Поиск, идентификация и распознавание информационных портретов кредитоспособных клиентов банка при управлении банковской системой тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Кыркунов, Евгений Александрович

• Кыркунов, Евгений Александрович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Кыркунов, Евгений Александрович

Введение.

1. Управление планированием и организацией банковского процесса кредитования. Постановка научной задачи.^

1.1. Управление планированием и организацией банковского процесса кредитования.

1.2. Содержание и объем задач и функций системы управления банком.

1.3. Скоринг как метод оценки кредитоспособности.

1.4. Искажение информации как источник рисков при предоставлении займов физическим лицам.

1.5. Структура исходных данных, специфика и используемые обозначения.

1.6. Правовые аспекты кредитования.

Выводы. ф 2. ТРАДИЦИОННЫЕ МЕТОДЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

2.1. Экспертные оценки.

2.2. Регрессионный анализ.

2.3. Дискриминантный анализ.

2.4. Методы сравнения с образцом.

Выводы.

3. СОВРЕМЕННЫЕ ТЕХНОЛОГИИ DATA MINING

ПЕРСПЕКТИВНЫЙ ПОДХОД К ОЦЕНКЕ КРЕДИСПОСОБНОСТИ

3.1. Общие представления о Data Mining.

3.2. Нейросетевой подход.

3.3. Эволюционные и генетические алгоритмы.

3.4. Алгоритмы поиска логических закономерностей в данных.

Выводы.

4. ПОСТРОЕНИЕ БАЗЫ ИНФОРМАЦИОННЫХ ПОРТРЕТОВ

КРЕДИТОСПОСОБНЫХ ЗАЕМЩИКОВ.

4.1. Характеристика экспериментальных данных.

4.2. Оценка кредитоспособности с помощью традиционных методов

4.3. Сравнительные оценки кредитоспособности с применением 127 различных конкурирующих алгоритмов.

4.4. Информационные портреты заемщиков банка.

4.5 Оценка эффективности распознавания информационных портретов кредитоспособных клиентов банка.

4.6 Рекомендации по внедрению результатов работы.

Выводы

Введение диссертации (часть автореферата) на тему «Поиск, идентификация и распознавание информационных портретов кредитоспособных клиентов банка при управлении банковской системой»

Актуальность темы. На современном этапе развития национальной экономики страны важнейшей является проблема совершенствования кредитной банковской системы. От решения этой проблемы в значительной степени зависят перспективы, возможности и темпы роста экономики.

Одной из основных задач банков является качественное кредитование как юридических, так и физических лиц. Качественное и своевременное решение вопросов кредитования в определенной степени зависит от организации данного процесса в самом банке.

Процесс кредитования в современном банке представляет собой сложную кибернетическую систему с большим количеством элементов и связями между этими элементами, обладающую замкнутой системой управления. При этом задачи управления слабо структурированы и формализованы, имеется неоднозначность, противоречивость и неполнота начальных данных и знаний о физическом лице. Как правило, не удается учесть все факторы и условия, влияющие на принятие решения и все последствия от их принятия. Это связано в первую очередь с тем, что процесс кредитования в банке находится в постоянном движении, вызванном внутрисистемными противоречиями и влияниями извне, то есть экономическим состоянием.

Внутрисистемные противоречия являются неизбежным проявлением эволюционирования всех элементов системы, замены консервативных, изживших себя форм организации и управления процессом кредитования, и новыми прогрессивными технологиями. Влияния извне связаны с тем, что банк не может функционировать автономно, независимо от экономики страны. В условиях реформирования экономики это влияние становится особенно ощутимо.

В связи с этим возникает необходимость оперативно реагировать на изменяющуюся обстановку, умело и гибко управлять процессом кредитования.

Средства автоматизации и соответствующие информационные технологии (ИТ) оказывают большое влияние на качество принимаемых решений. Под ИТ, следует понимать совокупность методов, (способов) выполнения функции управления с помощью средств вычислительной техники (септ).

