Модели и методы экспертной оценки факторов нечисловой природы для формирования кредитного рейтинга заемщика тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Жуков Михаил Станиславович
- Специальность ВАК РФ08.00.13
- Количество страниц 140
Оглавление диссертации кандидат наук Жуков Михаил Станиславович
Введение
Глава 1. Анализ существующих инструментов оценки кредитных рисков
и проблем их применения в современных экономических условиях
1.1 Особенности развития российской банковской системы
и специфика кредитного анализа
1.2 Актуальные проблемы оценки кредитных рисков
в условиях высокой волатильности и рыночной неопределенности
1.3 Современные подходы к оценке кредитных рисков
и модели формирования кредитных рейтингов
1.4 Система управления кредитным риском
как элемент банковского контроллинга
Выводы по главе
Глава 2. Развитие моделей и методов экспертной оценки факторов
нечисловой природы для формирования кредитных рейтингов
2.1 Подход к учету факторов нечисловой природы при формировании кредитного рейтинга малых и средних заемщиков
2.2 Модели экспертной оценки факторов нечисловой природы для рейтингования малых и средних заемщиков по уровню кредитоспособности
2.3 Методы поиска кластеризованной ранжировки мнений комиссии экспертов при формировании кредитного рейтинга
Выводы по главе
Глава 3. Разработка и программная реализация алгоритмов
поиска модифицированной медианы Кемени для оценки факторов нечисловой природы при формировании кредитного рейтинга
3.1 Модификация алгоритмов Литвака-Жихарева
для поиска медианы Кемени
3.2 Исследование результатов численных экспериментов для экспертных ответов разной степени несогласованности
3.3 Компьютерная реализация модуля экспертного оценивания нечисловых факторов и коррекции финальных кредитных рейтингов
Выводы по главе
Заключение
Список литературы
Приложение А Интерфейс пользователя расчетного модуля для поиска
медианы Кемени
Приложение Б Схема подготовки финансовой обучающей выборки
и учета качественных признаков
Приложение В Программный код расчетного модуля (Python, Flask)
Приложение Г Программный код тестирования обучающей выборки (Python) .. 131 Приложение Д Акты о реализации результатов диссертации
Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК
Методы оценки кредитных рисков инвестиционных проектов2017 год, кандидат наук Моргунов, Алексей Владимирович
Совершенствование системы оценки и управления рисками в секторе розничного кредитования2012 год, кандидат экономических наук Петухова, Маргарита Владиславовна
Методы и модели оценки риска дефолта предприятий-заемщиков при принятии кредитных решений2007 год, кандидат экономических наук Масино, Мстислав Николаевич
Формирование индивидуальных кредитных рейтингов в Российской Федерации в условиях цифровизации2023 год, кандидат наук Гончарова Ольга Александровна
Оценка кредитоспособности физических лиц на основе теории нечетких множеств2009 год, кандидат экономических наук Лукашевич, Никита Сергеевич
Введение диссертации (часть автореферата) на тему «Модели и методы экспертной оценки факторов нечисловой природы для формирования кредитного рейтинга заемщика»
ВВЕДЕНИЕ
Актуальность темы исследования. Стандарты Базель П-ПЫУ предоставили коммерческим банкам широкие возможности по управлению кредитными рисками малых и средних корпоративных заемщиков, в оценке которых, наряду с количественной информацией о финансово-экономическом состоянии, предложено использовать качественные (нечисловые) данные, влияющие на выбор мнений экспертов об отнесении заемщиков к той или иной группе риска. Значение такой информации при выборе кредитного решения возрастет в условиях высокой изменчивости и нестабильном характере бизнес-среды заемщика. Основную сложность при выборе экспертами консолидированного мнения в оценках этой информации представляет отсутствие формализованных алгоритмов поиска статистически обоснованного ранжирования качественных факторов в целях последующего расчета соответствующих им весовых коэффициентов.
В связи с этим актуальной задачей адаптации стандартов Базель П-ПЫУ для российских кредитных учреждений является разработка и внедрение в практическую деятельность кредитных комитетов инструментария моделей и методов экспертного оценивания факторов нечисловой природы, дополняющего используемые процедуры расчета внутренних рейтингов заемщиков. Отметим, что для «небанковских» задач такой инструментарий известен, например, из работ Б.Г. Литвака и В.Н. Жихарева. Более того, известны его обобщения, связанные с использованием в процедурах выбора согласованного мнения экспертов медианы Кемени, проявившие себя с положительной стороны в задачах прогнозирования и принятия решений при управлении сложными техническими системами.
Экспертные процедуры оценки кредитного риска заемщиков с учетом как количественной (численной) информации, так и качественных (нечисловых) показателей являются важным для кредитных организаций объектом исследования, что и определяет актуальность темы диссертации.
Степень разработанности проблематики исследования. Проблематика экспертных оценок в организационно-экономическом моделировании широко представлена в трудах отечественных ученых. Центром исследований является всесоюзный (ныне всероссийский) научно-исследовательский семинар «Экспертные оценки и анализ данных». Этот семинар был организован по предложению академика А. Н. Колмогорова на механико-математическом факультете МГУ Ю. Н. Тюриным и Б. Г. Литваком. В разные годы им руководили Ю.Н. Тюрин, Б.Г. Литвак, А.И. Орлов, А.А. Дорофеюк, Ф.Т. Алескеров, Д.А. Новиков, А.Н. Райков, Ю.В. Си-дельников. Исследования по экспертным оценкам проходили в тесном контакте с работами в области прикладной статистики и других статистических методов, многокритериальной оптимизации, математических методов в социологии. Академик Н.Н. Моисеев для обозначения экспертных подходов использовал термин «неформальные процедуры». Задачами обработки экспертных мнений занимались И.Н. Омельченко, Д.В. Реут и др. исследователи.
Процедуры экспертного оценивания широко применяются в оценках риска. Лидирующие позиции в области исследования и оценки риска и безопасности в отраслях промышленности, транспорта и др. занимает научный коллектив чл.кор. РАН Н.А. Махутова (Рабочая группа при Президенте РАН по анализу риска и смежных проблем), известны работы А.Г. Бадаловой (лаборатория экономико-математических методов в контроллинге (ЛЭММК), научной школы по рискам Н.П. Тихомирова (РЭУ им. Г.В. Плеханова). Проблематикой банковских рисков занимались А.М. Карминский, С.Г. Фалько, М.В. Помазанов, Е.В. Соколов и др. В международном научном сообществе эта проблема знакома как задача триангуляции, задача поиска линейного порядка Кемени, поиска максимального ациклического подграфа и др. названиями.
Несмотря на высокую разработанность проблематики экспертного оценивания нечисловых данных, в том числе, с использованием медианы Кемени, вопросы применимости экспертных процедур в приложении к оценке риска банковского
портфеля, предусмотренных стандартами Базель П-Ш и МСФО-9, разработаны недостаточно, и, особенно, в части решения такой важной задачи, как определение весовых коэффициентов факторов нечисловой природы, используемых при ранжирования малых и средних корпоративных заемщиков по уровню кредитоспособности. Необходимость всестороннего анализа и исследования экспертных процедур с использованием инструментария выбора согласованного мнения экспертов при принятии кредитного решения и определила объект, предмет, цель и задачи исследования. Имеющийся в данных работах научно-методический задел был использован при проведении диссертационного исследования.
Анализ существующих отечественных и зарубежных работ в области экспертных оценок показал, что требуется их дальнейшее развитие и совершенствование в части разработки моделей и методов учета факторов нечисловой природы применительно к специфике кредитного рейтингования, что обусловливает актуальность темы исследования.
Цель и задачи исследования. Целью диссертации является разработка и совершенствование математических моделей, методов, инструментальных и программных средств формирования и коррекции внутренних (банковских) кредитных рейтингов малых и средних заемщиков для последующего использования в оценках риска кредитного портфеля банка.
Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:
- обосновать направления использования и ограничения применения экспертных ранжировок при формировании и последующей актуализации внутреннего кредитного рейтинга заемщика с учетом факторов нечисловой природы;
- разработать экспертную систему поддержки принятия решений для службы банковского контроллинга;
- предложить точный и приближенный численные методы итоговой экспертной ранжировки нечисловых факторов, используемых в процедурах рейтингования
малых и средних корпоративных заемщиков на основе модифицированных алгоритмов Литвака-Жихарева;
- разработать компьютерную реализацию процедуры внутреннего рейтинго-вания заемщиков на этапе выбора согласованного решения экспертов с определением весовых коэффициентов нечисловых факторов, используемую на этапах формирования и последующей актуализации внутренних рейтингов заемщиков;
- провести модельные расчеты и последующее внедрение в практическую деятельность кредитного комитета коммерческого банка алгоритмического и программного обеспечения, оценить область применения и практическую значимость предложенного инструментария.
