49879

Применение нейронных сетей при оценке платежеспособности заемщика банка Драгоценности Урала

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети. Нейросети в финансах и банковском деле Нейронные сети и нейрокомпьютеры это одно из направлений компьютерной индустрии в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Искусственный нейронные сети в значительной мере заимствуют принципы работы головного мозга.

Русский

2014-01-11

1.99 MB

16 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет прикладной  информатики и экономики

Кафедра информатики

КУРСОВАЯ РАБОТА

по дисциплине

«Интеллектуальные информационные системы»

Тема: «Применение нейронных сетей при оценке платежеспособности заемщика банка Драгоценности Урала»

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

Семукова М.Г.

НАУЧНЫЙ  РУКОВОДИТЕЛЬ:

профессор Ясницкий Леонид Нахимович

Пермь 2007

Содержание

ВВЕДЕНИЕ 

ГЛАВА 1. Теоретические основы нейросетевых технологий 

1.1. Искусственные нейронные сети 

.2. Области применения и перспективы развития 12

1.3.  Нейросети в финансах и банковском деле 5

ГЛАВА 2. Практическое применение нейронных сетей в банковском деле 

2.1. Постановка задачи 

2.2. Анализ полученных результатов 24

ЗАКЛЮЧЕНИЕ 6

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 


Введение

Искусственный интеллект- это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Сегодня - это обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.  Для задач, решаемых методом искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, не зависящей от воли разработчика жизнью.   

Сегодня существуют несколько направлений развития искусственного интеллекта. Это такие направления как разработка интеллектуальных систем, основанных на знаниях, нейросетевые и нейрокомпьютерные технологии, распознавание образов, игры и творчество, компьютерная лингвистика, интеллектуальные роботы, компьютерные вирусы и интеллектуальное математическое моделирование.

Нейронные сети и нейрокомпьютеры- это одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Искусственный нейронные сети в значительной мере заимствуют принципы работы головного мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно в виде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

Нейроматематика эффективно применяется для трудноформализуемых и неформализуемых задач. При обучении на вход нейросети один за другим подаются исходные данные и сеть генерирует свои ответы. Полученные ответы сравнивается с известными, а сеть изменяется до тех пор, пока не выдаст правильные ответы на все исходные данные из обучающей выборки.

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейронных сетей: автоматизация процессов распознавания образов и адаптивное управление, аппроксимация функционалов и прогнозирование, создание экспертных систем и организация ассоциативной памяти и многое, многое другое. С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

Банковская сфера как объект имеет сложное детерминированное поведение, для описания которого нейросети являются идеальным инструментом. Нейросети успешно применяются для решения многих практических задач в банковской сфере: оценки платежеспособности клиентов (на вход нейросети подаются данные о клиенте, на выходе - прогнозируемая степень его платежеспособности), предсказания банкротства, прогнозирования остатков на корреспондентских счетах, оценки риска страхования, предсказания изменения стоимости акций и экономической эффективности финансирования экономических и инновационных проектов и т.п. 

В своей курсовой работе я попытаюсь решить прикладную задачу из области, не поддающейся формализации, такую как принятие решения о выдаче кредита клиенту банка «Драгоценности Урала».

 Цель: показать, можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при решении предоставления кредита.

Достижение поставленных целей предопределило постановку и решение следующих задач:

-  раскрыть сущность искусственного интеллекта;

- обучить один из нейросимуляторов;

-  вывести закон, показывающий результат работы.

Предметом исследования является развитие применения нейросетей в банковском деле.

Глава 1. Нейросетевые технологии

1.1. Искусственные нейронные сети

Еще на заре компьютерной эры были намечены два принципиально разных подхода к обработке информации: последовательная обработка символов и параллельное распознавание образов. И символы, и образы - это «слова», которые обрабатывают компьютеры, а основное различие между ними заключается лишь в размерности. При этом размер образа может быть на много порядков больше размера символа. Казалось бы, разница не очень значительна и приводит лишь к несколько большему времени обработки длинных слов, но на самом деле различия в размерах данных имеют принципиальное значение, так как сложность работы с образами возрастает нелинейно при увеличении их разрядности.

