Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Селянин, Владимир Евгеньевич

• Селянин, Владимир Евгеньевич
• кандидат экономических наук
• 2007

Оглавление диссертации кандидат экономических наук Селянин, Владимир Евгеньевич

Введение.

Глава 1. Теоретические аспекты оценки банковского кредитного риска.

Анализ существующих методик

1.1. Понятие риска.

1.2. Классификация рисков коммерческого банка. Понятие кредитного риска.

1.3. Обзор методик оценки кредитного риска.

1.3.1. VaR методика.

1.3.2. Скоринг

1.3.2.1. Рейтинговая оценка.

1.3.2.2. Линейная и логистическая регрессия.

1.3.2.3. Метод деревьев решений

1.3.2.4. Искусственные нейронные сети.

Выводы по главе 1.

Глава 2. Автоматизация кредитного процесса и методика оценки кредитного риска.

2.1. Процесс кредитования в коммерческом банке.

2.1.1. Кредитный договор

2.1.2. Этапы кредитного процесса.

2.2. Применение нечёткой нейронной сети для оценки банковского кредитного риска

2.3. Использование генетического алгоритма для обучения нейронной сети.

2.4. Оптимизация структуры нечёткой нейронной сети.

2.5. Методика оптимизации генетического алгоритма.

2.6. Описание параметров модели кредитного риска

2.6.1. Категории качества ссуд

2.6.2. Обеспечение.

2.6.3. Потребительское кредитование.

2.6.4. Кредитование предприятий и организаций.

2.6.5. Межбанковское кредитование.

Выводы по главе 2.

Глава 3. Описание автоматизированной системы оценки кредитного риска с приведением примеров её функционирования.

3.1. Автоматизированная система оценки кредитного риска.

3.2. Пример использования автоматизированной системы оценки риска.

Выводы по главе 3.

Введение диссертации (часть автореферата) на тему «Разработка моделей и инструментальных средств анализа кредитного риска на основе технологии нечётких нейронных сетей»

Актуальность темы диссертационного исследования. Банковская деятельность по своей сути является чрезвычайно рисковой, но грамотное управление рисками помогает банкам получать прибыль. При этом важно понимать, что рискованность банковского бизнеса является объективным фактором, который не может быть полностью устранён в процессе совершенствования банковских технологий.

Между тем, сегодня по мере усложнения банковских продуктов, использования систем хранения и обработки данных, а также вовлечения российских банков в международную банковскую систему, происходит постоянное увеличение разновидностей рисков. Например, в связи с улучшением характеристик компьютерной техники, появились новые разновидности операционного риска. Следовательно, единственно правильное ргшение для уменьшения уровня банковских рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки рисков.

В своей деятельности банки регулярно выявляют значимые риски и постоянно проводят их оценку. К наиболее значимым рискам относят кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации. Согласно проведённому в конце 2005 года Банком России анкетированию крупнейших банков основное место по уровню значимости среди всех банковских рисков занял кредитный риск или риск неплатежа по ссуде в процессе взаимодействия банка и клиента. Этот факт можно объяснить тем, что кредитование является наиболее прибыльной и одновременно наиболее рискованной частью банковских операций. Непогашение кредитов, особенно крупных, может привести банк к банкротству, а иногда, из-за его положения в банковском секторе и к системному кризису банковской системы, с возможными банкротствами, связанными с ним предприятиями, банками и частными лицами. Таким образом, управление кредитным риском является необходимой частью стратегии и тактики выживания и развития любого банка.

Необходимость идентификации и измерения уровня рисков вызвала в последнее время к жизни множество методик анализа, в большинстве своём основанных на составлении кредитного рейтинга, со всеми присущими этому методу достоинствами и недостатками. Помимо указанного метода анализа существует и ряд других методов, способных более качественно измерить уровень кредитного риска. Например, методы нечёткой логики, нейронных сетей, дерева решений и генетические алгоритмы.

Современные экономические условия ставят перед банками новые проблемы. Активно развивающийся рынок потребительского кредитования требует от банка, для поддержания конкурентоспособности своего бизнеса, перехода к быстрому и качественному анализу кредитного риска. Развитие же экономики (в том числе и из-за развития потребительского кредитования) побуждает всё больше предпринимателей брать кредит для развития своего бизнеса, что приводит к увеличению нагрузки на специалистов банка, занимающихся оценкой рисков или увеличению их числа. Применение современных автоматизированных систем может помочь решить банкам многие проблемы. Такая автоматизированная система позволит не только увеличить скорость анализа, а значит, и сократить время на принятие решения по кредиту, но и в определённой степени повысить качество этого решения и немного уменьшить вероятность злоупотребления служебным положением сотрудниками банка. Именно на разработку такой системы и направлено исследование в данной диссертации.