Объектом исследования являются малые и средние корпоративные заемщики, системы их кредитного рейтингования.
Предметом исследования являются модели и методы экспертного ранжирования и построения приоритетной последовательности факторов нечисловой природы, используемых в оценках кредитного риска малых и средних заемщиков и принятии кредитного решения, основанные на выборе согласованного мнения экспертов, в том числе, с использованием медианы Кемени.
Методология и методы исследования. Теоретическую и методологическую основу исследования составили общие методы научного познания: системный подход к анализу и синтезу данных, методы дедукции и индукции, научной абстракции, группировки и классификации данных; а также прикладные научные методы: экономико-математического моделирования, риск-менеджмента, экспертных оценок, принятия решений в условиях неопределенности, дискретного программирования, анализа графов и статистические методы.
Информационную базу исследования составили Письмо №2 192-Т «О Методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков», Положение от 6 августа 2015 г. № 483-П Банка России; официальные документы, опубликованные Базельским комитетом по регулиро-
ванию достаточности капитала кредитных учреждений, материалы и данные, полученные в ходе исследования в консалтинговой компании Deloitte («Делойт», СНГ) и в инвестиционной компании I2BF Digital (ООО «АйТуБиЭф Диджитал»).
Научная задача заключается в развитии математического аппарата экспертных оценок и разработке на его основе моделей и методов оценки факторов нечисловой природы для формирования кредитного рейтинга заемщика.
Соответствие паспорту научной специальности. Область исследования соответствует пунктам 1.1. «Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании», 1.6. «Математический анализ и моделирование процессов в финансовом секторе экономики, развитие метода финансовой математики и актуарных расчетов», 2.3. «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях» паспорта специальности 08.00.13 - Математические и инструментальные методы экономики.
Научная новизна заключается в методической и программной разработке способа учета факторов нечисловой природы во внутренних кредитных рейтингах малых и средних заемщиков, совершенствовании оригинальных и разработке модификаций алгоритмов Литвака-Жихарева для выбора согласованного мнения экспертов с различной деловой репутацией при формировании и последующей коррекции внутреннего кредитного рейтинга с учетом расширенного качественными (нечисловыми) показателями набора индикаторов кредитоспособности.
Научную новизну работы составляют основные научные результаты, полученные в ходе исследования лично автором:
1. Предложен и обоснован подход к учету учета факторов нечисловой природы в оценках кредитного рейтинга малых и средних заемщиков. Наряду с количественными показателями, используемыми для отнесения заемщика к конкретной
группе риска и позволяющими оценить динамику его финансово-экономического состояния, характеризующую индивидуальный риск, предложено учитывать и факторы нечисловой природы, обладающие низкой инерцией, что позволяет уточнить оценку риска дефолта с учетом стратегических перспектив заемщика.
2. Разработаны модели экспертной оценки факторов нечисловой природы, используемых при рейтинговании малых и средних заемщиков по уровню кредитоспособности. В отличие от неформализованных подходов учета экспертных мнений, использование единой модели (модуля) при внутреннем рейтинговании корпоративных заемщиков позволяет повысить обоснованность кредитного решения и является новацией практики принятия кредитного решения в условиях перехода на признанные банковским сообществом мировые стандарты оценки и управления риском.
3. Выполнена модификация алгоритма Литвака-Жихарева для выбора согласованной в рамках группы независимых экспертов ранжированной последовательности факторов нечисловой природы, используемых в оценках кредитоспособности заемщиков. В отличие от точных и приближенных алгоритмов Литвака-Жиха-рева, использование комбинированного подхода на основе разработанной модели выбора модифицированного варианта медианы Кемени позволяет в условиях разброса экспертных мнений повысить точность консолидированных оценок мнений экспертов и приблизить финальную ранжированную последовательность качественных факторов к приоритетной последовательности, используемой в повседневной практике банковского риск-менеджера.
4. Предложен теоретический подход и разработан численный метод назначения весовых коэффициентов экспертам с учетом их профессионализма и опыта, модель выбора медианы Кемени с учетом «весовых коэффициентов» экспертов. Медиана Кемени, сформированная с «весами» экспертов, позволяет в итоговой последовательности факторов нечисловой природы корректно учесть их приоритет с учетом значимости мнений участвующих в опросе экспертов.
5. Выполнена компьютерная реализация модели экспертного оценивания нечисловых факторов и коррекции финальных рейтингов малых и средних корпоративных заемщиков. В отличие от существующих программных модулей поддержки процедур оценки риска и принятия кредитного решения, основанных на использовании специально разрабатываемых программ экспертного анкетирования, программный модуль разработан с учетом возможности интерактивного доступа экспертов к распределенным базам данных о заемщиках и их кредитных историй, включающих и нечисловые (качественные) данные, и обеспечивает генерацию результатов экспертного анализа этих данных в программы количественной оценки кредитных рисков. Регламент компьютерной системы согласован со стандартами Базель II-III и МСФО-9, что позволяет повысить оперативность внутреннего рей-тингования заемщиков, в оценках риска которых используются показатели нечисловой природы.
Теоретическая значимость диссертационного исследования заключается в разработке и совершенствовании экономико-математических моделей и численных методов оценки кредитных рейтингов средних и малых корпоративных заемщиков на основе выбора согласованного мнения экспертов по принципу медианы Кемени с возможностью задания весовых коэффициентов значимости экспертов.
Практическая ценность диссертационной работы состоит в разработке экспертной системы на языке Python для поиска усредненных значений ранжировок экспертов по методу медианы Кемени с возможностью использования вычислительного модуля в сети Интернет. Разработанные инструментальные средства проведения экспертной оценки предназначены для использования в банках и нефинансовых организациях при построении и актуализации внутренних рейтингов средних и малых корпоративных заемщиков, что позволит повысить прогнозную точность, уменьшить число операций при определении весовых коэффициентов нечисловых факторов.
Обоснованность и достоверность научных положений и выводов диссертации обеспечивается корректным выбором исходных данных, основанных на официальных методических документах по регулированию достаточности капитала кредитных учреждений, опубликованных Базельским комитетом по банковскому надзору, и методических рекомендациях по реализации подхода к расчету кредитного риска на основе внутренних рейтингов банков, изложенных Банком России в Письме № 192-Т, использованием системного подхода и современного апробированного экономико-математического аппарата экспертных оценок при решении поставленной научной задачи и подтверждается достаточной сходимостью полученных результатов с практикой рейтингования корпоративных заемщиков.
Апробация результатов исследования. Основные результаты исследования докладывались и получили положительную оценку на международных и всероссийских научных конференциях: «Будущее машиностроения России» (Москва, 2018), «Интеграция контроллинга в экономику, организацию производства и менеджмент» (Рязань 2017), «Стратегическое планирование и развитие предприятий» (Москва, 2011), а также на заседаниях семинара Лаборатории экономико-математических методов в контроллинге Научно-образовательного центра «Контроллинг и управленческие инновации» МГТУ им. Н.Э. Баумана.
Основные положения и результаты диссертации использованы в учебном процессе на кафедре экономики и организации производства МГТУ им. Н.Э. Баумана в рамках преподавания дисциплин «Эконометрика», «Методы принятия управленческих решений», «Организационно-экономическое моделирование», и реализованы в консалтинговой компании Deloitte («Делойт», СНГ) при проведении системных информационно-аналитических исследований рейтинговых моделей рисков, в инвестиционной компании I2BF Digital (ООО «АйТуБиЭф Диджитал») в области анализа инновационного потенциала при построении модели внутреннего скоринга стартапов на основе профилей компаний в сетях LinkedIn и Crunchbase, что подтверждается соответствующими актами.
Публикации. По теме диссертации опубликовано 8 научных работ общим объемом 5,5 п.л. (авторский вклад - 4,9 п.л.), из них 4 статьи с общим объемом 3,1 п.л. (авторский вклад - 2,6 п.л.) в рецензируемых изданиях, рекомендованных ВАК при Минобрнауки России.
Структура работы. Диссертация изложена на 140 страницах и состоит из введения, трех глав, с выводами по каждой из них, заключения, списка литературы из 101 наименований и пяти приложений, содержит 23 таблицы и 7 рисунков.
