Разработка имитационных моделей и программных средств для анализа кредитных и валютных рисков многофилиального банка тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Ульянов, Денис Петрович

• Ульянов, Денис Петрович
• кандидат экономических наук
• 2008

Оглавление диссертации кандидат экономических наук Ульянов, Денис Петрович

Введение.

Глава 1. Проблема оценки банковского риска. Модели и методы оценки.

1.1 Понятие риска и классификация банковских рисков.

1.2 Специфика рисков современного миогофилиального банка.

1.3 Методы количественной оценки банковских рисков.

1.3.1 Метод рейтинговых оценок.

1.3.2 Методы линейной и логистической регрессии.

1.3.3 УАК-модели.

1.3.4 Метод деревьев решений.

1.3.5 Методы с использованием искусственных нейронных сетей.

1.4 Проблема выбора методов для анализа банковских рисков.

Глава 2. Процессы управления банковскими рисками в современном многофилиальном банке.

2.1 Проблемы построения системы управления рисками в современном банке.

2.2 Управление кредитным риском.

2.2.1 Процессы кредитования в многофилиальном банке.

2.2.2 Построение скоринговых систем для обеспечения кредитного процесса.

2.3 Управление рыночным риском.

2.3.1 Процессы управления рыночным риском в современном банке.

2.3.2 Построение модели для прогнозирования изменений курсов валют.

2.3.3 Построение и обучение нейронной сети.

2.3.4 Тестирование обученной нейронной сети.

Глава 3. Модели и программные средства для управления кредитными рисками в многофилиальном банке.

3.1 Разработка скоринговой системы с обратной связью для реализации кредитного процесса в многофилиальном банке.

3.2 Разработка программного средства для скоринговой системы на основе нейросетевых технологий.

3.3 Имитационные модели для оценки экономической эффективности скоринговой системы.

Введение диссертации (часть автореферата) на тему «Разработка имитационных моделей и программных средств для анализа кредитных и валютных рисков многофилиального банка»

Актуальность темы диссертационного исследования. В основе любой экономической деятельности лежит понятие риска. Однако во времена плановой экономики, когда отсутствовала конкуренция, многие экономические риски находились вне сферы интересов отечественных исследователей. Главными видами риска для предприятий были невыполнение плана и различные политические риски. Соответственно главная цель заключалась в выполнении плана любой ценой. Потери даже значительной суммы денег в результате принятия какого-либо решения не рассматривались в качестве серьезного риска, что порождало возникновение крайне неэффективных проектов.

С развитием рыночных отношений спектр возможных рисков значительно изменился и расширился. Необходимость учета рисков при принятии решений и важность процесса управления рисками осознается сегодня всеми участниками хозяйственной деятельности. В банковской сфере, где риск является объективным фактором, и существует тесная и очевидная взаимосвязь уровней риска и получаемой выгоды, потребность в этом ощущается наиболее остро.

Особенностью современного этапа развития отечественной банковской системы является, с одной стороны, значительное расширение спектра предоставляемых услуг, внедрение новых банковских технологий и соответственно увеличение разнообразия возможных видов рисков; с другой стороны, по мере насыщения рынка банковских услуг наблюдается обострение конкуренции, которая еще более усиливается в связи со стремлением отечественных банков к интеграции в международную финансовую систему. Рост конкуренции также приводит к росту общего уровня рисков, при этом банки, уклоняющиеся от риска, как и банки, излишне рискующие, неизбежно проигрывают конкурентам. Таким образом, проблема совершенствования системы управления рисками в современной банковской деятельности является актуальной.

Важнейшими рисками в банковской деятельности являются кредитный, операционный, правовой, валютный, фондовый, процентный, страновой и стратегический. Значимость различных видов риска для конкретного банка зависит от профиля и масштаба деятельности банка, его клиентской базы и других факторов. Однако для большинства банков сегодня наиболее значимыми являются кредитный и валютный риски. Это связано с резким ростом в стране рынка кредитования (за последние годы наблюдается ежегодное удвоение рынка кредитования), развитием программ потребительского кредитования, автокредитования, кредитования малого и среднего бизнеса, ипотечного кредитования и т.д. Кроме этого, развитие фондового и валютного рынка привело к тому, что значительную долю средств банки стали вкладывать в данные виды рынков. Эти сферы деятельности банков являются сегодня самыми прибыльными и одновременно самыми рискованными. Необходимость постоянного совершенствования процессов управления данными видами рисков подтверждается известным кризисом 2007 г. программы ипотечного кредитования в США.

Степень разработанности проблемы. Проблема оценки рисков в экономике имеет богатую историю и прочный теоретический фундамент, заложенный в работах многих зарубежных исследователей (Т. Бочкаи, Г. Марковиц, О. Моргенштерн, Ф. Найт, Дж. Нейман, П. Самуэльсон, Т. Стюарт, А. Фридмен, К. Эрроу и другие). В России первые научные работы, посвященные данной проблеме, стали появляться в конце 70-х гг. XX века (Н. Я. Петраков, В. И. Ротарь и другие). За последние годы наблюдается бум научных исследований, посвященных анализу рисков. Значительный вклад в исследование данной проблемы сделали такие российские ученые как: Л. Г. Батраков, М. К. Беляев, А. В. Беляков,

A. В. Буздалин, М. А. Бухтин, Л. И. Воробьёв, В. Н. Жоваников,

B. В. Иванов, С. М. Ильясов, А. А. Козлов, К. С. Косован, О. И. Лаврушин, Б. А. Лагоши, Ю. С. Масленченков, А. О. Недосекин, Е. Г. Потоцкая,

Ю. Ю. Русанов, А. А. Строев, А. В. Субботин, Е. Б. Супрунович, И. Т. Фаррахов и многие др.

Несмотря на большое количество работ, на имеющиеся фундаментальные теоретические результаты и успешное применение их на практике, проблему анализа рисков нельзя считать решенной, так как динамика развития экономики постоянно порождает новые факторы и новые тенденции, влияющие на уровень неопределенности и риска при принятии решений. Примерами этого могут служить мировые рыночные кризисы 1997-1998 и 2000—2001 гг., упомянутый выше ипотечный кризис в США 2007 г., многочисленные кризисы конкретных компаний.