Лицо, принимающее решение (ЛПР), обычно стремится к оптимальному использованию имеющейся информации чтобы, взвесив все возможные варианты решений, постараться найти среди них наилучший. Основная сложность состоит в том, что решение следует принимать с учетом многих критериев, отражающих их разнородные, а часто, и противоречивые цели. Для повышения степени обоснованности принимаемого решения необходимо использовать знания и опыт не только лица, принимающего решение, но и экспертов - специалистов в данной области. В связи с этим появляется потребность в разработке программных продуктов, которые бы упростили процесс принятия решений, и придали бы полученным выводам большую надежность.

Технология планирования кредитования - это не только трудоемкий технический процесс, объект механизации и автоматизации с использованием ПЭВМ, но и акция оптимального управления с очевидным ожидаемым экономическим эффектом. Организация и планирование процесса кредитования - многокритериальная задача. Решение ее методами классической математики и оптимизацией точными методами математического программирования не имеют перспектив в рамках современных вычислительных возможностей.

Определение кредитоспособности клиента банка, под которой в настоящей работе понимается желание, соединенное с возможностью юридического или физического лица своевременно погасить заем, производится двумя основными способами.

Первый опирается на экспертную оценку при анализе личных характеристик и финансового состояния потенциального заемщика. На основе имеющейся информации о клиенте, собственном опыте и интуиции специалист банка составляет "обобщенный образ" заявителя на ссуду и сравнивает его со "стандартными образами" заемщиков, которые ассоциируются с различным уровнем кредитного риска.

Второй более распространенный метод определения кредитоспособности частных заемщиков получил название "скоринговой" системы отбора кредитных заявок. В нем используется та или иная формальная математическая модель для оценки потенциальных заемщиков, построенная на основе статистического анализа ранее накопленной информации о "хороших" и "плохих" случаях кредитования. Скоринг позволяет автоматизировать процедуру принятия решения и в присутствии клиента, обратившегося в банк и заполнившего специальную анкету, дать ответ о возможности выдачи ссуды в течение нескольких минут с учетом оперативно получаемой от кредитного бюро информации.

В настоящее время наиболее часто используется линейная скоринговая модель, которая представляет собой взвешенную сумму обрабатываемых характеристик. В результате вычисляется интегральный показатель каждого клиента, который сравнивается с определенным порогом, или линией раздела. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже'этой линии - нет.

Линейная модель, на первый взгляд, выглядит просто и логично. Однако такой упрощенный подход недостаточно учитывает специфику обрабатываемой информации и системную сложность объекта исследования - человека. Этим обусловлена актуальность диссертационной работы, направленной на поиск и разработку новых математических моделей оценки кредитоспособности с помощью новейших технологий анализа данных о клиентах банков.

Целью работы является совершенствование управления банковской системой кредитования физических лиц, на основе современных информационных технологий.

Для реализации поставленной цели в работе решались следующие задачи:

Изучить специфику исходных данных, для выбора адекватной математической модели скоринговой оценки.

Исследовать различные математические подходы к оценке кредитоспособности, для оценки применимости к данной задаче; (экспертные оценки, регрессионный анализ, дискриминантный анализ, методы сравнения с образцом)

Построить модели оценки кредитоспособности физических лиц с использованием традиционных статистических методов и современных технологий Data Mining;

Создать базы информационных портретов заемщиков с помощью методов поиска логических закономерностей в исторических данных, для оценки их кредитоспособности.

Оценить эффективность, предложенной скоринговой системы;

Дать рекомендации для совершенствования управления банковской системой кредитования физических лиц.

Методы исследования. В работе используются методы математической статистики, теории принятия решений, искусственного интеллекта.

Научная новизна состоит в том, что впервые:

1. Выявлены логические закономерности в характеристиках кредитоспособных клиентов банка и построена база информационных портретов кредитоспособных клиентов банка, составляющая основу для принятия решений при предоставлении кредитов физическим лицам, на основе современных технологий Data Mining.

2. Предложен подход, основанный на алгоритмах поиска ассоциаций, для выявления общих характеристик базы знаний информационных портретов кредитоспособных клиентов банка.

3. Даны рекомендации по совершенствованию управления банковской системой кредитования физических лиц.

Теоретическая значимость работы заключается в том, что расширены границы использования методов теории управления и принятия решений для конструирования автоматизированной системы планирования и организации банковского процесса кредитования.