Степень разработанности проблемы. Во времена плановой экономики проблема оценки уровня риска не была столь актуальна для отечественных исследователей. Множество исследований в этом направлении началось лишь с приходом в экономику рыночных отношений. Исследования, посвященные анализу риска в банковской сфере с использованием различных методик, связывают с именами следующих отечественных и зарубежных исследователей: Батраковой Л.Г., Беляева М.К., Белякова А.В., Буздалина А.В., Бухтина М.А., Воробьёва Л.И., Жованикова В.Н., Иванова В.В., Ильясова С.М., Козлова А.А., Косована К.С., Лаврушина О.И., Ли О.В., Масленченкова Ю.С., Недосекина А.О., Потоцкой Е.Г. , Строева А.А., Субботина А.В., Супруновича Е.Б., Фаррахова И.Т. и многих др.

Большой вклад в развитие теории нечетких множеств, теорию и практику построения интеллектуальных моделей, а также теорию нечетких нейронных сетей, внесли следующие отечественные и зарубежные ученые: Алтунин А.Е.,

Андрейчиков А.В., Андрейчикова О.Н., Асаи К., Гольдберг Д., Заде Л., Ковалёв С.М., Коско Б., Кофман А., Круглов В.В., Мамдани Е., Мелихов А.Н., Минаев Ю.Н., Пилиньский М., Рутковский Л., Семухин М.В., Сугэно М., Тэрано Т., Филимонова О.Ю., Холланд Дж., Ягер Р. и многие др.

Вместе с тем, несмотря на большое внимание отечественных и зарубежных ученых к проблеме анализа кредитного риска, работ опирающихся на стык упомянутых областей науки достаточно мало и степень разработанности данной темы остаётся низкой. Применение нечётких нейронных сетей в целях анализа банковских рисков представляет большой интерес вследствие возможности увеличения качества оценок рисков и частичной автоматизации процесса анализа риска.

Цель и задачи исследования. Целью настоящей работы является разработка и исследование методик, а также основанных на них инструментальных средств анализа кредитного риска коммерческого банка на рынках потребительского и межбанковского кредитования, кредитования организаций и предприятий.

Исходя из цели, были поставлены следующие задачи, определившие логику диссертационного исследования и его структуру:

- показать важность качественной оценки кредитного риска;

- определить факторы, оказывающие воздействие на уровень кредитного риска;

- провести анализ действующей практики выявления и оценки кредитного риска;

- разработать методику автоматизации кредитного процесса;

- разработать модель кредитного риска на основе технологии нечётких нейронных сетей;

- исследовать возможность улучшения стандартного алгоритма для нечётких нейронных сетей;

- решить прикладные задачи оценки кредитного риска банка на рынках потребительского и межбанковского кредитования, а также кредитования предприятий и организаций.

Объектом исследования выступают коммерческие банки, обеспечивающие процесс кредитования юридических и физических лиц.

Предметом исследования является процесс анализа банковского кредитного риска с применением метода нечётких нейронных сетей.

Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки банковских рисков, а также методические и аналитические материалы Центрального банка РФ, коммерческих банков, международных финансово-кредитных институтов и рейтинговых агентств. В основу диссертационной работы положены основные научные положения и математический аппарат теории нечётких нейронных сетей, генетических алгоритмов, экономического анализа и риск-менеджмента.

Информационной базой исследования явились законодательные и нормативные акты Российской Федерации, положения и инструкции банков, бухгалтерские формы отчетности банков и промышленных предприятий, материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов.

На защиту выносятся:

- модель автоматизированного кредитного процесса, позволяющая повысить конкурентоспособность банка за счёт более качественного и быстрого анализа кредитных заявок; структура программного обеспечения, используемого для автоматизации процесса анализа кредитного риска, позволяющая сократить нагрузку на специалистов банка;

- модель кредитного риска на основе модифицированной нечёткой нейронной сети, обучающейся также модифицированным генетическим алгоритмом, способствующая повышению качества оценок риска.

Научная новизна результатов, полученных в диссертации, заключается в следующем: разработана методика автоматизации кредитного процесса коммерческого банка с применением байесовского и метода нечетких нейронных сетей, позволяющая улучшить его качество и сократить время на принятие решения по кредитной заявке;

- предложена многофакторная модель кредитного риска коммерческого банка на основе нечёткой нейронной сети с генетическим алгоритмом обучения, позволяющая увеличить качество принимаемых решений сотрудниками кредитного отдела коммерческого банка;

- предложен метод оптимизации структуры нейронной сети на основе применения различных мер сходства и модифицированный метод её обучения на основе генетического алгоритма, позволяющие увеличить точность вывода сети;

- предложено инструментальное средство с нечёткой нейронной сетью в своей основе (как с обычной, так и модифицированной структурой), позволяющее решать задачу определения уровня кредитного риска, делать промежуточные и заключительные выводы, выделять сильные и слабые стороны клиента, а также выдвигать предложения (с подсчетом уровня необходимых резервов) о целесообразности выдачи кредита.