Во введении обоснована актуальность работы, проанализирована степень разработанности проблемы, определены цель и задачи, раскрыта научная новизна, теоретическая и практическая значимость результатов диссертационного исследования.
В первой главе выполнен анализ существующих инструментов оценки кредитных рисков и проблем их применения в современных экономических условиях. Изложены особенности развития российской банковской системы и раскрыта специфика кредитного анализа. Выявлены и описаны актуальные проблемы оценки кредитных рисков в условиях высокой волатильности и рыночной неопределенности. Рассмотрены проблемы перехода к расчету нормативов достаточности капитала с использованием внутренних рейтингов для отдельных категорий заемщиков (стандарты Базель II-III, МСФО-9). Обоснована необходимость разработки и определена область применения экспертных оценок в качестве дополнения модели банковских кредитных рисков в рамках банковского контроллинга.
Во второй главе изложены результаты развития моделей и методов экспертной оценки факторов нечисловой природы для формирования кредитных рейтингов. Раскрыто содержание подхода к учету факторов нечисловой природы и изложены экономико-математические модели их экспертной оценки для рейтингования малых и средних заемщиков по уровню кредитоспособности. Введено понятие кластеризованной ранжировки и изложены методы ее поиска при обработке мнений
комиссии экспертов для формирования кредитного рейтинга заемщика. Определены основные области применения экспертных оценок в моделях кредитных рисков в банке.
В третьей главе изложены результаты разработки и программной реализации алгоритмов поиска модифицированной медианы Кемени для оценки факторов нечисловой природы при формировании кредитного рейтинга. Выполнена модификация алгоритмов Литвака-Жихарева, проведено исследование полученных результатов численных экспериментов для экспертных ответов разной степени несогласованности. Описаны способ компьютерной реализации модуля экспертного оценивания нечисловых факторов и коррекции финальных кредитных рейтингов, приведены результаты экспериментальной апробации программно-информационного комплекса.
В заключении обобщены основные итоги исследования, сформулированы выводы и рекомендации теоретического и прикладного характера в области математических и инструментальных методов актуализации внутренних кредитных рейтингов банков.
ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ИНСТРУМЕНТОВ ОЦЕНКИ КРЕДИТНЫХ РИСКОВ И ПРОБЛЕМ ИХ ПРИМЕНЕНИЯ В СОВРЕМЕННЫХ ЭКОНОМИЧЕСКИХ УСЛОВИЯХ
1.1 Особенности развития российской банковской системы и специфика кредитного анализа
Банковская система способствует накоплению и движению денежных средств, являясь важной составляющей государства. Перераспределяя капитал, являясь проводником денежной политики центрального банка, коммерческие банки влияют на хозяйственную и производственную деятельность страны. Банки выполняют кредитную роль в экономике, благодаря которой происходит развитие частного и корпоративного секторов. С течением времени их функции существенно расширялись - если в начале была в основном лишь сберегательная функция, в настоящее время банки получают контроль над многими сферами жизнедеятельности.
История банковской системы России представлена, например, в работе [1], в которой отображено, как в ХУШ столетии были заложены предпосылки к становлению банковской системы, существующей в настоящее время. Именно с этого времени начали создаваться различные кредитные организации, которые в дальнейшем явились образцом современных банков, была создана законодательная база для регулирования деятельности банков и государство проводило монетарные реформы. 1860 год - создание Государственного банка Российской Империи, прообраза современного Центрального банка, что стало ключевым моментом в формировании банковской системы России. Основными этапами согласно классификации, представленной в работе [1], являются следующие.
Этап 1917-1993 гг. охватывает процессы становления российской банковской системы. Во время планового советского времени и после в данном периоде происходила характерная концентрация ресурсов в банковской системе одних из
самых крупных кредитных организаций, вследствие чего были открыты специальные банки: «Сбербанк», «Мосбизнесбанк» и другие. В это время банки смогли адаптироваться к окружающей конкурентной среде и выживать в сложных условиях. В 1992 году произошло сильное обесценивание рубля и гиперинфляция составляла 2600 процентов. По итогам инфляции ставка ссудного процента была отрицательной. Работа большого количества банков была представлена таким образом, чтобы все вклады осуществить в рублях и конвертировать их в доллары. По мнению [1], деятельность многих коммерческих банков была организована так, чтобы: вклады принять в рублях, конвертировать доллары в рубли и осуществить расчеты по всем вкладам.
Этап 1994-1999 гг. Известен образованием значительного числа новых коммерческих банков. Из-за высокой инфляции долгосрочное кредитование было не выгодно. Государство с 1995 года выступало главным заемщиком денежных ресурсов у коммерческих банков. Следует отметить экономический кризис в России 1998 года. В августе 1998 года произошел технических дефолт, информацию о котором сообщили Правительство России и Центральный банк. Под действие дефолта попали все основные виды государственных бумаг, был принят плавающий курс рубля, причем рамки валютного коридора существенно увеличены. Значительное падение курса рубля оказало большое влияние на экономику и развитие страны. Репутация российских банков, а также валюты и государства были на рекордно низком уровне.
Этап 2000-2007 гг. В этот период осуществляется послекризисное восстановление и последующее развитие экономики и банковской системы Российской Федерации. Проводятся реформы банковской системы с целью увеличения капитализации, а также повышения степени открытости и прозрачности банков. Основная цель - вернуть доверие домашних и международных инвесторов, а также населения. Нормативы обязательных резервов Центрального банка России изменялись для достижения намеченных целей. Были повышены с января 2000 года нормативы до 10% по привлеченным средствам юридических лиц в валюте РФ, а также
наблюдается существенное увеличение этого показателя в иностранной валюте. В 2004 году законодательная база способствует переходу банковских стандартов на международную отчетность, осуществляется дальнейший рост требований к достаточности и размеру капитала.
Этап 2008-2010 гг. В период кризиса 2008 года произошло серьезное потрясение банковской системы. Ставка рефинансирования Центрального банка на декабрь 2008 г. составила 13,0%. Увеличилась доля невозвращенных кредитов населением. Кризисное явление в банковской системе появилось в сентябре 2008 г. вместе с существенным падением цены акций ВТБ и Сбербанка, а также потерей в стоимости индекса ММВБ.
Этап с 2010 г. по настоящее время. Активно уменьшается число банковских учреждений в России в рамках проводимой политики Центрального банка. Важной причиной закрытия банков является размер уставного капитала. В соответствии с 11 статьей ФЗ «О банках и банковской деятельности», регламентируется необходимый минимальный уставной капитал в размере 300 млн рублей для возможности получения лицензии на предоставление банковских услуг. Размер уставного капитала увеличивался к моменту принятия закона практически в два раза каждые два года. После того, как произошло усиление требований Центрального банка России к размеру уставного капитала, начались процессы слияния многих банков, а также поглощения мелких банков крупными. Эти события не прекращаются, более того есть тенденции к будущему росту. В случае, если банки не справляются с требованиями законодательства, происходит отзыв лицензий. Осуществляется более тщательный отбор заемщиков кредитов благодаря более тщательным регулятивным нормам. Следует отметить также, что принятая Правительством РФ программа приватизации крупных предприятий в 2011-2013 предусматривала переход части собственности ВТБ, Сбербанка, Россельхозбанка в частную собственность, однако нет сведений о планах уменьшения доли государства ниже блокирующего решения пакета акций. Таким образом, системообразующая основа национальной банковской системы России - банки с государственным участием [2].
Кредитный анализ представляет собой метод, по которому рассчитывается кредитоспособность бизнеса или организации, оценка способности оплачивать свои финансовые обязательства. Анализируются аудированные финансовые отчеты компании для начала или продолжения кредитования. Цель кредитного анализа - посмотреть как на заемщика, так и на объект кредитования. Оценка риска рассчитывается путем оценки вероятности дефолта заемщика на момент проведения мероприятия. Кредитный анализ несёт в себя широкий спектр методов финансового анализа, включая анализ соотношения и направлений, создание прогнозов и детальный анализ денежных потоков. Кредитный анализ включает в себя проверку залога и других источников погашения, рассматривает кредитную историю и возможности управления. Аналитики пытаются предсказать вероятность дефолта заемщика по своим долгам и величину потерь в случае дефолта. Кредитные спреды - разница в процентных ставках между теоретически «безрисковыми» инвестициями, такими как США Treasuries или LIBOR и вложениями, которые несут определенный риск [3].
Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК
Совершенствование системы управления кредитным риском коммерческих банков на основе метода рейтинговой оценки2008 год, кандидат экономических наук Разина, Ольга Михайловна
ФОРМИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ КРЕДИТНЫМИ РИСКАМИ НА ОСНОВЕ КРЕДИТНО-РЕЙТИНГОВОЙ ПОЗИЦИИ ЗАЕМЩИКА БАНКА2016 год, кандидат наук Фошкин Алексей Евгеньевич
Экономико-математические модели оценки кредитного риска портфеля корпоративных кредитов коммерческого банка2012 год, кандидат экономических наук Федорова, Анна Анатольевна
Совершенствование системы управления рисками розничного кредитования коммерческого банка на основе математического моделирования2016 год, кандидат наук Банных Александра Андреевна
Моделирование вероятности дефолта корпоративных заемщиков банков2014 год, кандидат наук Тотьмянина, Ксения Михайловна
Список литературы диссертационного исследования кандидат наук Жуков Михаил Станиславович, 2019 год
СПИСОК ЛИТЕРАТУРЫ
1. Зайцева О. В. Становление банковской системы Российской Федерации // Научно-методический электронный журнал «Концепт». 2016. Т. 6. С. 166-170.
2. Тимофеев B.E., Сидорова Л.Б. Банки с государственным участием в современной банковской системе Российской Федерации // Актуальные проблемы авиации и космонавтики. 2015. №11. С. 606-608.
3. Betzler N., Bredereck R., Niedermeier R. Partial Kernelization for Rank Aggregation: Theory and Experiments. Proc. of IPEC, 2010. P. 26-37.
4. Ушанов A.E. Совершенствование инструментов кредитного процесса // Науковедение. 2015. Т. 7. № 4. URL: http://naukovedenie.ru/PDF/15EVN415.pdf (дата обращения 16.05.2019).
5. Орлов А.И. Распределения реальных статистических данных не являются нормальными // Научный журнал КубГАУ. Краснодар: КубГАУ, 2016. № 3(117). С. 71 - 90. URL: http://ej.kubagro.ru/2016/03/pdf/03.pdf (дата обращения 16.05.2019).
6. Орлов А.И. Средние величины и законы больших чисел в пространствах произвольной природы // Научный журнал КубГАУ. Краснодар: КубГАУ, 2013. № 89. С. 175-200. URL: http://ej.kubagro.ru/2013/05/pdf/38.pdf (дата обращения 16.05.2019).
7. Orlowski L.T.. Proliferation of Tail Risks and Policy Responses in the EU Financial Markets // Economic Papers. 2010. № 416. URL: https://ec.europa.eu/ econ-omy_finance/publications/economic_paper/2010/pdf/ecp416_en.pdf (дата обращения 16.05.2019).
8. Minsky H. Can 'it' happen again: Essays on instability and finance. N.Y.: M.E. Sharpe, 1982. 301 p.
9. Minsky H. The financial-instability hypothesis: capitalist processes and the behavior of the economy // Financial crises: Theory, history, and policy / C. Kindleberger, J. Laffargue (eds.). N.Y.: Cambridge University Press, 1982. P. 13-39.
10. Kindleberger C.P., 1988. The international economic order: Essays on financial crisis and public goods. Hemel Hemstead: Harvester Wheatsheaf, 1988. 237 p.
11. Kindleberger, C.P. Maniacs, panics and crashes: A history of financial crises (3rd ed.). N.Y.: John Wiley and Sons, 1996. 355 p.
12. Brunnermeier M. K., Deciphering the liquidity and credit crunch 2007-2008 // Journal of Economic Perspectives. 2009. № 23(1). P. 77-100.
13. Орлов А.И. Устойчивость в социально-экономических моделях. М.: Наука, 1979. 296 с.
14. Казанский A.B. Функционирование внутренней рейтинговой системы коммерческого банка // Проблемы современной экономики. 2016. № 4 (60). С. 127131
15. Гришунин С. В., Сулоева С.Б. Организация процесса сопровождения кредитных рейтингов в компании на основе концепции контроллинга // Контроллинг. 2016. №1. С. 42-51.
16. Гришунин С.В. Инструменты рейтингования в системе стратегического контроллинга // Научно-технические ведомости СПбГПУ. Экономические науки. 2015. № 4. С. 64-71.
17. Гришунин С.В., Муханова Н.В. Использование контроллинга для организации процессов получения и поддержки кредитных рейтингов компании // Экономическое возрождение России. 2016. № 2. С. 135-147.
18. Орлов А.И., Пугач О.В. Подходы к общей теории риска // Управление большими системами. 2012. № 407. С. 49-82.
19. Гришунин С.В., Дьячкова Н.Ф. Разработка механизма и примеров моделирования внутренних кредитных рейтингов в риск-контроллинге // Контроллинг. 2017. № 1. С. 34-49.
20. Жуков М.С., Орлов А.И. Использование экспертных ранжировок при расчетах кредитного риска в банке // Инновации в менеджменте. 2017. № 1. C. 18-25.
21. Матигорова И.Ю. Характеристика основных подходов к оценке кредитного риска // Экономическая наука и практика: материалы междунар. науч. конференции. Чита: Изд-во «Молодой ученый», 2012. С. 68-69.
22. Тотьмянина К. М. Обзор моделей вероятности дефолта // Управление финансовыми рисками . 2011. № 1. С. 12-24.
23. Орлов А.И. Современное состояние контроллинга рисков // Научный журнал КубГАУ. 2014. № 98. С. 32-64.
24. Халиков М.А., Гаджиагаев М.А. Динамическая модель оптимального управления кредитным портфелем коммерческого банка с дополнительным критерием ликвидности временной структуры активов-пассивов// Путеводитель предпринимателя. 2016. № 29. С. 72-85.
25. Халиков М.А., Гаджиагаев М.А. Показатели стрессоустойчивости и надежности универсального коммерческого банка // Проблемы развития современной науки: Сб. статей междунар. науч.-практ. конференции. М.: Аэтерна, 2015. С. 39-46.
26. Тихомиров Н.П., Тихомирова Т.М. Риск-анализ в экономике. М.: Экономика, 2010. 117 с.
27. Тихомиров Н.П., Тихомирова Т.М., Щербаков А.В. Верификация прогнозов на основе методов теории риска // Экономика природопользования. 2009. №1. С. 50-68.
28. Тихомиров Н.П., Максимова Д.А., Щербаков А.В. Использование методов теории риска при разработке и верификации прогнозов // Инновации на основе информационных и коммуникационных технологий. 2010. №3. С. 580-582.
29. Картвелишвили В.М. Риск-менеджмент. Методы оценки риска: учеб. пособие. М.: Изд-во РЭУ им. Г. В. Плеханова. 2017. 120 с.
30. Implementation of Basel 2 / Basel 3 standards in Russia. Ernst&Yong. URL: http://www.ey.com/Publication/vwLUAssets/Implementing-Basel-in-RussiaRus/$FILE/ Implementing-Basel-in-Russia-Rus.pdf (дата обращения 11.11.2017).
31. Жуков М.С., Орлов А.И., Фалько С.Г. Экспертные оценки в рисках // Контроллинг. 2017. № 4. C. 18-22.
32. Жуков М.С., Орлов А.И. Использование экспертных ранжировок при расчетах кредитного риска в банке // Будущее машиностроения России: Сб. докладов XI всеросс. науч. конференции молодых ученых и специалистов (с междунар. участием). М.: Изд-во МГТУ им. Н.Э. Баумана, 2018. С. 646-648.
33. Новости разработки стандарта Базель 4. URL: http://www.risk.net/time-line/basel-iva-timeline (дата обращения 12.12.2017).
34. Technical documentation of the CreditMetrics™ tool URL: https://www.msci.com/documents/10199/93396227-d449-4229-9143-24a94dab122f (дата обращения 02.02.2018).
35. Контроллинг в банке: учеб. Пособие // А.М. Карминский, С.Г. Фалько, А.А. Жевага [и др.]; под ред. проф. А.М. Карминского, С.Г. Фалько. М.: ИД Форум, ИНФРА-М, 2013. 288 с.
36. Карминский А.М., Фролова Э.А. Методы оценки стоимости коммерческого банка в условиях глобализации // Вестник МГИМО-Университета. 2015. № 42(3). С.173-183.
37. Контроллинг / А.М. Карминский, С.Г. Фалько, А.А. Жевага, Н.Ю. Иванова; под ред. А.М. Карминского, С.Г. Фалько. 3-е изд., дораб. М.: ИД Форум, ИНФРА-М, 2013. 336 с.
