ua / en

Кононова К.Ю. Можливості використання нейроних сітей для вирішення задачі оцінки позичальника в сфері споживчого кредитування

Кредитування банками фізичних осіб на Україні сьогодні стає масовим явищем. Сучасна економічна ситуація підштовхує банки до розширення кредитної пропозиції. У боротьбі за лідерство на ринку споживчого кредитування банки послабляють вимоги до забезпеченості кредитів, спрощують процедури перевірки кредитоспроможності позичальників. Ставка зроблена на швидкість і масовість. Природно, що в таких умовах уникнути втрат по неповерненнях удається далеко не всім.

Однак рішення даної проблеми існує і вже давно застосовується в більшості західних банків – це система кредитного скорингу. Подібні системи оцінки позичальника дозволяють різко збільшити обсяг продажів кредитних продуктів банку шляхом скорочення термінів перевірки кредитної заявки й індивідуального настроювання параметрів кредиту під кожного позичальника.

Філософія скорингу полягає не в пошуку пояснень, чому той або інший клієнт не платить, а у виявленні тих характеристик, що найбільш тісно пов'язані з його ненадійністю. Скоринг являє собою математичну або статистичну модель, за допомогою якої на основі кредитної історії клієнтів банк намагається визначити, наскільки велика імовірність, що потенційний позичальник поверне кредит у термін. Таким чином, ми маємо справу з задачею класифікації, у якій виходячи з наявної інформації про характеристики позичальника необхідно одержати функцію, що найбільш точно розділяє вибірку клієнтів на «поганих» та «гарних».

Методи класифікації, які застосовують для рішення таких задач, досить різноманітні і містять у собі різні статистичні методи, моделі лінійного та нелінійного програмування, дерева класифікації або рекурсійно-партиціні алгоритми, нейроні сіті та генетичні алгоритми. У кожного з методів є свої переваги та недоліки, крім того, вибір того або іншого методу пов'язаний зі стратегією банку та з тим, які вимоги банк вважає пріоритетними при розробці моделей.

Однак, одна з основних проблем, з якою зіштовхуються банки при побудові скоринг-систем полягає в тому, що заздалегідь невідомо, які саме фактори з усього різноманіття інформації про клієнтів є істотними, а якими можна зневажити, і тим більше невідомі точні види зв'язків між вхідними та вихідними перемінними. А це виключає можливість використання аналітичних методів для рішення таких задач. Перевага застосування нейроних сітей у цій ситуації полягає в тому, що вони не тільки дозволяють виділити істотні фактори, але й дають можливість виявити нелінійні зв'язки між перемінними. Крім того, нейроні сіті ефективно працюють із сильно зашумленими даними.

Таким чином на нашу думку, для побудови скоринг-системи банку найбільше доцільно використовувати нейросітьовий підхід, зокрема, модель багатошарового персептрона. Щоб створити нейрону сіть для рішення поставленої задачі необхідно вибрати архітектуру сіті, тобто визначити кількість шарів та нейронів у кожнім шарі, спосіб з'єднання їх один з одним, вибрати вид функції активації на кожному шарі. Потім необхідно відповідним чином настроїти значення вагових коефіцієнтів, бо як і більшість моделей, модель багатошарового персептрона вимагає настроювання параметрів – у термінах нейроних сітей – навчання. Навчання необхідно проводити на основі анкетних даних позичальника і свідомостей про те, чи успішно вони виконали свої зобов'язання.

Після успішного навчання сіть здобуває здатність на основі анкетних даних прогнозувати імовірність неплатежу для кожного окремого позичальника. Досвід показує, що скоринг-системи, побудовані на базі нейроних обчислень, визначають більш 90% потенційних неплатників.

« назад