Теоретическая и практическая значимость работы состоит в возможности использования предложенных моделей, методик и инструментальных средств для оптимизации процесса анализа кредитного риска путём частичной его автоматизации (в условиях высокой степени уверенности в решении, вмешательство специалиста ограничивается проверкой исходных данных на достоверность). Представленная модель анализа кредитного риска позволяет эффективно оценивать уровень кредитного риска, а возможность создания собственной модели оценки на базе разработанной автоматизированной системы оценки предоставляет банкам возможность повысить качество выдаваемых заключений о надёжности клиента, а значит, и снизить уровень кредитного риска для банка.

Научная апробация результатов работы. Основные положения и результаты работы докладывались и обсуждались на научных конференциях, проводимых в ВГСХА и ВолгГТУ. По теме диссертационных исследований опубликовано шесть научных работ общим объёмом в 3,8 печатных листа.

Предложенное автором инструментальное средство прошло успешную апробацию в одном из банков города Волгограда.

Структура и объём диссертации. Работа состоит из введения, трёх глав, заключения, библиографического списка литературы и приложений.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Селянин, Владимир Евгеньевич

Выводы к главе 3:

1. Описана автоматизированная система оценки кредитного риска на базе нечёткой нейронной сети с генетическим алгоритмом обучения, позволяющая проводить анализ кредитного риска практически без участия специалиста банка (необходим только оператор). Участие специалиста требуется только в случае отсутствия достаточной уверенности системы в правильности решения или при необходимости пересмотра размера обеспечения.

2. Разработанное автором инструментальное средство имеет два уровня управления (уровень эксперта и уровень пользователя) с различными правами доступа к функциям системы.

3. Уровень пользователя позволяет получить доступ к следующим возможностям системы: ввод данных для анализа, загрузка данных для анализа из файла, осуществление расчётов, вывод (графический и числовой) и заключение системы, а также загрузка одного из вариантов структуры нейронной сети.

4. Уровень эксперта помимо возможностей пользователя позволяет создавать и настраивать структуру нечёткой нейронной сети (создание лингвистических переменных, задание правил и обучение сети), а также определять параметры отчётов, выдаваемых системой.

5.Апробация разработанной системы показала гибкость её структуры (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания, легкость интерпретирования результатов, а также состоятельность при решении практических задач анализа риска. Данная автоматизированная система может быть успешно использована многими коммерческими банками.

ЗАКЛЮЧЕНИЕ

В диссертации приводится анализ применяющихся на практике методик оценки кредитного риска (который играет одну из первостепенных ролей среди множества банковских рисков) и делается вывод, что основное место, как в зарубежной, так и в отечественной практике, занимают специальные методики кредитного рейтинга. В большинстве своём эти методики представляют собой совокупность оценочных параметров кредитоспособности (факторов риска), сведённых воедино в кредитном рейтинге.

В последнее время среди российских банков, вслед за западными, получили распространение методы оценки потенциальных заёмщиков на основе различного рода статистических и математических моделей. Речь, прежде всего, идёт о моделях кредитного скоринга и VaR методике.

Скоринговая модель ставит целью оценить размер кредитных рисков (или вероятность непогашения кредита в срок) в зависимости от набора определенных признаков, присущих заемщику или конкретной сделке.

Установлено, что скоринг может осуществляться целым рядом методов, которые обладают различными свойствами. Наиболее популярными сегодня являются четыре основных метода построения скоринговых алгоритмов: построения рейтинговых оценок; на основе линейной и логистической регрессии; на основе дерева классификации; на основе нейронной сети.

Наибольший интерес, среди методов построения скоринговых алгоритмов, представляет метод анализа риска на основе нейронных сетей. Основное достоинство этого метода заключается в способности алгоритма подстраивать структуру сети под новые наблюдения и объяснять довольно сложные связи между значениями факторов риска и его уровнем.

Изучение традиционного кредитного процесса позволило автору предложить методику его автоматизации. Разработанная на основе метода нечётких нейронных сетей и байесовского метода модель автоматизированного кредитного процесса позволяет улучшить его качество и сократить время на принятие решения по кредитной заявке.

Основными этапами предложенного алгоритма кредитного процесса являются:

1) Подготовительный этап, служащий для подготовки исходных данных для расчётов.

2) Проверка первичных стоп-показателей. Главная задача этого этапа состоит в выявлении проблемных клиентов.

3) Проверка предоставляемых данных на неточности. Незначительные несоответствия должны быть в кратчайший срок объяснены клиентом. Наличие значительных несоответствий вынуждает банк отказаться от сотрудничества.