38. Kaplan R.S., Norton D.P. Using the Balanced Scorecard as a Strategic Management System // Harvard Business Review. 1996. Jan./Feb. P.76.
39. Кожарина Д. В. Собственный капитал банка: оценка достаточности и качества // Концепт. 2016. Т. 6. С. 66-70.
40. Помазанов М.В. Управление кредитным риском в банке. Подход внутренних рейтингов (ПВР). М.: Юрайт, 2017. 140 с.
41. Агапова И.И. История экономических учений: курс лекций. М.: Юристъ, 2001. 285 с.
42. Бешелев С.Д., Гурвич Ф.Г. Экспертные оценки. М.: Наука, 1973. 79 с.
43. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. 264 с.
44. Райхман Э.П., Азгальдов Г.Г. Экспертные методы в оценке качества товаров. М.: Экономика, 1974. 151 с.
45. Бурков В.Н. Большие системы: моделирование организационных механизмов. М.: Наука, 1989. 354 с.
46. Китаев Н.Н. Групповые экспертные оценки. М.: Знание,1975. 64 с.
47. Ларичев О.И. Объективные модели и субъективные решения. М.: Наука, 1987. 143 с.
48. Моисеев Н.Н. Неформальные процедуры и автоматизация проектирования. М.: Знание, 1979. 64 с.
49. Моисеев Н.Н. Математические задачи системного анализа. М.: Наука, 1981. 487 с.
50. Панкова Л.А., Петровский А.М., Шнейдерман М.В. Организация экспертиз и анализ экспертной информации. М.: Наука, 1984. 120 с.
51. Кемени Дж., Снелл Дж. Кибернетическое моделирование: Некоторые приложения. М.: Советское радио, 1972. 192 с.
52. Раушенбах Г.В. Меры близости и сходства в социологии // Анализ нечисловой информации в социологических исследованиях. М.: Наука, 1986. С. 169-203.
53. Экспертные оценки // Вопросы кибернетики. Вып.58. М.: Научный совет АН СССР по комплексной проблеме «Кибернетика», 1979. 00 с.
54. Экспертные оценки в системных исследованиях // Сб. трудов ВНИИСИ. Вып. 4. М.: ВНИИСИ, 1979. 120 с.
55. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980. 64 с.
56. Раушенбах Г.В., Филиппов О.В. Экспертные оценки в медицине. Научный обзор. М.: ВНИИММТИ Минздрава СССР, 1983. 80 с.
57. Сидельников Ю.В. Теория и организация экспертного прогнозирования. М.: ИМЭМО АН СССР, 1990. 196 с.
58. Экспертные оценки в задачах управления: сб. трудов. М.: Институт проблем управления, 1982. 106 с.
59. Анализ нечисловых данных в системных исследованиях // Сб. трудов ВНИИСИ. Вып. 10. М.: ВНИИСИ, 1982. 155 с.
60. Методы анализа данных, оценивания и выбора // Сб. трудов ВНИИСИ. Вып. 11. М.: ВНИИСИ, 1984. 92 с.
61. Методы анализа данных, оценивания и выбора в системных исследованиях // Сб. трудов ВНИИСИ. Вып. 14. М.: ВНИИСИ, 1986. 124 с.
62. Первое Всесоюзное совещание по статистическому и дискретному анализу нечисловой информации, экспертным оценкам и дискретной оптимизации: Тезисы докладов. М.- Алма-Ата, ВИНИТИ, 1981. 439 с.
63. Вторая Всесоюзная конференция по анализу нечисловой информации: Тезисы докладов. М.- Таллин: ВИНИТИ, 1984. 348 с.
64. Дорофеюк А.А. Методы автоматической классификации в задачах получения экспертной информации // Статистика. Вероятность. Экономика. М.: Наука, 1985. С. 137-145.
65. Терехина А.Ю. Анализ данных методами многомерного шкалирования. М.: Наука, 1986.168 с.
66. Перекрест В.Т. Нелинейный типологический анализ социально экономической информации: Математические и вычислительные методы. Л.: Наука, 1983. 176 с.
67. Орлов А.И. Эконометрика: изд. 3-е, испр. и доп. М.: Экзамен, 2004. 576 с.
68. Орлов А.И. Прикладная статистика. М.: Экзамен, 2006. 672 с.
69. Гафт М.Г. Принятие решений при многих критериях. М.: Знание, 1979.
64 с.
70. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. М.: Наука, 1982. 256 с.
71. Орлов А.И. Статистические методы в российской социологии (тридцать лет спустя) // Социология: методология, методы, математические модели. 2005. № 20. С.32-53.
72. Моисеев Н.Н. Математика ставит эксперимент. М.: Наука, 1979. 224 с.
73. Орлов А.И. Статистика объектов нечисловой природы и экспертные оценки // Экспертные оценки // Вопросы кибернетики. Вып. 58. М.: Научный Совет АН СССР по комплексной проблеме «Кибернетика», 1979. С.17-33.
74. Орлов А. И. Теория экспертных оценок в нашей стране // Научный журнал КубГАУ. Краснодар: КубГАУ, 2013. № 9(093). С. 1652-168. URL: http://ej .kubagro.ru/2013/09/pdf/114 .pdf (дата обращения 16.05.2019).
75. Орлов А.И. Организационно-экономическое моделирование: Учебник: В 3 ч. М.: Изд-во МГТУ им. Н.Э. Баумана. Ч. 2: Экспертные оценки, 2011. 486 с.
76. Орлов А.И. О средних величинах // Управление большими системами. 2013. № 46. С. 88-117.
77. Орлов А.И. Эконометрика. М.: Издательство «Экзамен», 2002. 576 с.
78. Орлов А.И. Предельные теоремы и метод Монте-Карло // Заводская лаборатория. Диагностика материалов. 2016. Т.82. №7. С. 67-72.
79. Орлов А.И. Анализ экспертных упорядочений // Научный журнал КубГАУ. Краснодар: КубГАУ, 2015. № 112. С. 21-51. URL: http://ej.kubagro.ru/2015/08/pdf/02.pdf (дата обращения 16.05.2019).
80. Кострикин А.И. Введение в алгебру. Основы алгебры. М.: Физматлит, 1994. 320 с.
81. Орлов А.И. Организационно-экономическое моделирование: Учебник: В 3 ч. М.: Изд-во МГТУ им. Н. Э. Баумана. Ч. 1: Нечисловая статистика, 2009. 541 с.
82. Литвак Б.Г. Экспертная информация: методы получения и анализа. М.: Радио и связь, 1982. 184 с.
83. Орлов А.И. О развитии статистики объектов нечисловой природы // Научный журнал КубГАУ. Краснодар: КубГАУ, 2013. № 93. С. 41-50. URL: http://ej.kubagro.ru/2013/09/pdf/19.pdf (дата обращения 16.05.2019).
84. Картвелишвили В.М., Лебедюк Э.А. Метод анализа иерархий: критерии и практика // Вестник Российского экономического университета им. Г.В. Плеханова. 2012. № 12. С. 97-112.
85. Bates J. M., Granger C. W.J. The combination of forecasts // Operational Research Quarterly. 1969. Vol. 20. P. 451-468.
86. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974. 256 с.
87. Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971. 256 с.
88. Орлов А.И., Жихарев В.Н. Законы больших чисел и состоятельность статистических оценок в пространствах произвольной природы // Статистические методы оценивания и проверки гипотез: межвузовский сб. науч. трудов. Пермь: Изд-во Пермского государственного университета, 1998. С.65-84.
89. Жуков М.С., Орлов А.И. Задача исследования итогового ранжирования мнений группы экспертов с помощью медианы Кемени // Научный журнал КубГАУ. 2016. № 8 (122). С. 785-806. URL: http://ej.kubagro.ru/2016/08/pdf/55.pdf (дата обращения 16.05.2019).
90. Космонавтика XXI века. Попытка прогноза развития до 2101 года / Ю.М. Батурин, Б.Е. Черток, А.И Шуров, Д.А. Сумкин. М.: РТСофт, 2011. 864 с.
91. Жуков М.С. Об алгоритмах расчета медианы Кемени // Заводская лаборатория. Диагностика материалов. 2017. № 7. С. 72-78.