Современный этап развития российской банковской системы характеризуется значительным обострением конкуренции на кредитном рынке, что приводит к его смещению в регионы. Все большую долю (от 30 до 70%) в общем объеме кредитов начинают занимать нецелевые, беззалоговые кредиты относительно небольшого размера. С развитием филиальной сети крупных банков оказалось, что инструменты управления рисками, разработанные в головном банке, не годятся для применения в удаленных филиалах, разбросанных по всей стране, и требуют адаптации к местным условиям. Используемые сегодня системы управления рисками не всегда адекватно и своевременно реагируют на изменение входных данных, так как. они построены на статистической модели, полученной путем обработки исторических данных по многим банкам и филиалам, а применяются к конкретному филиалу или отделению. Индивидуальные отличия и особенности в этих системах не могут быть учтены в достаточной степени. Головной банк не может посылать в каждый филиал дорогостоящую команду специалистов для настройки и адаптации системы управления кредитными рисками под местные условия из-за требования экономической эффективности. Таким образом, в этой ситуации важным оказывается вопрос стоимости принимаемого решения по кредиту.

Все это требует разработки экономико-математических моделей и алгоритмов, способных гибко настраиваться на конкретные условия работы коммерческого банка, быстро реагировать на изменяющиеся внешние условия. Инструментальные средства, предлагаемые на основе этих моделей, должны быть недорогими и простыми в использовании. Требуются методики быстрого выявления скрытых факторов, влияющих на уровни кредитных рисков, а также эффективные методы оценки значимости различных факторов в общем уровне риска.

Цель и задачи исследования. Целью настоящей работы является разработка и исследование экономико-математических моделей и программных средств для анализа кредитного и валютного риска коммерческого банка, позволяющих гибко настраиваться на внешние условия и учитывать изменение значимых факторов, влияющих на величину кредитного и валютного рисков.

Для достижения поставленной цели в работе решались следующие задачи, определившие логику диссертационного исследования и его структуру:

- выявление специфики рисков современного многофилиального банка;

- анализ математических методов, применяемых для количественной оценки банковских и валютных рисков, и выбор методов, адекватных поставленной цели;

- анализ практических методик, алгоритмов и инструментальных средств для выявления, оценки и управления кредитными и валютными рисками;

- разработка методики прогнозирования поведения временного ценового ряда с помощью искусственных нейронных сетей, построение имитационной модели для проверки разработанной методики;

- построение модели скоринговой системы, основанной на нейросетевых технологиях;

- выявление факторов, оказывающих воздействие на уровень кредитного риска, и разработка гибкой методики их учета;

- построение модели для оценки кредитного риска на основе технологии нейронных сетей;

- разработка средств автоматизации процесса оценки кредитных рисков;

- разработка методики оценки экономической эффективности используемой скоринговой системы, построение сценарных моделей для выбора наиболее целесообразной стратегии использования скоринговой системы.

Объектом исследования являются процессы управления банковскими рисками, требующие количественной оценки уровня рисков.

Предметом исследования являются модели и соответствующие программные средства, а также результаты их применения для оценки кредитных и валютных рисков многофилиальных коммерческих банков.

Диссертационная работа выполнена в рамках паспорта научных специальностей ВАК 08.00.13 - Математические и инструментальные методы экономики, п. 2.2. — Конструирование имитационных моделей как основы экспериментальных машинных комплексов и разработка моделей экспериментальной экономики для анализа деятельности сложных социально-экономических систем и определения эффективных направлений развития социально-экономической и финансовой сфер.

Методы исследования. Теоретико-методологической основой диссертации явились труды ведущих отечественных и зарубежных исследователей, работающих в области анализа и управления банковскими рисками.

Информационно-аналитической основой проведенных исследований стали постановления Правительства РФ, касающиеся организации работы банковского сектора экономики, нормативные, методические и статистические материалы Центрального банка РФ, российских и международных кредитных организаций, данные, содержащиеся в ведущих периодических и электронных изданиях, а также полученные самим автором результаты изучения работы ряда саратовских банков.

В качестве методов решения поставленных задач использованы методы математической статистики и теории вероятностей, методы экспертных оценок, технологии искусственных нейронных сетей.

Инструментальными средствами разработки программных модулей явились современные объектно-ориентированные средства быстрой разработки программ.

Основные положения диссертации, выносимые на защиту:

1. Для эффективного управления банковскими рисками необходимо применение нескольких различных методов оценки банковских рисков на разных уровнях управления. На уровне оперативного управления кредитным риском (уровень микрориск-менеджмента) целесообразным является следующее сочетание методов оценки кредитного риска: на первом этапе анализа кредитной заявки необходимо применять метод деревьев-решений, на следующем этапе анализа кредитной заявки эффективным является применение технологий нейронных сетей.

2. Для обеспечения эффективности работы кредитного отдела многофилиального банка в изменяющихся внешних условиях необходимо усовершенствовать традиционный алгоритм его работы. С этой целью в алгоритм необходимо ввести постоянную обратную связь между аналитическим отделом и адаптируемыми скоринговыми системами. Сигнал обратной связи формируется аналитическим отделом как результат обработки данных, поступающих из отдела сопровождения кредитных заявок и коллекторской службы банка. Введение обратной связи в указанный алгоритм позволяет вовремя выявлять скрытые факторы дефолта и оперативно подстраивать свойства скоринговой системы под изменяющиеся внешние условия. Для обеспечения региональной дифференциации применения скоринговой системы необходимы быстрая настройка нейронной сети под условия конкретного филиала и возможность централизованного ведения базы данных обученных нейронных сетей, адаптированных к местным условиям.

3. Усредненный прогноз комитета нейронных сетей со случайными начальными распределениями синаптических весов, обученных на множестве, сформированном на основе данных ценовой динамики в заданном временном интервале, при использовании в качестве обучающего правила показателя максимальной прибыли позволяет сформировать результативный рыночный индикатор.

