кредитоспроможності позичальника. На наступному етапі роботи отримані в процесі навчання залежно використовуються з метою визначення кредитних рейтингів аналізованих підприємств. Для цього на вхід мережі Кохонена подається та ж сукупність кількісних і якісних факторів кредитоспроможності, що і при первинному навчанні. Мережа Кохонена присвоює кредитні рейтинги на основі залежностей, отриманих в процесі навчання. В результаті ис-користування навченої мережі Кохонена підприємствам були присвоєні наступні кредитні рейтинги (табл. 2.32).
Результати використання мережі Кохонена, як і результати навчання мережі, є більш консервативними у порівнянні з оцінкою банківських фахівців і результатами навчання звичайної НС. Відмінності в привласнених рейтингах кредитоспроможності виділені в табл. 2.32 жирним шрифтом. Критерієм успішної роботи даного типу НС, на думку авторів, виступає класифікація під-приємств, що знаходяться на стадії банкрутства: НС привласнює всім підприємствам-банкрутам рейтинг кредитоспроможності 5, тобто найгірший.
Нейронні мережі являють собою інструмент моделювання, здатний відтворювати складні нелінійні залежністьмости. Одне з головних додатків НС в банківській сфері - оцінка кредитоспроможності позичальника. Використання НС для присвоєння кредитного рейтингу дозволяє подолати усталену думку про лінійної залежності показників і рейтингу і перейти до моделювання нелінійних зв'язків.
Вивчення нелінійних зв'язків відбувається під час так званого навчання мережі, коли значення входять змінних зіставляються з вихідним результатом. Найбільш поширеним алгоритмом навчання є метод зворотного поширення. У тому випадку, якщо існує великий набір входять змінних і неможливо визначити ступінь впливу змінної на результат, використовують генетичний алгоритм, що дозволяє відтворювати біологічні процеси.
Якщо на етапі навчання мережі зіставити фінансові показники позичальника і значення його кредитного рейтингу, то отримані залежності можна використовувати надалі при аналізі нових позичальників.
У процесі навчання можна спиратися не тільки на кількісні, а й на якісні показники, наприклад, фазу економічного циклу і якість менеджменту. Це дозволяє практично виключити виникнення суб'єктивних помилок.
Нейронні мережі являють собою якісно новий, надійний інструментарій роботи з оцінки кредитоспроможності позичальника.
Запитання для самоконтролю
Якими властивостями володіють нейронні мережі?
У чому полягає завдання і алгоритм навчання нейронної мережі?
Від чого залежить ефективність роботи нейронної мережі?
Які принципи навчання нейронної мережі Кохонена?
У чому виявляються можливість використання і надійність нейронної мережі як інструмент визначення кредитоспроможності позичальника?