Практическая значимость работы состоит в том, что внедрение в банковскую систему кредитования скоринговой системы отбора кредитных заявок и новых информационных технологий позволяет увеличить число клиентов банковской системы кредитования, тем самым повышая доходность банка, открыть широкие возможности кредитования для потребителей, повысить уровень доверия к банковской системе.

Достоверность результатов исследования подтверждается адекватностью предлагаемого подхода к реальным условиям. На защиту выносятся следующие положения:

1. Логические закономерности в характеристиках кредитоспособных клиентов банка и база информационных портретов кредитоспособных клиентов банка, составляющая основу для принятия решений при предоставлении кредитов физическим лицам, на основе современных технологий Data Mining.

2. Подход, для выявления общих характеристик базы знаний информационных портретов кредитоспособных клиентов банка, основанный на алгоритмах поиска ассоциаций.

3. Рекомендации по совершенствованию управления банковской системой кредитования физических лиц.

Апробация работы. Результаты работы докладывались на Всероссийской научно-практической конференции «Информатика и информационные технологии в образовании» (ИИТ02003), СПб, 2003; конференции «Инфокоммуникации. Подготовка кадров и кадровая политика», (СПбГУТ), СПб, 2003., на расширенном заседании кафедры математика СЗАГС 2003г.

Публикации. Основные результаты диссертации опубликованы в 3 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Общий объем работы 175 страниц с рисунками и таблицами.

Заключение диссертации по теме «Управление в социальных и экономических системах», Кыркунов, Евгений Александрович

Выводы

1. Как показало применение методов разведочного статистического анализа отдельные характеристики анкет заемщиков банка статистически значимо разделяют группы "хороших" и "плохих" заемщиков. Вместе с тем, эти характеристики не обладают высокой прогностической точностью. С их помощью можно давать только весьма приблизительные оценки кредитоспособности клиентов банка.

2. Использование традиционных многомерных линейных моделей (в частности, дискриминантного анализа) также продемонстрировало низкое качество распознавания "хороших" и "плохих" заемщиков. Процент такого распознавания составляет всего 68,4 %.

3. Аналитический обзор ряда алгоритмов Data Mining, реализующих различные подходы и ранее применявшихся для решения задачи риска кредитования банками физических лиц, позволил выдвинуть предположение, что недостаточно эффективные результаты этих алгоритмов, по-видимому, связаны с тем, что любой из них стремится продемонстрировать свою эффективность по всей выборке клиентов.

4. Сравнительное исследование трех наиболее современных систем для поиска логических закономерностей AnswerTree (деревья решений), WizWhy (ограниченный перебор) и Deep Data Diver (технология, основанная на представлениях локальной геометрии) на задаче "немецкие кредиты", показало значительное преимущество системы Deep Data Diver. Это преимущество выражается в точности и полноте полученных 76 информационных портретов кредитоспособных клиентов банка.

5. На основе полученных информационных портретов построена продукционная база знаний для определения сходства клиентов с информационными портретами кредитоспособных клиентов, реализованная средствами электронной таблицы Excel.

6. Для выявления общих характеристик полученной базы знаний, предложен подход, основанный на алгоритмах поиска ассоциаций, применяемых в задаче анализа потребительской корзины. В этом подходе информационные портреты подвергаются специальному преобразованию, связанному с исключением из элементарных логических высказываний конкретных числовых значений, вследствие чего ограничивается разнообразие элементов информационных портретов и их можно рассматривать как транзакции с часто встречающимися элементами.

7. С помощью программы BigBasket, являющейся одной из ветвей системы Deep Data Diver, построена "корзина" элементов, совместно встречающихся в информационных портретах кредитоспособных заемщиков.

8. Анализ построенной "корзины" показал, что основное значение при оценке кредитоспособности следует придавать возрасту, кредитной истории, сумме и продолжительности займа, семейному положению и полу, наличию дополнительных займов и их количеству, и балансу в банке. При этом кредитоспособный клиент банка является не слишком молодым, не слишком пожилым, имеет определенную кредитную историю, просит не слишком большой займ и на сравнительно небольшой срок, скорее всего является холостым мужчиной или незамужней женщиной, имеет какой-то баланс в банке, и не злоупотребляет совместными займами. Это, конечно, весьма ориентировочная характеристика кредитоспособного клиента банка. Она может быть полезна при первом беглом знакомстве с заемщиком. При тщательной оценке заемщика, обладающей высокой точностью, следует производить сравнение его характеристик полной базой выявленных информационных портретов.