4. Эффективность кредитной политики многофилиальных коммерческих банков зависит от настроек систем поддержки принятия кредитных решений и общего количества поступающих кредитных заявок. С ростом числа обрабатываемых кредитных заявок целесообразным для банков является переход от либеральной к более консервативной кредитной политике.

Научную новизну содержат следующие результаты исследования:

1. В составе модели кредитного процесса предложен улучшенный алгоритм работы кредитного отдела многофилиального банка. Новизна предложенного алгоритма состоит в том, что он дополнен динамическими обратными связями, позволяющими настраивать скоринговые системы, используемые в кредитном процессе, в соответствии с изменением внешних условий.

2. Выявлены дополнительные требования к современным системам кредитного скоринга, применяемым в многофилиальных банках, которые состоят в возможности ведения централизованной базы данных, содержащей сведения о настройках нейросетевых модулей, а также в наличии постоянной обратной связи, позволяющей непрерывно дообучать нейронные сети на обновляемых обучающих множествах, формируемых экспертами аналитического отдела.

3. Предложена модель для оперативного управления валютным риском, основанная на использовании введенного автором рыночного индикатора, значение которого определяется с помощью комитета обученных нейронных сетей. Нейронные сети, входящие в состав модели, отличаются тем, что в качестве обучающего правила в алгоритме их обучения применяется показатель максимальной прибыли (MAXIMUM PROFIT PATTERN), рассчитываемый по данным ценовой динамики в заданном временном интервале. Использование комитета нейронных сетей позволяет не только повысить точность и достоверность прогнозов, но и оценить дисперсию прогнозируемой величины по величине дисперсии прогнозов нейронных сетей в составе комитета. Имитационная модель, построенная в работе для проверки предложенного индикатора, показала его эффективность при использовании на международном валютном рынке FOREX.

4. Построена многофакторная нейросетевая модель кредитного скоринга, позволяющая улучшить качество прогноза кредитоспособности заемщика за счет своевременного выявления в процессе подготовки обучающего множества скрытых факторов риска и учета нелинейной взаимосвязи факторов риска.

5. Разработано программное средство для реализации модели кредитного скоринга, которое представляет собой приложение, включающее два следующих модуля: настройщик и рабочее место кредитного оператора. Отличие программного средства от известных инструментальных средств заключается в простоте конструирования и обучения нейронных сетей, возможности хранения большого количества обучающих массивов данных и соответствующих им обученных нейронных сетей.

6. Построена имитационная модель для оценки экономической эффективности внедрения скоринговых систем, основанная на оценке средней доходности по кредитному портфелю, предложена методика оценки удельных затрат, приходящихся на одну кредитную заявку, и общей рентабельности кредитного процесса.

7. На основе построенной модели выявлен характер зависимости величины средней доходности по кредитному портфелю от таких факторов, как общее количество принятых кредитных заявок, пороговый уровень отсечения скоринговой системы, уровни одобрения и уровень дефолта. Проведено сценарное моделирование работы скоринговой системы для четырех типичных сценариев развития кредитного процесса, определяемых политикой банка: оптимистичного, пессимистичного, либерального и консервативного. Показано, что с ростом общего числа обрабатываемых банком кредитных заявок экономически целесообразным оказывается переход от либерального к консервативному сценарию.

Теоретическая и практическая значимость результатов исследования. Теоретическая значимость полученных в работе результатов состоит в создании методики оценки валютных и кредитных рисков многофилиальных банков на основе технологий искусственных нейронных сетей.

Практическая значимость полученных результатов исследования состоит в возможности использования предложенных методик и разработанных программных средств для повышения эффективности банковских систем управления рисками. Практическая значимость выполненных исследований подтверждается использованием разработанных моделей и инструментальных средств в ряде крупных банков г. Саратова.

Апробация результатов исследования. Основные положения и результаты диссертационной работы докладывались на Международной научно-практической конференции, посвященной 75-летию образования Саратовского государственного социально-экономического университета (СГСЭУ, 2006), на других научных конференциях, проведенных СГСЭУ (2005-2008 гг.).

Всего опубликовано 8 печатных работ общим объемом 2,7 п.л., в том числе одна статья в журнале, рекомендованном ВАК РФ.

Содержащиеся в работе материалы используются в учебном процессе специальности «Прикладная информатика (в экономике)» при изучении дисциплин «Имитационное моделирование экономических процессов», «Информационные системы в экономике», «Нейросетевой анализ экономической информации» и другие.

Разработанные модели и программные средства могут быть использованы для оценки рисков в многофилиальных коммерческих банках.

Структура и объем работы. Работа состоит из введения, трех глав, заключения, списка литературы (103 наименования) и четырех приложений.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Ульянов, Денис Петрович

Если результаты работы модели ИНС удовлетворительные, то обученная сеть сохраняется для дальнейшего использования в модуле «Кредитный работник» в файл специальной структуры в расширением число нейронов во входном слое число нейронов в выходном слое число скрытых слоев нейросети

27 1

1—3

Параметр сигмоиды Г

Вид сигмоиды

0.5 -

8 10 Назад [ Далее >>

Отмена

Рисунок 3.6

Экранная форма настройки числа скрытых слоёв ИНС и формы активационной функции

Рисунок 3.7

Экранная форма графического отображения хода обучения ИНС

I'jl

SS I

1ЧЯ

ШпШШШ

ЯъшШЯI ■■■■

Обчч. Тест.

Error CD. 0.040737 0.013334

Error макс. 0.20368 : 0,0243G3

Распознано 75% 100%

Пуск обучения Назад

Далее >>

Отмена

Рисунок 3.8

Экранная форма графического отображения результатов обучения ИНС

На этапе планирования задачи было решено отказаться от хранения структуры сети в базе данных, так как наиболее доступные провайдеры данных, такие как OLEDB, BDE или другие, при первичной загрузке неоправданно отнимают время и ресурсы системы. С небольшим объёмом данных для хранения обученной нейронной сети хорошо справляется специально структурированный файл *.NNW, по аналогии со стандартными *.1№-файлами в MS Windows. В нём названия разделов указываются в квадратных скобках, а название параметра и его значение — по одной паре на строку через знак равенства. Как показало тестирование — этого вполне достаточно для полноценной работы приложения. Доступ к данным* файла производится посредством системного интерфейса API (Application Programming Interface).