Если для относительно коротких символов можно описать все возможные над ними операции и создать процессор, который предсказуемым образом обрабатывает все входящие символы, исполняющие роль команд или данных, то реализовать то же самое для образов невозможно, поскольку подобное описание будет расти экспоненциально. А значит, любой процессор, предназначенный для обработки образов, содержит лишь часть возможных входных образцов и соответствующих им действий и должен «додумывать» свое поведение и обобщать известные ему примеры, чтобы его реакция была аналогичной и приемлемой с точки зрения решения задачи, для которой он предназначен. Таким образом, различие между последовательными и параллельными вычислениями заключается в принципиально разных методах постановки и решения задач, связанных с обработкой информации.

На принципе последовательных вычислений на ограниченных по длине символах основаны компьютеры, реализованные по традиционной архитектуре фон Неймана с алгоритмическими программами, а параллельные вычисления и распознавание образов лежат в основе нейрокомпьютеров, организованных по принципам, схожим с устройством и работой мозга. Современные электронно-вычислительные машины значительно превосходят людей по способности производить численные расчеты, однако человек может с легкостью и буквально за секунду узнать человека, лицо которого промелькнуло в толпе, и с которым он не виделся много лет.

Основная задача нейрокомпьютеров - обработка образов. При этом у них, как и в мозгу человека, отсутствуют общие шины, нет разделения на активный процессор и пассивную память, а вычисления и обучение распределены по всем элементарным процессорам - нейронам, которые функционируют параллельно. За счет этого нейрокомпьютеры позволяют добиться фантастической производительности, которая может в миллионы раз превышать производительность традиционных компьютеров с последовательной архитектурой.

Таким образом, можно выделить следующие преимущества нейросетевого подхода:

  •  параллелизм обработки информации;
  •  единый и эффективный принцип обучения;
  •  надежность функционирования;
  •  способность решать неформализованные задачи.

Биологическая эволюция, которая привела к столь эффективным решениям, шла по пути от образов к логике. Так и человек после рождения сначала учится распознавать образы, а только потом приобретает умение рассуждать логически и строить алгоритмы. Компьютеры же, напротив, начав с логики, лишь спустя несколько десятилетий осваивают распознавание образов, за счет создания специальных программ для компьютеров традиционной архитектуры или благодаря созданию специализированных аппаратных нейропроцессоров.

Искусственные нейронные сети, подобно биологическим, являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Несмотря на то, что при построении таких сетей обычно делается ряд допущений и значительных упрощений, отличающих их от биологических аналогов, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, - это обучение на основе опыта, обобщение, извлечение существенных данных из избыточной информации.

Нейронные сети могут менять свое поведение в зависимости от состояния окружающей их среды. После анализа входных сигналов (возможно, вместе с требуемыми выходными сигналами) они сами настраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «видеть» образ, содержащий различные помехи и искажения.

В 50-х годах прошлого века группа исследователей объединила биологические и физиологические подходы и создала первые искусственные нейронные сети. Тогда казалось, что ключ к искусственному интеллекту найден. Но, хотя эти сети эффективно решали некоторые задачи из области искусственного зрения - предсказания погоды и анализа данных, иллюзии вскоре рассеялись. Сети были не в состоянии решать другие задачи, внешне похожие на те, с которыми они успешно справлялись. С этого времени начался период интенсивного анализа. Были построены теории, доказан ряд теорем. Но уже тогда стало понятно, что без привлечения серьезной математики рассчитывать на значительные успехи не следует.

С 70-х годов в научных журналах стали появляться публикации, касающиеся искусственных нейронных сетей. Постепенно был сформирован хороший теоретический фундамент, на основе которого сегодня создается большинство сетей. В последние два десятилетия разработанная теория стала активно применяться для решения прикладных задач. Появились и фирмы, занимающиеся разработкой прикладного программного обеспечения для конструирования искусственных нейронных сетей. К тому же 90-е годы ознаменовались приходом искусственных нейронных сетей в бизнес, где они показали свою реальную эффективность при решении многих задач - от предсказания спроса на продукцию до анализа платежеспособности клиентов банка.

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. Ознакомимся с некоторыми наиболее интересными нейросимуляторами для персональных компьютеров.

NeuroSolution (NeuroDimension)

Общее количество весовых коэффициентов этого нейросимулятора может достиать одного миллиона. Симулятор прост в освоении, у него хорошая справочная система, прекрасный графический интерфейс.