9. Приведены оценки эффективности распознавания информационных портретов кредитоспособных клиентов банка и оценены финансовые выгоды банки при использовании методов с более высокими коэффициентами выявления кредитоспособных клиентов.

10.Даны рекомендации по внедрению результатов работы.

ЗАКЛЮЧЕНИЕ

1. Выбор адекватного аналитического инструментария для поиска закономерностей в данных, сильно зависит от специфики анализируемой информации. Как показало наше исследование, в задачах скоринговой оценки кредитоспособности оказались сконцентрированы многие проблемы анализа данных, номинальный и качественный характер используемых признаков, кроме того, высокая размерность, априорная неопределенность структуры данных, наличие большого количества неинформативных и дублирующих признаков, а также различные искажения информации, обусловливающие дополнительную неоднородность данных.

2. Среди традиционных методов скоринга выделяется два основных похода: линейные модели, в которых оценка получается как взвешенная сумма значений признаков (характеристик) клиента; методы принятия решения путем сравнения характеристик клиента и известными прецедентами. С учетом специфики исходной информации для проведения скоринга из традиционных методов предпочтительнее выглядят методы сравнения с образцом. Вместе с тем, эти методы обладают рядом серьезных недостатков, ограничивающих их применение. Сюда относятся необходимость хранения в памяти всей исторической информации о клиентах и трудная интерпретируемость результата. Кроме того, эффективность получаемых решений самым решительным образом зависит от эвристического выбора меры сходства с прецедентами, и необоснованным представляется тезис об обобщенной близости объектов.

3. Из современных технологий обработки данных, относящихся к бурно прогрессирующей области Data Mining, также далеко не все подходы и алгоритмы выглядят перспективными для построения моделей скоринга.

4. Основным недостатком нейросетевой парадигмы является необходимость иметь очень большой объем обучающей выборки. Другой существенный недостаток заключается в том, что даже натренированная нейронная сеть представляет собой "серый" ящик (топология нейронной сети выбирается из эвристических соображений). Кроме того, знания, зафиксированные как веса нескольких сотен межнейронных связей, совершенно не поддаются анализу и интерпретации человеком.

5. Многие исследователи видят путь развития аналитических методов в разработке эволюционных алгоритмов. Среди них наиболее популярными являются генетические алгоритмы, пытающиеся моделировать механизмы наследственности, изменчивости и отбора в живой природе. Вместе с тем, эти алгоритмы на сегодняшний день не лишены серьезных недостатков. В частности, процесс создания исходного набора хромосом, критерии отбора хромосом и используемые процедуры являются эвристическими и далеко не гарантируют нахождения «лучшего» решения. Как и в реальной жизни, эволюцию может «заклинить» на какой-либо непродуктивной ветви. И, наоборот, можно привести примеры, как два неперспективных родителя, которые будут исключены из эволюции генетическим алгоритмом, оказываются способными через несколько итераций произвести высокоэффективного потомка. Это становится особенно заметно при решении высокоразмерных задач со сложными внутренними связями. Указанные недостатки не позволяют пока говорить, что генетические алгоритмы составляют сегодня серьезную конкуренцию деревьям решений и алгоритмам ограниченного перебора при решении задач поиска логических закономерностей в данных. Они «капризны» в настройке и трудоемки при решении задач поиска логических закономерностей в данных.

6. В наибольшей мере задачам оценки кредитоспособности удовлетворяют методы поиска логических закономерностей в данных. Их результаты, чаще всего выражаются в виде IF-THEN правил. С помощью таких правил решаются задачи прогнозирования, классификации, распознавания образов, сегментации БД, извлечения из данных «скрытых» знаний, интерпретации данных, установления ассоциаций в БД и др. Логические методы работают в условиях разнородной информации. Их результаты эффективны и прозрачны для восприятия.