Консоль кредитного работника имеет интерфейс SDI (Single Document Interface). Навигация производится посредством меню с дублирующими кнопками быстрого доступа. Для работы программы необходим файл обученной искусственной нейронной сети *.NNW. После загрузки ИНС вместе с её структурой (в т.ч. весами), в таблице отображаются названия полей, и для пользователя доступны два режима работы: ручной ввод данных заёмщика либо пакетная обработка заранее подготовленных данных. Причём, стоит отметить гибкость работы с импортируемыми данными. Программа понимает описанный выше формат (с разделителем TAB), полноценный файлы электронных таблиц (*.XLS) и файлы с разделителем запятой (*.CSV). После заполнения таблицы данными выполняется команда Расчёт, и выходные значения отображаются в соответствующих ячейках таблицы. Данные готовы для сохранения в любом из обозначенных выше форматов.

Несмотря на все достоинства ПК в вопросах выявления несостоятельных заёмщиков, у него есть типичные для нейросетевых моделей недостатки, связанные с «загрязнением» данных. В данном случае под термином «загрязнение» понимается не появление излишних данных с течением времени, а подача на вход системы несоответствующих действительности данных, которые ИНС трактует как реальные, что влечёт за собой неверное обучение сети и, как следствие, некорректные выходные данные. В таких случаях, когда существует вероятность наличия неточности в данных, рекомендуется ставить во входном векторе заранее определённое значение, например 0, соответствующее пустым данным. В таком случае сеть обучится с большей точностью.

Нежелательно также «переобучать» ИНС, так как излишняя информативность способствует проявлению сетью своеобразного «консерватизма». Она в меньшей степени становится подвержена новым тенденциям изменения данных, которые отражают изменение экономической обстановки. То есть, при излишнем обучении одно из основных преимуществ нейронной сети - возможность автоматической адаптации к новым условиям — сводится к поиску полного соответствия данных очередного заёмщика имеющимся в сети примерам. Избежать подобной ситуации помогает установка условий останова обучения на соответствующем этапе проектирования ИНС в модуле «Настройщик».

Процесс тестирования ПК «НейроКредит+» с использованием реальных данных подробно описан в предыдущем разделе. Входной файл в процессе тестирования содержал 27 параметров, которые тем или иным образом влияли на оценку финансового состояния заёмщика, и одно выходное поле по каждому из клиентов, содержащее статус кредита, то есть был он выдан либо по нему был принят отказ. В модуле «Настройщик» создавалась и обучалась ИНС.

На следующем этапе была заполнена таблица MS Excel (исключительно из-за удобства пользования), в которую вошли те же 27 полей, на этот раз с тестовыми данными. Последнее (выходное) поле не содержало значение. В модуле «Кредитный работник», после загрузки нейросети и проведения расчётов, полученные значения были сохранены в исходный файл, подготовив, таким образом, полноценные данные для составления отчётов, построения экономических диаграмм и т.п.

Положительным ответом сети признавалось выходное значение не меньшее 0,9 (90%) — своеобразная «вероятность» действий заёмщика. Значение от 0,7 до 0,9 говорило о возможности отправить заявку на реструктуризацию. Все заявки, по которым в выходном столбце был показатель ниже 0,7 , признавались отвергнутыми.

Средой разработки ПК «НейроКредит+» был выбран прикладной программный пакет быстрой разработки приложений Borland Delphi.

Для работы ПК «НейроКредитЬ> не требуется специализированных аппаратных частей. Программы функционируют на Intel-совместимых рабочих стациях под управлением ОС MS Windows 98 SE, Me, 2000, XP. «Настройщик» при загрузке в систему требует около 7 МБ оперативной памяти, увеличивая объёмы её использование по мере поступления данных. При этом загрузка центрального процессора программным комплексом не превышает 5%. Модуль «Кредитный работник» более требователен к ресурсам системы (до 50-85% процессорного времени и от 10 МБ оперативной памяти при расчётах). Однако это компенсируется малым временем работы программы. (Данные по использованию ресурсов приведены для систем на базе процессоров AMD Athlon 2500ХР с тактовой частотой 1833 МГц и Intel Celeron 2,80GHz под управлением ОС MS Windows XP SP1 и SP2 соответственно. Полагаем, что для большинства современных систем показатели ресурсоёмкости не ухудшатся.)

Простой и компактный формат хранения данных об обученных нейронных сетях позволяет хранить информацию о большом количестве обученных нейронных сетей и облегчает организацию централизованной базы данных со сведениями об этих сетях.

Таким образом, нейросетевой вариант системы поддержки принятия решения при выдаче кредита автоматизирует работу кредитного эксперта, позволяет быстро реагировать на изменяющиеся внешние условия, легко настраивается так, чтобы учитывать региональные особенности отдельного филиала и позволяет реализовать централизованный контроль за множеством обученных таким образом скоринговых систем.

3.3 Имитационные модели для оценки экономической эффективности скоринговой системы

Выбор экономически обоснованной технологии управления рисками является одним из сложных этапов в банковском риск менеджменте [95, 96, 97]. Эта проблема обостряется в связи с увеличением в кредитном портфеле большинства банков доли потребительских кредитов (от 30 до 70 процентов в общем объеме кредитов [98]), которые характеризует сравнительно небольшой размер отдельного кредита и соответственно небольшой размер маржи, который может не компенсировать затраты банка на обслуживание кредитной заявки. При этом усиливается влияние на общую рентабельность банка таких факторов как непроцентные расходы, связанные с принятием решения по кредиту, а также расходы, обусловленные возможным невозвратом кредитов.

В данном разделе проведен сравнительный анализ экономической эффективности различных вариантов построения скоринговых систем и различных сценариев их использования при обслуживании потребительского кредитования в многофилиальном банке.

В качестве критерия эффективности будем, также как и в работе А. А. Строева [99], использовать величину средней доходности по кредитному портфелю, которую определим как разницу между процентными доходами и расходами по портфелю, отнесенную на количество выданных кредитов.

