Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Кузнецов, Александр Владимирович

• Кузнецов, Александр Владимирович
• кандидат экономических наук
• 2006

Оглавление диссертации кандидат экономических наук Кузнецов, Александр Владимирович

ВВЕДЕНИЕ.

ГЛАВА 1. СУЩНОСТЬ БАНКОВСКОГО КРЕДИТНОГО РИСКА И МЕТОДЫ ЕГО ОЦЕНКИ.

1.1. риск как атрибут панковской деятельности.

1.2. Мьтоды компенсации кредитных рисков.

1.3. Анализ проблемных кредитов.

ГЛАВА 2. ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

ДЛЯ РАСПОЗНАВАНИЯ ОБРАЗА КЛИЕНТА БАНКА.

2.1. Понятие образа и обучение распознаванию образов

2.2. Модели искусственных нейронных сетей ii их применение в банковской деятельности.

2.3. Формирование оьраза заемщика - юридическо! о лица аппаратом искусственных нейронных сетей.

ГЛАВА 3. АНАЛИЗ НАИБОЛЕЕ РАСПРОСТРАНЕННЫХ МЕТОДОВ КЛАССИФИКАЦИИ КЛИЕНТОВ КОММЕРЧЕСКОГО БАНКА ДЛЯ СРАВНЕНИЯ С МЕТОДИКОЙ ПОЛУЧЕННОЙ

В РЕЗУЛЬТАТЕ ИССЛЕДОВАНИЯ.

3.1. вероятностно-статистические методы классификации.

3.2. Рейтинговые оценки кредитоспособности.

3.3. дискримииаптиын анализ кредитных заявок.

Введение диссертации (часть автореферата) на тему «Формирование образа клиента-заемщика коммерческого банка на основе аппарата искусственных нейронных сетей»

Российский банковский бизнес в настоящие время столкнулся целым рядом новых проблем, характерных для страны, которая быстрыми темпами стремится к статусу страны с устойчивой и стабильной экономикой. В связи с переходом экономики РФ к фазе стабильного экономического роста наблюдалось систематическое снижение ставки рефинансирования Центробанка, обусловленное умеренным уровнем инфляции и профицитом бюджета, вызванным ростом мировых цен на энергоносители.

Указанные макроэкономические процессы привели к снижению банковских процентных ставок и к уменьшению процентной маржи коммерческих банков. Последние годы также имела место выраженная тенденция к снижению спрэда. Например, за 2002-2003 годы в Поволжском банке Сбербанка РФ ставка размещения снизилась с 18% до 13,8%, процентная маржа -с 7,8%) до 6,2%, а спрэд изменился с 10,2% до 6,5%, и эта тенденция сохранялась в 2004-2005 годах. В результате доходы банков упали, и при существующей доле просроченной и безнадежной задолженности в структуре активов банков (5,9% в 2005г. для ПБ СБ РФ) возникла необходимость в поиске новых для России путей для покрытия расходов, компенсации прямых убытков и извлечения прибыли.

В рамках общепринятых банковских технологий можно предотвратить снижение доходности кредитных операций двумя способами: 1) путем размещения большего количества кредитов; 2) посредством уменьшения кредитных рисков, в первую очередь и как следствие снижение доли невозвра-щенных и просроченных кредитов.

Все вышеперечисленное привело к изменению стратегии кредитной политики коммерческих банков. Началась борьба за улучшение конкурентных позиций на рынке судного капитала. Ряд банков включился в программы долгосрочного кредитования, включая лизинг и ипотеку. Началась обвальная выдача потребительских кредитов и массовая раздача пластиковых кредитных карт. Однако на практике выдача потребительских кредитов под залог приобретаемой техники и кредитование с использованием банковских карт оказались весьма рискованными операциями. Кроме того, в силу объективных причин, высоко рисковые операции оказались совершенно неприемлемыми для некоторых банков. В первую очередь, это касается Сбербанка России и Внешторгбанка, поскольку одним из основных акционеров этих банков является государство, и которые практикуют осторожную кредитною стратегию и консервативную кредитную политику.

Отличительной особенностью организации работы Сбербанка РФ является его ориентация на массовое обслуживание гражданского населения России. В результате банк располагает разветвленной филиальной сетью, наличие которой вызвано не экономическими интересами банка, а социальной политикой государства. Эта политика, продиктованная внеэкономическими причинами, приводит к тому, что большие долгосрочные пассивы (главным образом, вклады от населения) покрываются за счет краткосрочных активов. Но из теории банковского дела хорошо известно, что такая структура кре-дитно-депозитного портфеля не является оптимальной и существенно снижает эффективность работы банка. Очевидно, что в рамках социально-ориентированной политики Сбербанка остается единственный путь для оптимизации депозитно-кредитного портфеля - увеличение доли юридических лиц в структуре клиентов банка.

Но юридические лица, как правило, нуждаются в значительных по величине заемных средствах, и, следовательно, в случае невозврата такого кредита банк несет большие потери. Компенсировать подобные потери можно двумя способами: 1) повышая премию за риск, увеличивая размер годовой процентной ставки клиенту банка; 2) снижая риск>невозврата кредита, проводя тщательный анализа бизнеса потенциального заемщика.

Первый способ выглядит весьма привлекательно, но приводит к ухудшению конкурентных позиций банка на рынке ссудного капитала.

Второй способ требует больших трудозатрат кредитного отдела, кредитного комитета и службы безопасности банка, что приводит к увеличению среднего срока прохождения заявки, и к снижению текущей ссудной задолженности. Л это, в свою очередь, влечет за собой увеличение доли просроченной задолженности в структуре кредитного портфеля банка.