Создать нейросеть (в дальнейшем - НС) можно четырьмя путями:

) с помощью wizard’а - очень полезен для начинающих. По ходу дела «помощник» будет выводить на экран множество информации о выбранной НС и окажет реальное содействие при создании нейросети с запланированной архитектурой;

) модифицировать прилагаемые демо-макросы;

) изменить макеты нейросетей из электронного руководства;

) как вариант, можно собирать (макетировать) НС вручную, используя меню и пиктограммы.

NeuralWorks Pro II/Plus (Aspen Technology)2

Поддерживаются все известные типы НС и алгоритмов обучения, включая разрабатываемые с использованием средств симулятора, обеспечивается автоматическая оптимизация спрятанного слоя нейронов, графически отображаются функционирование нейросетей и средства диагностики. Профессиональный вариант, выполненный в виде специализированной среды разработки, позволяет генерировать исходный Си-код и использовать программирование на Си, то есть разрабатывать любые новые нейросети, а также включает пакеты для применений в реальном времени в совокупности с нечеткой логикой и генетическими алгоритмами.

MatLab + Neural Network Toolbox (MathWorks)3

Запомнить все функции и их параметры данного пакета - все равно, что выучить от корки до корки новый язык, правда, по мере терпеливого освоения «языка» его достоинства видишь все лучше. Набор типов нейросетей стандартен. В версии 3.0 появилась возможность гибкого конструирования НС, а также были добавлены вероятностные и регрессионные нейросети.

Предусмотрен демонстрационный. Не меняя настроек, можно загрузить готовый файл MatLab, и обучение начинается. За изменением ошибки можно наблюдать в отдельном окне прямо по ходу обучения.

BrainMaker (California Scientific Software)

Реализована только MLP-нейросеть: до 512 нейронов в каждом слое, до 8 слоев, до 32К весов между слоями нейронов. Работает с форматами Excel, Lotus, dBase, ASCII, binary. Поддерживаются нейросетевые платы-ускорители, в частности производства Adaptive Solutions. Любопытная деталь: California Scientific Software не предлагает модные алгоритмы ускорения обучения, делая ставку на аппаратное ускорение.

Демонстрация BrainMaker сделана в лучших традициях черно-белого кино, изменять можно только весовые коэффициенты. Классический по архитектуре MLP не является идеальным предсказателем в сравнении со специализированными нейросетями.

NeuroPro (Институт вычислительного моделирования СО РАН)4

Реализована лишь MLP-нейросеть: до десяти слоев, до ста нейронов в каждом слое. Судя по поведению при обучении на прилагаемых данных, действительно работает нейросеть. Назначение пакета - классификация и прогнозирование. Сначала надо ввести файл входных данных (форматы: dBase, FoxBase, FoxPro, Clipper, Paradox), после чего затруднений с освоением возникнуть не должно. Предусмотрено сокращение количества нейронов, весов и входов усилиями самой программы. Недостаток: трудно  понять, как обеспечить соответствие входов (симптомов) желаемому отклику (синдромам).

NeuroOffice’ (АОЗТ «Альфа Систем», Санкт-Петербург)

Уникальность ее кроется в возможности создания многослойной НС разветвленной архитектуры по усмотрению пользователя и с обучением по правилу обратного распространения ошибок.

В составе демо-версии - две программы. Первая, NeuroView+, предназначена для визуально-графического проектирования структурной модели и топологии нейронной сети. Утверждается, что размеры нейронной сети программно не ограничены. Вторая, NeuroEmulator, служит для обучения и тестовых испытаний спроектированной нейросети, а также для редактирования «синаптической карты» и функций активации нейронов.

Главный недостаток в том, что каждую связь между нейронами приходится задавать вручную (рис. 3), поэтому соорудить большую НС очень тяжело, да и времени на это уйдёт очень много.

Еще один недостаток: после успешного завершения конструирования архитектуры не выдается подтверждающего сообщения.

Загрузив созданный проект в NeuroEmulator, можно получить возможность инициализировать весовые коэффициенты, задать тип пороговой функции для каждого слоя, открыть файл входных данных (форматы Excel: CSV и BDT), предъявить эталоны на выходе и, наконец, приступить к обучению. Предусмотрена генерация тестовых входных данных (в частности, синус), но что именно предъявить для них на выходе в качестве эталона, программа не подсказывает. А ведь как раз в демо-версии была бы очень уместна автоматическая загрузка всех данных, на которых демонстрировалась бы работа программы в режиме обучения.