92. Embrechts P., Frey R., McNeil A. Credit risks models. An overview // ETH Zürich. URL: https://people.math.ethz.ch/~embrecht/ftp/K.pdf (дата обращения 16.05.2019)
93. Алешина И.Ф., Цовина Е.Ю. Модели оценки риска банкротства торговых организаций// Информационные технологии и математические методы в экономике и управлении (ИТИММ-2017): сб. науч. Статей VII междунар. науч.-практ. конференции им. А.И. Китова. М.: РЭУ им. Г.В. Плеханова, 2017.С.16-19.
94. Тихомиров Н.П., Дорохина Е.Ю. Эконометрика. М.: Изд-во Росс. экон. акад., 2002. 640 с.
95. Алешина И.Ф. Риски финансово-кредитных отношений. М.: РЭА им. Г.В. Плеханова. 2010. 40 с.
96. Bana e Costa C.A., Barroso L.A., Soares J.O. Qualitative Modelling of Credit Scoring: A Case Study in Bankin // Journal of European Research Studies. 2002. Vol. V. Issue (12). P. 37-51.
97. Simkovic M., Kaminetzky B., Leveraged Buyout Bankruptcies, the Problem of Hindsight Bias, and the Credit Default Swap Solution (August 29, 2010) // Columbia Business Law Review. 2011. № 1, P. 118.
98. Максимов К. В. Эффективность использования облачных вычислений: методы модели оценки // Прикладная информатика. 2016. Т. 11. № 1(61). С. 106114.
99. Жуков М.С. Модели и методы экспертной оценки факторов нечисловой природы для формирования кредитного рейтинга заемщика // Экономика и предпринимательство. 2019. № 4. C. 105-112.
100. Механизмы управления. Управление организацией: планирование, организация, стимулирование, контроль / В.Н. Бурков, И.В. Буркова, М.В. Губко; под ред. Д.А. Новикова. М.: Ленанд, 2013. 216 с.
101. Шульц В.Л. [и др.] Модели и методы анализа и синтеза сценариев развития социально-экономических систем. Книга 2 / в 2-х книгах. М.: Наука, 2012. 358 с.
Приложение А
Интерфейс пользователя расчетного модуля для поиска медианы Кемени
Внутренние: Внешние:
-контроллинг -аудиторы
-методические службы -консультанты -бизнес и риск-отделы
Формирование комиссии экспертов Формирование списка нефинансовых факторов модели рисков Голосование в экспертной системе Определение весовых коэффициентов по итоговому ранжированию
Формирование
комиссии
экспертов
Определение области е рейтинговой таблицы для голосования
Голосование в экспертной
Внесение итоговых корректировок
0 kemeny pythonanywhere.com/:al IIcKOMM paKKHpoBaraie:[ 1. 5.3.4. 7.2.6.].
B swagger
http://localhost:5000/swagger.json
rest end-points SAP-MongoDB
Results receive Show/Hide List Operations Expand Operations
1 /results_receive Read the entire list of people
Receiving parameters for STP analytics Show/Hide List Operations Expand Operations
1 /start_analytics Transfer content to table
Tables with data transfer Show/Hide List Operations Expand Operations
1 /table_transfer Transfer content to table
[ base url: , api version: 1.0.0 ]
Приложение Б Схема подготовки финансовой обучающей выборки и учета качественных признаков
Исходные финансовые данные Прочие данные
Финальная выборка для моделирования
Количество дефолтов в зависимости от семейного положения заемщиков
Maternity leave Unemployed Wbrklng Commercial associate State servant Pensioner Businessman Student
name_income_type
Количество дефолтов в зависимости от вида занятости заемщиков
Приложение В Программный код расчетного модуля (Python, Flask)
Controller.py
from flask import Flask, session, render_template, request from wtforms import Form, FloatField, validators
from compute import compute #import print_function # In python 2.7
import numpy as np
import sys as sys from json
import dumps app = Flask(_name_)
model class InputForm(Form):
num = FloatField(validators=[validators.InputRequired()]) size
= FloatField(validators=[validators.InputRequired()])
View
def func(a,i,vesa,size): expert= np.zeros(l); expert=np.tile(ex-pert,(size,size)) k=size; j=0 while j<size: k=size while k>0: k=k-1;
if a[i,j]<a[i,k]:
expert[j,k]=0 expert[k,j]=2 elif a[i,j]==a[i,k]: expert[j,k]=1; ex-pert[k,j]=1; else: expert[j,k]=2; expert[k,j]=0; expert[j,j]=0; j=j+1 returnexpert
#определениеминимальногоиндекса
def fun cd (poter, size): # size=3 sort=np.zeros(1)
sort=np.tile(sort,size) index=0 t=1 for i in range(0, len(poter)):
for j in range (0, len(poter)):
sort[i]=poter[i][j]+sort[i]
minim=sort[0] for i in range (0,len(poter)):
if sort[i]<=minim and sort[i]!=8*(len(poter)):
index=i+1 minim=sort[i]
print(minim) return index
@app.route('/', methods=['GET', 'POST']) def index():
form = InputForm(request.form) if request.method == 'POST' and
form.validate(): num = form.num.data t =int(round(
form.size.data)) p =int(round( form.num.data))
s = compute(r) a=np.zeros(1); a=np.tile(a,(p,t)) for i in range(0,3):
session['size'] = 't' return render_template("expert.html",t=t, p=p) return render_template("view_output.html", form=form)
else: return render_template("view_input.html", form=form) @app.route('/calc', methods=['GET', 'POST']) def calc(): form = InputForm(request.form) if request.method == 'POST': size = int(request.form['size']) num = int(request.form['num'])
a=np.zeros(1)
a=np.tile(a,(num,size))
vesa=np.zeros(1)
vesa=np.tile(vesa,num)
vesa=[1,1,1,1] table= [ [ 0 for i in range(num) ]
for j in range(num) ]
for i in range(0,num):
for j in range(0,size): a[i][j]= re-quest.form['TEXT_'+str(i)+'_'+str(j)]
for i in range(0,num): table[i]=func(a,i,vesa,size)
poter2= np.zeros(1); poter2=np.tile(poter2,(size,size)) poter= np.ze-ros(1); poter=np.tile(poter,(size,size)) for i in range(0, num): for j in range(0,size): for k in range (0,size): poter[j,k]=table[i][j][k]+poter[j,k]
poter_save=np.copy(poter) kemeni=np.zeros(1) kemeni=np.tile(ke-meni,size) print
(poter)
for k in range (0,size):
index2=funcd(poter,size) print(index2) for j in range(0, size): poter[index2-1 ][j]=8
for j in range(0, size): poter[j][index2-1]=8 print (poter) kemeni [k] =index2
for i in range (0,size-1):
k=kemeni[size-2-i]-1 j =kemeni[size- 1i]-1 print(k) print(j) if poter_save[j][k] <poter_save[k] [j]: t=ke-meni[size-i-2] print (Mchange!M,t) kemeni [size-i- 2] = ke-meni[size-i-1] kemeni [size-i-1 ] =t # print(poter, file=sys.stderr)
#jhjhjhjhjh #size=3
#poter=np.array([[0,6,4,5],[2,0,5,2],[4,3,0,3],[3,6,5,0]]) poter=np.delete(poter, index2-1, axis=0) poter=np.delete(poter, index2-1, axis=1)
kemeni_s=np.copy(kemeni) return render_template(Mview_out-put.htmlM, form=form, s=kemeni) if name == ' main app.run(debug=True)
flask.app.py Tochcniy import numpy as np; #num=int(input ("Enter the number of experts"));
#size=int(input("Enter the number of objects")); num=4 size=6 a=np.zeros(1) ;
a=np.tile(a,(num,size))
#print(a);
vesa=np.zeros(1) vesa=np.tile(vesa,num) vesa=[1,1,1,1] #a[0] = [1,2,4,3] #a[1] = [1,2,3,4] #a[2] = [2,1,4,3]