Единственным способом сокращения срока прохождения заявки без снижения качества работы кредитного отдела является широкое использование средств анализа бизнеса потенциального заемщика с целью определения меры риска невозврата кредита. Наилучшим образом для этих целей подходят нейронные сети, которые используют нечетко-множественные методы и адаптивный математический инструментарий, позволяют распознавать характерные признаки недобросовестного заемщика, и, параллельно, самообучаются в процессе анализа большого количества кредитных заявок.

Все перечисленное выше позволяет сделать вывод об актуальности проблемы формирования образа клиента-заемщика коммерческого банка на основе аппарата нейронных сетей для снижения кредитных рисков.

Состояние изучепиости проблемы. Многочисленные аспекты деятельности коммерческих банков исследованы российскими экономистами. В их число входят такие известные ученые, как Лчкасов А.И., Гришанов Г.М., Лаврушин О.И., Ковалева Т.М., Новиков A.A., Кошечкин С.А., Човушян Э.О., Сидоров М.А., Протасов В.Ф., Кузьмин И.И., Романов C.B. и др.

Многие особенности функционирования банков описаны в работах зарубежных экономистов. В частности, существенный вклад в теорию банковского дела внесли Синкли Джозеф Ф., Валравен К., Поттер Р., Рид Э., Роуз П. и другие.

Несомненная заслуга в приложении теории нейронных сетей к экономическим и финансовым задачам принадлежит Кохонену Т., Горбато А.Н., Ежову А.Г., Шумскому Т.П. и др. Однако на сегодняшний день отсутствуют работы, посвященные приложению теории нейронных сетей к практическим проблемам банковского бизнеса.

Таким образом, недостаточная изученность данной проблемы, ее актуальность и положительные примеры применения искусственных нейронных сетей в других науках и областях человеческого знания определила цели и задачи настоящего исследования.

Цель и задачи исследования. Целыо диссертационного исследования является решение задачи снижения кредитных рисков посредством разработки методики и инструментов для формирования образа клиента коммерческого банка на основе аппарата искусственных нейронных сетей.

Для достижения этой цели были поставлены следующие задачи:

• Проанализировать влияние кредитного риска на процентную ставку кредита, характеризующую его доходность.

• Рассмотреть показатели, характеризующие состояние работы с проблемными и просроченными активами в коммерческом банке.

• Провести сравнительный анализ различных методов классификации клиентов применительно к банковской деятельности и выявить среди них наиболее эффективный и надежный;

• Уточнить границы применимости стандартных методов анализа кредитных проектов;

• Определить перечень параметров, на основе которых формируется образ заемщика;

• Рассмотреть теорию искусственных нейронных сетей, базирующуюся на основных положениях и практике использования их в решениях задач различных сфер научно-практической деятельности для определения возможности применения искусственных нейронных сетей для достижения целей исследования.

• Разработать усовершенствованную методику синтеза образа недобросовестного заемщика на основе аппарата нейронных сетей;

• Создать методику реализации процедуры анализа образа заемщика, позволяющую существенно сократить сроки прохождения заявок на кредит.

Объектом исследования являются кредитные отношения коммерческого банка с хозяйствующими субъектами - юридическими лицами.

Предметом исследования является методы, модели и инструмента обеспечения поддержки процедуры анализа и классификации бизнеса клиентов банка, основанные на использовании аппарата искусственных нейронных сетей.

Методологическая и теоретическая основа диссертационного исследования. В диссертации использованы труды отечественных и зарубежных ученых, законодательные акты, методические и нормативные материалы, касающиеся проблемы устойчивого функционирования банков.

Методы исследования основываются на теории банковского дела, теории вероятностей, математической статистике, теории нейронных сетей.

Научной новизной обладают следующие результаты работы:

• установлена совокупность параметров, на основе которых формируется образ заемщика, распознаваемый с помощью нейронной сети;

• выявлена предпочтительность использования аппарата нейронных сетей для классификации групп клиентов коммерческого банка по сравнению с множественным дискриминантным анализом и рейтинговыми моделями;

• разработана методика синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона;

• произведена адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах;

• установлены границы применимости традиционных методов анализа кредитных проектов с контрагентами - юридическими лицами;

• введены в практику понятия «образ», «обучение» и «адаптация» применительно к задачам распознавания образа заемщика коммерческого банка с помощью аппарата нейронных сетей.

Практическая значимость исследования заключается в ориентации на широкое использование разработанной методики и алгоритма в коммерческих банках. Методика распознавания образа заемщика позволяет существенно снизить кредитные риски без ухудшения конкурентных позиций коммерческого банка на рынке ссудного капитала.

Апробация результатов исследования. Основные теоретические и практические положения работы докладывались автором на II научно-практической конференции «Трансформация социально-экономических отношений в современных условиях», Пенза-2004, на VII Всероссийской научно-технической конференции «Нейроинформатика-2005», Москва, МИФИ-2005, Седьмом Всероссийском симпозиуме по прикладной и промышленной математике (Кисловодск, 2006) и на XII межвузовской научно-практической конференции студентов и аспирантов, (Самара, СИУ, 2006).

Публикации. Основные положения диссертации отражены в 10 опубликованных работах, общим объемом 2,4 п.л.