4) Выявление фальсификации отчётности. Анализ отчётности на предмет возможной фальсификации может быть реализован посредством диагностической системы байесовского типа.

5) Проверка платёжеспособности клиента.

6) Построение скоринговой модели надёжности клиента на основе нечёткой нейронной сети. Участие специалиста на этом этапе становится необходимым только в случае низкой уверенности в решении автоматизированной системы оценки риска (а это предоставляемая системой информация) или её отрицательного ответа (для пересмотра размера обеспечения).

7) Проверка благонадёжности клиента и достоверности предоставленных данных.

8) Рассмотрение заявки кредитным комитетом. В случае положительного заключения кредитного комитета клиенту в установленном порядке выдаётся ссуда. В противном же случае клиенту даётся мотивированный отказ.

Разработанная модель кредитного процесса позволяет эффективно использовать человеческий ресурс банка, поскольку такая автоматизация процесса анализа риска (с первого по шестой этапы) позволяет специалистам банка сосредоточить внимание на нестандартных (необычных) клиентах.

Предлагаемая автором методика анализа кредитного риска, базируется на методе нечёткой нейронной сети с генетическим алгоритмом обучения. Использование нечётких нейронных сетей в качестве метода анализа риска даёт следующие преимущества перед другими методами:

- высокая точность расчётов;

- возможность построения непараметрических моделей (позволяют использовать переменные разного типа: непрерывные, качественные, упорядоченные и т.д.);

- возможность обрабатывать прецеденты обучающей выборки со сложным видом сегментов (не прямоугольной формы);

- способность системы к адаптивному обучению (т.е. система может приобретать новые знания) путём реакции на положительные и отрицательные воздействия;

- возможность извлечения правил, на основе которых было сделано то или иное заключение, на естественном языке;

- оперирование системы с нечёткими правилами (что ближе к человеческому мышлению и естественным языкам).

Предложенная для оценки кредитного риска нечёткая нейронная сеть обладает модульной структурой, что позволяет гибко регулировать структуру каждого из модулей (в зависимости от структуры исходных данных или заданных правил) нейронной сети в целях повышения качества вывода сети. Использованный для обучения нейронной сети генетический алгоритм обладает прекрасной способностью к распараллеливанию вычислений. Применение параллелизма позволяет ускорить процесс обучения или значительно увеличить размерность задачи (за счёт использования в нескольких параллельных потоках различных параметров обучения) при тех же затратах времени.

Использование модифицированной структуры нейронной сети и оптимизированного генетического алгоритма позволяет ускорить процесс обучения и улучшить точность получаемых решений, что в конечном итоге приводит к улучшению качества оценок автоматизированной системы.

Рассмотренный в работе пример апробации разработанной автоматизированной системы показал состоятельность модели кредитного риска при решении практических задач, гибкость структуры нейронной сети (возможность оценки риска на рынке потребительского и межбанковского кредитования, а также кредитования предприятий и организаций), низкую трудоёмкость её обслуживания и легкость интерпретирования результатов. Подсистема объяснения заключения данной автоматизированной системы позволяет получать результаты расчётов на естественном языке, что повышает степень доверия к выданному машиной заключению. Данная автоматизированная система может быть успешно использована многими коммерческими банками.

Список литературы диссертационного исследования кандидат экономических наук Селянин, Владимир Евгеньевич, 2007 год

1. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях: монография / А.Е. Алтунин, М.В. Семухин. Тюмень: Издательство Тюменского государственного университета, 2000. - 352 с.

2. Андрейчиков, А.В. Анализ, синтез, планирование решений в экономике /

3. A.В.Андрейчиков, О.Н. Андрейчикова. М.: Финансы и статистика, 2000. -368 с.

4. Андрейчиков, А.В. Интеллектуальные информационные системы в экономике / А.В. Андрейчиков, О.Н. Андрейчикова, С.И. Сергеев -Волгоград: ВолгГТУ, 1998. 144с.

5. Андрейчиков, А.В. Компьютерная поддержка изобретательства (методы, системы, примеры применения) / А.В. Андрейчиков, О.Н. Андрейчикова. М.: Машиностроение, 1998. - 476с.

6. Андрейчиков, А.В. Математические модели и программные средства принятия решений в экономике и бизнесе. Монография / А.В. Андрейчиков Волгоград: РПК "Политехник" ВолгГТУ, 2004. - 208с.

7. Андрианов, В. Ограничение банковских рисков: рекомендации базельского комитета и обязательные нормативы деятельности банков /

8. B. Андрианов // Вестник АРБ. 2005. - №1. - С.26-42.

9. Анненская, Н.Е. Управление рисками в финансовой индустрии / Н.Е. Анненская // Оперативное управление и стратегический менеджмент в КБ.-2004.- №5. С.41-52.