#a[0] = [1,2,4,3] #a[1] = [4,2,3,1] #a[2] = [2,3,4,1] #a[0] = [1,2,4,3] #a[1] = [4,2,3,1] #a[2] =
[1,4,2,3]
#a[0] = [1,3,4,5,2,6] #a [1] = [3,2,1,6,4,5] #a[2] = [6,5,1,3,2,4] #a [3] =
[4,2,6,5,1,3] a[0] = [1,3,4,5,2,6] a[1] = [3,2,1,6,4,5] a[2] = [6,5,1,3,2,4] a[3] = [4,2,6,5,1,3] a[0] = [1,3,4,5,2,6] a[1] = [1,3,5,4,2,6] a[2] =
[2,3,4,5,1,6] a[3] = [1,4,3,6,2,5] i=0; table= [ [ 0 for i in
range(num) ] for j in range(num) ] table1= [ [ 0 for i in range(size*size) ] for j in range(size*size) ]
def funcdis(table): n= np.zeros(1); n=np.tile(n,(num,num)) s=np.zeros(1); s=np.tile(s,num) for i in range(0,num): for m in range(0,num): for j in range(0,size): for k in range(0,size):if table[i][j][k]!=ta-
ble[m][j][k]:
n[i][m]=n[i][m]+1 print(n)
for i in range(0,num): for j in range(0,num): s [i]=n[i] [j]+s[i] print(np.argmin(s)+1) return def f2dis(expert1, expert2): dis=0 for i in range (0,size): for j in range (0,size):
if expert1[i][j]!=expert2[i][j]: dis=dis+1
return dis
#формирует шар радиуса 1 def funcsquare(expert): for k in range (0, size*size):
table1[k]=np.copy(expert) k=0 for i in range(0, size):
for j in range(0, size): if expert[i,j]==2.0: table1 [k][i] [j]=0.0 table1 [k][j] [i]=2.0 k=k+1
# print(table1) return table1 #min расстояниеотэлементоводнойматрицыдоэлементовдругой def funcmin(table1,table): print(table1)
print(table) n= np.zeros(1); n=np.tile(n,(num,size*size)) s=np.ze-ros(1); s=np.tile(s,size*size) for m in range(0,size*size): for i in range(0,num): for j in range(0,size): for k in range(0,size): if table[i] [j] [k]!=table1[m] [j] [k]:
n[i][m]=n[i][m]+1
# print(n) for i in range(0,size*size): for j in range(0,num): s[i]=n[j][i]+s[i]
# print(np.argmin(s)+1) return np.argmin(s), min(s) #peredaem nomer experta i matricu def func(a,i,vesa): expert= np.zeros(1); expert=np.tile(expert, (size,size)) k=size; j=0
while j<size: k=size while k>0:
k=k-1; if a[i,j]<a[i,k]: expert[j,k]=0 ex-pert[k,j]=2*vesa[i] elif a[i,j]==a[i,k]:
expert[j,k]=1*vesa[i]; expert[k,j]=1*vesa[i]; else: expert[j,k]=2*vesa[i]; expert[k,j]=0; expert[j,j]=0; j=j+1 #print (expert) return expert #Search for Kondorse Alternatives def funcb (poter): s_low=np.zeros(1) s_low=np.tile(s_low,size+1) s_up=np.zeros(1) s_up=np.tile(s_up,size+1) sum_low=0 sum_up=0 for i in range(0, size+1):
for j in range (0, size+1):
if poter[i,j]>poter[j,i]: s um_low=sum_low+1 if po-ter[i,j]<poter[j,i]: s um_up=sum_up+1 s_low[i]=sum_low s_up[i]=sum_up sum_low=0 sum_up=0 return s_low, s_up
#Evristicheskiy algoritm #start doing job! i=0 for i in
range(0,num): table[i]=func(a,i,vesa) print (table) print (ta-ble[0]) print (table[0] [2][0]) n=funcdis (table)
#print(n)
#Попытка искать медиану в цикле k=0 table1=funcsquare(table[1]) diso=size*size for i in range(0, size*size): k, dis=funcmin(table1,
table) if dis<diso:
table1=funcsquare(table1[k])
print(dis) print(k)
print (table1[k])
poter= np.zeros(1);
poter=np.tile(poter,(size,size)) for i in range(0, num): for j in range(0,size):
for k in range (0,size):
poter[j,k]=table[i][j] [k]+poter[j,k] print("Matrica poter",poter) poter1=np.ar-
ray([[0,0,6,6,5],[0,0,0,0,0], [4,0,0,6,3], [4,0,4,0,6],[5,0,7,4, 0] ] ) poter2=np.array([[0,3,6,6,5],[7,0,8,6,6], [4,2,0,6,3], [4,4,4,0,6],[5,4,7,4, 0] ] ) #print (poterl);
size=size-1 kemeni= np.zeros(l); kemeni=np.tile(ke-
meni,size+1) choice=0 kemres=np.ar-
ray([[5,3,1,6,2,4],[3,2,4,6,1,5], [4,2,3,6,1,5]])
print(kemres[1])
table1[2]=func(kemres , 0,vesa)
table1[3]=func(kemres , 1,vesa)
table1[4]=func(kemres , 2,vesa)
dis=f2dis(table[0],table1[2])
dis1=f2dis(table[0],table1[3])
dis2=f2dis(table[0],table1[4])
print("rastoyanie1", dis)
print("rastoyanie2", dis1)
print("rastoyanie3", dis2)
dis=f2dis(table[1],table1[2])
dis1=f2dis(table[1],table1[3])
dis2=f2dis(table[1],table1[4]) print("rastoyanie1", dis) print("rastoyanie2", dis1) print("rastoyanie3", dis2)
for i in range (0, size):
s_low, s_up=funcb(poter)
print(s_low); key=input("Got smallest? (y/n)") if key=='y':
choice=int(input("Enter the smallest")); ke-meni[i]=choice if choice!=0: for j in range(0, size+1): poter[choice-1][j]=88 for j in range(0, size+1): po-ter[j][choice-
1]=88 print(s_up); key=input("Got biggest? (y/n)") if key=='y':
choice=int(input("Enter the biggest")); kemeni[size-i]=choice if choice!=0: for j in range(0, size+1): po-ter[choice-1][j]=88 for j in range(0, size+1): po-ter[j][choice-
1]=88 print(poter); key=input("Stop ?") if key=='y':
break print (kemeni)
# Evristicheskiy algoritm import numpy as np; num=10 size=4 a=np.zeros(1); a=np.tile(a,(num,size)) #print(a);
vesa=np.zeros (1) vesa=np.tile(vesa,num)
vesa=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1] a[0] = [1,2,4,3] a[1] = [1,2,3,4] a[2] = [2,2,4,3] a[3] = [2,2,4,3] a[4] =
[2,1,4,3] a[5] = [1,2,2,4] a[6] = [3,3,4,3] a[7] = [1,2,4,3] a[8] = [2,2,2,3] a[9] = [4,1,4,3] #a[0] = [1]
#a[1] = [1]
#a[2] = [1]
#a[3] = [1]
#a[0] = [1,3,4,5,2,6] #a [1] = [3,2,1,6,4,5] #a[2] = [6,5,1,3,2,4] #a [3] = [4,2,6,5,1,3]
#a[0] = [1,3,4,5,2,6]
#a[1] = [1,3,5,4,2,6]
#a [2] = [2,3,4,5,1,6] #a[3] = [1,4,3,6,2,5] i=0 ;
print(,check',a[1][2]) table= [ [ 0 for i in range(num) ] for
j in range(num) ] def func(a,i,vesa): expert= np.zeros(1); ex-pert=np.tile(expert, (size,size)) k=size; j=0 while j<size: k=size while k>0:
k=k-1; if a[i,j]<a[i,k]: expert[j,k]=0 ex-pert[k,j]=2*vesa[i] elif a[i,j]==a[i,k]:
expert[j,k]=1*vesa[i]; expert[k,j]=1*vesa[i]; else : expert[j,k]=2; expert[k,j]=0; expert[j,j]=0; j=j+1 #print (expert) return expert N€BpB' BpB»BpBAB, Bp BkB, BkB, BkB° B»NŒBAB3AB 3B3A B, BAB'BpB0 NQD° def funcd (poter):
# size=3 sort=np.zeros(1) sort=np.tile(sort,size) index=0 t=1 for i in range(0, len(poter)): for j in range (0, len(poter)): sort[i]=poter[i][j]+sort[i]
minim=sort[0] for i in range (0,len(poter)): if sort[i]<=minim and sort[i]!=8*(len(poter)): index=i+1
minim=sort[i] print(minim) return index #start doing job! i=0
for i in range(0,num): table[i]=func(a,i,vesa)
print (table) #print (table[2][1][0]) poter2= np.zeros(1); poter2=np.tile(poter2, (size,size)) poter= np.zeros(1); po-ter=np.tile(poter,(size,size)) for i in range(0, num): for j in range(0,size):
for k in range (0,size):
poter[j,k]=table[i][j] [k]+poter[j,k] print(poter)
#jhjhjhjhjh #size=3
#poter=np.array([[0,6,4,5],[2,0,5,2],[4,3,0,3],[3,6,5,0]]) po-ter_save=np.copy(poter) kemeni=np.zeros(1) kemeni=np.tile(ke-meni,size) print (poter) for k in range (0,size): index2=funcd(poter) print(index2)
poter=np.delete(poter, index2-1, axis=0)
poter=np.delete(poter, index2-1, axis=1) for j in range(0, size):
poter[index2-1][j]=8
for j in range(0, size): poter[j][index2-1]=8 print (poter) kemeni[k]=index2 kemeni_s=np.copy(kemeni) print(kemeni) print(po-ter_save) for i in range (0,size-1):