Объем и структура диссертации. Структура диссертации, ее логика соответствуют цели исследования. Диссертационная работа включает в себя введение, три главы, заключение и список использованных источников, включающий 157 наименований. Диссертация изложена на 161 странице машинописного текста, содержит 24 рисунка, 19 таблиц и 1 приложение с исходными данными исследования.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Кузнецов, Александр Владимирович

Выводы по третьей главе:

Общая постановка задачи классификации клиентов банка в условиях отсутствия обучающих выборок (т.е. задачи автоматической классификации) состоит в требовании разбиения этой совокупности на заранее известное однородных в определенном смысле классов (заемщик: а)добросовестный; б)недобросовестный; в)сомнительный). При этом априорные сведения об анализируемых классах могут давать основания для того, чтобы интерпретировать каждый класс как параметрически заданную одномодальную генеральную совокупность. Тогда для построения правила классификации может быть использована рейтинговая модель или множественный дискриминант-ный анализ. В обоих случаях исходная статистическая информация (наблюдения, подлежащие классификации) представлены матрицами вида «объект-свойство».

Решить задачу классификации (в выборочном варианте) - это значит по имеющейся выборке классифицируемых наблюдений, извлеченной из генеральной совокупности, являющейся смесью генеральных одномодальных совокупностей известного параметрического вида, построить статистические оценки для удельных весов компонетов модели и параметров, их определяющих.

Базовая идея, лежащая в основе принятия решения, к какой из 3 анализируемых генеральных совокупностей следует отнести классифицируемое наблюдение, является одной и той же, как для модели дискриминантного анализа (классификация при наличии обучения), так для рейтинговой модели. Однако главное отличие схемы параметрического МДА от рейтинговой модели - в способе оценивания параметров, от которых зависят функции, описывающие классы.

Выбор метрики (или меры близости) между объектами, каждый из которых представлен значениями характеризующего его многомерного признака, является узловым моментом исследования, от которого решающим образом зависит окончательный вариант разбиения объектов на классы при любом используемом для этого алгоритме разбиения. В каждой конкретной задаче этот выбор должен производиться по-своему, в зависимости от главных целей исследования и статистической природы анализируемого многомерного признака, априорных сведений о его вероятностной природе и т.д.

Важное место в построении классификационных процедур занимает проблема выбора способа вычисления расстояния между подмножествами объектов. Полезное обобщение большинства используемых в статистической практике вариантов выделения расстояний между двумя группами объектов дает расстояние, подсчитываемое как обобщенное степенное среднее всевозможных попарных расстояний между представителями рассматриваемых двух групп. Но даже при самом лучшем варианте ДА анализа или рейтинговых моделей вероятность неправильной классификации составляет не менее 15%, что неприемлемо для коммерческого банка.

Нейросетевое моделирование способно обеспечить более высокий уровень точности (до 90%), по сравнению с дискриминантным и кластерным анализами, средняя точность которых не превышает 80% таблица 19.

Заключение

Окружающая среда банковского менеджмента отличается достаточно высокой подвижностью. Динамичны и рыночны ее условия и параметры. Для рыночной экономики вообще характерна определенная нестабильность, порождаемая конкурентной средой, неустойчивыми потребительскими предпочтениями, циклическими перестройками продуктовых рядов и другими факторами. Все это проявляется в сфере кредитного предпринимательства в виде многочисленных и разнообразных рисков, прямо или косвенно влияющих на функциональность и устойчивость кредитных организаций. Основной финансовый риск банка - это кредитный риск. При выдаче кредита основной опасностью является то, что заемщик может несвоевременно возвратить кредит или возвратить его не в полном объеме, или вообще вернуть. Кредитный риск связан также с процентным и ликвидным рисками. Это объясняется тем, что кризис ликвидности или угроза неплатежеспособности банка не возникают неожиданно, а причиной их бывает чрезмерно высокий кредитный риск, проявляющийся в непогашении больших сумм кредитов. Кредитный риск влияет и на процентную ставку кредита, характеризующую его доходность. Когда кредитный риск небольшой, банку удается скомпенсировать потери. Таким образом, сильная зависимость процентной ставки кредита от величины риска вынуждает банки уделять большое внимание ее определению для каждого заемщика и для каждого кредитного договора. При существенном риске невозврата премия за риск банку оказывается настолько большой, что заемщик откажется от кредита. Поэтому необходимо снижать риски и вести работу по уменьшению удельного веса просроченной ссудной задолженности, характеризующий состояние вопроса с проблемными и просроченными активами. Этот финансово-экономический индикатор выступает одним из центральных при анализе результатов реализации кредитно-инвестиционной стратегии банка вообще и кредитования реального сектора экономики. Удельный вес просроченной ссудной задолженности может быть традиционно снижен различными путями за счет: 1) возврата долгов; 2) увеличения объемов кредитования; 3) аннулирования (списания) долгов, признанных безнадежными к взысканию. Суть данной задачи состоит в том, что лицо, осуществляющее планирование, должно не только качественно оценить эти пути, но и охарактеризовать их количественно. Эффективным уменьшением удельного веса просроченной ссудной задолженности может быть путь увеличения объема кредитования за счет сокращения сроков прохождения заявки через кредитный комитет при одновременном снижении вероятности невозврата за счет отбраковки «высоко рисковых» клиентов банка. В связи с этим возникает задача классификации клиентов банка.

В настоящее время разработано множество методов классификации объектов на основе векторных совокупностей количественных показателей. Поэтому для решения поставленной задачи следует произвести анализ различных подходов, и выбрать адекватный математический аппарат.