NNet (бета-версия)5

NNet выделяется среди общей массы не только оригинальным интерфейсом (рис. 5), который облегчает освоение и делает программу очень удобной в работе, но и хорошей скоростью вычислений (полностью 32-разрядная и многонитевая) и грандиозными возможностями. Хотя в бета-версии воплощена лишь MLP-нейросеть, зато предусмотрено функционирование в трех режимах (аппроксимация, фильтрация и классификация), но главное - количество нейронов в каждом слое может достигать 64К, а максимальное число весов - четырех миллиардов.

Все рассмотренные выше нейросимуляторы зарубежного производства и, как  правило, они очень дорогие. На сегодняшний день на российском рынке нейросимуляторов можно уже найти некоторые отечественные образцы, целиком и полностью разработанные без использования зарубежных кодов, которые могли бы послужить основой (скорее всего, после объединения усилий) для создания передового программного продукта, в том числе для продажи на мировом рынке.

Для своего исследования я использовала нейросимулятор российского производства, а именно нейросимулятор, созданный студентом ПГУ (рис.1).

Рис.1 Внешний вид персептрона, разработанного в ПГУ

На вкладке «Проектирование сети» указываются: тип активационной функции каждого слоя сети, число нейронов входного и выходного слоёв сети, а также число скрытых слоев. На вкладке «Обучение» загружается выборка, используемая для обучения, также здесь задается число итераций обучения и скорость обучения, а уже на вкладке «Вычисления» вводятся входные параметры для проверки работы нейросимулятора.

Основной принцип работы этого нейросимулятора: сигналы, поступающие на входы Х1,…,Хn умножаются на коэффициенты (веса, синапсы), соответствующие каждому входу, и тем самым определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через линейную функцию.

Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Подобно людям, структуру мозга которых они копируют, искусственные нейронные сети сохраняют в определенной мере непредсказуемость. Единственный способ точно знать выход состоит в испытании всех возможных входных сигналов. В большой сети такая полная проверка практически неосуществима и должны использоваться статистические методы для оценки функционирования. В некоторых случаях это недопустимо. Например, что является допустимым уровнем ошибок для сети, управляющей системой космической обороны? Большинство людей скажет, любая ошибка недопустима, так как ведет к огромному числу жертв и разрушений. Это отношение не меняется от того обстоятельства, что человек в подобной ситуации также может допускать ошибки.

Проблема возникает из-за допущения полной безошибочности компьютеров. Так как искусственные нейронные сети иногда будут совершать ошибки даже при правильном функционировании, то, как ощущается многими, это ведет к ненадежности - качеству, которое мы считаем недопустимым для наших машин.

Искусственные нейронные сети являются важным расширением понятия вычисления. Они обещают создание автоматов, выполняющих функции, бывшие ранее исключительной прерогативой человека. Машины могут выполнять скучные, монотонные и опасные задания, и с развитием технологии возникнут совершенно новые приложения.

Теория искусственных нейронных сетей развивается стремительно, но в настоящее время она недостаточна, чтобы быть опорой для наиболее оптимистических проектов. В ретроспективе видно, что теория развивалась быстрее, чем предсказывали пессимисты, но медленнее, чем надеялись оптимисты, - типичная ситуация. Сегодняшний взрыв интереса привлек к нейронным сетям тысячи исследователей. Резонно ожидать быстрого роста нашего понимания искусственных нейронных сетей, ведущего к более совершенным сетевым парадигмам и множеству прикладных возможностей.

Другая трудность использования нейронных сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

В последнее время предпринимаются активные попытки объединения искусственных нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов.

1.2 Области применения и перспективы развития

Традиционно математические модели строились путём изучения и использования фундаментальных законов природы. В результате рассмотрения этих моделей вытекали математические формулы либо формулировки краевых задач для дифференциальных уравнений.

Персептроны открыли иной подход к самой методике построения математических моделей. Появилась возможность, не задумываясь над законами физики, химии, биологии, медицины, общественного развития, исходя из одного только эмпирического опыта (обучающей выборки) строить математические модели, которые сами извлекают эти законы и позволяют их эффективно использовать для решения широкого круга практических задач.