7. Сравнительное исследование трех наиболее современных систем для поиска логических закономерностей AnswerTree (деревья решений), WizWhy (ограниченный перебор) и Deep Data Diver (технология, основанная на представлениях локальной геометрии) на задаче "немецкие кредиты", показало значительное преимущество системы Deep Data Diver. Это преимущество выражается в точности и полноте полученных 76 информационных портретов кредитоспособных клиентов банка. Указанные информационные портреты включают от 4 до 9 элементарных логических события, соответствующих определенным значениям характеристик заемщиков. Точность информационных портретов кредитоспособных клиентов колеблется в пределах от 0,9 до 0,97. Полнота этих портретов изменяется в интервале от 0,13 до 0,47. На основе полученных информационных портретов построена база знаний для определения сходства клиентов с информационными портретами кредитоспособных клиентов, реализованная средствами электронной таблицы Excel.

8. Для обобщения описаний информационных портретов продуктивным себя зарекомендовал предложенный в диссертации подход, основанный на алгоритмах поиска ассоциаций, применяемых в задаче анализа потребительской корзины. В этом подходе информационные портреты подвергаются специальному преобразованию, связанному с исключением из элементарных логических высказываний конкретных числовых значений, вследствие чего ограничивается разнообразие элементов информационных портретов и их можно рассматривать как транзакции с часто встречающимися элементами.

Список литературы диссертационного исследования кандидат технических наук Кыркунов, Евгений Александрович, 2004 год

1. Гражданский Кодекс РФ (с изменениями от 20 февраля, 12 августа 1996 г., 24 октября 1997 г., 8 июля, 17 декабря 1999 г., 16 апреля, 15 мая 2001 г.)2. «О порядке регулирования деятельности кредитных организаций» инструкция ЦБ РФ №1 от 1.10.97 г.

2. Федеральный закон «О банках и банковской деятельности» от 7.01.954. "Коммерсант", 13 февраля 2002 г., С. 75. "Коммерсант", 21 марта 2002 г., С. 24

3. Абд ар-Рахман аль-Вакиль. "Призыв истины" http://psyberia.ru/ mindterritory/class

4. Айвазян С. А., Бежаева 3. И., Староверов О. В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 240 с.

5. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин JI. Д. Прикладная статистика. Классификация и снижение размерности. — М.: Статистика, 1989. 607 с.

6. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-471 с.

7. Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Статистическое оценивание зависимостей. М.: Финансы и статистика, 1985.-484 с.

8. Александров В. В., Алексеев А. И., Горский Н. Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990.

9. Алексеев П. В., Панин А. В. Философия: учебник для вузов. М.: Проспект, 1998.-568 с.

10. Андерсон Т. Введение в многомерный статистический анализ. М.: Физматгиз, 1963. - 500 с.

11. Андреева Г. Скоринг как метод оценки кредитного риска //"Банковские технологии", № 6, 2000. С. 66-72.

12. Берн Э. Секс в человеческой любви. Издательство: ACT; Серия: Классики зарубежной психологии, 1997. - 352 с.

13. Бонгард М. М. Проблема узнавания. М.: Наука, 1967.

14. Боннер Р. Б. Некоторые методы классификации // Автоматический анализ изображений. М.: Мир, 1969. - С. 205-234.

15. Будущее искусственного интеллекта // Под ред. К. Е. Левитина и А. Поспелова. М.: Наука, 1991. - 302 с.

16. Букатова И. Л. Эволюционное моделирование и его приложения — М.:Наука, 1979.-231 с.

17. Бэкон Ф. Новый органон: Пер. с лат. // Соч.: В 2 т. М., 1972. Т. 2. С. 5-222.

18. Вороновский Г. А., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. //Харьков, "Основа", 1997. ISBN 5-7768-0293-8. В сети на www.neuropower.de/rus/.

19. Гик Дж., ван. Прикладная общая теория систем. М.: Мир, 1981.

20. Гласс Дж., Сэнли Дж. Статистические методы в педагогике и психологии. -М.: Прогресс, 1976.

21. Гроф С., Хэлифакс Д. Человек перед лицом смерти.