Общая постановка задачи классификации клиентов банка в условиях отсутствия обучающих выборок (т.е. задачи автоматической классификации) состоит в требовании разбиения этой совокупности на заранее известное однородных в определенном смысле классов (заемщик: а)добросовестный; б)недобросовестный; в)сомнительный). При этом априорные сведения об анализируемых классах могут давать основания для того, чтобы интерпретировать каждый класс как параметрически заданную одномодальную генеральную совокупность. Тогда для построения правила классификации может быть использована рейтинговая модель или множественный дискриминант-ный анализ. В обоих случаях исходная статистическая информация (наблюдения, подлежащие классификации) представлены матрицами вида «объект-свойство». Базовая идея, лежащая в основе принятия решения, к какой из 3 анализируемых генеральных совокупностей следует отнести классифицируемое наблюдение, является одной и той же, как для модели дискриминант-ного анализа (классификация при наличии обучения), так для рейтинговой модели. Однако главное отличие схемы параметрического МДА от рейтинговой модели - в способе оценивания параметров, от которых зависят функции, описывающие классы.

При анализе кредитоспособности выборки предприятий восьмью различными моделями множественного дискриминантного анализа выявлена что средняя точность моделей для Российских предприятий не превышает 80%, а точность одной из лучших отечественных рейтинговых моделей (Донцовой-Никифоровой) не превышает 85%, что неприемлемо для коммерческого банка. Па основании вышесказанного можно сделать вывод о том, что не существует идеальных систем финансовых коэффициентов и моделей анализа. Все они дают большую или меньшую вероятность ошибки прогноза. Даже для одного и того же заемщика - юридического лица различные методики дают противоречивые прогнозы, чем осложняют принятие решения о выдаче ссуды и как следствие приводят к потере части активов банка.

Отсюда вытекает задача создания более совершенных методов классификации клиентов коммерческого банка. Решением данной проблемы может быть применение новых методов экономико-математического моделирования -аппарата искусственных нейронных сетей.

Для того, чтобы ИНС могла выявить потенциально непригодных заемщиков, надо создать образ высокорискового клиента банка, и обучить ИНС распознавать его, постоянно адаптируясь к внешним условиям.

Для того чтобы применение нейросетевой модели было оправдано, необходимо: 1) чтобы задача обладала следующими признаками: отсутствовал алгоритм ее решения или были бы не известны принципы ее решения, но при этом имелось достаточное количество примеров; 2) проблема изначально характеризуется наличием больших объемов входной информации; 3) данные неполны или избыточны, зашумлены, или частично противоречивы. Именно этим критериям удовлетворяет задача классификации клиентов банка. Методика применения искусственных нейронных сетей в задачах оценки кредитоспособности заемщика базируется на основных» положениях и практике использования искусственных нейронных сетей в решениях задач различных сфер научно-практической деятельности и предусматривает шесть этапов решения данной финансово-экономической задачи. Таким образом, банкротства можно уверенно, с очень высокой точностью, предсказывать за период от одного года до нескольких лет, до их фактического наступления. Точность предсказания за два года практически не отличается от точности предсказания за год (т.е. неявные признаки неблагополучия присутствуют в финансовой отчетности фирмы задолго до ее краха и нейронные сети позволяют ее «почувствовать»). Данную задачу вполне успешно способны решать многослойные нейронные сети (перцептроны). Использование же самоорганизующихся карт (СОК) Кохонена позволяет решать задачу оптимального сжатия информации о финансовом состоянии фирмы, т.е. отобразить некоторое количество информации минимальным числом параметров при заданном уровне огрубления. Точнее минимизировать потери информации при заданном числе обобщенных координат.

Экспертная система, построенная на основе искусственных нейронных сетей, обобщая предыдущий опыт выдачи кредитов банком, может позволить принимать эффективные решения, базирующиеся на точной объективной и оперативной оценке. Таким образом, комплекс финансовых коэффициентов моделей (Алътмана и др.), при использовании в нейрокомпыотинге оценки кредитоспособности заемщика позволяют получить достаточно надежное заключение, о юридическом лице, клиенте кредитного отдела банка. Нейросетевое моделирование способно обеспечить более высокий уровень точности до 90%, по сравнению с дискриминантным анализом и рейтинговыми моделями, средняя точность которых не превышает 80%.

В результате сравнения различных способов классификации клиентов банка было установлено, что в современных условиях в РФ наилучшим образом для этого подходят искусственные нейронные сети. Использование нейросетевого анализа позволяет сущеественно повысить надежность распознавания образа недобросовестного заемщика, и, таким образом, снизить кредитные риски коммерческого банка при работе с заемщиками - юридическими лицами.

На основе проведенных исследований установлено, что улучшить позиции современного коммерческого банка на рынке ссудного капитала можно только на основе существенного увеличения юридических лиц в структуре клиентской базы банка. Для увеличения сегмента юридических лиц в структуре клиентской базы банка необходимо усилить его конкурентные позиции, для чего следует уменьшить премию за риск. В свою очередь, это влечет за собой увеличение потери активов в связи с банковскими рисками, во избежание чего и следует использовать аппарат ИНС для отбраковки высокорисковых и ненадежных заемщиков.

На защиту выносятся следующие основные результаты:

• Сформулированный набор характеристик, определяющих реальный образ заемщика;

• Вывод о предпочтительности использования аппарата нейронных сетей для распознавания реального образа заемщика;

• Вывод об ограниченности области применимости дискриминантного анализа и рейтинговых моделей применительно к заемщикам - юридическим лицам в условиях отсутствия дополнительной априорной информации о клиенте банка;

• Методика синтеза образа недобросовестного заемщика на основе аппарата искусственных нейронных сетей: самоорганизующихся карт Кохонена и многослойного персептрона;

• Произведенная адаптация инструментария искусственных нейронных сетей для получения более высокой точности классификации клиентов-заемщиков коммерческого банка по сравнению с методиками, наиболее применяемыми в кредитных институтах.