Рассмотрим два различных по организационно-техническому и математическому обеспечению варианта построения скоринговой системы, которые часто применяются в современной банковской деятельности [100].

В первом варианте при построении скоринговой системы используется готовая скор-карта, разработанная сторонней компанией и ориентированная на определенный банковский продукт.

Во втором варианте используется гибкая система скоринга, разрабатываемая и настраиваемая самим банком под свои задачи. В рассматриваемом случае собственная скоринговая система банка строится на основе использования нейросетевой технологии.

Известно, что рост доходности банка может быть обеспечен двумя путями — ростом эффективности использования активов и снижением расходов [9]. Сначала оценим различие в расходах банков при этих двух вариантах. Очевидно, что процентные расходы и налоги для обоих вариантов должны быть близки. Основное различие будет проявляться в непроцентных расходах.

В обоих вариантах учтены следующие статьи расходов, которые имеют место при построении скоринговой системы в типичном крупном коммерческом банке:

1. Покупка программного обеспечения, предназначенного для реализации кредитного скоринга;

2. Покупка готовой скор-карты в первом варианте, или разработка собственной скор-карты для второго варианта;

3. Сопровождение работы скоринг-системы;

4. Покупка обновлений скор-карт в первом варианте, или периодическая корректировка скор-карт собственными силами для второго варианта.

В проведенном расчете учтено, что стоимость покупки скоринговой карты для одного кредитного продукта варьируется у лидеров рынка скоринговых услуг от 40 до 60 тысяч долларов (Например, такие услуги предоставляют известные кредитные бюро Equifax, Experian, Trans Union). При среднем сроке актуальности скоринговой карты в 2 года банк затратит в течение 5 лет минимум 120 ООО долларов на обновление скоринговой карты по каждому кредитному продукту (В эту сумму заложены и расходы на адаптацию готовых скор-карт к местным условиям). Учтено также, что кредитное предложение банка базируется обычно на 5-10 таких продуктах.

Для разработки и сопровождения собственного программного обеспечения (второй вариант) крупному федеральному банку потребуется формирование департамента кредитных рисков, в составе которого необходимо наличие таких подразделений, как:

1. Отдел информационных технологий (2-3 человека). Его функции — настройка и сопровождение работы техники, сети и т.д.;

2. Отдел информационных систем (4-6 человек). Его функции — программирование, администрирование и т.д.;

3. Отдел методологии (4-5 человек). Его функции — регламентация работы с системами, разработка стандартов и процедур;

4. Информационно-аналитический отдел (5-10 человек). Его функции - обработка статистических данных о кредитных историях заемщиков, разработка и контроль факторов риска для подгрупп заемщиков, первичная и корректирующая установка «весов» скор-карт.

5. Менеджмент департамента (5-7 человек). Его функции — администрирование и обеспечение функционирования департамента.

Структуру стартовых и текущих затрат, необходимых для внедрения и работы скоринг-системы в коммерческом банке, можно представить (учитывая расходы аккумулируемые на активных счетах второго порядка 70201, 70206 и 70209) следующим образом: г„= д1*8+Я2*1+Яз*С+я4*0+Я5*К^6*А+я7*М+я8*0 (3.9) где: — итоговые затраты, Э — затраты на покупку и поддержание скоринговой системы, I — затраты на ГГ-оборудование, С - затраты на связь, О - оплата труда, К - административно-хозяйственные расходы, А — расходы на аренду, М -расходы на маркетинг и рекламу, Б - прочие расходы. Коэффициенты ^ корректируют расходы пропорционально численности, доходности и других показателей взвешивания расходов в общих затратах, согласно методики аллокации расходов, принятой в банке. В наших расчетах использована методика, предложенная в [101]. В таблице 3.1 приведен пример расчета стартовых и текущих затрат на создание и сопровождение скоринговой системы. Данный расчет выполнен с учетом существующего в Саратове уровня заработной платы банковских работников и других расходов типичного саратовского банка.

Заключение

Итогом работы явилась разработка моделей и программных средств для анализа кредитного и валютного риска коммерческого банка, которые предназначены для использования в кредитных организациях на оперативном уровне управления, позволяют гибко настраиваться на внешние условия и своевременно учитывать изменение значимых факторов, влияющих на величину кредитного и валютного рисков.

В ходе выполнения работы выявлена специфика рисков современного многофилиального банка. Показано, что наличие удаленных филиалов в организационной структуре кредитной организации приводит к появлению дополнительных факторов риска, для управления которыми необходима система, способная гибко настраиваться на региональные особенности работы филиалов и оперативно учитывать динамические изменения внешней среды.

Проведен анализ математических методов, применяемых для количественной оценки банковских рисков, а также практических методик, алгоритмов и инструментальных средств для выявления, оценки и управления кредитными и валютными рисками. В качестве метода анализа, наиболее адекватного целям, поставленным в работе, выбран метод, использующий технологии искусственных нейронных сетей.

Разработана методика прогнозирования поведения временного ценового ряда с помощью искусственных нейронных сетей, основанная на использовании в качестве обучающего правила показателя максимальной прибыли (МРР). Для проверки разработанной методики в работе построена имитационная модель, включающая в себя рыночный индикатор, значения которого вычисляются на основе усредненного прогноза поведения валютного рынка, даваемого комитетом обученных нейронных сетей. Данная модель подтвердила эффективность предложенной методики прогноза валютного рынка.

Построена модель скоринговой системы, основанная на нейросетевых технологиях, которая автоматизирует работу кредитного эксперта, позволяет быстро реагировать на изменяющиеся внешние условия, легко настраивается так, чтобы учитывать региональные особенности и позволяет реализовать централизованный контроль за множеством обученных таким образом скоринговых систем.

В ходе разработки и тестирования нейросетевой скоринговой системы выявлены «скрытые» факторы, оказывающих воздействие на уровень кредитного риска, важнейшими из которых оказались: географическое место проживания клиента, взаимосвязь возраста заемщика и занимаемой должности, точка обращения клиента за кредитом. I

Разработано программное средство для автоматизации процесса оценки кредитных рисков, реализующее построенную модель скоринга. Программное средство включает в себя два автономных программных модуля, выполняющих задачи построения и обучения нейронных сетей и задачи прогнозирования кредитоспособности заемщика.