Появился новый инструмент извлечения знаний из данных, позволяющий заново открывать фундаментальные законы природы, выявлять ранее неизвестные и никогда не исследованные зависимости и закономерности и активно использовать их для решения конкретных практических задач.6

Здравоохранение

В свое время в США была введена в действие система обнаружения мошенничеств в области здравоохранения. Было подсчитано, что потери бюджета от такого рода фальсификаций составляют около 730 млн. долл. в год. Создание специализированной нейросетевой системы заняло у фирмы ITC более года и обошлось всего в 2,5 млн. долл. Тестирование новой системы показало, что нейронная сеть позволяет обнаруживать 38% случаев мошенничества, тогда как использовавшаяся до нее экспертная система давала только 14%. Для настройки нейронной системы были применены также методы нечеткой логики и генетической оптимизации.

В медицинской диагностике нейронные сети нередко используются вместе с экспертными системами. Компанией «НейроПроект» была создана система объективной диагностики слуха у грудных детей. Общепринятая методика диагностики состоит в том, что в процессе обследования регистрируются отклики мозга в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха ребенка опытному эксперту-аудиологу необходимо провести около 2 тыс. тестов, нейронная сеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия специалиста.

 Диагностика неисправностей сложных технических устройств

Специалисты, занимающиеся диагностикой неисправностей авиационных двигателей, устанавливают датчики, измеряющие параметры работы авиадвигателей во время полётов. Файл данных полётного мониторинга обычно содержит следующие параметры: номер полёта, дату полёта, общую наработку двигателя, температуру и давление газа за турбиной, температуру лопаток, уровень и температуру масла в маслоблоке и т.д. Число полётных параметров может достигать сотни и более.

После выполнения определённого числа полётов (около двухсот) двигатель снимают с самолёта и подвергают стендовой разборке, во время которой выявляют и устраняют его дефекты. Характерными дефектами авиадвигателей являются: трещина на сопловом агрегате, забоины, разрушение дефлектора, стружка в масле и т.д. Всего их около 30 видов.

Задача инженера-диагноста состоит в том, чтобы, используя данные мониторинга, выявить дефекты двигателя ещё до его профилактической разборки. Если число обучающих примеров будет достаточным, то правильно спроектированный многослойный персептрон обучится надёжно ставить диагнозы неисправностей авиадвигателей, в том числе тех, которых в обучающей выборке не было. А если таким персептроном оборудовать бортовой компьютер самолёта, то он будет сообщать о появлении неисправности двигателя в реальном времени, то есть как только сложится соответствующая конфигурация вектора входных параметров –результатов измерений, снимаемых во время полёта самолёта.7

Реклама и маркетинг

При ведении бизнеса в условиях конкуренции компаниям необходимо поддерживать постоянный контакт с потребителями, обеспечивая обратную связь. Для этого некоторые компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются решающими при покупке данного товара или услуги. Анализ результатов подобного опроса - непростая задача, поскольку необходимо исследовать большое количество связанных между собой параметров и выявить факторы, оказывающие наибольшее влияние на спрос. Существующие нейросетевые методы позволяют выяснить это и прогнозировать поведение потребителей при изменении маркетинговой политики, а значит, находить оптимальные стратегии работы компании.

Компания Neural Innovation Ltd использовала при работе с маркетинговыми компаниями стратегию прямой рассылки. Вначале она осуществляла рассылку всего 25% от общего числа предложений и собирала информацию об откликах и реакциях потребителей. Затем эти данные поступали на вход нейронной сети, с помощью которой осуществлялся поиск оптимального сегмента потребительского рынка для каждого товара. После этого остальные 75% предложений рассылались уже с учетом найденных закономерностей в указанный сегмент, и эффективность второй рассылки значительно возрастала по сравнению с первоначальной.

1.3.  Нейросети в банковском деле

Нейронные сети активно применяются на финансовых рынках. Например, американский Citibank использует нейросетевые предсказания с 1990 года, и уже через два года после их внедрения, по свидетельству журнала The Economist, автоматический дилинг показывал доходность 25% годовых. Chemical Bank применяет нейросетевую систему фирмы Neural Data для предварительной обработки транзакций на валютных биржах ряда стран, отслеживая подозрительные сделки. Автоматизированные системы ведения портфелей с использованием нейросетей имеются на вооружении и у Deere & Co LBS Capital, причем экспертная система объединяется примерно с 900 нейронными сетями.