22. Дегтяренко Г.А., Мазавер С.И., Пехенько И.В. Высшая математика и ее использовании в математическом моделировании, под ред. Дегтяренко Г.А., т. 6; СПб; СПбВМИ, 2002 380с.

23. Демиденко Е. 3. Линейная и нелинейная регрессия- М.: Финансы и статистика, 1981. 302 с.

24. Дрейпер Н., Смит Г. Прикладной регрессионный анализ М.: Статистика, 1973.-392 с.

25. Дубровский Д. И., "Обман. Философско-психологический анализ". — М.: Изд-во "РЭЙ", 1994. 120 с.

26. Дуда Р., Харт П. Распознавание образов и анализ сцен.- М.: Мир, -511 с.

27. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. СПб: Питер, 2001.-368 с.

28. Дюк В. А., Самойленко А. П. Проблемы подготовки прогнозистов и организаторов прогнозов в области экономики//В сб. "Современные технологии обучения СТО-2000. Мат. 8-й Межд. конф., 18апр., 2000, ч. 1. - изд-во СПбГЭТУ. - С. 91-92

29. Дюк В. А. Компьютерная психодиагностика. — СПб: Братство. 1994. -364 с.

30. Дюк В. А., Эмануэль В. JI. Информационные технологии в медико-биологических исследованиях. СПб: Питер, 2003. - 527 с.

31. Елисеева И. И., Рукавишников В. О. Группировка, корреляция, распознавание образов (Статистические методы классификации и измерения связи). -М.: Статистика, 1977.

32. Енюков И. С. Методы, алгоритмы, программы многомерного статистического анализа: Пакет 1111С А. М.: Финансы и статистика, 1986. -232 с.

33. Житков Г. Н. Некоторые методы автоматической классификации //Структурные методы опознавания и автоматическое чтение. Мю: ВИНИТИ, 1970. с. 68-85.

34. Журавлев Ю. И., Гуревич И. Б. Распознавание образов и анализ изображений // Искусственный интеллект. — В. 3-х кн. Кн. 2. Модели и методы: Справочник под ред. Д. А. Поспелова. М.: Радио и связь, 1990304 с.

35. Журавлев Ю. И. Непараметрические задачи распознавания образов //Кибернетика, 1976, № 6. С. 93-103.

36. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. М.: Наука, 1978, вып. 33.-С. 5-68.

37. Загоруйко Н. Г. Методы распознавания и их применение. М.: Сов. радио, 1972.

38. Знаков В. В. Правда и ложь в сознании русского народа и современной психологии понимания. М. 1993. 116 с.

39. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. // К.: "Техника", 1975, 312 с.

40. Ивахненко А. Г. Самообучающиеся системы распознавания и автоматического регулирования-Киев: Техника, 1969.-392 с.

41. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д. А. Поспелова М.: Радио и связь, 1990. - 304 с.

42. Кан Ф. Опыт возможной философии лжи. — 1989.

43. Кендалл М. Методы ранговой корреляции. М.: Статистика, 1974.

44. Киевский институт кибернетики, домашняя страничка разработчиков МГУ А http://inf.kiev.ua/GMDH-home/.

45. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые системы, № 4, 1997, С. 41-44

46. Кречетов Н. Продукты для интеллектуального анализа данных. — Рынок программных средств, № 14-15, 1997, С. 32-39.

47. Кузнецов А. С. Методы поиска оптимальных групп признаков при статистическом распознавании образов.- Л.: ВИКИ им. А. Ф. Можайского, 1982.-С. 14-23.

48. Лбов Г. С. Выбор эффективной системы зависимых признаков/Труды Сиб. отд. АН СССР: Вычислительные системы.- Новосибирск, 1965, вып. 19. -С. 87-101.

49. Лбов Г. С. Методы обработки разнотипных экспериментальных данных.-Новосибирск: Наука, 1981. 157 с.

50. Миркин Б. Г. Анализ качественных признаков и структур. М.: Статистика, 1980. "

51. Никифоров А. М., Фазылов Ш. X. Методы и алгоритмы преобразования типов признаков в задачах анализа данных. Ташкент: Фан, 1988.