Разработка методики оценки экономической эффективности используемой скоринговой системы, построены сценарные модели для выбора наиболее целесообразной стратегии использования скоринговой системы. Показано, что с ростом количества обрабатываемых кредитных заявок целесообразным оказывается переход от либеральной, к более консервативной кредитной стратегии.

Список литературы диссертационного исследования кандидат экономических наук Ульянов, Денис Петрович, 2008 год

1. Найт, Ф. Риск, неопределенность и прибыль Текст. / Ф. Найт. М.: Дело, 2003.

2. Гарнатуров, В. М. Экономический риск: сущность, методы измерения, пути снижения Текст. / В. М. Гарнатуров. — М.: Дело и сервис, 1999.

3. Боровкова, В. А. Управление рисками в торговле Текст. / В. А. Боровкова. СПб.: Питер, 2004.

4. Бобонец, К. Ю. Аналитические методы оценки экономических рисков Текст. / К. Ю. Бобонец — СПб.: Специальная литература, 1998.

5. Белешев, С. А., Гурвич, Г. Ф. Математические методы экспертных оценок Текст. / С. А. Белешев, Г. Ф. Гурвич. — М.: Статистика, 1980.

6. Води, 3., Мертон, Р. Финансы Текст. / 3. Боди, Р. Мертон // Пер. с англ. — М.: Издательский дом «Вильяме», 2000.

7. Миллъ, Дж., Сениор, Н. У. Антология экономической классики Текст. / Дж. Милль, Н. У. Сениор // Пер. с англ. — М.: Эконов-Ключ, 1994.

8. Шапкин, А. С. Экономические и финансовые риски Текст. / А. С. Шапкин // Оценка, управление, портфель инвестиций: Монография. М.: Издательско-торговая корпорация «Дашков и Ко», 2003. — 544 с.

9. Батракова, Л. Г. Экономический анализ деятельности коммерческого банка Текст. / Л. Г. Батракова. М.: Логос, 1998. — 343с.

10. Киселева, И. А. Коммерческие банки: модели и информационные технологии в процедурах принятия решений Текст. / И. А. Киселева. М.: Едиториал УРСС, 2002. - 400 с.

11. Ковалёв, В. В. Введение в финансовый менеджмент Текст. / В. В. Ковалёв. М.: Финансы и статистика, 2006. - 768с.

12. Стоянова, Е. С. Финансовый менеджмент: теория и практика Текст. / Е. С. Стоянова. М.: Перспектива, 2006. — 656с.

13. Русанов, Ю. Ю. Теория и практика риск-менеджмента кредитных организаций России Текст. / Ю. Ю. Русанов. М.: Экономистъ, 2004.

14. Русанов, Ю. Ю. Параметры качества менеджмента в системах управления банковскими рисками Текст. / Ю. Ю. Русанов // Финансы и кредит. — 2007. № 27(267). С. 2-6.

15. Беляев, М. К. Специфические риски потребительского кредитования Текст. / М. К. Беляев // Банковское дело. 2006. - №5. - С.54-56.

16. Вестник Банка России от 4 февраля 2004 года N 7.

17. Гамза, В. А. Методологические основы системной классификации банковских рисков Текст. / В. А. Гамза // Банковское дело. — 2001. №7. -С.11-15.

18. Кондратюк, Е. А. Понятие банковских рисков и их классификация Текст. / Е. А. Кондратюк // Деньги и кредит. — 2004. №6. - С.43-50.

19. Письмо ЦБ РФ от 23.06.2004 N 70-Т «О типичных банковских рисках».

20. Мельникова, А., Шевчук Ю. Эффективное управление рисками Текст. / А. Мельникова, Ю. Шевчук // Банковское обозрение, 2007. №1.

21. Заявление Правительства Российской Федерации и Центрального банка Российской Федерации № 983п-П13 от 5 апреля 2005 г. «о Стратегии развития банковского сектора Российской Федерации на период до 2008 года».

22. Письмо ЦБ РФ от 24.05.2005 № 76-Т «Об организации управления операционным риском в кредитных организациях».

23. Банковские риски: учебное пособие / кол. авторов; под ред. д-ра экон. наук, проф. О.И. Лаврушина и д-ра экон. наук, проф. Н.И. Валенцевой. М.: КНОРУС, 2007. - 232 с.

24. Супрунович, Е. Управление риском ликвидности Текст. / Е. Супрунович // Банковское дело. 2002. № 7.

25. Инструкция ЦБ РФ от 16.01.2004 № 110-И «Об обязательных нормативах банков».

26. Положение ЦБ РФ от 9.07.2003 № 232-П «О порядке формирования кредитными организациями резервов на возможные потери».

27. Положение ЦБ РФ от 26.03.2004 № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности».

28. Письмо ЦБ РФ от 27.07.2000 М 139-Т «О рекомендациях по анализу ликвидности кредитных организаций».

29. Информация Центрального Банка России "О практике стресс тестирования в кредитных организациях" Электронный ресурс. — Режим доступа: http://w\vw.cbr.ru/analytics/banksystem/stressinf.htm.

30. Информация Центрального Банка России. Данные об объемах предоставленных кредитов. Статистика по банковской системе. Электронный ресурс. Режим доступа: http://www.cbr.ru/statistics/banksystem/

31. Обзор состояния банковского сектора России за январь — апрель 2008 г. // Банковское дело. 2008, №7. - С.40-42.

32. Сергеенкова, А. А. Современные технологии обеспечения конкурентоспособности многофилиального коммерческого банка на рынке финансовых услуг Текст. : дисс. на соиск. степ, к.э.н. по спец.: 08.00.10. / А. А. Сергеенкова. Ростов на Дону, 2007.

33. Косован, КС. Управление ресурсами в коммерческом банке Текст. / К. С. Косован // Деньги и кредит, 2001.136

34. Лаврушин, О. И. Организация и планирование кредита Текст. / О. И. Лаврушин. М.: Финансы и статистика, 2002.