k=kemeni[size-2-i]-1 j=kemeni[size-1-i]-1 print(k) print(j) if poter_save[j][k]<poter_save[k][j]: t=kemeni[size-i-2] print ("change!",t)
kemeni[size-i-2]=kemeni[size-i-1] kemeni[size-i-
1]=t print(kemeni)
for i in range(0,num): table[i]=func(a,i,vesa)
print (table) #print (table[2][1][0]) poter2= np.zeros(1); poter2=np.tile(poter2, (size,size)) poter= np.zeros(1); po-ter=np.tile(poter,(size,size)) for i in range(0, num): for j in range(0,size):
for k in range (0,size):
poter[j,k]=table[i][j] [k]+poter[j,k]
print(poter)
#jhjhjhjhjh
#size=3
#poter=np.array([[0,6,4,5],[2,0,5,2],[4,3,0,3],[3,6,5,0]]) po-ter_save=np.copy(poter) kemeni=np.zeros(1) kemeni=np.tile(ke-meni,size) print (poter) for k in range (0,size): index2=funcd(poter) print(index2)
poter=np.delete(poter, index2-1, axis=0)
poter=np.delete(poter, index2-1, axis=1) for j in range(0, size):
poter[index2-1][j]=8
for j in range(0, size): poter[j][index2-1]=8 print (poter) kemeni[k]=index2 • kemeni_s=np.copy(kemeni) print(kemeni) print(poter_save) for i in range (0,size-1):
k=kemeni[size-2-i]-1 j=kemeni[size-1-i]-1 print(k) print(j) if poter_save[j][k]<poter_save[k][j]: t=kemeni[size-i-2] print ("change!",t)
kemeni[size-i-2]=kemeni[size-i-1] kemeni[size-i-
1]=t print(kemeni)
Приложение Г
Программный код тестирования обучающей выборки (Python)
import pandas as pd import matplotlib.pyplot as plt import numpy as np import seaborn as sns %matplotlib inline
app_train = pd.read_csv(PATH + 'application_train.csv',) app_test = pd.read_csv(PATH + 'application_test.csv',) print ("формат обучающей выборки:", app_train.shape) print ("формат тестовой выборки:", app_test.shape)
app_train.select_dtypes(include=[object]).apply(pd.Series.nunique, axis = 0)
app_train['NAME_FAMILY_STATUS' app_train['NAME_FAMILY_STATUS'
1./6,inplace=True) app_train['NAME_FAMILY_STATUS'
2./6, inplace=True) app_train['NAME_FAMILY_STATUS'
3./6,inplace=True) app_train['NAME_FAMILY_STATUS'
4./6,inplace=True) app_train['NAME_FAMILY_STATUS'
5./6,inplace=True) app_train['NAME_FAMILY_STATUS'
6./6,inplace=True) app_train['NAME_FAMILY_STATUS' app_train['NAME_FAMILY_STATUS' pe(float)
app_train['NAME_FAMILY_STATUS' app_train['NAME_FAMILY_STATUS' app_test.select_dtypes(include=[object]).apply(pd.Series.nunique, axis = 0)
[:5]
.replace(['Civil marriage'],
.replace(['Single / not married'],
.replace(['Separated'],
.replace(['Married'],
.replace(['Widow'],
.replace(['Unknown'],
.dtypes
=app_train['NAME_FAMILY_STATUS'].asty .dtypes
app_test['NAME_FAMILY_STATUS'][:5] app_test['NAME_FAMILY_STATUS'].replace
1./6,inplace=True)
app_test['NAME_FAMILY_STATUS'].replace
2./6, inplace=True)
app_test['NAME_FAMILY_STATUS'].replace
3./6,inplace=True)
app_test['NAME_FAMILY_STATUS'].replace
4./6,inplace=True)
app_test['NAME_FAMILY_STATUS'].replace app_test['NAME_FAMILY_STATUS'].replace 6./6,inplace=True)
app_test['NAME_FAMILY_STATUS'].dtypes app_test['NAME_FAMILY_STATUS']=app_train['NAME_FAMILY_STATUS'].astyp e(float)
app_test['NAME_FAMILY_STATUS'].dtypes app_test['NAME_FAMILY_STATUS']
app_train.select_dtypes(include=[object]).apply(pd.Series.nunique, axis = 0)
app_train['NAME_INCOME_TYPE'][:5]
app_train['NAME_INCOME_TYPE'].replace(['Maternity leave'], 1./8,inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['Unemployed'], 2./8, inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['Working'],
3./8,inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['Commercial associate'],
4./8,inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['State servant'],
5./8,inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['Pensioner'],
6./8,inplace=True)
app_train['NAME_INCOME_TYPE'].replace(['Businessman'],
7./8,inplace=True)
(['Civil marriage'], (['Single / not married'], (['Separated'], (['Married'],
(['Widow'], 5./6,inplace=True) (['Unknown'],
app_train['NAME_INCOME_TYPE'].replace(['Student'], 8./8,inplace=True)
app_train['NAME_INCOME_TYPE'].dtypes
app_train['NAME_INCOME_TYPE']=app_train['NAME_INCOME_TYPE'].astype(f loat)
app_train['NAME_INCOME_TYPE'].dtypes app_train['NAME_INCOME_TYPE']
app_test.select_dtypes(include=[object]).apply(pd.Series.nunique, axis = 0)
app_test['NAME_INCOME_TYPE'][:5]
app_test['NAME_INCOME_TYPE'].replace(['Maternity leave'], 1./8,inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['Unemployed'], 2./8, inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['Working'], 3./8,inplace=True) app_test['NAME_INCOME_TYPE'].replace(['Commercial associate'],
4./8,inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['State servant'],
5./8,inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['Pensioner'],
6./8,inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['Businessman'],
7./8,inplace=True)
app_test['NAME_INCOME_TYPE'].replace(['Student'], 8./8,inplace=True) app_test['NAME_INCOME_TYPE'].dtypes
app_test['NAME_INCOME_TYPE']=app_train['NAME_INCOME_TYPE'].astype(fl oat)
app_test['NAME_INCOME_TYPE'].dtypes app_test['NAME_INCOME_TYPE']
pd.set_option('display.max_columns', None) # иначе pandas не покажет
все столбцы
app_train.head()
train_save = app_train['NAME_FAMILY_STATUS'] train_save2 = app_train['NAME_INCOME_TYPE'] test_save = app_test['NAME_FAMILY_STATUS']
test_save2 = app_test['NAME_INCOME_TYPE']
app_train=app_train.select_dtypes(exclude=['object'])
app_test=app_test.select_dtypes(exclude=['object'])
app_train=app_train.select_dtypes(exclude=['float'])
app_test=app_test.select_dtypes(exclude=['float'])
app_train['NAME_FAMILY_STATUS'] = train_save
app_train['NAME_INCOME_TYPE']= train_save2
app_test['NAME_FAMILY_STATUS'] = test_save
app_test['NAME_INCOME_TYPE']= test_save2
from lightgbm import LGBMClassifier
train_labels = app_train['TARGET']
app_train, app_test = app_train.align(app_test, join = 'inner', axis = 1)
print('Формат тренировочной выборки: ', app_train.shape) print('Формат тестовой выборки: ', app_test.shape)
# Add target back in to the data app_train['TARGET'] = train_labels clf = LGBMClassifier()
clf.fit(train, train_labels)
predictions = clf.predict_proba(test)[:, 1]
# Функция для подсчета недостающих столбцов def missing_values_table(df):
# Всего недостает mis_val = df.isnull().sum()
# Процент недостающих данных
mis_val_percent = 100 * df.isnull().sum() / len(df)
# Таблица с результатами
mis_val_table = pd.concat([mis_val, mis_val_percent],
axis=1)
# Переименование столбцов
mis_val_table_ren_columns = mis_val_table.rename( columns = {0 : 'Missing Values', 1 : '% of Total Values'})
# Сортировка про процентажу
mis_val_table_ren_columns = mis_val_table_ren_columns[
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.