В сентябре 1992 года компания HNC, которая до этого занималась производством нейрокомпьютеров, выпустила программный продукт Falcon, позволяющий выявлять и предотвращать в реальном времени подозрительные сделки по краденым кредитным и дебетным картам. Искусственные нейронные сети обучались типичному поведению клиентов и могли обнаруживать резкое изменение характера покупок, сигнализирующее о возможной краже. Ежегодный ущерб крупных банков от подобных преступлений измерялся десятками миллионов долларов, но благодаря внедрению Falcon в 1994 году впервые за всю историю пластиковых карт эти потери пошли на убыль. Аналогичная система была разработана фирмой ITC для мониторинга операций с кредитными картами Visa.

Несколько лет назад крупный канадский банк CIBC для управления рисками и идентификации злоумышленников установил программу KnowledgeSeeker фирмы Angoss. С ее помощью специалисты банка решили выяснить, кто из их клиентов в будущем будет с высокой долей вероятности задерживать выплаты по закладным. Сначала предполагалось, что в первую очередь ими окажутся те, кто и прежде задерживал свои выплаты на несколько дней. Однако исследования показали, что в будущем проблемы с платежами возникнут у тех клиентов банка, которые на фоне регулярных выплат иногда якобы забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезными финансовыми трудностями.

Невозможность возврата кредитных средств не раз являлись причиной кризисов и банкротств весьма солидных банков. Поэтому вопрос о том, какова степень кредитного риска, каким клиентами опасно выдавать кредиты, а каким нет, для любого банка является одним из самых главных вопросов стабильности его существования.

Одним из клиентов банка является частное лицо и чтобы получить кредит ему надо доказать, что он именно тот клиент, который нужен банку. Для этого нужно будет предоставить, как правило, немалый пакет документов и заполнить анкету банка.

  В каждом банке есть множество разных отделов, которые сообща принимают решение о целесообразности выдачи кредита. Одним из таких отделов является отдел банковской безопасности. Обычно этот отдел исполняет роль первой инстанции.

Специалисты отдела банковской безопасности проверяют достоверность информации, поданной заемщиком. Если обнаруживается несоответствие поданной клиентом и "добытой" банком информации, то заемщику, как правило, сразу отказывают.

В каждом банке существует свой алгоритм проверки потенциального клиента, в основном он сводится к следующим действиям:

  - проверка даты, места и органа регистрации потенциального клиента (проверка паспорта, свидетельства о регистрации предпринимателя);
     - проверка достоверности данных, указанных клиентом в "анкете заемщика", в т.ч. соответствие юридического адреса фактическому местонахождению;
    - проверка паспортных данных, наличие прописки и т.д.;
    - существование неплатежей (в бюджет, контрагентам и т.д.);
    - проверка наличия счетов в других банках и их состояние;
    - изучение деловой репутации клиента (поручителя), отсутствие негативной (компрометирующей) информации;
   - проверка существования задолженности по кредитным соглашениям в других банках (у заемщика, поручителя и близких лиц);
   - наличие возбуждённых против клиента (или поручителя) криминальных дел;
   - проверка существования против клиента или поручителя какой-либо другой негативной информации;
   - отсутствие залога, договора лизинга или аренды на предоставленный объект залога, арест этого объекта;
   - проверка информации о дополнительных источниках дохода: участие в уставных фондах предприятий, существование дочерних предприятий и их деятельности;
   - проверка другой информации.

Если же в процессе проверки предоставленной информации ничего компрометирующего не обнаруживается, то начальник отдела безопасности рекомендует кредитному комитету выдать этому клиенту долгожданный кредит. Окончательное же решение о возможности выдачи кредита обычно принимает руководитель банка, учитывая полученный результаты отделом банковской безопасности, руководствуясь своим опытом и интуицией.

Однако в последнее время руководители многих английских банков стали спрашивать мнение еще и у нейронной сети. Советчиком английских банкиров является обычный многослойный персептрон. Персептрон - советчик банкиров обучался на примерах, взятых из собранных с английской тщательностью архивных материалов нескольких банков, в которых был отражен многолетний опыт их кредитной деятельности. По свидетельству банкиров, применивших нейронную сеть, она помогла им выявить ряд потенциальных неплательщиков и скорректировать финансовую политику банков.

Глава 2. Практическое применение нейронных сетей в банковском деле

.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. Скоринг- это задача, которая не имеет четкого алгоритма. Поэтому рассмотрим применение нейросетевых технологий при принятии решения о выдаче кредита.