35. Ильясов, С. М., Казимагомедов, А. А. Организация денежно-кредитного регулирования Текст. / С. М. Ильясов, А. А. Казимагомедов. М.: Финансы и статистика, 2001.

36. Николаева, М. А., Юнцевич О. Ф. Методы и алгоритмы построения рейтингов Текст. / М. А. Николаева, О. Ф. Юнцевич // Информационные технологии. 2003. — №12.

37. Wall, A. Study of Credit Barometrics Текст. / A. Wall // Federal Reserve Bulletin. 1919. - V.5, № 3, P. 229-243.

38. Беляков, А. В. Банковские риски: проблемы учёта, управления и регулирования Текст. / А. В. Беляков. М.: Издательская группа "БДЦ-пресс", 2003. -256с.

39. Масленченков, Ю. С. Финансовый менеджмент банка Текст. / Ю. С. Масленченков // Учебное пособие. — М.: Юнити, 2003. — 399с.

40. Методика анализа финансового состояния коммерческих банков. Группа ИНЭК. Электронный ресурс. Режим доступа: http://www.inec.ru.

41. Методика определения кредитоспособности банков-контрагентов Европейского трастового банка. Электронный ресурс. Режим доступа: www.bankclub.ru/materials-credit-banks-etb.htm.

42. Методика расчёта кредитного риска по условным обязательствам кредитного характера // Приложение 2 к Инструкции ЦБ от 16.01.2004 № 110-И «Об обязательных нормативах банков».

43. Методики анализа финансового состояния заёмщика. Агентство ВЭП. Электронный ресурс. — Режим доступа: http://www.vep.ru.

44. Рейтинг относительной кредитоспособности субъектов РФ. Электронный ресурс. // Рейтинговый центр АО «АК&М», Москва, 2002. — Режим доступа: http ://www. akm.ru/rus/analyt/ratings/roks.htm.

45. Altman, E. I., Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy Текст. / E. I. Altman // The Journal of Finance. September 1968, p. 1067-1089.

46. Давыдова, Г. В., Беликов, А. Ю. Методика количественной оценки риска банкротства предприятий Текст. / Г. В. Давыдова, А. Ю. Беликов // Управление риском. — 1999, №3. С. 13-20.

47. Кадыков, Г. Г. Антикризисное управление. Учебное пособие для технических вузов Текст. / Г. Г. Кадыков, Р. С. Сайфуллин; под ред. Е.С. Минаева и В.П. Панагушина М.: Приор, 2003. - 421с.

48. Зайцева, О. П. Антикризисный менеджмент в российской фирме Текст. / О. П. Зайцева // Аваль (Сибирская финансовая школа). 1998. № 11-12. С. 150.

49. Субботин, А.В. Скоринг при оценке кредитных рисков Текст. / А. В. Субботин, А. А. Анно, В. Е. Удальцов // Внедрение МСФО в кредитной организации. 2004. - №5. - С.44-56; 2004. - №6. - С.54-63.

50. Chesser, D. L. Predicting Loan Noncompliance Текст. / D. L. Chesser // The Journal of Commercial Bank Lending. 1974, № 56(12). - P.28-38.

51. Меньшиков, И. С., Шелагин, Д. А. Рыночные риски: модели и методы Текст. / И. С. Меньшиков, Д. А. Шелагин. // Вычислительный центр РАН. 2000.

52. Волков, И. М„ Грачева, М. В. Проектный анализ Текст. / И. М. Волков, М. В. Грачева. М.: Инфра-М, 2004. - 495с.

53. Markowitz, Н. М. Portfolio Selection Текст. / Н. М. Markowitz // Journal of Finance. 1952, № 3. - P. 77-91.

54. Markowitz, H. M. Portfolio selection. Efficient diversification of investments. Текст. / H. M. Markowitz // Oxford, N.Y.: Blackwell, 1991.

55. Шарп, У., Александер, Г., Бейли, Дж. Инвестиции Текст. / У. Шарп, Г. Александер, Дж. Бейли. -М.: Инфра-М, 1997.

56. Black, F., Scholes, М. The Pricing of Options and Coiporate Liabilities Текст. / F. Black, M. Scholes 11 Journal of Political Economy. 1973. - Vol. 81, №3. -P.637-659.

57. Cox, J. С., Ross, R. A., Rubinstein, M. Option pricing: a simplied approach. Текст. / J. C. Cox, R. A. Ross, M. Rubinstein // Journal of Financial Economics. -1979. V. 7, №3. - P.229-263.

58. Райфа, Г. Анализ решений Текст. / Г. Райфа. — М.: Наука, 1977.

59. Ван Хорн, Дж. Основы управления финансами Текст. / Дж. Ван Хорн. -М.: Финансы и статистика, 1996.

60. Breiman, L. Classification and Regression Trees. Текст. / L. Breiman, J. H. Friedman, R. A. Olshen, С. T. Stone. // Wadsworth. Belmont, California. 1984.

61. Quinlan, J. R. C4.5 Programs for Machine Learning. Текст. / J. R. Quinlan // Morgan Kaufmann. San Mateo, California, 1993.

62. Круглое, B.B. Искусственные нейронные сети. Теория и практика Текст. / В. В. Круглов, В. В. Борисов. М.: Горячая линия — Телеком, 2002. — 382с.

63. Уоссермен, Ф. Нейрокомпьютерная техника Текст. / Ф. Уоссермен. — М.: Мир, 1992.

64. Короткий, С. Нейронные сети: основные положения. / С. Короткий // Открытые системы. 1997, №4. Электронный ресурс. — Режим доступа: http://www.osp.ru/os/1997/04/index.htm.

65. Русанов, Ю. Ю., Разина, О. М. Методология оценки рисков кредитования малого и среднего бизнеса Текст. / Ю. Ю. Русанов, О. М. Разина // Банковское дело. 2007, №6. С.91-95.

66. Акинин, П. В. Основы системы управления банковскими рисками Текст. / П. В. Акинин // Финансы и кредит. 2007. - № 13 (253). - С. 33-35.