Список литературы диссертационного исследования кандидат экономических наук Кузнецов, Александр Владимирович, 2006 год

1. Абчук В.А. Предприимчивость и риск. СПб: ИПК РП, 1994.

2. Аверин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта. Под ред. Д.А.Постелова. М.: Наука, 1986.

3. Актуальные проблемы финансов и банковского дела: Сборник научных трудов/ Под ред. А.И. Михайлушкина, H.A. Савинской. СПб., 2001. -Вып.4- 583 с.

4. Алпатова Э.С. Банковское кредитование предпринимательской деятельности в трансформационной экономике. Казань: Таглимат, 2001. - 143 с.

5. Альгин А.П. Грани экономического риска. М: Знание, 1991.

6. Арутюнян А. Б. Опыт применения моделей Фулмера и Спрингейта в оценке венгерских предприятий сельского хозяйства и пищевой промышленности// Корпоративный менеджмент.

7. Асанов A.A., Борисенков П.В., Ларичев О.И. и др. Метод многокритериальной классификации цикла и его применение для анализа кредитного риска// Экономика и мат. методы. М., 2001. - Т.37, вып.2. - С. 14-21.

8. Айвазян С. А., Бухштабер В.М., Енюков И.С., Мешалкин Д.Д. Прикладная статистика. Классификация и снижение размерности. — М.: Финансы и статистика, 1989.

9. Айвазян С.А., Мхитарян B.C., Прикладная статистика и основы эконометрики. М., ЮНИТИ, 1998, 1022 с.

10. Банковское дело: Учебник/Под ред. О.И. Лавру шина. М.:1998

11. Банковское дело: стратегическое руководство. — М.: Издательство АО «Консалтбанкир», 1998. — 432 с.

12. Банки и банковское дело / Под ред. И. Т. Балабонова. — СПб.: Питер, 2001. — 304 с. (Серия «Учебники для вузов»).

13. Базовые принципы эффективного надзора за банковской деятельностью. Консультативное письмо Базельского комитета по банковскому надзору: Сборник документов и материалов, М., 1997.

14. Балабанов И. Т. Риск-менеджмент. М.: ФиС, 1996.

15. Белых Л.П. Устойчивость коммерческих банков. М.: ЮНИТИ,1996.

16. Беляков A.B. Банковские риски: проблемы учета, управления и регулирования. М.: БДП-Прёсс, 2003.

17. Бор М.З., Пятенко В.В. Менеджмент банков: организация, стратегия, планирование. М.: ДИС, 1997.

18. Боровков A.A. Математическая статистика. Новосибирск: Наука, 1997.

19. Боровков A.A. Теория вероятностей. М.: УРСС, 2003.

20. Бочаров П.П., Печинкин A.B. Теория вероятностей и математическая статистика. М.: Гардарика, 1998.

21. Брычкин A.B. Оценка кредитоспособности контрагентов и создание резервов под возможные потери по дебиторской задолженности на предприятии// Финансы и кредит.-2003. -№1.-С.З-21.

22. Вагапова Д.З. Сорокина М.Г. Кредитные риски и методы их компенсации при реализации депозитно-кредитных операций. Рыночная экономика: состояние, проблемы, перспективы. Сб. науч. Тр. Выпуск 3.- Самара: НПО СГАУ. 199-683 с.

23. Вагапова Д.З., Гречников Ф.В. Проблемы финансово-экономического анализа и оценки деятельности коммерческих банков. Материалы регион. Науч.-пр. конф. «Социально-экономическое развитие Самарской области». Самара: «СамВен». 1996. С. 100-102.

24. Вагапова, Д.З. Совершенствование организации депозитно-кредитных операций с учетом банковских рисков Автореф. дис. .к.э.н. Саранск, 1999. 22 с.

25. Вагин В.Н. Дедукция и общение в системах принятия решений. М.: Наука, 1988,384 с.

26. Варьяш И.О. Банковская социология. Экспертные оценки в банковском деле. СПб.: Альфа, 1999.

27. Василишен Э.Н., Маршавина Л.Я. Механизм регулирования деятельности коммерческих банков России на макро- и микроуровне. М.: Экономика, 1999.

28. Витлинский В.В., Наконечный С.И. Риск в менеджменте. Киев: TOB Бо-ричфен-М, 1996.

29. Вишняков И.В. Методы и модели оценки кредитоспособности заемщиков. СПб: Изд-во СПбГИЭА, 1998.

30. Гамза В.А. Рисковый сектор коммерческих организаций. М.: Экономика, 2002.

31. Герасимов Б.И., Лаута Ю.С., Герасимова Е.Б. Качество методов оценки кредитоспособности заемщика коммерческого банка. Тамбов: Из-во ТГТУ, 2001.- 127с.

32. Герасимов Б.И., Филатьева О.И., Герасимова Е.Б. Качество финансово-кредитной деятельности коммерческого банка. Тамбов: Изд-во ТГТУ, 2001. -99с.

33. Герман О.В. Введение в теорию экспертных систем и обработку знаний. Мн.: ДизайнПРО, 1995,255 с.

34. Грабовый П.Г., Петрова С.Н., Романова К.Г. Риски в современном бизнесе. М: Алане, 1994.

35. Гранатуров В.М. Экономический риск: сущность, методы измерения, пути снижения. М.: ДиС, 2002.

36. Гришанов Г.М., Лотин В.В., Сорокина М.Г. Балансовые модели депозит-но-кредитных операций коммерческого банка. Учебное пособие. Самара: СГАУ. 1995. - 84 с.