10. Асаи, К. Прикладные нечеткие системы: пер. с япон./ К. Асаи, Д. Ватада,

11. C. Иван и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно.; перевод с япон. 10. Н. Чернышев. М.: Мир, 1993. - 368с.

12. Балабанов, И.Т. Основы финансового менеджмента. Как управлять капиталом? / И.Т. Балабанов М.: Финансы и статистика, 1994. - 288с.

13. Балабанов, И.Т. Риск-менеджмент / И.Т. Балабанов. М.: Финансы и статистика, 1996. - 192с.

14. Батракова, Л.Г. Экономический анализ деятельности коммерческого банка / Л.Г. Батракова М.: Логос, 1998. - 343с.

15. М.К. Беляев // Банковское дело. 2006. - №5. - С.54-56. ХЬ.Беляков, А.В. Банковские риски: проблемы учёта, управления и регулирования. / А.В. Беляков. - М.: Издательская группа "БДЦ-пресс",2003. -256с.

16. НикаЦентр, Эльга, 2001. 528с. 18.Борисов, А.Н. Принятие решений на основе нечетких моделей / А.Н.

17. Борисов, О.А. Крумберг, И. П. Федоров. Рига: Зинатне, 1990. -184с. Х9.Боунегра, А. Управление рисками в системе комплексного внутреннего контроля банка / А. Боунегра // Международные банковские операции.2004,- №2. С.145-150.

18. Бурцев, М.С. Исследование новых типов самоорганизации и возникновения поведенческих стратегий. // Диссертация на соискание ученой степени кандидата физико-математических наук. Институт прикладной математики им. В.М. Келдыша РАН, Москва. - 2005.

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

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

21. Бухтин, М.А. Системы оценки и управления банковскими рисками / М.А. Бухтин // Расчёты и операционная работа в коммерческом банке. 1999. -№2. - С.36-49.

22. Веремеенко, С.А. Мониторинг средневзвешенной доходности активов и цены пассивов коммерческого банка в условиях инфляции / С.А. Веремеенко, С.В. Пугачёв // Банковское дело. 1997. - №10. - С.46-48.

23. Власов, В.А. Анализ ограничений риска в банковском секторе / В.А. Власов, С.В. Власов // Деньги и кредит. 2005. - №2. - С.48-50.

24. Воробьёва, Л.И. Модель оценки надёжности банков-контрагентов с учётом сравнительного менеджмента / Л.И. Воробьёва // Оперативное управление и стратегический менеджмент в КБ. 2004. - №6. - С.111-118.

25. Горелик, В.А. Теоретико-игровые модели принятия решений в эколого-экономических системах / В.А. Горелик, А.Ф. Кононенко М.: Радио и связь, 1982. - 144с.

26. Готовчиков, И.Ф. Комбинированные методы оценки финансовых рисков / И.Ф. Готовчиков // Банки и технологии. 2005. - №3. - С.50-59.

27. Готовчиков, И.Ф. Практический метод экспресс-оценки финансовых возможностей физических и юридических лиц / И.Ф. Готовчиков // Банковское кредитование. 2005. - №3. - С.20-25.

28. Гражданский кодекс Российской Федерации (ГК РФ), Часть первая от 30 ноября 1994 г. N 51-ФЗ. Часть вторая от 26 января 1996 г. N 14-ФЗ. Часть третья от 26 ноября 2001 г. N 146-ФЗ.

29. Гражданский процессуальный кодекс Российской Федерации (ГПК РФ) от 14.11.2002 N 138-Ф3.

30. Гудман, Э.Д. Эволюционные вычисления и генетические алгоритмы / Э.Д. Гудман, А.Д. Коваленко // Обозрение прикладной и промышленной математики. М.: Изд-во ТВП, 1996.

31. Дубров, A.M. Моделирование рисковых ситуаций в экономике и бизнесе /

32. A.М Дубров, Б.А. Лагоша, ЕЛО. Хрусталев. М.: Финансы и статистика, 1999. -176с.

33. Емельянов, В.В. Теория и практика эволюционного моделирования /

34. Иванилов, ЮЛ. Математические модели в экономике / Ю.П. Иванилов, А.В. Лотов М.: Наука, 1979. - 304с.

35. Ильясов, С.М. Об оценке кредитоспособности банковского заёмщика / С.М. Ильясов // Деньги и кредит. 2005. - №9. - С.28-34.

36. Инструкция ЦБ от 16 января 2004 г. № 110-И "Об обязательных нормативах банков".

37. Информация Центрального Банка России "О практике стресс тестирования в кредитных организациях": Информация из Internet. -http://www.cbr.ru/analytics/banksystem/stressinf.htm.

38. Информация Центрального Банка России. Данные об объемах предоставленных кредитов. Статистика по банковской системе: Информация из Internet. http://www.cbr.ru/statistics/banksystem/.