 У банков на сегодняшний день  нет никаких алгоритмов, позволяющих точно заранее определить неплательщика. Невыплата кредитов угрожает банковской системе, так как влияет на кредитоспособность самих банков, ведь банк дает кредиты в пределах тех активов, которыми располагает. Помимо тех, кто не отдал деньги банкам, есть те, кто эти деньги банку дал, невозвращение кредитов –это риск банка, вопрос о его стабильности. 

Кредитование –это сложная система, где нужно все время держать четкий баланс. Чтобы его соблюсти, банкам необходимо вести взвешенную кредитную политику, давая кредиты только тем, кто их вернет. Это даст уверенность в том, что получающий кредит гарантированно его возвратит.

Все больше и больше звучит опасений, что стремительно растет задолженность населения. Проблема в том, что банки стремятся кредитовать как можно больше, не особо стараясь проверять платежеспособность заемщиков. Чтобы предотвратить такую ситуацию, об этом нужно позаботиться прежде всего самим банкам. Банкам нужно тщательнее проверять, способен ли человек отдать кредит.

С этим явлением необходимо бороться самим банкам. Нужно так отстроить систему взаимодействия с клиентами, чтобы стало невозможным давать потребительские кредиты тем клиентам, которые не в состоянии вернуть этот кредит.

Клиенты банка- это частные лица и фирмы. Для того чтобы начать исследование, необходимо несколько сузить круг возможных исходов. Для этого будем рассматривать только один банк- "Драгоценности Урала", который выдает кредиты частным лицам.

Итак, банк "Драгоценности Урала" выдает кредиты частным лицам. Задача состоит в том, чтобы с помощью нейронных сетей определить является ли клиент этого банка платежеспособным.

Выясним, какие параметры наиболее существенно влияют на принятие решения о выдачи кредита клиенту.

Служащие банка "Драгоценности Урала" рассматривают такие данные о клиенте, как пол, возраст, стаж работы, ежемесячный доход, общий ежемесяный доход семьи, семейное положение, количетво иждивенцев, общее колиество человек в семье,  совокупный ежемесячный расход семьи(включает питание, коммунальные услуги, одежда и т.д.), ежемесячная сумма уплаты по кредитам в других банках.

Также учитывается прожиточный, установленный в данном регионе на одного человека.

Мы получили достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим параметр «пол». Под 0 будем подразумевать –мужской пол, а под 1- женский.  Параметр «семейное положение»: 1- замужем/ женат, 0-нет.

Ниже приводится список параметров:

X1- пол; 

0- мужской;

-женский;

X2 - возраст;

X3 - ежемесячный доход;

X4 - семейное положение;

- женат/ замужем;

- нет

X5 - количество иждивенцев;

X6 - общее количество человек в семье;

X7 - совокупный ежемесячный доход в семье;

X8 -совокупный ежемесячный раход в семье ;

X9 - общий стаж работы;

X10- стаж на последнем месте работы (он должен быть не менее 6 мес.);

X11 - ежемесячная сумма уплаты процентов по кредитам в других банках.

X12 - прожиточный минимум.

На выходе будем формировать результирующий вектор со следующими компонентами:

  1.  Y1 –выдать кредит;
  2.  Y2 –отказать;

Ниже приведены данные обучающей и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.


Обучающая выборка

Х1

Х2

Х3

Х4

Х5

Х6

Х7

Х8

Х9

Х10

Х11

Х12

У

0

0

5000

1

0

1

,2

,2

1

1

6000

0

1

0

7000

1

0

1

,3

1

1

0

0

,5

1

,4

0

0

1

0

1

,2

,2

1

1

0

0

0

1

,3

1

1

0

0

,5

1

,4

0

0

1

0

1

,2

,2

1

1

1

0

0

1

,3

1

1

0

0

,5

1

,4

0

0

1

0

1

,2

,2

1

1

0

0

0

1

,3

1

1

0

0

,5

1

,4

Тестируемая выборка

1

23

27000

27000

0

29

44000

44000

0

0

5500

,4

,4

1

47

78000

1

18000

0

31500

1

18

0

500

0

21

,3

1

66500

0

1

17000

1500

1

52

8500

1

21000

,5

0

44

11000

,4

Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 12-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя равно шести.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает.


2.2. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения близкие к практическим. Для того, чтобы наглядно продемонстрировать это утверждение, на гистограмме 1  покажем соотношение между теоретическими и модельными значениями.

Гистограмма 1


Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. Для окончательного подтверждения работоспособности моделей на вход сетей были поданы значения из тестируемой выборки.