37. Гришанов Г.М., Лотин В.В., Чумак В.Г. Модели и алгоритмы выбора коммерческим банком оптимальных оперативных стратегий на депозитном рынке. Учебное пособие. Самара: СГАУ. 1995. - 124 с.

38. Гришкин С.Г., Мусаева P.A. Харисов К.Г. Некоторые вопросы оценки кредитного портфеля банка// Деньги и кредит. 2002. - №1. - С.36-40.

39. ГрюнингХ. ван, Брайович Братанович С. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском. М: Весь Мир, 2003.

40. Грязнова А.Г. Реструктурирование кредитных организаций в зарубежных странах. М.: ФиС, 2000.

41. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт /Пер. с англ. М.: Издательский дом « Альпина», 2001.230 с.

42. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

43. Джонстон Дж. Эконометрические методы. М.: Статистика, 1980.

44. Дихтяр В.И. Банковские услуги предприятию. Базовые операции: Учебное пособие. М.: РУДН, 2001. - 111 с.

45. Долан Э., Кэмпбелл К.Д., Кэмпбелл Р.Дж. Деньги, банковское дело и денежно-кредитная политика / пер. с англ. M-JI: JIO СП "Автокомп". - 1991-446с.

46. Донцова JI.B., Никифорова H.A. Комплексный анализ бухгалтерской отчётности -М.: "Дело и Сервис", 1999.

47. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973.

48. Дуплякин В.М., Дуплякин Д.В. Алгоритмизация бальной оценки финансовой устойчивости. Сборник статей 2-ой Всероссийской научно-практической конференции Актуальные проблемы и перспективы менеджмента организаций в России. Самара 2006.

49. Егоров C.B. О концептуальных основах развития банковской системы России//Финансист, 2000, №8, с. 8-10.

50. Едронова В.Н., Хасянова С,Ю. Модели анализа кредитоспособности заемщика// Финансы и кредит.-2002. №6,-С.9-15.

51. Едронова В.Н., Хасянова С.Ю. Зарубежные и отечественные подходы к определению кредитоспособности заемщика// Финансы и кредит. 2002. -№10. - С.3-8.

52. Едронова В.Н., Хасянова С.Ю. Классификация банковских кредитов и методов кредитования// Финансы и кредит. 2002. - №1. - С.2-5.

53. Едронова В.Н., Хасянова С.Ю. Принципы системной методологии оценки показателей для определения кредитоспособности заемщика// Финансы и кредит. 2002. -№11.- С.2-9.

54. Едронова В.Н., Хасянова С.Ю. Современная стратегия и тактика российских коммерческих банков в области кредитования// Финансы и кредит. -2002.-№3. -С.3-10.

55. Ежов A.A., Шумский С.А., Искусственные нейронные сети в экономике и бизнесе./М.:, 1998.-222 с.

56. Жаманов А.Б. Об этапах развития и реформе банковской системы в России (к истории и теории вопроса)//Бухгалтерия и банки, 2001, № 11, с.2-4.

57. Жданов А.И., Кузнецов A.B., Кузнецова O.A. Применение искусственных нейронных сетей для анализа кредитоспособности организации/VII Всероссийская научно-техническая конференция «Нейроинформатика-2005» 26-28 января 2005 г. г. Москва, МИФИ

58. Закс J1. Статистическое оценивание. М.: Статистика, 1976.

59. Захаров B.C. О путях развития банковской системы России// Деньги и кредит, 2000, №10, с. 3-7.

60. Змитрович А.И. Интеллектуальные информационные системы. Минск: ТетраСистемс, 1997, 367с.

61. Зубанов Н.В., Пестриков C.B., Быков В.М., Математическая модель выбора оптимальной стратегии кредитования кредитных проектов в регионе. Материалы Всероссийской межвузовской научной конференции: «Наука, Бизнес, Образование' 99», Самара, 1999.

62. Ивасенко А.Г. Банковские риски. М.: Вузовская книга, 1998.

63. Инструкция Банка России № 62-а от 30 июня 1997 г. "О порядке формирования и использования резерва на возможные потери по ссудам".

64. Инструкция Банка России № 1 от 01 октября 1997 г. " О порядке регулирования деятельности кредитных организаций".

65. Инструкция Банка России № 17 от 01 октября 1997 г. " О составлении финансовой отчётности".

66. Искусственный интеллект. -В 3-х кн. Справочное издание. Под ред. Д.А. Постелова. М.: Радио и связь, 1990.

67. Кабушкин С.Н. Управление банковским кредитным риском./ М.: Новое знание, 2004.-306 с.

68. Кади Дж. Количественные методы в экономике. М.: Прогресс, 1977.

69. Кадыров Л.Н. Методика определения категории риска заемщика для управления уровнем риска кредитного портфеля банка// Финансы и кредит. -2002. №7. - С.46-51.

70. Калан Р., Основные концепции нейронных сетей./Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 288 с.

71. Камионский С.А. Менеджмент в российском банке. Опыт системного анализа и управления. М.: ИНФРА-М, 2003.

72. Клейнер Г.Б. Предприятия в нестабильной экономической среде: риски, стратегии, безопасность. М: Экономика, 1997.

73. Ковалев В.В. Введение в финансовый менеджмент. М: Финансы и статистика, 1999.

74. Кокс Д., Снелл Э. Прикладная статистика. М.: Мир, 1984.

75. Колесников В. И., Криволецкая JI. П. Банковское дело: Финансы и статистика, 2000,464 с.

76. Коновалова Ю.В. Шевченко И.В. Новый механизм банковского кредитования реального сектора экономики// Финансы и кредит. 2002. - №10. -С.9-14.