39. Камара, С. Клиент в матрице / С. Камара, Е. Смоленская // <<D' (Д-штрих)» №1 (6): Информация из Internet. http://www.expert.ru/ printissues/d/2006/01/ potrebitelskoekreditovanie/

40. Карасёва, Т.В. Проблемы расчёта себестоимости банковских услуг и продуктов / Т.В. Карасёва // Оперативное управление и стратегический менеджмент в КБ. 2004. - №5. - С. 117-121.

41. Киевский, В. Кредитование малого бизнеса: отсутствие желания или возможности? / В. Киевский, А. Новиков // Аналитический банковский журнал. -2005. №2. - С.47-57.

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

43. Комисаров, Г.П. Влияние макроэкономических индикаторов на состояние региональных банковских систем / Г.П. Комисаров // Оперативное управление и стратегический менеджмент в КБ. 2005. - №5. - С.51-68.

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

45. Копытин, В.Ю. О платёжных системах и моделировании расчётных систем / В.Ю. Копытин // Расчёты и операционная работа в коммерческом банке. 2006. - №3. - С.35-41.

46. Косое, В.В. Экономика / В.В. Косов, В. Н. Лившиц, А. Г. Шахназаров -М.:ОАО "НПО" Изд-во "Экономика", 2000. 421с.

47. Косоеан, КС. Управление ресурсами в коммерческом банке / К.С. Косован // Деньги и кредит. 2001. - №6. - С.32-36.

48. Кофман, А. Введение в теорию нечетких множеств/ А. Кофман М.: Радио и связь, 1982. - 432с.

49. Круглое, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. М.: Горячая линия - Телеком, 2002. - 382с.

50. Круглое, В.В. Нечеткая логика и искусственные нейронные сети: Учеб. пособие / Круглов В.В., Дли М.И., Голунов Р.Ю. М.: Физматлит, 2001. -224с.

51. Курейчик, В.М. Эволюционные, синергетические и гомеостатические методы принятия решений / В.М. Курейчик Таганрог: Изд-во ТРТУ, 2001.-240с.

52. Курейчик, В.М. Генетические алгоритмы и их применение / В.М.

53. Курейчик Таганрог: Изд-во ТРТУ, 2002. - 350с. 15.Лаврушина, О.И. Деньги, кредит, банки: учебник / Под ред. О.И.

54. Лаврушина. М.: Финансы и статистика, 2004.- 464с. 76.Лапуста, М.Г. Проблемы кредитования малого бизнеса в России / М.Г.

55. Лапуста, Т.Ю. Мазурина // Финансы. 2005. - № 4. - С.14-16. 11 .Ларичев, О.И. Субъективные модели и объективные решения/ О.И.

56. Ларичев. М.: Наука, 1987. - 231с. 78.Ли, О.В. Об оценке кредитоспособности заёмщика (российский изарубежный опыт) / О.В. Ли // Деньги и кредит. 2005. - №2. - С.50-52. 19.Литвак, Б.Г. Экспертные оценки и принятие решений / Литвак Б.Г. - М:

57. Патент, 1996.-271с. 80.Лобанов, А.А. Энциклопедия финансового риск-менеджмента / Под ред.

58. А.А. Лобанова и А.В. Чугунова. М.: Альпина Паблишер, 2003. - 450 с. 81 .Маликов, Р. Особенности автоматизации бизнес-процессов кредитования физических лиц / Р. Маликов // Банки и технологии. - 2005. - №3. - С.40-44.

59. ЪА.Мелихов, А.Н. Ситуационные советующие системы с нечеткой логикой А.Н Мелихов, JI.C. Бернштейн, С.Я. Коровин М: Наука, 1990. - 272с.

60. Методика анализа финансового состояния коммерческих банков. Группа ИНЭК: Информация из Internet., -http://www.inec.ru.

61. Методика определения кредитоспособности банков-контрагентов Европейского трастового банка: Информация из Internet. -www.bankclub.ru/materials-credit-banks-etb.htm

62. Методика расчёта кредитного риска по условным обязательствам кредитного характера // Приложение 2 к Инструкции ЦБ от 16 января 2004 г. № 110-И "Об обязательных нормативах банков".

63. Методики анализа финансового состояния заёмщика. Агентство ВЭП: Информация из Internet. http://www.vep.ru.

64. Минаев, Ю.Н. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределённости в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Лиес Бенамеур. -М.: Горячая линия Телеком, 2003, - 205с.

65. Мишин, С. Риск дело благородное? / С. Мишин, А. Тюрин // Банки и технологии. - 2006. - №1. - С.68-72.91 .Морковкин, А. Подход к определению финансового положения страховой организации / А. Морковкин // Бухгалтерия и банки. 2005. - №2. - С.43-46.

66. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Д.А. Поспелова М.: Наука. Гл. ред. физ.-мат. лит., 1986. - 312с.