Гистограмма 2

Как видно ошибка предсказания выше ошибки обучения, но полученная точность все равно выше точности, которую можно получить используя обычный корреляционно-регрессионный анализ.


Заключение

Подведём итог проделанной работы.

В первой части я обобщила свои знания в области нейросетевых технологий, рассмотрела историю возникновения и развития нейроинформатики, а также сделала обзор программных продуктов и выбрала подходящий для моего исследования нейросимулятор.

В практической части работы я  применяла  нейронную сеть, с помощью которой доказала возможность использования нейронные сети при решении предоставления кредита. Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

Проведенная работа показывает, что применение нейросетевых технологий поможет уменьшить риск банков, который возникает при выдаче кредита неплатежеспособным клиентам.  

Список использованной литературы

 

Литература

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.
  2.  Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992.
  3.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.

Ссылки на ресурсы Интернет

  1.  http://www.artint.ru/- Российский НИИ Искусственного интеллекта;
  2.  http://www.raai.org/- Российская ассоциация искусственного интеллекта;
  3.  http://neural.narod.ru/- Искусственный разум;
  4.  http://lii.newmail.ru/- Лаборатория искусственного интеллекта;
  5.   http://www.gotai.net/documents-neural_networks.aspx/ -GotAl.Net- Материалы- Нейронные сети;
  6.  http://offline.computerra.ru/2002/445/18040/-  Нейросимуляция –Журнал «Компьютера».

2 NeuroSolutions-http://www.neurosolutions.com

3 MathLab-http://www.Mathworks.com

4 NeuralNetworks-http://www.nd.com

5 NeuralNetworks-http://www.nd.com

6 Ясницкий Л.Н.Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005. с.45

7 Ясницкий Л.Н.Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005. с.49


 

А также другие работы, которые могут Вас заинтересовать

8389. Правовая система Китая 40 KB
  Правовая система Китая. Объективное право в европейском смысле присуще традиционному обществу только в том случае, если оно находится в состоянии войны всех против всех. Закон в объективном смысле приносит равенство, в Китае же закон - это...
8390. Китайский язык (начальный курс - 1 часть) 1.29 MB
  Китайский язык (начальный курс - 1 часть) Предисловие Учебное пособие Китайский язык для начинающих предназначено для студентов I курса неязыковых специальностей высших учебных заведений, а также изучающих китайский язык самостоятельно. Це...
8391. Политическая и правовая мысль Древнего Китая 162.69 KB
  Политическая и правовая мысль Древнего Китая Введение Расцвет общественно-политической мысли Древнего Китая относится кVI—III вв. до н.э. В этот период в стране происходят глубокие экономические и политические изменен...
8392. Особенности управления в Китае 21.83 KB
  Особенности управления в Китае. Зарождение управленческих идей. Управление в Древнем Китае представляет собой совокупность представлений, взглядов и учений китайских мыслителей той эпохи. Древнекитайская управленческая мысль рано выделилась из рел...
8393. Надельная система в Китае 22.01 KB
  Надельная система в Китае Формирование и расцвет надельной система Упадок надельной системы. Яркая особенность землепользование-система равных полей. Это оригинальная концепция повлияла на все соседние государства. Эта система очен...
8394. Система государственного управления. Методичка 302.5 KB
  Система государственного управления Настоящие методические указания подготовлены в соответствии с требованиями ГОСТа, предъявляемыми к работам, направляемым в печать с учетом практических рекомендаций, изложенных в методических рекомендациях для сту...
8395. История изучаемого региона (Китай) 111 KB
  История изучаемого региона (Китай) Введение Огромный интерес российских граждан к прошлому и настоящему нашего великого соседа, его культуре и экономическим успехам вполне объясним. Особенно значителен этот интерес у дальневосточников, чьи земли гра...
8396. Местоимения китайского языка 30 KB
  Местоимения китайского языка Личные местоимения Единственное число 1-е лицо [w] я 2-е лицо ты ? [n?n] Вы Вам(не имеет множественного числа) 3-е лицо он она оно, он, она (для неодушевленных предметов) Множественное чи...
8397. Мировые экономические отношения 142.5 KB
  Коренная причина возникновения и развития международных экономических отношений - это различия в наделенности стран факторами производства (экономическими ресурсами). С одной стороны, это ведет к международному разделению труда. С другой сторо...