77. Кофман А., Алуха X. Хил. Введение теории нечетких множеств в управление предприятием. Мн.: Выш.шк., 1992, 223с.

78. Кузьмин И.И., Романов С.В. Риск и безопасность с точки зрения системной динамики.//Радиационная безопасность и защита АЭС. М: Энергоатом-издат, 1991.

79. Кузнецов A.B. Особенности формирования кредитного портфеля коммерческого банка./Межвузовский сборник научных работ №4 посвященный памяти Александра Ивановича Федосеева, Том 2, Специальный выпуск: Актуальные проблемы экономики. Самара, 2004. с. 186-189.

80. Кузнецов A.B. Оценка кредитоспособности заемщика с помощью систем искусственного интеллекта. Материалы XII межвузовской научно-практической конференции студентов и аспирантов, Самара, СИУ, 2006.

81. Купчинский В.А. и др. Система управления ресурсами банков. М.: Экзамен, 2000.

82. Куштуев A.A. Использование показателей финансовой устойчивости при анализе кредитоспособности клиентов банка//Деньги и кредит. 1998. -№1. -С.30-34.

83. Ларичев В.Д. Злоупотребления в сфере банковского кредитования. Методика их предупреждения. М.: ЮрИнфоР, 1997.

84. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991, 568с.

85. Медведев H.H. Сергин A.M. О кредитной деятельности банков// Деньги и кредит. 2001. - №7. - С.57-59.

86. Меньшиков И.С. и др. Рыночные риски: модели и методы. М.: ВЦРАН, 2000.

87. Минский М.Л., Пайперт С. Персептроны. М.: Мир, 1971.

88. Москвин В.А. Кредитование кредитных проектов: рекомендации для предприятий и коммерческих банков. М.: Финансы и статистика, 2001. -238с., схем.

89. Найт Ф.Х. Риск, неопределенность и прибыль. М: Дело, 2003.

90. Никитина Т.В. Банковский менеджмент. СПб.: Питер, 2001.

91. Нитецкий В.В., Гаврилов A.A. Финансовый анализ в аудите. М.: "Дело", 2002.

92. Нейронные сети для обработки информации/ Пер. с польск. И.Д. Рудин-ского. М.: Финансы и статистика, 2004. - 344 с.

93. Нечеткие множества в моделях управления и искусственного интеллекта. Под ред. Поспелова Д.А. М.: Наука, 1986,312 с.

94. Нильсон H. Принципы искусственного интеллекта. М.: Радио и связь, 1985,373с.

95. Огарков C.B., Модели оценки кредитоспособности заемщиков, Всероссийская молодежная научная конференция «VII Королевские чтения», том II, Самара 2003

96. Олыианый А.И. Банковское кредитование: российский и зарубежный опыт. М.: Русская деловая литература, 1998.

97. ЮЮсновы банковской деятельности (банковское дело) / Под ред.К.Р. Тагирбе-кова. М.: ИНФРА-М, 2001

98. Панова Г.С. Кредитная политика коммерческого банка. М.: ДИС, 1997. ЮЗ.Первозванский А.Н. Финансовый рынок: расчет и риск. М: ИНФРА-М, 1994.

99. Пещанская И.В. Краткосрочный кредит: теория и практика/М.: Издательство «Экзамен», 2003. 320 с.

100. Положение Банка России № 9-П, 1997 «О порядке формирования и использования резервного фонда кредитной организации.».

101. Прикладные нечеткие системы. Под ред. Т. Тэрано, К.Асаи, М. Су-тэно. М.: Мир, 1993,368с.

102. Раушенбах Г.В. «Проблемы измерения близости в задачах анализа данных» (сборник «Программно-алгоритмическое обеспечение анализа данных в медико-биологических исследованиях». М.: Наука, 1987, с. 41-54).

103. Рэдхэд К., Хыос С. Управление финансовыми рисками. М.: ИНФРА-М, 1998.

104. Роуз Питер С. Банковский менеджмент: предоставление финансовых услуг/ Пер. с англ. М.: Дело, 1997. - 768 с.

105. Сигел Э.Ф. Практическая бизнес-статистика. М: Вильяме, 2002.

106. Севрук М.А. Банковские риски. М.: Дело, 1995.

107. Севрук М.А. Риски финансового сектора РФ. М.: Финстатпром, 2001.

108. Селезнева H.H., Ионова А.Ф. Финансовый анализ/М.: Юнити, 2002. 479 с.

109. Синкли Джозеф Ф. Управление финансами в коммерческих банках/ Пер. с англ. М.: Catalloxy, 1994, -820 с.

110. Соколинская Н.Э. Экономический риск в деятельности коммерческого банка (методы оценки и практика регулирования). М.: Знание, 1991.

111. Сотник C.JI. Конспект лекций по курсу "основы проектирования систем искусственного интеллекта", 1997-1998.

112. Стоянова Е.С. Финансовый менеджмент: теория и практика. М.: Перспектива. 1997, 574с.

113. Тей А. и др. Логический подход к искусственному интеллекту: от классической логики к логическому программированию. М.: Мир, 1990, 240с.

114. Тэпман JI.H. Риски в экономике./Под ред. Проф. В.А. Швандера. М.: ЮНИТИ-ДАНА, 2003. - 380 с.

115. Уосерман Ф, Нейрокомпыотерная техника. Теория и практика. М.: Мир, 1992, 237 с.

116. Уткин Э.А. Стратегический менеджмент: способы выживания российских банков. М.: ФЭП, 1996.

117. Уткин Э.А. Риск-менеджмент. М.: ЭКСМО, 1998.

118. Хорн Д.К. Основы управления финансами. М: Финансы и статистика, 1996, 800 с.