67. Потоцкая, Е. Г. Организация системы управления рисками в банке Текст. / Е. Г. Потоцкая // Бухгалтерия и банки. 2001. - №3. - С.17—25.

68. Порох, А. Банковские технологии в области управления рисками. Компания 8А8 Текст. / А. Порох // Банковские Технологии. 2002, №3 (77).

69. Бухтин, М. А. Методология контроллинга кредитных рисков Текст. / М. А. Бухтин // Оперативное управление и стратегический менеджмент в КБ. 2004. - №6. - С.80-99.

70. Беляков, А. В. Банковские риски: проблемы учёта, управления и регулирования Текст. / А. В. Беляков. М.: Издательская группа "БДЦ-пресс", 2003. -256с.

71. Боунегра, А. Управление рисками в системе комплексного внутреннего контроля банка Текст. / А. Боунегра // Международные банковские операции. 2004. - №2. - С. 145-150.

72. Бухтин, М. А. Организационные принципы управления рисками в коммерческом банке. Процессный подход Текст. / М. А. Бухтин // Оперативное управление и стратегический менеджмент в коммерческом банке. 2003. - №2. - С.66-83.

73. Будков, С. Б. Совершенствование кредитного процесса путем рационализации его внутренней структуры в коммерческих банках Российской Федерации Текст.: Дис. канд. экон. наук, 08.00.10 / С. Б. Будков. Ростов-на-Дону. 2008.

74. Селянин, В. Е. Разработка моделей и инструментальных средств анализа кредитного риска на основе технологий нечетких нейронных сетей Текст.: дис. канд. экон. наук, 08.00.13 / В. Е. Селянин. Волгоград, 2007. 161 с.

75. Сперанский, А. Потребительское кредитование. К вопросу об этике собирания долгов Текст. / А. Сперанский // Бухгалтерия и банки. — 2006. — №8. С.53-57.

76. Рыкова, И. Н. Скоринг-оценка физических лиц на рынке потребительских кредитов Текст. / И. Н. Рыкова // Финансы и кредит. 2007. №18. С.2-9.

77. Афанасьев, В. Н., Юзбашев, М. М. Анализ временных рядов и прогнозирование: Учебник. Текст. / В. Н. Афанасьев, М. М. Юзбашев. М.: Финансы и статистика, 2001.

78. Эконометрика: Учебник Текст. / Под ред. И.И. Елисеевой. М.: Финансы и статистика. 2002.

79. Гунин, Г. А. Особенности практического применения искусственных нейронных сетей к прогнозу финансовых временных рядов Текст. / Г. А. Гунин // Экономическая кибернетика: системный анализ в экономике и управлении. СПб, СПбУЭФ, 2001.

80. Ежов, А. А., Шумский, С. А. Нейрокомпьютинг и его применения в экономике и бизнесе / А. А. Ежов, С. А. Шумский. М.: МИФИ, 1998. 224 с. Электронный ресурс. - Режим доступа: http://forexbiblioteka.rU/load/l2-1 -0177

81. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях Текст. / Бэстенс Д.-Э., ван ден Берг В. -М., Вуд Д. М.: ТВП, 1997. - 23 6 с.

82. Компания НейрОК. Электронный ресурс. — Режим доступа: www.neurok.ru

83. Галушкин, А. И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае Текст. / А. И. Галушкин // Часть 1. Горячая линия-Телеком. М.: Радио и связь, 2004. — 367 с.

84. Горбань, А. Н., РоссиевД. А. Нейронные сети на персональном компьютере Текст. / А. Н. Горбань, Д. А. Россиев. Новосибирск: Наука, Сибирская издательская фирма РАН, 1996.-276 с.

85. Ульянов, Д. П. Разработка системы поддержки принятия решений при выдаче потребительских кредитов в коммерческом банке Текст. / Е. А. Палькин, Д. П. Ульянов, В. Н. Гусятников // Компьютерные учебные программы и инновации. 2008. №9.

86. Паклин, Н. BaseGroup Labs. Deductor:Loans комплексное скоринговое решение в области потребительского кредитования / Н. Паклин. Электронный ресурс. — Режим доступа: http://www.basegroup.ru/solutions/loans.htm

87. Диканев, Т.В. Ознакомительная лекция "Нейронные сети" из курса "Математическое моделирование" / Т. В. Диканев. Электронный ресурс. -Режим доступа: http://www.scintific.narod.ru/neural.htm.

88. Порох, А. Банковские технологии в области управления рисками Текст. / А. Порох // Банковские технологии, 2002. №3(77).

89. Строев, A.A. Внедрение системы кредитного скоринга в банке Текст. / А. А. Строев // Расчёты и операционная работа в КБ. 2004. №6. — С.50-56.

90. Строев, A.A. Внедряем кредитный скоринг Текст. / А. А. Строев // Расчёты и операционная работа в КБ. — 2004. — №4. — С.49—52.

91. Буздалин, А. В. Кредитные ставки: новая реальность Текст. / Буздалин, А. В. // Бизнес и банки, 2006. №38.

92. Строев, А. А. Расчёт экономического эффекта от внедрения кредитного скоринга Текст. / А. А. Строев // Расчёты и операционная работа в КБ. — 2004. №10. - С.34-37.

93. Зинкевич О., Чернущенко М., Желтова А. Скоринг обмануть можно. Но лишь на какое-то время Текст. / О. Зинкевич, М. Чернущенко,

94. A. Желтова II Банковское обозрение, 2005. №8.

95. Ульянов, Д. П. Экономическая эффективность внедрения математической модели принятия решения в коммерческом банке Текст. /

96. B. Н. Гусятников, Д. П. Ульянов // Социально-экономическое развитие России: проблемы, поиски, решения: сборник научных трудов по итогам НИР Саратовского государственного социально-экономического университета в 2007 году. Саратов: СГСЭУ, 2008. С. 95-100.

97. Ульянов, Д. П. Сценарные модели как средство повышения экономической эффективности скоринговых систем Текст. / Д. П. Ульянов // Вестник Саратовского государственного социально-экономического университета. 2008, № 4 (23). С. 139—142.