52. Павлова И. В., Методики оценки кредитоспособности заемщика -физического лица при ипотечном жилищном кредитовании. — http://www.bdc.ru/raschet/ras2003

53. Патрик Э. Основы теории распознавания образов М.: Сов, радио -408 с.

54. Проскурин В. А., Скоринговый метод оценки кредитоспособности частных лиц // Бизнес и банки (Москва). 23.07.2002

55. Пфанцагль И. Теория измерений.- М.: Мир, 1976. 248 с.

56. Рахман аль-Джавбари. Сорванные покровы.

57. Роуз Питер С. Банковский менеджмент. -М., "Дело Лтд". 1995. С. 249

58. Сидельников Ю. Истина и заблуждения // Банковские технологии, №4, 1997.

59. Соложенцев Е. Д., Карасев В. В., Соложенцев Е. В. Логико-вероятностные модели риска в банках, бизнесе и качестве. СПб: Наука, 1999. - 120 с.

60. Статистические методы анализа информации в социологических исследованиях/под ред. Осипова Г. В. -М.: Наука, 1979. 319 с.

61. Суппес П., ЗинесДж. Основы теории измерений // Психологические измерения. М.: Мир, 1976. - С. 9-119.

62. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. М.: Финансы и статистика, 1990.

63. Тьюки Дж. Анализ результатов наблюдений. Разведочный анализ. М.: Мир, 1981.-693 с.

64. Филмер П., Филипсон М. Новые направления в социологической теории. М.: Прогресс, 1978. - 329 с.

65. Фогель Л., Оуэне А., Уолт М. Искусственный интеллект и эволюционное моделирование-М.: Мир, 1969.-230 с.

66. Холодный Ю.И. Полиграфы ("детекторы лжи") и безопасность. Справочная информация и рекомендации. М.: ИДМБ, 1998, 96 с.

67. Щербатых Ю. Искусство обмана. Популярная энциклопедия. М.: ЭКСМО-Пресс, 1998.- 544 с.

68. Экман П. Психология лжи. СПб.: Издательство "Питер", 1999. - 272 с.

69. Agraval R., Imielinski Т., Swami A. Mining Association Rules between Sets of Items in Very Large Databases. ACM SIGMOD Conference Proceedings, pages 207-216, 1993.

70. Banzhaf W., Nordin P., Keller R. E., Francone F.D. Genetic programming. An Introduction. //Morgan Kaufmann Publishers, Inc. San Francisco, California, 1998.

71. Boulding К. E. General Systems Theory The Skeleton of Science//Management Science, 2,1956.

72. Charu C. Aggarwal. Towards Long Pattern Generation in Dense Databases. -SIGKDD Explorations, Volume 3, Issue 1, pages 20-26, 2001.

73. Churchill G. A., Nevin J. R., Watson R. R.//The role of credit scoring in the loan decision. Credit World. March/1977;

74. Cover Т., Hart P. Nearest neighbour pattern classification//IEEE Trans. Inform. Theory, v. IT-13,1967. -p. 21-27.

75. Fix E., Hodges J. L. Discriminatory analysis, nonparametric discrimination USA School of Medicine. Texas: Rendolph Field, 1951-1952.

76. Ganti V., Gehrke J., Ramakrisnan R. Mining Very Large Databases. IEEE Computer, August 1999, pages 38-45.

77. Glass G. V. Note on rank-biserial correlation//Educational and Psychological Measurement, 26,1966. p. 332-337.

78. Holland, J. Adaptation in natural and artificial systems. //MIT Press, Cambridge, MA, 1992.

79. Knowledge Discovery Through Data Mining: What Is Knowledge Discovery? -Tandem Computers Inc., 1996

80. Koza, J.R. Hierarchical genetic algorithms operating on populations of computer programs. //Proceedings of the Eleventh International Joint Conference on Artificial Intelligence IJCAI-89, volume 1, Morgan Kaufmann, San Francisco, CA, 1989.-pp. 768-774.

81. Myers J. H., Forgy E. W. The development of numerical credit evaluation systems//Journal of American Statistical Association. September/1963.

82. Seitz J., Stickel E. Consumer Loan Analysis Using Neural Network // Adaptive Intel. Syst. Proc. of the Bankai Workshop, Brussels, 14-19 October, 1992. -P. 177-189.