119. Хохлов Н.В. Управление риском. М.: ЮНИТИ; 1999.

120. Чистяков В.П. Курс теории вероятностей. М.: Агар, 2000.

121. Човушян Э.О., Сидоров М.А. Управление риском и устойчивое развитие. М.: Издательство РЭА имени Г.В. Плеханова, 1999.- 528 с.

122. Шапкин A.C. Экономические и финансовые риски. Оценка, управление, портфель инвестиций. 2-е изд. -/ М.: Издательско-торговая корпорация «Дашков и К», 2003-544 с.

123. Шведов А.С. Теория вероятностей и математическая статистика. 2-е изд. -/ М.: Издательский дом ГУ ВШЭ 2005 -253 с.

124. Шеремет А.Д., Сайфулин Р.С. Методика финансового анализа. М: Ин-фра-М. 1996, 172 с.

125. Экономический анализ в торговле. Под ред. Баканова М.И. М: Финансы и статистика, 2004,397с.

126. Элти Дж., Кумбе М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987, 192с.

127. Andersson, М. R., and Sandholm, Т. W. (2001). Leveled commitment contracts with myopic and strategic agents. Journal of Economic Dynamics and Control 25,615-640.

128. Arifovic, J. (1994). Genetic algorithm learning and the cobweb model. Journal of Economic dynamics and Control 18, 3-28.

129. Arifovic, J. (1996). The behavior of the exchange rate in the genetic algorithm and experimental economics. Journal of Political Economy 104,510-541.

130. Arifovic, J., and Eaton, C. (1995). Coordination via genetic learning. Computational Economics 8,181-203.

131. Chan, N. Т., LeBaron, В., Lo, A., and Poggio, T. (1999). Agent-based models of financial markets: A comparison with experimental markets. MIT Artificial Markets Project, Paper No. 124, September.

132. Dawid, H. (1999). Adaptive learning by genetic algorithms: Analytical results and applications to economic models, Revised Second Edition, Berlin: Springer-Verlag.

133. Fanner, J. D., and Lo, A. W. (1999). Frontiers of finance: Evolution and efficient markets. Proceedings of the National Academy of Sciences 96, 9991-9992.

134. Gilbert, N., and Banks, S. (2002). Platforms and methods for agent-basedmodeling. Proceedings of the National Academy of Sciences U.S.A., Volume 99, Supplement 3,7197-7198.

135. Hommes, C. H. (2001). Modeling the stylized facts in finance through simple nonlinear adaptive systems. Proceedings of the National Academy of Sciences U.S.A., Volume 99, Supplement 3, to appear.

136. Kandori, M., Mailath, G., and Rob, R. (1993). Learning, mutation, and long-run equilibria in games. Econometrica 61,29-56.

137. Kirman, A., and Vriend, N. J. (2001). Evolving market structure: An ACE model of price dispersion and loyalty. Journal of Economic Dynamics and Control 25,459-502.

138. Koza, John R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge, MA: The MIT Press, 26

139. LeBaron, B. (2000). Agent-based computational finance: Suggested readings and early research. Journal of Economic Dynamics and Control 24, 679-702.

140. Marimon, R., McGrattan, E., and Sargent, T. J. (1990). Money as a medium of exchange in an economy with artificially intelligent agents. Journal of Economic Dynamics and Control 14,329-373.

141. Picton, P. (2001). Neural Networks. New York: St. Martin's Press.

142. Pryor, R. J., Basu, N., and Quint, T. (1996). Development of Aspen: A mi-croanalytic simulation model of the U.S. Economy. Working Paper SAND96-0434, Sandia National Laboratories, Albuquerque, NM.

143. Rauch, J. E., and Casella, A. (2001). Networks and Markets. New York, NY: Russell Sage Foundation.

144. Terna, P. (2000), Economic experiments with Swarm: A neural network approach to the self-development of consistency in agents' behavior. In F. Luna and

145. B. Stefansson (eds.), Economic simulations in Swarm: Agent-based learning and object oriented programming. Dordrecht: Kluwer Academic Publishers.

146. Tesfatsion, L. (2001a). Structure, behavior, and market power in an evolutionary labor market with adaptive search. Journal of Economic Dynamics and Control 25,419-457.

147. Tesfatsion, L. (200Id). Guest Editor, Special Issue on the Agent-Based Modeling of Evolutionary Economic Systems, IEEE Transactions on Evolutionary Computation, Vol. 5, No. 5, October.

148. Tesfatsion, L. (2002). Agent-Based Computational Economics: Growing Economies from the Bottom Up, Artificial Life, Vol. 8, No. 1,55-82.

149. Wilhite, A. (2001). Bilateral trade and 'small-world' networks. Computational Economics 18,49-64.

150. Williamson, O. E., and Masten, S. E., eds., (1999). The economics of transaction costs. Northhampton, MA: Edward Elgar Publishing.

151. Расшифровка финансовых коэффициентов приведенных в Приложении №1

152. Ъх=-0,3877- 1,0736кй + 0,579™

153. М коэффициент текущей ликвидности;и\УБ удельный вес заемных средств в пассивах;

154. Т. прибыль от реализации / краткосрочные обязательства;

155. Т2 оборотные активы / сумма обязательств;

156. Т3 краткосрочные обязательства / сумма активов;

157. Т4 выручка / сумма активов.

158. Ъь = 0,063Х, + 0,092Хг + 0,057Х3 + 0,001X4 I! оборотный капитал / сумма активов;12 прибыль от реализации / сумма активов;13 нераспределенная прибыль / сумма активов;14 собственный капитал / заемный капитал.