67. Никишев, Ю.Ю. Установление лимитов на операции исходя из оценки совокупного риска банка / Ю.Ю. Никишев // Вестник АРБ. 2002. - №12. - С.40-45.

68. Орловский, С.А. Проблемы принятия решений при нечеткой входной информации / С.А. Орловский. М.: Наука, 1981. - 208с.

69. Осипенко, Т.В. О системе рисков банковской деятельности / Т.В. Осипенко // Деньги и кредит. 2000. - №4. - С.28-30.

70. Паклин, Н. Непрерывные генетические алгоритмы / Н. Паклин. -математический аппарат : Информация из Internet. -http://www.basegroup.ru/genetic/realcodedga.htm

71. Письмо ЦБ РФ от 23 июня 2004 г. № 70-Т. "О типичных банковских рисках".

72. Положение ЦБ РФ №254-П от 26 марта 2004 г. "О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности".

73. Положение ЦБ РФ №283-П от 20 марта 2006 года "О порядке формирования кредитными организациями резервов на возможные потери".

74. Помазанов, М.В. Количественный анализ кредитного риска / М.В. Помазанов // Банковские технологии. 2004. - №2. - С.22-28.

75. Поморина, М.А. Внутренний анализ финансового состояния банка / М.А. Поморина // Банковское дело. 1999. - №5. - С.18-25; 1999. - № 6. -С.34-40.

76. Поморина, М.А. Управление рисками как составная часть процесса управления активами и пассивами банка / М.А. Поморина // Банковское дело.- 1997.-№10.- С.12-17.

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

78. Рид, Э. Коммерческие банки / Э. Рид, Р. Коттер, Э. Гилл и др.; пер. с англ. А.А. Кандаурова и др.; под ред. В.М. Усоскина. М.: СП "Космополис", 1991.-480 с.

79. Рогачёе, А.Ю. Методы расчёта рисковой стоимости в банковской практике / А.Ю. Рогачёв // Деньги и кредит. 2005. - №9. - С.41-45.

80. Рогов, М.А. Установление лимитов на привлечение заёмных средств в корпорации / М.А. Рогов: Информация из Internet. www.hedging.ru/ publications/133

81. ИЗ. Романов, М.Н. Основные подходы к оценке кредитного риска банков РФ / М.Н. Романов // Банковское дело. 2000. - №7. - С. 12-14.

82. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, JI. Рутковский; пер. с польск. И. Д. Рудинского. М.: Горячая пиния - Телеком, 2006. - 452с.

83. Рыжов, А. П. Степень нечеткости лингвистической шкалы и ее свойства. Нечеткие системы поддержки принятия решений / А.П. Рыжов; под ред. А.Н. Аверкина и др.. 1988. - 298с.

84. Сагитдинов, М.Ш. К вопросу об анализе деятельности коммерческого банка / М.Ш. Сагитдинов, Ф.Ф. Калимуллина // Банковское дело. 1997. - №10. - С.7-11.

85. Саркисянц, А. Подходы к оценке банковского портфеля / А. Саркисянц, А. Дубов // Банковское дело. 1998. - №6. - С.10-14.

86. Сипки, Дж. Ф., мл. Управление финансами в коммерческих банках: Пер. с англ. / Джозеф Ф. Синки, мл. М.: Catallaxy, 1994. - 937с.

87. Скоринг "физиков": быть или не быть кредиту? Франклин & Грант: Информация из Internet., http://www.franklin-grant.ru/ru/news2/ data/news03/2003l 2/2003122218063 lgd.asp

88. Смирнов, А.В. Методика установления лимитов на межбанковские операции / А.В. Смирнов, И.В. Баков, К.В. Кирютенко // Банковское дело. -2000. №4. - С.2-6.

89. Смирнов, Е.Е. Управление кредитным риском в системе кредитования малого бизнеса / Е.Е. Смирнов // Расчёты и операционная работа в коммерческом банке. 2006. - №3. - С.27-34.

90. Соколинская, Н.Э. Новые методы снижения кредитных рисков при проведении факторинговых операций и их отражение в бухгалтерском учёте / Н.Э. Соколинская // Налогообложение, учёт и отчётность в коммерческом банке. -2003. №1. - С.76-89.

91. Соложенцев, Е.Д. Логико-вероятностная оценка банковских рисков и мошенничеств в бизнесе / Соложенцев Е.Д. и др. СПб.: Политехника, 1996. - 59 с.

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

93. Стандарт Банка России "Обеспечение информационной безопасности организаций банковской системы Российской Федерации. Общие положения". СТО БР ИББС-1.0-2006. (утверждён распоряжением ЦБ РФ от 26.01.2006 № Р-27)

94. Станкевич, В. Оценка заёмщика оценка риска / В. Станкевич // Банковское обозрение. - 2004. - №11. - С.43-47.

95. Стишковский, А. Российские банки на международных рынках: достаточен ли капитал / А. Стишковский // Методические банковские операции. 2004. - №7. - С.25-44.

96. Стоянова, Е.С. Финансовый менеджмент: теория и практика / Е.С. Стоянова. М.: Перспектива, 2006. - 656с.

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

98. Строев, А.А. Внедряем кредитный скоринг / А.А. Строев // Расчёты и операционная работа в КБ. 2004. - №4. - С.49-52.

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

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

101. Супрупович, Е.Б. Основы управления рисками / Е.Б. Супрунович // Банковское дело.-2001. -№12. С.9-12.

102. Супрунович, Е.Б. Планирование рисков / Е.Б. Супрунович // Банковское дело. 2001. - №2. - С.13-15.

103. Супрунович, Е.Б. Управление кредитным риском / Е.Б. Супрунович // Банковское дело. 2002. - №4. - С. 16-18.

104. Суская, ЕЛ. Оценка рисков при кредитовании юридических лиц / Е.П. Суская //Банковское дело. 1998. - №2. - С.30-35.

105. Типенко, Н.Г. Оценка лимитов риска при кредитовании корпоративных клиентов / Н.Г. Типенко, Ю.П. Соловьёв, В.Б. Панич // Банковское дело. 2000. - №10. - С. 19-28.

106. Тоцкий, М.Н. Методические основы управления кредитным риском в коммерческом банке / М.Н. Тоцкий: Информация из Internet. -www.finrisk.ru/article/ totskiy/totskiy2.html

107. Трухаев, Р.Н. Методы принятия решений в условиях неопределённости / Р.Н. Трухаев. М.: Наука, 1980. - 321с.

108. Уткин, В.Б. Информационные системы и технологии в экономике / В.Б. Уткин, К.В. Балдин. -М.: ЮНИТИ-ДАНА, 2003. -335с.

109. Фаррахов, И.Т. Вероятность невозврата кредита. Оценка и применение. / И.Т. Фаррахов // Аналитический банковский журнал. №4. - 2002 г.

110. Федеральный закон № 127-ФЗ от 26.10.02 г. "О несостоятельности (банкротстве)" в ред. от 05.02.2007.

111. Федосеев, В.В. Экономико-математические методы и прикладные модели: учеб. пособие для втузов / В.В. Федосеев и др.; под ред. В.В. Федосеева. -М, 1999. 391с.

112. Хант, Э. Искусственный интеллект / Э. Хант М.: Мир, 1978.

113. Хейнсворт, Р. Корпоративное управление / Р. Хейнсворт // Банковское дело. -2001. №7. - С.16-18.

114. Шевченко, С.И. Использование инструментов финансово рынка для управления кредитными рисками / С.И. Шевченко // Расчёты и операционная работа в КБ. 2005. - №2. - С.75-82.

115. Шенец, Г. Оценка финансового положения заёмщика / Г. Шенец // Бухгалтерия и банки. 2005. - №3. - С.58-63.

116. Шеремет, А.Д. Методика финансового анализа / А.Д. Шеремет, Р.С Сайфулин. М.:ИНФРА-М, 1998. - 328с.

117. Шеремет, А.Д. Финансовый анализ в коммерческом банке / А.Д. Шеремет, Г.Н. Щербакова. М: Финансы и статистика, 2002. - 256с.

118. Ширинская, Е.Б. Лимитная политика коммерческого банка. Формирование единого информационно-аналитического пространства межбанковского рынка / Е.Б. Ширинская, Н.А. Пономарёва // Вестник АРБ. 2000. - №6. - С.71-73.

119. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику / С.Д. Штовба: Информация из Internet. http://www.nnspu.ru/ MATLABRU/fuzzylogic/bookl/index.asp.htm

120. Щелов, О. Детальный анализ Положения ЦБ РФ № 283-П / О. Щелов //Бухгалтерия и банки, 2006. - №8. - С. 17-21.

121. Эддоус, М. Методы принятия решений / М. Эддоус, Р. Стенфилд -М.: Аудит, ЮНИТИ, 1997. 590с.

122. Ягер, Р. Нечеткие множества и теория возможностей, последние достижения / Р. Ягер. М.: Радио и связь, 1986 - 406с.

123. Goldberg David Е. Genetic Algorithms in Search, Optimization, and Machine Learning/ Goldberg David E. USA Addison-Wesley Publishing company, Inc., 1989. - 45p.

124. Lawrence, D. Handbook of Genetic Algorithms / Lawrence Davis. -USA, New York: Van Nostrand Reinhold, 1991. 280p.

125. Zadeh, L.A. Fuzzy logic, neutral networks and soft computing / L.A. Zadeh // Commun. ACM, 1997, Vol.37. P.77-84.